0

0
0

文字

分享

0
0
0

用人工智慧描繪宇宙樣貌

臺北天文館_96
・2012/09/27 ・1357字 ・閱讀時間約 2 分鐘 ・SR值 566 ・九年級

-----廣告,請繼續往下閱讀-----

德國波茨坦市萊布尼茲天文物理研究所(Leibniz Institute for Astrophysics)Francisco Kitaura等人發展出一套人工智慧演算法(artificial intelligence algorithm),可精細地描繪和解釋我們周圍的宇宙結構和動態。

天文學家通常利用大型望遠鏡掃視天空,將他們偵測到的數十萬個星系按照它們的距離和座標會製成大尺度宇宙結構圖。但天文學家發現這些星系似乎形成複雜而龐大的「宇宙網(cosmic web)」,星系們彼此聚集成團,每團之間還有絲狀結構予以相連,而在其他地方則似乎是沒有星系存在的空洞區域。這種結構讓天文學家們相當疑惑,更遑論要去解釋這種結構形成的原因。

造成這種宇宙網大尺度結構的主要原因是重力。重力主要來自兩部分:第一部份是佔宇宙所有組成僅約5%的普通物質(normal’ matter),一般我們所見的恆星、星系、行星和氣體塵埃等「看得到」的部分都屬此類;第二部分則是佔宇宙所有組成23%、不可見的暗物質(dark matter)。至於剩下的72%是神秘的暗能量(dark energy)則是被視為可與重力抗衡、讓宇宙加速膨脹的最大力量來源。綜合上述三種組成了我們現今的宇宙,這是所謂的Lambda Cold Dark Matter(LCDM)宇宙模型,也是Kitaura等人研究據以為本的起點。

經由測量137億年前大霹靂(Big Bang)後的殘餘熱能,即所謂的宇宙微波背景輻射(Cosmic Microwave Background Radiation,CMB或CMBR),可以讓天文學家測定本地星系群(Local Group)的運動。本地星系群是由數十個星系彼此間因重力牽引而組成的集團,我們所在的銀河系和著名的仙女座星系(Andromeda Galaxy,M31)都屬於本地星系群之一。天文學家們嘗試盡量讓宇宙模型預測的本地星系群物質及其重力分佈狀態,能和真實測量到的本地星系群的運動方式相互吻合,但卻因無法測繪出暗物質的分佈,導致這項努力宣告失敗。這就像利用人造衛星要描繪歐洲大陸地圖,但使用的卻是夜間的觀測資料,只能看到比較明亮的燈光散佈其中的城市,無法真正歐洲大陸全貌。

-----廣告,請繼續往下閱讀-----

Kitaura等人為解決這個問題,發展了AI演算法,由CMBR模型中所見的宇宙密度微擾開始,模擬物質在130多億年間逐漸向內塌縮而形成現今所見星系的方式。AI演算最後的模擬成果與真實觀察所得的星系分佈和運動狀況相當接近。

Kitaura表示:經由AI演算的精密計算,顯示本地星系群各星系的運動方向和約有80%的速度,可以用方圓3億7000萬光年範圍內的物質所產生重力分佈來解釋。相較之下,本地星系群最大的星系—仙女座星系只有250萬光年遠,因此我們可以看見遙遠的物質分佈如何影響鄰近的星系。

此外,這個AI演算的結果也與LCDM模型相符。為了解釋剩下的20%的速度來源,必須考慮遠達4億6000萬光年範圍內的物質分佈,但目前對這個距離範圍的觀測資料掌握的還不算很好,因此可信度不若前述3億7000萬光年距離者。雖然還有待改善,不過Kitaura等人的AI演算方式已經幫助天文學家得以更精確地瞭解我們周遭的宇宙,並能進一步研究宇宙的大尺度結構究竟是如何形成的。

