《海拉細胞的不死傳奇》（The Immortal Life of Henrietta Lacks）是一本值得所有從事生命科學或生物醫學研究，或者對科學研究稍感興趣的朋友一讀！
《海拉細胞的不死傳奇》的原文版The Immortal Life of Henrietta Lacks在一年多前出版後沒多久，就躍上Amazon.com的暢銷書前100的排行榜，迄今仍在榜上。這本書的暢銷，本身就是一個傳奇。我當時就非常好奇為何一本 科普書能夠在Amazon.com成為暢銷熱門書，因為科普書在美國成為暢銷書的例子也不多見，更何況這還是作者芮貝卡．史克魯特（Rebecca Skloot）的第一本書！
在中文版出版之前，就有好友斷言這本書在台灣也會成為長銷書，因為將來大學所有醫學倫理及生物倫理的課程將會列此書為指定重要參考書。因此，這本書出版之前，我就迫不及待從遠流出版社訂購了《海拉細胞的不死傳奇》，讀完後才恍然大悟，原來《海拉細胞的不死傳奇》 並不是科普書，《海拉細胞的不死傳奇》是一本認真地探討人類尊嚴的好書！
閱讀全文：
Take Home Message
當談到人工智慧（artificial intelligence, AI）、也就是 AI 時，讀者會想到什麼？是多年前由史匹柏（Steven Spielberg）導演的那部《A.I. 人工智慧》（A.I. Artificial Intelligence）中那個一直盼不到人類母愛而令人心碎的機器人小男孩？還是由史密斯（Will Smith）主演的《機械公敵》（I, Robot）裡那些沒遵守機器人三大法則的機器人或中央系統？
或許未來有一天，人類真的可以設計出如電影中那些像人一樣的 AI 系統或機器人。但目前為止，你常聽到的 AI 其實既很厲害又很不厲害，為什麼呢？厲害的是它下圍棋可贏過世界冠軍，還能夠比放射科技師更快、更準確地辨識 X 光片中疑似病變的細胞；但它不厲害的是，很會下圍棋的 AI 就只能下圍棋，別說不會打牌，連撲克牌是什麼都不知道！而且每次學新事物幾乎都是打掉重練，得不斷做好多考古題才有可能學得會，不像人類通常教幾次就會舉一反三。
不過，即使目前世界上的 AI 都是這種只具備特定功能的「弱 AI」（artificial narrow intelligence, ANI），但已經為這個世界帶來相當大的進步與便利。所以，以下要談的就是 ANI 的倫理與風險。
談到這種只具特定功能的 ANI，讀者知道目前生活周遭有哪些事物有利用 AI 技術嗎？其實 Google 上的搜尋資訊、Facebook 或 Instagram 的訊息推薦、對智慧型手機喊「Siri 現在外面有下雨嗎？」等功能，或是以掃瞄臉部解鎖手機與進入大樓、YouTube 或 Netflix 推薦觀賞影片，甚至是投履歷求職、銀行審核貸款申請等都常用到 AI 技術，它早在我們日常生活中隨處可見。
但也正是如此，讓人們這幾年在使用 AI 時，逐漸發現它可能造成的問題或傷害，以下簡單介紹常見的四種AI應用可能造成的倫理問題或風險。
第一種是演算法偏誤（algorithmic bias）。什麼是演算法偏誤？簡單來說就是 AI 在某些群體的判斷準確率或預測結果上總是很差，導致結果可能對於此群體造成系統性的不利。但為何會造成演算法偏誤？常見原因有三項。
第一項原因是，建立 AI 模型的研究資料集有偏誤，在性別、種族、社經地位等特徵上，沒有真實世界的人口分布代表性。例如數位裝置採用 AI 臉部辨識技術解鎖，原本是希望保護個人使用數位裝置的安全性，結果皮膚深的人卻常常遇到辨識失敗而無法解鎖。這通常是因為目前許多 AI 模型都是以機器學習技術設計，而機器學習的主要特性就是從過去人類留下的大量資料中學習；當初提供電腦學習臉部辨識的圖片時，如果多數都是白皮膚而非黑皮膚、多數都是男性的臉而非女性的臉，那麼電腦在學習辨識人臉的準確率上，整體而言辨識男性白人就會比辨識女性黑人要高出許多。
