Loading [MathJax]/extensions/tex2jax.js

1

4
0

文字

分享

1
4
0

以「拾金不昧」測量公民誠信度?科學家在全球各國丟了上萬次錢包作實驗……

何如
・2020/03/20 ・3853字 ・閱讀時間約 8 分鐘 ・SR值 541 ・八年級

編按:去年六月,《科學》期刊上發表了一篇〈全球公民誠信度 (Civic honesty around the globe)〉的論文,當中的實驗和論點引起軒然大波,各界議論紛紛,也提出諸多看法和駁斥,到底是怎麼一回事呢?

實驗研究助理(粉色小人)會走進建築物裡,並接近櫃台的工作人員(藍色小人,隨機實驗對象),跟他搭話,並將實驗用的錢包(灰白色方形)放在櫃檯上並推給他,之後便直接離開,沒有留下任何資訊。

進行這項實驗的研究團隊在全球 40 個國家、355 座城市,做了共計 17,303 次「遺失錢包」的實驗,並為每一個錢包都建立獨立的電子信箱做為聯絡方式,記錄從「遺失錢包」的第一天起,一百天內收到的電子郵件,以「收到錢包的人是否會藉由資訊連絡以進行歸還」來當作實驗評估的指標。

實驗以透明名片盒做為錢包,藉此確保收到的人不需打開就可以看到裡面的模樣。內容物包含名片、雜貨清單和一把鑰匙,名片上以當地的語言寫著錢包所有者的姓名和電子信箱,以示意錢包所有者是當地居民。圖/論文補充資料

本實驗主要以錢包中「沒錢」和「有錢」為操作變因,來進行「通報歸還率」的比較,並將此結果作為論文中「公民誠信 (civic honesty)」的程度代表。

看到這裡,你可能已經發現,直接將「聯繫歸還的通報率」當成「公民誠信度」似乎不太精準,這便是引起爭議的其中一點。另外還有「各國使用電子信箱的比例不同」、「可能放到失物招領處了」、「風俗文化」等各界對實驗方式的駁斥與質疑。

-----廣告,請繼續往下閱讀-----

那麼先撇開這些爭議點,我們能透過這項實驗看到什麼呢?

在錢愈多時,錢包越可能被通報歸還?

從各國通報率的比較圖可以看到,絕大多數的國家在錢包「有錢」的狀況下通報率比較高,這個出人意料的結果,讓研究團隊懷疑起一個最基本的原因:

是錢不夠多嗎?(還不夠多到具有經濟意義上的重要性)

為了測試這樣的可能性,研究團隊在美國、英國、波蘭增加進行了「很多錢」的實驗組。然而如下圖所示,三個國家在「很多錢」的狀況下通報率都更高,總和三個國家的數據平均下來,通報率由低至高依序為「沒錢」的 46%、「有錢」的 61%,以及「很多錢」的 72%。

根據實驗設計,錢包「有錢 (Money)」的金額量為美金 13.45 元(約新台幣 407 元),「很多錢 (BigMoney)」的金額量則為美金 94.15 元(約新台幣 2848 元)或有錢狀況的七倍。圖/論文

錢愈多,反而通報率愈高,為什麼會這樣子?

對此研究團隊提出了三種解釋:

  1. 收到錢包的人擔心會因為「沒有歸還」而受到法律上的懲罰,錢愈多的時候愈是如此。
  2. 實驗僅以錢包的通報率作為評估指標,但收到的人可能私吞了裡面的金錢後才歸還
  3. 收到錢包的人希望能夠獲得報酬,並認為錢愈多報酬愈高。

然而在進行了解、調查之後,研究團隊對於以上三種解釋並沒有找到足夠充足的證據支持。

-----廣告,請繼續往下閱讀-----
嗯……讓我想想。圖/GIPHY

除了以上的可能性,還有別的因素可以解釋實驗結果嗎?

