Loading [MathJax]/extensions/tex2jax.js

0

0
0

文字

分享

0
0
0

生命之樹的第三次開花

商周出版_96
・2013/07/25 ・3295字 ・閱讀時間約 6 分鐘 ・SR值 508 ・六年級

-----廣告,請繼續往下閱讀-----

2052單書封文 / 喬納山.羅(Jonathan Loh)

在未來四十年內,將會發生一件事,不僅會改變我們物種的歷史,更會改變演化本身。我們也許不知道這會在什麼時候發生,但到二○五二年時,我們將會完全了解,這已經發生了。像這樣的事件以前發生過兩次,但發生的方式不一樣,第三次也還是不一樣。

在描述過去這些事件,以及未來事件時,我將使用生命之樹(Tree of Life)的比喻。這棵樹的外圍分枝會偶而且突然地開花,而且開得十分壯觀。 在過去,這種開花情況已經發生過兩次,上一次開在它外圍無數分枝的其中一枝的頂端。第一次開花發生在五億五千萬年前,當時,所有多細胞有機體剛剛展開演化過程,第二次則是人類多元文化的開始,時間在七萬到八萬年前。第三次開花即將在這棵生命之樹的外圍邊緣開始,將會導致新的多元演化。

想像一下,把地球歷史濃縮成一年。地球在大約四十五億年前,凝結了從太陽表面噴出的熱塵和氣體而成形;我們把這個時間稱之為一月一日零點(00:00)。接著,地球開始冷卻。大約在三月的時候,第一批生命出現了,但一直到十一月,地球上所有的生命體都是單細胞的。到了十一月中旬,單細胞生命開始聚集在一起,形成笫一個多細胞生命形式,這被稱作「埃迪卡拉紀動物群」(Ediacaran fauna)。

-----廣告,請繼續往下閱讀-----

第一次開花 

埃迪卡拉只持續了幾天時間,接著,在十一月十八日就被寒武紀大爆發(Cambrian explosion)給吹跑了:這是指演化活動突然大量出現,產生了很多新的生命形式,這種大規模的演化是之前未曾有過的。有著極其複雜度的奇異生命體出現了。很多有著堅硬的甲殼,以及擁有無堅不摧的武器。演化的武器競賽就此展開。到了十一月二十日早晨,一切都過去了。第一次開花期結束了,但所有生命體從那時候起,就一直按照當時的基本藍圖來進行演化。

生命之樹繼續長出枝葉和成長,產生新的物種,失去一些舊的,這持續了大約五億多年。接著,在十二月三十一日傍晚,一次不尋常、空前的事件發生了。這根特別的外圍樹枝 ──幾百萬根樹枝中的其中一枝──外表看來並沒有什麼特別,雖然牠屬於一個很大的哺乳動物物種,但絕對不是其中體形最大,也不是跑的最快,更沒有擁有最厚的甲殼或最厲害的武器。但牠卻開始說話了。在那根樹枝上的這個物種,就是我們,因為我們擁有這項傑出和獨一無二的創新──語言──結果,生命之樹開始了第二次繁茂的開花期。

第二次開花 

現代人類最初在二十萬年前左右出現,當時已經是這個地球年的最終時刻了。人類語言是如何或何時演化的,並不知道。一開始也許只是手勢,而不是聲音。但一旦固定了,就會形成一種全新模式的演化──文化演化。文化演化的形態和物種類似,都是經由突變、遺傳傳輸和選擇來進行。文化的傳輸並不是透過父母身體的DNA傳給後代,而是透過行為學習,從某一個體傳到另一個體。透過語言,這樣的傳輸變得極其容易。

今天,全世界大約有七千種語言,每一種都可以被用來表達不同的文化。這些語言代表文化之樹最外圍的樹枝,但另外還有很多已經消失的語言,它們的樹枝在長出來之後不久就枯死了。跟物種一樣,某些語言可以被分類成好幾個家族,擁有共同的祖先,但卻又各自獨立。

