Loading [MathJax]/extensions/tex2jax.js

0

0
0

文字

分享

0
0
0

數位時代讓分手變得更難受

cleo
・2013/05/15 ・1340字 ・閱讀時間約 2 分鐘 ・SR值 495 ・六年級

數位科技讓數位照片及電子郵件能夠輕易消失,然而電子資產的盛行讓過往的交往關係更難被消除

一項新研究調查了人們是如何在不同的電子設備、網路服務及平台上處理與前男友/女友的數位記錄。

「人們保有廣大的數位資料庫」,加州大學聖克魯茲分校,專長為人機互動(human-computer interaction)的心理學教授,Steve Whittaker表示。「當人們想要遺忘人生中的某些片段時,他們總是會經歷到數位資產帶來的負面影響。」

在一份新研究中,Whittaker及共同作者,蘭卡斯特大學的Corina Sas博士檢視了數位資產帶來的影響及分手後這些數位資產的處置方式。數位資產包括了儲存在不同裝置(如電腦、平板、手機、相機)上的相片、訊息、音樂及影片。這種數位資訊無所不在的現象「使得分手過程更為痛苦,人們沉浸於儲存相片及音樂的數位空間,不斷回憶起前段關係」,Whittaker說道。

-----廣告,請繼續往下閱讀-----

研究人員訪問了12位19到34歲的人士,發現分手後數位資產會令人想起過去及心神不寧,而受訪者也以不同的方式處理數位資產。十二位受訪者選擇刪除,八位選擇保留,剩下四位則是選擇性保留。

Whittaker及Sas發現有些心碎的人想忘記過往,但卻無法狠下心刪除,大部分的人則是選擇刪除。其他人則是刪除一切後感到後悔。

在今日,捨棄過去變得更困難,因為廣大的數位資產無所不在-它們存在於不同的裝置、應用程式、網站服務及平台中。「一段甜蜜的關係會促成美好、豐富的網路生活。但當關係變質,人們又必須仔細地從不同數位空間中剔除這些過往回憶。」臉書照片上的標籤可以移除,但照片若是別人張貼的則無法被刪除。研究團隊說:「這件事費心勞神又讓人傷感,因為人們總會再度沉溺於那些以數位方式存在的過往回憶,特別是照片」。

分手後會做的事有:改變交往狀態至「單身」,馬上刪除或封鎖前任,不讓他們瀏覽個人主頁。

-----廣告,請繼續往下閱讀-----

Whittaker和Sas表示,軟體或許能幫忙消除那些存在網路空間的痛苦回憶,像是基於臉部辨識、機器學習或實體擷取的自動刪除機制。

或者就只是等到情緒冷靜下來。

「沒有適當的處理工具意味著大部分的受訪人要不把所有的回憶留下,要不刪除」,研究團隊提到,「保留回憶的人花了較久的時間療傷,而刪除的人通常會對自己的衝動感到後悔。」

研究的作者提出了一個「潘朵拉盒」的概念,從交往關係而來的數位產物能自動被揀出,存放到一個空間中,等待進一步刪除或保留的動作。一個值得信任的好友也能扮演控管的角色。

-----廣告,請繼續往下閱讀-----

或是一個能夠從數位資料庫中做選擇,且建立「藏寶箱」的新工具,珍貴回憶能被珍藏其中,假以時日,雲淡風輕後再用來回味甜蜜的過往。

研究人員指出數位時代也給分手帶來了新的挑戰。以下是受訪者的意見:

  • 刪掉所有的東西象徵一個新的開始以及不再回首過去。
  • 我留下了所有東西,有她的照片、影片還有訊息。我不常回味這些東西;當我回味那段甜蜜時光時,我有時覺得很感傷,但有時又覺得開心。
  • 把照片留在手機跟電腦裡並不讓我感傷,但是分手後為了讓自己不再駐足,我毅然決然刪了所有的東西。所有與我們有關的東西。

「什麼會讓你留戀過去?」偶然看到那些先前不小心錯過或刪除的東西:電腦上那個不常用的Outlook信箱裡的郵件,或是在不常用的社群網站上發現的未讀訊息。

資料來源:加州大學聖克魯茲分校

-----廣告,請繼續往下閱讀-----

原文來源:”In Digital Age, Breaking Up May Be Even Harder to Do” – PSYCH CENTERAL [13 MAY 2013]

-----廣告,請繼續往下閱讀-----
文章難易度
cleo
49 篇文章 ・ 1 位粉絲
是個標準的文科生,最喜歡讀的卻是科學雜誌。一天可以問上十萬個為什麼。

0

0
0

文字

分享

0
0
0
拆解邊緣AI熱潮:伺服器如何提供穩固的運算基石?
鳥苷三磷酸 (PanSci Promo)_96
・2025/05/21 ・5071字 ・閱讀時間約 10 分鐘

本文與 研華科技 合作,泛科學企劃執行。

每次 NVIDIA 執行長黃仁勳公開發言,總能牽動整個 AI 產業的神經。然而,我們不妨設想一個更深層的問題——如今的 AI 幾乎都倚賴網路連線,那如果哪天「網路斷了」,會發生什麼事?

