Loading [MathJax]/extensions/tex2jax.js

0

10
1

文字

分享

0
10
1

每天起床都不想上班?抗壓性強的人,工作倦怠比例竟然更高嗎?

florinn
・2019/09/02 ・3747字 ・閱讀時間約 7 分鐘 ・SR值 529 ・七年級

今年 (2019) 五月世界衛生大會決議要把工作倦怠 (Burnout) 納入 2022 年生效的國際疾病分類標準第 11 版中 (ICD-11)。每天早上都不想起床上班的你,可能也要想想工作倦怠的可能了。

工作倦怠是什麼?是一種病嗎?

世界衛生大會決議並釋出新聞稿後,許多媒體說工作倦怠被 WHO 認定是「疾病」,但是工作倦怠只是一種可能影響心理健康的風險因子並不是疾病

事實上,國際疾病分類標準 (ICD) 的全名是「國際疾病及相關健康問題統計分類標準 (The International Statistical Classification of Diseases and Related Health Problems) 」,除了疾病之外還包括各種與健康有關的問題。而工作倦怠是就是歸類在健康相關問題,放在「會影響健康狀況或會因此尋求醫療服務之相關因素」這個分類之下1

WHO 在發現各大媒體誤會之後,隔天也發出新聞稿澄清2,指出工作倦怠並不是病況 (medical condition) ,而是職場中的現象 (occupational phenomenon) ,而且是歸類在民眾遇到時會尋求醫療協助的類型,因此不能說工作倦怠是一種疾病。

雖然很可能影響我們的心理健康,但工作倦怠不是疾病。圖/Pixbaby

工作倦怠:覺得累、憤世嫉俗、專業效能變差

工作倦怠是 1974 年由德裔美籍心理學家 Herbert Freudenberger 首次提出,他當時發現在醫療院所的工作者很容易頭痛、失眠、固執、易怒,感覺憂鬱,甚至思考停滯的狀況,他在論文中將這個現象描述為「Burnout」 3

-----廣告,請繼續往下閱讀-----

多年研究下來,其實對於工作倦怠的認識越來越清晰。在 2016 年修訂的第十版的國際疾病分類標準中 (ICD-10) ,已將 Burnout 列在其中,不過只簡短描述這是「精力耗盡」的狀態,並歸類在「與生活處理困難有關的問題」當中4

直到最新的 ICD-11 , WHO 才終於採用許多研究中已經採用許久的明確定義。這個明確的判定標準是必須同時有以下 3 種狀況:

  1. 覺得能量耗盡或精疲力竭
  2. 與自己工作的心理距離拉長,或者對自己的工作態度消極或充滿憤世嫉俗之感
  3. 專業效能降低

而且要排除適應障礙、焦慮症、情緒障礙以及與壓力相關障礙等可能有相似問題的疾病1,2,才能確定是工作倦怠。

工作倦怠可以說是「無法順利處理職場壓力」而產生的現象。雖然它並不是一種疾病,但是工作倦怠可能會大大影響身心健康,也會降低團隊整體的效能,甚至有可能進一步發展成其他的心理疾病。

-----廣告,請繼續往下閱讀-----

工作倦怠在助人工作者中比例相當高,如醫療從業人員(如醫師、護理師)、社工和老師等。有研究統計5,6,7,老師的工作倦怠比例約 30%,醫師的比例高達 67% 。

醫師工作倦怠的比例極高。圖/Unsplash @Piron Guillaume

也有一些報導指出,學術界,無論是已有教職、博士後、博士生工作倦怠的比例都很高,問題不容小覷8,9。而不限工作類型的統計也有大約 10% 的人有工作倦怠的現象6

有工作倦怠的問題的人可能比我們想像中的更多。你或許曾懷疑自己有相關問題,我們該怎麼辦?或許從認識工作倦怠的風險因子 (Risk Factors) 下手,才能及早發現自己正在邁向上班厭世之路。

上班上到懷疑人生,幕後的原因是什麼?

目前學界提出的理論認為,職場環境和個人特質共同影響員工的職場調適狀況,而且各有幾項因素被認為可能是工作倦怠風險因子10,也就是歸納發現工作倦怠者常有些共同特徵,但無法確定彼此是否有因果關係

在員工個人方面,研究發現某些特質或狀態的人工作倦怠比例較高。例如單身者比例就比已婚者高11。此外,責任感越高、抗壓性 (Hardiness) 越高、越覺得可以掌控個人生活的一切,或是對於工作的期待越高,工作倦怠的比例也越高12

-----廣告,請繼續往下閱讀-----
悲傷的事實是,單身者的工作倦怠比例比較高。圖/giphy

而在職場環境的部分,目前研究認為當員工有以下 6 種狀況出現時,較有可能會出現工作倦怠,這幾種風險因子如下13,14

  • 覺得工作量過大
  • 感覺對工作沒有控制感
  • 缺乏獎勵回饋(包括金錢、人際回饋)
  • 面臨職場人際互動問題
  • 被不公平對待
  • 無法滿足個人內在價值追求