-----廣告,請繼續往下閱讀-----

生物與文化演化之間的最大差別,就是速度。生物演化很慢,文化演化則很快速,所以在一生當中是可以見得到的。另一個差別是,在不同語言之間會出現借用的情況。借用語言,就等於不同物種之間交換遺傳物質,但這是大部分生命體無法作到的。

雖然語言起源的日期並不知道,但幾乎可以確定是在七萬到八萬年前。當時,全球人口大約是十萬個個人,大部分都居住在非洲大陸。在這時候,也就是最後冰河期的中葉,大約就在十二月三十一日的二十三點五十二分左右,人們開始移出非洲,逐漸分散到亞洲各地,沿著海岸線移動,同時沿著河谷向上游遷移。他們的後代子孫成功橫渡東南亞大陸和澳洲之間的海峽,時間大約在四萬到六萬年前。其他的則向北移動進入歐洲,或是經由地峽進入美洲。人類最後一次的大規模遷移並不是在陸地,而是在太平洋,人類最後終於在一千年前抵達紐西蘭,或者,就在半夜前的七秒鐘。

人類分散到全球各地後,這些移民就形成小小的孤立團體,生活在一起,並且把他們的語言和文化傳承下去。文化演化引發數千種的地方變異,最後導致了人類語言和文化的廣大多樣性。這是生命之樹第二次開花,就是文化大爆發。

滅絕 

多樣化通常會伴隨著減絕。至少發生過五次物種大滅絕,全球物種多樣化突然大量減少,時間分別在十一月二十六日和十二月二日、十二日、十五日和二十六日。在十二月十二日,大約在二億四千五百萬年前,九六%的物種都絕種了。在十二月二十六日,也就是六千五百萬年前,最後一次大滅絕造成恐龍的滅絕。不過,在每次大滅絕之後,生物多樣性很快就會恢復,甚至超越之前的物種最高數量。

-----廣告,請繼續往下閱讀-----

今天,我們就站在第六次大滅絕的邊緣。但這一次,我們喪失了文化和生物多樣性。全世界一半人口只使用二十五種語言中的其中一種,剩下的七千種語言中,其中大約一半的語言,每一種的使用者都不超過一萬人。

語言會消失,是因為這些語言的使用者,不是死亡,就是更常見的,改而去使用第二種語言,在不到幾個世代之後,就忘掉了他們原來的母語。而隨著他們語言的消失,他們的文化也跟著沒落。最根本的原因則是全球化、移民、現代通訊,或者,有時是受到了壓迫。

生物─文化多樣性的喪失,似乎不可能會在二○五二年之前逆轉。然而,在生物─文化多樣性減少的同時,我相信,另一種快速多樣性,將會從生命之樹邊緣的一根語言樹枝裡迸發出來。這種語言將不會是英文,也不是中文,而是一種很近代的語言,是被發明出來的一種:電腦語言將會引發第三次開花。

第三次開花

這將不會是工程師用來寫軟體時使用的那種電腦語言。這將會是電腦用來寫它們自己的程式時使用的語言。在寫這樣的程式時,使用的是造成生物和文化多樣性的相同的演化運算法則。

-----廣告,請繼續往下閱讀-----

基本原則是,一部電腦,可以給它一個目標和初步的程式,讓它可以運作。這部電腦接著就會把程式複製好幾遍,把亂數變化引進到編碼中。它會運作新一代的程式,選擇運作得最好的程式,淘汰其他的。這樣的循環不斷重複,一遍又一遍,直到它產生出一個程式,可以滿足最初的目標。當然,在生物或文化演化中,是沒有終極目標的;也不會有數位演化。程式的選擇將由廣大的應用程式市場來決定。

因為效率愈來愈高,電腦編寫的程式將開始取代人類寫的程式,接著,電腦設計的電腦將取代人類設計的電腦。最後,人類將無法完全了解電腦是如何運作的了。到了二○五二年,電腦已經進化出人工智慧,甚至已經有了人工意識。最初,電腦依靠人類來把它們製造出來,並供應它們電力,但這些將逐漸由電腦來完成。大多數人類將會歡迎電腦科技如此蓬勃發展,因為它將提供極其不平凡的新應用程式,會使得他們的生活變得更輕鬆或更富裕。

