開車不要玩手機！「駕駛者監控系統」以影像辨識偵測分心駕駛行為

本文轉載自中央研究院研之有物，泛科學為宣傳推廣執行單位。

• 採訪撰文／田偲妤
• 美術設計／蔡宛潔

AI 的誕生，文理缺一不可

人工智慧（Artificial Intelligence，簡稱 AI）在 21 世紀的今日已大量運用在生活當中，近期掀起熱議的聊天機器人 LaMDA、特斯拉自駕系統、AI 算圖生成藝術品等，都是 AI 技術的應用。多數 AI 的研發秉持改善人類生活的人文思維，除了仰賴工程師的先進技術，更需要人文社會領域人才的加入。

中央研究院「研之有物」專訪院內人文社會科學研究中心蔡宗翰研究員，帶大家釐清什麼是 AI？文科人與工程師合作時，需具備什麼基本 AI 知識？AI 如何應用在人文社會領域的工作當中？

詩詞大對決：人與 AI 誰獲勝？

一場緊張刺激的詩詞對決在線上展開！人類代表是有「AI 界李白」稱號的蔡宗翰研究員，AI 代表則是能秒速成詩的北京清華九歌寫詩機器人，兩位以「人工智慧」、「類神經」為命題創作七言絕句，猜猜看以下兩首詩各是誰的創作？你比較喜歡哪一首詩呢？

答案揭曉！A 詩是蔡宗翰研究員的創作，B 詩是寫詩機器人的創作。細細賞讀可發覺，A 詩的內容充滿巧思，為了符合格律，將「類神經」改成「類審經」；詩中的「福落天赦」是「天赦福落」的倒裝，多念幾次會發現，原來是 Google 開發的機器學習開源軟體庫「Tensor Flow」的音譯；而「拍拓曲」則是 Facebook 開發的機器學習庫「Pytorch」的音譯，整首詩創意十足，充滿令人會心一笑的魅力！

相較之下，B 詩雖然有將「人工」兩字穿插引用在詩中，但整體內容並沒有呼應命題，只是在詩的既有框架內排列字句。這場人機詩詞對決明顯由人類獲勝！

由此可見，當前的 AI 缺乏創作所需的感受力與想像力，無法做出超越預先設定的創意行為。然而，在不久的將來，AI 是否會逐漸產生情感，演變成電影《A.I. 人工智慧》中渴望人類關愛的機器人？

AI 其實沒有想像中聰明？

近期有一則新聞「AI 有情感像 8 歲孩童？Google 工程師爆驚人對話遭停職」，讓 AI 是否已發展出「自我意識」再度成為眾人議論的焦點。蔡宗翰研究員表示：「當前的 AI 還是要看過資料、或是看過怎麼判讀資料，經過對應問題與答案的訓練才能夠運作。換而言之，AI 無法超越程式，做它沒看過的事情，更無法替人類主宰一切！」

會產生 AI 可能發展出情感、甚至主宰人類命運的傳言，多半是因為我們對 AI 的訓練流程認識不足，也缺乏實際使用 AI 工具的經驗，因而對其懷抱戒慎恐懼的心態。這種狀況特別容易發生在文科人身上，更延伸到文科人與理科人的合作溝通上，因不了解彼此領域而產生誤會與衝突。如果文科人可以對 AI 的研發與應用有基本認識，不僅能讓跨領域的合作更加順利，還能在工作中應用 AI 解決許多棘手問題。

「職場上常遇到的狀況是，由於文科人不了解 AI 的訓練流程，因此對 AI 產生錯誤的期待，認為辛苦標注的上千筆資料，應該下個月就能看到成果，結果還是錯誤百出，準確率卡在 60、70% 而已。如果工程師又不肯解釋清楚，兩方就會陷入僵局，導致合作無疾而終。」蔡宗翰研究員分享多年的觀察與建議：

如果文科人了解基本的 AI 訓練流程，並在每個訓練階段協助分析：錯誤偏向哪些面向？AI 是否看過這方面資料？文科人就可以補充缺少的資料，讓 AI 再進行更完善的訓練。

