3

3
1

文字

分享

3
3
1

當 AI 遇上公衛,是如虎添翼,還是充滿危機?

研之有物│中央研究院_96
・2021/07/19 ・5788字 ・閱讀時間約 12 分鐘

本文轉載自中央研究院研之有物,泛科學為宣傳推廣執行單位。

  • 採訪|黃曉君   
  • 撰文|周玉文、劉芝吟
  • 美術設計|林洵安

健康大數據、人工智慧(AI)已經成為醫療研發的新聖杯,新冠肺炎(COVID-19)更將 AI 技術推上防疫舞臺,各國紛紛串聯大數據監控足跡或採用電子圍籬。但當科技防疫介入公衛醫療,我們是否在不知不覺中讓渡了個人隱私?中研院歐美研究所副研究員何之行認為,規範不完備是臺灣個資保護的一大隱憂,《個資法》問世遠早於 AI 時代、去識別化定義不清、缺乏獨立專責監管機構,都是當前課題。

「天網」恢恢,公衛醫療的新利器

自 2020 年新冠疫情大爆發,全世界為了因應危機展開大規模協作,從即時統計看板、預測病毒蛋白質結構、電子監控等,大數據與 AI 技術不約而同派上用場。但當數位科技介入公共衛生與醫療健康體系,也引發人權隱私的兩難爭議。

2020 年的最後一夜,臺灣再次出現本土案例。中央流行疫情指揮中心警告,居家隔離、居家檢疫、自主健康管理的民眾,都不應參加大型跨年活動。而且,千萬別心存僥倖,因為「天網」恢恢,「我們能找得到您」!有天網之稱的電子圍籬 2.0 出手,許多人拍手叫好,但也挑起國家進行隱私監控的敏感神經。

隱私爭議不只在防疫戰場,另一個例子是近年正夯的精準醫療。2021 年 1 月,《經濟學人》(The Economist)發布亞太區「個人化精準醫療發展指標」(Personalised-health-index)。臺灣勇奪亞軍,主要歸功於健全的健保、癌症資料庫及尖端資訊科技。

國際按讚,國內反應卻很兩極。早前曾有人質疑「個人生物資料」的隱私保障,擔憂是否會成為藥廠大數據;但另一方面,部分醫療研究者卻埋怨《個人資料保護法》(簡稱《個資法》)很嚴、很卡,大大阻擋了醫學研發。為何國內反應如此分歧?

中研院歐美所副研究員何之行認為,原因之一是,

《個資法》早在 2012 年就實施,跑在 AI 時代之前,若僅僅仰賴現行規範,對於新興科技的因應恐怕不合時宜。

健保資料庫爭議:誰能再利用我們的病歷資料?

來看看曾喧騰一時的「健保資料庫訴訟案」。

2012 年,臺灣人權促進會與民間團體提出行政訴訟,質疑政府沒有取得人民同意、缺少法律授權,逕自將健保資料提供給醫療研究單位。這意味,一般人完全不知道自己的病例被加值運用,侵害了資訊自主權。案件雖在 2017 年敗訴,但已進入大法官釋憲。

民間團體批評,根據《個資法》,如果是原始蒐集目的之外的再利用,應該取得當事人同意。而健保資料原初蒐集是為了稽核保費,並非是提供醫學研究。

但支持者則認為,健保資料庫是珍貴的健康大數據,若能串接提供學術與醫療研究,更符合公共利益。此外,如果過往的數據資料都必須重新尋求全國人民再同意,相關研發恐怕得被迫踩剎車。

種種爭議,讓醫學研究和資訊隱私之間的紅線,顯得模糊而舉棋不定。何之行指出,「個人權利」與「公共利益」之間的權衡拉鋸,不僅是長久以來政治哲學家所關心的課題,也反映了現代公共衛生倫理思辨的核心。

我們有權拒絕提供資料給醫療研究嗎?當精準醫療的腳步飛也似向前奔去,我們要如何推進醫學科技,又不棄守個人的隱私權利呢?

「精準醫療」與「精準健康」是近年醫學發展的重要趨勢,透過健康大數據來評估個人健康狀況,對症下藥。但健康資料涉及個人隱私,如何兼顧隱私與自主權,成為另一重要議題。圖/研之有物

去識別化爭點:個資應該「馬賽克」到什麼程度?

何之行認為,「健保資料庫爭議」短期可以從幾項原則著手,確立資料使用標準,包括:允許退出權(opt-out)、定義去識別化(de-identification)。

「去識別化」是一道安全防護措施。簡單來說:讓資料不會連結、辨識出背後真正的那個人。何之行特別分享 Google 旗下人工智慧研發公司 DeepMind 的慘痛教訓。

2017 年,DeepMind 與英國皇家醫院(Royal Free)的協定曝光,DeepMind 從後者取得 160 萬筆病歷資料,用來研發診斷急性腎衰竭的健康 APP。聽來立意良善的計畫,卻引發軒然大波。原因是,資料分享不僅未取得病患同意,也完全沒有將資料去識別化,每個人的病史、用藥、就醫隱私全被看光光!這起爭議無疑是一大教訓,重創英國社會對於開放資料的信任。

回到臺灣脈絡。去識別化指的是以代碼、匿名、隱藏部分個資或其他方式,無從辨識特定個人。但要達到什麼樣的隱匿保護程度,才算是無從識別特定個人?

何之行指出,個資法中的定義不甚清楚,混用匿名化(anonymous)、假名化(pseudonymised)、去連結(delink)等規範程度不一的概念。臺灣也沒有明確定義去識別化標準,成為爭點。

現行法令留下了模糊空間,那麼他山之石是否能提供參考?

