踏入數位學習時代，讓電腦成為孩子的學習夥伴！

2023 年 2 月底， 約翰霍普金斯大學教授 Thomas Hartung 帶領研究團隊，發表了「類器官智慧」（Organoid intelligence , OI）的研究成果，希望利用腦類器官加上腦機介面，打造全新的生物計算技術。

我們終於要製造人工大腦了嗎？OI 和 AI，誰會成為未來主宰？

類器官智慧 OI 是什麼？目標為何？

2023 年的現在，AI 就已展現了不少驚人的實際成果；相較之下， OI 仍只是一個剛起步的計畫，甚至連名稱都與 2018 年美國《自然—物理學》期刊專欄作家、物理學家布坎南以 Organoids of intelligence 作為標題的文章幾乎一樣。

類器官智慧、Organoid intelligence、OI 是個很新的跨領域名詞，同時結合了「腦類器官」和「腦機介面」兩個領域的技術。

簡單來說，腦類器官就是指透過培養或誘導多能幹細胞（iPSCs），在模擬體內環境的旋轉生物反應器中，產生的腦組織。這項聽起來好像只會出現在科幻電影裡的技術，確實已經存在。

最早的腦類器官是在 2007 年，日本 RIKEN 腦研究所的笹井芳樹和渡辺毅一的研究團隊，成功從人類胚胎幹細胞培養出前腦組織。第一個具有不同腦區的 3D 腦類器官則是發表在 2013 年的《Nature》期刊，由奧地利分子技術研究所的尤爾根．科布利希和瑪德琳．蘭開斯特研究團隊成功建立。

腦類器官的出現，在生物與醫學研究中有重大意義，這代表未來科學家們若需要進行大腦相關的研究，再也不用犧牲實驗動物或解剖大體老師來取得人類大腦，只需要在培養皿就製造出我們要的大腦即可。

儘管培養皿上的組織確實是大腦組織，但不論是在大小、功能，以及解剖構造上，至今的結果仍遠遠不及我們自然發育形成的大腦。因此要達到 OI 所需要的「智慧水準」，我們必須擴大現有的腦類器官，讓他成為一個更複雜、更耐久的 3D 結構。

而這個大腦也必須含有與學習有關的細胞和基因，並讓這些細胞和 AI 以及機器學習系統相連接。透過新的模型、演算法以及腦機介面技術，最終我們將能了解腦類器官是如何學習、計算、處理，以及儲存。

OI 是 AI 的一種嗎？

OI 能不能算是 AI 的一種呢？可說是，也不是。

AI 的 A 指的是 Artificial，原則上只要是人為製造的智慧，都可以稱為 AI。OI 是透過人為培養的生物神經細胞所產生的智慧，所以可以說 OI 算是 AI 的一種。

但有一派的人不這麼認為。由於目前 AI 的開發都是透過數位電腦，因此普遍將 AI 看做數位電腦產生的智慧—— AI 和 OI 就好比數位對上生物，電腦對上人腦。

OI 有機會取代 AI ？它的優勢是什麼？

至於為何電腦運算的準確度和運算速度遠遠高於人腦，最主要原因是電腦的設計具有目的性，就是要做快速且準確的線性運算。反之，大腦神經迴路是網狀、活的連結。

人類本身的基因組成以及每天接收的環境刺激，不斷地改變著大腦，每一分每一秒，我們的神經迴路都和之前的狀態不一樣，所以即使就單一的運算速度比不上電腦，但人腦卻有著更高學習的效率、可延展性和能源使用效率。在學習一個相同的新任務時，電腦甚至需要消耗比人類多 100 億倍的能量才能完成。

這樣看來，至少 OI 在硬體的效率與耗能上有著更高優勢，若能結合 AI 與 OI 優點，把 AI 的軟體搭載到 OI 的硬體上，打造完美的運算系統似乎不是夢想。

但是 OI 的發展已經到達哪裡，我們還離這目標多遠呢？

OI 可能面臨的阻礙及目前的發展

去年底，澳洲腦科學公司 Cortical Labs 的布雷特．卡根（Brett Kagan）帶領研究團隊，做出了會玩古早電子遊戲《乓》（Pong）的培養皿大腦—— DishBrain。這個由 80 萬個細胞組成，與熊蜂腦神經元數量相近的 DishBrain，對比於傳統的 AI 需要花超過 90 分鐘才能學會，它在短短 5 分鐘內就能掌握玩法，能量的消耗也較少。