第二項產生演算法偏誤的原因是建立 AI 模型的研究資料集不只有偏誤，還反映現實社會中的性別、種族、社經地位等歧視；例如美國警政單位以過往犯罪資料訓練出獄後犯人再犯風險評估的 AI 模型，那些資料不意外地有色人種的犯罪紀錄遠多於白人犯罪紀錄。然而，那些紀錄也反映美國社會長久以來對於有色人種的歧視，其中包含警察對於有色人種的盤查比例遠高於白人、法院對於有色人種的定罪比例及判刑嚴重程度也遠高於白人、警力通常被派往多黑人與拉丁裔人種居住的窮困社區盤查等。所以根據過往犯罪資料所訓練出來的 AI 模型，不意外地也就會預測有色人種的再犯機率普遍來說比白人高。
第三項產生演算法偏誤的原因則是 AI 學會了連系統開發者都沒有察覺到，潛藏在資料裡的偏誤。例如科技公司人資部門本來想借助 AI 更有效率地篩選出適合來面試的履歷，所以挑選在該公司任職一定年資且曾升遷二次的員工履歷來訓練 AI 模型。問題是，高科技公司向來男多女少，所提供給 AI 學習的資料自然就男女比例相當不均。AI 也就學會了凡是出現偏向女性名字、嗜好、畢業學校系所等文字的履歷，平均所給的評分都比出現偏向男性等相關文字的履歷還低。
但目前科技公司陽盛陰衰，是受到以往鼓勵男性就讀理工、女性就讀人文科系，或男性在外工作女性在家帶小孩等性別刻板偏見所影響。所以 20～30 年來許多人做出各種努力以消除這種性別刻板偏見所帶來的不良影響，政府也努力制定各種政策來消除這種不當的性別偏見，像是求才廣告基本上不能限定性別、公司聘雇員工應該達到一定的性別比例等。因此，訓練 AI 的研究資料一旦隱藏類似前述性別比例不均的現象，訓練出來的 AI 預測結果就彷彿帶有性別歧視，讓人們過往致力消除性別不平等的各種努力都白費了！
除了演算法偏誤的問題外，第二種可能帶來的倫理問題或風險是 AI 技術已經偏離原先使用目的，例如深偽技術（deepfake）原本用來解決圖片資料量不夠的問題，後來卻被利用在偽造名人性愛影片等。
第三種則是有些 AI 技術或產品本身就可能有善惡兩種用途（dual-use）。例如 AI 人臉辨識技術可用在保護數位裝置的使用者或大樓保全，但也可用來窺探或監控特定個人；無人機可以在農業上幫助農夫播種，但也可作為自動殺人武器；可用來搜尋如何產生毒性最少的藥物合成演算法，也能反過來成為搜尋如何產生毒性最強的藥物合成演算法。
最後，第四種是演算法設計不良或現有技術限制所導致的問題。在演算法設計不良方面，例如下棋機器人手臂可能因為沒有設計施力回饋或移動受阻暫停等防呆裝置，而造成誤抓人類棋手的手指且弄斷的意外。在現有技術限制方面，道路駕駛的交通標誌在現實中可能時常有老舊或髒汙的情況，儘管對於人類駕駛來說可能不影響判讀，但對於自駕車來說很可能就因此會嚴重誤判，例如無法正確辨識禁止通行標誌而繼續行駛，或是將速限 35 公里誤判成 85 公里等。但前述情況也有可能是自駕車網路、控制權限或物件辨識模型受到惡意攻擊所致。
以上介紹了 AI 常見的四種倫理問題或風險：演算法偏誤、相關技術或產品偏離原先使用目的、擁有善惡兩種用途，以及演算法設計不良或現有技術限制。但人們該如何減少這些倫理問題與風險呢？
