2021 年《Science》年度十大科學突破

國民法官生存指南：用足夠的智識面對法庭裡的一切。

本文由 台灣感染症醫學會 合作，泛科學企劃執行。

• 審稿醫生/ 台灣感染症醫學會理事長 王復德

「好想飛出國～」這句話在長達近 3 年的「鎖國」後終於實現，然而隨著各國陸續解封、確診消息頻傳，讓民眾再度興起可能染疫的恐慌，特別是一群本身自體免疫力就比正常人差的病友。

全球約有 2% 的免疫功能低下病友，包括血癌、接受化放療、器官移植、接受免疫抑制劑治療、HIV 及先天性免疫不全的患者…等，由於自身免疫問題，即便施打新冠疫苗，所產生的抗體和保護力仍比一般人低。即使施打疫苗，這群病人一旦確診，因免疫力低難清除病毒，重症與死亡風險較高，加護病房 (ICU) 使用率是 1.5 倍，死亡率則是 2 倍。

進一步來看，部分免疫低下病患因服用免疫抑制劑，使得免疫功能與疫苗保護力下降，這些藥物包括高劑量類固醇、特定免疫抑制之生物製劑，或器官移植後預防免疫排斥的藥物。國外臨床研究顯示，部分病友打完疫苗後的抗體生成情況遠低於常人，以器官移植病患來說，僅有31%能產生抗體反應。

疫苗保護力較一般人低，靠「被動免疫」補充抗新冠保護力

為什麼免疫低下族群打疫苗無法產生足夠的抗體？主因為疫苗抗體產生的機轉，是仰賴身體正常免疫功能、自行激化主動產生抗體，這即為「主動免疫」，一般民眾接種新冠疫苗即屬於此。相比之下，免疫低下病患因自身免疫功能不足，難以經由疫苗主動激化免疫功能來保護自身，因此可採「被動免疫」方式，藉由外界輔助直接投以免疫低下病患抗體，給予保護力。

外力介入能達到「被動免疫」的有長效型單株抗體，可改善免疫低下病患因原有治療而無法接種疫苗，或接種疫苗後保護力較差的困境，有效降低確診後的重症風險，保護力可持續長達 6 個月。另須注意，單株抗體不可取代疫苗接種，完成單株抗體注射後仍需維持其他防疫措施。

長效型單株抗體緊急授權予免疫低下患者使用 有望降低感染與重症風險

2022年歐盟、英、法、澳等多國緊急使用授權用於 COVID-19 免疫低下族群暴露前預防，台灣也在去年 9 月通過緊急授權，免疫低下患者專用的單株抗體，在接種疫苗以外多一層保護，能降低感染、重症與死亡風險。

從臨床數據來看，長效型單株抗體對免疫功能嚴重不足的族群，接種後六個月內可降低 83% 感染風險，效力與安全性已通過臨床試驗證實，證據也顯示針對台灣主流病毒株 BA.5 及 BA.2.75 具保護力。

六大類人可公費施打 醫界呼籲民眾積極防禦

台灣提供對 COVID-19 疫苗接種反應不佳之免疫功能低下者以降低其染疫風險，根據 2022 年 11 月疾管署公布的最新領用方案，符合施打的條件包含：

一、成人或 ≥ 12 歲且體重 ≥ 40 公斤，且；
二、六個月內無感染 SARS-CoV-2，且；
三、一周內與 SARS-CoV-2 感染者無已知的接觸史，且；
四、且符合下列條件任一者：

(一)曾在一年內接受實體器官或血液幹細胞移植
(二)接受實體器官或血液幹細胞移植後任何時間有急性排斥現象
(三)曾在一年內接受 CAR-T 治療或 B 細胞清除治療 (B cell depletion therapy)
(四)具有效重大傷病卡之嚴重先天性免疫不全病患
(五)具有效重大傷病卡之血液腫瘤病患（淋巴肉瘤、何杰金氏、淋巴及組織其他惡性瘤、白血病）
(六)感染HIV且最近一次 CD4 < 200 cells/mm³ 者 。

