如何運用 Google AI的機器學習，發現新的系外行星 Kepler-90i ？

久旱不雨，植物悲鳴，^{[1, 2]}類似教育部《臺灣閩南語常用詞辭典》所謂「因飢餓而吵鬧」的「哭枵」（khàu-iau）。^[3]別問為何沒聽過，也不怪天地寡情，人類無義，從來漠不關心。植物叫那種超音波，傳至咱們耳裡就只剩寧靜。幸好靠著以色列科學家幫忙，轉換到常人的聽覺範圍，並分享於 2023 年 3 月底的《細胞》（Cell）期刊，才廣為周知。^[1]

傾聽植物的聲音

面臨乾旱或草食動物的威脅，植物會做出多種反應，例如：改變外貌，或是以揮發性有機化合物影響鄰居等。^[1]過去的文獻指出，缺水引發空蝕現象（cavitation），使植物負責輸送水份的木質部，因氣泡形成、擴張和破裂而震動。^{[1, 4]}現在科學家想知道，這是否也會產生在特定距離內，能被其他物種聽見的聲音。^[1]

受試的對象是番茄與菸草，分別拆成乾旱、修剪和對照 3 組。對照組又有常態生長的一般對照、有土卻無植物的盆器，以及每株植物實驗前的自體對照 3 種。實驗大致有幾個階段：首先，在隔音箱裡，距離每個受試對象 10 公分處，各立 2 支麥克風收音。將聲音的紀錄分類後，拿去進行機器學習。接著移駕溫室，讓訓練好的模型，分辨雜音和不同情況下植物的聲音。再來，觀察乾旱程度與植物發聲的關係。最後，也測試其他的植物和狀態。^[1]

植物錄音與機器學習

隔音箱裡常態生長的植物，每小時平均發聲少於一次；而沒植物的盆器當然完全無聲。相對地，遭受乾旱或修剪壓力的實驗組植物，反應則十分劇烈：^[1]

隔音箱中實驗組的錄音，被依照植物品種以及所受的待遇，歸納為 4 個組別，各組別再彼此配對比較，例如：乾旱的番茄對修剪的番茄等。以此資料訓練出來的機器學習模型，判別配對中各組別的準確率為 70%。第二階段在溫室中進行，自然較隔音箱嘈雜。科學家拿空蕩溫室的環境錄音，來教模型分辨並過濾雜訊。訓練後，令其區別乾旱與對照組番茄的聲音，結果 84% 正確。^[1]既然能聽得出基本的差別，下一步就是了解水量對番茄發聲的影響。

體積含水量

為了操縱體積含水量（volumetric water content，縮寫VWC），即水份與泥土體積的比值或百分比，^{[1, 5]}科學家狠下心，連續幾天都不給溫室裡的番茄植栽喝水。一邊觀察 VWC 的變化；一邊錄下它們的聲音。起先水份充足，番茄不太吵鬧；4、5 天下來，發聲的次數逐漸增加至高峰；然後應該是快渴死了，有氣無力，所以次數又開始減少。此外，番茄通常都在早上 8 點（圖表較像 7 點）到中午 12 點，以及下午 4 點至晚上 7 點，這兩個時段出聲。^[1]科學家覺得這般作息，可能與規律的氣孔導度（stomatal conductance），也就是跟光合作用的換氣以及蒸散作用的水份蒸發，兩個透過氣孔進行的動作有關。^{[1, 6]}

大部份的聲音都是在 VWC < 0.05 時出現；當 VWC > 0.1，水份還足夠，就幾乎無聲。科學家將比較的條件進一步分成 VWC < 0.01 與 VWC > 0.05、VWC < 0.05 跟 VWC > 0.05，以及 VWC < 0.01、VWC > 0.05 和淨空溫室的聲音。機器學習模型分辨起來，都有七、八成的準確率。^[1]

植物發聲的原理

實驗觀察所得，都將植物發聲的機制，指向木質部導管中氣體的運動，也就是科學家先前預期的空蝕現象。^[1]下面為支持這項推論的理由：

1. 木質部導管的口徑，與植物被錄到的聲波頻率相關：寬的低；而窄的高。^[1]
2. 乾旱與修剪所造成的聲音不同：在木質部導管中，前者氣泡形成緩慢，發聲時數較長；而後者則相當迅速，時數較短。^[1]
3. 聲音是由植物的莖，向四面八方傳播。^[1]
4. 空蝕現象造成的震動，跟記錄到的超音波，部份頻率重疊；而沒有重疊的，其實已經超出其他物種的聽力以及麥克風收音的範圍。^[1]

