2

0
0

文字

分享

2
0
0

狒狒認得英文單字

陸子鈞
・2012/04/16 ・1192字 ・閱讀時間約 2 分鐘 ・SR值 505 ・六年級

-----廣告,請繼續往下閱讀-----

透過訓練,狒狒(baboon)能認得英文單字及沒有意義的字母串。這項刊載在《Science》的研究顯示,即使不知道如何說出單字,也能辨識出單字;而辨識單字是閱讀的基礎。

這項研究背後的概念是,當人類閱讀時,必須要先認出字母,還有字母的順序。「我們人類閱讀時認得每個單字,事實上就跟辨認物體一樣。」法國國家研究中心(France’s National Center for Scientific Research)的認知心理學家,也是這篇研究的作者Jonathan Grainger說到。他還提到,我們的腦建構單字是字母的組合,就像認得桌子一樣-一張平面,加上四隻腳,就是桌子。

許多目前對閱讀的研究,強調人類需要先熟悉如何說出語言,才能使看到的單字和發音(或者手語)連結。Grainger和研究團隊想要測試,即使不明白單字如何發音或代表的意義,是否也能認出字母的排列組合?-而猴子是否有這樣的能力?

研究團隊設計了一套特別的系統在六隻狒狒圈籠的旁邊,讓狒狒能隨意進入,利用觸碰式電腦進行測驗。每隻狒狒手臂上有微晶片,系統能藉此分辨出哪隻狒狒進入測驗。電腦螢幕上會出現字母串,如果字母串是真的單字,就點選右下角的圈;反之,字母串若是無意義的排列,就點選左下角的叉,作答正確能得到小麥作為獎賞。(請看影片)

-----廣告,請繼續往下閱讀-----

測驗的單字由四個字母組成,像是「DONE」或「LAND」,無意義的排列像是「DRAN」或「LONS」。分辨是否為真的存在的單字的關鍵在於,無意義字串包含鮮少出現在英文裡的字母順序,像是「HT」比「TH」少出現。在訓練的時候,狒狒看過許多真的存在的單字,但不常看到無意字串的出現。每一隻狒狒在一個半月內,完成了4萬到6萬次的測驗。

令人意外的是狒狒認得單字的數量,在500個單字和7832個無意義字串中,最優秀的狒狒學會308個單字,最差的狒狒也學到81個,正確率約75%。當然,狒狒不是真的「讀」單字,因為牠們並不曉得單字代表的意義。不過這項研究顯示,牠們能拆解單字,認得每一字母,而非辨認整個單字的形狀。此外,就和人類一樣,如果無意義字串中包含常見的字母排列,就容易混淆。

「狒狒利用字母的資訊和字母間的關係,」Grainger說,「這暗示著一些來自靈長類祖先的能力,但並非全然是語言學,而只是一些辨識物體的基本能力。」。他也提到,一些狒狒和其他狒狒相比,較不易識字,或許能從中了解人類閱讀障礙(dyslexia)的成因。

澳洲的閱讀研究學者Anne Castles表示,雖然,無疑地,「念出」語言對人類學習閱讀來說非常重要,不會說話的狒狒展現認字的能力,強調了視覺訊息對閱讀的重要性。她說:「孩童最後得學會認識一長串字母,這項發現能讓我們了解他們是如何辦到的,以及什麼因素影響他們表現優劣。」

-----廣告,請繼續往下閱讀-----

所以我們能預期在不久的未來會出現懂讀寫的狒狒嗎?Grainger說,其中一項研究團隊感興趣,也會在短期內著手進行的議題,就是訓練狒狒將單字和意義連結在一起。

資料來源:ScienceNow: Monkey See, Monkey Do. Monkey Read? [12 April 2012]

相關報導:Nature News: Baboons can learn to recognize words [12 April 2012]

文章難易度
所有討論 2
陸子鈞
294 篇文章 ・ 4 位粉絲
Z編|台灣大學昆蟲所畢業,興趣廣泛,自認和貓一樣兼具宅氣和無窮的好奇心。喜歡在早上喝咖啡配RSS,克制不了跟別人分享生物故事的衝動,就連吃飯也會忍不住將桌上的食物作生物分類。

0

3
3

文字

分享

0
3
3
圖形處理單元與人工智慧
賴昭正_96
・2024/06/24 ・6944字 ・閱讀時間約 14 分鐘

  • 作者/賴昭正|前清大化學系教授、系主任、所長;合創科學月刊

我擔心人工智慧可能會完全取代人類。如果人們能設計電腦病毒,那麼就會有人設計出能夠自我改進和複製的人工智慧。 這將是一種超越人類的新生命形式。

——史蒂芬.霍金(Stephen Hawking) 英國理論物理學家

大約在八十年前,當第一台數位計算機出現時,一些電腦科學家便一直致力於讓機器具有像人類一樣的智慧;但七十年後,還是沒有機器能夠可靠地提供人類程度的語言或影像辨識功能。誰又想到「人工智慧」(Artificial Intelligent,簡稱 AI)的能力最近十年突然起飛,在許多(所有?)領域的測試中擊敗了人類,正在改變各個領域——包括假新聞的製造與散佈——的生態。

圖形處理單元(graphic process unit,簡稱 GPU)是這場「人工智慧」革命中的最大助手。它的興起使得九年前還是個小公司的 Nvidia(英偉達)股票從每股不到 $5,上升到今天(5 月 24 日)每股超過 $1000(註一)的全世界第三大公司,其創辦人(之一)兼首席執行官、出生於台南的黃仁勳(Jenson Huang)也一躍成為全世界排名 20 內的大富豪、台灣家喻戶曉的名人!可是多少人了解圖形處理單元是什麼嗎?到底是時勢造英雄,還是英雄造時勢?

