一朝見寄生蜂，五代愛乙醇？原來果蠅的記憶能隔代遺傳！

• 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？

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。

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：

• 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

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？

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。

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？

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?

（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）或。

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。

只要控制一個基因，就有黃狗、棕狗、黑狗變化

黑狗、灰狗、棕狗、黃狗、乳牛狗、白狗……狗的毛色非常多變，受到多個基因影響，其中一個基因叫作 Agouti。一項研究調查各種毛色的狗與狼，發現透過不同的調控方式，只要操縱同一個基因，便能產生黑狗到黃狗的深淺變化。

所謂「不同的調控方式」其實是兩段 DNA 序列的組合，在狗被馴化以前已經存在；回溯其演化過程，除了新突變，也涉及未知古狼的遺傳交流。

影響色素的 Agouti（也叫 ASIP）基因不只狗有 ，鼠、兔等哺乳類也都具備。此一基因的蛋白質產物，是個會影響毛囊生產色素的訊號分子，如果不存在，毛囊會生產偏深的 eumelanin 色素；假如存在，會促進偏淺的 pheomelanin 色素形成。

狗狗們都配備一樣的 Agouti 基因，但是基因表現的高低，會導致毛色由淺到深的差異，趨勢是 Agouti 表現愈多，毛色便會愈淺。

不同顏色的狗，基因的編碼 DNA 序列都一樣，那麼基因表現的差異，應該是取決於調控的非編碼序列差異。倘若某些 DNA 變異是影響毛色的原因，我們應該可以看到，具備某款變異的狗是一個顏色，其他變異的狗是另一個顏色。

釐清毛色的遺傳調色盤

為了找到基因型與表現型的關係，研究者定義從很黑到淺黃 5 群不同毛色，比較大家 Agouti 基因周圍的差異。

基因表現受到旁邊的啟動子（promoter）影響，狗的 Agouti 基因有 3 個啟動子，一個距離最遙遠，不同毛色的狗都一樣；而另外兩個啟動子，不同毛色的狗序列有異，看似為影響毛色深淺的成因。

一個啟動子叫作 hair cycle promoter，簡稱 HCP，位置就在基因前方，跟編碼 DNA 連在一起，照序列差異可分為 5 款。另一個啟動子叫作 ventral promoter，簡稱 VP，位置離基因比較遠，可以分為 2 款。

比較各種 HCP 啟動子，5 款中有 3 款會讓基因失去活力；毛色不太受到 Agouti 影響之下，配備 HCP3、HCP4、HCP5 的狗狗都會走深色系。

其餘 2 款，HCP2 令基因表現較低，使得毛色較深；HCP1 讓基因表現較高，毛色較淺，不過仍然會有些色素，毛色將是淺黃狗，不至於到白狗。

另一個啟動子 VP，配備 VP1 的表現較高，毛色淺；配備 VP2 則表現較低，毛色深。

兩段啟動子的序列搭配，可以形成多種組合，例如 VP2 加 HCP4 會是最深的黑狗，VP2 加 HCP1 是棕狗，VP1 加 HCP1 則是最淺的黃狗。

至此，研究者們釐清了毛色表現型與基因型的關係，不過這是怎麼演化而來的呢？進一步分析發現好像有點複雜，有意思的是，VP 與 HCP 的演化史很不一樣。

• 延伸閱讀：《哈士奇的藍眼睛，基因》。之前研究眼睛顏色也發現過，狗的基因不變，調控改變造成顏色不同這回事。

祖傳的毛色調控零件

同一生物分家後，若是不再遺傳交流或受到天擇影響，累積 DNA 改變將隨著時間愈來愈多。因此將大家的遺傳序列擺在一起畫演化樹，呈現的關係通常會符合親戚分家的順序。較晚分家的成員，在演化樹上會比較近，較早分家的則比較遠。

Agouti 基因兩個啟動子周圍的序列，畫出來的演化樹不一樣。只看遠離基因的 VP 周圍序列（48 kb），狗、灰狼、胡狼、豺等親戚，呈現的演化樹和物種關係一致。意思是這段序列的演化，應該是照著親戚分家的過程累積差異。

由序列判斷，VP2 是原本的遺傳型號，後來才衍生出 VP1。長眠於西伯利亞東北部的亞納古狼（Yana），已經配備讓毛色變淺的 VP1，所以這個突變誕生的年代，肯定比他活跳跳的 3.35 萬年前更早，也非常可能早於狗的馴化。