電腦編寫程式的快速多樣化,已經開始,但一直要到二○五二年才會成熟。生命之樹的新樹枝將由眾多程式組成,就如同較舊的樹枝由眾多物種或語言組成,但它們的形式或功能還不清楚。人類文化是透過模因(meme,傳承文化資訊的單位)來傳播:想法可以從一個人複製給另一個人。模因類似於文化的基因,但是寄居在意識中而非細胞裡。電腦文化生存在人類意識之外,從這部電腦傳輸到另一部電腦。我建議,把這種傳輸的基本單位叫作exeme(executable meme,可執行的模因),數位的模因或基因的相似體。

因此,我們將來面對的,將會是這樣的未來:在其中,兩個古老的演化多樣化將會逐漸衰減,而一種新的演化則正在升起。這不是我們在意識中策劃的或想要的,只是,這就好像我們人類老祖先選擇說話,或是我們的單細胞祖先選擇演化成多細胞物種。之所以會發生這樣的演化,單純是因為某種根本上的創新促成大規模的演化多樣化。這會把我們帶到那兒去?我們能夠控制電腦文化嗎?或者,電腦將來看待人類,會像我們現在看待其他物種那樣嗎:有趣,有用處,甚至是必要的,但基本上卻只是低等的生命形式?

-----廣告,請繼續往下閱讀-----

喬納山.羅(英國人,一九六三年出生)是動物學家,專門研究生物與文化多樣化的監測與保育。他是倫敦動物學會(Zoological Society of London)的名譽研究員,也是世界自然基金會顧問。

 

摘自《2052》,由商周出版。

-----廣告,請繼續往下閱讀-----
文章難易度
商周出版_96
122 篇文章 ・ 363 位粉絲
閱讀商周,一手掌握趨勢,感受愜意生活!商周出版為專業的商業書籍出版公司,期望為社會推動基礎商業知識和教育。

0

1
0

文字

分享

0
1
0
數智驅動未來:從信任到執行,AI 為企業創新賦能
鳥苷三磷酸 (PanSci Promo)_96
・2025/01/13 ・4938字 ・閱讀時間約 10 分鐘

-----廣告,請繼續往下閱讀-----

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?

-----廣告,請繼續往下閱讀-----
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?圖/pexels

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。

-----廣告,請繼續往下閱讀-----

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。

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。圖/unsplash

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。

-----廣告,請繼續往下閱讀-----

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。

-----廣告,請繼續往下閱讀-----

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?

-----廣告,請繼續往下閱讀-----

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」。

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。圖/unsplash

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。

-----廣告,請繼續往下閱讀-----

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。

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。

-----廣告,請繼續往下閱讀-----

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

-----廣告,請繼續往下閱讀-----
鳥苷三磷酸 (PanSci Promo)_96
222 篇文章 ・ 313 位粉絲
充滿能量的泛科學品牌合作帳號!相關行銷合作請洽:contact@pansci.asia

0

1
1

文字

分享

0
1
1
貓咪也會學鳥叫?揭秘貓貓發出「喀喀聲」背後的可能原因
F 編_96
・2024/12/24 ・2480字 ・閱讀時間約 5 分鐘

-----廣告,請繼續往下閱讀-----

F 編按:本文編譯自 Live Science

貓是一種神秘而又引人注目的動物,牠們看似深居簡出,但擁有多元的聲音表達:從吸引人類注意的「喵喵叫」,到面對威脅時的「嘶嘶聲」與低沉的「咆哮」。

延伸閱讀:貓咪為什麼總愛對人喵喵叫?看貓如何用聲音征服人類的心

然而,細心的貓奴們可能會注意到,貓有時會對著窗外的鳥兒或屋內小動物玩具,發出一種獨特的「卡卡聲」或「咯咯聲」。這種聲音既像牙齒打顫,又好似一陣陣輕微的顫鳴,卻很難歸類到常見的喵叫或咆哮裡。這種名為「chatter」的行為,究竟在貓的生活中扮演什麼角色?目前科學界尚未對此有定論,但有幾種廣為討論的假說,或許能為我們提供一些思考方向。

卡卡叫:情緒的釋放或表達?

