車隊管理好，乘車也環保！數位大數據協助運輸業者成為節能駕駛

為什麼台灣會像坐在搖搖椅上，總是時不時地晃動？這個問題或許有些令人不安，但卻是我們生活在這片土地上的現實。根據氣象署統計，台灣每年有 40,000 次以上的地震，其中有感地震超過 1,000 次。2024年4月3日，花蓮的大地震發生後，台灣就經歷了超過 1,000 次餘震，這些數據被視覺化後形成的圖像，宛如台北101大樓般高聳穿雲，再次引發了全球對台灣地震頻繁性的關注。

地震發生後，許多外國媒體擔心半導體產業會受影響，但更讓他們稱奇的是，台灣竟然能在這麼大的地震之下，將傷害降到這麼低，並迅速恢復。不禁讓人想問，自從 25 年前的 921大地震以來，台灣經歷了哪些改變？哪些地方可能再發生大地震？如果只是遲早，我們該如何做好更萬全的準備？

要找到這些問題的答案，最合適的地點就在一座從地震遺跡中冒出的主題博物館：國立自然科學博物館的 921地震教育園區。

下一個大地震在哪、何時？先聽斷層說了什麼

1999年9月21日凌晨1點47分，台灣發生了一場規模7.3的大地震，震央在南投縣集集鎮，全台 5 萬棟房子遭震垮，罹難人數超過 2,400 人。其中，台中霧峰光復國中校區因車籠埔斷層通過，地面隆起2.6公尺，多棟校舍損毀。政府決定在此設立921地震教育園區，保留這段震撼人心的歷史，並作為防災教育的重要基地。園區內兩處地震遺跡依特性設置為「車籠埔斷層保存館」和「地震工程教育館」。

車籠埔斷層保存館建於原操場位置，為了保存地表破裂及巨大抬升，所以整體設計不採用樑柱結構，而是由82根長12公尺、寬2.4公尺、重約10噸的預鑄預力混凝板組成，外觀為曲線造型，技術難度極高，屬國內外首見，並榮獲多項建築獎。而地震工程教育館保留了原光復國中受損校舍，讓民眾親眼見證地震的驚人破壞力，進一步強調建築結構與安全的重要性。毀損教室旁設有由園區與「國家地震工程研究中心」共同策劃的展示館，透過互動展示，讓參觀者親手操作，學習地震工程相關知識。

國立自然科學博物館地質學組研究員蔣正興博士表示，面積上，台灣是一個狹長的小島，卻擁有高達近4000公尺的山脈，彰顯了板塊激烈擠壓、地質活動極為活躍的背景。回顧過去一百年的地震歷史，從1906年的梅山地震、1935年的新竹-台中地震，到1999年的921大地震，都發生在台灣西部，與西部的活動斷層有密切關聯，震源位於淺層，加上人口密度較高，因此對台灣西部造成了嚴重的災情。

而台灣東部是板塊劇烈擠壓的區域，地震震源分佈更廣。與西部相比，雖然東部地震更頻繁，但由於人口密度相對較低，災情相對較少。此外，台灣東北部和外海也是地震多發區，尤其是菲律賓海板塊往北隱沒至歐亞板塊的隱沒地震帶，至沖繩海槽向北延伸，甚至可能影響到台北下方，發生直下型地震，這種地震因震源位於城市正下方，危害特別大，加上台北市房屋非常老舊，若發生直下型地震，災情將非常嚴重。

除了台北市，蔣正興博士指出在台灣西部，我們特別需要關注的就是彰化斷層的影響，該斷層曾於1848年發生巨大錯動。此外，我們也需要留意西南部的地震風險，如 1906 年的梅山地震。此兩條活動斷層距今皆已超過 100 年沒活動了。至於東部，因為存在眾多活動斷層，當然也需要持續注意。

我們之所以擔心某些斷層，是因為這些區域可能已經累積了相當多的能量，一旦達到臨界點，就會釋放，進而引發地震。地質學家通常會沿著斷層挖掘，尋找過去地震的證據，如受構造擾動沉積物的變化，然後透過定年技術來確定地震發生的時間點，估算出斷層的地震週期，然而，這些數字的計算過程非常複雜，需要綜合大量數據。

挑戰在於，有些斷層的活動時間非常久遠，要找到活動證據並不容易。例如，1906年的梅山地震，即使不算久遠，但挖掘出相關斷層的具體位置仍然困難，更不用說那些數百年才活動一次的斷層，如台北的山腳斷層，因為上頭覆蓋了大量沉積物，要找到並研究這些斷層更加困難。