想像你正在自駕車打個盹,系統突然警示:「網路連線中斷」,車輛開始偏離路線,而前方竟是萬丈深谷。又或者家庭機器人被駭,開始暴走跳舞,甚至舉起刀具向你走來。

這會是黃仁勳期待的未來嗎?當然不是!也因為如此,「邊緣 AI」成為業界關注重點。不靠雲端,AI 就能在現場即時反應,不只更安全、低延遲,還能讓數據當場變現,不再淪為沉沒成本。

什麼是邊緣 AI ?

邊緣 AI,乍聽之下,好像是「孤單站在角落的人工智慧」,但事實上,它正是我們身邊最可靠、最即時的親密數位夥伴呀。

當前,像是企業、醫院、學校內部的伺服器,個人電腦,甚至手機等裝置,都可以成為「邊緣節點」。當數據在這些邊緣節點進行運算,稱為邊緣運算;而在邊緣節點上運行 AI ,就被稱為邊緣 AI。簡單來說,就是將原本集中在遠端資料中心的運算能力,「搬家」到更靠近數據源頭的地方。

-----廣告,請繼續往下閱讀-----

那麼,為什麼需要這樣做?資料放在雲端,集中管理不是更方便嗎?對,就是不好。

當數據在這些邊緣節點進行運算,稱為邊緣運算;而在邊緣節點上運行 AI ,就被稱為邊緣 AI。/ 圖片來源:MotionArray

第一個不好是物理限制:「延遲」。
即使光速已經非常快,數據從你家旁邊的路口傳到幾千公里外的雲端機房,再把分析結果傳回來,中間還要經過各種網路節點轉來轉去…這樣一來一回,就算只是幾十毫秒的延遲,對於需要「即刻反應」的 AI 應用,比如說工廠裡要精密控制的機械手臂、或者自駕車要判斷路況時,每一毫秒都攸關安全與精度,這點延遲都是無法接受的!這是物理距離與網路架構先天上的限制,無法繞過去。

第二個挑戰,是資訊科學跟工程上的考量:「頻寬」與「成本」。
你可以想像網路頻寬就像水管的粗細。隨著高解析影像與感測器數據不斷來回傳送,湧入的資料數據量就像超級大的水流,一下子就把水管塞爆!要避免流量爆炸,你就要一直擴充水管,也就是擴增頻寬,然而這樣的基礎建設成本是很驚人的。如果能在邊緣就先處理,把重要資訊「濃縮」過後再傳回雲端,是不是就能減輕頻寬負擔,也能節省大量費用呢?

第三個挑戰:系統「可靠性」與「韌性」。
如果所有運算都仰賴遠端的雲端時,一旦網路不穩、甚至斷線,那怎麼辦?很多關鍵應用,像是公共安全監控或是重要設備的預警系統,可不能這樣「看天吃飯」啊!邊緣處理讓系統更獨立,就算暫時斷線,本地的 AI 還是能繼續運作與即時反應,這在工程上是非常重要的考量。

所以你看,邊緣運算不是科學家們沒事找事做,它是順應數據特性和實際應用需求,一個非常合理的科學與工程上的最佳化選擇,是我們想要抓住即時數據價值,非走不可的一條路!

邊緣 AI 的實戰魅力:從工廠到倉儲,再到你的工作桌

知道要把 AI 算力搬到邊緣了,接下來的問題就是─邊緣 AI 究竟強在哪裡呢?它強就強在能夠做到「深度感知(Deep Perception)」!

-----廣告,請繼續往下閱讀-----

所謂深度感知,並非僅僅是對數據進行簡單的加加減減,而是透過如深度神經網路這類複雜的 AI 模型,從原始數據裡面,去「理解」出更高層次、更具意義的資訊。

研華科技為例,旗下已有多項邊緣 AI 的實戰應用。以工業瑕疵檢測為例,利用物件偵測模型,快速將工業產品中的瑕疵挑出來,而且由於 AI 模型可以使用同一套參數去檢測,因此品管上能達到一致性,減少人為疏漏。尤其在高產能工廠中,檢測速度必須快、狠、準。研華這套 AI 系統每分鐘最高可處理 8,000 件產品,替工廠節省大量人力,同時確保品質穩定。這樣的效能來自於一台僅有膠囊咖啡機大小的邊緣設備—IPC-240。

這樣的效能來自於一台僅有膠囊咖啡機大小的邊緣設備—IPC-240。/ 圖片提供:研華科技

此外,在智慧倉儲場域,研華與威剛合作,研華與威剛聯手合作,在 MIC-732AO 伺服器上搭載輝達的 Nova Orin 開發平台,打造倉儲系統的 AMR(Autonomous Mobile Robot) 自走車。這跟過去在倉儲系統中使用的自動導引車 AGV 技術不一樣,AMR 不需要事先規劃好路線,靠著感測器偵測,就能輕鬆避開障礙物,識別路線,並且將貨物載到指定地點存放。