圖片說明:局部宇宙影像,每邊都相當於3億7000萬光年。紅圈標示2MRS巡天計畫觀測到的星系位置,這個巡天計畫總共測量了超過45000個星系的位置和距離。藍圈標則是星系隨機點,嵌入圖中以便將被銀河系富含氣體塵埃的盤面所遮蔽的「迴避帶(zone of avoidance’)」位置標示出來。而黑白明暗的背景則是Kitaura等人利用AI演算法模擬出的星系宇宙網。從此圖中可見實際觀測資料與A演算結果相當接近。Credit: Francisco Kitaura, Leibniz Institute for Astrophysics, Potsdam

-----廣告,請繼續往下閱讀-----

資料來源:Using artificial intelligence to chart the universe. Royal Astronomical Society [24 September 2012]

轉載自網路天文館

-----廣告,請繼續往下閱讀-----
文章難易度
臺北天文館_96
482 篇文章 ・ 44 位粉絲
臺北市立天文科學教育館是國內最大的天文社教機構,我們以推廣天文教育為職志,做為天文知識和大眾間的橋梁,期盼和大家一起分享天文的樂趣!

0

0
0

文字

分享

0
0
0
肺癌不只是抽菸惹禍!PM2.5、油煙、腸道菌失衡全都中,TW01 益生菌提升肺部保護力!
鳥苷三磷酸 (PanSci Promo)_96
・2025/05/07 ・2808字 ・閱讀時間約 5 分鐘

-----廣告,請繼續往下閱讀-----

本文與 江欣樺營養師 合作,泛科學企劃執行。

肺癌連四冠 成為台灣十大癌症之首的背後原因

根據衛福部國民健康署於 2024 年 12 月公布的最新數據,肺癌已穩居台灣十大癌症榜首。這不只是發生人數最高,更同時擁有死亡率最高、晚期發現比例最高、醫療費用最高等三項不名譽的紀錄,可說是名副其實的「癌症四冠王」。

肺癌不只是台灣十大癌症榜首,更同時是發生人數最高、死亡率最高、晚期發現比例最高、醫療費用最高的疾病。圖 / unsplash

肺癌新確診人數在過去十年中持續上升,尤其在 2022 年 7 月政府推動肺癌篩檢政策後,越來越多過去未被發現的病例被篩檢出來。這項針對高風險族群的篩檢措施,有助於提高早期發現的比例,但也凸顯出台灣肺癌潛藏病例數量之大。

過去,大腸直腸癌曾長期穩居癌症發生率第一位,如今退居第二位,仍值得高度關注。不過,肺癌的快速上升與普及化趨勢,則反映出不僅吸菸者受影響,越來越多不吸菸卻罹患肺癌的人也在增加,使得肺癌防治策略面臨新的挑戰。

-----廣告,請繼續往下閱讀-----

基因變異遇上空污 PM2.5:台灣肺癌高發生率的雙重危機

在肺癌逐年升溫的背後,科學家持續探究其背後的成因。其中,一篇刊登於《Cell》2020 年 7 月號的研究引起了國際關注。這項研究由中央研究院團隊主導,聯合臺灣大學、臺北醫學大學及臺中榮總等單位共同完成,發現一種名為「APOBEC 變異」的基因特徵,可能與臺灣女性罹患肺癌發生率偏高有關。該變異會影響細胞內 DNA 的穩定性,使其更容易累積損傷並進一步發展為癌症,這項研究也讓人們開始重新思考肺癌與遺傳體質之間的關聯性。

除了基因之外,環境因素依然是不可忽視的關鍵。2023 年 4 月《Nature》的一篇封面故事則指出,空氣污染對肺癌的影響,可能不是直接造成新的 DNA 突變,而是透過誘發「慢性發炎」的機制,促使原本已帶有變異的細胞被「喚醒」並增殖形成腫瘤。這如同將原本處於沉睡狀態的壞細胞,因長期的空氣污染刺激而被激活。

