Loading [MathJax]/extensions/tex2jax.js

0

0
0

文字

分享

0
0
0

擴大地底城市潛力

thisbigcity城事
・2014/02/08 ・1154字 ・閱讀時間約 2 分鐘 ・SR值 571 ・九年級

urban_underground_by_partists-d3ge9em

作者:Eleonora Taramanni 《城事》義大利文版編輯

蒙特婁街道下潛藏著另一座城市,充斥著熱鬧商家與餐廳;赫爾辛基為了工業用途挖鑿地底,以儲存石油、處理飲用水、設置資料收集中心。無論是東京、巴黎、阿姆斯特丹或其他城市,世界各地都在舖設地下鐵,地下城市概念並不新穎,但不管為何向下開發,城市該如何評估其中潛能?

1

由於評估地底潛力與實用性太過困難,許多城市尚未著手便已放棄,不過瑞士洛桑聯邦理工學院研發「深層城市方法」工具,希望改變現狀,最近已應用在瑞士四座城市,並落實在中國四大新興城市內。

Li Huan-Qing甫自該校獲得環 境經濟學與管理學博士,認為「許多城市並未意識到腳下土地的潛力」,這套工具希望示範城市能如何善用地底空間,協助城市發展,並享受長期利益,她指出, 「我們希望提供規劃人員一套方針,以最有效率的途徑,發掘地底資源,其中一部分涉及工程,另一部分涉及經濟,而我們的策略即整合兩者而生」。

-----廣告,請繼續往下閱讀-----

空間或許是地底最顯而易見的資源,但要掌握亦得付出代價,地底建設成本可能比地上建物高出五倍,不過現今許多城市快速發展,卻苦無足夠空間,這項投資可能發揮巨大功用,藉由地底城市連通與協調各項計畫。

2

地底城市可運用眾多資源,地熱即為一例,挖掘開發後,可供應住宅與工業應用所需熱能;砂石是另一項資源,開挖產生的碎石沙礫可用於鞏固路面基礎或製造混凝土;地下水也是地底開發可用資源,若能善加維護,也有助於永續發展。

在一塊土地上管理多種資源並不容易,多數現代城市均詳細規劃土地用途與價值,卻鮮少分析地底,「深層城市方法」援引全球各地城市經驗,估算地底開發潛在需求與實用性,也幫助城市建立法制,管理制度常忽略的地下區域。

3

瑞士遍布隧道與地下碉堡,開發地底資源歷史悠久,此次開發工具過程中,便深入分析蘇黎世、洛桑、柏恩、日內瓦四地的開發潛能,日內瓦基於人口稠密與高人均GDP,再加上地底資源品質高,已開始進一步建構都會區地底,正在興建地鐵線,火車總站也在興建地底延伸線。

-----廣告,請繼續往下閱讀-----

Li Huan-Qing在論文中,聚焦於中國蘇州成長計畫,當地人口數預估至2015年將突破500萬,已大規模研究是否能開發地底,她認為這項計畫相當成功,「我們與地方政府聯絡,綜合土地潛力、環境限制及其他因素,合作製作土地價值的3D地圖」。

未來人類或許不會全都住在地底,但部分基礎建設若轉入地下,將釋出更多地上空間,對不少城市都是珍貴資源,正如Li Huan-Qing所言,「這項工具希望讓市政單位瞭解,地底空間如何能發揮多功能,進而創造未來需求」。

照片來源:Infoscience
轉載自This Big City 城事

-----廣告,請繼續往下閱讀-----
文章難易度
thisbigcity城事
45 篇文章 ・ 0 位粉絲
《城事》為永續城市部落格,長期發掘關於建築、設計、文化、科技、運輸、單車的都市創新構想,曾數度獲獎。《城事》網羅世界各地城市生活作者,文章曾發表於Next American City、Planetizen、Sustainable Cities Collective、IBM Smarter Cities等網站。《城事》遍尋全球,在世界奮力邁向永續的時刻,呈現城市帶來的種種機會,力求保持樂觀,但不忘批判。

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。

鳥苷三磷酸 (PanSci Promo)_96
225 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