當然,還有語言模型的應用。例如結合檢索增強生成 ( RAG ) 跟上下文學習 ( in-context learning ),除了可以做備忘錄跟排程規劃以外,還能將實務上碰到的問題記錄下來,等到之後碰到類似的問題時,就能詢問 AI 並得到解答。

你或許會問,那為什麼不直接使用 ChatGPT 就好了?其實,對許多企業來說,內部資料往往具有高度機密性與商業價值,有些場域甚至連手機都禁止員工帶入,自然無法將資料上傳雲端。對於重視資安,又希望運用 AI 提升效率的企業與工廠而言,自行部署大型語言模型(self-hosted LLM)才是理想選擇。而這樣的應用,並不需要龐大的設備。研華的 SKY-602E3 塔式 GPU 伺服器,體積僅如後背包大小,卻能輕鬆支援語言模型的運作,實現高效又安全的 AI 解決方案。

但問題也接著浮現:要在這麼小的設備上跑大型 AI 模型,會不會太吃資源?這正是目前 AI 領域最前沿、最火熱的研究方向之一:如何幫 AI 模型進行「科學瘦身」,又不減智慧。接下來,我們就來看看科學家是怎麼幫 AI 減重的。

-----廣告,請繼續往下閱讀-----

語言模型瘦身術之一:量化(Quantization)—用更精簡的數位方式來表示知識

當硬體資源有限,大模型卻越來越龐大,「幫模型減肥」就成了邊緣 AI 的重要課題。這其實跟圖片壓縮有點像:有些畫面細節我們肉眼根本看不出來,刪掉也不影響整體感覺,卻能大幅減少檔案大小。

模型量化的原理也是如此,只不過對象是模型裡面的參數。這些參數原先通常都是以「浮點數」表示,什麼是浮點數?其實就是你我都熟知的小數。舉例來說,圓周率是個無窮不循環小數,唸下去就會是3.141592653…但實際運算時,我們常常用 3.14 或甚至直接用 3,也能得到夠用的結果。降低模型參數中浮點數的精度就是這個意思! 

然而,量化並不是那麼容易的事情。而且實際上,降低精度多少還是會影響到模型表現的。因此在設計時,工程師會精密調整,確保效能在可接受範圍內,達成「瘦身不減智」的目標。

當硬體資源有限,大模型卻越來越龐大,「幫模型減肥」就成了邊緣 AI 的重要課題。/ 圖片來源:MotionArray

模型剪枝(Model Pruning)—基於重要性的結構精簡

建立一個 AI 模型,其實就是在搭建一整套類神經網路系統,並訓練類神經元中彼此關聯的參數。然而,在這麼多參數中,總會有一些參數明明佔了一個位置,卻對整體模型沒有貢獻。既然如此,不如果斷將這些「冗餘」移除。

這就像種植作物的時候,總會雜草叢生,但這些雜草並不是我們想要的作物,這時候我們就會動手清理雜草。在語言模型中也會有這樣的雜草存在,而動手去清理這些不需要的連結參數或神經元的技術,就稱為 AI 模型的模型剪枝(Model Pruning)。

-----廣告,請繼續往下閱讀-----

模型剪枝的效果,大概能把100變成70這樣的程度,說多也不是太多。雖然這樣的縮減對於提升效率已具幫助,但若我們要的是一個更小幾個數量級的模型,僅靠剪枝仍不足以應對。最後還是需要從源頭著手,採取更治本的方法:一開始就打造一個很小的模型,並讓它去學習大模型的知識。這項技術被稱為「知識蒸餾」,是目前 AI 模型壓縮領域中最具潛力的方法之一。

知識蒸餾(Knowledge Distillation)—讓小模型學習大師的「精髓」

想像一下,一位經驗豐富、見多識廣的老師傅,就是那個龐大而強悍的 AI 模型。現在,他要培養一位年輕學徒—小型 AI 模型。與其只是告訴小型模型正確答案,老師傅 (大模型) 會更直接傳授他做判斷時的「思考過程」跟「眉角」,例如「為什麼我會這樣想?」、「其他選項的可能性有多少?」。這樣一來,小小的學徒模型,用它有限的「腦容量」,也能學到老師傅的「智慧精髓」,表現就能大幅提升!這是一種很高級的訓練技巧,跟遷移學習有關。

舉個例子,當大型語言模型在收到「晚餐:鳳梨」這組輸入時,它下一個會接的詞語跟機率分別為「炒飯:50%,蝦球:30%,披薩:15%,汁:5%」。在知識蒸餾的過程中,它可以把這套機率表一起教給小語言模型,讓小語言模型不必透過自己訓練,也能輕鬆得到這個推理過程。如今,許多高效的小型語言模型正是透過這項技術訓練而成,讓我們得以在資源有限的邊緣設備上,也能部署愈來愈強大的小模型 AI。

但是!即使模型經過了這些科學方法的優化,變得比較「苗條」了,要真正在邊緣環境中處理如潮水般湧現的資料,並且高速、即時、穩定地運作,仍然需要一個夠強的「引擎」來驅動它們。也就是說,要把這些經過科學千錘百鍊、但依然需要大量計算的 AI 模型,真正放到邊緣的現場去發揮作用,就需要一個強大的「硬體平台」來承載。

-----廣告,請繼續往下閱讀-----

邊緣 AI 的強心臟:SKY-602E3 的三大關鍵

像研華的 SKY-602E3 塔式 GPU 伺服器,就是扮演「邊緣 AI 引擎」的關鍵角色!那麼,它到底厲害在哪?

