想領錢只要刷臉就行？銀行人臉辨識可沒這麼簡單

本文由 建研所 委託，泛科學企劃執行。 

當你走進一棟建築，是否能感受到它對環境的友善？或許不是每個人都意識到，但現今建築不只提供我們居住和工作的空間，更是肩負著重要的永續節能責任。

綠建築標準的誕生，正是為了應對全球氣候變遷與資源匱乏問題，確保建築設計能夠減少資源浪費、降低污染，同時提升我們的生活品質。然而，要成為綠建築並非易事，每一棟建築都需要通過層層關卡，才能獲得標章認證。

為推動環保永續的建築環境，政府自 1999 年起便陸續著手推動「綠建築標章」、「智慧建築標章」以及「綠建材標章」的相關政策。這些標章的設立，旨在透過標準化的建築評估系統，鼓勵建築設計融入生態友善、能源高效及健康安全的原則。並且政府在政策推動時，為鼓勵業界在規劃設計階段即導入綠建築手法，自 2003 年特別辦理優良綠建築作品評選活動。截至 2024 年為止，已有 130 件優良綠建築、31 件優良智慧建築得獎作品，涵蓋學校、醫療機構、公共住宅等各類型建築，不僅提升建築物的整體性能，也彰顯了政府對綠色、智慧建築的重視。

說這麼多，你可能還不明白建築要變「綠」、變「聰明」的過程，要經歷哪些標準與挑戰？

綠建築標章	智慧建築標章	綠建材標章

第一招：依循 EEWH 標準，打造綠建築典範

環境友善和高效率運用資源，是綠建築（green building）的核心理念，但這樣的概念不僅限於外觀或用材這麼簡單，而是涵蓋建築物的整個生命週期，也就是包括規劃、設計、施工、營運和維護階段在內，都要貼合綠建築的價值。

關於綠建築的標準，讓我們先回到 1990 年，當時英國建築研究機構（BRE）首次發布有關「建築研究發展環境評估工具（Building Research Establishment Environmental Assessment Method，BREEAM®）」，是世界上第一個建築永續評估方法。美國則在綠建築委員會成立後，於 1998 年推出「能源與環境設計領導認證」（Leadership in Energy and Environmental Design, LEED）這套評估系統，加速推動了全球綠建築行動。

臺灣在綠建築的制訂上不落人後。由於臺灣地處亞熱帶，氣溫高，濕度也高，得要有一套我們自己的評分規則——臺灣綠建築評估系統「EEWH」應運而生，四個英文字母分別為 Ecology（生態）、Energy saving（節能）、Waste reduction（減廢）以及 Health（健康），分成「合格、銅、銀、黃金和鑽石」共五個等級，設有九大評估指標。

我們就以「台江國家公園」為例，看它如何躍過一道道指標，成為「鑽石級」綠建築的國家公園！

位於臺南市四草大橋旁的「台江國家公園」是臺灣第8座國家公園，也是臺灣唯一的濕地型的國家公園。同時，還是南部行政機關第一座鑽石級的綠建築，其外觀採白色系列，從高空俯瞰，就像在一座小島上座落了許多白色建築群的聚落；從地面看則有臺南鹽山的意象。

因其地形與地理位置的特殊，生物多樣性的保護則成了台江國家公園的首要考量。園區利用既有的魚塭結構，設計自然護岸，保留基地既有的雜木林和灌木草原，並種植原生與誘鳥誘蟲等多樣性植物，採用複層雜生混種綠化。以石籠作為擋土護坡與卵石回填增加了多孔隙，不僅強化了環境的保護力，也提供多樣的生物棲息環境，使這裡成為動植物共生的美好棲地。

第二招：想成綠建築，必用綠建材

要成為一幢優秀好棒棒的綠建築，使用在原料取得、產品製造、應用過程和使用後的再生利用循環中，對地球環境負荷最小、對人類身體健康無害的「綠建材」非常重要。

這種建材最早是在 1988 年國際材料科學研究會上被提出，一路到今日，國際間對此一概念的共識主要包括再使用（reuse）、再循環（recycle）、廢棄物減量（reduce）和低污染（low emission materials）等特性，從而減少化學合成材料產生的生態負荷和能源消耗。同時，使用自然材料與低 VOC（Volatile Organic Compounds，揮發性有機化合物）建材，亦可避免對人體產生危害。

在綠建築標章後，內政部建築研究所也於 2004 年 7 月正式推行綠建材標章制度，以建材生命週期為主軸，提出「健康、生態、高性能、再生」四大方向。舉例來說，為確保室內環境品質，建材必須符合低逸散、低污染、低臭氣等條件；為了防溫室效應的影響，須使用本土材料以節省資源和能源；使用高性能與再生建材，不僅要經久耐用、具高度隔熱和防音等特性，也強調材料本身的再利用性。

在台江國家公園內，綠建材的應用是其獲得 EEWH 認證的重要部分。其不僅在設計結構上體現了生態理念，更在材料選擇上延續了對環境的關懷。園區步道以當地的蚵殼磚鋪設，並利用蚵殼作為建築格柵的填充材料，為鳥類和小生物營造棲息空間，讓「蚵殼磚」不再只是建材，而是與自然共生的橋樑。園區的內部裝修選用礦纖維天花板、矽酸鈣板、企口鋁板等符合綠建材標準的系統天花。牆面則粉刷乳膠漆，整體綠建材使用率為 52.8%。