當員工長期感覺工作量過大,例如長期加班,如果沒辦法好好休息,可能使人精疲力竭;當員工長期覺得無法掌控工作時或自主權很低時,容易產生無力感。例如:怎麼努力都沒有成果,或者是遇到控制狂上司;而缺乏足夠獎勵,如薪資、獎金和認可、稱讚等,員工也可能認為「不值得」為老闆賣命,或是認為自己和負責的工作不重要,進而降低效能感或工作慾望;同事間的負面互動也可能造成影響,劇烈衝突或職場霸凌等;是否受到公平對待,如基本的尊重、任務與獎勵的分配等,也會影響員工為工作努力的意願,甚至對公司產生憤怒和敵意;公司理念或策略和員工個人的內在價值追求,產生衝突時,員工需要作出抉擇和取捨,可能因此降低效能,甚至因為不認同而有消極或負面態度。

職場霸凌容易讓我們對工作環境感到厭世。圖/Pixbaby

雖然這些風險因子只是工作倦怠問題者的共同特徵,並不代表有這些特徵,就一定會演變成工作倦怠。我們倒是可以把這些徵兆看作警訊,反映我們可能正在面臨巨大壓力,可能需要做些調整,幫助自己度過這一關。

當遇上了職場上的問題,甚至出現工作倦怠的現象了,我們可以做些什麼來改善自己的狀況呢?

-----廣告,請繼續往下閱讀-----

面對工作倦怠,我們該怎麼辦?

工作倦怠本質上就是長期工作壓力調適不良產生的,所以說可以用來調適壓力的方法,都多少有些幫助。

當然第一步是試著釐清自己的壓力來源。是工作量過大使得自己太累?是職場中的人際關係帶來壓力?還是自己對於工作的期待與現實落差產生的失望?嘗試找出自己的壓力來源,才能依此思考與評估有哪些可以採取的行動。幾個可以試試看的做法如下5,15

  1. 如果有適合的同事或主管討論,可以聊聊自己面臨的具體問題,以及可能的解決方案,例如:學習時間管理技巧、試著化解衝突、調整工作職責,或是調整工作方法與模式等。
  2. 尋求來自親友或同事的支持,或跟任何其他你覺得適當的人聊聊,說說你正面臨的狀況,來幫助排解工作壓力和倦怠感。
  3. 進行具有紓壓、放鬆效果的活動:像是跑步、游泳、騎腳踏車,或其他中等強度以上的有氧運動,可以促進腦內啡分泌,帶來「跑者的愉悅感 (runner’s high) 」,讓你可以感受運動後的暢快與舒壓;又或是可以試著做近年越來越多研究支持的「正念 (Mindfulness) 」練習,訓練自己覺察當下的情緒和壓力,練習平靜自己的內心,釋放自己的壓力。
累了,就要來點放鬆的小確幸。圖/Pixbaby

當然,也可以重新評估工作與自己的能力、興趣和熱情是否相合,想想加班時間有沒有超過自己可負荷的程度?或是公司、工作的理念和目標與自己的核心價值接近嗎?

誠實地與自己對話,可以幫助自己判斷「換工作」到底該不該成為選項之一。

不過找工作並不像向神燈精靈許願那麼簡單,別輕易地就認為應該要換工作,在發現問題與完全放棄這份工作之間,我們其實有很多可以做的事情。就如同上面提到的三個大方向,如果這些都沒有辦法有效的改善自己的狀況,還可以尋求專業的臨床與諮商心理師的協助,幫助與陪伴自己面對眼前的難關。

-----廣告,請繼續往下閱讀-----

我們的生活離不開工作,所以與其不斷逃避工作倦怠的問題,不如藉著這個契機,好好與自己對話吧。認識自己為何感受到壓力,尋找該如何處理它的方法,也許就能往越來越自己嚮往的職涯前進也說不定。