一、核心算力
它最多可安裝 4 張雙寬度 GPU 顯示卡。為什麼 GPU 這麼重要?因為 GPU 的設計,天生就擅長做「平行計算」,這正好就是 AI 模型裡面那種海量數學運算最需要的!

你想想看,那麼多數據要同時處理,就像要請一大堆人同時算數學一樣,GPU 就是那個最有效率的工具人!而且,有多張 GPU,代表可以同時跑更多不同的 AI 任務,或者處理更大流量的數據。這是確保那些科學研究成果,在邊緣能真正「跑起來」、「跑得快」、而且「能同時做更多事」的物理基礎!

二、工程適應性——塔式設計。
邊緣環境通常不是那種恆溫恆濕的標準機房,有時是在工廠角落、辦公室一隅、或某個研究實驗室。這種塔式的機箱設計,體積相對緊湊,散熱空間也比較好(這對高功耗的 GPU 很重要!),部署起來比傳統機架式伺服器更有彈性。這就是把高性能計算,進行「工程化」,讓它能適應台灣多樣化的邊緣應用場景。

三、可靠性
SKY-602E3 用的是伺服器等級的主機板、ECC 糾錯記憶體、還有備援電源供應器等等。這些聽起來很硬的規格,背後代表的是嚴謹的工程可靠性設計。畢竟在邊緣現場,系統穩定壓倒一切!你總不希望 AI 分析跑到一半就掛掉吧?這些設計確保了部署在現場的 AI 系統,能夠長時間、穩定地運作,把實驗室裡的科學成果,可靠地轉化成實際的應用價值。

-----廣告,請繼續往下閱讀-----
研華的 SKY-602E3 塔式 GPU 伺服器,體積僅如後背包大小,卻能輕鬆支援語言模型的運作,實現高效又安全的 AI 解決方案。/ 圖片提供:研華科技

台灣製造 × 在地智慧:打造專屬的邊緣 AI 解決方案

研華科技攜手八維智能,能幫助企業或機構提供客製化的AI解決方案。他們的技術能力涵蓋了自然語言處理、電腦視覺、預測性大數據分析、全端軟體開發與部署,及AI軟硬體整合。

無論是大小型語言模型的微調、工業瑕疵檢測的模型訓練、大數據分析,還是其他 AI 相關的服務,都能交給研華與八維智能來協助完成。他們甚至提供 GPU 與伺服器的租借服務,讓企業在啟動 AI 專案前,大幅降低前期投入門檻,靈活又實用。

台灣有著獨特的產業結構,從精密製造、城市交通管理,到因應高齡化社會的智慧醫療與公共安全,都是邊緣 AI 的理想應用場域。更重要的是,這些情境中許多關鍵資訊都具有高度的「時效性」。像是產線上的一處異常、道路上的突發狀況、醫療設備的即刻警示,這些都需要分秒必爭的即時回應。

如果我們還需要將數據送上雲端分析、再等待回傳結果,往往已經錯失最佳反應時機。這也是為什麼邊緣 AI,不只是一項技術創新,更是一條把尖端 AI 科學落地、真正發揮產業生產力與社會價值的關鍵路徑。讓數據在生成的那一刻、在事件發生的現場,就能被有效的「理解」與「利用」,是將數據垃圾變成數據黃金的賢者之石!

👉 更多研華Edge AI解決方案
👉 立即申請Server租借

-----廣告,請繼續往下閱讀-----
-----廣告,請繼續往下閱讀-----
文章難易度

討論功能關閉中。

0

1
0

文字

分享

0
1
0
給你多少錢,才會願意放棄使用 FB ?社群軟體的體驗該如何被「金錢」衡量?──《資訊超載的幸福與詛咒》
天下文化_96
・2022/08/27 ・2405字 ・閱讀時間約 5 分鐘

使用社群媒體後,你變得更快樂還是更憂鬱?