黃仁勳出席2016年台北國際電腦展
Nvidia 的崛起究竟是時勢造英雄,還是英雄造時勢?圖/wikimedia

在回答這問題之前,筆者得先聲明筆者不是學電腦的,因此在這裡所能談的只是與電腦設計細節無關的基本原理。筆者認為將原理轉成實用工具是專家的事,不是我們外行人需要了解的;但作為一位現在的知識分子或公民,了解基本原理則是必備的條件:例如了解「能量不滅定律」就可以不用仔細分析,即可判斷永動機是騙人的;又如現在可攜帶型冷氣機充斥市面上,它們不用往室外排廢熱氣,就可以提供屋內冷氣,讀者買嗎?

CPU 與 GPU

不管是大型電腦或個人電腦都需具有「中央處理單元」(central process unit,簡稱 CPU)。CPU 是電腦的「腦」,其電子電路負責處理所有軟體正確運作所需的所有任務,如算術、邏輯、控制、輸入和輸出操作等等。雖然早期的設計即可以讓一個指令同時做兩、三件不同的工作;但為了簡單化,我們在這裡所談的工作將只是執行算術和邏輯運算的工作(arithmetic and logic unit,簡稱 ALU),如將兩個數加在一起。在這一簡化的定義下,CPU 在任何一個時刻均只能執行一件工作而已。

-----廣告,請繼續往下閱讀-----

在個人電腦剛出現只能用於一般事物的處理時,CPU 均能非常勝任地完成任務。但電腦圖形和動畫的出現帶來了第一批運算密集型工作負載後,CPU 開始顯示心有餘而力不足:例如電玩動畫需要應用程式處理數以萬計的像素(pixel),每個像素都有自己的顏色、光強度、和運動等, 使得 CPU 根本沒辦法在短時間內完成這些工作。於是出現了主機板上之「顯示插卡」來支援補助 CPU。

1999 年,英偉達將其一「具有集成變換、照明、三角形設定/裁剪、和透過應用程式從模型產生二維或三維影像的單晶片處理器」(註二)定位為「世界上第一款 GPU」,「GPU」這一名詞於焉誕生。不像 CPU,GPU 可以在同一個時刻執行許多算術和邏輯運算的工作,快速地完成圖形和動畫的變化。

依序計算和平行計算

一部電腦 CPU 如何計算 7×5+6/3 呢?因每一時刻只能做一件事,所以其步驟為:

  • 計算 7×5;
  • 計算 6/3;
  • 將結果相加。

總共需要 3 個運算時間。但如果我們有兩個 CPU 呢?很多工作便可以同時(平行)進行:

-----廣告,請繼續往下閱讀-----
  • 同時計算 7×5 及 6/3;
  • 將結果相加。

只需要 2 個運算時間,比單獨的 CPU 減少了一個。這看起來好像沒節省多少時間,但如果我們有 16 對 a×b 要相加呢?單獨的 CPU 需要 31 個運算的時間(16 個 × 的運算時間及 15 個 + 的運算時間),而有 16 個小 CPU 的 GPU 則只需要 5 個運算的時間(1 個 × 的運算時間及 4 個 + 的運算時間)!

現在就讓我們來看看為什麼稱 GPU 為「圖形」處理單元。圖一左圖《我愛科學》一書擺斜了,如何將它擺正成右圖呢? 一句話:「將整個圖逆時針方向旋轉 θ 即可」。但因為左圖是由上百萬個像素點(座標 x, y)組成的,所以這句簡單的話可讓 CPU 忙得不亦樂乎了:每一點的座標都必須做如下的轉換

x’ = x cosθ + y sinθ

y’ = -x sinθ+ y cosθ

-----廣告,請繼續往下閱讀-----

即每一點均需要做四個 × 及兩個 + 的運算!如果每一運算需要 10-6 秒,那麼讓《我愛科學》一書做個簡單的角度旋轉,便需要 6 秒,這豈是電動玩具畫面變化所能接受的?

圖形處理的例子

人類的許多發明都是基於需要的關係,因此電腦硬件設計家便開始思考:這些點轉換都是獨立的,為什麼我們不讓它們同時進行(平行運算,parallel processing)呢?於是專門用來處理「圖形」的處理單元出現了——就是我們現在所知的 GPU。如果一個 GPU 可以同時處理 106 運算,那上圖的轉換只需 10-6 秒鐘!

GPU 的興起

GPU 可分成兩種:

  • 整合式圖形「卡」(integrated graphics)是內建於 CPU 中的 GPU,所以不是插卡,它與 CPU 共享系統記憶體,沒有單獨的記憶體組來儲存圖形/視訊,主要用於大部分的個人電腦及筆記型電腦上;早期英特爾(Intel)因為不讓插卡 GPU 侵蝕主機的地盤,在這方面的研發佔領先的地位,約佔 68% 的市場。
  • 獨立顯示卡(discrete graphics)有不與 CPU 共享的自己專用內存;由於與處理器晶片分離,它會消耗更多電量並產生大量熱量;然而,也正是因為有自己的記憶體來源和電源,它可以比整合式顯示卡提供更高的效能。