※本文感謝泛科學專欄作者林希陶協助確認文章內容。

  1. WHO ICD-11 資料庫 – QD85 Burnout
  2. Burn-out an “occupational phenomenon”: International Classification of Diseases WHO 新聞稿
  3. Freudenberger, H. J. (1974). Staff Burn-Out. Journal of Social Issues, 30(1), 159–165. doi:10.1111/j.1540-4560.1974.tb00706.x
  4. 衛福部國際疾病分類標準(ICD-10)第二十一章(Z73.0)
  5. “Occupational Burnout”, The Patient
  6. Heinemann, L. V., & Heinemann, T. (2017). Burnout research: emergence and scientific investigation of a contested diagnosis. Sage Open, 7(1), 2158244017697154.
  7. Rotenstein, L. S., Torre, M., Ramos, M. A., Rosales, R. C., Guille, C., Sen, S., & Mata, D. A. (2018). Prevalence of burnout among physicians: a systematic review. JAMA, 320(11), 1131-1150.
  8. 科學家也要休息!科學研究人員的「職業過勞」危機──《物理雙月刊》 – PanSci 泛科學。
  9. ”Graduate students need more mental health support, study highlights”, Science Blog, doi:10.1126/science.caredit.aat5139
  10. Maslach, C., & Leiter, M. P. (2016). Burnout. In Stress: Concepts, Cognition, Emotion, and Behavior (pp. 351-357). Academic Press.
  11. Ahola, K., Honkonen, T., Isometsä, E., Kalimo, R., Nykyri, E., Koskinen, S., … & Lönnqvist, J. (2006). Burnout in the general population. Social psychiatry and psychiatric epidemiology, 41(1), 11.
  12. Maslach, C., Schaufeli, W. B., & Leiter, M. P. (2001). Job burnout. Annual review of psychology, 52(1), 397-422.
  13. Leiter, M. P., & Maslach, C. (2005). A mediation model of job burnout. In Alexander-Stamatios G. Antoniou & Cary L. Cooper (Ed.), Research companion to organizational health psychology, (chap. 36, pp. 544-564), Edward Elgar Publishing.
  14. Maslach, C., & Leiter, M. P. (2016). Understanding the burnout experience: recent research and its implications for psychiatry. World Psychiatry, 15(2), 103-111. [link]
  15. “Job burnout: How to spot it and take action”, Mayo Clinic

以下是不列入參考文獻的資料:

本文亦刊載於作者 Medium 聽語軒‧聽宇軒 標題 感覺工作倦怠每天都不想上班?工作倦怠的風險因子與紓解方法

-----廣告,請繼續往下閱讀-----
文章難易度
florinn
8 篇文章 ・ 4 位粉絲
曾任泛科學實習編輯,是個從學術象牙塔逃離的化學系、化學所學生。比起做實驗,更喜歡分享科學故事、聽科學趣聞,寫科普文的目的就是希望能和大家一起領略科學的力與美。

0

1
0

文字

分享

0
1
0
拆解邊緣AI熱潮:伺服器如何提供穩固的運算基石?
鳥苷三磷酸 (PanSci Promo)_96
・2025/05/21 ・5071字 ・閱讀時間約 10 分鐘

-----廣告,請繼續往下閱讀-----

本文與 研華科技 合作,泛科學企劃執行。

每次 NVIDIA 執行長黃仁勳公開發言,總能牽動整個 AI 產業的神經。然而,我們不妨設想一個更深層的問題——如今的 AI 幾乎都倚賴網路連線,那如果哪天「網路斷了」,會發生什麼事?

想像你正在自駕車打個盹,系統突然警示:「網路連線中斷」,車輛開始偏離路線,而前方竟是萬丈深谷。又或者家庭機器人被駭,開始暴走跳舞,甚至舉起刀具向你走來。

這會是黃仁勳期待的未來嗎?當然不是!也因為如此,「邊緣 AI」成為業界關注重點。不靠雲端,AI 就能在現場即時反應,不只更安全、低延遲,還能讓數據當場變現,不再淪為沉沒成本。

什麼是邊緣 AI ?

邊緣 AI,乍聽之下,好像是「孤單站在角落的人工智慧」,但事實上,它正是我們身邊最可靠、最即時的親密數位夥伴呀。

當前,像是企業、醫院、學校內部的伺服器,個人電腦,甚至手機等裝置,都可以成為「邊緣節點」。當數據在這些邊緣節點進行運算,稱為邊緣運算;而在邊緣節點上運行 AI ,就被稱為邊緣 AI。簡單來說,就是將原本集中在遠端資料中心的運算能力,「搬家」到更靠近數據源頭的地方。

-----廣告,請繼續往下閱讀-----

那麼,為什麼需要這樣做?資料放在雲端,集中管理不是更方便嗎?對,就是不好。

當數據在這些邊緣節點進行運算,稱為邊緣運算;而在邊緣節點上運行 AI ,就被稱為邊緣 AI。/ 圖片來源:MotionArray

第一個不好是物理限制:「延遲」。
即使光速已經非常快,數據從你家旁邊的路口傳到幾千公里外的雲端機房,再把分析結果傳回來,中間還要經過各種網路節點轉來轉去…這樣一來一回,就算只是幾十毫秒的延遲,對於需要「即刻反應」的 AI 應用,比如說工廠裡要精密控制的機械手臂、或者自駕車要判斷路況時,每一毫秒都攸關安全與精度,這點延遲都是無法接受的!這是物理距離與網路架構先天上的限制,無法繞過去。

第二個挑戰,是資訊科學跟工程上的考量:「頻寬」與「成本」。
你可以想像網路頻寬就像水管的粗細。隨著高解析影像與感測器數據不斷來回傳送,湧入的資料數據量就像超級大的水流,一下子就把水管塞爆!要避免流量爆炸,你就要一直擴充水管,也就是擴增頻寬,然而這樣的基礎建設成本是很驚人的。如果能在邊緣就先處理,把重要資訊「濃縮」過後再傳回雲端,是不是就能減輕頻寬負擔,也能節省大量費用呢?

