當 AI 遇上公衛，是如虎添翼，還是充滿危機？

《科學生》科普素養閱讀一篇不到3元!!
年訂輸入summer1000，現折1000元

• 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。

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。

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。

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。

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。

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

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。

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。

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。

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。

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。

• 本文轉載自新公民議會《武漢肺炎再感染率低，但群體免疫不容易》

延伸閱讀：

• 傳染像流感，殺傷似SARS：肆虐上下呼吸道的冠狀病毒
• 感染的人多了，自然就會有群體免疫嗎？
• 「抗體檢驗」是什麼？面臨那些限制？偽陽性、抽樣與群體免疫
• COVID-19 有多致命？認識3種死亡率
• COVID-19 殺死的人比帳面數字更多，但是究竟多少？
• 一直待在家快悶壞啦！嚴格的防疫管制，什麼時候才能放鬆？
• 英國、南非、巴西……武漢肺炎進入總加速師新階段？

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！

《科學生》科普素養閱讀一篇不到3元!!
年訂輸入summer1000，現折1000元

• 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？

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。

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]。

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。

2. 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。

3. 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 intelligence，AI）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。

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 Psychology, 41(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 Review, 76(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.