【Gene思書齋】你不可不知的好色醫學

• 作者／賴昭正｜前清大化學系教授、系主任、所長；合創科學月刊

我擔心人工智慧可能會完全取代人類。如果人們能設計電腦病毒，那麼就會有人設計出能夠自我改進和複製的人工智慧。 這將是一種超越人類的新生命形式。

——史蒂芬．霍金（Stephen Hawking）　英國理論物理學家

大約在八十年前，當第一台數位計算機出現時，一些電腦科學家便一直致力於讓機器具有像人類一樣的智慧；但七十年後，還是沒有機器能夠可靠地提供人類程度的語言或影像辨識功能。誰又想到「人工智慧」（Artificial Intelligent，簡稱 AI）的能力最近十年突然起飛，在許多（所有？）領域的測試中擊敗了人類，正在改變各個領域——包括假新聞的製造與散佈——的生態。

圖形處理單元（graphic process unit，簡稱 GPU）是這場「人工智慧」革命中的最大助手。它的興起使得九年前還是個小公司的 Nvidia（英偉達）股票從每股不到 $5，上升到今天（5 月 24 日）每股超過 $1000（註一）的全世界第三大公司，其創辦人（之一）兼首席執行官、出生於台南的黃仁勳（Jenson Huang）也一躍成為全世界排名 20 內的大富豪、台灣家喻戶曉的名人！可是多少人了解圖形處理單元是什麼嗎？到底是時勢造英雄，還是英雄造時勢？

在回答這問題之前，筆者得先聲明筆者不是學電腦的，因此在這裡所能談的只是與電腦設計細節無關的基本原理。筆者認為將原理轉成實用工具是專家的事，不是我們外行人需要了解的；但作為一位現在的知識分子或公民，了解基本原理則是必備的條件：例如了解「能量不滅定律」就可以不用仔細分析，即可判斷永動機是騙人的；又如現在可攜帶型冷氣機充斥市面上，它們不用往室外排廢熱氣，就可以提供屋內冷氣，讀者買嗎？

CPU 與 GPU

不管是大型電腦或個人電腦都需具有「中央處理單元」（central process unit，簡稱 CPU）。CPU 是電腦的「腦」，其電子電路負責處理所有軟體正確運作所需的所有任務，如算術、邏輯、控制、輸入和輸出操作等等。雖然早期的設計即可以讓一個指令同時做兩、三件不同的工作；但為了簡單化，我們在這裡所談的工作將只是執行算術和邏輯運算的工作（arithmetic and logic unit，簡稱 ALU），如將兩個數加在一起。在這一簡化的定義下，CPU 在任何一個時刻均只能執行一件工作而已。

在個人電腦剛出現只能用於一般事物的處理時，CPU 均能非常勝任地完成任務。但電腦圖形和動畫的出現帶來了第一批運算密集型工作負載後，CPU 開始顯示心有餘而力不足：例如電玩動畫需要應用程式處理數以萬計的像素（pixel），每個像素都有自己的顏色、光強度、和運動等, 使得 CPU 根本沒辦法在短時間內完成這些工作。於是出現了主機板上之「顯示插卡」來支援補助 CPU。

1999 年，英偉達將其一「具有集成變換、照明、三角形設定／裁剪、和透過應用程式從模型產生二維或三維影像的單晶片處理器」（註二）定位為「世界上第一款 GPU」，「GPU」這一名詞於焉誕生。不像 CPU，GPU 可以在同一個時刻執行許多算術和邏輯運算的工作，快速地完成圖形和動畫的變化。

依序計算和平行計算

一部電腦 CPU 如何計算 7×5+6/3 呢？因每一時刻只能做一件事，所以其步驟為：

• 計算 7×5；
• 計算 6/3；
• 將結果相加。

總共需要 3 個運算時間。但如果我們有兩個 CPU 呢？很多工作便可以同時（平行）進行：

• 同時計算 7×5 及 6/3；
• 將結果相加。

只需要 2 個運算時間,比單獨的 CPU 減少了一個。這看起來好像沒節省多少時間，但如果我們有 16 對 a×b 要相加呢？單獨的 CPU 需要 31 個運算的時間（16 個 × 的運算時間及 15 個 + 的運算時間），而有 16 個小 CPU 的 GPU 則只需要 5 個運算的時間（1 個 × 的運算時間及 4 個 + 的運算時間）！