第三個挑戰:系統「可靠性」與「韌性」。
如果所有運算都仰賴遠端的雲端時,一旦網路不穩、甚至斷線,那怎麼辦?很多關鍵應用,像是公共安全監控或是重要設備的預警系統,可不能這樣「看天吃飯」啊!邊緣處理讓系統更獨立,就算暫時斷線,本地的 AI 還是能繼續運作與即時反應,這在工程上是非常重要的考量。

所以你看,邊緣運算不是科學家們沒事找事做,它是順應數據特性和實際應用需求,一個非常合理的科學與工程上的最佳化選擇,是我們想要抓住即時數據價值,非走不可的一條路!

邊緣 AI 的實戰魅力:從工廠到倉儲,再到你的工作桌

知道要把 AI 算力搬到邊緣了,接下來的問題就是─邊緣 AI 究竟強在哪裡呢?它強就強在能夠做到「深度感知(Deep Perception)」!

-----廣告,請繼續往下閱讀-----

所謂深度感知,並非僅僅是對數據進行簡單的加加減減,而是透過如深度神經網路這類複雜的 AI 模型,從原始數據裡面,去「理解」出更高層次、更具意義的資訊。

研華科技為例,旗下已有多項邊緣 AI 的實戰應用。以工業瑕疵檢測為例,利用物件偵測模型,快速將工業產品中的瑕疵挑出來,而且由於 AI 模型可以使用同一套參數去檢測,因此品管上能達到一致性,減少人為疏漏。尤其在高產能工廠中,檢測速度必須快、狠、準。研華這套 AI 系統每分鐘最高可處理 8,000 件產品,替工廠節省大量人力,同時確保品質穩定。這樣的效能來自於一台僅有膠囊咖啡機大小的邊緣設備—IPC-240。

這樣的效能來自於一台僅有膠囊咖啡機大小的邊緣設備—IPC-240。/ 圖片提供:研華科技

此外,在智慧倉儲場域,研華與威剛合作,研華與威剛聯手合作,在 MIC-732AO 伺服器上搭載輝達的 Nova Orin 開發平台,打造倉儲系統的 AMR(Autonomous Mobile Robot) 自走車。這跟過去在倉儲系統中使用的自動導引車 AGV 技術不一樣,AMR 不需要事先規劃好路線,靠著感測器偵測,就能輕鬆避開障礙物,識別路線,並且將貨物載到指定地點存放。

當然,還有語言模型的應用。例如結合檢索增強生成 ( RAG ) 跟上下文學習 ( in-context learning ),除了可以做備忘錄跟排程規劃以外,還能將實務上碰到的問題記錄下來,等到之後碰到類似的問題時,就能詢問 AI 並得到解答。

你或許會問,那為什麼不直接使用 ChatGPT 就好了?其實,對許多企業來說,內部資料往往具有高度機密性與商業價值,有些場域甚至連手機都禁止員工帶入,自然無法將資料上傳雲端。對於重視資安,又希望運用 AI 提升效率的企業與工廠而言,自行部署大型語言模型(self-hosted LLM)才是理想選擇。而這樣的應用,並不需要龐大的設備。研華的 SKY-602E3 塔式 GPU 伺服器,體積僅如後背包大小,卻能輕鬆支援語言模型的運作,實現高效又安全的 AI 解決方案。

但問題也接著浮現:要在這麼小的設備上跑大型 AI 模型,會不會太吃資源?這正是目前 AI 領域最前沿、最火熱的研究方向之一:如何幫 AI 模型進行「科學瘦身」,又不減智慧。接下來,我們就來看看科學家是怎麼幫 AI 減重的。

-----廣告,請繼續往下閱讀-----

語言模型瘦身術之一:量化(Quantization)—用更精簡的數位方式來表示知識

當硬體資源有限,大模型卻越來越龐大,「幫模型減肥」就成了邊緣 AI 的重要課題。這其實跟圖片壓縮有點像:有些畫面細節我們肉眼根本看不出來,刪掉也不影響整體感覺,卻能大幅減少檔案大小。

模型量化的原理也是如此,只不過對象是模型裡面的參數。這些參數原先通常都是以「浮點數」表示,什麼是浮點數?其實就是你我都熟知的小數。舉例來說,圓周率是個無窮不循環小數,唸下去就會是3.141592653…但實際運算時,我們常常用 3.14 或甚至直接用 3,也能得到夠用的結果。降低模型參數中浮點數的精度就是這個意思! 