以美國《健康照護可攜法案》(HIPAA)為例,法案訂出了去除 18 項個人識別碼,作為去識別化的基準;歐盟《一般資料保護規則》則直接說明,假名化的個資仍然是個人資料。

退出權:保留人民 say NO 的權利

另一個消解爭議的方向是:允許退出權,讓個人保有退出資料庫的權利。即使健保資料並沒有取得民眾事前(opt-in)的同意,但仍可以提供事後的退出選項,民眾便有機會決定,是否提供健康資料做學術研究或商業運用。

何之行再舉英國國民健保署 NHS 做法為例:英國民眾有兩階段選擇退出中央資料庫 (NHS Digital)的機會,一是在一開始就拒絕家庭醫師將自己的醫病資料上傳到 NHS Digital,二是資料上傳後,仍然可以在資料分享給第三方使用時說不。畢竟有人願意為公益、學術目的提供個人健康數據,對商業用途敬謝不敏;也有人覺得只要無法辨識個人即可。

近年,英國政府很努力和大眾溝通,希望民眾認知到資料分享的共善,也說明退出所帶來的社會成本,鼓勵人們留在資料庫內,享受精準醫療帶給個人的好處。可以看到英國政府藉由公眾溝通,努力建立社會信任。

參照英國經驗,目前選擇退出的比率約為 2.6%。保留民眾某種程度的退出權,但善盡公眾溝通,應是平衡集體利益與個人隱私的一種做法。

歐盟 GDPR 個資保護的四大原則

健保資料庫只是案例之一, 當 AI 成為大數據浪潮下的加速器,最周全之策仍然是針對 AI 時代的資料運用另立規範。 歐盟 2018 年實施的《一般資料保護規則》(General Data Protection Regulation,以下簡稱 GDPR),便是大數據 AI 時代個資保護的重要指標。

因應 AI、大數據時代的變化,歐盟在 2016 年通過 GDPR,2018 年正式上路,被稱為「史上最嚴格的個資保護法」。包括行動裝置 ID、宗教、生物特徵、性傾向都列入被保護的個人資料範疇。圖/研之有物

歐盟在法令制定階段已將 AI 運用納入考量,設定出個資保護四大原則:目的特定原則、資料最小化、透明性與課責性原則

其中,「目的特定」與「資料最小化」都是要求資料的蒐集、處理、利用,應在特定目的的必要範圍內,也就是只提供「絕對必要」的資料。

然而,這與大數據運用需仰賴大量資料的特質,明顯衝突!

大數據分析的過程,往往會大幅、甚至沒有「特定目的」的廣蒐資料;資料分析後的應用範圍,也可能超出原本設定的目標。因此,如何具體界定「特定目的」以及後續利用的「兼容性判斷」,便相當重要。這也突顯出「透明性」原則強調的自我揭露(self-disclosure)義務。當蒐集方成為主要的資料控制者,就有義務更進一步解釋那些仰賴純粹自動化的決策,究竟是如何形成的。

「透明性原則的用意是為了建立信任感。」何之行補充。她舉例,中國阿里巴巴集團旗下的芝麻信用,將演算法自動化決策的應用發揮得淋漓盡致,就連歐盟發放申根簽證都會參考。然而,所有被納入評分系統的人民,卻無從得知這個龐大的演算法系統如何運作,也無法知道為何自己的信用評等如此。

芝麻信用表示,系統會依照身分特質、信用歷史、人脈關係、行為偏好、履約能力等五類資料,進行每個人的信用評分,分數介於 350-950。看似為電商系統的信用評等,實則影響個人信貸、租車、訂房、簽證,甚至是求職。圖/研之有物

這同時涉及「課責性」(accountability)原則 ── 出了問題,可以找誰負責。以醫療場域來講,無論診斷過程中動用了多少 AI 工具作為輔助,最終仍須仰賴真人醫師做最後的專業判斷,這不僅是尊重醫病關係,也是避免病患求助無門的問責體現。

科技防疫:無所遁形的日常與數位足跡

當新冠疫情爆發,全球人心惶惶、對未知病毒充滿恐懼不安,科技防疫一躍成為國家利器。但公共衛生與人權隱私的論辯,也再次浮上檯面。

2020 年 4 月,挪威的國家公共衛生機構推出一款接觸追蹤軟體,能監控足跡、提出曾接觸確診者的示警。但兩個月後,這款挪威版的「社交距離 APP」卻遭到挪威個資主管機關(NDPA)宣告禁用!

挪威開發了「Smittestopp」,可透過 GPS 與藍牙定位來追蹤用戶足跡,提出與感染者曾接觸過的示警,定位資訊也會上傳到中央伺服器儲存。然而,挪威資料保護主管機關(NDPA)宣告,程式對個人隱私造成不必要的侵害,政府應停止使用並刪除資料。圖/Smittestopp

為何挪威資料保護機關會做出這個決定?大體來說,仍與歐盟 GDPR 四大原則有關。

首先,NDPA 認為挪威政府沒有善盡公眾溝通責任,目的不清。人民不知道這款 APP 是為了疫調?或者為研究分析而持續蒐集資料?而且,上傳的資料包含非確診者個案,違反了特定目的與資料最小蒐集原則。

此外,即便為了防疫,政府也應該採用更小侵害的手段(如:僅從藍牙確認距離資訊),而不是直接由 GPS 掌控個人定位軌跡,這可能造成國家全面監控個人行蹤的風險。

最後 NDPA 認為,蒐集足跡資料原初是為了即時防疫,但當資料被轉作後續的研究分析,政府應主動說明為什麼資料可以被二次利用?又將如何去識別化,以確保個資安全?