儘管我們很難預測哪個斷層會再次活動，我們仍然可以預先對這些構造做風險評估，從過往地震事件中找到應變之道。而 921 地震教育園區，就是那個可以發現應變之道的地方。

921 後的 25 年

在園區服務已 11 年的黃英哲擔任志工輔導員，常代表園區到各地進行地震防災宣導。他細數 921 之後，台灣進行的六大改革。制定災害防救法，取代了總統緊急命令。修訂了建築法規，推動斷層帶禁限建與傳統校舍建築改建。組建災難搜救隊伍，在面對未來災害時能更加自主應對。為保存文化資產，增設了歷史建築類別，確保具有保存價值的建築物得到妥善照料。

最後，則是推行防災教育。黃英哲表示，除了在學校定期進行防災演練，提升防災意識外，更建立了921地震教育園區，不僅作為教育場所，也是跨部門合作的平台，例如與交通部氣象署、災害防救辦公室、教育部等單位合作，進行全面的防災教育。園區內保留了斷層線的舊址，讓遊客能夠直觀地了解地震的破壞力，最具可看性；然而除此之外，園區也是 921 地震相關文物和資料的重要儲存地，為未來的地震研究提供了寶貴的資源。

堪稱園區元老，在園區服務將近 19 年，主要負責日語解說工作的陳婉茹認為，園區最大的特色是保存了斷層造成的地景變化，如抬升的操場和毀壞的教室場景，讓造訪的每個人直觀地感受地震的威力，尤其是對於年輕的小朋友，即使他們沒有親身經歷過，也能透過這些真實的展示認識到地震帶來的危險與影響。

陳婉茹回憶，之前有爸媽帶著小學低年級的小朋友來參觀，原本小朋友並不認真聽講，到處跑來跑去，但當他看到隆起的操場，立刻大聲說這他在課本看過，後來便聚精會神地聽完 40 分鐘的解說。

除了每看必震撼的地景，園區也透過持續更新策展，邀請大家深入地震跟防災的各個面向。策展人黃惠瑛負責展示設計、活動規劃、教具設計等工作。她提到，去年推出的搜救犬特展和今年的「921震災啓示展」與她的個人經歷息息相關。921 大地震時的她還是一名台中女中的住宿生，當時她儘管驚恐，依舊背著腿軟的學姊下樓，讓她在策劃這些展覽時充滿了反思。

在地震體驗平臺的設計中，黃惠瑛強調不僅要讓觀眾了解災害的破壞力，更希望觀眾能從中學到防災知識。她與設計師合作，一樓展示區採用了時光機的概念，運用輕鬆、童趣的風格，希望遊客保持積極心態。二樓的地震體驗平臺結合六軸震動臺和影片，讓遊客真實感受921地震的情境。她強調，這次展覽的目標是全民，設計上避免了血腥和悲傷的元素，旨在讓觀眾帶著正向的感受離開，並重視防災意識。

籌備今年展覽的最大挑戰是緊迫的時間。從五月開始，九月完成，為了迅速而有效地與設計師溝通，黃惠瑛使用了AI工具如ChatGPT與生成圖像工具，來加快與設計師溝通的過程。

蔣正興博士說，當初學界建議在此設立地震教育園區，其中一位重要推手是法國地質學家安朔葉。他曾在台灣指導十位台灣博士生，這些博士後來成為地質研究的中堅力量。1999年921大地震後，安朔葉教授立刻趕到台灣，認為光復國中是全球研究斷層和地震的最佳觀察點，建議必須保存。為紀念園區今年成立20週年，在斷層館的展示更新中，便特別強調安朔葉的貢獻與當時的操場圖。

此外，作為 20 週年的相關活動，今年九月也將與日本野島斷層保存館簽署合作備忘錄（MOU），強化合作並展示台日合作歷史。另一重頭戲則是向日本兵庫縣人與自然博物館主任研究員加藤茂弘致贈感謝狀，感謝他不遺餘力，長期協助園區斷層保存館的剖面展品保存工作。

前事不忘，後事之師

盡力保存斷層跟受創校舍，只因不想再重蹈覆徹。蔣正興博士表示，921地震發生在車籠埔斷層，其錯動形式成為全球地質研究的典範，尤其是在研究斷層帶災害方面。統計數據顯示，距離車籠埔斷層約100公尺內，住在上盤的罹難率約為1%，而下盤則約為0.6%。這說明住在斷層附近，特別是上盤，是非常危險的。由於台灣主要是逆斷層活動，這一數據清楚告訴我們，在上盤區域建設居住區應特別小心。