現在就讓我們來看看為什麼稱 GPU 為「圖形」處理單元。圖一左圖《我愛科學》一書擺斜了，如何將它擺正成右圖呢？ 一句話：「將整個圖逆時針方向旋轉 θ 即可」。但因為左圖是由上百萬個像素點（座標 x, y）組成的，所以這句簡單的話可讓 CPU 忙得不亦樂乎了：每一點的座標都必須做如下的轉換

x’ = x cosθ + y sinθ

y’ = -x sinθ+ y cosθ

即每一點均需要做四個 × 及兩個 + 的運算！如果每一運算需要 10^-6 秒，那麼讓《我愛科學》一書做個簡單的角度旋轉，便需要 6 秒，這豈是電動玩具畫面變化所能接受的？

人類的許多發明都是基於需要的關係，因此電腦硬件設計家便開始思考：這些點轉換都是獨立的，為什麼我們不讓它們同時進行（平行運算，parallel processing）呢？於是專門用來處理「圖形」的處理單元出現了——就是我們現在所知的 GPU。如果一個 GPU 可以同時處理 10⁶ 運算，那上圖的轉換只需 10^-6 秒鐘！

GPU 的興起

GPU 可分成兩種：

• 整合式圖形「卡」（integrated graphics）是內建於 CPU 中的 GPU，所以不是插卡，它與 CPU 共享系統記憶體，沒有單獨的記憶體組來儲存圖形／視訊，主要用於大部分的個人電腦及筆記型電腦上；早期英特爾（Intel）因為不讓插卡 GPU 侵蝕主機的地盤，在這方面的研發佔領先的地位，約佔 68% 的市場。
• 獨立顯示卡（discrete graphics）有不與 CPU 共享的自己專用內存；由於與處理器晶片分離，它會消耗更多電量並產生大量熱量；然而，也正是因為有自己的記憶體來源和電源，它可以比整合式顯示卡提供更高的效能。

2007 年，英偉達發布了可以在獨立 GPU 上進行平行處理的軟體層後，科學家發現獨立 GPU 不但能夠快速處理圖形變化，在需要大量計算才能實現特定結果的任務上也非常有效，因此開啟了為計算密集型的實用題目編寫 GPU 程式的領域。如今獨立 GPU 的應用範圍已遠遠超出當初圖形處理，不但擴大到醫學影像和地震成像等之複雜圖像和影片編輯及視覺化，也應用於駕駛、導航、天氣預報、大資料庫分析、機器學習、人工智慧、加密貨幣挖礦、及分子動力學模擬（註三）等其它領域。獨立 GPU 已成為人工智慧生態系統中不可或缺的一部分，正在改變我們的生活方式及許多行業的遊戲規則。英特爾在這方面發展較遲，遠遠落在英偉達（80%）及超微半導體公司（Advance Micro Devices Inc.，19%，註四）之後，大約只有 1% 的市場。

事實上現在的中央處理單元也不再是真正的「單元」，而是如圖二可含有多個可以同時處理運算的核心（core）單元。GPU 犧牲大量快取和控制單元以獲得更多的處理核心，因此其核心功能不如 CPU 核心強大，但它們能同時高速執行大量相同的指令，在平行運算中發揮強大作用。現在電腦通常具有 2 到 64 個核心；GPU 則具有上千、甚至上萬的核心。

結論

我們一看到《我愛科學》這本書，不需要一點一點地從左上到右下慢慢掃描,即可瞬間知道它上面有書名、出版社等，也知道它擺斜了。這種「平行運作」的能力不僅限於視覺，它也延伸到其它感官和認知功能。例如筆者在清華大學授課時常犯的一個毛病是：嘴巴在講，腦筋思考已經不知往前跑了多少公里，常常為了追趕而越講越快，將不少學生拋到腦後！這不表示筆者聰明，因為研究人員發現我們的大腦具有同時處理和解釋大量感官輸入的能力。

人工智慧是一種讓電腦或機器能夠模擬人類智慧和解決問題能力的科技，因此必須如人腦一樣能同時並行地處理許多資料。學過矩陣（matrix）的讀者應該知道，如果用矩陣和向量（vector）表達，上面所談到之座標轉換將是非常簡潔的（註五）。而矩陣和向量計算正是機器學習（machine learning）演算法的基礎！也正是獨立圖形處理單元最強大的功能所在！因此我們可以了解為什麼 GPU 會成為人工智慧開發的基石：它們的架構就是充分利用並行處理，來快速執行多個操作，進行訓練電腦或機器以人腦之思考與學習的方式處理資料——稱為「深度學習」（deep learning）。