換言之,面對疫情的高度挑戰,挪威個資保護機關仍然認為若沒有足夠的必要性,不應輕易打開潘朵拉的盒子,國家採用「Smittestopp」這款接觸追蹤軟體,有違反比例原則之虞。

「有效的疫情控制,並不代表必然需要在隱私和個資保護上讓步。反而當決策者以防疫之名進行科技監控,一個數位監控國家的誕生,所妥協的將會是成熟公民社會所賴以維繫的公眾信任與共善。」何之行進一步分析:

數位監控所帶來的威脅,並不僅只於表象上對於個人隱私的侵害,更深層的危機在於,掌握「數位足跡」(digital footprint) 後對於特定當事人的描繪與剖析。

當監控者透過長時間、多方面的資訊蒐集,對於個人的「深描與剖繪」(profiling)遠遠超過想像──任何人的移動軌跡、生活習慣、興趣偏好、人脈網絡、政治傾向,都可能全面被掌握!

AI 時代需要新法規與管理者

不論是醫藥研發或疫情防控,數位監控已成為當代社會的新挑戰。參照各國科技防疫的爭論、歐盟 GDPR 規範,何之行認為,除了一套 AI 時代的個資保護規範,實踐層面上歐盟也有值得學習之處。

例如,對隱私風險的脈絡化評估、將隱私預先納入產品或服務的設計理念(privacy by design),「未來照護機器人可能走入家家戶戶,我們卻常忽略機器人 24 小時都在蒐集個資,隱私保護在產品設計的最初階段就要納入考量。」

另外最關鍵的是:設置獨立的個資監管機構,也就是所謂的資料保護官(data protection officer,DPO),專責監控公、私營部門是否遵循法規。直白地說,就是「個資警察局」。何之行比喻,

如果家中遭竊,我們會向警察局報案,但現況是「個資的侵害不知道可以找誰」。財稅資料歸財政部管,健康資料歸衛福部管,界定不清楚的就變成三不管地帶。

綜觀臺灣現狀,她一語點出問題:「我們不是沒有法規,只是現有的法令不完備,也已不合時宜。」

過往許多人擔心,「個資保護」與「科技創新」是兩難悖論,但何之行強調法令規範不是絆腳石。路開好、交通號誌與指引完善,車才可能跑得快。「GDPR 非常嚴格,但它並沒有阻礙科學研究,仍然允許了科學例外條款的空間。」

「資料是新石油」(data is the new oil),臺灣擁有世界數一數二最完整的健康資料,唯有完善明確的法規範才能減少疑慮,找出資料二次利用與科技創新的平衡點,也建立對於資料二次利用的社會信任。

疫病恐懼讓人民會迫切期待政府雷厲風行,但何之行強調,疫情終將趨緩,重新反思法治社會的原則:法律保留、授權明確、正當程序與最小侵害,是民主社會在後疫情時代的重要課題。圖/研之有物
中研院集結近 20 位人文社會學者參與的科研計畫,推出數位網站,從歷史、經濟、法政、社會學、文學等不同視角,對瘟疫下的社會衝擊提出深刻討論,7 月將出版實體書籍。網站中,何之行也透過人權、法律與歷史的跨向度對話,省思科技防疫下的界線權衡。圖/COVID-19 的人文社會省思網站,中研院數位文化中心

延伸閱讀

  • 何之行,〈人權?法治?防疫下如何權衡?一個哲學、歷史與科技防疫的反思〉, COVID-19 的人文社會省思網站
  • 何之行*、廖貞,〈AI 個資爭議在英國與歐盟之經驗— 以 Google DeepMind 一案為例〉,《月旦法學雜誌》, 第 302 期,2020
  • Chih-hsing Ho,〈Challenges of the EU General Data Protection Regulation for Biobanking and Scientific Research〉,《Journal of Law, Information and Science》,2018
  • 樓一琳、何之行*,〈個人資料保護於雲端運算時代之法律爭議初探暨比較法分析: 以健保資料為例〉,《臺大法學論叢》,第 46 卷第 2 期,2017
  • 何之行個人網頁
文章難易度
所有討論 3
研之有物│中央研究院_96
240 篇文章 ・ 1912 位粉絲
研之有物,取諧音自「言之有物」,出處為《周易·家人》:「君子以言有物而行有恆」。探索具體研究案例、直擊研究員生活,成為串聯您與中研院的橋梁,通往博大精深的知識世界。 網頁:研之有物 臉書:研之有物@Facebook

0

1
0

文字

分享

0
1
0
人類可能愛上機器人嗎?機器人能否學會愛與感受?
PanSci_96
・2019/06/07 ・4395字 ・閱讀時間約 9 分鐘 ・SR值 551 ・八年級
  • 文/Te-Yi Hsieh,現為英國University of Glasgow 博士生,主修 Neuroscience and Psychology。研究領域介於心理學、機器人學、神經科學的交界處。欲知更多研究相關資訊可關注:http://www.so-bots.com/
    Twitter: @TeYiHsieh

人工智慧(artificial intelligence,AI)、機器人絕對是近年最火紅的話題之一。人們開始意識到科幻電影裡的場景可能即將在現實生活中發生,一則以喜一則以憂。喜的是科技進步帶來的便利性,例如,機器人也許能補足老年化、少子化社會,照顧者短缺的問題;憂的是,機器人會搶走我們的飯碗,甚至,有些人開始擔心智慧爆炸(intelligence explosion)註1的極端情境。

從社會的層面來看,這些似人非人的機器人,究竟會在我們生活中扮演怎樣的角色?當它們擁有人類的外型、語言、甚至情緒表達,我們會只視它們為無生命的機器、工具嗎?這個問題,我們可以從 2001 年的電影《A.I. 人工智慧》(A.I. Artificial Intelligence)談起。