2018年花蓮米崙斷層地震就是一個例證。

在921地震後，政府在斷層帶兩側劃設了「地質敏感區」。因為斷層活動週期較長，全球大部分地區難以測試劃設敏感區的有效性，但台灣不同，斷層活動十分頻繁。例如 1951 年，米崙斷層造成縱谷地震，規模達 7.3，僅隔 67 年後，在 2018 年再次發生花蓮地震，這在全球是罕見的，也因此 2016 年劃設的地質敏感區，在 2018 年的地震中便發現，的確更容易發生地表破裂與建築受損，驗證了地質敏感區劃設的有效性。

在過去的20年裡，921地震教育園區不僅見證了台灣在防災教育上的進步，也承載著無數來訪者的情感與記憶。每一處地震遺跡，每一項展示，都在默默提醒我們，那段傷痛歷史並未走遠。然而，我們對抗自然的力量，並非源自恐懼，而是源自對生命的尊重與守護。當你走進這座園區，感受那因地震而隆起的操場，或是走過曾經遭受重創的教室，你會發現，這不僅僅是歷史的展示，更是我們每一個人的責任與使命。

來吧，今年九月，走進921地震教育園區，一起在這裡找尋對未來的啓示，為台灣的下一代共同築起一個更堅固、更安全的家園。

延伸閱讀：
高風險？ 家踩「斷層帶、地質敏感區」買房留意
「我摸到台灣的心臟！」法國地質學家安朔葉讓「池上斷層」揚名國際
百年驚奇－霧峰九二一地震教育園區｜天下雜誌

數位世界已經改變了我們日常生活的體驗，一個人從早到晚都會接受到大量數據，受益於大量數據，也貢獻大量數據。這些數據龐大的程度，和消化資訊的方式已經太過繁多，人類心智根本無法處理。

與數位科技建立夥伴關係

所以人會本能地或潛意識地倚賴軟體來處理、組織、篩選出必要或有用的資訊，也就是根據用戶過去的偏好或目前的流行，來挑選要瀏覽的新項目、要看的電影、要播放的音樂。自動策劃的體驗很輕鬆容易，又能讓人滿足，人們只會在沒有自動化服務，例如閱讀別人臉書塗鴉牆上的貼文，或是用別人的網飛帳號看電影時，才會注意到這服務的存在。

有人工智慧協助的網路平臺加速整合，並加深了個人與數位科技間的連結。人工智慧經過設計和訓練，能直覺地解決人類的問題、掌握人類的目標，原本只有人類心智才能管理的各種選擇，現在能由網路平臺來引導、詮釋和記錄（儘管效率比較差）。

網路平臺收集資訊和體驗來完成這些任務，任何一個人的大腦在壽命期限內都不可能容納如此大量的資訊和體驗，所以網路平臺能產出看起來非常恰當的答案和建議。例如，採購員不管再怎麼投入工作，在挑選冬季長靴的時候，也不可能從全國成千上萬的類似商品、近期天氣預測、季節因素、回顧過去的搜尋記錄、調查物流模式之後，才決定最佳的採購項目，但人工智慧可以完整評估上述所有因素。

因此，由人工智慧驅動的網路平臺經常和我們每個人互動，但我們在歷史上從未和其他產品、服務或機器這樣互動過。當我們個人在和人工智慧互動的時候，人工智慧會適應個人用戶的偏好（網際網路瀏覽記錄、搜尋記錄、旅遊史、收入水準、社交連結），開始形成一種隱形的夥伴關係。

個人用戶逐漸依賴這樣的平臺來完成一串功能，但這些功能過去可能由郵政、百貨公司，或是接待禮賓、懺悔自白的人和朋友，或是企業、政府或其他人類一起來完成。

個人、網路平臺和平臺用戶之間的關係，是一種親密關係與遠距聯繫的新穎組合。人工智慧網路平臺審查大量的用戶數據，其中大部分是個人數據（如位置、聯絡資訊、朋友圈、同事圈、金融與健康資訊）；網路會把人工智慧當成嚮導，或讓人工智慧來安排個人化體驗。

人工智慧如此精準、正確，是因為人工智慧有能力可以根據數億段類似的關係，以及上兆次空間（用戶群的地理範圍）與時間（集合了過去的使用）的互動來回顧和反應。網路平臺用戶與人工智慧形成了緊密的互動，並互相學習。