黃仁勳在 5 月 22 日的發布業績新聞上謂：「下一次工業革命已經開始了：企業界和各國正與英偉達合作，將價值數萬億美元的傳統資料中心轉變為加速運算及新型資料中心——人工智慧工廠——以生產新商品『人工智慧』。人工智慧將為每個產業帶來顯著的生產力提升，幫助企業降低成本和提高能源效率，同時擴大收入機會。」

附錄

人工智慧的實用例子：下面一段是微軟的「copilot」代書、谷歌的「translate」代譯之「one paragraph summary of GPU and AI」。讀完後，讀者是不是認為筆者該退休了？

GPU（圖形處理單元）和 AI（人工智慧）之間的協同作用徹底改變了高效能運算領域。GPU 具有平行處理能力，特別適合人工智慧和機器學習所需的複雜資料密集運算。這導致了影像和視訊處理等領域的重大進步，使自動駕駛和臉部辨識等技術變得更加高效和可靠。NVIDIA 開發的平行運算平台 CUDA 進一步提高了 GPU 的效率，使開發人員能夠透過將人工智慧問題分解為更小的、可管理的、可同時處理的任務來解決這些問題。這不僅加快了人工智慧研究的步伐，而且使其更具成本效益，因為 GPU 可以在很短的時間內執行與多個 CPU 相同的任務。隨著人工智慧的不斷發展，GPU 的角色可能會變得更加不可或缺，推動各產業的創新和新的可能性。大腦透過神經元網路實現這一目標，這些神經元網路可以獨立但有凝聚力地工作，使我們能夠執行複雜的任務，例如駕駛、導航、觀察交通信號、聽音樂並同時規劃我們的路線。此外，研究表明，與非人類動物相比，人類大腦具有更多平行通路，這表明我們的神經處理具有更高的複雜性。這個複雜的系統證明了我們認知功能的卓越適應性和效率。我們可以一邊和朋友聊天一邊走在街上，一邊聽音樂一邊做飯，或一邊聽講座一邊做筆記。人工智慧是模擬人類腦神經網路的科技，因此必須能同時並行地來處理許多資料。研究人員發現了人腦通訊網路具有一個在獼猴或小鼠中未觀察獨特特徵：透過多個並行路徑傳輸訊息,因此具有令人難以置信的多任務處理能力。

註解

（註一）當讀者看到此篇文章時，其股票已一股換十股，現在每一股約在 $100 左右。

（註二）組裝或升級過個人電腦的讀者或許還記得「英偉達精視 256」（GeForce 256）插卡吧?

（註三）筆者於 1984 年離開清華大學到 IBM 時，就是參加了被認為全世界使用電腦時間最多的量子化學家、IBM「院士（fellow）」Enrico Clementi 的團隊：因為當時英偉達還未有可以在 GPU 上進行平行處理的軟體層，我們只能自己寫軟體將 8 台中型電腦（非 IBM 品牌！）與一大型電腦連接來做平行運算，進行分子動力學模擬等的科學研究。如果晚生 30 年或許就不會那麼辛苦了?

（註四）補助個人電腦用的 GPU 品牌到 2000 年時只剩下兩大主導廠商：英偉達及 ATI（Array Technology Inc.）。後者是出生於香港之四位中國人於 1985 年在加拿大安大略省成立，2006 年被超微半導體公司收購，品牌於 2010 年被淘汰。超微半導體公司於 2014 年 10 月提升台南出生之蘇姿豐（Lisa Tzwu-Fang Su）博士為執行長後，股票從每股 $4 左右，上升到今天每股超過 $160，其市值已經是英特爾的兩倍，完全擺脫了在後者陰影下求生存的小眾玩家角色，正在挑戰英偉達的 GPU 市場。順便一題：超微半導體公司現任總裁（兼 AI 策略負責人）為出生於台北的彭明博（Victor Peng）；與黃仁勳及蘇姿豐一樣，也是小時候就隨父母親移居到美國。

（註五）或。

延伸閱讀

• 「熱力學與能源利用」，《科學月刊》，1982 年 3 月號；收集於《我愛科學》（華騰文化有限公司，2017 年 12 月出版），轉載於「嘉義市政府全球資訊網」。
• 「網路安全技術與比特幣」，《科學月刊》，2020 年 11 月號；轉載於「善科教育基金會」的《科技大補帖》專欄。