由此可見,預防癌症的策略或許不應僅著重於防止癌細胞的「產生」,更重要的是避免讓它們「活化」。這也代表預防策略的重點,正從過去單純的「避免基因突變」,轉向同時「減少發炎反應」。而導致這些發炎與突變的因素,其實仍然是我們熟悉的環境污染源,例如 PM2.5、香菸二手煙、油煙與室內空氣品質等。

值得注意的是,這種風險機制並不只侷限於肺癌。大腸直腸癌的發生同樣與基因變異及環境因子的交互作用密切相關,顯示癌症成因不再是單一來源,而是多層次、需整合多面向來防範的健康議題。

-----廣告,請繼續往下閱讀-----

遠離肺部發炎:從廚房油煙到腸道保健的肺癌預防關鍵

在空氣品質頻頻亮紅燈的臺灣,要保護肺部健康,關鍵就在於避開引發發炎反應的因子。國民健康署明確指出,「吸菸」仍是肺癌最主要的危險因子,佔所有患者的七至八成。然而,非吸菸者也絕不能掉以輕心,二手菸、交通廢氣、PM2.5 等空氣污染物,同樣是導致肺部慢性發炎的重要元凶。

肺癌元凶不只有吸菸,空污也是一大原因。圖 / unsplash

此外,有一項常被忽略卻與肺癌風險高度相關的危險因子,來自我們每天的廚房——烹飪油煙。國民健康署指出,臺灣女性長期暴露於烹飪油煙中,罹患肺癌的風險不容忽視,尤其是在長時間未使用抽油煙機的情況下。國民健康署指出,未使用抽油煙機的非吸菸女性,其肺癌風險竟比有使用者高出約8.3倍。這項數據提醒我們,日常看似平常的行為,可能正是健康風險的關鍵所在。

除了遠離風險因子,江欣樺營養師也提出,從「腸道」著手是提升免疫力、降低全身發炎反應的新方向。維持腸道健康不僅能調節整體免疫系統,更與肺部的發炎反應息息相關。以益生菌株 TW01 為例,研究指出它能有效抵達腸道內的免疫關鍵區域——貝爾斑(Peyer’s patch),調節 T 細胞中 TH1 與 TH2 的平衡,有助於緩解過度的免疫反應或過敏現象。

此外,TW01 菌株也能促進B細胞分泌 IgA 免疫球蛋白,強化腸道黏膜層的保護力,減少「腸漏」的發生,進而間接保護其他器官免受炎症的侵擾。更令人關注的是,該菌株亦在研究中展現抑制大腸癌細胞的潛力,對於目前台灣排名第二的大腸直腸癌,可能提供另一層預防上的助力。

-----廣告,請繼續往下閱讀-----
國民健康署指出,未使用抽油煙機的非吸菸女性,其肺癌風險竟比有使用者高出約8.3倍。圖 / shutterstock

TW01 益生菌對抗肺癌:從腸-肺軸線降低空污引發的肺損傷

腸道與肺部之間存在一條重要的生理連結,稱為「腸-肺軸線」。今年初發表於《Nutrients》期刊的一項臺灣研究指出,TW01 益生菌能透過腸-肺軸線機制,從腸道出發,間接守護我們的肺部健康。研究結果顯示,TW01 益生菌有三大關鍵作用:首先,有助於減輕空污 PM2.5 所造成的肺損傷;其次,可降低肺部發炎物質(如 TNF-α、IL-6、IL-10 等);第三,降低肺纖維化,主要透過調節 TGF-β1/Smad 信號傳導來達成。

其實,腸道與其他器官之間也存在類似的「軸線」關係,例如腸-腦軸線影響情緒與睡眠,腸-皮膚軸線與皮膚狀況密切相關。這些軸線代表著腸道菌叢的健康與代謝活動,很容易影響到其他器官。反過來,器官之間的影響同樣是雙向的——空污中的 PM2.5 不只損害肺部,也會擾亂腸道菌相,甚至引發「腸漏症」,讓體內毒素再次回到肺部,進一步惡化發炎反應。