研究團隊重新檢視分析整個實驗的結構,認為實驗結果主要由四個因素相互影響:

  1. 留著錢包的經濟效益
  2. 聯絡失主所耗費的心力和時間
  3. 為了錢包失主的無私著想
  4. 自我意象的負面代價,也就是覺得自己像個小偷一樣,即「偷竊厭惡 (theft aversion)」

並由此列出了公式,同時進行一個簡單的行為模型測試,來對比原實驗數據。研究團隊認為,一個人(實驗對象)會依據上述四個因素,為了達到下列公式的最大值而做出「不歸還 (a = 0)」或「歸還 (a = 1)」的決定

max {(1-a)m + (m+v)-(1-a)γmac}.

a 為是否採取歸還錢包的行動,只有兩個數值:0 為不歸還,1 為歸還;m 為錢包裡的金額量;α 為「無私著想」的程度;v 為錢包裡除了錢以外的其他東西;γ 為「偷竊厭惡」的程度;c 為歸還錢包所耗費的心力。

-----廣告,請繼續往下閱讀-----

將此公式套入實驗後,研究團隊將收到錢包的人簡單分為以下四類:

  • A. 低無私著想、低偷竊厭惡的人(低 αγ ):
    只受到物質上自利 (self-interest) 的刺激,無論什麼情況下都不會歸還錢包
  • B. 高無私著想、高偷竊厭惡的人(高 αγ ):
    只要此二者大於歸還所花費的心力,無論什麼情況下都會歸還錢包
  • C. 高無私著想、低偷竊厭惡的人(高 αγ ):
    會在錢少的時候歸還錢包,但在足夠多錢時不會歸還
  • D. 低無私著想、高偷竊厭惡的人(低 αγ ):
    錢少的時候不會歸還,但在足夠多錢時會歸還錢包

這四種類型在所有收到的人當中的分布數量決定了「錢包通報歸還率」與「錢包裡的金額」本質上的關係。

A 區代表了第一種怎樣都不會歸還的人;B 區代表了第二種怎樣都會歸還的人;C 區代表了第三種僅在錢少時會歸還錢包的人;D 區代表了第四種僅在錢多時會歸還錢包的人。圖/論文補充資料

根據上圖可以歸納出:在「有錢」狀況下的通報率為 (B+D) / (A+B+C+D);在「沒錢」的狀況下通報率為 (B+C) / (A+B+C+D)。結合原實驗結果:「有錢」通報率較高,我們可以得知:D 區的人數比 C 區的人數更多。

也就是,高偷竊厭惡的人比高無私著想的人還多

那麼,「無私著想」和「偷竊厭惡」到底代表什麼呢?團隊做出以下解釋:「無私著想」會考量到錢包中「只對失主具有價值」的內容物,例如鑰匙;「偷竊厭惡」則只考量錢包中「對收到的人有價值」的內容物,例如錢。

為了區別此二因素對行為的影響程度,研究團隊設計了不同的實驗和調查。

-----廣告,請繼續往下閱讀-----
圖/GIPHY

首先,他們在英國、波蘭、美國另外進行了相同金額下,錢包中「有」和「沒有」鑰匙的實驗,就三國實驗的平均結果而言,「有鑰匙」的通報率比「沒鑰匙」的通報率高 9.2%。從這樣的結果推得:收到錢包的人之所以會歸還,有部分是基於對他人的「無私著想」,他們在乎若自己沒有通報,會對失主所造成的傷害。

而關於「偷竊厭惡」,同樣在英國、波蘭、美國進行了調查,請受訪者一一想像實驗過的四種狀況:「沒錢」、「有錢」、「有錢沒鑰匙」、「很多錢」,並評定各種狀況下「若沒有歸還錢包,會讓自己感覺像在偷竊一樣」的程度,從 0 到 10,數字愈高表示程度愈重。

據受訪者們的調查資料顯示,在錢包中「很多錢」的狀況下沒有歸還,最讓人感覺像在偷竊,其次則為「有錢」,最後才是「沒錢」。這便代表著:因為沒有歸還錢包而付出的自我意象負面代價(即偷竊厭惡),會隨著金額升高而增加,此調查結果亦與之前實驗通報率的行為資料一致。