「雜種醫」的挑戰

余巖在一九三二年出版《醫學革命論文選》第二版之時，新版序的開場白就敘述了朋友對他的氣憤埋怨。他們說：

近年外面半新半舊非驢非馬的醫說，橫行得了不得。這點狡獪都是你教訓他們的。你若不去向他們攻擊，他們永遠不會變遷。舊的索性舊，新的索性新，倒是界限分明，容易解決。⋯⋯你拚命攻擊舊醫，結果是教訓他們尋出一條生路。

在一九二九年的衝突之後，許多批判中醫的人都注意到一個令他們毛骨悚然的現象：一夕之間，出現了一種「非驢非馬」的雜種醫。在很短的時間裡，雜種醫就在醫界大行其道，而之前這種混種現象只盛行於商業界的藥品市場而已。雖然抱持第一與第三立場的人對於中醫科學化的意見相反，但他們都把陸淵雷與譚次仲的方案抨擊為「非驢非馬」。

為何被譯為「雜種醫」？

在此，我想清楚說明為什麼把「非驢非馬醫」翻譯為「雜種醫」（mongrel medicine），而不是聽起來比較正面的「混種醫」（hybrid medicine）。第一，兩者間有一個重要的不同之處，就在於「雜種醫」是當年的歷史行動者所使用的概念。當年批判中醫的人士把「非驢非馬醫」等同於「雜種醫」，因爲他們想強調這種醫療是一個背叛了父母的雜種，是對兩個純種醫學傳統的雙重背叛。

這樣強烈的負面意涵便引出我的第二個論點：作為歷史行動者的概念而言，當年沒有任何中醫師會自我標榜為「非驢非馬」，「非驢非馬」是中醫批評者強加在他們身上的一種貶抑性的標籤。相較於「雜種」與「非驢非馬」所帶有的強烈的負面意涵，「混種性」（hybridity）這個後殖民概念的功能剛好相反，它強調「後殖民文化的混種性是一個優點，而不是弱點。」我想傳達的訊息卻正是混種的負面意涵：對於那些企圖匯通中西醫的人而言，他們必須承受對手加諸己身的羞辱與限制，被對手定義為「雜種」。為了傳達「非驢非馬」一詞的貶抑與羞辱，我決定將其意譯為「雜種醫」。

備受罵名，仍要追求中醫科學化的原因為何？

面對來自雙方的攻擊，陸淵雷決定在那份備受爭議的中醫科學化提案當中，將接納雜種醫列為五項前提之一：「故整理國醫藥學術，引用科學原理時，不任受破壞國粹之名。」在此陸淵雷清楚表示不認同將中醫視為「國粹」而保存其本真性（authenticity）。

這是一項重要的證據，顯示至少對陸淵雷而言，國醫運動不當被等同為一種文化民族主義運動。他特別提及儒學與佛教在宋朝（九六○ — 一二七八）成功融合的例子，而主張中醫科學化是性質接近的事業，是以一種大膽而富有創意的方式來融合中國與外國文化。就這個意義上而言，像陸淵雷這樣的人士不僅發動了中醫科學化方案，更心甘情願地承受論敵貼在他們身上的貶抑性標籤，因為他們追求的目標不是保存中醫既有的樣貌，而是要發展出國醫館所揭示的那種新生的混種醫。

余巖的友人責怪余巖協助創造了這種雜種醫。他們是對的。雜種醫之所以會興起，就是為了回應余巖和其他中醫批評者所倡議的醫學革命。這並不是說在余巖對中醫提出抨擊之前，不曾有人試圖融合這兩種醫學型態──唐宗海就是一個明顯的先例。重點是，雜種醫之所以突然間變地那麼值得追求、那麼引人痛毀極詆、那麼危機四伏，這一切都源於人們堅持要以科學方法整理中醫──換句話說，就是中醫科學化。有史以來第一次，當中醫師想像中醫與西醫的關係之時，他們無可逃避地必須共同直面科學的概念。

雜種醫與中醫科學化的關係？

雜種醫與中醫科學化之間，有一種相互建構與壓制的辯證關係。這兩者的關係具有相互建構性，因為中醫師會想追求雜種醫這種古怪的東西，完全是因為國民黨國家提倡中醫科學化，並強迫抗爭雙方以其作為停戰條件。正是這個科學化的目標，迫使中醫師在改革中醫時認真看待科學的概念以及相關的現代性論述──例如余巖對於中醫的三分法。就這個意義上而言，他們的改革體現現代性的特徵，因此截然不同於由唐宗海為代表的那種前現代式的匯通中西醫。