問誰未發聲

觀察完番茄和菸草之後，科學家不禁好奇，別的植物是否也會為自己的處境發聲？還是它們都默默受苦，無聲地承擔？研究團隊拿小麥、玉米、卡本內蘇維濃葡萄（Cabernet Sauvignon grapevine）、奇隆丸仙人掌（Mammillaria spinosissima）與寶蓋草（henbit）來測試，發現它們果然有聲音。不過，像杏仁樹之類的木本植物，還有木質化的葡萄藤就沒有了。另外，科學家又監聽感染菸草嵌紋病毒（tobacco mosaic virus）的番茄，並錄到它們的病中呻吟。^[1]

你敢有聽著咱的歌

之前有研究指出，海邊月見草（Oenothera drummondii）暴露於蜜蜂的聲音時，會產出較甜的花蜜。^[2]若將角色對調過來：植物在乾旱、修剪或感染等壓力下釋出的超音波，頻率約在 20 至 100 kHz 之間，理論上 3 到 5 公尺內的某些哺乳動物或昆蟲，例如：蝙蝠、老鼠和飛蛾，應該聽得到。^{[1, 2]}以色列科學家認為幼蟲會寄住在番茄或菸草上的飛蛾，或許能辨識植物的聲波，並做出某些反應。同理，人類可以用機器學習模型，分辨農作物的聲音，再給予相應的照顧。如此不僅節省水源，精準培育，還能預防氣候變遷所導致的糧食危機。^[1]

備註

本文最後兩個子標題，借用音樂劇《Les Misérables》歌曲〈Do You Hear the People Sing?〉的粵語和臺語版曲名。^[7]

1. Khait I, Lewin-Epstein O, Sharon R. (2023) ‘Sounds emitted by plants under stress are airborne and informative’. Cell, 106(7): 1328-1336.
2. Marris E. (30 MAR 2023) ‘Stressed plants ‘cry’ — and some animals can probably hear them’. Nature.
3. 教育部「哭枵」臺灣閩南語常用詞辭典（Accessed on 01 APR 2023）
4. McElrone A J, Choat B, Gambetta GA, et al. (2013) ‘Water Uptake and Transport in Vascular Plants’. Nature Education Knowledge, 4(5):6.
5. Datta S, Taghvaeian S, Stivers J. (AUG 2018) ‘Understanding Soil Water Content and Thresholds for Irrigation Management’. OSU Extension of Oklahoma State University.
6. Murray M, Soh WK, Yiotis C, et al. (2020) ‘Consistent Relationship between Field-Measured Stomatal Conductance and Theoretical Maximum Stomatal Conductance in C3 Woody Angiosperms in Four Major Biomes’. International Journal of Plant Sciences, 181, 1.
7. FireRock Music.（16 JUN 2019）「【問誰未發聲】歌詞 Mix全民超長版 粵+國+台+英 口琴+小童+學生+市民 Do you hear the people sing?」YouTube.

• 作者｜ Chris Shallue，Google人工智慧研究員 / Andrew Vanderburg，德州大學奧斯汀分校天文學家

幾千年來，人們仰望星星，記錄、觀察天文現象，並從中發現其運行模式。第一批天文學家所認定的天體是行星，由於行星在夜空中看似不規則的移動，因此也被希臘人稱之為「planētai」或「漫遊者 （wanderers）」。經過幾個世紀以來的研究，人們已經了解太陽系的運行模式，是地球和其他行星圍繞著太陽公轉，而太陽是一個恆星，就如同我們肉眼所看見會發光的星星一樣。

如今，在望遠鏡光學（telescope optics）、太空飛行、數位相機和電腦等技術的幫助下，我們得以將對宇宙的了解擴展到太陽系之外，偵測並探究其他恆星周圍的行星。這些圍繞在其他恆星周圍的行星也稱之為「系外行星（exoplanet）」，而研究系外行星能幫助我們更深入探索宇宙與人類的奧秘。太陽系之外的宇宙是什麼樣子呢？外太空還有像太陽系一樣的其他行星恆星嗎？

雖然技術的進步有助於我們探索宇宙，但尋找系外行星仍不容易。與火熱的恆星相比，系外行星是冷的、小的、沒有光亮的，這就像要從幾千英里的地方，看見探照燈旁邊飛來的螢火蟲一樣困難。

