Loading [MathJax]/extensions/tex2jax.js

0

0
0

文字

分享

0
0
0

想領錢只要刷臉就行?銀行人臉辨識可沒這麼簡單

活躍星系核_96
・2019/02/07 ・5110字 ・閱讀時間約 10 分鐘 ・SR值 586 ・九年級

  • 李蘭萱 (Lan-Xuan Li)/政治大學財務管理研究所碩士生,目前於產業分析研究崗位實習。主要專業領域為計量經濟、金融創新服務、ICT 數位化科技應用等。喜歡桌球,並認為必須結合統計、科技,才可以描繪出未來「以人為中心」的商業模式。

靠臉領錢辦得到嗎?其實科幻場景已很近

不知道大家有沒有遇過一種情況呢?急需用錢時站在 ATM 前準備提款,卻發現自己忘記金融卡密碼了,隨著身後排隊的人群愈來愈多,心也逐漸焦躁不安,與此同時,或許你的腦中會惱怒地想著:

如果可以靠臉領錢那該有多好啊!

這敘述乍看之下彷彿是僅存於科幻電影中的想像,但實際上,隨著科技發展,這種操作已非遙不可及。「只要站在鏡頭前刷臉就能提款轉帳」的未來,其實比想像中還要近。

不想要排隊?那就刷臉吧!圖/wikipedia

想成為識別的特點,要既普遍又獨特

隨著電腦運算效能的演進、行動設備普及化,自動化的「生物識別系統」──尤其是指紋和語音識別,早已在近十年被廣泛使用。不過,即使指紋、語音等生物資訊已逐漸普遍,值得留意的是:除了一般性消費服務的應用之外,銀行、金融業者也嘗試將各種生物識別技術,導入銀行服務應用之中。

比如歐洲銀行業管理局 (European Banking Authority),在 2018 年發布的《EBA Report on the Prudential Risks and Opportunities Arising for Institutions from Fintech》報告中,便提到生物識別技術在「身分識別」的功能上,須具備幾個特點:

-----廣告,請繼續往下閱讀-----
  1. 普遍性:確保每個人都有用來識別的特徵。
  2. 獨特性:特徵在個體間有所差異。
  3. 持久性:同個體的該項特徵不會隨時間有太大改變。
  4. 可收集性:與特徵獲取或測量方式的難易度有關;愈難取得則識別效果愈差。
  5. 規避難度:規避難度會影響技術的安全性和可靠性。
  6. 社會接受度:客戶對生物辨識的的接受或抵抗會嚴重影響方法的使用。  

符合這些條件的生物特徵,大致上可以分成指紋、語音、虹膜、臉部等「外部生理特徵」以及「內部生理特徵」,例如靜脈、心跳。其中,又因為指紋辨識具有方便、快速、成本低廉的特性,所以無論是實體銀行和行動銀行都很常見到指紋辨識的應用,或者藉由指紋辨識,來擴大服務情境的內容。

符合身分識別要素的內外部生理特徵。

生物特徵雖然能夠鎖定個人的獨特性,但也並非無所不能。以如今已成熟化的指紋辨識來看,指紋這項生理特徵的應用,也有幾項明顯的侷限性。首先,並非所有人的指紋都能夠被機器識別;其次,指紋的辨識與取得,目前仍必須直接仰賴特定的臨場感應器;再次,感應器上的指紋印痕也具有被有心人士複製的風險。

整體來說,指紋辨識技術仍有可靠性 (reliability) 不足,以及使用臨場設備的限制,因此,除了指紋辨識之外,銀行與金融業者也積極投入其他生物辨識的應用。

遠端身分識別、消費者體驗需求,帶動人臉辨識技術導入服務

衡量生物識別可靠性的指標分為兩類,分別是錯誤接受率 (False Acceptance Rate, FAR) 及錯誤拒絕率 (False Rejection Rate, FRR)

-----廣告,請繼續往下閱讀-----
  • 錯誤接受率非法使用者被機器錯誤接受、通過認證的比率。
  • 錯誤拒絕率:合法使用者被機器錯誤拒絕的比率。

這兩個比率太高都會產生負面影響,前者高意味著安全性不佳,後者高則影響使用意願。

同樣在歐洲銀行業管理局 (EBA) 報告中,比較了不同的生物辨識技術,發現到:在一般的情況之下,人臉辨識與語音識別的錯誤接受率 (FAR) 較高,指紋、虹膜和視網膜識別則較低,但確切數據會隨著不同使用目的而變動。正因如此,現在的人臉辨識技術尚未普遍成為銀行金融服務的主要導入技術。