現階段約翰霍普金斯動物替代中心等機構，其實只能生產出直徑大小約 500 微米，也就是大約一粒鹽巴大小的尺寸的腦類器官。當然，這樣的大小就含有約 10 萬個細胞數目，已經非常驚人。雖然有其他研究團隊已能透過超過 1 年的培養時間做出直徑 3～5 毫米的腦類器官，但離目標細胞數目 1000 萬的腦類器官還有一段距離。

為了實現 OI 的目標，培養更大的 3D 腦類器官是首要任務。

OI 的改良及多方整合

腦類器官畢竟還是個生物組織，卻不像生物大腦有著血管系統，能進行氧氣、養分、生長因子的灌流並移除代謝的廢物，因此還需要有更完善的微流體灌流系統來支持腦類器官樣本的擴展性和長期穩定狀態。

在培養完成腦類器官以及確定能使其長期存活後，最重要的就是進行腦器官訊息輸入以及反應輸出的數據分析，如此我們才能得知腦類器官如何進行生物計算。

受到腦波圖（EEG）紀錄的啟發，研究團隊將研發專屬腦類器官的 3D 微電極陣列（MEA），如此能以類似頭戴腦波電極帽的方式，把整個腦類器官用具彈性且柔軟的外殼包覆，並用高解析度和高信噪比的方式進行大規模表面刺激與紀錄。

若想要進一步更透徹地分析腦類器官的訊號，表面紀錄是遠遠不夠的。因此，傷害最小化的的侵入式紀錄來獲取更高解析度的電生理訊號是非常重要的。研究團隊將使用專門為活體實驗動物使用的矽探針Neuropixels，進一步改良成類腦器官專用且能靈活使用的裝置。

正所謂取長補短，欲成就 OI，AI 的使用和貢獻一點也不可少。

下一步，團隊會將進行腦機介面，在這邊植入的腦則不再是人類大腦，而是腦類器官。透過 AI 以及機器學習來找到腦類器官是如何形成學習記憶，產生智慧。過程中由於數據資料將會非常的龐大，大數據的分析也是無可避免。

隨著 AI 快速發展的趨勢，OI 的網路聲量提升不少，或許將有機會獲得更多的關注與研究補助經費，加速研究進度。更有趣的是，不僅有一批人希望讓 AI 更像人腦，也有另一批人想要讓 OI 更像電腦。

生物、機械與 AI 的界線似乎會變得越來越模糊。

OI＝創造「生命」？

講到這裡，不免讓人擔心，若有一天 OI 真的產生智慧，我們是否就等於憑空創造出了某種「生命」？這勢必將引發複雜的道德倫理問題。

雖然研究團隊也強調， OI 的目標並不是重新創造人類的意識，而是研究與學習、認知和計算相關的功能，但「意識究竟是什麼」，這個哲學思辨至今都還未有結論。

到底懂得「學習」、「計算」的有機體能算是有意識嗎？如果將視覺腦機介面裝在 OI 上，它是否會發現自己是受困於培養皿上，被科學家們宰割的生物計算機？

不過這些問題不僅僅是 OI 該擔心的問題，隨著人工智慧的發展，GPT、Bing 和其他由矽構成的金屬智慧，隨著通過一個又一個智力、能力測試，也終將面臨相應的哲學與倫理問題。

最後，Neuralink 的執行長馬斯克說過（對，又是他 XD），人類要不被 AI 拋下，或許就得靠生物晶片、生物技術來強化自己。面對現在人工智慧、機械改造、生物晶片各種選擇擺在眼前，未來你想以什麼樣的型態生活呢？

歡迎訂閱 Pansci Youtube 頻道 獲取更多深入淺出的科學知識！

• id S. Moore、諾茨 William I. Notz
• 譯者：鄭惟厚、吳欣蓓

什麼是大數法則？

期望值的定義是：它是可能結果的一種平均，但在計算平均時，機率大的結果占的比重較高。我們認為期望值也是另一種意義的平均結果，它代表了如果我們重複賭很多次，或者隨機選出很多家戶，實際上會看到的長期平均。這並不只是直覺而已。數學家只要用機率的基本規則就可以證明，用機率模型算出來的期望值，真的就是「長期平均」。這個有名的事實叫做大數法則。

大數法則和機率的概念密切相關。在許多次獨立的重複當中，每個可能結果的發生比例會接近它的機率，而所得到的平均結果就會接近期望值。這些事實表達了機遇事件的長期規律性。正如我們在第 17 章提過的，它們是真正的「平均數定律」。