然而,量化並不是那麼容易的事情。而且實際上,降低精度多少還是會影響到模型表現的。因此在設計時,工程師會精密調整,確保效能在可接受範圍內,達成「瘦身不減智」的目標。

當硬體資源有限,大模型卻越來越龐大,「幫模型減肥」就成了邊緣 AI 的重要課題。/ 圖片來源:MotionArray

模型剪枝(Model Pruning)—基於重要性的結構精簡

建立一個 AI 模型,其實就是在搭建一整套類神經網路系統,並訓練類神經元中彼此關聯的參數。然而,在這麼多參數中,總會有一些參數明明佔了一個位置,卻對整體模型沒有貢獻。既然如此,不如果斷將這些「冗餘」移除。

這就像種植作物的時候,總會雜草叢生,但這些雜草並不是我們想要的作物,這時候我們就會動手清理雜草。在語言模型中也會有這樣的雜草存在,而動手去清理這些不需要的連結參數或神經元的技術,就稱為 AI 模型的模型剪枝(Model Pruning)。

-----廣告,請繼續往下閱讀-----

模型剪枝的效果,大概能把100變成70這樣的程度,說多也不是太多。雖然這樣的縮減對於提升效率已具幫助,但若我們要的是一個更小幾個數量級的模型,僅靠剪枝仍不足以應對。最後還是需要從源頭著手,採取更治本的方法:一開始就打造一個很小的模型,並讓它去學習大模型的知識。這項技術被稱為「知識蒸餾」,是目前 AI 模型壓縮領域中最具潛力的方法之一。

知識蒸餾(Knowledge Distillation)—讓小模型學習大師的「精髓」

想像一下,一位經驗豐富、見多識廣的老師傅,就是那個龐大而強悍的 AI 模型。現在,他要培養一位年輕學徒—小型 AI 模型。與其只是告訴小型模型正確答案,老師傅 (大模型) 會更直接傳授他做判斷時的「思考過程」跟「眉角」,例如「為什麼我會這樣想?」、「其他選項的可能性有多少?」。這樣一來,小小的學徒模型,用它有限的「腦容量」,也能學到老師傅的「智慧精髓」,表現就能大幅提升!這是一種很高級的訓練技巧,跟遷移學習有關。

舉個例子,當大型語言模型在收到「晚餐:鳳梨」這組輸入時,它下一個會接的詞語跟機率分別為「炒飯:50%,蝦球:30%,披薩:15%,汁:5%」。在知識蒸餾的過程中,它可以把這套機率表一起教給小語言模型,讓小語言模型不必透過自己訓練,也能輕鬆得到這個推理過程。如今,許多高效的小型語言模型正是透過這項技術訓練而成,讓我們得以在資源有限的邊緣設備上,也能部署愈來愈強大的小模型 AI。

但是!即使模型經過了這些科學方法的優化,變得比較「苗條」了,要真正在邊緣環境中處理如潮水般湧現的資料,並且高速、即時、穩定地運作,仍然需要一個夠強的「引擎」來驅動它們。也就是說,要把這些經過科學千錘百鍊、但依然需要大量計算的 AI 模型,真正放到邊緣的現場去發揮作用,就需要一個強大的「硬體平台」來承載。

-----廣告,請繼續往下閱讀-----

邊緣 AI 的強心臟:SKY-602E3 的三大關鍵

像研華的 SKY-602E3 塔式 GPU 伺服器,就是扮演「邊緣 AI 引擎」的關鍵角色!那麼,它到底厲害在哪?

一、核心算力
它最多可安裝 4 張雙寬度 GPU 顯示卡。為什麼 GPU 這麼重要?因為 GPU 的設計,天生就擅長做「平行計算」,這正好就是 AI 模型裡面那種海量數學運算最需要的!

你想想看,那麼多數據要同時處理,就像要請一大堆人同時算數學一樣,GPU 就是那個最有效率的工具人!而且,有多張 GPU,代表可以同時跑更多不同的 AI 任務,或者處理更大流量的數據。這是確保那些科學研究成果,在邊緣能真正「跑起來」、「跑得快」、而且「能同時做更多事」的物理基礎!