由於安全性的問題,人臉辨識技術尚未普遍成為銀行金融服務的主要導入技術。圖/pixabay

即使如此,仍可以看到部分銀行金融服務業者,比如匯豐銀行、新加坡華僑銀行等,近年開始嘗試將人臉辨識,導入於相關服務中。人臉辨識技術雖然尚未成熟,卻讓各大銀行願意花費昂貴成本和風險引進,倘若我們彙整這些業者的服務論述,大致可歸納為兩點:

  1. 提升安全防護:只有傳統密碼的情況下,一旦客戶的卡片密碼被不肖人士取得,可能就會造成客戶損失。然而若增加人臉辨識系統在 ATM 等設備上作為防護,不僅會使得盜領難度大增,銀行也能夠「即時」獲得警訊,未來在合理的法律規範下,還可以和警方合作,用來打擊犯罪。即時性防護,對於注重安全性的金融機構而言,人臉辨識提供的保護功能,會是最大的投入誘因。
  2. 增加客戶體驗、吸引客群:在網路銀行普及的同時,由於業務上仍有部分限制,實體據點的存在還是有其必要性。因此,透過人臉辨識提供優良的體驗以吸引客戶,對銀行來說會是一項誘因,例如 Pepper 機器人、Video Teller Machine、迎賓互動牆等等。這也意味著:銀行業者在因應行動服務等需求的同時,會需要非臨場、遠端臨場的身分識別技術。而在智慧型手機的鏡頭效能不斷增進的趨勢下,人臉在裝置上的映照與投射已成消費者最熟悉的使用習慣之一。
人臉辨識技術導入銀行金融服務案例
人臉辨識技術導入銀行金融服務案例
人臉辨識技術導入銀行金融服務案例

倘若我們觀察現有的案例,可以發現銀行業者對於人臉辨識的應用導入,包括手機銀行登入、臨場的身分識別等。而從消費者使用經驗的層面來看,則可進一步分為兩種類型:

-----廣告,請繼續往下閱讀-----
  1. 「主動辨識」:可在辨識目標(消費者)無知覺的情況下運作,常被用來監控特定範圍內的動態目標
  2. 「被動辨識」:需經過辨識目標主動觸發,系統才會開始運作,而由於目標是靜態的,所以受到環境因素干擾的程度會較低,使辨識可靠性提升

但無論何種應用服務(如:登入手機 APP 使用行動銀行,或是在櫃檯協助行員辦理金融服務)對「可靠性」的需求都被視為銀行服務的核心,其中,又以被動辨識中涉及到的線上登入、支付等服務對於系統可靠性的需求最高,因為稍有不慎便可能造成金錢損失,或將個人資料外洩。

  • 註:銀行休息室的主動辨識功能,其需求是截然不同的,休息室使用人臉辨識的目的,是在客戶沒有意識到的情況下提供貼心的接待服務,對銀行來說偶爾辨識錯誤的影響不大,這種情況下主動的人臉辨識反而比較適合。

然而,若就現有的案例來看,目前在銀行服務中,單獨使用人臉辨識作為身份認證的服務仍有限,使用安全性需求高的功能,仍然還是會搭配「密碼」輸入,人臉辨識只作為多重認證的一環。但可以確定的是,未來人臉辨識能否完全取代其他身分認證的方式,甚至成為主流認證方式,辨識的可靠性會是一個很重要的關鍵

人臉辨識導入金融服務的爭議與挑戰

使用人臉辨識革新金融服務的同時,銀行要考量的不僅僅是技術的使用方式、成本等等,還要注意伴隨著創新而來的爭議與挑戰,接下來將分別說明可能遇到的問題。

技術可靠性仍有待提升,且需要有在地特徵的分析模型

人臉辨識錯誤的原因有很多,將影響可靠性。圖/wikimedia

對銀行來說,是否採用人臉辨識技術,或者更進一步決定技術運用的方式及程度,其中最大的關鍵在於可靠性,這些問題包括──究竟人臉辨識系統能不能準確分辨出長相相近的不同用戶?膚色與性別是否會導致辨識錯誤機率提高?