預防肺癌、對抗 PM2.5,從 TW01 益生菌構築更健康的防線

面對癌症這個複雜的敵人,我們或許無法改變基因,但我們可以從每天的選擇中,建立更堅固的健康防線。越來越多研究顯示,身體各個器官並非獨立運作,而是彼此緊密串聯——肺與腸的關聯,正是一個明顯的例子。從腸道微生物的平衡,到肺部的免疫狀態,生活中的每一項小習慣,其實都可能悄悄影響著我們罹癌的風險。

空氣品質意識、健康飲食內容、規律運動習慣、定期健康檢查,這些看似平凡的日常行為,正是最切實且有效的預防行動。特別在台灣,肺癌與大腸癌長期高居發生率前兩名,更提醒我們——預防不能等到症狀出現才開始,而應該從日常做起。

-----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

1
0

文字

分享

0
1
0
數智驅動未來:從信任到執行,AI 為企業創新賦能
鳥苷三磷酸 (PanSci Promo)_96
・2025/01/13 ・4938字 ・閱讀時間約 10 分鐘

-----廣告,請繼續往下閱讀-----

本文由 鼎新數智 與 泛科學 共同規劃與製作

你有沒有想過,當 AI 根據病歷與 X 光片就能幫你診斷病症,或者決定是否批准貸款,甚至從無人機發射飛彈時,它的每一步「決策」是怎麼來的?如果我們不能知道 AI 的每一個想法步驟,對於那些 AI 輔助的診斷和判斷,要我們如何放心呢?

馬斯克與 OpenAI 的奧特曼鬧翻後,創立了新 AI 公司 xAI,並推出名為 Grok 的產品。他宣稱目標是以開源和可解釋性 AI 挑戰其他模型,而 xAI 另一個意思是 Explainable AI 也就是「可解釋性 AI」。

如今,AI 已滲透生活各處,而我們對待它的方式卻像求神問卜,缺乏科學精神。如何讓 AI 具備可解釋性,成為當前關鍵問題?

-----廣告,請繼續往下閱讀-----
AI 已滲透生活各處,而我們對待它的方式卻像求神問卜,缺乏科學精神。如何讓 AI 具備可解釋性,成為當前關鍵問題?圖/pexels

黑盒子模型背後的隱藏秘密

無法解釋的 AI 究竟會帶來多少問題?試想,現在許多銀行和貸款機構已經使用 AI 評估借貸申請者的信用風險,但這些模型往往如同黑箱操作。有人貸款被拒,卻完全不知原因,感覺就像被分手卻不告訴理由。更嚴重的是,AI 可能擅自根據你的住所位置或社會經濟背景給出負面評價,這些與信用風險真的相關嗎?這種不透明性只會讓弱勢群體更難融入金融體系,加劇貧富差距。這種不透明性,會讓原本就已經很難融入金融體系的弱勢群體,更加難以取得貸款,讓貧富差距越來越大,雪上加霜。

AI 不僅影響貸款,還可能影響司法公正性。美國部分法院自 2016 年起使用「替代性制裁犯罪矯正管理剖析軟體」 COMPAS 這款 AI 工具來協助量刑,試圖預測嫌犯再犯風險。然而,這些工具被發現對有色人種特別不友好,往往給出偏高的再犯風險評估,導致更重的刑罰和更嚴苛的保釋條件。更令人擔憂的是,這些決策缺乏透明度,AI 做出的決策根本沒法解釋,這讓嫌犯和律師無法查明問題根源,結果司法公正性就這麼被悄悄削弱了。

此外,AI 在醫療、社交媒體、自駕車等領域的應用,也充滿類似挑戰。例如,AI 協助診斷疾病,但若原因報告無法被解釋,醫生和患者又怎能放心?同樣地,社群媒體或是 YouTube 已經大量使用 AI 自動審查,以及智慧家居或工廠中的黑盒子問題,都像是一場越來越複雜的魔術秀——我們只看到結果,卻無法理解過程。這樣的情況下,對 AI 的信任感就成為了一個巨大的挑戰。

為什麼人類設計的 AI 工具,自己卻無法理解?