然而,對比「有錢」與「有錢、沒鑰匙」的調查結果,卻未觀察到偷竊厭惡程度上的確切差異,這可能表示了「偷竊厭惡」這樣的想法,與「只對失主有價值的內容物」無關。

-----廣告,請繼續往下閱讀-----

儘管調查的反應結果不能完全概論真實行為與動機,不過這些結果的確和研究團隊的假說一致:

「由不誠所得到的金錢效益愈大,跟心理上負面代價的增加有關」

甚至在取捨時,「避免心理上負面代價的增加」比「透過不誠行為得到微量的經濟獲益」來得更為重要。

我們會不知不覺誇大他人的「自私自利」?

在研究的最後,團隊找來一般民眾與經濟學家,讓他們預測實驗結果。以美國的實驗數據為預測目標,一般民眾認為「沒錢」的通報率最高,「有錢」次之,「很多錢」最低;經濟學者則預測「沒錢」跟「有錢」的通報率都較高,「很多錢」的通報率較低。

圖 A 為美國各個狀況下的實際通報率;圖 B 為 299 位民眾預測各個狀況下通報率的平均;圖 C 為 279 位經濟學家預測各個狀況下通報率的平均。圖/論文

然而不論是大眾或專家,預測都跟實際情形有明顯的差異,這也帶給研究團隊另一啟發 ── 這其實反映了「誇大自利作用」的人類行為心智模型:

-----廣告,請繼續往下閱讀-----

當錢越多,大家越會預期「自利心態」增加、對失主的「無私著想」逐漸消失,並認為「偷竊厭惡」對通報率造成的影響很小。

圖/GIPHY

最後,團隊還從實驗結果發現一件事:儘管已盡量客觀地進行實驗,仍能看出「各國」歸還錢包的比率,其間的差距相當可觀,範圍從 14% 分布到 76%。就算將國家 GDP 也考量到實驗設計中(依 GDP 調整錢包金額),這樣的差異還是普遍存在。

各個國家聯繫歸還錢包的通報率。紅點為在「有錢」狀況下的通報率,橘點為「沒錢」狀況下的通報率。圖/原論文資料

如此結果在某種程度上也顯示出,除了國家財力,還存在著其他因素影響了通報率,同時,理論模型也需要考量除了無私著想和偷竊厭惡之外,其他可能影響的動機再進行修正。

對此研究團隊分析,對經濟上有利的地理條件,包括政治制度 (political institution)、國民教育 (national education)、強調「道德規範超越個人的內團體 (in-group)1」的文化價值等等,也同樣與公民誠信度具有正向相關 (positively associated)。期許未來的研究能夠更進一步分辨這些「其他因素」究竟如何促成人們行為上的社會差異 (societal differences)。

註解:

  1. 內團體 (in-group):指具共同利益關係,成員間彼此具有歸屬感,並且密切結合的社會群體,類似小圈子或自己人的概念。

資料來源:

-----廣告,請繼續往下閱讀-----
文章難易度
所有討論 1
何如
12 篇文章 ・ 1 位粉絲
「因為人因思想而獨特,但不說出來就什麼都不是。」 —為自己的冗言話多辯解的小菜鳥。

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

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。

2

4
2

文字

分享

2
4
2
2022 年《Science》年度十大科學突破(上):持續進化的 AI 與韋伯太空望遠鏡
PanSci_96
・2022/12/30 ・3733字 ・閱讀時間約 7 分鐘

回顧 2022 年,有沒有讓你印象特別深刻的科學新聞呢?約莫兩星期前,《Science》雜誌公布了今年的十大科學突破,從農業到藝術、從細菌到宇宙、從百萬年前的生態到人類的未來,每一項突破都和我們的日常生活息息相關。

好啦,廢話不多說,現在就來揭曉答案吧!