想知道更多資訊的時候,你可能會上網搜尋。有時候是為了資訊的工具價值,比如透過 Google 地圖確認 A 地到 B地 的路線;腳踝扭傷時,也可以從網路上搜尋到應變的實用資訊;又或是並非真的出於任何用途,只覺得知道某些事很有趣,像是忽然想了解流行音樂歷史。你當然完全可以這樣做。

我們身邊有許多資訊都是一些抽象的概念,其中部分資訊卻可能和你切身相關。比如依據某些基本事實可以推斷你的預期壽命;某些資訊可以了解你的健康風險、未來「錢」景,甚至是個性。比起 10 年前,我們現在能得到的資訊更為詳盡正確,再過 10 年,肯定能夠知道得更多。

這章要談的內容很多,不妨開頭就先提示最大的重點:

研究顯示,整體而言,臉書會讓人變得比較不開心,而且可能感到憂鬱、更為焦慮,也對生活變得更不滿意。

你每天花多少時間使用 FB?使用社群軟體對你的心情造成了什麼影響?圖/Pixabay

我並不打算危言聳聽,事實上這些影響並不大。然而,它們的確存在。

-----廣告,請繼續往下閱讀-----

而與此同時,有些人明明已經停用臉書、也感受到幸福感明顯增加,卻又非常想要重新打開臉書。實際上他們要求要得到一大筆錢才願意放棄臉書。這是為什麼?我們雖然無法確定,但一項合理的解釋是,使用臉書的體驗,包括帶來的資訊,並不會讓人變得更快樂,但還是有它的價值。

無知並不是幸福,而很多人都感受到這一點。人們需要知道自己在意的資訊,這是因為喜歡、甚至珍視一種和重要的人之間產生連結的感覺。

若須付費才能使用社群媒體,會怎樣?

重要的是,我們必須強調,社群媒體的功能不僅僅是提供資訊,至少不是我在這裡反覆強調的揭露資訊的意義。你會使用臉書,可能是為了和家人或朋友聯繫,也可能是為了改善荷包或健康。但無論如何,社群媒體的一大重點在於資訊傳遞,雖然這個概念要比我目前所談的更為廣泛。

而這裡的核心問題是:社群媒體究竟多值錢?

-----廣告,請繼續往下閱讀-----

在社群媒體上,大部分的資訊是免費的,至少表面上你無須付費;或許可以說你仍需要付出注意力或個資等等。臉書和推特這些企業是從廣告獲得收益,但有鑑於相關爭議不斷,也有人認真討論起將這些平台及其服務的商業模式改成付費使用。

除此之外也有些偏理論的探討,主要關注在如何評估這些平台的經濟價值。要是民眾必須付費才能使用臉書,情況會變得如何?而民眾又願意花多少錢成為用戶?

要是社群媒體要付費的話,你們願意花多少錢呢?圖/LightFieldStudios

這些答案會透露出一些重要的資訊,讓我們知道社群媒體與一般資訊所擁有的價值。而回答這些問題,也有助於了解一些更基本的問題:如何計算經濟上的價值;知道某些消費決定可能只是表面工夫;了解傳統經濟指標與實際民眾福利有何差距(請見第二章)。此外,這些答案也會進一步影響政策與法規。

要你放棄使用 FB ,可能比要你付費使用來得更難?

行為經濟學特別感興趣的一個問題,就是「支付意願」和「願意接受金額」間可能出現的巨大落差。

-----廣告,請繼續往下閱讀-----

以臉書為例,如果我們想知道它能為我們帶來多少福利,究竟該問民眾願意為此付出多少錢,抑或該問要給他們多少錢才會願意放棄使用臉書?許多研究都探討過稟賦效應(endowment effect)的現象,也就是被要求放棄某樣商品時所要求的價格,會遠高於他們當初獲得這些商品時支付的費用

稟賦效應目前還有爭議,至少在適用的領域、來源與程度上仍未有定論。我們可能會想知道,使用社群媒體願意付出的費用,是否大於不使用社群媒體所得到的費用?如果是的話,傳統論點又能否提出說明?

IKEA 所設置的家具體驗區,常常被拿來當作「稟賦效應」的案例。圖/Pixabay

另一個同樣常見、甚至是更基本的問題,則是涉及支付意願或願意接受金額的衡量與民眾福利。我在前面也提過,在經濟學中,要是談到民眾擁有某樣商品時的福利效果,往往是以民眾願意付出多少錢來使用那件商品作為衡量。

當然,「願意付出多少錢」也是現實市場的衡量標準。但請回想一下,要提出這項金額,事實上也就是做出預測:預測該商品會對自己的福利造成什麼樣的影響。

-----廣告,請繼續往下閱讀-----

這個問題乍看不難,尤其當談到自己熟悉的商品(鞋子、襯衫、肥皂);但換做是從未使用過的商品,回答起來也就沒那麼簡單。對於一項從未擁有過的商品,哪知道能帶給自己多大的福利效果,以及可以換算成多少錢?