二、工程適應性——塔式設計。
邊緣環境通常不是那種恆溫恆濕的標準機房,有時是在工廠角落、辦公室一隅、或某個研究實驗室。這種塔式的機箱設計,體積相對緊湊,散熱空間也比較好(這對高功耗的 GPU 很重要!),部署起來比傳統機架式伺服器更有彈性。這就是把高性能計算,進行「工程化」,讓它能適應台灣多樣化的邊緣應用場景。

三、可靠性
SKY-602E3 用的是伺服器等級的主機板、ECC 糾錯記憶體、還有備援電源供應器等等。這些聽起來很硬的規格,背後代表的是嚴謹的工程可靠性設計。畢竟在邊緣現場,系統穩定壓倒一切!你總不希望 AI 分析跑到一半就掛掉吧?這些設計確保了部署在現場的 AI 系統,能夠長時間、穩定地運作,把實驗室裡的科學成果,可靠地轉化成實際的應用價值。

-----廣告,請繼續往下閱讀-----
研華的 SKY-602E3 塔式 GPU 伺服器,體積僅如後背包大小,卻能輕鬆支援語言模型的運作,實現高效又安全的 AI 解決方案。/ 圖片提供:研華科技

台灣製造 × 在地智慧:打造專屬的邊緣 AI 解決方案

研華科技攜手八維智能,能幫助企業或機構提供客製化的AI解決方案。他們的技術能力涵蓋了自然語言處理、電腦視覺、預測性大數據分析、全端軟體開發與部署,及AI軟硬體整合。

無論是大小型語言模型的微調、工業瑕疵檢測的模型訓練、大數據分析,還是其他 AI 相關的服務,都能交給研華與八維智能來協助完成。他們甚至提供 GPU 與伺服器的租借服務,讓企業在啟動 AI 專案前,大幅降低前期投入門檻,靈活又實用。

台灣有著獨特的產業結構,從精密製造、城市交通管理,到因應高齡化社會的智慧醫療與公共安全,都是邊緣 AI 的理想應用場域。更重要的是,這些情境中許多關鍵資訊都具有高度的「時效性」。像是產線上的一處異常、道路上的突發狀況、醫療設備的即刻警示,這些都需要分秒必爭的即時回應。

如果我們還需要將數據送上雲端分析、再等待回傳結果,往往已經錯失最佳反應時機。這也是為什麼邊緣 AI,不只是一項技術創新,更是一條把尖端 AI 科學落地、真正發揮產業生產力與社會價值的關鍵路徑。讓數據在生成的那一刻、在事件發生的現場,就能被有效的「理解」與「利用」,是將數據垃圾變成數據黃金的賢者之石!

👉 更多研華Edge AI解決方案
👉 立即申請Server租借

-----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

10
1

文字

分享

0
10
1
Omicron 變異株來歷假說:長期感染?悄悄演化?跨物種回傳?
寒波_96
・2021/12/07 ・2569字 ・閱讀時間約 5 分鐘

-----廣告,請繼續往下閱讀-----

COVID-19(武漢肺炎、新冠肺炎)感染人類兩年至今,最新局勢是一款新的 Omicron 變異株正在南非肆虐,根據初步資訊估計,它的傳染力強於前半年廣傳全球的 Delta 變異株,殺傷力則仍不清楚。它從何而來,目前有三種假說。

Omicron 現身,大量突變一次出現

SARS 二世冠狀病毒(SRAS-CoV-2),突變通常緩慢新增,少數品系卻曾在短期內累積大量突變,堪稱總加速師。其中影響最大,最有名的莫過於英國誕生的 Alpha、南非的 Beta、巴西的 Gamma,以及印度的 Delta。

世界衛生組織(WHO)以希臘字母命名一系列值得注意的病毒品系,在此之前已經用到 Mu,原本應該繼續使用 Nu,不過 WHO 直接跳過 Nu 和接下來的Xi,直接以 Omicron 命名最新款的總加速師,理由是 Xi 為常見姓氏。這只能怪 Mu 姓沒有人出人頭地,假如有成員當上中國領導人,WHO 就會替其避諱了。

原籍南非的 B.1.1.529 之所以獲得 Omicron 名號,一方面是它現蹤以後,存在感迅速增加,明顯超過同一時空下的 Delta。另一方面是它的基因組上存在許多變異,算是至今已知,改變幅度最大的變異株。

冠狀病毒以表面的 S 蛋白質(spike protein)接觸宿主細胞,之前 4 款總加速師的 S 蛋白質上都配備大量變異,有些對病毒有利。而 Omicron 出現更多突變,多處變異和之前的總加速師們重複,效果如何仍有待觀察。

-----廣告,請繼續往下閱讀-----
根據各型號病毒 S 蛋白質的 S1 部分建構的演化樹。和目前流行的型號相比,Omicron 的差異最大。圖/參考資料 1

躲在暗處悄悄演化?

