大數據專題導言：我們真的認識 Big Data 的「科學」嗎？

本文與 BRITA 合作，泛科學企劃執行。

你確定你喝的水真的乾淨嗎？

如果你回到兩百年前，試圖喝一口當時世界上最大城市的飲用水，可能會立刻放下杯子——那水的顏色帶點黃褐，氣味刺鼻，甚至還飄著肉眼可見的雜質。十九世紀倫敦泰晤士河的水，被戲稱為「流動的污水」，當時的人們雖然知道水不乾淨，但卻無力改變，導致霍亂和傷寒等疾病肆虐。

幸運的是，現代自來水處理系統已經讓我們喝不到這種「肉眼可見」的污染物，但問題可還沒徹底解決。面對 21 世紀的飲水挑戰，哪些技術真正有效？

濾水技術：從霍亂危機到高效濾芯

19 世紀的歐洲因為城市人口膨脹與工業發展，面臨了前所未有的水污染挑戰。當時多數城市的供水系統仍然依賴河流、湖泊，甚至未經處理的地下水，導致傳染病肆虐。

1854 年，英國醫生約翰·斯諾（John Snow）透過流行病學調查，發現倫敦某口公共水井與霍亂爆發直接相關，這是歷史上首次確立「飲水與疾病傳播的關聯」。這項發現徹底改變了各國政府對供水系統的態度，促使公衛政策改革，加速了濾水與消毒技術的發展。到了 20 世紀初，英國、美國等國開始在自來水中加入氯消毒，成功降低霍亂、傷寒等水媒傳染病的發生率，這一技術迅速普及，成為現代供水安全的基石。    

 19 世紀末的台灣同樣深受傳染病困擾，尤其是鼠疫肆虐。1895 年割讓給日本後，惡劣的衛生條件成為殖民政府最棘手的問題之一。1896 年，後藤新平出任民政長官，他本人曾參與東京自來水與下水道系統的規劃建設，對公共衛生系統有深厚理解。為改善台灣水源與防疫問題，他邀請了曾參與東京水道工程的英籍技師 W.K. 巴爾頓（William Kinnimond Burton） 來台，規劃現代化的供水設施。在雙方合作下，台灣陸續建立起結合過濾、消毒、儲水與送水功能的設施。到 1917 年，全台已有 16 座現代水廠，有效改善公共衛生，為台灣城市化奠定關鍵基礎。

進入 20 世紀，人們已經可以喝到看起來乾淨的水，但問題真的解決了嗎？ 科學家如今發現，水裡仍然可能殘留奈米塑膠、重金屬、農藥、藥物代謝物，甚至微量的內分泌干擾物，這些看不見、嚐不出的隱形污染，正在成為21世紀的飲水挑戰。也因此，濾水技術迎來了一波科技革新，活性碳吸附、離子交換樹脂、微濾、逆滲透（RO）等技術相繼問世，各有其專長：

• 活性碳吸附：去除氯氣、異味與部分有機污染物

• 離子交換樹脂：軟化水質，去除鈣鎂離子，減少水垢

• 微濾技術、逆滲透（RO）技術：攔截細菌與部分微生物，過濾重金屬與污染物等

這些技術相互搭配，能夠大幅提升飲水安全，然而，無論技術如何進步，濾芯始終是濾水設備的核心。一個設計優良的濾芯，決定了水質能否真正被淨化，而現代濾水器的競爭，正是圍繞著「如何打造更高效、更耐用、更智能的濾芯」展開的。於是，最關鍵的問題就在於到底該如何確保濾芯的效能？

濾芯的壽命與更換頻率：濾水效能的關鍵時刻濾芯，雖然是濾水器中看不見的內部構件，卻是決定水質純淨度的核心。以德國濾水品牌 BRITA 為例，其濾芯技術結合椰殼活性碳和離子交換樹脂，能有效去除水中的氯、除草劑、殺蟲劑及藥物殘留等化學物質，並過濾鉛、銅等重金屬，同時軟化水質，提升口感。

然而，隨著市場需求的增長，非原廠濾芯也悄然湧現，這不僅影響濾水效果，更可能帶來健康風險。據消費者反映，同一網路賣場內便可輕易購得真假 BRITA 濾芯，顯示問題日益嚴重。為確保飲水安全，建議消費者僅在實體官方授權通路或網路官方直營旗艦店購買濾芯，避免誤用來路不明的濾芯產品讓自己的身體當過濾器。

辨識濾芯其實並不難——正品 BRITA 濾芯的紙盒下方應有「台灣碧然德」的進口商貼紙，正面則可看到 BRITA 商標，以及「4週換放芯喝」的標誌。塑膠袋外包裝上同樣印有 BRITA 商標。濾芯本體的上方會有兩個浮雕的 BRITA 字樣，並且沒有拉環設計，底部則標示著創新科技過濾結構。購買時仔細留意這些細節，才能確保濾芯發揮最佳過濾效果，讓每一口水都能保證潔淨安全。