大數法則解釋了：為什麼對個人來說是消遣甚至是會上癮的賭博，對賭場來說卻是生意。經營賭場根本就不是在賭博。大量的賭客贏錢的平均金額會很接近期望值。賭場經營者事先就算好了期望值，並且知道長期下來收入會是多少，所以並不需要在骰子裡灌鉛或者做牌來保證利潤。

賭場只要花精神提供不貴的娛樂和便宜的交通工具，讓顧客川流不息進場就行了。只要賭注夠多，大數法則就能保證賭場賺錢。保險公司的運作也很像賭場，他們賭買了保險的人不會死亡。當然有些人確實會死亡，但是保險公司知道機率，並且依賴大數法則來預測必須給付的平均金額。然後保險公司就把保費訂得夠高，來保證有利潤。

• 在樂透彩上做手腳

我們都在電視上看過樂透開獎的實況轉播，看到號碼球上下亂跳，然後由於空氣壓力而隨機彈跳出來。我們可以怎麼樣對開出的號碼做手腳呢？ 1980 年的時候，賓州樂透就曾被面帶微笑的主持人以及幾個舞台工作人員動了手腳。

他們把 10 個號碼球中的 8 顆注入油漆，這樣做會把球變重，因此可保證開出中獎號碼的 3 個球必定有那 2 個沒被注入油漆的號碼。然後這些傢伙就下注買該 2 個號碼的所有組合。當 6-6-6 跳出來的時候，他們贏了 120 萬美元。是的，他們後來全被逮到。

深入探討期望值

跟機率一樣，期望值和大數法則都值得再花些時間，探討相關的細節問題。

• 多大的數才算是「大數」？

大數法則是說，當試驗的次數愈來愈多，許多次試驗的實際平均結果會愈來愈接近期望值。可是大數法則並沒有說，究竟需要多少次試驗，才能保證平均結果會接近期望值。這點是要看機結果的變異性決定。

結果的變異愈大，就需要愈多次的試驗，來確保平均結果接近期望值。機遇遊戲一定要變化大，才能保住賭客的興趣。即使在賭場待上好幾個鐘頭，結果也是無法預測的。結果變異性極大的賭博，例如累積彩金數額極大但極不可能中獎的州彩券，需要極多次的試驗，幾乎要多到不可能的次數，才能保證平均結果會接近期望值。

（州政府可不需要依賴大數法則，因為樂透彩金不像賭場的遊戲，樂透彩用的是同注分彩系統。在同注分彩系統裡面，彩金和賠率是由實際下注金額決定的。舉例來說，各州所辦的樂透彩金，是由全部賭金扣除州政府所得部分之後的剩餘金額來決定的。賭馬的賠率則是決定於賭客對不同馬匹的下注金額。）

雖然大部分的賭博遊戲不及樂透彩這樣多變化，但要回答大數法則的適用範圍，較實際的答案就是：賭場的贏錢金額期望值是正的，而賭場玩的次數夠多，所以可以靠著這個期望值贏錢。你的問題則是，你贏錢金額的期望值是負的。全體賭客玩的次數合起來算的話，當然和賭場一樣多，但因為期望值是負的，所以以賭客整體來看，長期下來一定輸錢。

然而輸的金額並不是由賭客均攤。有些人贏很多錢，有些人輸很多，而有些人沒什麼輸贏。賭博帶給人的誘惑，大部分是來自賭博結果的無法預測。而賭博這門生意仰賴的則是：對賭場來說，結果並非不可測的。

• 有沒有保證贏錢的賭法？

把賭博很當回事的賭客常常遵循某種賭法，這種賭法每次下注的金額，是看前幾次的結果而定。比如說，在賭輪盤時，你可以每次把賭注加倍，直到你贏為止—或者，當然，直到你輸光為止。即使輪盤並沒有記憶，這種玩法仍想利用你有記憶這件事來贏。

你可以用一套賭法來戰勝機率嗎？不行，數學家建立的另一種大數法則說：如果你沒有無窮盡的賭本，那麼只要遊戲的各次試驗（比如輪盤的各次轉動）之間是獨立的，你的平均獲利（期望值）就會是一樣的。抱歉啦！

• 高科技賭博

全美國有超過 700,000 台吃角子老虎（拉霸）。從前，你丟硬幣進去再拉下把手，轉動三個輪子，每個輪子有 20 個圖案。但早就不是這樣了。現在的機器是電動遊戲，會閃出許多很炫的畫面，而結果是由隨機數字產生器決定的。