病毒累積突變需要時間,但是所有已知樣本遺傳上都和 Omicron 差異不少,缺乏中間型號。

Omicron 從何而來?目前有三大假說:第一,它一直潛伏在被忽視的角落,最近才冒出來。第二,它是在某位長期感染的患者體內演化而成。第三,它之前跨物種感染動物,最近又跳回人類宿主。

兩年下來,我們掌握極大量的病毒定序樣本,對照之下可知,Omicron 和之前的總加速師都沒有直接關係,包括之前同樣在南非肆虐的 Beta。

Omicron 的祖先似乎能一直回溯到 2020 年的中段,而現在是 2021 年底,也就是說它的祖先在某個角落,默默地存在超過一年。

不過 Omicron 演化成如今的遺傳狀態,肯定沒有經過一年那麼久,初步估計大概不會早於 2021 年 9 月。意思是它誕生至今,只過了幾個月。

根據已知 Omicron 樣本間的遺傳差異,初步估計共同祖先的日期,介於 2021 年 9 月初 到 10 月初之間。圖/參考資料 3

有些專家認為,南非一直是疫情嚴重的地區,累積大量定序資料,以這兒取樣定序的密度,不太可能超過一年都沒有偵測到 Omicron 的前身。由此推論,它之前是在其他地區悄悄演化,如今傳到南非才被發現。

-----廣告,請繼續往下閱讀-----

長期感染加速突變?

然而,真的會那麼久都沒有被注意到嗎?

也有專家主張,南非新星 Omicron 的前身原本只是普通病毒(同期生可能都已經滅團),入侵某位免疫力低落的患者後,在人體內長期演化,漸漸累積新的突變,最近才脫穎而出。所以乍看之下突然獲得一大堆新突變,其餘地方卻不存在中間型號。

有人指出根據過去經驗,適合在一個人體內長期感染的突變效果,時常反而不利體外傳播(例如某些肺結核桿菌),因此懷疑長期感染的論點。但是 SARS 二世冠狀病毒的狀況,未必符合其他病原體的經驗。

事實上,上述兩個假說未必互斥。處於雷達之外默默生存一年,以及最近幾個月加速演化,無疑可以是先後發生的兩件事。Omicron 有可能是在南非某處醞釀,也可能是先在別的地方誕生,後來傳播到南非才脫穎而出。

初步估計南非疫區 Rt 數值,幾種方法都超過 2。圖/參考資料 3

第三個假說則主張,過去一年沒有見到 Omicron 的祖先,是因為它離開人類,改為在某種動物身上傳播;動物有別於人類,又因此衍生出一系列新突變,最近才回傳給人類。幾乎不清楚感染動物的病毒品系,這才沒有發現 Omicron 的前身。

我自己認為,人體長期感染後,醞釀出新品系的機會最大,動物總加速師的可能性不高。但是目前缺乏足夠證據,足以排除或證實某個假說。

-----廣告,請繼續往下閱讀-----

初步估算:Omicron 傳染力超過 Delta 兩倍

另一方面,目前不確定南非新星 Omicron 的傳染力如何。初步分析估計,前一段時間它在南非的 Rt(有效傳染數,一位感染者平均傳染給幾個人)超過 2,而同一脈絡下的 Delta 小於 1。倘若直接換算,南非新星的傳染力超過 Delta 兩倍。

不過南非的傳染狀況,未必和其他地方一樣。Omicron 的殺傷力多強,也需要更多資訊。隨著南非新星持續入侵世界各地,恐怕不久後我們就會知道結果。

延伸閱讀

參考資料

  1. Where did ‘weird’ Omicron come from?
  2. Trevor Bedford 11 月 30 日推特
  3. Trevor Bedford 12 月 2 日推特

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

-----廣告,請繼續往下閱讀-----
寒波_96
193 篇文章 ・ 1090 位粉絲
生命科學碩士、文學與電影愛好者、戳樂黨員,主要興趣為演化,希望把好東西介紹給大家。部落格《盲眼的尼安德塔石器匠》、同名粉絲團《盲眼的尼安德塔石器匠》。

2

7
0

文字

分享

2
7
0
COVID-19 起源迷思:不一定有中間宿主,和市場無關
寒波_96
・2021/04/13 ・2465字 ・閱讀時間約 5 分鐘 ・SR值 579 ・九年級

-----廣告,請繼續往下閱讀-----

COVID-19(武漢肺炎、新冠肺炎)從何而來,是重要的問題。世界衛生組織 WHO 派出特遣隊前往武漢調查,並在 2021 年 3 月底交出 300 頁的報告。

在我看來,這份報告沒有提供任何新的訊息,而且方向偏差嚴重,持續劃錯重點,竟然還獲得一些科學家的稱讚,可謂科學界的恥辱。

圖/取自 經濟學人

被調查的當事人說沒事,所以報告說沒事

導致武漢肺炎的病原體,SARS 二世冠狀病毒 (SARS-CoV-2) 如何產生,WHO 報告列出 4 種可能性:

  • 第一,「非常非常可能」:由動物保毒者(如蝙蝠)先傳染給中間宿主,再感染人類。
  • 第二,「有可能」:由動物保毒者(如蝙蝠)直接傳染給人類。
  • 第三,「可能」:被感染的動物死亡後,被冷凍保存,再傳染給接觸到的人類。
  • 第四,「極端非常不可能」:從實驗室外洩。