原因有二。首先,深度學習模型結構複雜,擁有數百萬參數,人類要追蹤每個輸入特徵如何影響最終決策結果,難度極高。例如,ChatGPT 中的 Transformer 模型,利用注意力機制(Attention Mechanism)根據不同詞之間的重要性進行特徵加權計算,因為機制本身涉及大量的矩陣運算和加權計算,這些數學操作使得整個模型更加抽象、不好理解。

-----廣告,請繼續往下閱讀-----

其次,深度學習模型會會從資料中學習某些「特徵」,你可以當作 AI 是用畫重點的方式在學習,人類劃重點目的是幫助我們加速理解。AI 的特徵雖然也能幫助 AI 學習,但這些特徵往往對人類來說過於抽象。例如在影像辨識中,人類習慣用眼睛、嘴巴的相對位置,或是手指數量等特徵來解讀一張圖。深度學習模型卻可能會學習到一些抽象的形狀或紋理特徵,而這些特徵難以用人類語言描述。

深度學習模型通常採用分佈式表示(Distributed Representation)來編碼特徵,意思是將一個特徵表示為一個高維向量,每個維度代表特徵的不同方面。假設你有一個特徵是「顏色」,在傳統的方式下,你可能用一個簡單的詞來表示這個特徵,例如「紅色」或「藍色」。但是在深度學習中,這個「顏色」特徵可能被表示為一個包含許多數字的高維向量,向量中的每個數字表示顏色的不同屬性,比如亮度、色調等多個數值。對 AI 而言,這是理解世界的方式,但對人類來說,卻如同墨跡測驗般難以解讀。

假設你有一個特徵是「顏色」,在傳統的方式下,你可能用一個簡單的詞來表示這個特徵,例如「紅色」或「藍色」。但是在深度學習中,這個「顏色」特徵可能被表示為一個包含許多數字的高維向量,向量中的每個數字表示顏色的不同屬性,比如亮度、色調等多個數值。圖/unsplash

試想,AI 協助診斷疾病時,若理由是基於醫生都無法理解的邏輯,患者即使獲得正確診斷,也會感到不安。畢竟,人們更相信能被理解的東西。

打開黑盒子:可解釋 AI 如何運作?我們要如何教育 AI?

首先,可以利用熱圖(heatmap)或注意力圖這類可視化技術,讓 AI 的「思維」有跡可循。這就像行銷中分析消費者的視線停留在哪裡,來推測他們的興趣一樣。在卷積神經網絡和 Diffusion Models 中 ,當 AI 判斷這張照片裡是「貓」還是「狗」時,我需要它向我們展示在哪些地方「盯得最緊」,像是耳朵的形狀還是毛色的分布。

-----廣告,請繼續往下閱讀-----

其次是局部解釋,LIME 和 SHAP 是兩個用來發展可解釋 AI 的局部解釋技術。

SHAP 的概念來自博弈,它將每個特徵看作「玩家」,而模型的預測結果則像「收益」。SHAP 會計算每個玩家對「收益」的貢獻,讓我們可以了解各個特徵如何影響最終結果。並且,SHAP 不僅能透過「局部解釋」了解單一個結果是怎麼來的,還能透過「全局解釋」理解模型整體的運作中,哪些特徵最重要。

以實際的情景來說,SHAP 可以讓 AI 診斷出你有某種疾病風險時,指出年齡、體重等各個特徵的影響。

LIME 的運作方式則有些不同,會針對單一個案建立一個簡單的模型,來近似原始複雜模型的行為,目的是為了快速了解「局部」範圍內的操作。比如當 AI 拒絕你的貸款申請時,LIME 可以解釋是「收入不穩定」還是「信用紀錄有問題」導致拒絕。這種解釋在 Transformer 和 NLP 應用中廣泛使用,一大優勢是靈活且計算速度快,適合臨時分析不同情境下的 AI 判斷。比方說在醫療場景,LIME 可以幫助醫生理解 AI 為何推薦某種治療方案,並說明幾個主要原因,這樣醫生不僅能更快做出決策,也能增加患者的信任感。

-----廣告,請繼續往下閱讀-----

第三是反事實解釋:如果改變一點點,會怎麼樣?