史上最認真的學生：AI

認識 AI 的第一步，我們先從分辨什麼是 AI 做起。現在的數位工具五花八門，究竟什麼才是 AI 的應用？真正的 AI 有什麼樣的特徵？

基本上，有「預測」功能的才是 AI，你無法得知每次 AI 會做出什麼判斷。如果只是整合資料後視覺化呈現，而且人類手工操作就辦得到，那就不是 AI。

蔡宗翰研究員以今日常見的語音辨識系統為例，大家可以試著對 Siri、Line 或 Google 上的語音辨識系統講一句話，你會發現自己無法事先知曉將產生什麼文字或回應，結果可能正是你想要的、也可能牛頭不對馬嘴。此現象點出 AI 與一般數位工具最明顯的不同：AI 無法百分之百正確！

因此，AI 的運作需建立在不斷訓練、測試與調整的基礎上，盡量維持 80、90% 的準確率。在整個製程中最重要的就是訓練階段，工程師彷彿化身老師，必須設計一套學習方法，提供有助學習的豐富教材。而 AI 則是史上最認真的學生，可以穩定、一字不漏、日以繼夜地學習所有課程。

AI 的學習方法主要分為「非監督式學習」、「監督式學習」。非監督式學習是將大批資料提供給 AI，讓其根據工程師所定義的資料相似度算法，逐漸學會將相似資料分在同一堆，再由人類檢視並標注每堆資料對應的類別，進而產生監督式學習所需的訓練資料。而監督式學習則是將大批「資料」和「答案」提供給 AI，讓其逐漸學會將任意資料對應到正確答案。

學習到一定階段後，工程師會出試題，測試 AI 的學習狀況，如果成績只有 60、70 分，AI 會針對答錯的地方調整自己的觀念，而工程師也應該與專門領域專家一起討論，想想是否需補充什麼教材，讓 AI 的準確率可以再往上提升。

就算 AI 最後通過測試、可以正式上場工作，也可能因為時事與技術的推陳出新，導致準確率下降。這時，AI 就要定時進修，針對使用者回報的錯誤進行修正，不斷補充新的學習內容，讓自己可以跟得上最新趨勢。

在了解 AI 的基本特徵與訓練流程後，蔡宗翰研究員建議：文科人可以看一些視覺化的操作影片，加深對訓練過程的認識，並實際參與檢視與標注資料的過程。現在網路上也有很多 playground，可以讓初學者練習怎麼訓練 AI，有了上述基本概念與實務經驗，就可以跟工程師溝通無礙了。

AI 能騙過人類，全靠「自然語言處理」

AI 的應用領域相當廣泛，而蔡宗翰研究員專精的是「自然語言處理」。問起當初想投入該領域的原因，他充滿自信地回答：因為自然語言處理是「AI 皇冠上的明珠」！這顆明珠開創 AI 發展的諸多可能性，可以快速讀過並分類所有資料，整理出能快速檢索的結構化內容，也可以如同真人般與人類溝通。

著名的「圖靈測試」（Turing Test）便證明了自然語言處理如何在 AI 智力提升上扮演關鍵角色。1950 年代，傳奇電腦科學家艾倫・圖靈（Alan Turing）設計了一個實驗，用來測試 AI 能否表現出與人類相當的智力水準。首先實驗者將 AI 架設好，並派一個人操作終端機，再找一個第三者來進行對話，判斷從終端機傳入的訊息是來自 AI 或真人，如果第三者無法判斷，代表 AI 通過測試。

換而言之，AI 必須擁有一定的智力，才可能成功騙過人類，讓人類不覺得自己在跟機器對話，而這有賴自然語言處理技術的精進。目前蔡宗翰的研究團隊有將自然語言處理應用在：人文研究文本分析、新聞真偽查核，更嘗試以合成語料訓練臺灣人專用的 AI 語言模型。

讓 AI 替你查資料，追溯文本的起源

目前幾乎所有正史、許多地方志都已經數位化，而大量數位化的經典更被主動分享到「Chinese Text Project」平台，讓 AI 自然語言處理有豐富的文本資料可以分析，包含一字不漏地快速閱讀大量文本，進一步畫出重點、分門別類、比較相似之處等功能，既節省整理文本的時間，更能橫跨大範圍的文本、時間、空間，擴展研究的多元可能性。