網路平臺的人工智慧使用邏輯，在很多方面對人類來說都難以理解。例如，運用人工智慧的網路平臺在評估圖片、貼文或搜尋時，人類可能無法明確地理解人工智慧會在特定情境下如何運作。谷歌的工程師知道他們的搜尋功能若有人工智慧，就會有清楚的搜尋結果；若沒有人工智慧，搜尋結果就不會那麼清楚，但工程師沒辦法解釋為什麼某些結果的排序比較高。

要評鑑人工智慧的優劣，看的是結果實用不實用，不是看過程。這代表我們的輕重緩急已經和早期不一樣了，以前每個機械的步驟或思考的過程都會由人類來體驗（想法、對話、管理流程），或讓人類可以暫停、檢查、重複。

人工智慧陪伴現代人的生活

例如，在許多工業化地區，旅行的過程已經不需要「找方向」了。以前這過程需要人力，要先打電話給我們要拜訪的對象，查看紙本地圖，然後常常在加油站或便利商店停下來，確認我們的方向對不對。現在，透過手機應用程式，旅行的過程可以更有效率。

這些應用程式不但可以根據他們「所知」的交通記錄來評估可能的路線與每條路線所花費的時間，還可以考量到當天的交通事故、可能造成延誤的特殊狀況（駕駛過程中的延誤）和其他跡象（其他用戶的搜尋），來避免和別人走同一條路。

從看地圖到線上導航，這轉變如此方便，很少人會停下來想想這種變化有多大的革命性意義，又會帶來什麼後果。個人用戶、社會與網路平臺和營運商建立了新關係，並信任網路平臺與演算法可以產生準確的結果，獲得了便利，成為數據集的一部分，而這數據集又在持續進化（至少會在大家使用應用程式的時候追蹤個人的位置）。

在某種意義上，使用這種服務的人並不是獨自駕駛，而是系統的一部分。在系統內，人類和機器智慧一起協作，引導一群人透過各自的路線聚集在一起。

持續陪伴型的人工智慧會愈來愈普及，醫療保健、物流、零售、金融、通訊、媒體、運輸和娛樂等產業持續發展，我們的日常生活體驗透過網路平臺一直在變化。

當用戶找人工智慧網路平臺來協助他們完成任務的時候，因為網路平臺可以收集、提煉資訊，所以用戶得到了益處，上個世代完全沒有這種經驗。這種平臺追求新穎模式的規模、力量、功能，讓個人用戶獲得前所未有的便利和能力；同時，這些用戶進入一種前所未有的人機對話中。

運用人工智慧的網路平臺有能力可以用我們無法清楚理解，甚至無法明確定義或表示的方式來形塑人類的活動，這裡有一個很重要的問題：這種人工智慧的目標功能是什麼？由誰設計？在哪些監管參數範圍裡？

類似問題的答案會繼續塑造未來的生活與未來的社會：誰在操作？誰在定義這些流程的限制？這些人對於社會規範和制度會有什麼影響？有人可以存取人工智慧的感知嗎？有的話，這人是誰？

如果沒有人類可以完全理解或查看數據，或檢視每個步驟，也就是說假設人類的角色只負責設計、監控和設定人工智慧的參數，那麼對人工智慧的限制應該要讓我們放心？還是讓我們不安？還是既放心又不安？

——本文摘自《 AI 世代與我們的未來：人工智慧如何改變生活，甚至是世界？》，2022 年 12 月，聯經出版公司，未經同意請勿轉載。

駕駛員對於車輛的駕駛觀念、認知及行為習慣，將會直接影響車輛的油耗表現，依據英國的研究（Safe and Fuel Efficient Driving 計畫），駕駛人經過駕駛訓練後，所獲得的節能效益從 1.9%到 17%不等，平均可達 10.01%¹。

美國FORD、日本HINO及瑞典SCANIA等車廠²，均設有節能駕駛訓練中心或提供節能相關課程，協助客戶透過節能駕駛降低燃油成本，並藉由車輛儀表標示經濟轉速區間或輔助駕駛提醒等，引導駕駛者將車輛操作於最節能的狀態。除此之外，近年來亦有車廠推廣車隊管理系統³，透過行車資料蒐集與分析，以月或週報表的方式提供車隊管理者應管制的對象與項目，作為駕駛行為改善之參考依據。