另一方面，這兩者之間的關係也具有壓抑性，因為正是科學的概念使人難以想像中醫與生物醫學之間能夠經由跨種雜交而產生有意義的成果。單純想像把兩種醫學型態混合起來，或許不需要擔心會產生怪物。但若是想像將科學與異己的他者進行跨種雜交，感覺上幾乎是褻瀆神聖。由於大家都覺得這是一個無法想像的作法，無怪乎批評者將這種新式醫學描述為「非驢非馬」。

就像那無法繁殖後代的騾，雜種醫雖然表面上看來充滿活力，卻絕對不可能長久存續，無法成為一個富有生命力的活著的傳統（living tradition）。正因為這種醫學廣受大眾歡迎，反對者覺得必須利用雜種醫這個貶抑性的概念，以提醒眾人逾越界線的危險，使人們產生強烈的負面情緒。總而言之，就是因為論爭雙方都接納中醫科學化方案，是以雜種醫才會變成一個廣受中醫師支持的、值得追求的、卻又沒有希望成功的方案；另一方面，也變成西醫師眼中巨大的威脅。

結論

西醫師為何強烈地偏好「中醫科學化」這句口號，而不是「以科學方法整理中醫」？關鍵就在防止雜種醫。由於這句口號包含了「科學化」這個在地發明的概念，因此也就把我們帶回了本章一開頭提出的那個問題：在一九三○年代初期的中西醫論爭中，中醫科學化方案做為一股關鍵歷史力量，究竟發揮了什麼樣的功能？最直白的答案就是，將科學轉化為一個動詞（科學化），其實是最有效的方式來展示世界上存在著一種同質性的實體叫做科學。

如果科學不能被理解為一種同質性的單一實體，那便難以想像將某個東西「科學化」究竟是什麼意思。更重要的是，當人們習以為常、不假思索地使用「科學化」這個動詞時，大家的行為便預設並且強化了一個想法：科學及其對反（中醫）是兩個可以清楚辨識的實體，就像具體的物品一樣真實。

——本文摘自《非驢非馬：中醫、西醫與現代中國的相互形塑》，2024 年 02 月，左岸文化出版，未經同意請勿轉載。

科羅拉多州丹佛市的科羅拉多州會議中心
第六十一屆美國鑑識科學學會科學年會

司法科學可能失誤？垃圾科學害無辜的人被判有罪？

二○○九年二月十九日，美國國家科學院投下了長達三百頁的震撼彈。全世界的頭條新聞都是宣告絕對正確的鑑識神話破滅。這份後來被稱為《 NAS 報告》的《提升美國司法科學：前進之路》（Strengthening Forensic Science in the United States: A Path Forward），讓聚集在丹佛參加美國鑑識科學學會年會的鑑識社群都深受打擊。自從一九六○年代中期的山姆．謝潑德審判以來，無論是法庭或流行文化都一直認為司法科學是萬無一失的。

即使出現了錯誤定罪，也沒有削弱這個被廣泛認同的信念。二○○九年美國鑑識科學學會的「科學會議」議程就反映出對這件事不存在絲毫懷疑。在該年的五百三十六篇發表文章中，只有一篇是討論錯誤定罪，發表人是一名加拿大的辯護律師，而該科學的可靠性則完全沒有成為關注議題。¹

《 NAS 報告》在一夜之間讓會議議程顯得無關緊要，彷彿是上個世代的產物。垃圾科學害得無辜的人被判有罪，這不能再怪是因為「一粒老鼠屎壞了一鍋粥」。美國國家科學院解釋因 DNA 的平反揭露了「一個令人不安的冤案數量，有些還是死刑案件，並暴露了美國常用的一些鑑定方法的嚴重侷限性」。

即使是在最高法院作成對道伯案的意見之後，糟糕的科學依然在司法制度中占據主導地位。《 NAS 報告》回顧了上個世紀如史詩般的侵權責任之爭，它導致了道伯案這個具有里程碑意義的判決。儘管彼得．胡伯的《伽利略的復仇》一書講述像「中了頭獎」的人身傷害訴訟，讓「現在已眾所周知的『垃圾科學』變得普及，並批評司法制度接受不可靠的專家證詞來支持侵權主張」，但《 NAS 報告》提到的「垃圾科學辯論」幾乎「完全忽略刑事訴訟」。²