例如我們想了解經典傳說《白蛇傳》是怎麼形成的？就可以應用 AI 進行文本溯源。白蛇傳的故事起源於北宋，由鎮江、杭州一帶的說書人所創作，著有話本《西湖三塔記》流傳後世。直至明代馮夢龍的《警世通言》二十八卷〈白娘子永鎮雷峰塔〉，才讓流傳 600 年的故事大體成型。

我們可以透過「命名實體辨識技術」標記文本中的人名、地名、時間、職業、動植物等關鍵故事元素，接著用這批標記好的語料來訓練 BERT 等序列標注模型，以便將「文本向量化」，進而找出給定段落與其他文本的相似之處。

經過多種文本的比較之後發現，白蛇傳的原型可追溯自印度教的那伽蛇族故事，傳說那伽龍王的三女兒轉化成佛、輔佐觀世音，或許與白蛇誤食舍利成精的概念有所關連，推測印度神話應該是跟著海上絲路傳進鎮江與杭州等通商口岸。此外，故事的雛型可能早從唐代便開始醞釀，晚唐傳奇《博異志》便記載了白蛇化身美女誘惑男子的故事，而法海和尚、金山寺等關鍵人物與景點皆真實存在，金山寺最初就是由唐宣宗時期的高僧法海所建。

在 AI 的協助之下，我們得以跨時空比較不同文本，了解說書人如何結合印度神話、唐代傳奇、在地的真人真事，創作出流傳千年的白蛇傳經典。

最困難的挑戰：AI 如何判斷假新聞

除了應用在人文研究文本分析，AI 也可以查核新聞真偽，這對假新聞氾濫的當代社會是一大福音，但對 AI 來說可能是最困難的挑戰！蔡宗翰研究員指出 AI 的弱點：

如果是答案和數據很清楚的問題，就比較好訓練 AI。如果問題很複雜、變數很多，對 AI 來說就會很困難！

困難點在於新聞資訊的對錯會變動，可能這個時空是對的，另一個時空卻是錯的。雖然坊間有一些以「監督式學習」、「文本分類法」訓練出的假新聞分類器，可輸入當前的新聞讓機器去判讀真假，但過一段時間可能會失準，因為新的資訊源源不絕出現。而且道高一尺、魔高一丈，當 AI 好不容易能分辨出假新聞，製造假新聞的人就會破解偵測，創造出 AI 沒看過的新模式，讓先前的努力功虧一簣。

因此，現在多應用「事實查核法」，原理是讓 AI 模仿人類查核事實的過程，尋找權威資料庫中有無類似的陳述，可用來支持新聞上描述的事件、主張與說法。目前英國劍橋大學為主的學者群、Facebook 與 Amazon 等業界研究人員已組成 FEVEROUS 團隊，致力於建立英文事實查核法模型所能運用的資源，並透過舉辦國際競賽，廣邀全球學者專家投入研究。

蔡宗翰教授團隊 2021 年參加 FEVEROUS 競賽勇奪全球第三、學術團隊第一後，也與合作夥伴事實查核中心及資策會討論，正著手建立中文事實查核法模型所需資源。預期在不久的將來，AI 就能幫讀者標出新聞中所有說法的資料來源，節省讀者查證新聞真偽的時間。

AI 的無限可能：專屬於你的療癒「杯麵」

AI 的未來充滿無限可能，不僅可以成為分類與查證資料的得力助手，還能照護並撫慰人類的心靈，這對邁入高齡化社會的臺灣來說格外重要！許多青壯年陷入三明治人（上有老、下有小要照顧）的困境，期待有像動畫《大英雄天團》的「杯麵」（Baymax）機器人出現，幫忙分擔家務、照顧家人，在身心勞累時給你一個溫暖的擁抱。

機器人陪伴高齡者已是現在進行式，新加坡南洋理工大學 Gauri Tulsulkar 教授等學者於 2021 年發表了一項部署在長照機構的機器人實驗。這名外表與人類相似的機器人叫「娜丁」（Nadine），由感知、處理、互動等三層架構組成，可以透過麥克風、3D和網路鏡頭感知用戶特徵、所處環境，並將上述資訊發送到處理層。處理層會依據感知層提供的資訊，連結該用戶先前與娜丁互動的記憶，讓互動層可以進行適當的對話、變化臉部表情、用手勢做出反應。