1

8
3

文字

分享

1
8
3
花粉揭秘:黑死病災情,歐洲各地很不一樣
寒波_96
・2022/02/21 ・4340字 ・閱讀時間約 9 分鐘

14 世紀中葉,歐洲各地陸續爆發鼠疫。瘟疫在當時的歐洲並不稀罕,可是這回實在嚴重,大量人口慘遭消滅,後世稱之為「黑死病」。疫情主要發生在公元 1347 到 1352 年,有些學者估計令歐洲在短期內減少 30 到 50% 人口,或許高達 5000 萬人之多。

一項新上市的研究根據花粉分析,卻得到結論:黑死病對歐洲各地的影響差異不小,有些區域確實大受打擊,但是有些地區輕微得多。我們該怎麼解讀這些研究呢?

受到義大利黑死病爆發為背景的《十日談》啟發的畫作。圖/wiki 公有領域

瘟疫殺死歐洲一半人!真的嗎?

黑死病的病原體是鼠疫桿菌(Yersinia pestis),可藉由老鼠和跳蚤輔助傳播。近年來由遺骸取得古代 DNA 的研究大行其道,令我們得知超過五千年前,便有人感染鼠疫桿菌。鼠疫桿菌能搭乘跳蚤便車,關鍵在於 ymtYersinia murine toxin)基因,晚於四千年前的鼠疫桿菌皆已經具備。

歷史上三次大爆發:6世紀的查士丁尼瘟疫,14 世紀的黑死病,以及 19 世紀末的全球流行,人們面對的都是傳染力升級的細菌版本;除此之外,還有多次規模較小的流行。 遺傳變化有限的病原體,在不同時空的疫情差異很大。

-----廣告,請繼續往下閱讀-----

歷次鼠疫桿菌導致的疫情中,黑死病的衝擊最大,有些研究甚至認為它消滅當時歐洲 50% 人口。這類死亡率的評估,主要來自歷史資料,如文書、稅務等紀錄;然而,這類資訊來源未必準確,有時文字會誇大不實,和實際數字有所差異。

還有一點侷限在,歷史資料主要紀錄人口聚居的城鎮,可是黑死病那個時候,歐洲超過 75% 人住在城市之外。人擠人的城市碰上鼠疫這類傳染病,通常受害較大,所以根據城市評估而得的結果,也許會高估瘟疫的危害。

另一方面,不同地區的受災程度很可能不同,就像正在進行的 COVID-19(武漢肺炎、新冠肺炎)疫情,遺傳上相同的病毒重擊秘魯,對澳洲的傷害卻相對有限。而黑死病也是如此,既有資料已經足以看出,相比於義大利深受打擊,波蘭更加輕微。幾處地區的狀況,不能擴大代表整個歐洲。

概念:在黑死病死亡率低的地區,農耕不太受到影響;死亡率高的地區則影響較大,產業轉為畜牧,甚至是恢復野生狀態;這些植物變化會反映在沉積物中的花粉。圖/參考資料 3

花粉大數據

要評估黑死病這類歷史大事件的影響,沒有一種理想辦法,一定要從不同方面尋找證據切入、互補,而環境變化可以作為切入點。突然爆發的疾病,導致大量人口死亡之後,也將造成經濟與社會的動盪,可想而知,自然環境也會受到牽連。

歐洲各地花粉的取樣地點。圖/參考資料 3

新發表的研究選擇以花粉作為指標,探討黑死病的影響,還創造一個看似 fancy 的新名詞描述:「大數據古生態學(big data palaeoecology,簡稱 BDP)」,反正大數據就是那樣。

概念是,受到黑死病負面影響愈嚴重的地區,人類活動會減少愈多,可以由花粉變化看出。具體樣本來自歐洲各地 261 處遺址,一共 1634 個沉積層樣本;年代介於公元 1250 到 1450 年,大致涵蓋黑死病發生之前到之後的各一百年,也就是前後約 4 代人。短時間內大量人口死亡,影響可能延續數代。

-----廣告,請繼續往下閱讀-----

不同植物會生成不同花粉,有些花粉落到湖泊等環境,變成湖底的沉積物,有機會保存下來,成為歷史切片的見證。而人類活動影響環境,使得植物生態有別,便會留下不同的花粉組合。

例如農耕發達的地區,會留下大量農作物的花粉,畜牧業普及區則會是另一種風貌;若是人口減少令農牧活動降低,野生植物的花粉便會增加,不同階段又會生長不同野生植物。

地段,地段,地段!