機器可以同時接受許多硬幣，有各種讓你眼花撩亂的中獎結果，還可以多台連線，共同累積成連線大獎。賭徒仍在尋找可以贏錢的賭法，但是長期下來，隨機數字產生器會保證賭場有 5% 的利潤。

——本文摘自《統計，讓數字說話》，2023 年 1 月，天下文化出版，未經同意請勿轉載。

• 作者：墨爾 David S. Moore、諾茨 William I. Notz
• 譯者：鄭惟厚、吳欣蓓

實驗法中「隨機化」的必要性

隨機化比較實驗是統計學裡面最重要的概念之一。它的設計是要讓我們能夠得到釐清因果關係的結論。我們先來弄清楚隨機化比較實驗的邏輯：

• 用隨機化的方法將受試者分組，所分出的各組在實施處理之前，應該各方面都類似。
• 之所以用「比較」的設計，是要確保除了實驗上的處理外，其他所有因素都會同樣作用在所有的組身上。
• 因此，反應變數的差異必定是處理的效應所致。

我們用隨機方法選組，以避免人為指派時可能發生的系統性偏差。例如在鐮形血球貧血症的研究中，醫師有可能下意識就把最嚴重的病人指派到羥基脲組，指望這個正在試驗的藥能對他們有幫助。那樣就會使實驗有偏差，不利於羥基脲。

從受試者中取簡單隨機樣本來當作第一組，會使得每個人被選入第一組或第二組的機會相等。我們可以預期兩組在各方面都接近，例如年齡、病情嚴重程度、抽不抽菸等。舉例來說，隨機性通常會使兩組中的吸菸人數差不多，即使我們並不知道哪些受試者吸菸。

新藥研究上不隨機分組帶來的後果：安慰劑效應

如果實驗不採取隨機方式，潛藏變數會有什麼影響呢？安慰劑效應就是潛藏變數，只有受試者接受治療後才會出現。如果實驗組別是在當年不同時間進行治療，所以有些組別是在流感季節治療，有些則不是，那麼潛藏變數就是有些組別暴露在流感的程度較多。

在比較實驗設計中，我們會試著確保這些潛藏變數對全部的組別都有相似的作用。例如為了確保全部的組別都有安慰劑效應，他們會接受相同的治療，全部的組別會在相同的時間接受相同的治療，所以暴露在流感的程度也相同。

要是告訴你，醫學研究者對於隨機化比較實驗接受得很慢，應該不會讓你驚訝，因為許多醫師認為一項新療法對病人是否有用，他們「只要看看」就知道。但事實才不是這樣。有很多醫療方法只經過單軌實驗後就普遍使用，但是後來有人起疑，進行了隨機化比較實驗後，卻發覺其效用充其量不過是安慰劑罷了，這種例子已經不勝枚舉。

曾有人在醫學文獻裡搜尋，經過適當的比較實驗研究過的療法，以及只經過「歷史對照組」實驗的療法。用歷史對照組做的研究不是把新療法的結果和控制組比，而是和過去類似的病人在治療後的效果做比較。結果，納入研究的 56 種療法當中，用歷史對照組來比較時，有 44 種療法顯示出有效。然而在經過使用合適的隨機化比較實驗後，只有 10 種通過安慰劑測試。即使有跟過去的病人比，醫師的判斷仍過於樂觀。

目前來說，法律已有規定，新藥必須用隨機化比較實驗來證明其安全性及有效性。但是對於其他醫療處置，比如手術，就沒有這項規定。上網搜尋「comparisons with historical controls」（以歷史對照組來比較）這個關鍵字，可以找到最近針對曾使用歷史對照組試驗的其他醫療處置，所做的研究。

對於隨機化實驗有一件重要的事必須注意。和隨機樣本一樣，隨機化實驗照樣要受機遇法則的「管轄」。就像抽一個選民的簡單隨機樣本時，有可能運氣不好，抽到的幾乎都是相同政治傾向一樣，隨機指派受試者時，也可能運氣不好，把抽菸的人幾乎全放在同一組。

我們知道，如果抽選很大的隨機樣本，樣本的組成和母體近似的機會就很大。同樣的道理，如果我們用很多受試者，加上利用隨機指派方式分組，也就有可能與實際情況非常吻合。受試者較多，表示實驗處理組的機遇變異會比較小，因此實驗結果的機遇變異也比較小。「用足夠多的受試者」和「同時比較數個處理」以及「隨機化」，同為「統計實驗設計」的基本原則。

——本文摘自《統計，讓數字說話》，2023 年 1 月，天下文化出版，未經同意請勿轉載。