長照機構的高齡住戶多數因身心因素、長期缺乏聊天對象，或對陌生事物感到不安，常選擇靜默不語，需要照護者主動引導。因此，娜丁內建了注視追蹤模型，當偵測到住戶已長時間處於被動狀態，就會自動發起話題。

實驗發現，在娜丁進駐長照機構一段時間後，住戶有一半的天數會去找她互動，而娜丁偵測到的住戶情緒多為微笑和中性，其中有 8 位認知障礙住戶的溝通能力與心理狀態有明顯改善。

至於未來的改進方向，研究團隊認為「語音辨識系統」仍有很大的改進空間，需要讓機器人能配合老年人緩慢且停頓較長的語速，音量也要能讓重聽者可以清楚聽見，並加強對方言與多語混雜的理解能力。

臺灣如要發展出能順暢溝通的機器人，首要任務就是要開發一套臺灣人專用的 AI 語言模型，包含華語、臺語、客語、原住民語及混合以上兩種語言的理解引擎。這需花費大量人力與經費蒐集各種語料、發展預訓練模型，期待政府能整合學界與業界的力量，降低各行各業導入 AI 相關語言服務的門檻。

或許 AI 無法發展出情感，但卻可以成為人類大腦的延伸，協助我們節省處理資料的時間，更可以心平氣和地回應人們的身心需求。與 AI 共存的未來即將來臨，如何讓自己的行事邏輯跟上 AI 時代，讓 AI 成為自己的助力，是值得你我關注的課題。

延伸閱讀

• 蔡宗翰（2022）。寫給中學生看的 AI 課：AI 生態系需要文理兼具的未來人才。三采文化出版。
• Tulsulkar, G., Mishra, N., Thalmann, N.M. et al (2021). Can a humanoid social robot stimulate the interactivity of cognitively impaired elderly? A thorough study based on computer vision methods. Vis Comput 37, 3019–3038.

每天煩惱三餐要吃什麽、出門要怎麽穿、回家後有沒有舒適的被窩可以鑽，應該是我們大部分人的日常。然而，在社會的某些角落，「貧窮」卻可能讓人連基本生理需求都難以滿足。

要消除貧窮，免不了增加資源消耗，但全球暖化危機當前，人類又不得不展開節能減碳的行動。面對「對抗貧窮和調適氣候變遷，兩者是否相互衝突」的疑問，科學家們提出了一個直指核心的問題：我們需要多少能量，才能讓所有人過上體面的生活？

打造放諸四海皆準的人類基本福祉指標！

為了解答這個大哉問，來自國際應用系統分析研究所（IIASA）的研究者們，提出了一個新的指標——「體面生活標準」（Decent Living Standards，DLS ）。它源自於基本人權與公平正義的普世理念，定義為任何人都應享有的一系列基礎物質與社會滿足要件；不論你出身何處、對好的生活有何想法，或擁有什麽訴求。

這些基礎條件，可以分為五大面向：營養（Nutrient）、庇護所（Shelter）、健康（Health）、社會互動（Socialization）及可移動性（Mobility）。在食衣住行方面，除了三餐溫飽及空間大小充裕的住處外，DLS 更貼心地考慮生活的細緻之處，例如乾淨的衛浴、可以烹飪、保存食物的基礎家電，以及高緯度地區在冬、夏兩季不可或缺的溫控設備等等。DLS 也不止步於基本物質需求，更涵括一個健全生活的人應享有的醫療服務、義務教育，使用基本通訊和交通設施，以及進行社交聯繫和政治參與的權利。

逐項列出統一化的 DLS 各面向的要求後，研究者們會根據不同國情，例如氣候、都市化程度、文化及科技經濟結構的程度，去計算各國達成這些基準的閾值能量。除了國與國的差異，在計算上，也會納入在地的城鄉差距。