近五、六年來國際組織如聯合國教育科學及文化組織（United Nations Educational, Scientific and Cultural Organization, UNESCO）、歐盟（European Union, EU）、電機電子工程師學會（Institute of Electrical and Electronics Engineers, IEEE）或是國家、國際非營利組織皆紛紛制訂有關 AI 發展的白皮書或倫理指引（ethical guidelines），甚至逐漸朝向法律治理的方向，如歐盟的人工智慧規則草案等。儘管這些文件所提出的倫理價值、原則或行為規範，看似各有不同，但經過這些年的討論與摸索，也逐漸匯聚出一些共識。
臺灣相較於前述國際文件來說，在制訂的時間上比較晚。2019 年由當時的科技部（現改為國科會）制訂「人工智慧科研發展指引」，裡面提出的三項倫理價值以及八項行為指引，基本上涵蓋了前述各種國際 AI 發展指引文件最常提及的內容。所謂三項倫理價值包含以人為本、永續發展、多元包容，行為指引則有共榮共利、安全性、問責與溝通、自主權與控制權、透明性與可追溯性、可解釋性、個人隱私與數據治理、公平性與非歧視性共八項。
未來當讀者看到又出現哪些 AI 新技術或產品時，不妨試著評估看看是否有符合這三項價值及八項行為指引。若沒有，究竟是哪項不符合？不符合的原因是上述所介紹常見的四種倫理問題或風險的哪一種？若都不是，還有哪些倫理問題或風險過去被忽略了但值得重視？
AI 技術發展日新月進，在日常生活中的應用也愈來愈廣。但考量法律條文有強制性，在制訂時必須相當謹慎，免得動輒得咎，也很可能在不清楚狀況下反而制訂了不當阻礙創新發展的條文；再加上法律制定也必須有一定的穩定性，不能朝令夕改，否則會讓遵守法規者無所適從。因此可以想見，法令規範趕不上新興科技所帶來的問題與風險本來就是常態，而非遇到 AI 科技才有這種情況。
人們若能培養自身對於 AI 倫理問題或風險的敏銳度，便可發揮公民監督或協助政府監督的力量，評估 AI 開發或使用者有無善盡避免傷害特定個人或群體之嫌，逐漸改善 AI 開發者與大眾媒體常過度誇大 AI 功能，但對於可能帶來的倫理問題或風險卻常閃爍其詞或避而不談的不好現象。
本文感謝工業技術研究院產業科技國際策略發展所支持。
我們正在逐步瞭解語言學習策略如何改善腦中的聲音處理過程。
如果，我們能在孩子蹣跚學步時，就藉由瞭解他們的聽覺神經系統來預測他們七歲時的閱讀能力，那麼我們就能預先採取行動，避免負面結果發生。
海德公園日校所使用的輔助性聽覺裝置是其中一種方法，普羅維登斯採用的穿戴式計字科技產品是另一種，默澤尼克和塔拉爾開發的聽覺訓練遊戲，以及貝納西奇研發的寶寶玩具則是提供了額外的有效途徑。
對聲音和語言之間的關係有更多瞭解之後，我們就能找出更好的方法幫助孩子發展語言能力，幫助我們可以聽得更好的科技正在蓬勃發展。
我希望看見它們成為主流，而非僅限於像海德公園日校這樣的少數地方。我有位學生是語言障礙人士，我在教學時會戴上有如項鍊的麥克風，而她所戴的輔助性聽覺裝置可以接收來自麥克風的訊號。
某天下課後，我跟她交換裝置，結果令我印象深刻：她站在演講廳的另一頭說話時，我可以清楚聽見她的聲音。我能想像，在嘈雜的環境中每個人都能因這項科技而受惠，如果可以發展出更強的語言能力對每個人都有幫助。
身為一個對聲音有著各種琢磨的人，我想知道體驗聲音的新方式會對我們的聽覺神經系統產生什麼影響。我之前曾提過，我結束一天的方式大部分是由我先生唸書給我聽；但我沒有提到的是，我也會聽有聲書。這對我的聲音意識會有什麼影響？我的閱讀、說話和思考方式會有什麼變化？就理解和記憶的層面而言，聽文本和讀文本的效果似乎相差不遠。
有時候，用聽的效果可能更好。