有些貓行為專家推測,貓咪在看到獵物(如窗外的鳥、老鼠)卻無法接近時,會因「欲捕無法」的挫折感或興奮感,發出這種「卡卡聲」。就像人類遇到障礙時,可能會發出抱怨的咕噥聲或乾著急的嘆息聲一樣,貓咪的「喀喀聲」也可能只是把當下的情緒外顯,並非有特別針對人或其他動物的溝通目的。

  • 情緒假說
    • 挫折:當貓看見鳥兒在窗外飛舞卻無法撲殺,內心焦躁,遂用聲音抒發。
    • 興奮:或許貓在準備捕獵時也感到高度亢奮,因此嘴部不自覺抖動並出聲。
貓咪的「喀喀聲」可能源於挫折或興奮情緒,表達捕獵受阻的內在反應。圖/envato

要在科學上驗證「情緒假說」並不容易,因為需要同時測量貓咪行為和生理指標。例如,研究人員可能需要測量貓咪在卡卡叫時的壓力荷爾蒙變化,才能確認牠們究竟是帶著正面興奮,或是負面挫折的情緒。不過,由於貓的獨立特質,實驗設計往往困難重重,樣本量要足夠也不容易,所以至今沒有定論。

-----廣告,請繼續往下閱讀-----

增強嗅覺?貓咪的「第二鼻子」

另一種說法則認為,貓咪發出「卡卡聲」時,可能同時開啟了其位於口腔上顎的「犁鼻器」(vomeronasal organ),也稱作「賈氏器官(Jacobson’s organ)」。這個感知器官能捕捉一般鼻腔聞不到的化學分子,如費洛蒙或特定氣味分子,因此對貓的求偶、社交和獵捕行為都非常重要。

  • 嗅覺假說
    • 張口呼吸:如果貓咪一邊「咯咯咯」地開合上下顎,可能在嘗試讓空氣(及其中所含的氣味分子)進入犁鼻器。
    • 蒐集更多環境資訊:在確定下手前,更完整的嗅覺分析或能提高牠們獵捕成功率,或是幫助判斷環境中是否有其他潛在威脅或機會。

然而,要科學驗證「增強嗅覺假說」同樣不簡單。研究人員不僅要觀察貓咪在卡卡叫時的行為,也需要測量牠們是否真的打開了更大的氣道,並在那個同時有效使用犁鼻器。這些行為與生理測量都必須在相對可控卻又不影響貓自由行動的實驗環境中進行,實務上難度頗高。

聲音模仿:貓咪的「偽鳥叫」?

貓咪的「卡卡聲」或許是為了模仿獵物的聲音,讓獵物降低警戒。圖/envato

第三種最有趣也最具「野性色彩」的假說,是「模仿獵物聲音」。在野外,一些中南美洲的小型貓科動物(例如:長尾虎貓,又稱美洲豹貓或瑪家貓,Margay)曾被觀察到,在捕獵小猴群時,發出類似猴子叫聲的音調;有些當地原住民族群也傳說,叢林裡的某些捕食者會模仿目標獵物的聲音來誘捕。由此推測,家貓看到鳥兒時發出的「卡卡聲」,可能包含些微模仿鳥兒啁啾的元素,試圖降低獵物警戒或甚至吸引獵物靠近。

  • 模仿假說
    • 案例參考:野生貓科動物曾出現學習或偽裝聲音的紀錄。
    • 家貓可能繼承的行為:家貓的祖先——北非野貓(African wildcat)及其他小型貓科物種,是否具備聲音模仿能力?這在生物演化研究上仍是未解之謎。
    • 缺乏大規模觀察:由於小型野生貓科動物研究資料有限,且家貓實驗更不易做大樣本長期追蹤,最終導致此理論尚未獲得廣泛實證。

