1

6
0

文字

分享

1
6
0

智慧城市讓高科技超方便生活不再是夢!——專訪中興資管系助理教授洪智傑

科技大觀園_96
・2021/05/12 ・4097字 ・閱讀時間約 8 分鐘 ・SR值 540 ・八年級

-----廣告,請繼續往下閱讀-----

你有聽過「智慧城市」嗎?那是一個科技與生活交織的世界。

隨著通訊技術、電腦科技的進步,5G 網路、人工智慧、物聯網逐漸融入生活的每一個角落,智慧城市將資訊科技、城市建設結合在一起,讓市民的生活更加方便、更有品質,時至今日,智慧城市的概念已經成為世界各國建設城市、提升城市競爭力的重要指標!

為此,科技大觀園特別採訪了來自中興大學資訊管理學系的洪智傑助理教授,請他與我們分享智慧城市的概念,開啟我們對於未來科技生活的無限想像!

要怎麼做,才可以讓城市變得更「智慧」?

對於資料科學家來說,「智慧城市」到底是什麼?洪智傑表示,其實每個人對於智慧城市的定義與要求都不一樣,有的人注重蒐集更多、更好的資料,有的人則擅長在生活中找到需要解決的問題,並從現有的資料中找的解答或是解決方式。

你能想像嗎?未來你看到的每一支路燈,可能都不僅僅是路燈而已,這些「智慧燈桿」不但可以照明,同時也扮演了小氣象站、Wi-Fi 基地台、馬路攝影機、電子公布欄等多重角色,能夠即時偵測當地的空氣、交通狀況並做出因應。若是對此感到非常新鮮且好奇,大家可以前往台南市政府前的永華綠園觀摩智慧燈桿的示範成果囉!

每個人對於智慧城市的定義與要求都不一樣。圖/Pexels

經過智慧城市概念的改造後,下水道系統也不只是輸送汙水的管線而已,當科學家在管線中添加了特殊的感應器後,研究單位就可以從整個城市的工廠和家庭廢水中,分析汙水中的化學分子,找出各種疾病、污染的跡象和源頭,就像是阿嬤翻找你的房間垃圾桶一樣,從污水中破解隱藏在都市中的各種秘密。

由此可知,在物聯網的時代,當各個角落、各種物品都能連上網路之後,感測器也越來越多,以往城市中傳統的各項設施,都將增添更多功能並打破你對它們的既定印象,同時,資料科學家也因此蒐集到更多樣化的資料,並研發出更方便的應用。

-----廣告,請繼續往下閱讀-----

資訊科技將如何改造我們的生活?

在智慧城市的案例中,洪智傑建議大家可以從「食、衣、住、行、育、樂」和「基礎設施」七大類來盤點智慧城市的應用。

以打造智慧國為目標的新加坡為例子,新加坡健保局日前就推出了「Healthy 365」app,該 app 蒐集了全國上千種的食物,並發展出食物辨識的技術,當民眾下載 app 後,就可以用手機拍下食物的照片,馬上辨識並算出食物的熱量。

台南市政府則在熱門商圈的停車格設置了「地磁偵測系統」,並搭配智慧停車柱、app、馬路的 LED 顯示器,隨時偵測空位數量並分享給有需要的市民們,而智慧停車柱也會自動辨識車牌號碼和計算費用,從找車位、停車到繳費,讓停車的一條龍服務全都智慧化。

台南市政府則在熱門商圈停車格啓動智慧車位偵測系統。圖/tainan.gov.tw

在交通層面,國外 Uber 也申請了一項鼎鼎大名的專利:「利用  AI 技術抓出喝醉的乘客!」 當乘客叫車後,Uber 會透過手機分析乘客的行走速度、手機角度、打字準確度、轎車的時間與地點,並藉此來推斷乘客是否喝醉,一旦可能乘客可能喝醉、從酒店區搖搖晃晃地走出來, Uber 就會立刻提醒司機事先做好相應的準備。

-----廣告,請繼續往下閱讀-----

在基礎建設(infrastructure)的部分,用水、用電都是市民生活中最基本的需求。以自來水為例,一旦水管出現小小的裂縫,在輸水過程中就會浪費非常大量且寶貴的水資源,因此台北自來水管理處在管線加上了壓力感測器,隨時監控水壓變化,即時掌握各地水管的狀態和漏水處,在不知不覺間,提升每一位市民的生活品質。

藉由上面的案例,想必大家對於智慧城市的概念有更具體的了解,雖然智慧城市是相當廣義的概念,但它的核心概念可以用「利用資訊科技讓市民的生活更方便」一句話來解釋,而且每個人都可以在智慧城市的方向找到切入的角度和應用的可能。

揪出藏在資料海中的垃圾和警訊!