2007 年,英偉達發布了可以在獨立 GPU 上進行平行處理的軟體層後,科學家發現獨立 GPU 不但能夠快速處理圖形變化,在需要大量計算才能實現特定結果的任務上也非常有效,因此開啟了為計算密集型的實用題目編寫 GPU 程式的領域。如今獨立 GPU 的應用範圍已遠遠超出當初圖形處理,不但擴大到醫學影像和地震成像等之複雜圖像和影片編輯及視覺化,也應用於駕駛、導航、天氣預報、大資料庫分析、機器學習、人工智慧、加密貨幣挖礦、及分子動力學模擬(註三)等其它領域。獨立 GPU 已成為人工智慧生態系統中不可或缺的一部分,正在改變我們的生活方式及許多行業的遊戲規則。英特爾在這方面發展較遲,遠遠落在英偉達(80%)及超微半導體公司(Advance Micro Devices Inc.,19%,註四)之後,大約只有 1% 的市場。

-----廣告,請繼續往下閱讀-----
典型的CPU與GPU架構

事實上現在的中央處理單元也不再是真正的「單元」,而是如圖二可含有多個可以同時處理運算的核心(core)單元。GPU 犧牲大量快取和控制單元以獲得更多的處理核心,因此其核心功能不如 CPU 核心強大,但它們能同時高速執行大量相同的指令,在平行運算中發揮強大作用。現在電腦通常具有 2 到 64 個核心;GPU 則具有上千、甚至上萬的核心。

結論

我們一看到《我愛科學》這本書,不需要一點一點地從左上到右下慢慢掃描,即可瞬間知道它上面有書名、出版社等,也知道它擺斜了。這種「平行運作」的能力不僅限於視覺,它也延伸到其它感官和認知功能。例如筆者在清華大學授課時常犯的一個毛病是:嘴巴在講,腦筋思考已經不知往前跑了多少公里,常常為了追趕而越講越快,將不少學生拋到腦後!這不表示筆者聰明,因為研究人員發現我們的大腦具有同時處理和解釋大量感官輸入的能力。

人工智慧是一種讓電腦或機器能夠模擬人類智慧和解決問題能力的科技,因此必須如人腦一樣能同時並行地處理許多資料。學過矩陣(matrix)的讀者應該知道,如果用矩陣和向量(vector)表達,上面所談到之座標轉換將是非常簡潔的(註五)。而矩陣和向量計算正是機器學習(machine learning)演算法的基礎!也正是獨立圖形處理單元最強大的功能所在!因此我們可以了解為什麼 GPU 會成為人工智慧開發的基石:它們的架構就是充分利用並行處理,來快速執行多個操作,進行訓練電腦或機器以人腦之思考與學習的方式處理資料——稱為「深度學習」(deep learning)。

黃仁勳在 5 月 22 日的發布業績新聞上謂:「下一次工業革命已經開始了:企業界和各國正與英偉達合作,將價值數萬億美元的傳統資料中心轉變為加速運算及新型資料中心——人工智慧工廠——以生產新商品『人工智慧』。人工智慧將為每個產業帶來顯著的生產力提升,幫助企業降低成本和提高能源效率,同時擴大收入機會。」

附錄

人工智慧的實用例子:下面一段是微軟的「copilot」代書、谷歌的「translate」代譯之「one paragraph summary of GPU and AI」。讀完後,讀者是不是認為筆者該退休了?

-----廣告,請繼續往下閱讀-----

GPU(圖形處理單元)和 AI(人工智慧)之間的協同作用徹底改變了高效能運算領域。GPU 具有平行處理能力,特別適合人工智慧和機器學習所需的複雜資料密集運算。這導致了影像和視訊處理等領域的重大進步,使自動駕駛和臉部辨識等技術變得更加高效和可靠。NVIDIA 開發的平行運算平台 CUDA 進一步提高了 GPU 的效率,使開發人員能夠透過將人工智慧問題分解為更小的、可管理的、可同時處理的任務來解決這些問題。這不僅加快了人工智慧研究的步伐,而且使其更具成本效益,因為 GPU 可以在很短的時間內執行與多個 CPU 相同的任務。隨著人工智慧的不斷發展,GPU 的角色可能會變得更加不可或缺,推動各產業的創新和新的可能性。大腦透過神經元網路實現這一目標,這些神經元網路可以獨立但有凝聚力地工作,使我們能夠執行複雜的任務,例如駕駛、導航、觀察交通信號、聽音樂並同時規劃我們的路線。此外,研究表明,與非人類動物相比,人類大腦具有更多平行通路,這表明我們的神經處理具有更高的複雜性。這個複雜的系統證明了我們認知功能的卓越適應性和效率。我們可以一邊和朋友聊天一邊走在街上,一邊聽音樂一邊做飯,或一邊聽講座一邊做筆記。人工智慧是模擬人類腦神經網路的科技,因此必須能同時並行地來處理許多資料。研究人員發現了人腦通訊網路具有一個在獼猴或小鼠中未觀察獨特特徵:透過多個並行路徑傳輸訊息,因此具有令人難以置信的多任務處理能力。

註解

(註一)當讀者看到此篇文章時,其股票已一股換十股,現在每一股約在 $100 左右。

(註二)組裝或升級過個人電腦的讀者或許還記得「英偉達精視 256」(GeForce 256)插卡吧?

(註三)筆者於 1984 年離開清華大學到 IBM 時,就是參加了被認為全世界使用電腦時間最多的量子化學家、IBM「院士(fellow)」Enrico Clementi 的團隊:因為當時英偉達還未有可以在 GPU 上進行平行處理的軟體層,我們只能自己寫軟體將 8 台中型電腦(非 IBM 品牌!)與一大型電腦連接來做平行運算,進行分子動力學模擬等的科學研究。如果晚生 30 年或許就不會那麼辛苦了?

