人工智慧能力步步進逼人類？談「人工智慧」與「人類智慧」──《LIFE 3.0》

你是否也曾在抽衛生紙的瞬間，心頭閃過「這會不會讓更多森林消失」的擔憂？當最後一張衛生紙用完，內心的愧疚感也油然而生……但先別急著責怪自己，事實上，使用木製品和紙張也能很永續！只要我們選對來源、支持永續木材，你的每一個購物決策，都能將對地球的影響降到最低。

二氧化碳是「植物的食物」：碳的循環旅程

樹木的主食是水與二氧化碳，它們從空氣中吸收二氧化碳，並利用這些碳元素形成枝葉與樹幹。最終這些樹木會被砍伐，切成木材或搗成紙漿，用於各種紙張與木製品的製造。

木製品在到達其使用年限後，無論是被燃燒還是自然分解，都會重新釋放出二氧化碳。不過在碳循環中，這些釋出的二氧化碳，來自於原本被樹木「吸收」的那些二氧化碳，因此並不會增加大氣中的碳總量。

只要我們持續種植新樹，碳循環就能不斷延續，二氧化碳在不同型態間流轉，而不會大量增加溫室氣體在大氣中的總量。因為具備循環再生的特性，讓木材成為相對環保的資源。

但，為了木製品而砍伐森林，真的沒問題嗎？當然會有問題！

砍對樹，很重要

實際上，有不少木材來自於樹木豐富的熱帶雨林。然而，熱帶雨林是無數動植物的棲息地，它們承載著地球豐富的生物多樣性。當這些森林被非法砍伐，不僅生態系統遭到破壞，還有一個嚴重的問題–黃碳，也就是那些大量儲存在落葉與土壤有機質中的碳，會因為上方森林的消失重新將碳釋放進大氣之中。這些原本是森林的土地，將從固碳變成排碳大戶。

不論是黃碳問題，還是要確保雨林珍貴的生物多樣性不被影響，經營得當的人工永續林，能將對環境的影響降到最低，是紙漿和木材的理想來源。永續林的經營者通常需要注重環境保護與生態管理，確保砍下每顆樹木後，都有新的樹木接續成長。木材反覆在同一片土地上生成，因此不用再砍伐更多的原始林。在這樣的循環經營下，我們才能不必冒著破壞原始林的風險，繼續享用木製品。

如何確保你手中的紙張來自永續林？

如果你擔心自己無意中購買了對環境不友善的商品，而不敢下手，只要認明FSC（森林管理委員會）認證與 PEFC（森林認證制度）認證標章，就能確保紙漿來源不是來自原始林。並且從森林到工廠、再到產品，流程都能被追蹤，為你把關每一張紙的生產過程合乎永續。

家樂福「從 i 開始」：環境友善購物新選擇

不僅是紙張，家樂福自有品牌的產品都已經通過了環保認證，幫助消費者在日常生活中輕鬆實踐環保。選擇 FSC 與 PEFC 標章只是第一步，你還可以在購物時認明家樂福的「從 i 開始」價格牌，這代表商品在生產過程中已經符合多項國際認證永續發展標準。

「從 i 開始」涵蓋十大環保行動，從營養飲食、無添加物、有機產品，到生態農業、動物福利、永續漁業、減少塑料與森林保育，讓你每一項購物選擇都能與環境保護密切相關。無論是買菜、買肉，還是日常生活用品，都能透過簡單的選擇，為地球盡一份力。

即使再怎麼模仿，AI 終究無法以與生物相同的方式思考吧？畢竟電腦的電子元件和我們大腦中的神經細胞結構截然不同。再怎麼模仿，AI 終究無法以與生物相同的方式思考吧？

錯，可以。

2024 年諾貝爾物理學獎跌破所有專家的眼鏡，頒給了兩位研究機器學習的科學家——約翰·霍普菲爾德（John Hopfield）和傑佛瑞·辛頓（Geoffrey Hinton）。他們以「人工」的方法打造了類神經網路，最終模擬出生物的「智慧」，奠定了當代深度學習的基礎。