對許多人而言,臉書、推特、Instagram 等平台都是再熟悉不過的社群媒體,而且有著豐富的使用體驗。但出於某些我們馬上會討論到的原因,社群媒體用戶就是很難估算這些平台可以換算的金錢價值。

只要看看民眾提出使用社群媒體願意付出的金額,就會了解在尋求資訊上,「願意付出的金額」和民眾得到的福利效果似乎並不對等;同時值得進一步研究其中的福利效果究竟是什麼。

在這種時候,「願意付出的金額」只反映出部分的福利效果,還可能只反映一小部分。我們必須找出反映效果不佳的實際原因,並且嘗試找出更能呈現福利效果的方式。而我在這裡的目標,就是希望推進這項任務的進展。

-----廣告,請繼續往下閱讀-----


——本文摘自《資訊超載的幸福與詛咒》,2022 年 8 月,天下文化 ,未經同意請勿轉載。

-----廣告,請繼續往下閱讀-----
天下文化_96
142 篇文章 ・ 624 位粉絲
天下文化成立於1982年。一直堅持「傳播進步觀念,豐富閱讀世界」,已出版超過2,500種書籍,涵括財經企管、心理勵志、社會人文、科學文化、文學人生、健康生活、親子教養等領域。每一本書都帶給讀者知識、啟發、創意、以及實用的多重收穫,也持續引領台灣社會與國際重要管理潮流同步接軌。

1

6
4

文字

分享

1
6
4
Deepfake 不一定是問題,不知道才是大問題!關於 Deepfake,你需要知道的是⋯⋯?
TingWei
・2022/01/24 ・3489字 ・閱讀時間約 7 分鐘

編按:你的理智知道「眼見不為憑」,但你的眼睛還是會背叛你的理智,不自覺得被眼前的影像所吸引,儘管你真的、真的知道他是假的。Youtuber 小玉於2021年底涉嫌利用 Deepfake 技術,偽造多位名人的色情影音內容並販售的事件,既不是第一起、也不是唯一、更不會是最後一個利用「深偽技術」進行科技犯罪的事件。

當科技在走,社會和法律該如何跟上甚至超前部署呢?本次 Deepfake 專題,由泛科學和法律白話文合作,從Deepfake 技術與辨偽技術、到法律如何因應,讓我們一起全方位解析Deepfake!

第一篇,讓我們就 Deepfake 技術做一基礎的介紹,那我們就開始囉!

什麼是 Deepfake?

深偽技術 Deepfake 於 2017 年陸續開始進入大眾的目光中。原文 Deepfake 源自於英文「deep learning」(深度學習)和「fake」(偽造)組合,主要意指應用人工智慧深度學習的技術,合成某個(不一定存在的)人的圖像或影片、甚至聲音。最常見的應用,就是將影片中的人臉替換為另一張臉(常是名人),讓指定的臉在影片中做出自己從未說過或做過的事情。

利用深度學習技術合成或是置換人臉的技術,都是屬於Deepfake。圖 / stephenwolfram

現今談到 Deepfake,大多數人想到的可能是偽造的成人影片,就如前述 Youtuber 小玉的事件,Deepfake 一開始受到關注,主要與名人或明星的臉部影像被合成到成人影片有關,然而,Deepfake 的功能遠不僅於此,相關的技術使用還包括了替換表情、合成一整張臉、合成語音等等。

除了像是讓過去或現在的名人在影片中「栩栩如生」做出使用者想要的表情與動作,之前在社群媒體上曾有好幾款 APP一度風靡,包括上傳一張照片就可以看看「變老」「變性」自己的 FaceApp,甚至於讓自己的臉在經典電影中講上一段台詞的「去演」APP,這類的功能也是應用前述 Deepfake 的技術。

雖然有些線索顯示這類 APP 常有潛在的資安疑慮[註],但好歹技術的成果多屬搏君一燦自娛娛人,尚可視為無傷大雅。

-----廣告,請繼續往下閱讀-----
「栩栩如生」的愛因斯坦

而過往電影的影音產業要仿造人臉需要應用許多複雜、耗時、昂貴的電腦模擬,有了 Deepfake 相關的技術,也使得許多只能抱憾放棄的事情出現了彌補的空間。最有名的應用應是好萊塢電影《玩命關頭7》與《星際大戰》系列。《玩命關頭7》拍攝期間主角保羅・沃克(Paul William Walker IV)意外身亡,剩下的戲份後來由弟弟擔綱演出,劇組再以 Deepfake 的技術讓哥哥弟弟連戲,整部電影才得以殺青上映。

Weta Digital 說明如何讓保羅・沃克的弟弟 Brian O’Conner 能透過 Deefake 的技術,繼續協助 保羅・沃克演完《玩命關頭7》

Deepfake 讓「變臉」變得太容易了?

想想過去的電影如《魔戒》中的咕嚕、或是 2008 年布萊德・彼特主演的《班傑明的奇幻旅程》,將影片或照片中人物「換臉」「變老」的修圖或 CG 技術,在 Deepfake 出世之前就已經存在了。Deepfake 受到關注的核心關鍵在於,應用 AI 的深度學習的演算法,加上越來越強大的電腦與手機運算能力,讓「影片換臉」這件事情變得越來越隨手可得、並且天衣無縫。

利用CG技術把布萊德・彼特「變老」。 圖 / © 2008 – Paramount Pictures

過往電影中採用的 CG 技術要花好幾個月由專業人士進行後製,才能取得難辨真偽的影像效果,而應用了 AI 演算法,只需要一台桌上型電腦甚或是手機,上網就可以取得軟體、有機會獲得差強人意的結果了。