十大突破之首——遙望宇宙的韋伯太空望遠鏡

今年,韋伯太空望遠鏡(JWST)帶來的震撼,相信你我都印象深刻。

韋伯發布的第一批照片拍到了 SMACS 0723 星系團。圖/Science

早在 1990 年,哈伯太空望遠鏡發射升空後,科學家就開始規劃下一步。他們不只想看見更遙遠的宇宙,也想透過不同的波長,分析地外生命存在的可能性。

-----廣告,請繼續往下閱讀-----

哈伯望遠鏡的觀測波段以可見光為主。確實,紫外線和可見光波長最有利於觀測誕生不久的新星,但隨著數十億年過去,這些新星發出的光,穿過不斷膨脹的宇宙,來到地球,被拉伸到更長的紅外線波長後,哈伯就沒輒了⋯⋯

韋伯望遠鏡可以清楚看見狼蛛星雲的塵埃、氣體雲和碳氫化合物。圖/Science

那麼,要怎麼看見更遙遠的宇宙呢?去年底,歷時 20 年建造、造價 100 億美元的「韋伯太空望遠鏡」順利升空,開啟 150 萬公里的長征。韋伯搭載的科學儀器可以觀測紅外線波段,包括來自宇宙第一批恆星和星系發出的光。

韋伯利用四種不同的紅外線波段觀測系外行星 HIP 65426 b。圖/Science

今年 6 月底,韋伯開始收集數據,三星期後就傳回了第一批深空照片,讓科學家看見了更遙遠、更古老的新星系,徹底改寫我們對宇宙的認識。對於天文學界來說,這是一個充滿奇蹟的時代,韋伯望遠鏡也因此榮登 2022 年最重要的科學突破。

2022 年十大科學突破之首:韋伯太空望遠鏡。影/Science

研發多年生水稻 PR23,減輕農民耕作負擔

盤點世界上最主要的糧食作物,水稻肯定有一席之地!現今,大部分水稻都是一年二至三穫,每年收穫後都得重新種植,對農民來說是非常耗時、費力的工作。

-----廣告,請繼續往下閱讀-----

今年 11 月,中國雲南大學農學院的研究團隊在《Nature Sustainability》發表他們十餘年來嘔心瀝血的研究成果——多年生水稻「PR23」。這是長雄野生稻和 RD23 栽培稻的雜交種,不但可以達到和傳統水稻相仿的產量,還可以省下農民的大把時間、精力與成本。

PR23 第一年的稻作成本與傳統水稻差不多,但從第二年開始,農民就可以跳過育秧、犁田、移栽幼苗的步驟,降低約 50% 的人力成本,到了第五年才需要重新種植。

在中國,PR23 的種植面積超過了 15,000 公頃,平均產量則是每公頃 6.8 噸,略高於傳統水稻。根據非洲和東南亞的試驗數據,PR23 還可以改善土壤結構、增加有機質含量、減少梯田和高地的水土流失。

與此同時,科學家也正在觀察兩個潛在問題:一、雜草和病原體是否會積累在田地中,導致 PR23 需要更多除草劑,二、是否會排放更多的一氧化二氮,加劇溫室效應。但目前不可否認的是,多年生水稻有助於降低成本、提高收益,確實是一項重要的突破。

-----廣告,請繼續往下閱讀-----
有了多年生水稻,農民每年都能省下好幾週的工作量。圖/Science

誰說 AI 沒創意?AI 的創造力可是超乎想像呢!

說到 AI,有沒有讓你想起去年的十大科學突破呢?沒錯,去年的十大突破之首就是預測蛋白質 3D 結構的 DeepMind 團隊,而在今年,他們著手設計全新的蛋白質,用來開發疫苗、建築材料和奈米機器。

與此同時,DeepMind 發布了 AlphaTensor,用來找出更有效率的矩陣乘法演算法。高中就學過的矩陣是代數中最簡單的運算之一,可以用來壓縮網路資料、辨識語音指令、模擬與預測天氣、生成電腦遊戲圖形等。

另外,DeepMind 還發布了可以自主編寫程式、解決問題的 AlphaCode。在程式解題競賽網站 Codeforces 定期舉辦的比賽中,AlphaCode 甚至打敗了過半的參賽者,取得排名前 54% 的成績,跌破創辦人的眼鏡。