電影《A.I. 人工智慧》。圖/IMDb

人類能夠愛機器人嗎?《A.I. 人工智慧》

電影《A.I. 人工智慧》描述一個科技高度發展的未來世界(對現代來說仍是未來),一家機器人公司研發出第一個懂得「愛」的機器人小孩──大衛。在此同時,該公司的員工亨利與太太莫妮卡,正面臨親生兒子馬丁因絕症而冷凍睡眠的絕望中。這樣的家庭悲劇讓亨利成功為公司選中,成為這個新型機器人小孩的第一位使用者。

太太莫妮卡起初是憤怒且強烈反對。「沒有任何東西能取代我們的孩子!」她對亨利大吼。但日子一天天過去,大衛極盡真人的外貌、行為、情緒反應讓莫妮卡很難只把大衛當作一個「機器」對待,加上自己深知親生兒子馬丁也許永遠無法甦醒,莫妮卡開始放下心中的抗拒感,再次歡笑、重拾「當一位母親」的快樂。然而,這將是一個不可逆的決定,機器人小孩對特定對象的愛無法刪除,無法重灌,要是收養者事後反悔,機器人只能被送回原公司銷毀。

正當大衛要在新的家庭展開生活時,意想不到的事發生了──莫妮卡與亨利的兒子馬丁的病情好轉,並從冷凍中甦醒。馬丁返家後為整個家帶來了不定時炸彈。人類的手足、同儕之間都時常互相較勁了,更何況是人機之間。馬丁打從心底認為大衛不配分散媽媽對他的愛。而大衛雖然僅是單純想得到母親的愛,卻不懂人類世界複雜的社交方式,無心之間做了許多傷害媽媽、傷害馬丁的行為。最終,莫妮卡、亨利為了保護兒子的安全,做出了棄養的決定。

機器人男孩大衛。圖/IMDb

就在莫妮卡即將載大衛回公司銷毀的前一刻,她心軟了,她打開車門,叫大衛快逃往樹林,遠離人群、不要被任何人類抓住、不要被銷毀。

「問題不是製造學會愛的機器人,真正的問題是⋯⋯人類能不能愛它們?」

機器人是否「為人」,標準在哪?

機器人能不能學會愛、有沒有感受力、有沒有意識?這可以是一個難以得到共識的哲學思辨。首先,何謂愛?何謂感受?何謂意識?科學家目前對人類的意識如何運作、在腦中的神經活動中如何產生都爭辯不休了註2,我們如何輕易定論機器人有沒有辦法擁有意識、學會愛呢?

根據心理學家 Haslam、 Loughnan、 Kashima 與 Bain(2009)所進行的大眾實際調查,以及其形成的理論,一個簡單的答案是:機器人也許可以學會情緒「表達」,但它們沒有「情緒感受力」。

Haslam 及同事透過一系列調查研究,試圖找出「為人」(humanness)與「去人性化」(dehumanization)之間的界線。換句話說,找出有哪些重要因素,讓我們判斷一個對象「為人」;相對的,當沒有這些重要因素時,我們會把此對象判斷為非人。他們進行一連問卷調查研究,以及內隱聯結測驗(implicit association test,IAT)註3,測量參與者對四大類對象──人、機器人、動物、超自然事物──的想法及態度,並藉由比較「人」與「非人」對象的看法,歸納出哪些特質、心理狀態是專屬於「人」這個概念的。

結果發現,不管在東、西方的文化中,人們對「為人」的概念主要由兩個面向組成:

一是「人類天性」,包含有生命及無生命體本質上不同的所有特質,如情緒力(emotionality)、欲望(desire)、好奇心(curiosity)、自主行為能力(agency)等;

二是「人類特殊性」(human uniqueness),包含邏輯思考、推理等的認知能力,以及受社會、文化影響下的特質,如禮貌(politeness)、勤勉正直性(conscientiousness)等。

缺少「人類天性」的特質,一對象會變得冷酷、機械化;而缺少「人類特殊性」的特質,一對象會趨近於動物。因此,人類與機器人的主要差異在於「人類天性」。機器人可以擁有「人類特殊性」,可以推論、理性思考;但不具有「人類天性」,無法感知情緒、產生自主欲望。

機器人也許可以有非常似人的外表、擬真的社交互動註4。但就本質上而言,它們的情緒表達再真實,都不是因為真的「感覺到」這些情緒而做出外顯反應,而是被設計、製造而得以如此。

機器人可以擁有人型的外表、情緒,但終究沒有感受(experience)的能力。圖/ Unsplash )

既然我們認為機器人實際上無法感受、沒有痛覺、不會真的有負面情緒,為何電影《A.I.人工智慧》中莫妮卡會忍不下心將大衛銷毀?難道只是電影劇情需求嗎?不盡如此。從目前人機互動(human-robot interaction)的眾多實驗結果來看,我們對待機器人確實會比對待電腦、家電等機器時,有更擬人的互動,尤其是當機器人具有擬人特質時(例如外貌、情緒)。

人會同情機器人?

