AI 破解生命密碼！AlphaFold 3 揭開蛋白質折疊的終極謎團

本文與 江欣樺營養師 合作，泛科學企劃執行。

肺癌連四冠　成為台灣十大癌症之首的背後原因

根據衛福部國民健康署於 2024 年 12 月公布的最新數據，肺癌已穩居台灣十大癌症榜首。這不只是發生人數最高，更同時擁有死亡率最高、晚期發現比例最高、醫療費用最高等三項不名譽的紀錄，可說是名副其實的「癌症四冠王」。

肺癌新確診人數在過去十年中持續上升，尤其在 2022 年 7 月政府推動肺癌篩檢政策後，越來越多過去未被發現的病例被篩檢出來。這項針對高風險族群的篩檢措施，有助於提高早期發現的比例，但也凸顯出台灣肺癌潛藏病例數量之大。

過去，大腸直腸癌曾長期穩居癌症發生率第一位，如今退居第二位，仍值得高度關注。不過，肺癌的快速上升與普及化趨勢，則反映出不僅吸菸者受影響，越來越多不吸菸卻罹患肺癌的人也在增加，使得肺癌防治策略面臨新的挑戰。

基因變異遇上空污 PM2.5：台灣肺癌高發生率的雙重危機

在肺癌逐年升溫的背後，科學家持續探究其背後的成因。其中，一篇刊登於《Cell》2020 年 7 月號的研究引起了國際關注。這項研究由中央研究院團隊主導，聯合臺灣大學、臺北醫學大學及臺中榮總等單位共同完成，發現一種名為「APOBEC 變異」的基因特徵，可能與臺灣女性罹患肺癌發生率偏高有關。該變異會影響細胞內 DNA 的穩定性，使其更容易累積損傷並進一步發展為癌症，這項研究也讓人們開始重新思考肺癌與遺傳體質之間的關聯性。

除了基因之外，環境因素依然是不可忽視的關鍵。2023 年 4 月《Nature》的一篇封面故事則指出，空氣污染對肺癌的影響，可能不是直接造成新的 DNA 突變，而是透過誘發「慢性發炎」的機制，促使原本已帶有變異的細胞被「喚醒」並增殖形成腫瘤。這如同將原本處於沉睡狀態的壞細胞，因長期的空氣污染刺激而被激活。

由此可見，預防癌症的策略或許不應僅著重於防止癌細胞的「產生」，更重要的是避免讓它們「活化」。這也代表預防策略的重點，正從過去單純的「避免基因突變」，轉向同時「減少發炎反應」。而導致這些發炎與突變的因素，其實仍然是我們熟悉的環境污染源，例如 PM2.5、香菸二手煙、油煙與室內空氣品質等。

值得注意的是，這種風險機制並不只侷限於肺癌。大腸直腸癌的發生同樣與基因變異及環境因子的交互作用密切相關，顯示癌症成因不再是單一來源，而是多層次、需整合多面向來防範的健康議題。

遠離肺部發炎：從廚房油煙到腸道保健的肺癌預防關鍵

在空氣品質頻頻亮紅燈的臺灣，要保護肺部健康，關鍵就在於避開引發發炎反應的因子。國民健康署明確指出，「吸菸」仍是肺癌最主要的危險因子，佔所有患者的七至八成。然而，非吸菸者也絕不能掉以輕心，二手菸、交通廢氣、PM2.5 等空氣污染物，同樣是導致肺部慢性發炎的重要元凶。

此外，有一項常被忽略卻與肺癌風險高度相關的危險因子，來自我們每天的廚房——烹飪油煙。國民健康署指出，臺灣女性長期暴露於烹飪油煙中，罹患肺癌的風險不容忽視，尤其是在長時間未使用抽油煙機的情況下。國民健康署指出，未使用抽油煙機的非吸菸女性，其肺癌風險竟比有使用者高出約8.3倍。這項數據提醒我們，日常看似平常的行為，可能正是健康風險的關鍵所在。

除了遠離風險因子，江欣樺營養師也提出，從「腸道」著手是提升免疫力、降低全身發炎反應的新方向。維持腸道健康不僅能調節整體免疫系統，更與肺部的發炎反應息息相關。以益生菌株 TW01 為例，研究指出它能有效抵達腸道內的免疫關鍵區域——貝爾斑（Peyer’s patch），調節 T 細胞中 TH1 與 TH2 的平衡，有助於緩解過度的免疫反應或過敏現象。

此外，TW01 菌株也能促進B細胞分泌 IgA 免疫球蛋白，強化腸道黏膜層的保護力，減少「腸漏」的發生，進而間接保護其他器官免受炎症的侵擾。更令人關注的是，該菌株亦在研究中展現抑制大腸癌細胞的潛力，對於目前台灣排名第二的大腸直腸癌，可能提供另一層預防上的助力。

TW01 益生菌對抗肺癌：從腸－肺軸線降低空污引發的肺損傷

腸道與肺部之間存在一條重要的生理連結，稱為「腸－肺軸線」。今年初發表於《Nutrients》期刊的一項臺灣研究指出，TW01 益生菌能透過腸－肺軸線機制，從腸道出發，間接守護我們的肺部健康。研究結果顯示，TW01 益生菌有三大關鍵作用：首先，有助於減輕空污 PM2.5 所造成的肺損傷；其次，可降低肺部發炎物質（如 TNF-α、IL-6、IL-10 等）；第三，降低肺纖維化，主要透過調節 TGF-β1/Smad 信號傳導來達成。