在資料科學領域有一句「垃圾進,垃圾出」的名言,若是輸入品質差勁的資料,即使經過電腦運算,也只會得到另外一堆垃圾。被問到如何解決這個經典的難題,洪智傑笑說,「垃圾進、垃圾出?哈哈哈,這是根本就是每天都會發生的事情啊!」而最常出現問題的地方,就是一切資料的源頭——感測器本身!

「量體溫」應該就是大家最有感的量測任務了,在 COVID-19 疫情期間,幾乎所有大學、車站出入口都會設置體溫量測站,然而,說句實話,你在畫面中看到的體溫,又有幾次是精確的?那些在紅外線熱像儀中行走的 33°C 、 34°C 人們 ,難道是一具具在城市中行走的喪屍?

-----廣告,請繼續往下閱讀-----
疫情生活下,體溫量測站已經成爲日常生活的一部分。圖/wikimedia

這些資料必須經過校準或是拿掉偏差值後,才會有分析和研究的意義與價值!

那麼要如何得知這些異常值是「警訊」還是「垃圾」呢?事實是,異常值的偵測與判斷也是一大難題!以臺灣知名的空氣盒子計畫為例,所有民眾都可以購買便宜的空氣感測器,感測當地空氣並回傳溫度、濕度、PM2.5 濃度的資料,組成密集的全臺空氣監測網,提供大量的空氣數據給專家分析。

但是,你以為這些便宜感測器的準確度真的可以跟高級儀器一模一樣嗎?實際上,空氣盒子時常因儀器損壞而出現不符實際狀況的觀測結果,例如在一片綠油油的台北市中,突然有一個感測器呈現紫爆, PM2.5 濃度高達1918 μg/m³,此時,我們通常會下意識地認為,這一顆紫爆的空氣盒子肯定是壞掉了。  

然而,這一顆紫爆的空氣盒子到底是壞掉了,還是只是有人在旁邊抽菸?這就是處理大量數據時最令人頭痛的難處,也是資料科學家的專業所在。

-----廣告,請繼續往下閱讀-----

智慧城市的兩難:好方便 vs. 好監控

隨著智慧城市的潮流興起,市民似乎只要提供越多資料,就可以生活更方便、獲得更好的服務品質。

「Google 地圖可以隨時告訴我哪裡塞車,好方便!」

「欸?有了車牌辨識系統,停車繳費都不用再拿票卡了,好方便!」

現在幾乎沒有人會因為車牌被拍攝而感到疑惑、被侵犯了,讓 Google 蒐集自己的定位資料也是家常便飯的事,洪智傑指出,當「方便」達到一定程度時,人們很容易失去原有的警戒心。

-----廣告,請繼續往下閱讀-----

不過,一旦讓不懷好意的單位取得大量特定人口的數位足跡,這些有心人士即可輕易的掌握這些人群的行為模式,甚至藉此達到「監控」的目的,因此,近年來,個人資訊安全、隱私權的問題也因運而生。

當「方便」達到一定程度,人們很容易失去原有警戒心。圖/Pexels

不過,一旦讓不懷好意的單位取得大量特定人口的數位足跡,這些有心人士即可輕易的掌握這些人群的行為模式,甚至藉此達到「監控」的目的,因此,近年來,個人資訊安全、隱私權的問題也因運而生。

由於臺灣並非極權國家,大眾對於軌跡資料的蒐集也越來越敏感,洪智傑表示,現在的學者時常只能拿到去識別化的資料,或是經過轉換的統計資料。但慶幸的是,網路上仍有不少開源資料或開源社群可供參考,政府也有設置資料開放平臺民生公共物聯網提供大眾運用。

其中,為了鼓勵大眾參與、應用政府的開放資料,政府更舉辦了「民生公共物聯網資料應用競賽」,邀請業界、學界和民間整合並運用政府的公開資料,打開資料科學與產業的未來,大家不妨也可以前往競賽的網頁,欣賞一下各年度的得獎作品。

-----廣告,請繼續往下閱讀-----

如何在資料中找到價值?從生活中的隱性需求開始!

若你對於智慧城市、資料科學有興趣,你可以先列出一個你感興趣的命題,確定自己想要從資料中找到的東西是什麼,再從現有的開源資料尋找解答。

茫茫的資料大海中發生太多事情了,洪智傑建議大家先準備好命題,再開始分析資料、尋找有價值的寶藏,就像是我們在圖書館中找書一樣,與其茫然的在圖書館中遊走,不如先想好自己要在圖書館閱讀什麼書,再開始尋找寶藏的旅程。

大數據時代,資料科學的研究命題可從日常生活的隱性需求著手。圖/Pexels

在智慧城市中,提升市民的「方便性」是資料科學家的目標,然而,現有生活究竟隱藏了哪些不方便?我們又該如何發現這些命題呢?洪智傑表示,除了增進自己跨領域的涵養之外,仔細觀察你我每天的日常,也能有助於我們洞察出生活中的隱性需求。

智慧城市是一個與現代生活息息相關的議題,若你也著迷於智慧城市的概念,也想要一起走在科技融入生活的道路上,歡迎你與資料科學家一起化身為生活觀察家,在資料中找出更多讓生活變方便的小智慧吧!