Seo 與同事設計的研究 (2015) 中,受試者需要與機器人 Nao 合作進行遊戲。在遊戲進行數分鐘後,Nao 開始出現一些故障的跡象(這當然是實驗者事先設計好的),像是動作、說話變得不流暢等等,這樣的故障會隨著時間越來越明顯。而在 Nao 出現故障的狀況後,它會表現出害怕跟擔憂的樣子,並向受試者說它很擔心實驗者發現它故障,會把自己的記憶消除、它不希望忘記跟受試者玩遊戲的快樂回憶。然而最終,實驗者還是出現、並在受試者面前把 Nao 更新了,更新後的 Nao 會展現完全不同的說話方式跟特質(這是為了讓受試者相信記憶真的被消除了)。

在這一連串的情境之後,受試者接著會填答一些問卷、回答他們在實驗中的感受。

Nao 機器人。圖/ Photo Pin

結果顯示,人們確實會對這個 Nao 產生同情、同理的情緒,有些人甚至替 Nao 向實驗者求情。

然而該研究並沒有直接比較人們對機器人、人、非擬人機器(如電腦)的反應,再者,自陳式問卷一直是被受質疑的測量方式。因此,目前已有很多神經心理學家,使用腦造影技術如「功能性磁振造影」(functional Magnetic Resonance Imaging,fMRI)來了解我們與機器人互動時大腦的活動。

在我們腦中比機器更接近人,但仍不是人

如 Krach 與其同事(2008)的研究,他們透過 fMRI 的技術發現,人們腦中掌管「心智理論」(the Theory of Mind,ToM)註5腦區──主要包含內側前額葉皮質(medial Prefrontal Cortex, mPFC)與顳頂葉接合(temporoparietal junction,TPJ)──在與擬人機器人互動時,活化程度會比與機器手臂、電腦(不具人型外表)互動時高。但仍比不上與真實人類對象互動時的大腦活動。

換言之,機器人似人的外表,會讓我們的大腦認為它們—某種程度上──是具有心智(mind)的。機器人對我們來說,不會完全等同於電腦、手機等沒有擬人特質的機器,但也不會對待它們(機器人),全然像對待其他人類一樣。

然而,不同證據在 Chaminade 團隊(2012)的研究中也被發現了。Chaminade 與同事比較了受試者面對人、機器人、電腦等不同對象時的大腦活動狀態,卻發現負責心智理論(ToM)的腦區只在與人互動時有顯著的活動。

支持不同假說的結果存在於目前文獻中,尚無法達成一個定論。這或許是因為此領域的新穎性,我們需要更多的「重複驗證研究」(replicate study)來確立一個現象的真實性,加上不同研究者使用的機器人、作業、研究環境、指導語有些不同,都可能為研究結果帶來變數。可以確定的是,此領域的研究結果將會相當可期,AI 機器人等科技在未來社會的利用,可說是一個相當確立的趨勢。從心理學、神經科學的角度來看人機互動,不但對機器人設計能帶來幫助,同時也使我們更了解人腦的認知運作方式。

AI 機器人等科技在未來社會的利用,圖/銀翼殺手2049@IMDb

大衛最後實現願望了嗎?

說到這裡,也許有些讀者還相當在意,《A.I. 人工智慧》中機器人小孩大衛最後到底怎麼了?大衛被放逐後,踏上了旅程尋找木偶奇遇記中的藍仙女,希望她能把自己變成一個真實的男孩,因為大衛深信,唯有這樣才能真正得到母親的愛。然而這個心願當然沒有實現,兩千年過後,地球已完全結冰、人類也已滅亡,外星人挖出了冰層中的大衛,欣喜於發現這個相當「原始」的機器人的同時,也決定為大衛完成心願──讓母親莫妮卡重生,但只能存活一天。在這得來不易的一天中,大衛終於得以享受專屬於母子的快樂時光,沒有亨利、沒有馬丁。夜幕將至,母親即將再度陷入永恆長眠之際,對著他輕輕說:「我愛你,大衛,我一直很愛你。」大衛流下眼淚,彷彿長久以來的願望終於實現,也終於能隨著母親,一同長眠。

這樣有些令人惆悵的結局似乎也透露著,要機器處理人類的感情訊息何其困難(很多時候我們自己都無法理解了!)母親當然是愛著他的,但大衛直到最後一刻才明白。

以現在的技術,人類也許還無法製造出像大衛一樣,可以如此自然互動的社交機器人,但如果有一天我們的科技做到了,你會如何看待這些乍看與真人無異、但本質上截然不同的對象呢?

  • 註 1:智慧爆炸(intelligence explosion)意指當人工智慧學會自我進化,其所擁有的智能將在極短的時間內超越人類所擁有、所能控制的情況(參考資料 1)。但也有意見主張智慧爆炸不可能出現(參考資料 2)。
  • 註 2:有興趣了解神經心理學家關於「意識」的理論,可見參考資料 3 為一例。
  • 註 3:「內隱聯結測驗」最早由 Greenwald 及其同事(1998)提出,是一種藉由測量受試者對特定詞組的反應,來得知其內隱態度的測量方式。此方法,相較於自陳式問卷,較能排除受試者想符合社會期許所造成的答題偏誤。
  • 註 4:雖然這目前仍是非常難以達到的境界。人類的社交活動,仔細分析下來其實非常複雜且精細,包含了各種大大小小的社交線索。更有一派說法認為,人類大腦的認知能力遠超越其他物種就是為了應付複雜的社交場域—詳見參考資料 5。
  • 註 5:「心智理論」意指在瞭解他人的心智狀態的功能。例如,站在別人角度思考、同理他人,都是會使用到心智理論的情境。

參考資料

  1. Ted Talk「人工智慧的長期未來
  2. The implausibility of intelligence explosion
  3. Graziano, M. S., & Webb, T. W. (2015). The attention schema theory: a mechanistic
  4. account of subjective awareness. Frontiers in Psychology, 06. doi:10.3389/fpsyg.2015.00500
    Haslam, N., Loughnan, S., Kashima, Y., & Bain, P. (2009). Attributing and denying humanness to others. European Review of Social Psychology, 19(1), 55–85.
  5. Adolphs, R. (2009). The Social Brain: Neural Basis of Social Knowledge. Annual Review of Psychology.
  6. Seo, S. H., Geiskkovitch, D., Nakane, M., King, C., & Young, J. E. (2015). Poor thing! would you feel sorry for a simulated robot? Proceedings of the Tenth Annual ACM/IEEE International Conference on Human-Robot Interaction – HRI ’15. doi:10.1145/2696454.2696471
  7. Krach, S., Hegel, F., Wrede, B., Sagerer, G., Binkofski, F., & Kircher, T. (2008). Can machines think? Interaction and perspective taking with robots investigated via fMRI. PLoS ONE, 3(7), e2597. doi:10.1371/journal.pone.0002597
  8. Chaminade, T., Rosset, D., Da Fonseca, D., Nazarian, B., Lutcher, E., Cheng, G., & Deruelle, C. (2012). How do we think machines think? An fMRI study of alleged competition with an artificial intelligence. Frontiers in Human Neuroscience, 6. doi:10.3389/fnhum.2012.00103
文章難易度