-----廣告,請繼續往下閱讀-----

以目前當紅的 Face ID 為例,Apple 坦言雙胞胎和 13 歲以下的兒童用戶,辨識錯誤機率的確較高,並且建議他們使用密碼驗證,坊間也可看到民眾成功騙過系統的案例。學術研究方面,Buolamwini 與 Gebru 在 2018 所發表的「Gender Shades: Intersectional Accuracy Disparities in Commercial Gender Classification」一文中針對 3 款人臉辨識 API 進行測試,結果發現性別和膚色均會對準確度造成影響,可能原因除了膚色和燈光影響資料擷取外,資料收集時的偏誤也會降低人工智慧模型的判斷能力。假如資料中的白人男性偏多,模型對於白人男性的訓練量足夠,會有較佳的辨識能力,而相對的,其他特徵的使用者就比較容易出現誤判。

如果是用於一般的消費性電子產品,目前的人臉辨識技術對於提供用戶良好的使用體驗或許綽綽有餘,然而金融業對於安全的要求極高,在進一步提升技術可靠性之前,人臉辨識技術仍無法全面取代密碼作為主流驗證方式。

臉部特徵作為個人資料,如何兼顧資料安全性

用臉當資料會不會帶來很多問題呢?圖/wikipedia

想要將人臉辨識導入金融服務,那麼生物資訊的蒐集是無法避免的,因此,個資法的規範範圍是否影響技術的使用?這是銀行必須審慎評估的。這也意味著:除了技術層面以外,法律規範也是銀行引進服務前需要思考的。

首先,台灣的個人資料保護法中規定,無論公務機關或非公務機關,如要在未取得當事人同意的情況下蒐集資料,則需要基於執行法定職務或義務等必要情況,並且處理與利用資料同樣只能在法律規範的幾種特例下所使用,例如為了公共利益或是學術研究。

-----廣告,請繼續往下閱讀-----

國外的法律規範更嚴謹,歐盟號稱史上最嚴的個資法 GDPR (General Data Protection Regulation) 於 2018 年 5 月 25 日開始實施,適用的範圍相當廣泛,不僅是歐盟境內,只要客戶、員工、供應商、政府機關等和歐盟公民相關就會受到 GDPR 的規範。受保護的資訊囊括了一切個人數據,從基本資料、宗教信仰、政治立場、網路瀏覽紀錄到指紋、虹膜、面部等生物特徵都在範圍內。這些法律上的限制意味著銀行引進人臉辨識前,必須謹慎評估使用情境是否合法,避免在追求便利服務的同時帶來更多額外的風險及成本。

技術不成熟引發的社會爭議

不小心抓錯人了?原來是人臉辨識出了錯。圖/imdb

人臉辨識的運用也引發了敏感的社會爭議。英國倫敦、南威爾斯等幾個地區的警方,自 2017 年開始在一些節慶、比賽或是流量大的十字路口使用人臉辨識系統,系統即時辨認鏡頭前是否出現和警方持有照片一致的面孔,若配對成功則會發出警報。

然而,其結果不盡理想,依據目前的測試結果,警報超過九成都是錯誤的,這讓英國民間的公民自由組織 Big Brother Watch 非常不滿,認為這項不準確又昂貴的系統,對於抓捕真正的罪犯幫助有限,反而會造成無辜人民的自由受到侵害。同樣的問題也可能出現在銀行,如果銀行逕自使用人臉辨識系統分辨客戶,而未經過所有出現在鏡頭前的人同意,不論結果是否準確恐怕都難避免爭議。

整體而言,依據歐洲銀行業管理局 (European Banking Authority) 的觀點來看,人臉辨識的技術仍有相對較高的錯誤接受率 (False Acceptance Rate, FAR),換言之,對於銀行金融此種需要有高度可靠性、安全性的服務場域來說,技術仍然未能滿足,因此在目前,人臉辨識仍屬於多重辨識的一種(如搭配密碼、人臉資訊等)。

-----廣告,請繼續往下閱讀-----

但相對於虹膜、指紋、靜脈等生物辨識技術來說,人臉辨識擁有較高的遠端臨場特性,也就是使用者可以在非臨場情境中使用銀行金融業者所提供的服務,確實在行動服務普及化趨勢之下,是業者願意投入的主要誘因。此外,倘若相關技術可以取得更多的在地化資料模型,並結合深度學習 (Deep Learning) 等技術,在未來仍可以降低錯誤識別的機率。

不過,其實人臉辨識能否成功導入於銀行金融服務,其最核心的問題仍在於:消費者是否信賴?這個問題所包含的個人資料保護,以及生物資訊第三方使用的正當性,才是這個議題最需要解決的課題。

一個只需要刷臉就可以登入的銀行帳戶,你的想法是甚麼呢?