不過藉助機器學習（Machine Learning），我們在最近有了一些新的進展。

克卜勒任務與 Google AI 的相遇

天文學家搜尋系外行星的方式，其中一個是分析來自NASA 克卜勒任務（Kepler Mission）中的大量資料數據，並透過自動化軟體和手動方式來執行。克卜勒任務用了四年的時間觀察近20萬顆恆星，每30分鐘拍一次照片，並創造了近140億個資料點。這140億個資料點相當於大約2千兆個可能的行星軌道。這個龐大的資料量即使用最強大的電腦來分析也是非常耗時、費力的。為了讓這個分析的過程可以更有效率，我們導入機器學習來加速分析時程。

凌星法是指，當一顆運行中的行星擋住了恆星的光線時，恆星的亮度會減小。我們以此概念為基礎，將其特徵訊號用來辨識周圍運行的行星，並運用克卜勒天文望遠鏡，在四年之間觀察並分析了20萬顆恆星的亮度。

機器學習能夠訓練電腦認識運作模式，而這對於分析大量數據來說尤其有用。機器學習技術的重點在於讓電腦從範例中學習，而不是透過編寫特定的規則。

我是Google人工智慧團隊的機器學習研究員，對於宇宙的世界相當感興趣。因此，我善用「20%計畫」（在Google，你可以利用20%的時間來做你喜歡或感興趣的事情）來開始執行這個專案。我和德州大學奧斯汀分校的天文學家 Andrew 接洽，共同執行這個專案。我們將機器學習技術應用在宇宙探索，並教導機器學習系統如何識別遙遠恆星周圍的行星。

我們利用超過 15,000 個被標記的克卜勒訊號，創造一個 TensorFlow 模組來辨別行星與非行星。為此，這個模型必須能辨認出真正的行星所形成的圖像，與其他天體如 星斑（starspots）和雙星（binary stars）所形成的圖像。當我們讓 TensorFlow 模組辨識從未見過的訊號時，它能以96%的準確率辨認出哪些訊號是行星，哪些是非行星。因此，我們知道這個模組成功了！

克卜勒90i，發現！

有了可行的模組後，我們拍攝恆星，並利用這個模組在克卜勒數據中尋找新的行星。為了縮小搜尋範圍，我們研究了 670個已知可容納兩顆或更多的系外行星的恆星。在這樣的過程中，我們發現兩顆新行星：克卜勒80g 和克卜勒90i。其中值得注意的是，克卜勒90i 是第八個被發現圍繞著克卜勒90的行星，這使它成為除了太陽系之外，第一個已知的八大行星系統。

我們利用15,000個被標示的克卜勒訊號，來訓練機器學習模組去辨認行星訊號，並利用這個模組，從670顆恆星的數據中發現新的行星，且成功發現了兩個先前被忽略的行星。

另外也發現了一些有趣的事：這個行星比地球大了30%；擁有大約華氏800度的地表溫度，絕對不是你下一趟旅行的好選擇；它以14天的週期繞著恆星公轉，這代表你每兩個星期就會過一次生日喔。

克卜勒 90是太陽系以外第一個已知的八大行星系統。在這個星系中，行星運行的軌道更靠近恆星，而克卜勒90i每14天公轉一次。（請注意，行星的大小，以及行星與恆星的距離不在測量範圍內。）

當我們運用科技來嘗試了解宇宙時，會以為已經可以一窺一二，但其實不然。目前為止，我們只用TensorFlow 模組搜尋了20萬個恆星當中的670個，而克卜勒的數據中可能還有更多系外行星尚未被發現，未來機器學習的新思維和技術將能幫助人類進行宇宙探索，發現更多未知的領域！

• 本文原刊載於Google台灣部落格，原文為《用機器學習發現新行星》

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。

原本人類就對機器有些好奇：機器會思考嗎？機器有智力嗎？機器會有智力嗎？

這些問題本來還不急著回答，但是當研究人員在一九四三年創造出第一台現代電腦，也就是電子、數位、可編寫程式的機器之後，這些問題就顯得急迫了。

這些問題看來格外費解，因為智力的本質一直都沒有答案。

機器人有智力嗎？圖靈測試出現

數學家與解碼專家亞倫．圖靈（Alan Turing）在一九五○年提出解決方案，他的文章標題相當謙和，他在〈計算機器與智力〉一文中建議完全擱置機器智力的問題。圖靈認為真正重要的不是機制，而是智力的展現；他解釋說，因為其他生物的內在生命仍不可知，所以我們衡量智力的唯一方法就是觀察外部行為。圖靈用這個觀點避開長達數世紀的哲學辯論，不去討論智力的本質。