我就發現莎士比亞筆下那些古文，比起閱讀，用聽的更能讓我理解；演員在聲音中加入諷刺、幽默或其他線索，可以幫助我們對所聽到的內容有更全面的理解。
大聲朗讀也可以提升你對所讀內容的記憶程度，我認為人類的天性更傾向於透過聲音來理解並記憶語言，而不是透過文本；因為在我們開始讀跟寫之前，聽覺是幾百萬年就演化出來的能力。
有聲書擴大了我們可以閱讀的環境，聽有聲書時我會戴上耳塞式耳機，一方面聆聽內容，一方面同時隔絕了我在烹飪（滋滋作響的洋蔥）、健身或搭火車時的背景噪音。
我期待進一步探究聽文本和讀文本的生物學基礎，以及個體之間的差異；我想要知道聆聽有聲書會對聲音意識的演化產生何種影響。
——本文摘自《大腦這樣「聽」：大腦如何處理聲音，並影響你對世界的認識》，2022 年 12 月，天下文化出版，未經同意請勿轉載。
我們的腦中並沒有專門處理閱讀相關行為的神經中樞。
研究失讀症的學者沃爾夫（Maryanne Wolf）曾寫道：「閱讀從來就不是人類與生俱來的能力。」人類開始閱讀的時間不過短短幾千年，生物演化的速度沒有這麼快。也許，在很久很久以後，我們的後代腦中會有處理閱讀的神經中樞，但據我所知，二十一世紀的人類腦中沒有[1]。
但是我們確實會閱讀，這其實是借用了其他腦區來完成閱讀任務，尤其是借用了聽覺神經系統，視覺神經系統當然也跟閱讀有關，但跟聽覺有關的腦區（包括掌管說話和理解口語的腦區）發揮了極大的作用。
常有人問我：「聲音跟閱讀有什麼關係？」聲音和閱讀之間的關聯並非顯而易見。
我們通常都是安靜地、無聲地閱讀，但聲音是語言的根本，而語言是閱讀的根本；透過大聲朗讀可以明確建立聲音和其書寫方式的關聯。學習閱讀時，我們必須在語言的聲音以及用來表示它們的字母之間建立連結；閱讀能力差的讀者在處理聲音時會遭遇困難[2]，而聽覺處理是他們在面對閱讀時最大的挑戰之一。
語言學習有賴我們辨別不同聲音模式的能力，聽到一個句子時，我們很自然地知道字跟字之間的斷點在哪裡，下一個字的起點在哪裡；但從聲學的角度來看，字與字之間並沒有明顯的間隙。
音素（phoneme）融入音節（syllable）之中，音節又融入字詞（word）之中，如此一來，字詞之間無聲的間隔不見得會比連續語言中單一個字詞裡的無聲間隔（譯注：指單一字詞中音節與音節之間的間隔）來得長（通常更短）。
不過，有些線索可以幫助我們，舉例來說，在英語中很少出現「mt」這樣字母／聲音的組合，所以，聽到一段包含「Sam took」在內的語句時，我們直覺地知道這並不是一個新字「samtook」。
我們在很小的時候——兩天大的時候！——就學會了這些跟英語有關的技巧。威斯康辛大學的教授薩弗蘭（Jenny Saffran）發現八個月大的嬰兒在接觸一種虛構的語言僅僅兩分鐘後，就學會了其中的聲音規則。
在神經處理聲音的過程中，可以很明顯地看出神經系統得以學會辨識特定的聲音型態（pattern learning）。Brainvolts 的研究生史苟（Erika Skoe）發現，一旦受試者對虛構語言所蘊含的聲音型態感到熟悉，神經系統便會加強對泛音的處理。同樣地，當一個語言的音節在規律的序列中出現，而不是隨機出現在一串不同的音節當中時，泛音的處理也會受到強化。
然而，有語言障礙的兒童無法學會擷取這些隱含在語言中的規則，類似的情況也發生在聽力損失的兒童身上，他們面對需要辨識語言中特定聲音型態相關的語言任務會有困難；此外，自閉兒在接觸這類人工語言時，腦中活動會出現與一般人不同的獨特模式。
另一方面，雙語及音樂訓練則可以強化對聲音中特定型態的處理。
——本文摘自《大腦這樣「聽」：大腦如何處理聲音，並影響你對世界的認識》，2022 年 12 月，天下文化出版，未經同意請勿轉載。
狐禪