-----廣告,請繼續往下閱讀-----

(註四)補助個人電腦用的 GPU 品牌到 2000 年時只剩下兩大主導廠商:英偉達及 ATI(Array Technology Inc.)。後者是出生於香港之四位中國人於 1985 年在加拿大安大略省成立,2006 年被超微半導體公司收購,品牌於 2010 年被淘汰。超微半導體公司於 2014 年 10 月提升台南出生之蘇姿豐(Lisa Tzwu-Fang Su)博士為執行長後,股票從每股 $4 左右,上升到今天每股超過 $160,其市值已經是英特爾的兩倍,完全擺脫了在後者陰影下求生存的小眾玩家角色,正在挑戰英偉達的 GPU 市場。順便一題:超微半導體公司現任總裁(兼 AI 策略負責人)為出生於台北的彭明博(Victor Peng);與黃仁勳及蘇姿豐一樣,也是小時候就隨父母親移居到美國。

(註五)

延伸閱讀

  • 熱力學與能源利用」,《科學月刊》,1982 年 3 月號;收集於《我愛科學》(華騰文化有限公司,2017 年 12 月出版),轉載於「嘉義市政府全球資訊網」。
  • 網路安全技術與比特幣」,《科學月刊》,2020 年 11 月號;轉載於「善科教育基金會」的《科技大補帖》專欄。
文章難易度

討論功能關閉中。

賴昭正_96
43 篇文章 ・ 56 位粉絲
成功大學化學工程系學士,芝加哥大學化學物理博士。在芝大時與一群留學生合創「科學月刊」。一直想回國貢獻所學,因此畢業後不久即回清大化學系任教。自認平易近人,但教學嚴謹,因此穫有「賴大刀」之惡名!於1982年時當選爲 清大化學系新一代的年青首任系主任兼所長;但壯志難酬,兩年後即辭職到美留浪。晚期曾回台蓋工廠及創業,均應「水土不服」而鎩羽而歸。正式退休後,除了開始又爲科學月刊寫文章外,全職帶小孫女(半歲起);現已成七歲之小孫女的BFF(2015)。首先接觸到泛科學是因爲科學月刊將我的一篇文章「愛因斯坦的最大的錯誤一宇宙論常數」推薦到泛科學重登。

2

7
1

文字

分享

2
7
1
「痛、很痛、超級痛!」你有多痛?疼痛有客觀標準嗎?哪些因素會影響疼痛感受?——《痛:牛津非常短講》
左岸文化_96
・2024/03/25 ・6573字 ・閱讀時間約 13 分鐘

測量疼痛

疼痛程度能被客觀測量嗎?

在二十世紀的前半,設計來檢測人類痛覺的機制主要是呼應從純粹身體觀點量測痛覺組成的需求。痛的主觀特質(或更直接地稱為由受測者本人提供的證據)若是遭到忽視還算最好的情況,在最糟的情況下甚至會遭到貶抑。疼痛程度應該要可以客觀量測出來,或說這就是大家進行相關研究的基本依據;一個人感受自己疼痛的方式與個性、道德觀,或甚至性別及種族有關。

再加上醫學的主要功能就是要檢測出傷病並尋求醫治的這種想法持久不衰,疼痛便成為次要的關注重點,只被視為反映出「眞正」問題的指標。疼痛的測量及客觀性因此被刻意保持著疏離、冷淡的狀態,與其說是缺乏同情的立論基礎,還不如說是完全置身於同情的範疇之外。

醫學的主要功能就是要檢測出傷病並尋求醫治的這種想法持久不衰,疼痛便成為次要的關注重點。
圖|pixabay

研究者主要想建立的是痛覺敏感度指數。他們希望知道人體的疼痛要到什麼程度才可以被偵測出來。一般而言,在受控的條件下,不同的疼痛程度顯然可以反映出受試者的文明程度、犯罪傾向,又或者相對「野蠻」的狀態。大家一直都知道,每個人的疼痛閾値——痛無法再被忍受下去的臨界點——差異甚大,不過痛在每個人身上可以被感受出來的最低程度是否具有根本性差異仍是重要議題。

痛的現代史是建立在主張特定「種類」的人不是對痛的刺激更為敏感、就是更難以忍受疼痛的研究之上。這對尋求專業醫療協助的疼痛患者造成了實質上嚴重的後果。他們獲得治療的程度——包括施加的麻醉劑劑量和醫護人員提供的同情心——可能都會跟種族、年紀和性別直接相關。

-----廣告,請繼續往下閱讀-----

疼痛敏感度能成為犯罪證據?忽視痛覺主觀性,能幫助醫生更精準診斷嗎?

相當令人感到奇怪的是,生產可以測量疼痛敏感度的設備——痛覺計(algometer)或測痛儀(dolorimeter)——是心理學家和生理學家範疇內的工作。龍勃羅梭(一八三五─一九○九)因為在著作《犯罪人》(一八七六)中提出了犯罪類型分類而聞名,他採用了德國生理學家杜布瓦-雷蒙(一八一八-一八九六)開發的設備,透過電流刺激測量個體的疼痛敏感度及疼痛閾値。根據他的結論,成為罪犯的人對痛覺的「感受度較不敏銳,有時甚至完全感受不到」。而疼痛測量儀的數據就可以提供證據。

龍勃羅梭認為成為罪犯的人對痛覺的「感受度較不敏銳,有時甚至完全感受不到」。
圖|stocksnap

龍勃羅梭的研究是基於犯罪特質可以透過遺傳而來的理論,而且強調相關跡象都可以在人體上發現。他決心要透過比較(無論死活的)罪犯以及非罪犯之間的特質來證明這項理論,而獲得的結果非常驚人、具有高度影響力,但卻又毫無根據可言。不過他的例子可以反映出當時更為廣泛的趨勢。痛覺測量在機械領域的推進讓心理學家不再推敲心靈方面的非物質性運作,而改為追求物質性且具體可測的皮膚敏感度,並藉此探討大腦處理痛覺的各種相關能力(跟心靈完全不同的領域)。