貓咪行為研究的挑戰:野性祖先的重要性

探討貓咪行為,常常需要回溯至野生祖先的棲地環境。家貓(Felis catus)普遍被認為源自北非野貓(Felis lybica),然而,野貓習性的研究本就不多,尤其是關於聲音與捕獵策略更是資料有限。我們想知道「為什麼家貓會卡卡叫」,首先要確定:「牠們的野性祖先或其他小型貓科,也有同樣的行為嗎?」若有,家貓則可能繼承自古老基因;若無,則可能是家貓在與人類共處的環境中演化出的新行為。

-----廣告,請繼續往下閱讀-----
如果要探查家貓「卡卡叫」的原因,還需要了解其祖先或其他小型貓科是否具有類似行為。圖/envato

再者,貓在實驗室中的「不可控」因素相當多。貓不像狗般樂於服從人類指令,常有自己的規律與個性。要在實驗情境下穩定地誘發貓的「卡卡叫」行為、同時檢測牠們的生理和心理反應,並確保每隻貓的個體差異都被考慮到,這些都對研究團隊是極大考驗。

對於許多貓奴來說,貓咪坐在窗邊,一邊盯著外頭的鳥兒或松鼠,一邊發出獨特的「卡卡聲」,是一幕既可愛又神祕的風景。究竟牠們是在抒發情緒、強化嗅覺、抑或真的在「假扮鳥叫」以誘捕獵物?目前沒有確切的答案。然而,也正因為這層未知,貓貓才更顯得迷人。

-----廣告,請繼續往下閱讀-----

討論功能關閉中。

F 編_96
22 篇文章 ・ 1 位粉絲
一個不小心闖入霍格華茲(科普)的麻瓜(文組).原泛科學編輯.現任家庭小精靈,至今仍潛伏在魔法世界中💃

0

1
0

文字

分享

0
1
0
AI 能像人類一樣思考?諾貝爾物理學獎研究助力人工智慧模擬人類大腦
PanSci_96
・2024/11/14 ・2117字 ・閱讀時間約 4 分鐘

-----廣告,請繼續往下閱讀-----

即使再怎麼模仿,AI 終究無法以與生物相同的方式思考吧?畢竟電腦的電子元件和我們大腦中的神經細胞結構截然不同。再怎麼模仿,AI 終究無法以與生物相同的方式思考吧?

錯,可以。

2024 年諾貝爾物理學獎跌破所有專家的眼鏡,頒給了兩位研究機器學習的科學家——約翰·霍普菲爾德(John Hopfield)和傑佛瑞·辛頓(Geoffrey Hinton)。他們以「人工」的方法打造了類神經網路,最終模擬出生物的「智慧」,奠定了當代深度學習的基礎。

為什麼解決人工智慧發展瓶頸的,竟然會是物理學?物理要怎麼讓 AI 更像人類?

-----廣告,請繼續往下閱讀-----
歡迎訂閱 Pansci Youtube 頻道 獲取更多深入淺出的科學知識!

從巴甫洛夫的狗到赫布理論:理解學習的基礎

為了解答這個疑問,我們需要一些背景知識。

20 世紀初,俄羅斯心理學家巴甫洛夫發現,狗在食物還沒入口前,就會開始分泌唾液。他進行了一系列實驗,改變食物出現前的環境,比如讓狗習慣在聽到鈴聲後馬上得到食物。久而久之,狗只要聽到鈴聲,就會開始分泌唾液。

大約 50 年後,神經科學家赫布(Donald Hebb)提出了一個假說:大腦中相近的神經元,因為經常同時放電,會產生更強的連結。這種解釋稱為「赫布理論」,不僅奠定了神經心理學的發展,更成為現代深度學習的基礎。