進一步,傳統軟體演算法主要依靠工程師的持續修改調整,而如 Deepfake 這類技術,內部的演算法會經過訓練持續進化。有許多技術被應用於提高 Deepfake 的偽造效果,其中最常見的一個作法被稱為「生成對抗網路(Generative Adversarial Network, GAN)」,這裡面包含了兩組神經網路「生成器(Generator)」和「辨識器(Discriminator)」。

-----廣告,請繼續往下閱讀-----

在投入訓練資料之後,這兩組神經網路會相互學習訓練,有點像是坐在主人頭上的小天使與小惡魔會互相吐槽、口才越來越好、想出更好的點子;在練習的過程中,「生成器」會持續生成偽造的影像,而「辨識器」則負責評分,反覆訓練下來,偽造生成的技術進步,辨識偽造的技術也得以進步。

舉例來說,This Person Does Not Exist 這個網站就充滿了使用 GAN 架構建構的人臉,這個網站中的人臉看上去非常真實,實際上都是 AI 製造出來的「假臉」。

This Person Does Not Exist 裡的「假臉」。

Deepfake 影片不一定是問題,不知道是 Deepfake 才是問題

現今的 Deepfake 技術得以持續進步、騙過人眼是許多人努力的成果,也不見得都是壞事。像是《星際大戰:俠盜一號》片尾,年輕的萊婭公主出面驚鴻一瞥,就帶給許多老粉絲驚喜。這項技術應用癥結在於,相關演算法輕易就能取得,除了讓有心人可以藉以產製色情影片(這類影片佔了Deepfake濫用的半數以上),Deepfake 製造的影片在人們不知情的情況下,很有可能成為虛假訊息的載體、心理戰的武器,甚至於影響選戰與輿情。

因此,Deepfake 弄假似真不是問題,閱聽者因此「不辨真假」才將是最大的問題所在。

-----廣告,請繼續往下閱讀-----
歐巴馬的 Deepfake 影片

相關的研究人員歸納了幾個這類「變臉」影片常見的特徵,可以用來初步辨識眼前的影片是不是偽造的。

首先,由於 AI 尚無法非常細緻的處理一些動作細節,因此其眨眼、視線變化或臉部抽蓄的動作會較不自然。其次,通常在邊緣處,如髮絲、臉的邊緣線、耳環等區域會出現不連貫的狀況。最後,在一些結構細節會出現不合理的陰影瑕疵,像是嘴角的角度位置等。

由於現階段的 Deepfake 通常需要大量的訓練資料(影像或影片)才能達到理想的偽造成果,因此會遭到「換臉」的受害者,主要集中在影像資源豐富的名人,如電影明星、Youtuber、政治人物等。需要注意的是,如果有人意圖使用 Deepfake 技術製造假消息,其所製造的影片不見得需要非常完美,有可能反而降低解析度、非常粗糙,一般人如用手機瀏覽往往難辨真假。

人眼已經難辨真假,那麼以子之矛攻彼之盾,以 AI 技術辨識找出 Deepfake 的成品,有沒有機會呢?隨著 Deepfake 逐漸成為熱門的議題,有許多團隊也開始試圖藉由深度學習技術,辨識偽造影像。2020 年臉書與微軟開始舉辦的「換臉偵測大賽」(Deepfake Detection Challenge)就提供高額獎金,徵求能夠辨識造假影片的技術。然而成果只能說是差強人意,面對從未接觸過的影片,第一名辨識的準確率僅為 65.18%。

-----廣告,請繼續往下閱讀-----
「換臉偵測大賽」(Deepfake Detection Challenge)的辨識素材。圖/MetaAi

對於 Deepfake 可能遭到的濫用,某部分我們可以寄望技術的發展未來終將「道高一尺」,讓社群平台上的影像不致於毫無遮攔、照單全收;然而技術持續「魔高一丈」讓防範的科技追著跑,也是顯而易見的。

社群網路 FB 在 2020 年宣布全面禁止 Deepfake 產生的影片,一旦有確認者立即刪除,twitter 則強制註記影片為造假影片。Deepfake 僅僅是未來面對 AI 浪潮,科技社會所需要應對的其中一項議題,法律、社會規範如何跟上?如何解決箇中的著作權與倫理問題?這些都將是需要經過層層討論與驗證的重要課題。

至少大家應該心知肚明,過往的網路流行語:「有圖有真相」已經過去,接下來即將面臨的,是一個「有影片也難有真相」的網路世界了。

  • 註解:推出 FaceApp 與「去演」的兩家公司其軟體皆要求註冊,且對於上傳資料之後續處理交代不清,被認為有侵犯使用者隱私權之疑慮。

參考資料

-----廣告,請繼續往下閱讀-----
  1. Deepfakes and the New AI-Generated Fake Media Creation-Detection Arms Race – Scientific American
  2. What To Do About Deepfakes | March 2021 | Communications of the ACM
  3. Tolosana, R., Vera-Rodriguez, R., Fierrez, J., Morales, A., & Ortega-Garcia, J. (2020). Deepfakes and beyond: A survey of face manipulation and fake detection. Information Fusion, 64, 131-148.
  4. Deepfake 深偽技術的技術濫用與道德困境,大眾正要開始面對 | TechNews 科技新報
  5. 台灣團隊研究辨識Deep Fake影片 深偽技術的正邪之戰開打 | 台灣事實查核中心 (tfc-taiwan.org.tw)