其實，腸道與其他器官之間也存在類似的「軸線」關係，例如腸－腦軸線影響情緒與睡眠，腸－皮膚軸線與皮膚狀況密切相關。這些軸線代表著腸道菌叢的健康與代謝活動，很容易影響到其他器官。反過來，器官之間的影響同樣是雙向的——空污中的 PM2.5 不只損害肺部，也會擾亂腸道菌相，甚至引發「腸漏症」，讓體內毒素再次回到肺部，進一步惡化發炎反應。

預防肺癌、對抗 PM2.5，從 TW01 益生菌構築更健康的防線

面對癌症這個複雜的敵人，我們或許無法改變基因，但我們可以從每天的選擇中，建立更堅固的健康防線。越來越多研究顯示，身體各個器官並非獨立運作，而是彼此緊密串聯——肺與腸的關聯，正是一個明顯的例子。從腸道微生物的平衡，到肺部的免疫狀態，生活中的每一項小習慣，其實都可能悄悄影響著我們罹癌的風險。

空氣品質意識、健康飲食內容、規律運動習慣、定期健康檢查，這些看似平凡的日常行為，正是最切實且有效的預防行動。特別在台灣，肺癌與大腸癌長期高居發生率前兩名，更提醒我們——預防不能等到症狀出現才開始，而應該從日常做起。

本文轉載自顯微觀點

顯微鏡在科學發展中扮演關鍵的角色，讓人們得以突破肉眼的限制，深入微觀的世界探索。而隨著時間推進，顯微技術也日新月異，其中現代顯微鏡設計了所謂的「無限遠光學系統」（Infinity Optical Systems），更是提升了顯微鏡性能和突破過去的觀察瓶頸。因此主要的顯微鏡製造商現在都改為無限遠校正物鏡，成為顯微鏡的技術「標配」。

1930 年代，相位差顯微技術出現，利用光線在穿過透明的樣品時產生的微小的相位差造成對比，使透明樣本需染色就能更容易被觀察。1950 年左右，則出現使用兩個 Nomarski 稜鏡，將光路分割再合併產生 干涉效應的 DIC 顯微技術，讓透明樣本立體呈現、便於觀察。

在傳統「有限遠系統」中，單純的物鏡凸透鏡構造，會直接將光線聚焦到一個固定距離處，再經過目鏡放大成像。也因此過去顯微鏡的物鏡上通常會標示適用的鏡筒長度，通常以毫米數（160、170、210 等）表示。

而在過渡到無限遠校正光學元件之前，選用的物鏡和鏡筒長度必須匹配才能獲得最佳影像，且大多數物鏡專門設計為與一組稱為補償目鏡的目鏡一起使用，來幫助消除橫向色差。

但是問題來了！當這些光學配件要添加到固定鏡筒長度的顯微鏡光路中，原本已完美校正的光學系統的有效鏡筒長度大於原先設定，顯微鏡製造商必須增加管長，但可能導致放大倍率增加和光線減少。因此廠商以「無限遠」光學系統來解決這樣的困境。

德國顯微鏡製造商 Reichert 在 1930 年代開始嘗試所謂的無限遠校正光學系統，這項技術隨後被徠卡、蔡司等其他顯微鏡公司採用，但直到 1980 年代才變得普遍。

無限遠系統的核心在於其物鏡光路設計。穿透樣本或是樣本反射的光線透過無限遠校正物鏡，從每個方位角以平行射線的方式射出，將影像投射到無限遠。

透過這種方法，當使用者將 DIC 稜鏡等光學配件添加到物鏡、目鏡間鏡筒的「無限空間」中，影像的位置和焦點便不會被改變，也就不會改變成像比例和產生像差，而影響影像品質。

但也因為無限遠系統物鏡將光線平行化，因此這些光線必須再經過套筒透鏡在目鏡前聚焦。有些顯微鏡的鏡筒透鏡是固定的，有些則設計為可更換的光學元件，以根據不同實驗需求更換不同焦距或特性的透鏡。

除了可以安插不同的光學元件到光路中而不影響成像品質外，大多數顯微鏡都有物鏡鼻輪，使用者可以根據所需的放大倍率安裝和旋轉更換不同的物鏡。

傳統上一旦更換物鏡，樣本可能就偏離焦點，而須重新對焦。但在無限遠光學系統的設計中，物鏡到套筒透鏡的光路長度固定，也就意味著無論更換哪個物鏡，只要物鏡設計遵循無限遠系統的標準，光路長度和光學路徑的一致性得以保持。

因此無限遠光學系統也有助於保持齊焦性，減少焦距偏移。這對需要頻繁切換倍率的實驗操作來說，變得更為便利和具有效率。

不過使用上需要注意的是，每個顯微鏡製造商的無限遠概念都有其專利，混合使用不同製造商的無限遠物鏡可能導致不正確的放大倍率和色差。

改良顯微技術，使研究人員能夠看到更精確的目標；以及如何讓更多光學配件進入無限遠光學系統中的可能性仍然在不斷發展中。但無限遠光學系統的出現已為研究人員打開了大門，可以在不犧牲影像品質的情況下輕鬆連接其他光學設備，獲得更精密的顯微影像。

1. M. W. Davidson and M. Abramowitz, “Optical microscopy”, Encyclopedia Imag. Sci. Technol., vol. 2, no. 1106, pp. 120, 2002.
2. C. Greb, “Infinity Optical Systems: From infinity optics to the infinity port,” Opt. Photonik 11(1), 34–37 (2016).
3. Infinity Optical Systems: From infinity optics to the infinity port
4. Basic Principle of Infinity Optical Systems
5. Infinity Optical Systems

延伸閱讀：選擇適合物鏡 解析鏡頭上的密碼

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？

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。

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。

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。

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。

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？

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」。

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。

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。

以偉勝乾燥工業為例，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。

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