符合上述條件之病友，可主動諮詢醫師。多數病友施打後沒有特別的不適感，少數病友會有些微噁心或疲倦感，為即時處理發生率極低的過敏性休克或輸注反應，需於輸注時持續監測並於輸注後於醫療單位觀察至少 1 小時。

目前藥品存放醫療院所部分如下，完整名單請見公費COVID-19複合式單株抗體領用方案。

• 北部

台大醫院(含台大癌症醫院)、台北榮總、三軍總醫院、振興醫院、馬偕醫院、萬芳醫院、雙和醫院、和信治癌醫院、亞東醫院、台北慈濟醫院、耕莘醫院、陽明交通大學附設醫院、林口長庚醫院、新竹馬偕醫院

• 中部

         大千醫院、中國醫藥大學附設醫院、台中榮總、彰化基督教醫療財團法人彰化基督教醫院

• 南部/東部

台大雲林醫院、成功大學附設醫院、奇美醫院、高雄長庚醫院、高雄榮總、義大醫院、高雄醫學大學附設醫院、花蓮慈濟

除了預防 也可用於治療確診者

長效型單株抗體不但可以增加免疫低下者的保護力，還可以用來治療「具重症風險因子且不需用氧」的輕症病患。根據臨床數據顯示，只要在出現症狀後的 5 天內投藥，可有效降低近七成 (67%) 的住院或死亡風險；如果是3天內投藥，則可大幅減少到近九成 (88%) 的住院或死亡風險，所以把握黃金時間盡早治療是關鍵。

• 新冠治療藥物比較表：

免疫低下病友需有更多重的防疫保護，除了戴口罩、保持社交距離、勤洗手、減少到公共場所等非藥物性防護措施外，按時接種COVID-19疫苗，仍是最具效益之傳染病預防介入措施。若有符合施打長效型單株抗體資格的病患，應主動諮詢醫師，經醫師評估用藥效益與施打必要性。

國民法官生存指南：用足夠的智識面對法庭裡的一切。

醉後成為 GAN 之父

2013年秋天，伊恩．古德費洛（Ian Goodfellow）與大學實驗室夥伴在酒吧舉行歡送派對。大家就座，開始猛灌精釀啤酒。酒過三巡，古德費洛已有些微醺，這群研究員開始爭論什麼才是製造能夠自我創造相片寫實影像的機器之最佳途徑。

他們知道可以訓練一套神經網路來辨識影像，然後逆向操作，使其產生影像。但它只能產生一些精細、有如相片的影像，這樣的結果實在難以令人信服。

不過古德費洛的夥伴們有一個主意。他們可以對神經網路產生的影像進行統計分析──辨識特定像素的頻率、亮度，以及與其他像素間的關係。

然後將這些分析結果與真正的相片進行比對，這樣就可以顯示神經網路哪裡出錯了。問題是他們不知道該如何將這些資料編碼輸入他們的系統之中──這可能需要數十億的統計次數。

古德費洛提出一個完全不同的解決之道。他解釋，他們應該做的是建立一套能夠向另一套神經網路學習的神經網路。第一套神經網路製造影像，企圖欺騙第二套神經網路認為這是真的。第二套會指出第一套的錯誤，第一套於是繼續嘗試欺騙，就這樣周而復始。他表示，如果這兩套相互對抗的神經網路對峙得夠久，他們就能製作出寫實的影像。

但是古德費洛的夥伴們並不認同。他們說這主意甚至比他們的還爛。同時，若非他已有些醉了，古德費洛可能也有同感。

「要訓練一套神經網路已經夠難了，」清醒時的古德費洛可能會這麼說，「你不可能在正在學習演算法的神經網路中訓練另一套神經網路。」不過他在當時完全相信可以做到。

當天晚上他返回公寓，他摸黑坐在床邊的桌前，仍然有些微醺，筆記型電腦螢幕的光反射在他臉上。「我的朋友是錯的！」他不斷告訴自己，同時用其他計畫的舊編碼來拼湊他所說的兩套對抗的神經網路，並且開始以數百張相片來訓練這套新裝置。