然而運輸業者所使用之車型種類與廠牌複雜，車廠所提供的節能駕駛服務與相關分析輔助設備，難以全面符合各廠牌與各營運類型之需求，再加上此節能駕駛服務通常僅針對新購客戶，導致節能效益非常有限。

全面分析車速與引擎轉速訊號，找出最有效的節能策略

因此，經濟部能源局委託車輛中心 (ARTC)，針對運輸車隊適用之駕駛行為分析技術進行研究，成功運用集群統計 (k-means) 開發客觀的分析技術，僅需擷取車速與引擎轉速訊號，並透過優劣分群與同儕相互比較之統計方式進行行為分析，其結果可搭配車輛油耗相關性比對找出影響油耗顯著因子，如此一來藉由科學數據的展現，提供車隊管理者找出應管控之駕駛對象與改善項目，再針對目標對象與重點改善項目進行教育訓練，其成果經各營運型態車隊實務驗證後確實可有效提升車隊整體燃油效率。

當然在實務上管理駕駛行為所產生的節能效益多寡，與車隊型態、管理制度及管控頻率等因素息息相關，一般而言節能成效平均可達 5%以上。

除了後端之駕駛行為分析外，為能使駕駛者維持較佳節能的節能駕駛狀態，在應用實務上亦同步發展一套具不良行為提醒功能之即時顯示模組（如下圖），此模組針對運輸車隊常發生之怠速、超速、急加減速、轉速過高及檔位過低等耗油行為進行設計，當駕駛者有不良駕駛情形發生時，即時透過燈號顯示不良項目，以準確提醒駕駛立即改善，藉由駕駛行為分析與耗油行為即時顯示功能雙管齊下，協助車隊業者落實節能駕駛。

進行駕駛行為分析的首要條件為行車數據數位化，需具備以秒為單位的數位式行車紀錄器，儲存各車輛之車速與引擎轉速，其數據才能匯入分析程式，並將分析結果與用油量進行相關性比對，從中分析出主要耗油因子。但對於擁有大量車輛數的車隊而言，每日記錄的數據即高達萬筆以上，因此如何有效傳輸數據與分析亦是車隊當前所面臨的挑戰。

目前國內交通法規規範 8 噸以上車輛皆須安裝行車記錄器（機械、數位式），其中客運車輛更需額外搭載車輛動態系統（TTIA 規範），再加上各車隊營運特性所需各項功能（如駕駛行為、即時影像、調度派遣、車輛安全及營運績效等），及考量系統維運便利性與精簡通訊費等多項因素，因此多功能整合服務系統已儼然成為市場主流趨勢。

ARTC 透過與國內車機廠商合作，共同開發多功能整合型車機，經車上診斷系統 (OBD) 擷取車速與引擎轉速之外，也一併紀錄有關車輛安全的冷卻水溫及電瓶電壓，同時導入 ARTC 研究多年之駕駛行為分析技術，期符合車隊同時具備節能與安全功能之期望。

為加速擴散駕駛行為分析技術應用，2017 年度 ARTC 結合車機廠商原商業銷售方案，搭配中區區域運輸發展研究中心營運績效分析資訊，提供教育訓練、節油獎勵、車輛調度等完整加值服務，成功獲得全球工業氣體公司─三福氣體車隊及南部地區之客運指標車隊─高雄客運的青睞，前述兩家車隊全數車輛導入數位式多功能整合車機，未來可藉由詳細的駕駛行為及車輛安全相關數據紀錄與後台分析，並搭配即時的不良駕駛行為與安全警示提醒機制，除有效提升燃油效率響應節能環保外，更能直接有效降低車隊的燃油成本及提高安全性，達成企業與節能環保雙贏成果。

本文出自財團法人車輛研究測試中心；原文<車隊管理之駕駛行為分析技術>，如需轉載，歡迎與車輛中心聯繫。

搭配不同的任務，人工智慧的應用方式也不一樣，所以開發人員用來創造人工智慧的科技也不一樣。這是部署機器學習時最基礎的挑戰：不同的目標和功能需要不同的訓練技巧。

不過，結合不同的機器學習法，尤其是應用神經網路，就出現不同的可能性，例如發現癌症的人工智慧。

機器的 3 種學習形式

在我們撰寫本章的時候，機器學習的三種形式：受監督式學習、不受監督式學習和增強式學習，都值得注意。

受監督式學習催生了發現海利黴素的人工智慧。總結來說，麻省理工學院的研究人員想要找出有潛力的新抗生素，在資料庫裡放入二千種分子來訓練模型，輸入項目是分子結構，輸出項目是抑菌效果；研究人員把分子結構展示給人工智慧看，每一種結構都標示抗菌力，然後讓人工智慧去評估新化合物的抗菌效果。