為什麼解決人工智慧發展瓶頸的，竟然會是物理學？物理要怎麼讓 AI 更像人類？

從巴甫洛夫的狗到赫布理論：理解學習的基礎

為了解答這個疑問，我們需要一些背景知識。

20 世紀初，俄羅斯心理學家巴甫洛夫發現，狗在食物還沒入口前，就會開始分泌唾液。他進行了一系列實驗，改變食物出現前的環境，比如讓狗習慣在聽到鈴聲後馬上得到食物。久而久之，狗只要聽到鈴聲，就會開始分泌唾液。

大約 50 年後，神經科學家赫布（Donald Hebb）提出了一個假說：大腦中相近的神經元，因為經常同時放電，會產生更強的連結。這種解釋稱為「赫布理論」，不僅奠定了神經心理學的發展，更成為現代深度學習的基礎。

然而，赫布理論雖然描述了鄰近神經元的關係，卻無法解釋大腦如何建構出如此複雜的聯想網路。

霍普菲爾德網路：物理學家對神經網路的貢獻

然而，赫布理論雖能描述神經元之間的關係，卻缺乏數學模型。物理學家約翰·霍普菲爾德從數學家約翰·康威（John Conway）的「生命遊戲」（Game of Life）中獲得靈感，試圖建立一個可以在電腦上運行的記憶系統。

「生命遊戲」由數學家康威（John Conway）發明，玩家開始時有一個棋盤，每個格子代表一個細胞，細胞可以是「活」或「死」的狀態。根據特定規則，細胞會根據鄰居的狀態決定下一次的生存狀態。康威的目的是展示複雜的系統不一定需要複雜的規則。

霍普菲爾德發現，這個遊戲與赫布理論有強大的關聯性。大腦中的大量神經元，在出生時處於初始狀態，經過刺激後，神經元間的連結會產生或斷裂，形成強大的記憶系統。他希望利用這些理論，創造一個能在電腦上運行的記憶系統。

然而，他面臨一個難題：赫布理論沒有明確的數學模型來決定神經元連結的規則。而在電腦上運行，必須要有明確的數學規則。

物理學的啟發：易辛模型

霍普菲爾德從物理學的研究中找到了類似的模型：易辛模型（Ising Model）。這個模型用於解釋鐵磁性物質的磁性特性。

在鐵磁性物質中，電子具有「自旋」，自旋產生磁矩。電子的自旋方向只有「向上」或「向下」，這就像生命遊戲中細胞的「生」或「死」。鄰近的電子會影響彼此的自旋方向，類似於細胞之間的互動。

易辛模型能用數學描述電子間的相互影響，並通過計算系統能量，得出自旋狀態的分佈。霍普菲爾德借用了這個概念，將神經元的互動視為電子自旋的互動。

他結合了康威生命遊戲的時間演化概念、易辛模型的能量計算，以及赫布理論的動態連結，創造了「霍普菲爾德網路」。這讓電腦能夠模擬生物大腦的學習過程。

突破瓶頸：辛頓與波茲曼機

然而，霍普菲爾德網路並非完美。它容易陷入「局部最小值」的問題，無法找到系統的全局最優解。為了解決這個問題，加拿大計算機科學家傑佛瑞·辛頓（Geoffrey Hinton）提出了「波茲曼機」（Boltzmann Machine）。

辛頓將「模擬退火」的概念引入神經網路，允許系統以一定的機率跳出局部最小值，尋找全局最優解。他還引入了「隱藏層」的概念，將神經元分為「可見層」和「隱藏層」，提高了網路的學習能力。

受限波茲曼機（Restricted Boltzmann Machine）進一步簡化了模型，成為深度學習的基礎結構之一。這些創新使得 AI 能夠更有效地模擬人類的思維和學習過程。

AI 的未來：跨學科的融合

霍普菲爾德和辛頓的工作，將物理學的概念成功應用於人工智慧。他們的研究不僅解決了 AI 發展的瓶頸，還奠定了深度學習的基礎，對現代 AI 技術產生了深遠的影響。因此，2024 年諾貝爾物理學獎頒給他們，並非意外，而是對他們在跨學科領域的重大貢獻的肯定。

AI 的發展，離不開物理學、生物學、數學等多學科的融合。霍普菲爾德和辛頓的工作，正是這種融合的典範。未來，隨著科學技術的進步，我們有理由相信，AI 將越來越接近人類的思維方式，甚至可能超越我們的想像。