另外在一九四○年的紐約醫院進行了一個計畫,他們將一盞燈的熱度聚焦在患者皮膚的一塊區域,然後記錄患者會開始感到疼痛的溫度,以及此疼痛到什麼程度會變得無法忍受。這是想將痛覺變成客觀可測量性質的一項新嘗試,其中帶有兩層意涵。

首先,痛覺若是可以被精準地測量出來,或許就能更有效地治療疼痛。其次,如果痛覺可以被測量,醫療體系就能更精準地評估患者對痛覺的反應(或可以無視哪些反應)。擁有機械測量的痛覺數據可以幫助臨床醫生超越(或甚至消滅)痛覺帶有各種隱喻且不甚精確的主觀性質。有些人就是會喜歡高報或低報自己受苦的程度,而這類傾向可以不再對醫療體系處理疼痛的藥物造成影響。

-----廣告,請繼續往下閱讀-----
痛覺若是可以被精準地測量出來,或許就能更有效地治療疼痛。其次,如果痛覺可以被測量,醫療體系就能更精準地評估患者對痛覺的反應(或可以無視哪些反應)。
圖|stocksnap

可是問題在於這個痛覺量測系統不管用,至少任何一個實驗室的結果都無法在其他實驗室複製出來,因為受測對象可以在受過訓練後忍受不同程度的疼痛。外界刺激在受控條件下首先被人感知到的數値至少算是有找到共同的範圍,但疼痛閾値卻因為各種理由而出現各式各樣的差異,更何況個體實在很少(甚至不知道是否可能有)處於不受任何外在條件影響的「中性」狀態。

各種機械理論

人類的所有特質、體驗都能被測量及量化?

如果說與疼痛相關的機械性研究大多得算是笛卡兒的功勞,那是因為他被認定說過一些話,而那些話又顯然能讓後人從中發現一種透過「疼痛路徑」運作的特定機制。若是遵循這樣的笛卡兒觀點,人類這架機器被認定內建一個特定的痛覺系統,此系統將皮膚的神經末梢連結到脊椎,再連結到大腦中的「痛覺中心」。十九世紀以降的生理學家在勤奮不懈的努力下開始尋找特定的痛覺接收神經,或說所謂的「傷害感受器」(nociceptor)。

人類這架機器被認定內建一個特定的痛覺系統,此系統將皮膚的神經末梢連結到脊椎,再連結到大腦中的「痛覺中心」。
圖|pexels

他們認定所有形式的人類特質及體驗都可以被測量及量化,於是透過大腦秤重的數據建立起以種族、性別為指標的智商系統、透過頭骨的測量顯示文明化的程度,甚至利用各種精良的技巧拍攝臉部後描繪出「犯罪可能性等級」。另外還有一些「疼痛纖維」(pain fibres)被描述成跟特定種類的疼痛有關、又或者跟不同規模的疼痛有關。根據這種方式,大腦只是用來接受特定疼痛輸入訊號的接收器。於是自一九六○年代以來,疼痛量表等級可能跟傷勢程度呈正相關的基本前提已被確信是明顯錯誤的想法。

將疼痛以機械性解釋有哪些侷限?

沒有被這種機械性簡化手段抹消並在當代神經科學中獲得進一步探究的部分,是科學家依據刺激的種類及程度,將受激發的不同神經末梢做出分類。我們現在知道,人的體驗和神經刺激之間沒有絕對的相關性。雖然我們還是會用「傷害感受器」這個詞,但它們發出的訊號在成為痛覺前必須先通過大腦的解讀。機械性簡化看法的另一個問題在於,儘管這種說法用來描述一個人將腳放進火堆的情況看似合適,卻無法解釋那些無視特定神經損傷或直接刺激程度而出現的疼痛。於是又有更進一步的機械性解釋來試圖解決這個謎團。

-----廣告,請繼續往下閱讀-----

為了解釋跟初始神經刺激不成比例的巨大疼痛反應,一八八○到一九五○年代出現了各種「(痛覺刺激及反應)模式」理論。有人假設一定是在脊髓中發生了某種反應,而且這個由原本末梢神經接收刺激所啟動的反應可以自我維持或甚至自我加強。隨著神經系統機制愈來愈常使用電機工程學的語言來比喻(而且使用的程度驚人),人們開始可以想像神經元在脊髓的「線路」中產生「反饋迴路」,因而「引起共振」並激發鄰近的其他神經元。正如原本那幅插圖所暗示,這種神經啟動的模式可以永無休止地延續下去,就算接受過治療或甚至原初起因已消失也沒關係(例如幻肢痛)。

機械性簡化看法的另一個問題在於,儘管這種說法用來描述一個人將腳放進火堆的情況看似合適,卻無法解釋那些無視特定神經損傷或直接刺激程度而出現的疼痛。於是又有更進一步的機械性解釋來試圖解決這個謎團。
圖|pexels

這個觀點的問題在於,這種帶有反饋迴路的電路板比喻想像起來容易,眞正要在實驗中發現卻有其難度。同樣地,疼痛方面的病變一直以來都被想像成一個「正常」的疼痛「電路系統」出現問題的結果,若要類比,就像是有訊號在特定種類的疼痛纖維中受到增強。在當代神經科學及疼痛管理領域中,這些理論的許多元素後來都證明在建構更全面性的疼痛體驗理論時很有幫助,但同時也必須超越「刺激帶來體驗」這種純然的機械性關係。

機械性關係以外的其他觀點?