  • Buolamwini, J., & Gebru, T. (2018). Gender Shades: Intersectional Accuracy Disparities in Commercial Gender Classification. Proceedings of Machine Learning Research 81, (pp. 1-15).
  • EU GDPR. GDPR Key Changes. Retrieved 11 23, 2018, from EU GDPR.ORG: https://eugdpr.org/
  • European Banking Authority. (2018). EBA Report on the Prudential Risks and Opportunities Arising for Institutions from Fintech. European Banking Authority.
-----廣告,請繼續往下閱讀-----
文章難易度
活躍星系核_96
778 篇文章 ・ 128 位粉絲
活躍星系核(active galactic nucleus, AGN)是一類中央核區活動性很強的河外星系。這些星系比普通星系活躍,在從無線電波到伽瑪射線的全波段裡都發出很強的電磁輻射。 本帳號發表來自各方的投稿。附有資料出處的科學好文,都歡迎你來投稿喔。 Email: contact@pansci.asia

0

2
1

文字

分享

0
2
1
ECU: 汽車大腦的演化與挑戰
鳥苷三磷酸 (PanSci Promo)_96
・2025/07/02 ・3793字 ・閱讀時間約 7 分鐘

本文與 威力暘電子 合作,泛科學企劃執行。

想像一下,當你每天啟動汽車時,啟動的不再只是一台車,而是一百台電腦同步運作。但如果這些「電腦」突然集體當機,後果會有多嚴重?方向盤可能瞬間失靈,安全氣囊無法啟動,整台車就像失控的高科技廢鐵。這樣的「系統崩潰」風險並非誇張劇情,而是真實存在於你我日常的駕駛過程中。

今天,我們將深入探討汽車電子系統「逆天改運」的科學奧秘。究竟,汽車的「大腦」—電子控制單元(ECU),是如何從單一功能,暴增至上百個獨立系統?而全球頂尖的工程師們,又為何正傾盡全力,試圖將這些複雜的系統「砍掉重練」、整合優化?

第一顆「汽車大腦」的誕生

時間回到 1980 年代,當時的汽車工程師們面臨一項重要任務:如何把汽油引擎的每一滴燃油都壓榨出最大動力?「省油即省錢」是放諸四海皆準的道理。他們發現,關鍵其實潛藏在一個微小到幾乎難以察覺的瞬間:火星塞的點火時機,也就是「點火正時」。

如果能把點火的精準度控制在「兩毫秒」以內,這大約是你眨眼時間的百分之一到千分之一!引擎效率就能提升整整一成!這不僅意味著車子開起來更順暢,還能直接省下一成的油耗。那麼,要如何跨過這道門檻?答案就是:「電腦」的加入!

-----廣告,請繼續往下閱讀-----

工程師們引入了「微控制器」(Microcontroller),你可以把它想像成一顆專注於特定任務的迷你電腦晶片。它能即時讀取引擎轉速、進氣壓力、油門深度、甚至異常爆震等各種感測器的訊號。透過內建的演算法,在千分之一秒、甚至微秒等級的時間內,精準計算出最佳的點火角度,並立刻執行。

從此,引擎的性能表現大躍進,油耗也更漂亮。這正是汽車電子控制單元(ECU)的始祖—專門負責點火的「引擎控制單元」(Engine Control Unit)。

汽車電子控制單元的始祖—專門負責點火的「引擎控制單元」(Engine Control Unit)/ 圖片來源:shutterstock

ECU 的失控暴增與甜蜜的負荷

第一顆 ECU 的成功,在 1980 年代後期點燃了工程師們的想像:「這 ECU 這麼好用,其他地方是不是也能用?」於是,ECU 的應用範圍不再僅限於點火,燃油噴射量、怠速穩定性、變速箱換檔平順度、ABS 防鎖死煞車,甚至安全氣囊的引爆時機……各種功能都交給專屬的 ECU 負責 。

然而,問題來了:這麼多「小電腦」,它們之間該如何有效溝通?