幾個小時後，它開始顯現他所預期的效能。生成的影像很小，和一片指甲一樣，而且還有一些模糊。不過它們看來就和相片一樣。他後來表示，他完全是運氣來了。

「如果它不成功，我可能就會放棄了。」他後來在發表此一概念的論文中將它稱作「生成對抗網路」（generative adversarial networks，GANs）。自此之後，他成為全球人工智慧研究圈口中的「GAN之父」。

生成對抗網路的蓬勃發展

2014年夏天，他正式加入谷歌，當時他已在積極推廣GAN，強調這有助於加速人工智慧的研發。他在說明概念時，往往會以理查．費曼為例。費曼曾在教室黑板上寫道：「我創造不出來的東西，我就不了解。」

古德費洛相信費曼此一名言除了人類之外，也可以適用於機器：人工智慧創造不出來的東西，它就不了解。他們指出，創造，能夠幫助機器了解周遭的世界。

「如果人工智慧可以用逼真的細節去想像世界──能夠學習如何想像逼真的影像與逼真的聲音──這樣可以鼓勵人工智慧學習現實存在的世界結構，」古德費洛說道，「它能幫助人工智慧了解所看到的影像與所聽到的聲音。」如同語音、影像辨識與機器翻譯，GAN代表深度學習又向前邁進一大步。或者，至少深度學習的研究人員是這麼認為。

臉書人工智慧研究中心主任楊立昆（Yann LeCun）在2016年盛讚GAN「是深度學習近二十年來最酷的概念」。古德費洛的成就激發出許多圍繞其概念的計畫，有的是加以改進，有的是據此進一步發展，有的則是發起挑戰。

懷俄明大學的研究人員建造一套系統，能夠產生細小但是完美的影像，包括昆蟲、教堂、火山、餐廳、峽谷與宴會廳。輝達（NVIDIA）的一個研究團隊則是建造一套神經網路，可以將一幅顯示炎炎夏日的相片影像轉變成死氣沉沉的冬日。

加州大學柏克萊分校的研究小組則設計出一套系統，能夠將馬匹的影像轉變成斑馬，把莫內的畫變成梵谷的畫。這些都是科技界與學界最受人矚目與最有趣味的研發計畫。

可是，就在這時，世界發生劇變。2016年11月，唐納．川普贏得美國總統大選。美國生活與國際政局隨之出現天翻地覆的變化，人工智慧也難以倖免。幾乎是立即出現的衝擊，政府開始打壓移民引發人才流動的憂慮。

美國排外政策造成 AI 產業衝擊

在美國就讀的國際學生已在減少之中，如今更是大幅銳減，對外國人才依賴甚重的美國科學與數學界也因此開始受創。「我們是開槍打自己的腦袋，」西雅圖著名的艾倫人工智慧研究所（Allen Institute for Artificial Intelligence）的執行長說，「我們不是打在腳上，是腦袋。」

一些大企業已在擴張他們的海外研發作業。臉書分別在蒙特婁與楊立昆的家鄉巴黎設立實驗室。川普政府移民政策所帶來的威脅在2017年4月就已顯現，距離他上任不過三個月。

與此同時，「深度學習運動之父」傑弗瑞．辛頓（Geoffrey Hinton）幫助成立向量人工智慧研究所（Vector Institute for Artificial Intelligence）。這是多倫多的一所研發育成機構，設立資金達一億三千萬美元，其中包括美國科技巨擘如谷歌與輝達的挹注。

此外，加拿大總理賈斯汀．杜魯道（Justin Trudeau）也承諾以九千三百萬美元來扶持在多倫多、蒙特婁與愛德蒙頓的人工智慧研發中心。年輕的研究員莎拉．薩波爾（Sara Sabour）是辛頓一位關鍵性的合作夥伴，她的事業歷程足以說明人工智慧圈內的國際色彩是多麼容易受到政治影響。

2013年，在伊朗的謝里夫理工大學（Sharif University of Technology）完成電腦科學的學業之後，薩波爾申請到華盛頓大學深造，攻讀電腦視覺與其他方面的人工智慧，校方接受了她的申請。但是美國政府卻拒絕給予簽證，顯然是因為她在伊朗長大與就學的關係，而且她所要攻讀的領域，電腦視覺，也是潛在的軍事與安全科技。第二年，她成功進入多倫多大學，之後追隨辛頓加入谷歌。