與未知古狼遺傳交流，獲得遠古調控零件

然而，包含基因編碼部分的 HCP 周圍序列（16 kb），各親戚畫出來的演化樹，和物種關係不一樣。狗和灰狼血緣最近，演化樹上卻被歸類到兩個不同分枝。

非洲的豺（dhole） 最早分出，和物種的關係一致。但是在此之後，先分家的是淺色狗和北極狼（Arctic gery wolf），本該與淺色狗被歸為同一群的深色狗和灰狼，之間還夾著衣索比亞狼（ Ethiopian wolf）、郊狼（coyote）、亞洲胡狼（golden jackal），這些親戚關係差異更大的物種。

很明顯，HCP 此一調控基因表現的零件，有狼沒有照著祖傳繼承。詳細考量 DNA 差異，論文推論最可能的狀況是：狗、灰狼、圖博狼（Tibetan wolf，也叫西藏狼、喜馬拉雅狼）、郊狼、亞洲胡狼等親戚，在共同祖先的時期配備 HCP2，很近期的某群狗又衍生出毛色變深的 HCP5。

而圖博狼、北極狼與狗的 HCP1 是哪來的？依照演化關係推論，它本來應該存在於某種未知的古狼，其演化位置處於和豺分家之後，亞洲胡狼、郊狼、灰狼分家之前（約超過 200 萬年）。某個時刻未知古狼基因突變，誕生了 HCP1，又透過情慾交流使 HCP1 傳進其他狼群。

目前資訊不可能得知未知古狼是誰，遺傳交流發生在什麼時候，論文也沒有太多著墨。我們不要太在意細節！只能看出圖博狼似乎保留變化最少的 HCP1 型號，北極狼與狗的 HCP1 改變較多；而某些黑狗的祖先，又衍生出令毛色變深的 HCP3 和 HCP4。

毛色變淺，有助於適應雪地環境？

論文推論，情慾流動而來的 HCP1 能幫助適應雪地。因為住在北極區的灰狼，以及青藏高原與蒙古的圖博狼，兩地環境頗有相似，都配備會讓毛色變淺的 HCP1。

控制毛色的 2 個遺傳零件，最淺組合為 VP1 加 HCP1。現代各地的灰狼中，只有北美洲部分灰狼長這樣，主要住在北極區，歐亞大陸都沒有。

已知的古代樣本中， VP1 加 HCP1 組合最早見於距今 3.35 萬年的亞納古狼；可以推論人類尚未馴化狗以前，古代早有野生的淺毛狼存在。

不過他的近親兼鄰居，3.5 萬年前也住在西伯利亞東北部的泰梅爾古狼（Taimyr）毛色倒是比較深。不見得住在雪地，一定要長成淺毛。

• 延伸閱讀：西伯利亞古狼，冰河時期結束後滅團

你要淺色狗，還是深色狗？

狗最初馴化的狀況，可謂曖昧難解。狗源自某群灰狼，在距今 1.5 到 4 萬年前馴化（亞納古狼的分家時間更早，並非狗的直系祖先），但是具體的時間、地點，一次、兩次或更多次都不清楚。

綜合現有資訊推測，大部分毛色的可能組合，在一萬年前都已經存在；接下來的發展，應該同時受到環境適應與人為偏好影響。

論文分析中，最早的淺黃狗距今 4800 年，位於愛爾蘭；可是遺傳上分家很早的澳洲野犬（Dingo）、新幾內亞唱犬（New Guinea singing dog）也是黃狗，可見黃毛狗的基因歷史悠久。

出土於西伯利亞東北部的若霍夫島（Zhokhov Island，ZKV），距今 9500 年的古狗，遺傳是 VP2 加 HCP4，應當為毛色最深的黑狗。他可謂白雪中的黑色雪橇犬，這是人類為了方便識別，有意挑選的結果嗎？

令毛色變淺的遺傳零件 VP1 和 HCP1，在狗馴化之前已經存在。但是使得毛色變深的突變們，其實也一直誕生，而且是在狗馴化之後多次發生：HCP2 衍生出 HCP5、HCP1 變成 HCP3、HCP1 變成 HCP4。若霍夫古狗的 HCP4 便是早期案例。

最後歸納一下重點。新研究釐清了狗、狼毛色與遺傳的關係：Agouti 基因的兩個調控零件搭配組合，能形成由黑到黃的深淺毛色。毛色既有的可能性中，野生狼受到環境影響；馴化狗出現以後，除了環境適應，還取決於人為的偏好。

延伸閱讀

• 哈士奇的藍眼睛，基因
• 天殺的月月！你的狼性呢？從 DNA 追尋狗勾起源！
• 西伯利亞古狼，冰河時期結束後滅團
• 狗狗源始－2萬多年前的西伯利亞？
• 短篇是誰把狗帶到澳洲？澳洲野犬dingo可能的來歷 
• 與狼混血，讓藏獒適應高海拔
• 貓貓的世界征服史：從抓老鼠到沙發馬鈴薯
• 讓南非桑族膚色變淺的基因，2000年內情慾流動來到