0

7
0

文字

分享

0
7
0
COVID-19再感染率低,群體免疫卻不容易
寒波_96
・2021/02/24 ・3048字 ・閱讀時間約 6 分鐘 ・SR值 595 ・九年級

COVID-19(武漢肺炎、新冠肺炎)康復後再度感染的人數持續增加,令人懷疑染疫後的免疫力多強,能維持多久。另外隨著瘟疫蔓延,有些專家寄望,康復後具備免疫力的人口比例夠高之後,能產生群體免疫,阻止病毒傳播。

初步研究指出,好消息是:再感染的機率很低。壞消息是:現實世界中達到群體免疫的門檻,或許比理論估計的更高。

「群體免疫」概念是,感染疾病或接種疫苗後,如果能獲得免疫力,不再成為傳播者,這樣的人占族群中比例夠高,便能限制疾病的傳播,使尚未感染的人減低得疫機率,令疫情不再擴大。圖/Pixabay

好消息:再度感染的機率不高

英國的 SIREN 計畫(全名 SARS-CoV-2 Immunity and Reinfection Evaluation)追蹤 6600 位得疫者,5 個月下來共有 44 人疑似再度感染,比例為 0.67%。

再度感染者中,約 30% 有出現症狀。儘管大部分沒有症狀,少數人上呼吸道的病毒量卻非常高,多半仍有傳染力。

作為對照,這段期間沒有感染過的 14000 位追蹤者,共有 318 人得疫,比例為 2.27%;其中約 78% 有症狀。

假如照疫苗的標準,得疫後的 efficacy (得疫過和沒有感染過相比,再感染的機率降低多少)約為 83%。再度感染的人有症狀比例較低,由此推論,直接感染病毒發展出的免疫力,應該具備相當的防禦效果。

不過這項調查的主要對象是女生,而且大部分未滿 60 歲,算是本來就低風險的族群。這群人反映的狀況,可能比疫情全貌更加輕微。儘管如此,應該足以肯定,至少 5 個月內再感染的機率並不高。

SIREN 到 2020 年 11 月 24 日的追蹤調查結果。圖/[參考資料1]

多少人感染過,才有群體保護效果?

武漢肺炎的病原體 SARS二世冠狀病毒(SARS-CoV-2)傳染力強大,沒有防疫措施下,平均一位感染者估計會傳染給 2.5 到 3 人,也就是基本傳染數(R0)為 2.5 到 3。

理論上,如果感染疾病後能獲得免疫力,不再成為傳播者,這樣的人占族群中比例夠高,便能限制疾病的傳播,使尚未感染的人減低得疫機率,令疫情不再擴大。此一概念稱為「群體免疫」,也叫作群體保護。

根據 SARS二世冠狀病毒的基本傳染數,理論上群體保護需要的門檻為 60 到 67%。巴西的城市瑪瑙斯,病毒入侵 6 個月後,不幸已經達到門檻,然而,傳播仍然沒有停止。

瑪瑙斯超過 200 萬人口,是亞馬遜地區最大的城市,去年 3 月 13 日出現第一位確診。感染病毒一段時間後會產生抗體,一項新發表的研究以抗體檢驗,調查當地到去年 11 月為止的疫情。

假如估計正確的話,瑪瑙斯到 7 月時累積 66% 人口曾經得疫,10 月時又增加為 76%。7 月後的傳播速度確實降低,但是「平均每個感染者傳染給幾個人」的數值,也就是傳染數(R)仍然沒有降到 1 以下。

瑪瑙斯在各日期的盛行率,以及按年齡、性別校正後的每十萬人死亡率。圖/[參考資料3]

亞馬遜的警訊:現實好像跟算的不一樣!?

不同人得疫後的差異很大,不少國家已經不太在乎確診數字,只求減輕傷害。到 10 月 1 日為止,瑪瑙斯有 2642 人確診死亡,死亡率為 0.17%;不過出現疑似症狀並死亡的共 3789 人,這樣算來死亡率是 0.28%。

乍看之下,瑪瑙斯的死亡人數好像不多,死亡率也不高。但是和公認疫情「嚴重」的其他國家相比,到 10 月 1 日的「每一百萬人死亡數」:美國 625、英國 620、法國 490,瑪瑙斯則高達 1710(只算確診是 1193)。

幾個防疫有成的國家作為對照:澳洲 36、紐西蘭 5、台灣 0.3(以上是去年 10 月初截止的數據,如今又過去幾個月,各國累積的感染與死亡人數又增加了)。

更悲傷的是,瑪瑙斯人口組成相對年輕,但是瘟疫如此廣傳之下,仍然造成這般慘烈的打擊。將年齡、性別等分類拆開分析,瘟疫對瑪瑙斯不同族群的影響,和其他地區相似。也就是說其他地區的人口組成,倘若高風險人口比例較高,預計的殺傷力也會相對增加。