-----廣告,請繼續往下閱讀-----

為了解決這個問題,1986 年,德國的博世(Bosch)公司推出了一項劃時代的發明:控制器區域網路(CAN Bus)。你可以將它想像成一條專為 ECU 打造的「神經網路」。各個 ECU 只需連接到這條共用的線路上,就能將訊息「廣播」給其他單元。

更重要的是,CAN Bus 還具備「優先通行」機制。例如,煞車指令或安全氣囊引爆訊號這類攸關人命的重要訊息,絕對能搶先通過,避免因資訊堵塞而延誤。儘管 CAN Bus 解決了 ECU 之間的溝通問題,但每顆 ECU 依然需要獨立的電源線、接地線,並連接各種感測器和致動器。結果就是,一輛汽車的電線總長度可能達到 2 到 4 公里,總重量更高達 50 到 60 公斤,等同於憑空多載了一位乘客的重量。

另一方面,大量的 ECU 與錯綜複雜的線路,也讓「電子故障」開始頻繁登上汽車召回原因的榜首。更別提這些密密麻麻的線束,簡直是設計師和維修技師的惡夢。要檢修這些電子故障,無疑讓人一個頭兩個大。

大量的 ECU 與錯綜複雜的線路,也讓「電子故障」開始頻繁登上汽車召回原因的榜首。/圖片來源:shutterstock

汽車電子革命:從「百腦亂舞」到集中治理

到了2010年代,汽車電子架構迎來一場大改革,「分區架構(Zonal Architecture)」搭配「中央高效能運算(HPC)」逐漸成為主流。簡單來說,這就像在車內建立「地方政府+中央政府」的管理系統。

-----廣告,請繼續往下閱讀-----

可以想像,整輛車被劃分為幾個大型區域,像是車頭、車尾、車身兩側與駕駛艙,就像數個「大都會」。每個區域控制單元(ZCU)就像「市政府」,負責收集該區所有的感測器訊號、初步處理與整合,並直接驅動該區的馬達、燈光等致動器。區域先自理,就不必大小事都等中央拍板。

而「中央政府」則由車用高效能運算平台(HPC)擔任,統籌負責更複雜的運算任務,例如先進駕駛輔助系統(ADAS)所需的環境感知、物體辨識,或是車載娛樂系統、導航功能,甚至是未來自動駕駛的決策,通通交由車輛正中央的這顆「超級大腦」執行。

乘著這波汽車電子架構的轉型浪潮中, 2008 年成立的台灣本土企業威力暘電子,便精準地切入了這個趨勢,致力於開發整合 ECU 與區域控制器(Domain Controller)功能的模組化平台。他們專精於開發電子排檔、多功能方向盤等各式汽車電子控制模組。為了確保各部件之間的溝通順暢,威力暘提供的解決方案,就像是將好幾個「分區管理員」的職責,甚至一部分「超級大腦」的功能,都整合到一個更強大的硬體平台上。

這些模組不僅擁有強大的晶片運算能力,可同時支援 ADAS 與車載娛樂,還能兼容多種通訊協定,大幅簡化車內網路架構。如此一來,車廠在追求輕量化和高效率的同時,也能顧及穩定性與安全性。

-----廣告,請繼續往下閱讀-----
2008 年威力暘電子致力於開發整合 ECU 與區域控制器(Domain Controller)功能的模組化平台 /圖片來源:shutterstock

萬無一失的「汽車大腦」:威力暘的四大策略

然而,「做出來」與「做好」之間,還是有差別。要如何確保這顆集結所有功能的「汽車大腦」不出錯?具體來說,威力暘電子憑藉以下四大策略,築起其產品的可靠性與安全性:

  1. AUTOSAR : 導入開放且標準化的汽車軟體架構 AUTOSAR。分為應用層、運行環境層(RTE)和基礎軟體層(BSW)。就像在玩「樂高積木」,ECU 開發者能靈活組合模組,專注在核心功能開發,從根本上提升軟體的穩定性和可靠性。
  2. V-Model 開發流程:這是一種強調嚴謹、能在早期發現錯誤的軟體開發流程。就像打勾 V 字形般,左側從上而下逐步執行,右側則由下而上層層檢驗,確保每個階段的安全要求都確實落實。
  3. 基於模型的設計 MBD(Model-Based Design) 威力暘的工程師們會利用 MatLab®/Simulink® 等工具,把整個 ECU 要控制的系統(如煞車),用數學模型搭建起來,然後在虛擬環境中進行大量的模擬和測試。這等於在實體 ECU 誕生前,就能在「數位雙生」世界中反覆演練、預先排除設計缺陷,,並驗證安全機制是否有效。
  4. Automotive SPICE (ASPICE) : ASPICE 是國際公認的汽車軟體「品質管理系統」,它不直接評估最終 ECU 產品本身的安全性,而是深入檢視團隊在軟體開發的「整個過程」,也就是「方法論」和「管理紀律」是否夠成熟、夠系統化,並只根據數據來評估品質。