在日常節能方面，台江國家公園也做了相當細緻的設計。例如，引入樓板下的水面蒸散低溫外氣，屋頂下設置通風空氣層，高處設置排風窗讓熱空氣迅速排出，廊道還配備自動控制的微噴霧系統來降溫。屋頂採用蚵殼與漂流木創造生態棲地，創造空氣層及通風窗引入水面低溫外企，如此一來就能改善事內外氣溫及熱空氣的通風對流，不僅提升了隔熱效果，減少空調需求，讓建築如同「與海共舞」，在減廢與健康方面皆表現優異，展示出綠建築在地化的無限可能。

在綠建材的部分，另外補充獲選為 2023 年優良綠建築的臺南市立九份子國民中小學新建工程，其採用生產過程中二氧化碳排放量較低的建材，比方提高高爐水泥（具高強度、耐久、緻密等特性，重點是發熱量低）的量，並使用能提高混凝土晚期抗壓性、降低混凝土成本與建物碳足跡的「爐石粉」，還用再生透水磚做人行道鋪面。

同樣入選 2023 年綠建築的還有雲林豐泰文教基金會的綠園區，首先，他們捨棄金屬建材，讓高爐水泥使用率達 100%。別具心意的是，他們也將施工開挖的土方做回填，將有高地差的荒地恢復成平坦綠地，本來還有點「工業風」的房舍告別荒蕪，無痛轉綠。

等等，這樣看來建築夠不夠綠的命運，似乎在建材選擇跟設計環節就決定了，是這樣嗎？當然不是，建築是活的，需要持續管理–有智慧的管理。

第三招：智慧管理與科技應用

我們對生態的友善性與資源運用的效率，除了從建築設計與建材的使用等角度介入，也須適度融入「智慧建築」（intelligent buildings）的概念，即運用資通訊科技來提升建築物效能、舒適度與安全性，使空間更人性化。像是透過建築物佈建感測器，用於蒐集環境資料和使用行為，並作為空調、照明等設備、設施運轉操作之重要參考。

為了推動建築與資通訊產業的整合，內政部建築研究所於 2004 年建立了「智慧建築標章」制度，為消費者提供判斷建築物是否善用資通訊感知技術的標準。評估指標經多次修訂，目前是以「基礎設施、維運管理、安全防災、節能管理、健康舒適、智慧創新」等六大項指標作為評估基準。
以節能管理指標為例，為了掌握建築物生命週期中的能耗，需透過系統設備和技術的主動控制來達成低耗與節能的目標，評估重點包含設備效率、節能技術和能源管理三大面向。在健康舒適方面，則在空間整體環境、光環境、溫熱環境、空氣品質、水資源等物理環境，以及健康管理系統和便利服務上進行評估。

樹林藝文綜合大樓在設計與施工過程中，充分展現智慧建築應用綜合佈線、資訊通信、系統整合、設施管理、安全防災、節能管理、健康舒適及智慧創新 8 大指標先進技術，來達成兼顧環保和永續發展的理念，也是利用建築資訊模型（BIM）技術打造的指標性建築，受到國際矚目。

在興建階段，為了保留基地內 4 棵原有老樹，團隊透過測量儀器對老樹外觀進行精細掃描，並將大小等比例匯入 BIM 模型中，讓建築師能清晰掌握樹木與建築物之間的距離，確保施工過程不影響樹木健康。此外，在大樓啟用後，BIM 技術被運用於「電子維護管理系統」，透過 3D 建築資訊模型，提供大樓內設備位置及履歷資料的即時讀取。系統可進行設備的監測和維護，包括保養計畫、異常修繕及耗材管理，讓整棟大樓的全生命週期狀況都能得到妥善管理。

智慧建築導入 BIM 技術的應用，從建造設計擴展至施工和日常管理，使建築生命周期的管理更加智慧化。以 FM 系統 ( Facility Management，簡稱 FM ) 為例，該系統可在雲端進行遠端控制，根據會議室的使用時段靈活調節空調風門，會議期間開啟通往會議室的風門以加強換氣，而非使用時段則可根據二氧化碳濃度調整外氣空調箱的運轉頻率，保持低頻運作，實現節能效果。透過智慧管理提升了節能效益、建築物的維護效率和公共安全管理。

總結

綠建築、綠建材與智慧建築這三大標章共同構建了邁向淨零碳排、居住健康和環境永續的基礎。綠建築標章強調設計與施工的生態友善與節能表現，從源頭減少碳足跡；綠建材標章則確保建材從生產到廢棄的全生命週期中對環境影響最小，並保障居民的健康；智慧建築標章運用科技應用，實現能源的高效管理和室內環境的精準調控，增強了居住的舒適性與安全性。這些標章的綜合應用，讓建築不僅是滿足基本居住需求，更成為實現淨零、促進健康和支持永續的具體實踐。

• 文／羅伯‧席勒

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。

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。

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。

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。

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。

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：

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

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。

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。

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。

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。