不過，即便是正品濾芯，其效能也非永久不變。隨著使用時間增加，濾芯的孔隙會逐漸被污染物堵塞，導致過濾效果減弱，濾水速度也可能變慢。而且，濾芯在拆封後便接觸到空氣，潮濕的環境可能會成為細菌滋生的溫床。如果長期不更換濾芯，不僅會影響過濾效能，還可能讓積累的微小污染物反過來影響水質，形成「過濾器悖論」（Filter Paradox）：本應淨化水質的裝置，反而成為污染源。為此，BRITA 建議每四週更換一次濾芯，以維持穩定的濾水效果。

為了解決使用者容易忽略更換時機的問題，BRITA 推出了三大智慧提醒機制，確保濾芯不會因過期使用而影響水質：

1. Memo 或 LED 智慧濾芯指示燈：即時監測濾芯狀況，顯示剩餘效能，讓使用者掌握最佳更換時間。

2. QR Code 掃碼電子日曆提醒：掃描包裝外盒上的 QR Code 記錄濾芯的使用時間，自動提醒何時該更換，減少遺漏。

3. LINE 官方帳號自動通知：透過 LINE 推送更換提醒，確保用戶不會因忙碌而錯過更換時機。

在濾水技術日新月異的今天，濾芯已不僅僅是過濾裝置，更是智慧監控的一部分。如何挑選最適合自己需求的濾水設備，成為了健康生活的關鍵。

濾水技術：不僅是進步，更是守護未來

人類對潔淨飲用水的追求，從未停止。19世紀，隨著城市化與工業化發展，水污染問題加劇並引發霍亂等疾病，促使濾水技術迅速發展。20世紀，氯消毒技術普及，進一步保障了水質安全。隨著科技進步，現代濾水技術透過活性碳、離子交換等技術，去除水中的污染物，讓每一口水更加潔淨與安全。

今天，消費者不再單純依賴公共供水系統，而是能根據自身需求選擇適合的濾水設備。例如，BRITA 提供的「純淨全效型濾芯」與「去水垢專家濾芯」可針對不同需求，從去除餘氯、過濾重金屬到改善水質硬度等問題，去水垢專家濾芯的去水垢能力較純淨全效型濾芯提升50%，並通過 SGS 檢測，通過國家標準水質檢測「可生飲」，讓消費者能安心直飲。

然而，隨著環境污染問題的加劇，真正的挑戰在於如何減少水污染，並確保每個人都能擁有乾淨水源。科技不僅是解決問題的工具，更應該成為守護未來的承諾。濾水器不僅是家用設備，它象徵著人類與自然的對話，提醒我們水的純淨不僅是技術的勝利，更是社會的責任和對未來世代的承諾。

*符合濾(淨)水器飲用水水質檢測技術規範所列9項「金屬元素」及15項「揮發性有機物」測試
*僅限使用合格自來水源，且住宅之儲水設備至少每6-12個月標準清洗且無受汙染之虞

數位世界已經改變了我們日常生活的體驗，一個人從早到晚都會接受到大量數據，受益於大量數據，也貢獻大量數據。這些數據龐大的程度，和消化資訊的方式已經太過繁多，人類心智根本無法處理。

與數位科技建立夥伴關係

所以人會本能地或潛意識地倚賴軟體來處理、組織、篩選出必要或有用的資訊，也就是根據用戶過去的偏好或目前的流行，來挑選要瀏覽的新項目、要看的電影、要播放的音樂。自動策劃的體驗很輕鬆容易，又能讓人滿足，人們只會在沒有自動化服務，例如閱讀別人臉書塗鴉牆上的貼文，或是用別人的網飛帳號看電影時，才會注意到這服務的存在。

有人工智慧協助的網路平臺加速整合，並加深了個人與數位科技間的連結。人工智慧經過設計和訓練，能直覺地解決人類的問題、掌握人類的目標，原本只有人類心智才能管理的各種選擇，現在能由網路平臺來引導、詮釋和記錄（儘管效率比較差）。

網路平臺收集資訊和體驗來完成這些任務，任何一個人的大腦在壽命期限內都不可能容納如此大量的資訊和體驗，所以網路平臺能產出看起來非常恰當的答案和建議。例如，採購員不管再怎麼投入工作，在挑選冬季長靴的時候，也不可能從全國成千上萬的類似商品、近期天氣預測、季節因素、回顧過去的搜尋記錄、調查物流模式之後，才決定最佳的採購項目，但人工智慧可以完整評估上述所有因素。