參考資料

1. Bannasch, D. L., Kaelin, C. B., Letko, A., Loechel, R., Hug, P., Jagannathan, V., … & Leeb, T. (2021). Dog colour patterns explained by modular promoters of ancient canid origin. Nature ecology & evolution, 1-9.
2. Dog coat patterns have ancient origin
3. Genetic enigma solved
4. Bergström, A., Frantz, L., Schmidt, R., Ersmark, E., Lebrasseur, O., Girdland-Flink, L., … & Skoglund, P. (2020). Origins and genetic legacy of prehistoric dogs. Science, 370(6516), 557-564.
5. Sinding, M. H. S., Gopalakrishnan, S., Ramos-Madrigal, J., de Manuel, M., Pitulko, V. V., Kuderna, L., … & Gilbert, M. T. P. (2020). Arctic-adapted dogs emerged at the Pleistocene–Holocene transition. Science, 368(6498), 1495-1499.
6. Ramos-Madrigal, J., Sinding, M. H. S., Carøe, C., Mak, S. S., Niemann, J., Castruita, J. A. S., … & Gopalakrishnan, S. (2020). Genomes of Pleistocene Siberian wolves uncover multiple extinct wolf lineages. Current Biology.

本文亦刊載於作者部落格《盲眼的尼安德塔石匠》暨其 facebook 同名專頁。

COVID-19（武漢肺炎、新冠肺炎）對於老年人的殺傷力比較大。除了感染病毒造成的直接危害之外，專家也觀察到不少重症患者出現「譫妄 (delirium) 」的症狀，令人憂心，是否幾年後「失智 (dementia) 」的風險將會增加？

什麼是「譫妄」？

譫妄是一類短期症狀，老年人出現的機率較高。患者往往會意識混亂、產生幻覺，例如看到魚在牆壁上用膝蓋走路之類的。

導致譫妄的原因仍有許多不解，不過並不罕見。2015 年的研究指出，住進加護病房的重症者約有 33% 發生譫妄。然而，一項研究調查武漢肺炎的重症者，發現 2000 人中高達 55% 出現譫妄，比例明顯高出許多。

瘟疫初期的重災區，義大利的倫巴底，就有醫師觀察到有些病患沒什麼呼吸道症狀，但是明顯出現譫妄。由此推論，診斷武漢肺炎時，譫妄應該列入可能的症狀之一。

看似有道理的推論是，當壓力過大，超過腦部處理的能力，例如長期發炎，或是神經傳導物質失調，令腦內小劇場失去平衡，便會營造譫妄上演的舞台。

譫妄和失智有什麼關係？

另一值得重視的是，過去研究發現譫妄出現之後幾年，產生失智（也常被稱為老人癡呆）的機率也會增加。

失智是一類長期症狀的統稱，實際觀察指出譫妄與失智呈現正相關，發生過譫妄的人，失智的機率會增加。反過來一樣：失智的患者，譫妄機率也變高。

但是譫妄和失智，無法肯定是否有因果關係，或是譫妄如何促進失智。譫妄倘若真的會促進失智，目前有 3 種可能的解釋。

1. 譫妄發生時，腦袋受到急性傷害，例如有害物質一時堆積在腦部。這些令腦部短期損傷的效果，長期最終將發展為失智症。
2. 手術或感染造成腦部長期發炎。發炎可以增加血流，促進循環將廢棄物及有害物帶走；但是發炎太久的話，也可能損害細胞與組織，比方說讓神經細胞受傷，一段時間後導致認知失調的後遺症。
3. 失智患者（即使只處於初期）神經元的聯結比較稀疏，面對發炎等困境時，神經組織的防禦較糟，更容易受損。這使得他們發生譫妄的機率增加，失智症也容易變得更嚴重。此一論點也稱作「閾值假說 (threshold hypothesis) 」。

結論

總之觀察得到的關係是：武漢肺炎重症患者，發生譫妄的機率高，可能增加隨後出現失智症的風險。

因此在診斷與治療武漢肺炎時，也必需注意譫妄造成的影響；而患者「康復」一段時間之後，是否有失智的徵兆，也是需要長期追蹤關注的項目 。

• 本文轉載自新公民議會〈武漢肺炎會增加老人失智的風險嗎？ 〉

參考資料

• Could COVID delirium bring on dementia?

延伸閱讀

• COVID-19 如何影響孕婦與胎兒？
• 為什麼武漢肺炎對胖的人殺傷力較大？
• COVID-19 會造成嬰兒潮嗎？很可能不會
• COVID-19 殺死的人比帳面數字更多，但是究竟多少？

本文亦刊載於作者部落格《盲眼的尼安德塔石匠》暨其 facebook 同名專頁。