在此同時，川普政府持續阻擋移民進入美國。「現在看來是美國企業獲益，」亞當．席格（Adam Segal）說道，他是美國外交關係協會（Council on Foreign Relations）有關新興科技與國家安全的專家，「但是就長期來看，科技與就業機會都不會在美國實現。」

人工智慧等技術讓製造假訊息變得更容易

但是人才的遷移還不是川普入主白宮所造成的最大變化。自選舉一結束，國內媒體就開始質疑網上假訊息對選舉結果的影響，引發社會大眾對「假新聞」的憂慮。

起初祖克柏試圖消除這樣的關切，他在選舉的幾天後於矽谷的一個公開場合，輕描淡寫地表示，選民受假新聞左右是一個「相當瘋狂的想法」。但是許多記者、立法者、名嘴與公民都不予苟同。

事實上此一問題在選舉期間十分猖獗，尤其在臉書的社交網路，有數以萬計，甚至可能是百萬計的網民，分享一些虛假編造的故事，這些故事的標題例如「涉嫌希拉蕊電郵洩密案的聯邦調查局人員被發現死亡，顯為謀殺後自殺」或是「教宗方濟各支持川普競選總統震驚世界」。

臉書後來揭露有一家與克里姆林宮關係甚密的俄羅斯公司，花了超過十萬美元向470個假帳戶與頁面買網路廣告，散播有關種族、槍枝管制、同性戀權利與移民等方面的假訊息，此一事件使得公眾更感關切。

與此同時，社會大眾的憂慮也投射到GAN與其他相關的科技上，使它們以完全不同於過去的面貌成為世人焦點：這些科技看來是產生假新聞的管道。

然而人工智慧科學家當時的研究卻完全是在助長這種看法。華盛頓大學的一支團隊，利用神經網路製作出一段冒用歐巴馬說話的影片。中國一家新創企業的工程師則利用相同的科技讓川普說中文。

其實偽造的影像並不是新玩意兒。自照相術發明以來，人們就開始利用技術來偽造相片。不過由於新式的深度學習可以自我學習這些工作──或者至少部分的工作──它們使得這樣的編輯變得更容易。

政治人物與活動、民族國家、社會運動人士、不滿分子往後不需要僱用大批人手來製造與散播假圖片和假影片，他們只要建造一套神經網路就能自動完成這些工作。

在美國總統大選期間，人工智慧的圖像操作潛能距離完全發揮仍有幾個月的時間。當時GAN只能產生如指甲大小的圖像，而要將字句置入政治人物的口中仍需要罕有的專業技能，更別說其他一些費力的工作了。

不過，在川普勝選一週年時，輝達在芬蘭實驗室的一支團隊開發出新款GAN，稱作「漸進式GAN」，可以利用對抗式的神經網路製造出實際尺寸的圖像，包括植物、馬匹、巴士與自行車，而且幾可亂真。

圖像不再能代表證據

不過這項科技最受矚目的是它能夠製造人臉。在分析數千張名人照片後，輝達這套系統可以製造出看來像是某位名人，但其實並不是的人臉圖像──一張看來像是珍妮佛．安妮斯頓（Jennifer Aniston）或席琳娜．戈梅茲（Selena Gomez）的臉孔，而實際上並非真人。這些被製造出來的臉孔看來都像真人，有他們自己的皺紋、毛孔、暗影，甚至個性。

「這項科技的進步速度太快，」菲利浦．艾索拉（Phillip Isola）說道，他是幫助開發此類科技的麻省理工學院教授，「剛開始時是這樣的，『好吧，這是一項有趣的學術性問題，你不可能用來製造假新聞，它只能產生一些略顯模糊的東西。』結果卻演變成『噢，你真的可以製作出像照片一樣逼真的臉孔。』」

在輝達宣布此一新科技的幾天後，古德費洛在波士頓一間小會議室發表演說，演說的幾分鐘前，一位記者問他該科技的意義何在。他指出他知道其實任何人都早已可以用 Photoshop 來製造假圖像，不過他也強調，重點是使得這項工作更為容易。「我們是促使已經具有可能性的事情加速實現。」他說道。