因此，由人工智慧驅動的網路平臺經常和我們每個人互動，但我們在歷史上從未和其他產品、服務或機器這樣互動過。當我們個人在和人工智慧互動的時候，人工智慧會適應個人用戶的偏好（網際網路瀏覽記錄、搜尋記錄、旅遊史、收入水準、社交連結），開始形成一種隱形的夥伴關係。

個人用戶逐漸依賴這樣的平臺來完成一串功能，但這些功能過去可能由郵政、百貨公司，或是接待禮賓、懺悔自白的人和朋友，或是企業、政府或其他人類一起來完成。

個人、網路平臺和平臺用戶之間的關係，是一種親密關係與遠距聯繫的新穎組合。人工智慧網路平臺審查大量的用戶數據，其中大部分是個人數據（如位置、聯絡資訊、朋友圈、同事圈、金融與健康資訊）；網路會把人工智慧當成嚮導，或讓人工智慧來安排個人化體驗。

人工智慧如此精準、正確，是因為人工智慧有能力可以根據數億段類似的關係，以及上兆次空間（用戶群的地理範圍）與時間（集合了過去的使用）的互動來回顧和反應。網路平臺用戶與人工智慧形成了緊密的互動，並互相學習。

網路平臺的人工智慧使用邏輯，在很多方面對人類來說都難以理解。例如，運用人工智慧的網路平臺在評估圖片、貼文或搜尋時，人類可能無法明確地理解人工智慧會在特定情境下如何運作。谷歌的工程師知道他們的搜尋功能若有人工智慧，就會有清楚的搜尋結果；若沒有人工智慧，搜尋結果就不會那麼清楚，但工程師沒辦法解釋為什麼某些結果的排序比較高。

要評鑑人工智慧的優劣，看的是結果實用不實用，不是看過程。這代表我們的輕重緩急已經和早期不一樣了，以前每個機械的步驟或思考的過程都會由人類來體驗（想法、對話、管理流程），或讓人類可以暫停、檢查、重複。

人工智慧陪伴現代人的生活

例如，在許多工業化地區，旅行的過程已經不需要「找方向」了。以前這過程需要人力，要先打電話給我們要拜訪的對象，查看紙本地圖，然後常常在加油站或便利商店停下來，確認我們的方向對不對。現在，透過手機應用程式，旅行的過程可以更有效率。

這些應用程式不但可以根據他們「所知」的交通記錄來評估可能的路線與每條路線所花費的時間，還可以考量到當天的交通事故、可能造成延誤的特殊狀況（駕駛過程中的延誤）和其他跡象（其他用戶的搜尋），來避免和別人走同一條路。

從看地圖到線上導航，這轉變如此方便，很少人會停下來想想這種變化有多大的革命性意義，又會帶來什麼後果。個人用戶、社會與網路平臺和營運商建立了新關係，並信任網路平臺與演算法可以產生準確的結果，獲得了便利，成為數據集的一部分，而這數據集又在持續進化（至少會在大家使用應用程式的時候追蹤個人的位置）。

在某種意義上，使用這種服務的人並不是獨自駕駛，而是系統的一部分。在系統內，人類和機器智慧一起協作，引導一群人透過各自的路線聚集在一起。

持續陪伴型的人工智慧會愈來愈普及，醫療保健、物流、零售、金融、通訊、媒體、運輸和娛樂等產業持續發展，我們的日常生活體驗透過網路平臺一直在變化。

當用戶找人工智慧網路平臺來協助他們完成任務的時候，因為網路平臺可以收集、提煉資訊，所以用戶得到了益處，上個世代完全沒有這種經驗。這種平臺追求新穎模式的規模、力量、功能，讓個人用戶獲得前所未有的便利和能力；同時，這些用戶進入一種前所未有的人機對話中。

運用人工智慧的網路平臺有能力可以用我們無法清楚理解，甚至無法明確定義或表示的方式來形塑人類的活動，這裡有一個很重要的問題：這種人工智慧的目標功能是什麼？由誰設計？在哪些監管參數範圍裡？

類似問題的答案會繼續塑造未來的生活與未來的社會：誰在操作？誰在定義這些流程的限制？這些人對於社會規範和制度會有什麼影響？有人可以存取人工智慧的感知嗎？有的話，這人是誰？

如果沒有人類可以完全理解或查看數據，或檢視每個步驟，也就是說假設人類的角色只負責設計、監控和設定人工智慧的參數，那麼對人工智慧的限制應該要讓我們放心？還是讓我們不安？還是既放心又不安？