AlphaFold的誕生：人工智慧的奇蹟

2018 年，Google 旗下的 DeepMind 團隊推出了第一代 AlphaFold，這是一款基於深度學習的 AI 模型，專門用於預測蛋白質的三維結構。AlphaFold 的命名取自「fold」一詞，意為折疊，指的是蛋白質在胺基酸鏈構成後迅速摺疊成其功能所需的三維結構。

AlphaFold 的突破在於其能夠預測出蛋白質折疊的可能性，這是一個傳統計算方法無法達到的領域。第一代 AlphaFold 在國際 CASP 比賽中取得了一定的成功，雖然其預測準確度尚未達到實驗室標準，但其潛力讓科學家們充滿期待。

為什麼蛋白質結構預測如此重要？

蛋白質是生命的基石，它們的功能取決於其複雜的三維結構。然而，僅靠實驗技術來解析蛋白質的結構既昂貴又耗時。過去科學家依賴於如 X 光晶體繞射等技術來解析蛋白質的結構，然而這種方法雖然精確，但往往需要數年時間來得出一個結論。

到目前為止，人類已知的蛋白質數據庫中，全球僅解析了大約 22 萬種蛋白質的結構，這遠遠不足以滿足生物學和醫學研究的需求。尤其是人類的許多蛋白質結構仍然未知，這成為阻礙醫學進步的一個主要瓶頸，特別是在藥物開發和疾病治療上，因此如何加速對蛋白質的結構的解析至關重要。

AlphaFold 2：技術飛躍

2020 年，AlphaFold 2 橫空出世，改進了多項技術，預測準確度大幅，幾乎達到了與實驗結果相媲美的程度。這一成就震驚了全球生物學界，許多科學家開始將 AlphaFold 2 應用於實際研究中。

AlphaFold 2 的成功源自於其三大技術革新：

• 注意力機制：模仿人類的思維模式，從大局出發，關注蛋白質結構中的每一個細節，進而提高預測的準確性。
• 多序列比對功能：通過搜尋類似的胺基酸序列，推斷新的蛋白質結構。
• 端到端預測模式：利用深度學習神經網路，不斷反饋預測結果，持續優化模型。

AlphaFold 3：下一代 AI 的力量

隨著 AlphaFold 2 的成功，DeepMind 並未停止其腳步。2024 年 5 月，AlphaFold 3 正式推出，這標誌著 AI 技術在生物學領域的又一個里程碑。AlphaFold 3 的改進再次吸引了科學界的目光，它強化了注意力機制，並引入了擴散模型，這使其能夠更快且更準確地預測複合蛋白質的結構。

擴散模型是一項關鍵技術，它能夠生成大量的可能蛋白質結構，並快速篩選出最可能的解答。與此同時，AlphaFold 3 還內建了「減幻覺」功能，這讓其在產生結果時能夠避免過多不切實際的預測，提升了結果的可信度。

AlphaFold 的實際應用：醫學與藥物開發

AlphaFold 3 的誕生，不僅是一個技術突破，還為醫學和藥物開發帶來了巨大的希望。過去，癌症治療中的標靶藥物需要經過漫長的實驗才能確定其作用原理，然而現在，通過 AlphaFold 的預測，科學家可以更加精確地針對癌細胞中的錯誤蛋白質，設計出更有效的藥物。

除此之外，AlphaFold 3 還在抗病毒藥物、抗生素以及阿茲海默症等領域展現了潛力。其能夠預測蛋白質與其他分子（如DNA、RNA）的交互作用，這使得研發新藥的過程大大加速。

AlphaFold 3 的挑戰與未來

儘管 AlphaFold 3 取得了驚人的進展，但其仍然面臨一些挑戰。首先，目前 AlphaFold 3 的模型尚未完全開源，這限制了研究人員對其內部運作的了解。為此，一些科學家已聯名要求 DeepMind 開放其程式碼，以便進行更深入的研究和應用。

不過，隨著 AlphaFold 3的逐步推廣，生物學家相信它將繼續改變生物學研究的方式。未來，這項技術有望在解決更多未解難題中發揮關鍵作用，並為醫學領域帶來更大的突破。