他解釋，隨著這些方法的改進，「有圖有真相」的時代也將結束。

「從歷史來看，這其實有些僥倖，我們能夠依賴影片作為事情曾經發生過的證據，」他說道，「我們過去常常是根據誰說的、誰有動機這麼說、誰有可信度、誰又沒有可信度，來看一件事情。現在看來我們又要回到那個時代。」

可是中間會有一段很艱難的過渡期。「遺憾的是現今世人不太會批判性思考。同時大家對於誰有可信度與誰沒有可信度都比較傾向於從族群意識去思考。」這也代表至少會有一段調整期。

「人工智慧為我們打開了許多我們不曾打開的門。我們都不知道在門的另一邊會有什麼東西，」他說道，「然而在此一科技方面，卻更像是人工智慧關閉了我們這一代人已經習慣打開的門。」

調整期幾乎是立即展開，某人自稱為「深度偽造」（Deepfakes），開始將一些名人的頭像剪接至色情影片中，然後再上傳至網路。這個匿名的惡作劇者後來把能搞出這些花樣的應用程式公開，這類影片立刻大量出現在討論板、社交網路與如 YouTube 的影音網站。

如 Pornhub、Reddit 與推特等平台趕忙禁止這種行為，但是此一操作與相關概念已滲透進入主流媒體。「深度偽造」也變成一個專有名詞，意指任何以人工智慧偽造，並在線上散播的影片。

——本文摘自《AI製造商沒說的祕密： 企業巨頭的搶才大戰如何改寫我們的世界？》，2022 年 8 月，時報出版，未經同意請勿轉載。

國民法官生存指南：用足夠的智識面對法庭裡的一切。

對撞機能夠給出什麼答案？

物理學家想用大型強子對撞機來解答的重要問題，可以總結如下：在大型強子對撞機的能量級下，粒子物理的標準模型是否有效？「對撞機能量級」是個大大的躍進，因為其能量大小超越了電弱對稱破缺尺度；在這個尺度之上，兩種基本作用力相互統一，而 W 和 Z 玻色子、甚至所有其他基本粒子的質量，也許都是起源於此。

如果標準模型可以成功描述新能量範疇的現象，希格斯粒子應該就會存在，但看來不會有什麼其他的新發現；反之，如果標準模型失效，也許就沒有希格斯粒子了，不過背後一定會藏著稀奇古怪的事物。其實有個不易察覺的問題會左右這件事：我們究竟有多了解標準模型在此能量級下預測的現象？這並不容易回答。

一般而言我們並沒有能耐百分之百準確地解出標準模型。所有人都是用近似法。而絕大多數的近似方法之所以可行，是因為基本作用力的「耦合」，也就是強度，沒有很大。「耦合」就是在物理過程對應的費曼圖中，每個作用頂點帶有的值。（參見【科學解釋 8】）

微擾理論的應用

作用力的強度可以用一個數值來表示。如果說這個數值是 0.1，那麼兩個粒子交互作用的機率就會和 0.1 乘上 0.1，也就是 0.01 成正比。要是有三個粒子，機率就變成 0.1 的三次方，0.001，四個粒子的話就是 0.0001，如此這般。由此可知，如果耦合值很小，你就可以忽略比方說四個粒子以上的粒子交互作用―超過這個臨界值的項對於主要結果都只是極小的微擾罷了，因為前面至少會乘上 0.1 的五次方，也就是 0.00001。

可見更多粒子的反應項只會些微改變原本的結果而已。這就是「微擾理論」的例子，微擾理論廣泛運用於解決物理界和化學界中許多的問題。只要耦合值很小、也就是作用力很弱，這個理論就十分準確。

然而，這種近似法並不是永遠有效。微擾理論失效的地方大多涉及強核力、也就是量子色動力學。這就是為何大家要把這種作用力稱為強核力。我們不是故意要混淆視聽的，強核力的確和它的名字一樣難以應付。