既然 ECU 掌管了整輛車的運作,其能否正常運作,自然被視為最優先項目。為此,威力暘嚴格遵循汽車業中一本堪稱「安全聖經」的國際標準:ISO 26262。這套國際標準可視為一本針對汽車電子電氣系統(特別是 ECU)的「超嚴格品管手冊」和「開發流程指南」,從概念、設計、測試到生產和報廢,都詳細規範了每個安全要求和驗證方法,唯一目標就是把任何潛在風險降到最低

有了上述這四項策略,威力暘確保其產品從設計、生產到交付都符合嚴苛的安全標準,才能通過 ISO 26262 的嚴格檢驗。

然而,ECU 的演進並未就此停下腳步。當ECU 的數量開始精簡,「大腦」變得更集中、更強大後,汽車產業又迎來了新一波革命:「軟體定義汽車」(Software-Defined Vehicle, SDV)。

-----廣告,請繼續往下閱讀-----

軟體定義汽車 SDV:你的愛車也能「升級」!

未來的汽車,會越來越像你手中的智慧型手機。過去,車輛功能在出廠時幾乎就「定終身」,想升級?多半只能換車。但在軟體定義汽車(SDV)時代,汽車將搖身一變成為具備強大運算能力與高速網路連線的「行動伺服器」,能夠「二次覺醒」、不斷升級。透過 OTA(Over-the-Air)技術,車廠能像推送 App 更新一樣,遠端傳送新功能、性能優化或安全修補包到你的車上。

不過,這種美好願景也將帶來全新的挑戰:資安風險。當汽車連上網路,就等於向駭客敞開潛在的攻擊入口。如果車上的 ECU 或雲端伺服器被駭,輕則個資外洩,重則車輛被遠端鎖定或惡意操控。為了打造安全的 SDV,業界必須遵循像 ISO 21434 這樣的車用資安標準。

威力暘電子運用前面提到的四大核心策略,確保自家產品能符合從 ISO 26262 到 ISO 21434 的國際認證。從品質管理、軟體開發流程,到安全認證,這些努力,讓威力暘的模組擁有最高的網路與功能安全。他們的產品不僅展現「台灣智造」的彈性與創新,也擁有與國際大廠比肩的「車規級可靠度」。憑藉這些實力,威力暘已成功打進日本 YAMAHA、Toyota,以及歐美 ZF、Autoliv 等全球一線供應鏈,更成為 DENSO 在台灣少數核准的控制模組夥伴,以商用車熱系統專案成功打入日系核心供應鏈,並自 2025 年起與 DENSO 共同展開平台化量產,驗證其流程與品質。

毫無疑問,未來車輛將有更多運作交由電腦與 AI 判斷,交由電腦判斷,比交由人類駕駛還要安全的那一天,離我們不遠了。而人類的角色,將從操作者轉為監督者,負責在故障或斷網時擔任最後的保險。透過科技讓車子更聰明、更安全,人類甘願當一個「最弱兵器」,其實也不錯!

-----廣告,請繼續往下閱讀-----
-----廣告,請繼續往下閱讀-----
文章難易度

討論功能關閉中。

0

8
2

文字

分享

0
8
2
「恐懼」如何影響經濟?金融危機十年之後——《故事經濟學》
天下雜誌出版_96
・2020/12/26 ・2271字 ・閱讀時間約 4 分鐘 ・SR值 576 ・九年級

人們對引起恐懼的故事有何反應

長期以來,新聞媒體和公眾討論一直將金融危機說成是人們在經濟風險控管方面過度自滿一段時間之後,一連串的經濟失靈驟然發生所造成的恐慌。使用具強烈感情色彩的字詞如「恐慌」和「自滿」,可能顯得像媒體炒作:恐慌令人想起失序的民眾試圖避開突然出現的人身危險,自滿則暗示一種洋洋自得的昏沉狀態。

但是,在這種金融事件中,人們多數似乎完全理性;這些事件發生在人們大致正常生活的幾個月或幾年裡,而人們期間往往表現得像是在梳理事實。即使在金融「恐慌」期間,多數人看來很正常和放鬆,不時說笑。

圖/Pexels

但是,使用恐慌和自滿這兩個詞真的離譜嗎?這兩個詞都描述必須靠神經結構支持的精神狀態。我們必須研究這些結構,以確定金融恐慌與其他恐慌、金融自滿與其他類型的自滿在神經學上是否有共同之處。

金融危機十年之後,銀行該怎麼辦?