如果 AI 告訴你:「這家銀行不會貸款給你」,這時你可能會想知道:是收入不夠,還是年齡因素?這時你就可以問 AI:「如果我年輕五歲,或者多一份工作,結果會怎樣?」反事實解釋會模擬這些變化對結果的影響,讓我們可以了解模型究竟是如何「權衡利弊」。

最後則是模型內部特徵的重要性排序。這種方法能顯示哪些輸入特徵對最終結果影響最大,就像揭示一道菜中,哪些調味料是味道的關鍵。例如在金融風險預測中,模型可能指出「收入」影響了 40%,「消費習慣」占了 30%,「年齡」占了 20%。不過如果要應用在像是 Transformer 模型等複雜結構時,還需要搭配前面提到的 SHAP 或 LIME 以及可視化技術,才能達到更完整的解釋效果。

講到這裡,你可能會問:我們距離能完全信任 AI 還有多遠?又或者,我們真的應該完全相信它嗎?

-----廣告,請繼續往下閱讀-----

我們終究是想解決人與 AI 的信任問題

當未來你和 AI 同事深度共事,你自然希望它的決策與行動能讓你認可,幫你省心省力。因此,AI 既要「可解釋」,也要「能代理」。

當未來你和 AI 同事深度共事,你自然希望它的決策與行動能讓你認可,幫你省心省力。圖/unsplash

舉例來說,當一家公司要做一個看似「簡單」的決策時,背後的過程其實可能極為複雜。例如,快時尚品牌決定是否推出新一季服裝,不僅需要考慮過去的銷售數據,還得追蹤熱門設計趨勢、天氣預測,甚至觀察社群媒體上的流行話題。像是暖冬來臨,厚外套可能賣不動;或消費者是否因某位明星愛上一種顏色,這些細節都可能影響決策。

這些數據來自不同部門和來源,龐大的資料量與錯綜關聯使企業判斷變得困難。於是,企業常希望有個像經營大師的 AI 代理人,能吸收數據、快速分析,並在做決定時不僅給出答案,還能告訴你「為什麼要這麼做」。

傳統 AI 像個黑盒子,而可解釋 AI (XAI)則清楚解釋其判斷依據。例如,為什麼不建議推出厚外套?可能理由是:「根據天氣預測,今年暖冬概率 80%,過去三年數據顯示暖冬時厚外套銷量下降 20%。」這種透明解釋讓企業更信任 AI 的決策。

-----廣告,請繼續往下閱讀-----

但會解釋還不夠,AI 還需能真正執行。這時,就需要另一位「 AI 代理人」上場。想像這位 AI 代理人是一位「智慧產品經理」,大腦裝滿公司規則、條件與行動邏輯。當客戶要求變更產品設計時,這位產品經理不會手忙腳亂,而是按以下步驟行動:

  1. 檢查倉庫物料:庫存夠不夠?有沒有替代料可用?
  2. 評估交期影響:如果需要新物料,供應商多快能送到?
  3. 計算成本變化:用新料會不會超出成本預算?
  4. 做出最優判斷,並自動生成變更單、工單和採購單,通知各部門配合執行。

這位 AI 代理人不僅能自動處理每個環節,還會記錄每次決策結果,學習如何變得更高效。隨時間推移,這位「智慧產品經理」的判斷將更聰明、決策速度更快,幾乎不需人工干預。更重要的是,這些判斷是基於「以終為始」的原則,為企業成長目標(如 Q4 業績增長 10%)進行連續且動態地自我回饋,而非傳統系統僅月度檢核。