舉例來說，在我們對撞質子，想一探其內部夸克及膠子的種類分布時，某些方面的資訊其實無法從先前所提的原則計算得到（參見 4.5 節）。除此之外，我們也無法算出夸克和膠子最後是如何結合成新的強子的。雖然大家手上有量子色動力學的限制條件，也有一些基本的能量守恆、及動量守恆定律，以及不少從其他地方得到的數據，卻無法用微擾理論。

原因在於強核力的耦合值非常接近一，不論幾次方都還是一。因此，不管你計算的對象是幾個粒子，得到的結果都不會收斂到某個可信的值。最終我們只好依據自己的經驗來猜測結果、或建立模型。而這樣的結論一直都有調整空間。

因此我們要嚴肅看待一個問題：大家在調整模型的時候，實際上可能會遮蔽了令人興奮的新物理。要避免這個問題，你得拿自己熟悉、以微擾理論計算的結果，連結上自己還不太明白、有調整空間的模型。我想像出一個比較毛骨悚然的情景來譬喻這件事――一具以精準預測架構的骨架，嵌在以最佳猜想組成的濕軟肉體內。

肉體的形狀可以改變。你可以重搥它的肚子，或捏它的臉頰（相對來說比較不痛）；但是它有兩隻手兩隻腳，如果你打斷了某根骨頭，自己一定會知道。

用既有的知識探索未知

無論如何，大家利用電腦程式來把可塑的模型、與不易動搖的微擾理論整合在一起，而且絕大部分的工作都已經完成了；這種程式就是蒙地卡羅事件產生器（Monte Carlo event generator）。程式不但能編譯大部分我們擁有的粒子對撞現象的相關知識，同時也是個珍貴的工具，能協助物理學家設計新的實驗，並釐清既有的實驗對不同模擬數據會如何反應與解讀。「蒙地卡羅」這個名字有其典故^＊，因為就和俄羅斯輪盤賭注一樣，這種事件產生器用上了很多隨機的數字。

這一切其實都牽涉到一點有趣的科學社會學。身為一位理論學家，有時你會因為投入某類蒙地卡羅事件產生器相關的研究而吃虧。你的一篇論文可能已經被引用了數千次，大家還是會說：「不過是電腦軟體罷了。」或是「這只是蒙地卡羅那類的玩意兒。」反之，要是你是發表一篇弦論的論文，又被引用這麼多次的話，你就能像個巨人般橫行全世界了。但說到底，弦論努力想預測的現象距離實證還是很遙遠，蒙地卡羅事件產生器卻可以實際解釋數據。

蒙地卡羅事件產生器雖然不是唯一的辦法，大致上仍是物理學家在理解標準模型的意義、與儘量試著利用模型精確預測現象時，所付出的一份心血。

雖然和大型強子對撞機的學界相比，蒙地卡羅事件產生器的研究社群規模較小，但相對來說，這個領域的成員盡的心力甚至不會比大家建造對撞機的付出還要少。美國物理學會也許是考量到了這一點，將 2011 年的櫻井獎（J.J. Sakurai Prize）頒給在這個領域工作的三位理論學家，分別是韋伯（Bryan Webber）、阿塔瑞利（Guido Altarelli）、斯舍斯特蘭（Torbjörn Sjöstrand）。頒獎典禮的引言如下：

因為三位物理學家的洞見，我們得以縝密驗證粒子物理的標準模型，實現高能物理實驗的目標、並從中學習量子色動力學、電弱交互作用、與可能的新物理的確切知識。

我很開心他們獲獎，因為其中兩位是我很親近的朋友，也更是因為三人所寫的計算方法及程式對大型強子對撞機幾乎所有的研究都十分重要，像是確保大家不會在不知情的情況下遮蔽任何新的物理。當前，我們正在嘗試確認希格斯粒子搜尋實驗的不定變數大小，並縮減其數量；人人都在尋找關鍵的三標準差證據、甚至是五標準差的大發現。為了這個目標，許多人夜以繼日持續比對新的數據和蒙地卡羅事件產生器的結果。

——本文摘自《撞出上帝的粒子：深入史上最大實驗現場》，2022 年 12 月，貓頭鷹出版，未經同意請勿轉載。