-----廣告,請繼續往下閱讀-----

資料來源

  1. 政府資料開放平台
  2. 民生公共物聯網資料服務平台
  3. 民生公共物聯網資料應用競賽
  4. g0v臺灣零時政府
  5. 台南市政府智慧車位偵測系統 – 地磁佈建計畫啟動
  6. 政府把自己當成公司:新加坡推智慧城市,背後的超務實性格
  7. Smart City 2.0:「智慧物聯網」引領「智慧城市」再升級
  8. 智慧城市白皮書
  9. 賀喜能源 建置全球首座智慧城市微電網示範系統
-----廣告,請繼續往下閱讀-----
文章難易度
所有討論 1
科技大觀園_96
82 篇文章 ・ 1126 位粉絲
為妥善保存多年來此類科普活動產出的成果,並使一般大眾能透過網際網路分享科普資源,科技部於2007年完成「科技大觀園」科普網站的建置,並於2008年1月正式上線營運。 「科技大觀園」網站為一數位整合平台,累積了大量的科普影音、科技新知、科普文章、科普演講及各類科普活動訊息,期使科學能扎根於每個人的生活與文化中。

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
222 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

1
0

文字

分享

0
1
0
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 ・ 2401 位粉絲
PanSci的編輯部帳號,會發自產內容跟各種消息喔。

0

1
0

文字

分享

0
1
0
從販賣機到智慧設備:物聯網的發展歷程
數感實驗室_96
・2024/06/23 ・1135字 ・閱讀時間約 2 分鐘

-----廣告,請繼續往下閱讀-----

本文由 國立臺灣師範大學 委託,泛科學企劃執行。 

在這個通信技術普及的年代,我們不斷介紹各式各樣的通信技術。大多數的通信技術都是為人服務的,這似乎是理所當然的。然而,有一種通信技術並非直接為人服務,而是為物體之間的交流提供支持。這種技術不僅存在,而且在現代已經成為最主要的通信形式之一,我們稱之為——物聯網(IoT)。

物聯網,Internet of Things,簡稱 IoT,顧名思義就是物品,機器、設備連上網路。

在我們生活中,如智慧手錶和藍牙耳機這些穿戴式設備,它們各自擁有特定功能,同時又能透過藍牙技術相互連結,這就是物聯網的一種應用。

-----廣告,請繼續往下閱讀-----

你可能會問,手機也算是物聯網的設備嗎?

這取決於你如何定義和使用手機。如果是人們使用 5G 或 4G 技術彼此傳訊息和溝通,那麼這不屬於物聯網的範疇。但當手機與藍牙耳機或智慧手錶連接時,它們之間的互動更符合物聯網的概念。因此,物聯網的基本定義是,不直接涉及人跟人、或是人與設備的互動。基本上都是設備跟設備之間的溝通。

通信是人類最基本的需求,同時也帶來無限商機,就像我們不想跑到別的地方買可樂,卻發現賣光了一樣,科技為能解決這些需求,促使通信技術的持續成長。

如同手機的普及帶動了市場需求,從一家一部的電視和冰箱,到人人一支的手機,並且每隔幾年就更新換代。這種商機吸引了企業的投資,也推動了強大的研發動能。

-----廣告,請繼續往下閱讀-----

而現在,我們正生活在一個設備數量遠超人類數量的時代,從藍牙耳機、智慧手錶,到遍布全球的智慧設備,物聯網的技術已經無處不在。

不妨思考一下,還有哪些需求尚未被滿足,也許它們正是下一個物聯網應用的起點。

更多、更完整的內容,歡迎上數感實驗室 Numeracy Lab 的 YouTube 頻道觀看完整影片,並開啟訂閱獲得更多有趣的資訊!

-----廣告,請繼續往下閱讀-----

討論功能關閉中。

數感實驗室_96
76 篇文章 ・ 50 位粉絲
數感實驗室的宗旨是讓社會大眾「看見數學」。 數感實驗室於 2016 年 4 月成立 Facebook 粉絲頁,迄今超過 44,000 位粉絲追蹤。每天發布一則數學文章,內容包括介紹數學新知、生活中的數學應用、或是數學和文學、藝術等跨領域結合的議題。 詳見網站:http://numeracy.club/ 粉絲專頁:https://www.facebook.com/pg/numeracylab/