他所推出的「模仿遊戲」就是讓一台機器操作熟練到觀察者無法區別機器和人類的行為，屆時，這台機器就可以貼上「擁有智力」的標籤。

圖靈測試就出現了。

很多人望文生義，從字面解釋圖靈測試，想像著機器人符合條件的話就會和人一樣（如果真有其事的話）。實際應用上，在遊戲或競賽等定義明確、狀況設定清楚的活動中，圖靈測試可有效衡量「有智力的」機器表現如何。圖靈測試並不要求機器做到和人類完全無法區分的地步，而是要判斷機器的表現是不是像人；在這過程中，圖靈測試著重於表現，而非過程。

這樣的產生器算人工智慧，倒不是因為的模型細節符合什麼標準，而是因為他們寫出來的訊息很接近人類寫出來的訊息，能通過測試是因為這模型經過訓練，運用大量線上資訊。

人工智慧怎麼「學習」？

一九五六年，科學家約翰．麥卡錫（John McCarthy）進一步定義了人工智慧：

若機器可執行「需要人類智力才能進行的工作」，即具備人工智慧。

圖靈和麥卡錫對人工智慧的評估自此形成基準，將我們的焦點從智力的定義轉移到表現（看似有智的行為）的評估上，不再聚焦於人工智慧這個詞在更深奧的哲學、認知與神經科學層面。

過去的半個世紀以來，機器幾乎都無法呈現這種智力，這條死路好像已經走到底了。電腦在精確定義的程式基礎上運作數十年，但因為電腦既靜態且僵化，所以電腦分析也受到局限；傳統的程式可以組織大量資料，執行複雜的計算，可是卻無法辨識類似物品的圖片，或適應不準確的輸入項目。

人類思想不精確又模糊，確實是人工智慧發展過程中難以排除的障礙。然而，過去的十年內，創新的運算方式已經創造出新的人工智慧，模稜兩可的程度可和人類相提並論。人工智慧也不精確、恆動、隨機應變，並且能夠「學習」。

人工智慧「學習」的方式就是先消化資料，然後從資料中觀察，得出結論。

過去的系統需要精確地輸入和輸出項目，不精確的功能人工智慧就不需要。人工智慧在翻譯的時候，不會把每個字都替換掉，而是會找出模式和慣用語，因此翻出來的譯文也會一直變化，因為人工智慧會隨著環境變遷而進化，還能辨識出對人類很新奇的解決方案。在機器領域裡，這四種特質都具有革命性。

以阿爾法元在西洋棋世界的突破來說，以前的西洋棋程式要倚賴人類的專業，把人類的棋路編寫為程式；但阿爾法元的技巧是自己和自己對戰數百萬場後磨練出來的，軟體從對戰過程中自己發現了模式。

飛快進步的演算法

這些「學習」技巧的基石是演算法，而演算法就是一連串的步驟，把輸入項目（例如遊戲規則或棋子的走法）翻譯成可重複的輸出項目（例如獲勝）。經典演算法例如長除法等計算，必須精準、可預測，機器學習演算法則不用；經典演算法有許多步驟，分別產出精準的結果，機器學習演算法則一步一步改善不精準的結果。

這些技巧目前進步飛快，以航空來說，很快地，人工智慧就能成為各種飛行器的正駕駛或副駕駛了。在美國國防部高等研究計劃署（DARPA）的專案「阿爾法纏鬥」（Alpha Dogfight）中，人工智慧戰機飛行員在模擬戰鬥中的表現超越了人類飛行員；不管是要操縱噴射機參戰或操縱無人機送貨，人工智慧都會劇烈影響軍事與民用航空。

儘管我們現在看到的創新還只是開端，但這些變化已經微妙地改變了人類體驗的紋理，在接下來的數十年內，這趨勢只會愈來愈快。

驅動人工智慧轉型的科技概念很複雜也很重要，所以本章會特別解釋機器學習的演化、現況與應用，說明儘管機器學習強大到讓人害怕，但也有自身的限制。

我們必須先簡介機器學習的架構、能力和限制，才能理解機器學習將帶來的社會、文化和政治變化。

——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。