舉例來説，訂定了擁有足夠空間和熱舒適的房屋通用標準後，研究者會把它換算成各地所用的不同建材，及建設與維持各類民生服務的基礎設施（如水電廠、運輸系統等）所需耗費的能量。有了 DLS 的理想標竿值，再與每個國家目前用於實現 DLS 的能源進行比較，就可估算出填補 DLS 缺口所需的能源需求。

為什麼要以「能量」衡量生活標準？

過去，我們總是以滿足生活標準的最低收入，來制定貧窮線的水平。但 DLS 作為最低限度理想生活的基準，採用的是計算能源消耗量（energy consumption）常用的單位，即千兆焦耳（Gigajoule，GJ）或十萬億焦耳（Exajoule，EJ）。一般國家的能源消耗量，都與基礎建設有關，大部分來自化學燃料的燃燒，以及水力發電、核電、風力發電、太陽能發電等。

值得注意的是，DLS 分析結果顯示，無法過上體面生活的人，數量遠比處在貧窮線底下的人來得多！這說明：現有衡量貧富的指標，跟實際情況是脫節的。以金錢收入作為生活水平的衡量單位，是預設個人能透過消費，去換取相應的生活品質。但現實中，有一大部分的人，即使收入高於貧窮門檻，現今社會所投入建設的能源，卻未必足以讓他們過上體面的生活。

因此比起以金錢為單位，DLS 由下而上（bottom-up）去推算建設和維持基本物質需求所耗費能量的模式，也許更適合作為反映人類生活品質的指標。以消耗能量為單位的 DLS 不只有物質條件，也納入社會層面的需求，因此可以為政策制定者在思考資源規劃時，提供更直接、全面的參考。

世界並不公平，尤其在所需耗費的能量上

搭配各國戶口統計調查、世界銀行（World Bank）發展指標等數據，研究者推算出世界各國在不同面向上與 DLS 的差距。結果顯示，北半球的北美與歐洲，大部分人民都過著與 DLS 相距不遠的生活。然而，南方卻呈現截然不同的境況。

在撒哈拉以南的非洲國家，有超過 60% 的人口在居家、溫控、衛浴與飲用水設施上，都相當匱乏。部分南亞與太平洋地區也面臨類似困境，尤其缺少乾淨的保暖與烹飪設施。這與他們使用的傳統生質能源帶來的不良健康影響有關。此外，部分亞洲、中東、拉丁美洲地區，也存在不便取得飲用水和保暖設施等等的缺口。

那麽，要投入資源做新建設，弭平當今與未來人口與 DLS 之間的距離，我們還需要多少能量呢？研究者設定情境估算，在 2040 年前，我們總共需要 290 EJ 的累積能量——大概是如今全世界每年所消耗能量的四分之三！是的，當今世界平均所消耗的能量，其實早已超過滿足每個人 DLS 的額度。在提升生活標準的耗能中，有大半會是拿來打造適宜的居所，四分之一用以建設以公共交通為主的交通設施，而改善健康營養所需的能量，會比推動社會互動來得少。

如果我們能成功在 2040 年時，讓所有人都達到 DLS，那在 2050 年時達到體面生活，最終需要年均 156 EJ 的能量，其中 108 EJ 會是供南方世界所用。到時候，人類生活的耗能大抵都會用在移動、通勤上，其次是維持健康及居住品質，而投入在維持社會互動所需的能量所占比例最低。

另一個研究的重要發現是，由於各地的氣候、文化和交通管道不同，即使在同一套 DLS 下，有些地區就是會比其他地區耗費更多能量，才能達到相同的基準，這個能量差異甚至可達 4 倍！例如，高緯度國家會需要耗費更多能量，來維持相同舒適的室内溫度；同樣的通勤距離，公共交通覆蓋率高的國家不需太多能量就能完成，但在個人擁車率高的地區，就會產生更多耗能。

結論：消除貧窮與對抗氣候變遷不衝突

總體而言，DLS 的研究結果，在貧富懸殊與氣候正義議題上提供了新的視野，告訴我們：投入消除貧窮的能量，並不會對調適氣候變遷的行動產生威脅。現今人類社會所產生的能量，其實大都挹注在讓原本就充裕的生活更好，而非幫助仍在體面生活基準下的人。因此，各國如何在經濟成長與耗能規劃上取捨，找出更公正、有效率的資源重分配方式，才是關鍵解決之道。