這兩位 AI 代理人的合作,讓企業決策流程不僅透明,還能自動執行。這正是數智驅動的核心,不僅依靠數據驅動決策,還要能解釋每一個選擇,並自動行動。這個過程可簡化為 SUPA,即「感知(Sensing)→ 理解(Understanding)→ 規劃(Planning)→ 行動(Acting)」的閉環流程,隨著數據的變化不斷進化。

偉勝乾燥工業為例,他們面臨高度客製化與訂單頻繁變更的挑戰。導入鼎新 METIS 平台後,偉勝成功將數智驅動融入業務與產品開發,專案準時率因此提升至 80%。他們更將烤箱技術與搬運機器人結合,開發出新形態智慧化設備,成功打入半導體產業,帶動業績大幅成長,創造下一個企業的增長曲線。

-----廣告,請繼續往下閱讀-----

值得一提的是,數智驅動不僅帶動業務增長,還讓員工擺脫繁瑣工作,讓工作更輕鬆高效。

數智驅動的成功不僅依賴技術,還要與企業的商業策略緊密結合。為了讓數智驅動真正發揮作用,企業首先要確保它服務於具體的業務需求,而不是為了技術而技術。

這種轉型需要有策略、文化和具體應用場景的支撐,才能讓數智驅動真正成為企業持續增長的動力。

還在猶豫數智驅動的威力?免費上手企業 AI 助理!👉 企業 AI 體驗
現在使用專屬邀請碼《 KP05 》註冊就享知:https://lihi.cc/EDUk4
訂閱泛科學獨家知識頻道,深入科技趨勢與議題內容。

👉立即免費加入

-----廣告,請繼續往下閱讀-----
鳥苷三磷酸 (PanSci Promo)_96
225 篇文章 ・ 313 位粉絲
充滿能量的泛科學品牌合作帳號!相關行銷合作請洽:contact@pansci.asia

0

2
1

文字

分享

0
2
1
AI 能像人類一樣思考?諾貝爾物理學獎研究助力人工智慧模擬人類大腦
PanSci_96
・2024/11/14 ・2117字 ・閱讀時間約 4 分鐘

-----廣告,請繼續往下閱讀-----

即使再怎麼模仿,AI 終究無法以與生物相同的方式思考吧?畢竟電腦的電子元件和我們大腦中的神經細胞結構截然不同。再怎麼模仿,AI 終究無法以與生物相同的方式思考吧?

錯,可以。

2024 年諾貝爾物理學獎跌破所有專家的眼鏡,頒給了兩位研究機器學習的科學家——約翰·霍普菲爾德(John Hopfield)和傑佛瑞·辛頓(Geoffrey Hinton)。他們以「人工」的方法打造了類神經網路,最終模擬出生物的「智慧」,奠定了當代深度學習的基礎。

為什麼解決人工智慧發展瓶頸的,竟然會是物理學?物理要怎麼讓 AI 更像人類?

-----廣告,請繼續往下閱讀-----
歡迎訂閱 Pansci Youtube 頻道 獲取更多深入淺出的科學知識!

從巴甫洛夫的狗到赫布理論:理解學習的基礎

為了解答這個疑問,我們需要一些背景知識。

20 世紀初,俄羅斯心理學家巴甫洛夫發現,狗在食物還沒入口前,就會開始分泌唾液。他進行了一系列實驗,改變食物出現前的環境,比如讓狗習慣在聽到鈴聲後馬上得到食物。久而久之,狗只要聽到鈴聲,就會開始分泌唾液。

大約 50 年後,神經科學家赫布(Donald Hebb)提出了一個假說:大腦中相近的神經元,因為經常同時放電,會產生更強的連結。這種解釋稱為「赫布理論」,不僅奠定了神經心理學的發展,更成為現代深度學習的基礎。