直到一九六○年代,科學機構內外才開始出現批評的聲音——最有名的批評者是孔恩(一九二二-一九九六)和之後的拉圖(一九四七-)——這些人指出社會脈絡在科學工作中所扮演的重要角色,以及埋藏在社會脈絡中的各種想法及預設。到了更近期,達斯頓和蓋里森在他們的著作《客觀性》(二○○七)中重建了「客觀性」的概念。現在,所謂的「事實」已會被許多人視為透過特定框架後建構而來的偏頗資訊。這種不確定性為相關研究開展了全新的寬敞大道,但眞正的改變卻很慢才出現。

早在一八九四年,美國心理學家馬歇爾(一八五二-一九二七)曾有力地指出,快樂和痛苦都是心理狀態的不同特質;兩者是與情緒、感官、心靈和身體相連的「意識元素」,不過就在目睹摩根生產出行為主義式「定律」的這一年,這種全面性的思考觀點卻幾乎沒產生什麼漣漪。當痛的研究在一九七○年代確實開啟了痛覺的情緒及社會組成的相關探討之際,在醫療實務上對於能夠確切測量、判斷並診斷的既存需求,卻讓痛覺和傷害之間的機械關係得以續命。

-----廣告,請繼續往下閱讀-----
馬歇爾曾有力地指出,快樂和痛苦都是心理狀態的不同特質;兩者是與情緒、感官、心靈和身體相連的「意識元素」。
圖|pexels

傷害的意象

第一份讓患者掌握自身疼痛體驗內涵的醫療評估問卷?

臨床醫生數十年來都帶著對痛的多面向理解在實務現場工作。梅爾扎克(一九二九-)和托格森(一九二四-一九九九)在一九七一年開發出了麥吉爾疼痛問卷。那是為了讓患者足以掌握自身疼痛體驗內涵的第一個精密醫療評估工具。疼痛問卷將痛的形容詞及比喻根據痛的強度進行分組,然後依照「感覺」、「情感」、「評價」和「其他相關」四種項目進行分類,再搭配圖表指出身體上的疼痛位置,另外還會針對其他症狀及一般生活方式進行整體評估。

此問卷的前提在許多案例中獲得證實,也就是受疼痛所苦之人會用類似的詞彙來描述特定的疼痛症候群。因此,疼痛問卷帶來的質化觀點對臨床醫療人員很有幫助,能讓他們在一開始更有機會根據患者對自身疼痛狀況的評估做出正確診斷。

梅爾扎克和托格森在一九七一年開發出了麥吉爾疼痛問卷。那是為了讓患者足以掌握自身疼痛體驗內涵的第一個精密醫療評估工具。
圖|stocksnap

當言語無法精準描述,我們如何形容疼痛感受?

乍看之下,這是將疼痛體驗的情感特質重新導入醫療體系的成功應對方式,並因此讓臨床評估朝新的方向前進,但這種做法還是有其限制。疼痛問卷被翻譯成許多其他語言時使用了同樣的武器修辭,或說同樣有關受傷、割傷、刺傷、射傷、揍傷或壓傷的各種比喻。許多學者都指出,這些用來描述人類疼痛體驗的比喻被使用的時間久得驚人,彷彿我們沒有足以訴說疼痛的直接用詞,所以非得求助於這些傷害意象。

不過,這種顯而易見的限制掩蓋了存在於人們陳述中的驚人豐富性及深度。隨著時間過去,武器的種類當然改變了,描述武器對人類造成的傷害種類也出現了更多具有想像力的比喻性說法。此外,隨著語言的改變,人們會發現無論是問卷中的表達方式、代表意義及所處脈絡,都具有難以將其中分類普遍化的細微差異。翻譯的政治(更別說是做法)總是會引發誰的用語足以建立起基本分類架構的疑慮:我們應該要採用患者、醫生,還是譯者的用語?

-----廣告,請繼續往下閱讀-----
為了聽見疼痛的主觀陳述而定下語言框架的嘗試,反而造成了將痛客觀化的效應。
圖|pexels

一旦語言被認定為一個人描述主觀體驗的重要資訊載體,我們就很難將其限制在事先規範好的定義及分類中。疼痛問卷成功地將許多當時在英文中常用的疼痛描述整理在一起,不過也可能限縮了人們在未來描述疼痛的用詞。當醫療人員把一連串描述性用詞交給患者並要求他們找出「符合」自身痛感的詞彙時,這種做法很可能會被視為一種具有高度暗示性及影響力的策略,因為這份用詞淸單暗示了這些詞彙已捕捉到了疼痛的本質。

這種做法對某些人來說可能有用,但有些人即便感覺不太對勁,仍得努力將這些用詞硬套到自身的感受上。另外還有些人在覺得這些用詞完全無法用來描述自己的狀況時,甚至會開始質疑自己的疼痛是否眞實存在。為了聽見疼痛的主觀陳述而定下語言框架的嘗試,反而造成了將痛客觀化的效應。

說到底,一九七○和八○年代在尋求痛的情感特質時,是放入由固定價値觀所掌控的基模(schema)中,就像身體的疼痛値也是由機械主導的客觀數値來決定。患者的聲音並不是沒被聽見,但也受到既有的量測方式取代。

受教育程度會影響疼痛體驗嗎?疼痛分類因文化不同有所差異?