除了科學、數學、程式設計之外,AI 在藝術領域更是大放異彩。

繼 OpenAI 去年發布繪圖軟體 DALL-E 後,今年 4 月發布了進化版的 DALL-E 2,只要輸入幾個字詞,AI 模型就能自動生成圖像。在 9 月,有一位藝術家利用類似的 AI 繪圖工具 Midjourney 奪下美國科羅拉多州博覽會首獎。

-----廣告,請繼續往下閱讀-----

此舉在藝術界掀起一股旋風,卻也引來了哲學辯論和道德抨擊,但毫無疑問的是,人類可以借助逐年進化的 AI 拓展創造力,開發出更多、更好的工具。

使用 Midjourney 創作的科羅拉多州博覽會首獎作品。圖/Science

超級華麗的大~大~大細菌!

在你的印象中,細菌是不是都很小、不用顯微鏡就看不見呢?今年 2 月,科學家在法屬西印度群島發現一種肉眼可見的巨無霸細菌——華麗硫珠菌(Thiomargarita magnifica),震驚了生物學界。

一般來說,細菌沒有細胞核和膜狀胞器,遺傳物質都在細胞中自由漂浮,但華麗硫珠菌真的很華麗,不只可以長到 2 公分,比多數細菌大上 5000 倍,而且還有隔間可以容納 1200 萬個基因組——這大概是多數細菌基因總量的 3 倍。

身為一種不應該有膜的原核生物,華麗硫珠菌的結構或許即將改寫原核生物和真核生物的定義,甚至有機會成為一塊拼圖,補足細胞進化過程中缺失的環節。

-----廣告,請繼續往下閱讀-----
華麗硫珠菌挑戰了「細菌」的傳統定義。圖/Science

開發新疫苗,呼吸道合胞病毒治療現曙光

在這 COVID-19 肆虐之年,美國感染呼吸道合胞病毒(RSV)的病例數也急遽上升。呼吸道合胞病毒傳染性極強,通常只會引起類似感冒的輕微症狀,但在嬰幼兒身上,這種病毒會使肺部發炎,而在老年人身上,會使既有的心肺疾病惡化。

早在 50 多年前,就有科學家試圖開發呼吸道合胞病毒的疫苗,但在臨床試驗導致 80% 的接種者住院、2 名兒童死亡後,開發就此中斷。後來,科學家發現敗筆在於這種殺死病毒後製成的「滅活疫苗」所引發的抗體較弱,不只殺不掉活生生的病毒,還能反過來幫助病毒破壞氣管。

如今,莫爾豪斯醫學院(Morehouse School of Medicine)開發了能夠引發強效抗體的新疫苗。在輝瑞(Pfizer)和葛蘭素史克藥廠(GSK)進行臨床試驗後,證實這兩種新疫苗可以保護嬰兒和老年人,不會引起嚴重副作用,而在孕婦注射後,也能將抗體傳給胎兒。

雖然過往的失敗讓開發團隊心存疑慮,但目前沒有任何數據顯示疫苗不安全,其中幾種候選疫苗也可能將在明年獲得監管機構批准上市。

-----廣告,請繼續往下閱讀-----
RSV 疫苗證實能有效保護易受感染的嬰幼兒和老年人。圖/Science

好啦~這篇到這裡,先介紹前五項突破就好!因為《Science》今年提供的內容實在是太精彩了,為了避免讀者一次閱讀太多字很累,只好拆成上下兩篇⋯⋯看完這篇後,如果你好奇另外五項突破是何方神聖,就來看第二篇吧!

接續下篇:2022 年《Science》年度十大科學突破(下):EBV 病毒與發燒的地球

-----廣告,請繼續往下閱讀-----
所有討論 2

1

17
13

文字

分享

1
17
13
2021 年《Science》年度十大科學突破
PanSci_96
・2021/12/29 ・5289字 ・閱讀時間約 11 分鐘

轉眼就來到 2021 年的尾聲。今年,《Science》雜誌評選的「年度十大科學突破」橫跨眾多領域,包括 AI、天文、物理、生物、醫學,以及備受矚目的能源議題,趕快來看看究竟是哪十項突破吧!