然而,赫布理論雖然描述了鄰近神經元的關係,卻無法解釋大腦如何建構出如此複雜的聯想網路。

-----廣告,請繼續往下閱讀-----

霍普菲爾德網路:物理學家對神經網路的貢獻

然而,赫布理論雖能描述神經元之間的關係,卻缺乏數學模型。物理學家約翰·霍普菲爾德從數學家約翰·康威(John Conway)的「生命遊戲」(Game of Life)中獲得靈感,試圖建立一個可以在電腦上運行的記憶系統。

霍普菲爾德受「生命遊戲」啟發,嘗試建立電腦記憶系統。圖/envato

「生命遊戲」由數學家康威(John Conway)發明,玩家開始時有一個棋盤,每個格子代表一個細胞,細胞可以是「活」或「死」的狀態。根據特定規則,細胞會根據鄰居的狀態決定下一次的生存狀態。康威的目的是展示複雜的系統不一定需要複雜的規則。

霍普菲爾德發現,這個遊戲與赫布理論有強大的關聯性。大腦中的大量神經元,在出生時處於初始狀態,經過刺激後,神經元間的連結會產生或斷裂,形成強大的記憶系統。他希望利用這些理論,創造一個能在電腦上運行的記憶系統。

然而,他面臨一個難題:赫布理論沒有明確的數學模型來決定神經元連結的規則。而在電腦上運行,必須要有明確的數學規則。

-----廣告,請繼續往下閱讀-----

物理學的啟發:易辛模型

霍普菲爾德從物理學的研究中找到了類似的模型:易辛模型(Ising Model)。這個模型用於解釋鐵磁性物質的磁性特性。

在鐵磁性物質中,電子具有「自旋」,自旋產生磁矩。電子的自旋方向只有「向上」或「向下」,這就像生命遊戲中細胞的「生」或「死」。鄰近的電子會影響彼此的自旋方向,類似於細胞之間的互動。

易辛模型能用數學描述電子間的相互影響,並通過計算系統能量,得出自旋狀態的分佈。霍普菲爾德借用了這個概念,將神經元的互動視為電子自旋的互動。

他結合了康威生命遊戲的時間演化概念、易辛模型的能量計算,以及赫布理論的動態連結,創造了「霍普菲爾德網路」。這讓電腦能夠模擬生物大腦的學習過程。

-----廣告,請繼續往下閱讀-----

突破瓶頸:辛頓與波茲曼機

約翰·霍普菲爾德於1982年發明聯想神經網路,即「霍普菲爾網路」。圖/wikimedia

然而,霍普菲爾德網路並非完美。它容易陷入「局部最小值」的問題,無法找到系統的全局最優解。為了解決這個問題,加拿大計算機科學家傑佛瑞·辛頓(Geoffrey Hinton)提出了「波茲曼機」(Boltzmann Machine)。

辛頓將「模擬退火」的概念引入神經網路,允許系統以一定的機率跳出局部最小值,尋找全局最優解。他還引入了「隱藏層」的概念,將神經元分為「可見層」和「隱藏層」,提高了網路的學習能力。

受限波茲曼機(Restricted Boltzmann Machine)進一步簡化了模型,成為深度學習的基礎結構之一。這些創新使得 AI 能夠更有效地模擬人類的思維和學習過程。

AI 的未來:跨學科的融合

霍普菲爾德和辛頓的工作,將物理學的概念成功應用於人工智慧。他們的研究不僅解決了 AI 發展的瓶頸,還奠定了深度學習的基礎,對現代 AI 技術產生了深遠的影響。因此,2024 年諾貝爾物理學獎頒給他們,並非意外,而是對他們在跨學科領域的重大貢獻的肯定。

-----廣告,請繼續往下閱讀-----

AI 的發展,離不開物理學、生物學、數學等多學科的融合。霍普菲爾德和辛頓的工作,正是這種融合的典範。未來,隨著科學技術的進步,我們有理由相信,AI 將越來越接近人類的思維方式,甚至可能超越我們的想像。

-----廣告,請繼續往下閱讀-----

討論功能關閉中。

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。