這種技巧稱為受監督式學習，因為人工智慧開發人員利用包含了輸入範例（即分子結構）的資料集，在這裡面，每一筆數據都單獨標示研究人員想要的輸出項目或結果（即抗菌力）。

開發人員已經把受監督式學習的技巧應用於許多處，例如創造人工智慧來辨識影像。為了這項任務，人工智慧先拿已經標示好的圖像來訓練，學著把圖像和標籤，例如把貓的照片和「貓」的標籤，聯想在一起，人工智慧把圖片和標籤的關係編碼之後，就可以正確地辨識新圖片。

因此，當開發人員有一個資料集，其中每個輸入項目都有期望的輸出項目，受監督式學習就能有效地創造出模型，根據新的輸入項目來預測輸出項目。

不過，當開發人員只有大量資料，沒有建立關係的時候，他們可以透過不受監督式學習來找出可能有用的見解。因為網際網路與資料數位化，比過去更容易取得資料，現在企業、政府和研究人員都被淹沒在資料中。

行銷人員擁有更多顧客資訊、生物學家擁有更多資料、銀行家有更多金融交易記錄。當行銷人員想要找出客戶群，或詐騙分析師想要在大量交易中找到不一致的資訊，不受監督式學習就可以讓人工智慧在不確定結果的資訊中找出異常模式。

這時，訓練資料只有輸入項目，然後工程師會要求學習演算法根據相似性來設定權重，將資料分類。舉例來說，像網飛（Netflix）這樣的影音串流服務，就是利用演算法來找出哪些觀眾群有類似的觀影習慣，才好向他們推薦更多節目；但要優化、微調這樣的演算法會很複雜：因為多數人有好幾種興趣，會同時出現在很多組別裡。

經過不受監督式學習法訓練的人工智慧，可以找出人類或許會錯過的模式，因為這些模式很微妙、數據規模又龐大。因為這樣的人工智慧在訓練時沒有明定什麼結果才「適當」，所以可以產生讓人驚豔的創新見解，這其實和人類的自我教育沒什麼不同——無論是人類自學或是人工智慧，都會產生稀奇古怪、荒謬無理的結果。

不管是受監督式學習法或不受監督式學習法，人工智慧都是運用資料來執行任務，以發現新趨勢、識別影像或做出預測。在資料分析之外，研究人員想要訓練人工智慧在多變的環境裡操作，第三種機器學習法就誕生了。

增強式學習：需要理想的模擬情境與回饋機制

若用增強式學習，人工智慧就不是被動地識別資料間的關聯，而是在受控的環境裡具備「能動性」，觀察並記錄自己的行動會有什麼反應；通常這都是模擬的過程， 把複雜的真實世界給簡化了，在生產線上準確地模擬機器人比較容易，在擁擠的城市街道上模擬就困難得多了。

但即使是在模擬且簡化的環境裡，如西洋棋比賽，每一步都還是會引發一連串不同的機會與風險。因此，引導人工智慧在人造環境裡訓練自己，還不足以產生最佳表現，這訓練過程還需要回饋。

提供反饋和獎勵，可以讓人工智慧知道這個方法成功了。沒有人類可以有效勝任這個角色：人工智慧因為在數位處理器上運作，所以可以在數小時或數日之內就訓練自己幾百次、幾千次或幾十億次，人類提供的回饋相比之下根本不切實際。

軟體工程師將這種回饋功能自動化，謹慎精確地說明這些功能要如何操作，以及這些功能的本質是要模擬現實。理想情況下，模擬器會提供擬真的環境，回饋功能則會讓人工智慧做出有效的決定。

阿爾法元的模擬器就很簡單粗暴：對戰。阿爾法元為了評估自己的表現，運用獎勵功能，根據每一步創造的機會來評分。

增強式學習需要人類參與來創造人工智慧的訓練環境（儘管在訓練過程中不直接提供回饋）：人類要定義模擬情境和回饋功能，人工智慧會在這基礎上自我訓練。為產生有意義的結果，謹慎明確地定義模擬情境和回饋功能至關重要。

——本文摘自《 AI 世代與我們的未來：人工智慧如何改變生活，甚至是世界？》，2022 年 12 月，聯經出版公司，未經同意請勿轉載。