理論上,達到群體保護的門檻以後,傳播狀況會明顯減少。然而即使突破理論門檻 66%,而且仍有防疫措施阻礙,SARS 二世冠狀病毒仍在瑪瑙斯持續蔓延,沒有停歇。

到底要多少人感染,才能達到群體保護的門檻?目前沒有頭緒,由瑪瑙斯看來,現實世界中 66% 恐怕仍然不夠。

巴西 200 萬人口的城市瑪瑙斯,不幸成為全世界疫情最嚴重的地方之一,而且預期的群體免疫,似乎沒有阻止病毒持續蔓延。這場瘟疫下,究竟群體保護的門檻為何,仍然無法判斷。圖/REUTERS

由於不同人得疫後的差異很大,有人主張只需專注保護少數高風險的脆弱族群,其餘防疫不用太過,以免過度干擾社會運作。但是瑪瑙斯的案例指出,如此廣傳之下,想要保護特定的脆弱族群免於感染,幾乎是辦不到的事。

回顧疫情至今,一堆國家「封城」的效果與影響,大概已經足夠告訴我們,更嚴格的防疫措施辦不到。但是假如直接放棄,假裝瘟疫和新疆集中營一樣不存在,馬照跑舞照跳,似乎也太過消極。

要達到群體保護,正常主要依靠疫苗,這也是許多國家努力的方向。如以色列便正在大規模使用疫苗,目前看來,儘管感染人數仍有增加,傳染趨勢似乎有所減緩。另一方面,英國、南非、巴西觀察到的新型病毒,卻可能影響疫苗的效果。

總之,靠自然感染達到群體免疫,看來難度比想的更大,而且不知道能否達成。而疫苗的效果如何,則值得密切注意。

延伸閱讀:

參考資料:

  1. Do antibody positive healthcare workers have lower SARS-CoV-2 infection rates than antibody negative healthcare workers? Large multi-centre prospective cohort study (the SIREN study), England: June to November 2020
  2. COVID reinfections are unusual — but could still help the virus to spread
  3. Three-quarters attack rate of SARS-CoV-2 in the Brazilian Amazon during a largely unmitigated epidemic
  4. Herd immunity by infection is not an option

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

群體免疫是什麼?一起看影片長知識!

文章難易度
寒波_96
168 篇文章 ・ 573 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》。

0

32
4

文字

分享

0
32
4
人海中注意你的聲音、喧鬧中聽見我的名字:認識雞尾酒會效應
雅文兒童聽語文教基金會_96
・2021/05/24 ・3028字 ・閱讀時間約 6 分鐘
  • 文 / 李翊瑞|雅文基金會聽語科學研究中心研究助理

在一場雞尾酒會上,有著豐盛的佳餚,以及來自四面八方的賓客。你與三五好友們正享受著派對的氣氛,開心地閒聊彼此的生活。儘管環境中充滿各式各樣的聲音—空調運行的風聲、會場的背景音樂、以及隔壁桌的談笑聲,似乎一點也不打斷你們之間交談的樂趣。然而,當你正專注地和眼前的朋友聊天,並聊得渾然忘我時,另一位好友在遠方呼喚你的名字,你卻能馬上回過頭去尋找聲音的來源,究竟是怎麼辦到的呢?

身處在派對的吵雜的環境中,我們卻能盡情地與朋友們把酒言歡,彷彿一點也不受干擾。圖/Pexels

左耳進,左耳出?雞尾酒會效應的發現

前面所提到的現象稱為雞尾酒會效應(cocktail-party effect),指的是在環境中其他對話或噪音干擾的情況下,選擇性聆聽特定聲音的能力[1]。雞尾酒會效應最早是由英國認知科學家 Colin Cherry 於 1953 年提出[2],有趣的是,Cherry 在進行研究時,並沒有舉辦或者參加了很多場雞尾酒會,而是設計了一項名為跟讀(shadowing)的實驗。

在跟讀實驗中,受試者會載上耳機,左耳及右耳會聽到完全不同的句子,且聽到的當下必須馬上複誦其中一耳所聽到的內容。例如當被要求複誦「右耳」所聽到的內容,而左耳聽到「在她的野餐籃裡,有著花生醬、三明治……」,右耳聽到「有隻小貓正在追著老鼠…」時,受試者就必須即時回答「有隻小貓正在追著老鼠……」。實驗結果發現[2],多數的受試者都能正確跟讀某一耳所聽到的語句,並忽略另一耳的訊息,顯示注意力(attention)似乎能選擇性地投入某個事物上。

在跟讀實驗裡,雙耳會分別呈現不同的訊息,而受試者必須注意聆聽並覆誦其中一隻耳朵聽到的內容。圖/雅文基金會

是誰在呼喚我?刻在心底的名字

然而,當受試者正聚精會神地聆聽與複誦右耳的句子時,未受注意的左耳所聽到的內容,真的就如同耳邊風一樣,完全沒有進入大腦的處理歷程嗎?其實,有部分的訊息依然可以被我們的大腦所處理。

在剛剛所提到的實驗中,Cherry 指出受試者雖然很難回答出未受注意一耳的語句內容,卻能察覺到訊息在語音性質上的變化—像是從句子變成單音,或是從男性的聲音變成女性的聲音[2]。更特別的是,後續研究發現當未受注意的一耳出現自己的名字時,受試者也能即時察覺,並將注意力轉移到原本未受注意的一耳[3]。而這種聽到自己名字的現象不僅出現在成人,甚至在五個多月大的嬰兒身上就能觀察到[4]

聽覺注意力的調節水閥,訊息被減弱但不消失

即使我們特別去注意某些訊息,並忽略環境中的其他刺激,仍然有部分訊息會被大腦所處理。不論是前面所提到的語音性質變化、或是自己的名字,雞尾酒會效應顯示了訊息的處理似乎不是依循全有或全無的原則(all-or-none law):接收應注意的訊息,並過濾或排除掉所有不需注意的訊息。