參考資料

1. Decent living gaps and energy needs around the world
2. Decent Living Standards: Material Prerequisites for Human Wellbeing
3. Energy requirements for decent living in India, Brazil and South Africa
4. 让全球老百姓过上体面生活不会拖累气候减排目标
5. How much energy do we need to achieve a decent life for all?
6. 維基百科：貧窮門檻

瘟疫大流行的發生——抗原突變

瘟疫大流行只有當血凝素和神經氨酸突觸兩者之一，或是同時，發生重大改變時發生。當全新的基因組合代替舊基因時，新抗原的形狀會和舊抗原有相當大差異。這叫作「抗原突變」 (antigen shift) 。

再用足球員的球衣來比喻，抗原突變相當於球員把綠衣白褲換成橘衣黑褲。抗原突變發生時，免疫系統根本不能辨認新抗原。全世界極少有人具有對抗這種抗原的抗體，所以病毒可以用爆炸性的速度橫掃人類社會。

血凝素有十五種基本型，神經氨酸有九種，它們有不同的組合方式，加上一些亞型。病毒學家用這些抗原組合來區分研究中的特定病毒，例如 H1N1 病毒是一九一八年流行的病毒，現在仍存在豬隻身上。H3N2 則是今天在人類身上流行的病毒。

病毒突變是怎麼回事？基因怎麼重組？

病毒突變是當一向只感染鳥類的病毒轉而直接或間接攻擊人類時發生。自一九九七年起，H5N1 和 H7N9 兩種禽類病毒直接感染了兩千三百人，超過一千人死亡，宛如另一場類似一九一八年的大流行。

鳥類和人類的唾液酸受體不同，所以能和鳥類細胞受體結合的病毒通常不會和人類細胞結合，也就不會感染人類。香港十八個被感染的人可能是暴露在大量病毒之下，這些病毒突變群裡可能含有能與人類受體結合的突變種，而大量接觸的情況下使得變種病毒得以在人體內建立據點而發病。幸虧這些病毒並沒有演化為人類病毒，那次所有的患者都是直接被家禽傳染的。

動物病毒跳上人體之後，只要一點簡單的突變就可以轉變成人類病毒。這過程也可以間接發生，因為感冒病毒最後一個不凡的特性就是可以在物種之間適應轉移。

感冒病毒不僅突變快速，它的基因組成還是成段分開的。就是說它的基因組不像大多數有機體或其他病毒一樣沿著核酸串在一起，而是存在不連貫的 RNA 上。所以當兩種不同病毒侵入同一個細胞時，它們的基因組就很可能混合重組。

重組會讓一個病毒的基因和另一個混在一起，好比把兩種不同花色的撲克牌洗在一塊，然後出現一疊含有兩種花色的牌。這就產生一種全新的病毒，讓它有機會從一個物種跳到另一個物種上。

香港禽流感中，如果有個人同時感染兩種病毒，這兩種病毒就有機會重組它們的基因，產生能容易在人類流傳的新病毒品種，而致命的病毒就這樣變成人類病毒。

病毒也可以經由中介者間接變成適合的。有病毒學家提出，對病毒來說豬是最佳的仲介，因為豬細胞的唾液酸受體能同時與鳥類和人類的病毒結合。當鳥類病毒和人類病毒同時感染同一頭豬時，病毒重組就可能發生，全新的病毒便可能現身人間。

一九一八年時獸醫曾提到豬和其他動物發生流行性感冒；而今天的豬感冒病毒也是一九一八的感冒病毒的直系後代。但我們並不清楚人和豬之間究竟是誰先把感冒傳給誰的。

紐約西奈山醫學中心的彼得．巴利斯 (Peter Palese) 醫師是世界感冒病毒權威，認為病毒基因重組的理論^[1]可以解釋病原突變的現象：「⋯⋯另一個可能性是鳥類病毒和人類病毒同時感染肺部細胞，給了病毒升級的機會⋯⋯不管是豬肺或人肺，沒理由說這種混合不可能發生。沒有絕對證據說這兩個物種沒有共同的唾液酸受體，也不能保證鳥類的受體和人類真的不同。只要有一個胺基酸的突變，病毒就可以很容易找到另一個宿主。」