根據一份由哈里森所進行的研究指出,當麥吉爾疼痛問卷在科威特被翻譯成阿拉伯文時,編纂者非常淸楚意識到,即便是在當地社群內部也出現了溝通上的語言偏差。受過教育的科威特人因為懂英文而擁有較多字彙量,因此可用「對一般患者而言過於深奧」的詞彙來描述他們的痛覺。難道這代表他們的疼痛體驗也就因此有所不同嗎?我們很可能永遠不會知道,因為這類描述被有意識地迴避掉了。

-----廣告,請繼續往下閱讀-----

有意思的是,阿拉伯文譯者也迴避了對慢性疼痛患者伸出援手,因為「他們的痛覺評分標準跟那些……經歷急性疼痛的人相比有系統性的不同」。如果有人記得的話,麥吉爾疼痛問卷一開始的設計是要嘗試深入理解疼痛症候群的疼痛體驗——也就是完全以受到慢性疼痛所苦的人為目標——因此我們可以認定這個翻譯策略反而阻礙了這項量測工具原本的概念性目標。

受過教育的科威特人因為懂英文而擁有較多字彙量,因此可用「對一般患者而言過於深奧」的詞彙來描述他們的痛覺。難道這代表他們的疼痛體驗也就因此有所不同嗎?
圖|unsplash

二十世紀醫學對於調查對象必須在各項數値方面完全中立的需求,阻礙了我們去探索疼痛體驗中的一項核心元素,因為那個核心元素本身就是作為一種情感的主觀値。疼痛情感的語言表述——人們針對自身感受說出的話——本身抗拒任何精確的製表及分類作為。科威特的那些譯者對此擁有第一手體驗,他們發現原本在英文中被歸類為「感覺」的詞彙,在翻譯後更接近「情感」或「評價」的類別。

這些作者後來做出結論,「我們有很充足的理由認定,疼痛分類會因為不同文化而有所差異。」比如他們就找不出翻譯「射傷」(shooting)這種痛覺的詞彙。在此同時,義大利文把「射傷」這種痛覺翻譯成「像是床墊彈簧反彈」的痛。

整體而言,根據二○○九年由雪梨的喬治國際健康研究所做的研究,麥吉爾疼痛問卷被翻譯成了二十六種語言,研究發現這些翻譯後的問卷效力普遍不佳,並建議必須謹愼使用這些「非英語版本」的問卷。這些不同版本的問卷中描述疼痛的詞彙從四十二到一百七十六個不等,反映出了人類口中疼痛體驗的豐富程度。這些疼痛反抗或拒絕被分類列表的特質只顯示了人們不是(或說至少不完全是)機器。

-----廣告,請繼續往下閱讀-----

——本文摘自《:牛津非常短講 012》,2024 年 02 月,左岸文化出版,未經同意請勿轉載。

所有討論 2
左岸文化_96
39 篇文章 ・ 11 位粉絲
左岸的出版旨趣側重歷史(文明史、政治史、戰爭史、人物史、物質史、醫療史、科學史)、政治時事(中國因素及其周邊,以及左岸專長的獨裁者)、社會學與人類學田野(大賣場、國會、工廠、清潔隊、農漁村、部落、精神病院,哪裡都可以去)、科學普通讀物(數學和演化生物學在這裡,心理諮商和精神分析也在這裡)。

2

0
3

文字

分享

2
0
3
一鍵生成心智圖?統整文章、製作簡報、學習知識!三款 AI 保母級教學!
泛科學院_96
・2024/03/04 ・4383字 ・閱讀時間約 9 分鐘

-----廣告,請繼續往下閱讀-----

真的假的,只要有它,再難的事都能秒懂?

它就是 AI 心智圖工具,只要一句話,一個關鍵字,就能生成一張完整的知識架構圖。

無論是聽不懂老師在講什麼的學生,還是被老闆交辦沒聽過的工作,只要把聽不懂的詞丟進去,噠啦~瞬間一目了然!

而且這些 AI 心智圖工具,也能直接把生成的圖表或段落變成一頁簡報,真的非常方便!

-----廣告,請繼續往下閱讀-----

今天,我將介紹 Whimsical 、 Xmind 和 MyMap 這三個 AI 心智圖工具,其中 Whimsical 是免費的,Xmind 跟 MyMap 這個 AI 功能要額外付費,但我自己實測的感覺非常好,因此也推薦給大家。

廢話不多說,讓我們開始吧!

Whimsical

Whimsical 對 APP 開發者可能並不陌生,是集結流程圖、心智圖、 APP 原型圖的線上工具,現在有加入 AI,不僅可以更快速地整理內容,甚至能無中生有。雖然一個帳號只能免費使用 AI 100 次,再多就要付費,但我用到現在也還沒用完。

先從快速整理內容來吧,我這邊用泛科學這篇文章當範例,複製文章內容跟他說

-----廣告,請繼續往下閱讀-----

請幫我把下面的內容,整理成心智圖

暗能量是什麼?看不到也摸不著,我們該如何找到它?

這樣文章的大綱就在你面前了,如果對某些主題有興趣,就可以用心智圖上的關鍵字去 google 搜尋。

接下來,就輪到無中生有啦!這次我什麼都沒有給他,直接輸入

請給我核融合的基礎知識架構心智圖

這樣 Whimsical 就會給你核融合的知識架構圖啦。

你看,是不是很簡單呢?

-----廣告,請繼續往下閱讀-----

如果想要把這張心智圖做成簡報,你只要選擇 Section 把它框起來,

就能在右邊的 Present 欄位上面,看到新的 Section,這時按下撥放,就會是一張剪報嘍。

作為流程圖與心智圖工具的 Whimsical 本來就很容易上手,加上 AI 就變得更無腦了,你甚至可以讓 Whimsical + AI 做完所有內容,再自己再微調版面,框選 Section,就有一份出色的簡報啦!