為了進一步解釋此現象,英國心理學家 Anne Treisman 提出了注意力的減弱模型(attenuation model[5,6]—這個模型主張注意力系統分為四個階段:感官收錄(sensory register)、減弱控制(attenuation control)、知覺歷程(perceptual process)和短期記憶(short-term memory),其中最特別的就是「減弱控制」這個部分。

減弱控制就像是調節訊息的水閥,那些未受注意的訊息,由於和當下正在進行的任務無關(如跟讀作業),而轉為減弱的狀態存在於系統中。最後,被減弱的訊息會進入短期記憶,再依據各個訊息的閾值(threshold)高低而被受試者察覺。閾值可以想像成是個門檻,不同的訊息有不同的門檻,而門檻越低越容易被覺察。像是自己的名字由於閾值較低,因此我們很容易就能注意到;相反的,一些不常聽到的字詞,因為閾值較高而較難被察覺[6]

在 Treisman 的減弱模型中,未受注意的訊息以「減弱」的狀態存在,而非完全被注意力系統排除。圖/Sternberg et al., 2012

用對方法,背景噪音不干擾

「對不起,你剛說什麼?」、「麻煩你說大聲一點」在日常生活中,是不是常常聽到這些話呢?當環境中充斥著各種噪音時,我們能不能主動採取一些策略,讓對方的聲音變得更清楚呢?假如你正打算參加一場派對、或是到一間人聲嘈雜的餐廳,以下三個方法將更有助於你把注意力焦點放在眼前的對話,而不被環境的噪音輕易打斷[1,7]

  1. 留意目標聲音的特性

留意目標說話者一些明顯的聲音特性(像是阿霞有煙嗓,聲音低沉充滿磁性,講話慢慢的),能有效降低鄰近對話內容的干擾。

  1. 提升對話的音量

隨著對話音量的提升,環境中的其他聲音轉為背景音,使對話內容變得更為突出。

  1. 尋找聲音的來源處

不論是眼前的對話,或者是環境中的其他對話或雜音,若能清楚各個聲音的來源(如前後、左右或遠近位置),更有助於將注意力集中在目標來源上。就像坐在咖啡廳突然聽到情侶吵架聲,在定位他們的位置後,通常偷聽起來就會更輕鬆。

Google AI 新應用,讓機器模仿人類的雞尾酒會效應

在吵雜環境中,將注意力集中在特定的目標上,藉以分辨不同的聲音內容,是人類與生俱來的能力;然而,這件事情對於機器來說卻顯得格外的困難,原因在於當多人同時說話時,混雜的音訊會影響單一人聲的辨識效果。不過,隨著科技的進步,人工智慧技術(artificial intelligenceAI)的發展,現在機器也能辦到同樣的事情!

由 Google 研發團隊結合 AI 所打造的視聽語音分離模型 (audio-visual speech separation model)能夠有效地增強特定說話者的聲音,同時降低環境中其他人聲或雜音干擾[8]。這套系統獨特的地方,在於它能夠同時分析視覺特徵和語音訊息,判讀說話者的嘴型與聲音的變化,建立人與聲音之間的對應關係[9]

這項技術的發展,未來也可望應用在許多領域上:像是在多人對話的影片中,提升自動化字幕生成的正確率。另一方面,也可以用來提升助聽輔具的表現,幫助聽損人士即使身處在吵雜環境中,依然能夠聽到清晰的人聲。

Google 所開發的視聽語音分離模型,能同時判讀視覺(嘴型)與聽覺(語音)特徵,進而獨立出特定說話者的聲音。圖/Ephrat et al., 2018

雞尾酒會效應揭開了注意力系統的奧妙,使我們能在吵雜環境中去關注重要的訊息。瞭解了越多相關的原理與應用後,不妨想想日常生活中還有哪些雞尾酒會效應吧!

參考資料

  1. Sternberg, R. J., Sternberg, K., & Mio, J. S. (2012). Cognitive Psychology. Wadsworth/Cengage Learning.
  2. Cherry, E. C. (1953). Some experiments on the recognition of speech, with one and with two ears. The Journal of the Acoustical Society of America, 25(5), 975–979.
  3. Moray, N. (1959). Attention in Dichotic Listening: Affective Cues and the Influence of Instructions. Quarterly Journal of Experimental Psychology, 11(1), 56–60.
  4. Newman R. S. (2005). The cocktail party effect in infants revisited: listening to one’s name in noise. Developmental Psychology41(2), 352–362.
  5. Treisman A. M. (1964). Monitoring and storage of irrelevant messages in selective attention. Journal of Verbal Learning and Verbal Behavior, 3(6), 449–459.
  6. Treisman A. M. (1969). Strategies and models of selective attention. Psychological Review76(3), 282–299.
  7. Brungart, D. S., & Simpson, B. D. (2007). Cocktail party listening in a dynamic multitalker environment. Perception and Psychophysics, 69(1), 79–91.
  8.  Mosseri, I., & Lang, O. (2018, April 11). Looking to Listen: Audio-Visual Speech Separation. Google AI Blog.
  9. Ephrat, A., Mosseri, I., Lang, O., Dekel, T., Wilson, K., Hassidim, A., Freeman, W. T., & Rubinstein, M. (2018). Looking to listen at the cocktail party. ACM Transactions on Graphics, 37(4), 1–11.
文章難易度
雅文兒童聽語文教基金會_96
36 篇文章 ・ 194 位粉絲
雅文基金會提供聽損兒早期療育服務,近年來更致力分享親子教養資訊、推動聽損兒童融合教育,並普及聽力保健知識,期盼在家庭、學校和社會埋下良善的種子,替聽損者營造更加友善的環境。