第四項「實驗室外洩」是怎樣排除的呢?就是 WHO 調查隊訪問了武漢病毒研究所的人員,看過他們提供的資料,發現查無外洩,於是宣佈查無外洩。

-----廣告,請繼續往下閱讀-----

第三項非常明顯是中國官方大力推銷的「冷鏈」,不過 WHO 顯然沒那個恥力背書。

我個人覺得機會最大的是第二項。WHO 調查隊認為第一項機率最高也許正確,但是根據已知資訊判斷,所謂的「中間宿主」也可能根本不存在。

也許有,也許根本沒有中間宿主

許多專家假設中間宿主存在,是因為他們認為 SARS 二世冠狀病毒的祖先以蝙蝠為天然宿主,不可能一步跳到智人,就適應得如此之好。更合理的過程是,蝙蝠先傳染給某種較為類似人類的動物,在這種動物身上發生突變,而獲得感染人類的能力。

病毒演化出感染人類的能力,是一系列試誤的過程:從無法感染人類的祖先病毒,演變為極為適應人類的 SARS 二世冠狀病毒。而公認的事實是,我們知道的 SARS 二世一開始就極為適應人類,勝過任何動物,智人就是最佳的天然宿主。

蝙蝠、駱駝、智人之間的跨物種 MERS 病毒傳播。圖/取自 Outbreak of Middle East Respiratory Syndrome-Coronavirus Causes High Fatality After Cardiac Operations

這兒所謂的「中間宿主」,就是讓病毒試誤的動物。這種「試誤的動物」能不能直接就是人類?當然可以!

-----廣告,請繼續往下閱讀-----

SARS 二世冠狀病毒的初期演化,可以分為兩大階段。第一階段是從對人類感染能力不佳的祖先冠狀病毒,經過一系列試誤,演變成以人類為最佳宿主。第二階段才是躍上舞台,成為震撼世界的武漢肺炎。

第一階段的試誤過程,可以在武漢,也可能在任何一個地方發生,不論雲南、廣東、柬埔寨,或是武漢病毒研究所都有機會。對人類感染能力不佳的祖先冠狀病毒,可以在某個地方持續嘗試感染人類,最終累積足夠的突變,成為我們所知道的那個殺手。

如果祖先冠狀病毒直接以人類為中間宿主,完成適應人類的過程,也就等於沒有中間宿主存在,當然是怎麼找都找不到了。堅持一定要找到某種作為中間宿主的動物,是偏執的想法。

當冠狀病毒獲得人傳人的能力,成為 SARS二世以後,仍不一定會造成大流行。假如它好不容易在某個偏鄉誕生,卻沒有接觸到更大的人群,傳播也許不久後就結束了。

不幸的是,SARS二世冠狀病毒出現在人口眾多、交通發達的武漢,又加上中國官僚的掩飾卸責,此後進入第二階段,大都會成為培養病毒的溫床,向全世界散播瘟疫的源頭。

-----廣告,請繼續往下閱讀-----
有政府,會做事!圖/取自 關鍵評論網

武漢的市場和病毒起源無關

公開可考的感染者紀錄,最先在 2019 年的 12 月初。引起許多關注的「武漢華南海鮮批發市場」,在瘟疫最初期出現多位病患,而且又販賣不少種動物,符合病毒跨物種從動物傳人的想像。此處卻明顯不是病毒的發源地。

最遲在 2020 年的 1 月底(中國官方獲得資料的日期更早),分析第一批患者的紀錄便可得知,市場並非最初的起源。由已知證據歸納,已知 SARS 二世冠狀病毒的共同祖先,能追溯到 2019 年 12 月的幾個月前,那時已經完成第一階段的試誤過程,準備進入第二階段。

市場只是疫情初期比較明顯,最早被公眾注意到的地點,和病毒起源沒有直接關係;它是初期的輸入端,而非輸出端。病毒在市場廣傳的同時,早已傳播到其他地方,甚至出國深造,於多處同時醞釀。

知道上述資訊超過一年後,WHO 組織的專家團卻依舊將市場列為調查重點,完全是缺乏專業,搞錯方向,浪費資源做虛工。一開始就踏上錯誤的方向,無法取得新的線索毫不意外。

-----廣告,請繼續往下閱讀-----

總之,在 SARS二世冠狀病毒的誕生過程中,中間宿主可能存在,但是不存在的可能性沒有比較低;WHO 報告認為極可能透過中間宿主傳播,不符合現有的證據。而 WHO 列為重點的武漢市場,絕對不是起源地。

延伸閱讀

參考資料

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

-----廣告,請繼續往下閱讀-----
所有討論 2
寒波_96
193 篇文章 ・ 1090 位粉絲
生命科學碩士、文學與電影愛好者、戳樂黨員,主要興趣為演化,希望把好東西介紹給大家。部落格《盲眼的尼安德塔石器匠》、同名粉絲團《盲眼的尼安德塔石器匠》。