十大突破之首——利用 AI 預測蛋白質結構

AI 預測兩種蛋白質如何在酵母菌中形成參與修復 DNA 的複合物。圖/SCIENCE

蛋白質是組成生物體不可或缺的分子。在 1950 年代,科學家透過分析 X 射線繪製蛋白質結構。然而,既有的方法在繪製成本上過於高昂,往往得耗費數年時間,因此在 1970 年代,科學家開始運用計算機建模,預測蛋白質的折疊方式。直到 2018 年,Google 旗下的 DeepMind 團隊開發了 AI 軟體「阿爾法摺疊」(AlphaFold),使得該領域研究取得突破性進展。

多虧這項 AI 技術,科學家得以精準、快速、大量繪製蛋白質結構。今年 7 月,DeepMind 團隊宣布他們成功分析了 350,000 種人體蛋白質,佔所有已知人體蛋白質的 44%,更預計在明年發布所有已知物種的蛋白質結構,約莫 1 億個。團隊也正在進行更進一步的研究,預測這些蛋白質如何在生物體內相互作用,用來製作新型抗病毒藥物。

在這 COVID-19 肆虐的大疫之年,科學家更利用阿爾法摺疊模擬 Omicron 變種病毒,研究棘蛋白突變帶來的影響,試圖找出中和抗體失效的原因。AI 預測蛋白質結構的技術不僅徹底革新分子生物學領域,也勢必在醫學領域大放異彩!

探勘古代洞穴,解鎖 DNA 寶庫

在墨西哥 Chiquihuite 洞穴記錄沉積物樣本的研究員。圖/SCIENCE

誰說沒有化石就不能研究古生物?科學家今年踏足古代洞穴,採集土壤裡的人類細胞核 DNA,藉此重建古代生態系,釐清世界各地穴居人的身份。在美國,Satsurblia 洞穴存有尼安德塔人未知譜系的女性 DNA;在西班牙,Estatuas 洞穴中的土壤 DNA 揭露 8 萬至 11.3 萬年前人類的遺傳特徵,證實在 10 萬年前的冰河時期結束後,某個尼安德塔人譜系取代了其他眾多人類譜系。

-----廣告,請繼續往下閱讀-----

除了人類以外,這種研究方法還可以運用在其他生物上,比如在墨西哥 Chiquihuite 洞穴中,有研究員採集到 1.2 萬年前的黑熊 DNA。與現代熊 DNA 比對後,科學家發現黑熊在上個冰河時期結束後,向北遷徙到阿拉斯加。

「核融合反應」的歷史性突破

192 道雷射光聚在微小的燃料芯塊周圍,準備進行融合反應。圖/SCIENCE

太陽之所以能發光發熱,供給地球能量,都要歸功於太陽內部不斷進行著的核融合反應。長期以來,科學家為了解決地球能源不足的問題,不斷嘗試人工進行核融合反應,可是要達到足夠產生融合反應的壓力和溫度非常困難(請參考:融合能量增益因子/維基百科)。今年,美國國家點火設施(NIF)運用 1.9 兆焦耳的雷射脈衝,壓縮胡椒粒大小的氘(氫的同位素),產出 1.35 兆焦耳的能量,遠高於先前實驗獲得的 17 萬焦耳。

目前,NIF 仍持續進行實驗,試圖藉由更換燃料或調整雷射脈衝數值來提高能量產出,找出能夠最大化能量轉換比例的組合。未來,或許融合反應能夠成為供給地球能源的主流方法!