鑑識體制對於《 NAS 報告》反應如何？

鑑識體制中大部分是善意而不習慣接受批評的公務員，對司法科學界來說，美國國家科學院的批評是對個人的一種極大侮辱。大部分從業人員都是跟隨廣受尊敬的導師學習這一行，但現在幾乎所有鑑識行業公認的智慧都遭到駁斥：「訓練應該從學徒式的實務傳承轉向大學等級的教育，並且要根據科學上的有效原則。」該報告總結道：「我們需要的是一個新的、強大而且獨立的單位，要切斷與過去的連結，且它要有權威和資源實施新的作法，解決委員會發現、在本報告討論到的許多問題。」

美國鑑識科學學會的議場傳出了鑑識專家們抗議的悲鳴。《鑑識科學期刊》發表過大量經同儕審查的文獻，在過去六十年間，在美國鑑識科學學會的科學會議上也發表了上萬篇經評審的演講和「學術研討會」。全國法院都宣布法醫從業人員是「專家證人」。

現在來了一些統計學家，就想要說我們沒有科學？ 我們不知道自己在做什麼？ 問問那些教授，他們最後一次從屍體上採下帶血的指紋是什麼時候！

前 FBI 實驗室分析人員馬克斯．胡克回憶道：「每個人都快氣瘋了。」³

醫學領域也發生過類似經歷？為什麼醫學界發生改變，鑑識學界卻難以動搖？

很少人能斷然放棄長期以來的信念，無論反面的事實多麼令人信服。這就是人性，司法科學也絕對不是第一個抗拒新事實的科學領域。一九八○年代中期的醫學就是這樣，歷經了漫長而緩慢的轉變過程，才從「根據大師怎麼說」（依照該領域的領導者傳下來的智慧），轉向實證的治療方法（依據精心設計的研究做出醫學決定）。

以「萬物的隱藏面」為主題的公共廣播節目《 Freakonomics 》做了一個〈劣藥〉（Bad Medicine）的四集報導，其中便呈現出司法科學社群對《 NAS 報告》的反應，也顯示出它和醫學界對「考科藍協作組織」（Cochrane Collaboration）的反應有著令人驚異的相似之處——考科藍組織所做的事便是對幾世紀以來的醫學文獻進行前所未見的系統性檢視。

這份一千五百頁、分成兩冊的報告於八○年代末在該領域造成轟動。如同廣播主持人史蒂芬．都伯納（Stephen Dubner）表示：「考科藍協作組織是第一個將既有醫學問題加以真正系統化、彙編和評估其最佳證據的組織。你會認為這應該得到普世的讚揚，但是就和任何行業中根深柢固的智慧（即使是很不智的智慧）一旦受到挑戰一樣，醫學界並沒有為此感到振奮。」⁴

考科藍協作組織的共同創辦人伊恩．查爾默斯（Iain Chalmers）爵士描述，當一群局外人告訴醫生應該如何治療病人時得到了什麼反應：「我必須說，醫學界其實對此有很大的敵意。我記得有一次，我同事要出席英國醫學會在當地的一場會議，英國醫學會基本上是叫他去說明實證醫學（evidence-based medicine）是什麼，以及這群統計學家和其他又不是醫生的人，到底跑來這個他們不該亂搞的領域胡鬧什麼。他開車出發前問我：『我應該告訴他們什麼呢？』我說：『如果是病人抱怨實證醫學的目的，我們應該認真對待這些批評。在那之前，就當這主要是既得利益者在尋找出路。』」

實證醫學成為規範作法的主要原因之一，是患者（客戶）提出了要求，最終會迫使醫學界默默地站在數據這一邊，而不是繼續服從該領域的大師。然而垃圾科學在美國刑事司法體系中的主要客戶是檢察官，他們大部分都對現狀感到滿意。

——本文摘自《法庭上的偽科學》，2023 年 12 月，商周出版，未經同意請勿轉載。

註解

1. 二○○九年美國鑑識科學學會的「科學會議」議程，瀏覽日期二○二一年七月五日，aafs.org/common/Uploaded%20files/Resources/Proceedings/2009_Proceedings.pdf。 ↩︎
2. National Academy of Sciences, Committee on Identifying the Needs of the Forensic Sciences Community, “Strengthening Forensic Science in the United States: a Path Forward,” at 89 (2009) (NAS Report)（省略內文的引用和引述）。 ↩︎
3. 對胡克的訪談。 ↩︎
4. “Bad Medicine, Part I: the Story of 98.6,” Freakonomics Radio (Bad Medicine) ， 瀏覽日期二○二一年七月五日，freakonomics.com/podcast/bad-medicine-part-1-storyrebroadcast/（節目文字紀錄）。 ↩︎