不過還是要說一下,Whimsical 的 AI 找得資料有點少,可能連學校作業的需求都無法應付,如果真的要瞬間秒懂所有事情,你可能要試試看 Xmind 或 MyMap 。

-----廣告,請繼續往下閱讀-----

Xmind

先來說說 Xmind ,這款工具稱得上是臺灣最知名的心智圖工具了吧?像是創意思考或人生整理術之類的課程,都經常能見到 Xmind 的身影。現在加上 AI 之後,真的創造了天下沒有難學的知識,一個關鍵字,一張心智圖,順著心智圖學習,沒什麼事難得倒你。

這邊我想要提醒大家, Xmind 跟 Xmind AI 是兩個獨立的產品線,傳統的紅色的圖示 Xmind 包含桌面版程式與手機 APP , Pro 專業版的售價是每三個月 16 美金, Xmind AI 是新推出的產品,圖示改成紫色,專業版費用是每個月 8 美金,兩者並不互通,重要的事說三次,兩者不互通,兩者不互通,今天分享的是紫色的 Xmind AI 線上平台,不要跑錯家哟。

回到正題, Xmind 的 AI 稱為 Copilot ,只要跟 Copilot 說出你聽不懂的關鍵字,它就會用心智圖幫你解答,為什麼只要關鍵字呢?這邊來做個示範,跟前面 Whimsical 一樣,輸入

請給我核融合的基礎知識架構心智圖

然後再輸入

-----廣告,請繼續往下閱讀-----

核融合的知識架構

最後只給 Copilot

核融合

這三個關鍵字。

好像字越少,內容越豐富?推測是 Copilot 會直接把輸入內容當成搜尋詞彙,因此訊息越多,限制越大。在用 Copilot 時,我都盡量給簡單的關鍵字,等它完成比較豐富的心智圖後,再對心智圖中的單一項目進行 AI 生成。

沒錯,這就是 Xmind 好用的地方了,無論是你自己畫心智圖遇到瓶頸,還是剛剛 AI 生成的心智圖有不完整的地方,只要點有問題的項目,再點選畫面下方的 Copilot ,就能再生成後續內容啦!

-----廣告,請繼續往下閱讀-----

Xmind 也支援心智圖直接轉簡報的功能,每個項目就是一頁簡報,會依照簡報架構播放簡報。

如果要放說明文字在簡報上,你可以點項目後按下面的 note 輸入文字,

也可以在 local image 上傳你要的圖片,就會在該張簡報呈現這些內容。

雖然 Xmind 不能把簡報弄得美美的,但 Xmind 支援將心智圖下載成 .md 或 .ppt 等檔案格式,之後就可以套入之前介紹過的 gamma 或其他人做好的 template ,一份有結構、漂亮的簡報就完成啦!

-----廣告,請繼續往下閱讀-----

MyMap

最後介紹的 MyMap ,不是 google 那個 MyMap ,是 MyMap AI ,這個 A 編用完之後直接在工作群組裡面大喊:「這東西真是太好用了阿!」的一個工具。

一進入 MyMap 介面,基本上看不到任何工具欄或 icon ,只有跟 AI 的對話框,沒錯,這才是我想要的 AI 工具! 什麼複雜操作都不用,只要跟 AI 說話,工作就完成啦!

能有這麼狂的介面,也就表示 MyMap 對自己的 AI 功能很有信心,實際用過真的,沒跟你五四三,用得過程中完全不需要找工具欄,資料與內容整理都非常到位!

跟 Whimsical 類似,MyMap 支援多種資料呈現方式,你也不需要知道有什麼呈現方式,在問它問題的時候,它就會解析你想要的內容可能適合什麼形式的呈現,如果有多種呈現方式適合,它還會問你要用什麼形式呈現。

如果你想要用已有的文件或內容做心智圖或其他圖表,你只要按下對話框旁邊的加號,就會跳出上傳檔案或輸入網址的對話框,上傳或輸入網址之後,他就會出現即時預覽的視窗,接著,就可以跟檔案對話了。

像我給它前面泛科學黑洞文章的網址,這時候只要跟他說

幫我整理這個網頁的內容重點

MyMap 不囉嗦,直接給我一個完整的內容重點整理。

用到現在,MyMap 的唯一缺點是拖曳畫面很不直覺,以及它非常非常小氣,只有七天試用期,訂閱 MyMap 的最低價格是 9 美元,但 A 編為了 GPT4 ,之接訂了 12 美元的 pro 版。看來無論是遊戲還是現實,課金變強都是不變的道理啊!

結語

好啦,其實也沒什麼特別要總結比較的,因為 MyMap 用起來真的太舒服了,但如果你只想當個免費仔,可以先用用看 Whimsical 。

而 Xmind 呢,其實它的檔案格式的支援度是最高的,要用其他軟體加工做成簡報的話,Xmind 還是有它的優勢之處的!

如果這支影片對你有幫助的話,請幫我在影片下方點個喜歡,並且把這支影片分享給需要的朋友,最後別忘了訂閱泛科學院的頻道,我們下支影片再見囉。

更多、更完整的內容,歡迎上科學院的 youtube 頻道觀看完整影片,並開啟訂閱獲得更多有趣的資訊!

所有討論 2
泛科學院_96
44 篇文章 ・ 51 位粉絲
我是泛科學院的AJ,有15年的軟體測試與電腦教育經驗,善於協助偏鄉NPO提升資訊能力,以Maker角度用發明解決身邊大小問題。與你分享人工智慧相關應用,每週更新兩集,讓我們帶你進入科技與創新的奇妙世界,為未來開啟無限可能!