COVID-19 口服藥「莫納皮拉韋」問世

默克藥廠研發的 COVID-19 口服藥「莫納皮拉韋」。圖/SCIENCE

COVID-19 口服藥終於問世啦!今年秋季,美國默克(Merck)藥廠發布數據,證明其研發的 COVID-19 口服藥「莫納皮拉韋」(Molnupiravir)可將未接種疫苗者的重症和死亡率降低 30%;如果在出現症狀的 3 日內服用輝瑞開發的口服藥 PF-07321332,則可降低 89% 住院率。

-----廣告,請繼續往下閱讀-----

雖然口服藥無法取代疫苗接種,卻扮演非常關鍵的角色。若是 Omicron 變異株造成大量突破性感染,或許口服藥就能接棒,防堵病毒擴散。

創傷後壓力症候群的新興療法——搖頭丸

正在進行 MDMA 治療的創傷後壓力症候群患者。圖/SCIENCE

什麼?搖頭丸還能治病?沒錯!這份發表在《Nature Medicine》的研究證實搖頭丸的主要成分「3,4-亞甲基二氧基甲基苯丙胺」(MDMA)可以減輕創傷後壓力症候群(PTSD)患者的症狀,而且效果十分顯著。該研究將 76 名受試者分成 MDMA 組和安慰劑組,接受 3 次療程,發現 MDMA 組有 67% 的病患試後不再符合 PTSD 的診斷標準,而安慰劑組僅有 32%。

可是這項結果也引起了對於雙盲實驗的質疑,因為試後有高達 90% 的受試者表示他們其實知道自己的組別,這可能大幅影響症狀改善的機率。目前正在進行更大型的實驗,若實驗結果確定 MDMA 能治療 PTSD,預計將在 2023 年提交美國食品藥物管理局(FDA)批准上市。

開發單株抗體,對抗各類傳染性疾病

單株抗體(紅色和藍色)對抗 COVID-19 病毒(紫色球狀物)假想圖。圖/SCIENCE

單株抗體(mAb,簡稱單抗)是融合腫瘤細胞與免疫細胞製造而成的人工抗體,不但有腫瘤細胞不斷分裂的能力,也有免疫細胞產生抗體的能力——簡單來說,單抗可以大量製造相同的抗體,更有效地打擊病毒。除了往年的伊波拉病毒、炭疽病、狂犬病單抗以外,今年也順利合成了瘧疾、愛滋病和呼吸道合胞病毒(RSV)的單抗。目前,科學家正在積極開發更多種類的單抗,首要目標是打擊流感、茲卡病毒和巨細胞病毒(CMV),使得這項新技術有望成為打擊傳染病的「標配」。

-----廣告,請繼續往下閱讀-----

「洞察號」揭密火星內部結構

地震波顯示火星有一層薄薄的地殼、地函和液態核心。圖/SCIENCE

自 2018 年「洞察號」(InSight)登陸火星至今,科學家蒐集 35 筆地震數據,藉以估計火星的地殼厚度、地函結構和地核大小。今年的數據分析結果出爐後,發現這顆紅色行星的平均地殼厚度不到 40 公里,地函非常淺,而且只有一層(不像地球有上、下兩層地函),地核特別巨大,佔了火星體積一半,主要組成元素是低密度的液態鐵和液態鎳,以及硫、氧、碳和氫等較輕元素。這是人類首次使用地震數據探測其他行星的內部結構,也是探索神秘火星的一大步。

改寫粒子物理學模型的繆子實驗

繆子在美國費米實驗室的磁場中旋轉。圖/SCIENCE

在 1960 年代,粒子物理學家提出理論解釋強核力、弱核力和電磁力,這三種理論被稱為標準模型。然而,科學家今年發現「繆子」(Muon)——一種比電子更重、更不穩定的粒子——其實際測得的 g 值(自旋角動量與磁性大小之間的關係)比標準模型所預測的還要大,且兩者的誤差範圍沒有交集。

目前,眾多科學家正在美國費米實驗室(FNAL)進一步分析實驗數據。假如繆子實驗沒有任何閃失,這樣的結果將撼動物理學界,徹底改寫擁有 50 年歷史的標準模型。

CRISPR 基因編輯——確實能在體內發揮療效!