——本文摘自《 AI 世代與我們的未來：人工智慧如何改變生活，甚至是世界？》，2022 年 12 月，聯經出版公司，未經同意請勿轉載。

搭配不同的任務，人工智慧的應用方式也不一樣，所以開發人員用來創造人工智慧的科技也不一樣。這是部署機器學習時最基礎的挑戰：不同的目標和功能需要不同的訓練技巧。

不過，結合不同的機器學習法，尤其是應用神經網路，就出現不同的可能性，例如發現癌症的人工智慧。

機器的 3 種學習形式

在我們撰寫本章的時候，機器學習的三種形式：受監督式學習、不受監督式學習和增強式學習，都值得注意。

受監督式學習催生了發現海利黴素的人工智慧。總結來說，麻省理工學院的研究人員想要找出有潛力的新抗生素，在資料庫裡放入二千種分子來訓練模型，輸入項目是分子結構，輸出項目是抑菌效果；研究人員把分子結構展示給人工智慧看，每一種結構都標示抗菌力，然後讓人工智慧去評估新化合物的抗菌效果。

這種技巧稱為受監督式學習，因為人工智慧開發人員利用包含了輸入範例（即分子結構）的資料集，在這裡面，每一筆數據都單獨標示研究人員想要的輸出項目或結果（即抗菌力）。

開發人員已經把受監督式學習的技巧應用於許多處，例如創造人工智慧來辨識影像。為了這項任務，人工智慧先拿已經標示好的圖像來訓練，學著把圖像和標籤，例如把貓的照片和「貓」的標籤，聯想在一起，人工智慧把圖片和標籤的關係編碼之後，就可以正確地辨識新圖片。

因此，當開發人員有一個資料集，其中每個輸入項目都有期望的輸出項目，受監督式學習就能有效地創造出模型，根據新的輸入項目來預測輸出項目。

不過，當開發人員只有大量資料，沒有建立關係的時候，他們可以透過不受監督式學習來找出可能有用的見解。因為網際網路與資料數位化，比過去更容易取得資料，現在企業、政府和研究人員都被淹沒在資料中。

行銷人員擁有更多顧客資訊、生物學家擁有更多資料、銀行家有更多金融交易記錄。當行銷人員想要找出客戶群，或詐騙分析師想要在大量交易中找到不一致的資訊，不受監督式學習就可以讓人工智慧在不確定結果的資訊中找出異常模式。

這時，訓練資料只有輸入項目，然後工程師會要求學習演算法根據相似性來設定權重，將資料分類。舉例來說，像網飛（Netflix）這樣的影音串流服務，就是利用演算法來找出哪些觀眾群有類似的觀影習慣，才好向他們推薦更多節目；但要優化、微調這樣的演算法會很複雜：因為多數人有好幾種興趣，會同時出現在很多組別裡。

經過不受監督式學習法訓練的人工智慧，可以找出人類或許會錯過的模式，因為這些模式很微妙、數據規模又龐大。因為這樣的人工智慧在訓練時沒有明定什麼結果才「適當」，所以可以產生讓人驚豔的創新見解，這其實和人類的自我教育沒什麼不同——無論是人類自學或是人工智慧，都會產生稀奇古怪、荒謬無理的結果。

不管是受監督式學習法或不受監督式學習法，人工智慧都是運用資料來執行任務，以發現新趨勢、識別影像或做出預測。在資料分析之外，研究人員想要訓練人工智慧在多變的環境裡操作，第三種機器學習法就誕生了。

增強式學習：需要理想的模擬情境與回饋機制

若用增強式學習，人工智慧就不是被動地識別資料間的關聯，而是在受控的環境裡具備「能動性」，觀察並記錄自己的行動會有什麼反應；通常這都是模擬的過程， 把複雜的真實世界給簡化了，在生產線上準確地模擬機器人比較容易，在擁擠的城市街道上模擬就困難得多了。

但即使是在模擬且簡化的環境裡，如西洋棋比賽，每一步都還是會引發一連串不同的機會與風險。因此，引導人工智慧在人造環境裡訓練自己，還不足以產生最佳表現，這訓練過程還需要回饋。

提供反饋和獎勵，可以讓人工智慧知道這個方法成功了。沒有人類可以有效勝任這個角色：人工智慧因為在數位處理器上運作，所以可以在數小時或數日之內就訓練自己幾百次、幾千次或幾十億次，人類提供的回饋相比之下根本不切實際。

軟體工程師將這種回饋功能自動化，謹慎精確地說明這些功能要如何操作，以及這些功能的本質是要模擬現實。理想情況下，模擬器會提供擬真的環境，回饋功能則會讓人工智慧做出有效的決定。

阿爾法元的模擬器就很簡單粗暴：對戰。阿爾法元為了評估自己的表現，運用獎勵功能，根據每一步創造的機會來評分。

增強式學習需要人類參與來創造人工智慧的訓練環境（儘管在訓練過程中不直接提供回饋）：人類要定義模擬情境和回饋功能，人工智慧會在這基礎上自我訓練。為產生有意義的結果，謹慎明確地定義模擬情境和回饋功能至關重要。

——本文摘自《 AI 世代與我們的未來：人工智慧如何改變生活，甚至是世界？》，2022 年 12 月，聯經出版公司，未經同意請勿轉載。