有些過去的瘟疫竟然是流行性感冒？

因為病原突變而造成的大規模瘟疫在人類交通還沒有像今天一樣繁忙之前就發生過了。大多數醫史學家從疾病傳播的速度和感染人數推斷，十五、十六世紀歷史上發生的幾次瘟疫都是流行性感冒，但還是有分歧的看法。一五一○年非洲傳來瘟疫肺炎「立刻狂掃歐洲，不放過每個家庭的每一個人。」

一五八○年又有一次疫病從亞洲傳來，到了非洲、歐洲，再到美洲。它的威力大得「六星期內折磨幾乎全歐每個國家，不到二十分之一的人得以倖免。」在西班牙有些城市「人口幾乎完全被滅絕。」

有些過去的瘟疫則無疑是流行性感冒。一六八八英國光榮革命那年，流感襲擊英國、愛爾蘭、新大陸的維吉尼亞州，這些地方記載著：「⋯⋯人們死去⋯⋯像在鼠疫中⋯⋯」五年之後，感冒又掃過歐洲：「各種狀況的人都被感染⋯⋯強健的人和衰弱的人一樣倒下⋯⋯不分老幼。」

一六九九年的麻州，科頓．馬瑟 (Cotton Mather) 寫道：「病魔幾乎侵入所有家庭，極少人逃過。在波士頓死亡特別多，而且有人死得很怪異。有些家庭全家生病，有些地方全鎮都病倒，真是個疾病的時代。」

歐洲在十八世紀至少被三次，可能多達六次瘟疫襲擊，十九世紀至少有四次。一八四七年和一八四八年這兩年倫敦死於感冒的人數超過一八三二年霍亂流行的時候。一八八九和一八九○年又一次世界性大流行，不過不如一九一八年猛烈。二十世紀有三次來襲，每次都是由抗原突變引起，不是血凝素就是神經氨酸，或是兩者同時大幅變化，或是其他基因組異動造成的緣故。

流行性感冒通常感染百分之十五到四十的人口。任何感冒病毒感染那麼多人，又造成相當比例的死亡率，的確是超乎想象的恐怖。近年來公共衛生當局發現至少兩起新病毒感染人類，而在它突變成為人類病毒之前就先作了防堵措施。一九九七年香港的禽流感在十八個病例中有六人死亡。

那次為了防止家禽病毒變成人類病毒，當局將香港所有的一百二十萬隻雞全部撲殺。不過這麼做還是沒有徹底消滅 H5N1 病毒，它仍留在家禽身上，而在二○○三年又感染兩個人，造成一人死亡。這種特殊病毒的疫苗已經研發出來，但是並沒有大量製造。

二○○三年春天當一種新的 H7N7 病毒在荷蘭、比利時、和德國的家禽農場出現時，造成更大規模的撲殺。那次病毒感染了八十三個人，其中一人死亡，並且傳染到豬隻身上。當局撲殺了將近三千萬隻家禽和一些豬。

到了二○○四年，從未真正消失的 H5N1 以復仇之姿再次回歸。它在五年內感染了全世界約四千人，並奪去其中約百分之六十的人性命。它造成、且很有可能再度造成另一場大流行。為了防堵這個病毒，估計共有上億隻家禽被撲殺，但世界各地仍出現地方性的疫情。

執行這種昂貴又恐怖屠殺的原因是為了不讓一九一八年的故事重演。這麼做是為了要防止病毒突變，荼毒人間。在此同時，二○○九年突如其來，從感染過鳥、豬及人類的病毒中基因重組的一種病毒，也造成了另一次大流行。

註解

1. 二○○一年澳大利亞科學家馬克．吉伯斯 (Mark Gibbs) 提出理論說，感冒病毒也可以自己重組基因，就是說把一段基因拿下來接到另一個基因上。好像把兩疊牌切碎，把碎牌隨便黏在一起，然後任意撿起五十二張新牌成為一套。這種重組在實驗室中曾經被證明，但大部分病毒學家還是對這種說法持疑。