我們來看本書撰寫期間出現的一個例子:在 2007~2009 年全球金融危機十週年將至之際,銀行業者承擔愈來愈多風險。2017 年,美國聯邦存款保險公司 (FDIC) 發表報告指出,美國銀行業者為了取得較高的資產收益,藉由延長投資期限承擔了過高的風險,情況令人擔憂。在金融危機爆發後近十年裡,利率一直非常低,雖然較長期的利率高一些。

-----廣告,請繼續往下閱讀-----

藉由延長投資期限取得較高的收益,對銀行來說風險相當高,因為如果利率突然上升,它們必須提高存款利率以留住存戶,因此多付的利息可能超過較長期限投資帶來的額外收益,進而造成銀行極大的麻煩。

在金融危機爆發後近十年裡,利率一直非常低。圖/Pixabay

銀行最終決定承擔風險,但它們如何形成對未來利率的預期?

世上沒有任何一名專家已證實能夠可靠地預測未來幾年的利率。沒有人能告訴銀行業者眼下的低利率時期多久之後結束,也沒有人能保證低利率將永遠持續下去。

銀行業者掌握的只是對某些敘事逐漸淡化的記憶,它們是關於發生在其他歷史時期的事:利率大幅上升,導致大量存戶跑到銀行提走存款。在利率已處於低位十年之久的情況下,這些故事看來比較不相關,但我們沒有辦法量化相關程度降低了多少。

-----廣告,請繼續往下閱讀-----

銀行業者在這種情況下的行為,或許最好視為受原始的神經系統模式驅動,也就是經歷數百萬年的達爾文式演化、流傳至今的那些大腦結構模式。

這也許與「恐懼」的演化有關

現今的狗和齧齒動物擁有一些相同的負責管理恐懼的大腦結構,此一事實是它們具有共同的中生代1起源的證據。恐懼是所有哺乳動物和較高等動物的一種正常情緒,由大腦結構支援。恐懼的消除是一個必須隨著時間的推移發生的過程,以便在危險過去之後解除恐懼。

科學家最初是間接觀察到這些大腦結構的活動。1927 年,俄羅斯生理學家巴夫洛夫 (Ivan P. Pavlov) 報告了他對狗的研究。如果在節拍器滴答作響的情況下在狗的舌頭上給它一劑酸液,重複很多次之後,只要有節拍器的聲音,不加酸液也能引起與加酸液一樣的不由自主反應。

巴夫洛夫的實驗在心理學上十分著名。圖/Wikimedia common

在實驗的隨後階段,巴夫洛夫反復打開節拍器,但不使用酸液,狗的厭惡反應逐漸消失。後來研究者發現了這些反應涉及的大腦結構。

在老鼠中,側杏仁核2的神經元在恐懼產生階段和恐懼消退階段都發揮重要作用:神經元在恐懼產生階段增加發射訊號,在恐懼消退階段減少發射訊號。並不是所有神經元都減少發射訊號,恐懼因此仍有殘留。神經學家得出以下結論:

-----廣告,請繼續往下閱讀-----

總而言之,有很多證據顯示,杏仁核、腹內側前額葉和海馬體之間的互動形成了一種獨特的神經迴路;該迴路是消除恐懼的能力之基礎,在演化過程中留傳了下來。

老鼠的這種神經迴路,以及不由自主的恐懼觸發表現,與人類十分相似。就人類而言,腹內側前額葉皮質的厚度與消除恐懼的成效有關。

人類不由自主地觸發表現,與老鼠的神經迴路相似。圖/Pexels

人類的某些神經障礙,例如創傷後壓力症候群 (PTSD),代表恐懼無法消除,研究這些神經障礙可以揭露恐懼管理的基本結構。我們似乎可以合理地假定,人類管理恐懼的神經迴路尚未演化至理想的狀態,因為人類文明只有數千年的歷史。