-----廣告,請繼續往下閱讀-----
所有討論 1
TingWei
13 篇文章 ・ 15 位粉絲
據說一生科科的生科中人,不務正業嗜好以書櫃堆滿房間,努力養活雙貓為近期的主要人生目標。

0

0
0

文字

分享

0
0
0
數位時代讓分手變得更難受
cleo
・2013/05/15 ・1340字 ・閱讀時間約 2 分鐘 ・SR值 495 ・六年級

-----廣告,請繼續往下閱讀-----

數位科技讓數位照片及電子郵件能夠輕易消失,然而電子資產的盛行讓過往的交往關係更難被消除

一項新研究調查了人們是如何在不同的電子設備、網路服務及平台上處理與前男友/女友的數位記錄。

「人們保有廣大的數位資料庫」,加州大學聖克魯茲分校,專長為人機互動(human-computer interaction)的心理學教授,Steve Whittaker表示。「當人們想要遺忘人生中的某些片段時,他們總是會經歷到數位資產帶來的負面影響。」

在一份新研究中,Whittaker及共同作者,蘭卡斯特大學的Corina Sas博士檢視了數位資產帶來的影響及分手後這些數位資產的處置方式。數位資產包括了儲存在不同裝置(如電腦、平板、手機、相機)上的相片、訊息、音樂及影片。這種數位資訊無所不在的現象「使得分手過程更為痛苦,人們沉浸於儲存相片及音樂的數位空間,不斷回憶起前段關係」,Whittaker說道。

-----廣告,請繼續往下閱讀-----

研究人員訪問了12位19到34歲的人士,發現分手後數位資產會令人想起過去及心神不寧,而受訪者也以不同的方式處理數位資產。十二位受訪者選擇刪除,八位選擇保留,剩下四位則是選擇性保留。

Whittaker及Sas發現有些心碎的人想忘記過往,但卻無法狠下心刪除,大部分的人則是選擇刪除。其他人則是刪除一切後感到後悔。

在今日,捨棄過去變得更困難,因為廣大的數位資產無所不在-它們存在於不同的裝置、應用程式、網站服務及平台中。「一段甜蜜的關係會促成美好、豐富的網路生活。但當關係變質,人們又必須仔細地從不同數位空間中剔除這些過往回憶。」臉書照片上的標籤可以移除,但照片若是別人張貼的則無法被刪除。研究團隊說:「這件事費心勞神又讓人傷感,因為人們總會再度沉溺於那些以數位方式存在的過往回憶,特別是照片」。

分手後會做的事有:改變交往狀態至「單身」,馬上刪除或封鎖前任,不讓他們瀏覽個人主頁。

-----廣告,請繼續往下閱讀-----

Whittaker和Sas表示,軟體或許能幫忙消除那些存在網路空間的痛苦回憶,像是基於臉部辨識、機器學習或實體擷取的自動刪除機制。

或者就只是等到情緒冷靜下來。

「沒有適當的處理工具意味著大部分的受訪人要不把所有的回憶留下,要不刪除」,研究團隊提到,「保留回憶的人花了較久的時間療傷,而刪除的人通常會對自己的衝動感到後悔。」

研究的作者提出了一個「潘朵拉盒」的概念,從交往關係而來的數位產物能自動被揀出,存放到一個空間中,等待進一步刪除或保留的動作。一個值得信任的好友也能扮演控管的角色。

-----廣告,請繼續往下閱讀-----

或是一個能夠從數位資料庫中做選擇,且建立「藏寶箱」的新工具,珍貴回憶能被珍藏其中,假以時日,雲淡風輕後再用來回味甜蜜的過往。

研究人員指出數位時代也給分手帶來了新的挑戰。以下是受訪者的意見:

  • 刪掉所有的東西象徵一個新的開始以及不再回首過去。
  • 我留下了所有東西,有她的照片、影片還有訊息。我不常回味這些東西;當我回味那段甜蜜時光時,我有時覺得很感傷,但有時又覺得開心。
  • 把照片留在手機跟電腦裡並不讓我感傷,但是分手後為了讓自己不再駐足,我毅然決然刪了所有的東西。所有與我們有關的東西。

「什麼會讓你留戀過去?」偶然看到那些先前不小心錯過或刪除的東西:電腦上那個不常用的Outlook信箱裡的郵件,或是在不常用的社群網站上發現的未讀訊息。

資料來源:加州大學聖克魯茲分校

-----廣告,請繼續往下閱讀-----

原文來源:”In Digital Age, Breaking Up May Be Even Harder to Do” – PSYCH CENTERAL [13 MAY 2013]

-----廣告,請繼續往下閱讀-----
文章難易度
cleo
49 篇文章 ・ 1 位粉絲
是個標準的文科生,最喜歡讀的卻是科學雜誌。一天可以問上十萬個為什麼。