然而,赫布理論雖然描述了鄰近神經元的關係,卻無法解釋大腦如何建構出如此複雜的聯想網路。

-----廣告,請繼續往下閱讀-----

霍普菲爾德網路:物理學家對神經網路的貢獻

然而,赫布理論雖能描述神經元之間的關係,卻缺乏數學模型。物理學家約翰·霍普菲爾德從數學家約翰·康威(John Conway)的「生命遊戲」(Game of Life)中獲得靈感,試圖建立一個可以在電腦上運行的記憶系統。

霍普菲爾德受「生命遊戲」啟發,嘗試建立電腦記憶系統。圖/envato

「生命遊戲」由數學家康威(John Conway)發明,玩家開始時有一個棋盤,每個格子代表一個細胞,細胞可以是「活」或「死」的狀態。根據特定規則,細胞會根據鄰居的狀態決定下一次的生存狀態。康威的目的是展示複雜的系統不一定需要複雜的規則。

霍普菲爾德發現,這個遊戲與赫布理論有強大的關聯性。大腦中的大量神經元,在出生時處於初始狀態,經過刺激後,神經元間的連結會產生或斷裂,形成強大的記憶系統。他希望利用這些理論,創造一個能在電腦上運行的記憶系統。

然而,他面臨一個難題:赫布理論沒有明確的數學模型來決定神經元連結的規則。而在電腦上運行,必須要有明確的數學規則。

-----廣告,請繼續往下閱讀-----

物理學的啟發:易辛模型

霍普菲爾德從物理學的研究中找到了類似的模型:易辛模型(Ising Model)。這個模型用於解釋鐵磁性物質的磁性特性。

在鐵磁性物質中,電子具有「自旋」,自旋產生磁矩。電子的自旋方向只有「向上」或「向下」,這就像生命遊戲中細胞的「生」或「死」。鄰近的電子會影響彼此的自旋方向,類似於細胞之間的互動。

易辛模型能用數學描述電子間的相互影響,並通過計算系統能量,得出自旋狀態的分佈。霍普菲爾德借用了這個概念,將神經元的互動視為電子自旋的互動。

他結合了康威生命遊戲的時間演化概念、易辛模型的能量計算,以及赫布理論的動態連結,創造了「霍普菲爾德網路」。這讓電腦能夠模擬生物大腦的學習過程。

-----廣告,請繼續往下閱讀-----

突破瓶頸:辛頓與波茲曼機

約翰·霍普菲爾德於1982年發明聯想神經網路,即「霍普菲爾網路」。圖/wikimedia

然而,霍普菲爾德網路並非完美。它容易陷入「局部最小值」的問題,無法找到系統的全局最優解。為了解決這個問題,加拿大計算機科學家傑佛瑞·辛頓(Geoffrey Hinton)提出了「波茲曼機」(Boltzmann Machine)。

辛頓將「模擬退火」的概念引入神經網路,允許系統以一定的機率跳出局部最小值,尋找全局最優解。他還引入了「隱藏層」的概念,將神經元分為「可見層」和「隱藏層」,提高了網路的學習能力。

受限波茲曼機(Restricted Boltzmann Machine)進一步簡化了模型,成為深度學習的基礎結構之一。這些創新使得 AI 能夠更有效地模擬人類的思維和學習過程。

AI 的未來:跨學科的融合

霍普菲爾德和辛頓的工作,將物理學的概念成功應用於人工智慧。他們的研究不僅解決了 AI 發展的瓶頸,還奠定了深度學習的基礎,對現代 AI 技術產生了深遠的影響。因此,2024 年諾貝爾物理學獎頒給他們,並非意外,而是對他們在跨學科領域的重大貢獻的肯定。

-----廣告,請繼續往下閱讀-----

AI 的發展,離不開物理學、生物學、數學等多學科的融合。霍普菲爾德和辛頓的工作,正是這種融合的典範。未來,隨著科學技術的進步,我們有理由相信,AI 將越來越接近人類的思維方式,甚至可能超越我們的想像。

-----廣告,請繼續往下閱讀-----

討論功能關閉中。

PanSci_96
1262 篇文章 ・ 2408 位粉絲
PanSci的編輯部帳號,會發自產內容跟各種消息喔。