RNA(藍色)將 DNA 切割酶(白色)引導至目標(橙色)。圖/SCIENCE

去年,科學家運用 CRISPR 基因編輯技術,在實驗室修改造血幹細胞,治癒鐮刀型貧血和乙型(β 型)地中海貧血。今年,科學家更大膽了,直接在人體內部署 CRISPR!研究結果顯示,這種基因編輯技術可以有效減少一種有毒的肝臟蛋白質數量,甚至改善遺傳性失明患者的視力,讓兩名幾乎完全失明的患者能夠感覺到光線,並且在昏暗的光線下避開障礙物。

-----廣告,請繼續往下閱讀-----

體外胚胎培養——研究生命體早期發育歷程

在罐中成長的小鼠胚胎可以幫助科學家更了解人類發育的早期階段。圖/SCIENCE

透過研究胚胎,科學家得以找出先天性缺陷和流產的原因,但礙於倫理學和法律規範,目前對於體外胚胎培養的了解並不多。今年,有團隊利用誘導性多能幹細胞(Induced pluripotent stem cell,簡稱 iPS 細胞)成功複製人類的囊胚(受精後準備孵化及著床的胚胎),另外有團隊發現皮膚細胞經 iPS 細胞誘導、轉化後,也可以產生類似囊胚的結構,作為體外胚胎實驗的替代品。

除了十大科學突破以外……

《SCIENCE》今年也特別列出三項影響科學發展的重大阻礙,包括難解的氣候議題、備受爭議的癌症新藥,以及在疫情之下遭受猛烈砲火抨擊的科學家。

越來越熱!減碳目標恐難以達成

這座位於德國博克斯貝格(Boxberg)的燃煤電廠預計 2038 年才會關閉。圖/SCIENCE

自從工業革命以來,全球氣溫升幅達到了 1.2°C,近年極端氣候事件更是層出不窮。對此,今年的聯合國氣候變遷大會(COP26)達成多項協議,包括將全球氣溫升幅限制在 1.5°C 以內、確立碳交易市場架構,以及減少碳排放量。然而,全球經濟現在依然大幅仰賴化石燃料,況且聯合國協議不具約束力,是否能達成減碳目標,必須取決於各國政策制訂。

充滿爭議的阿茲海默症新藥「Aduhelm」

正子斷層掃描(PET)顯示 Aduhelm 能有效清除 β 類澱粉蛋白斑塊。圖/SCIENCE

美國食品藥物管理局(FDA)近 20 年來首次核准阿茲海默症藥物,即百健(Biogen)藥廠開發的 Aduhelm。經臨床實驗證實,這種藥物能清除異常堆積在患者腦內的「β 類澱粉蛋白斑塊」,也就是失智症發病和惡化的原因。照理說,這是患者和家屬期盼以久的好消息,卻被不少大型醫院和醫學中心拒絕採用,因為在兩項大型臨床實驗中,只有一項實驗證明其改善認知功能的療效勝過安慰劑,卻沒有證據顯示 Aduhelm 有顯著的改善效果。

當疫情碰上政治形態——夾縫中求生存的科學家

比利時病毒學家範蘭斯特(Marc Van Ranst)收到來自極右派狙擊手柯寧斯(Jürgen Conings)的死亡威脅後躲避自保。圖/SCIENCE

長期以來,科學家遭受攻擊的事件層出不窮,但在今年,對於 COVID-19 的政治分歧引發大眾對科學家前所未有的敵意,包括各種形式的恐嚇、抗議和死亡威脅。遭受威脅的有美國首席防疫專家佛奇(Anthony Fauci)、英國首席醫療官惠提(Chris Whitty),以及世界各地的學者和防疫工作者。

-----廣告,請繼續往下閱讀-----

《Nature》訪問 321 名研究人員,發現有超過 50% 的人信譽受到攻擊,15% 的人收到死亡威脅,甚至有許多人從此辭去他們熱愛的研究工作。

-----廣告,請繼續往下閱讀-----
所有討論 1
PanSci_96
1262 篇文章 ・ 2411 位粉絲
PanSci的編輯部帳號,會發自產內容跟各種消息喔。