註解

  1. 約 2.52 億年前~6,600 萬年前的地質年代
  2. 一個杏仁狀的大腦區域
-----廣告,請繼續往下閱讀-----
天下雜誌出版_96
24 篇文章 ・ 17 位粉絲
天下雜誌出版持續製作與出版國內外好書,引進新趨勢、新做法,期盼能透過閱讀與活動實做,分享創新觀點、開拓視野、促進管理、領導、職場能力、教養教育、同時促進身心靈的美好生活。

2

14
2

文字

分享

2
14
2
目前超夯的 AI 前瞻技術「深度學習」,用手機就可以跟數位替身對話——《 AI 大局》
PanSci_96
・2020/12/24 ・1577字 ・閱讀時間約 3 分鐘 ・SR值 565 ・九年級

編按:深度學習是目前AI發展的核心技術,特別是在影像辨識和自然語言的處理,最能發揮優勢,本篇文章將介紹最具代表性的深度學習技術和最新的應用案例。

CNN(卷積神經網路)的架構

CNN 原本的設計是用來模仿人類視覺功能,因此影像辨識是其主要的應用,
最近已經逐漸擴大應用範圍,訊號和自然語言處理也開始使用 CNN 了。

卷積神經網路 (Convolutional Neural Network,CNN) 是一種神經
網路模型,常用來處理規則排列的影像資料。CNN 這個名稱是從處理時使
用名為卷積 (convolution) 的數學運算而來。
下圖是 CNN 神經網路的基本架構,從圖中可以看到在輸入層和輸出層
之間,多了卷積層和池化層,兩者可以視為是一種過濾器。

CNN(卷積神經網路)的基本架構。圖/旗標

RNN(循環神經網路)的架構

RNN 與 CNN 都是最具代表性的深度學習模型。RNN 很擅長自然語言處理這類時間序列的資料,近來也常用於物聯網與機器異常檢測的應用。

RNN(Recurrent Neural Network,循環神經網路)是可以處理不定長度資料的神經網路。下圖說明了 RNN 的基礎結構。從圖中可以看出 RNN與 CNN 最大的不同在於,RNN 具有回饋 (Feedback) 機制,也就是在隱藏層中輸入前一次的輸出值 h。

-----廣告,請繼續往下閱讀-----
RNN 的架構。圖/旗標

生成模型與 GAN(對抗式生成網路)——生成影像資料的技術

深度學習不僅可以辨識影像和聲音,也可以用來產生新資料。近年來,用神經
網路來生成文章、影像等技術不斷提升,相關的商業應用正不斷擴大發展中。

機器學習的分類模型有識別模型 (Discriminative Model) 和生成模型 (Generative Model) 兩種。常見的識別模型能預測輸入資料屬於各類別的機率,例如用 CNN 識別影像,並得到像狗 80 %、貓 20 %的機率輸出。

生成模型也會輸出屬於各類別的機率,但會先從大量的訓練資料中,推導出各類別適合的機率分佈,然後在預測新資料時,即可依新資料的分佈結果計算其機率。這裡所謂的機率分佈就如下圖所示,假設資料有 ○ 和 × 兩個類別,依照各類別樣本分佈的情形,就可推測出其機率分佈的範圍,也就是圖中橢圓的部份,而越靠近橢圓中心的資料,有較高的機率屬於該類別。

生成模型與機率分佈。圖/旗標

結合數位替身與 AI 生物辨識的行動銀行

美國的軟體公司 Sensory 多年來持續開發有關語音辨識的嵌入式裝置技術,該公司是使用名為 Virtual Teller 的 AI,開發了適用在行動銀行的解決方案。透過 Virtual Teller,使用者可以如同在櫃檯與服務人員溝通一般,虛擬人員對話同時進行交易。身份認證方面,則使用了語音辨識和人臉辨識的 AI 生物辨識技術以提高安全性。

此外,進行認證的 AI 內建於智慧型手機的應用程式中,因此取得的生物資訊不會上傳到網路。為了與智慧型手機的「數位替身」順暢對話,也搭載了語音辨識和語音合成功能,以提高互動效果。Sensory 透過將 AI 建置於手機軟體中,實現了高安全性且易於使用的使用者介面。

-----廣告,請繼續往下閱讀-----
AI內建於手機,可讓用戶與「數位替身」對話。圖/FINOVATE
-----廣告,請繼續往下閱讀-----
所有討論 2
PanSci_96
1262 篇文章 ・ 2419 位粉絲
PanSci的編輯部帳號,會發自產內容跟各種消息喔。