新的分析思維看似很有道理,但是能相信嗎?研究者首先分析資訊最豐富的兩處地點:瑞典、波蘭。許多證據表示黑死病過去後,瑞典慘遭打擊,波蘭反而明顯成長;倘若花粉呈現的狀況一致,便說明這套分析是可靠的。結果花粉分析順利通過考驗。

波蘭和瑞典的比較,瑞典在黑死病之後明顯衰退,波蘭則否。圖/參考資料 3

花粉分析擴大到歐洲全境,最肯定的結論是:各地差異不小。黑死病前後,一些地區差異有限,有些甚至逆風高飛;農牧活動減少最多的地區位於斯堪地那維亞(北歐)、法國、德國西部、希臘、義大利中部。

有個假設是:瘟疫使人口減少以後,產業可能由勞力密集的農耕,轉向較不需要人力的畜牧。但是這回研究指出,所有農耕下降的地區, 畜牧也跟著減少;唯一例外是德國西南部,畜牧反而增長。

考察文獻得知,義大利、法國深受黑死病危害,這也反映在當地的花粉中,證實歷史紀錄的準確。農業開墾往往是森林的敵人,黑死病過後,義大利的森林甚至重新蓬勃復育;慘烈至此,難怪有薄伽丘《十日談》的誕生。

然而不少地區的農牧活動,黑死病前後的差異有限,或是顯著成長,像是伊比利、愛爾蘭,以及中歐、東歐多數地點。這些分析指出黑死病對歐洲各地的影響有別,整體死亡率大概沒有 50% 那麼誇張。

歐洲各地在黑死病前後的變化:穀物、畜牧、植被演替。圖/參考資料 3

其實還是不清楚黑死病的死亡率

該如何看待上述論點呢?花粉分析有優點,也有缺點。一如文字、稅務等切入方向,花粉也有自己方法學上的侷限。它能告訴我們歐洲各地的死亡率不均值,卻無法真正評估死亡率高低。

-----廣告,請繼續往下閱讀-----

根據花粉組成在不同年代的相對變化,可以推論當地農牧活動的改變,卻不直接等同於人口的死亡程度。

一個地區在黑死病後一段時間,農牧活動明顯增長,不見得意謂瘟疫時沒有死很多人,也可能是恢復速度很快,或是還有黑死病以外的其他因素。

也要注意這兒的評估是相對的,某地相對的受災比較輕微,不等於災情不嚴重。一個地區在幾十年的時段內,如果損失 30% 人口當然是大災難,但是就算死亡「只有」5%,也不可能馬照跑,舞照跳。

歐洲各地在黑死病前後的變化統整,偏紅色為衰退,偏綠色為成長。圖中名號是當時的政權疆域。圖/參考資料 3

評估大瘟疫更廣泛的社會影響

儘管無法準確判斷死亡率,花粉能評估傳染病對社會更廣泛的影響。黑死病這類大瘟疫,不是只有鼠疫桿菌殺死多少人而已,還會牽連更廣泛的社會運作,累積間接傷害。

即使是一個較小的地理範圍,受災程度也可能有內部差異,如城鎮中心及其周圍的郊區、鄉村。沉積物中的花粉,是一個地區一段時間內的集合紀錄,似乎較能避免城鄉差距的影響。

有學者認為,黑死病過後一個地區之所以沒有衰退,也可能是外地人口填補所致,故質疑新研究的論點。就算真是如此,新遷入的人口也是來自歐洲其他地方,同樣支持新論點的大方向:歐洲各地受災程度有異,並非每處一樣嚴重。何況過往公認疫情嚴重的地區,新分析中也看得出來。

-----廣告,請繼續往下閱讀-----

有趣的是,一項 2019 年發表的研究在檢視多重證據後,也認為查士丁尼瘟疫的災情言過其實,不如過往認知的那麼嚴重。提醒各位千萬不能忽略「沒有那麼嚴重,跟不嚴重是兩回事」。

花粉無法回答的問題是:黑死病為什麼在各地影響有別?有人推測是鼠疫桿菌的品系不同,在西歐的殺傷力較強,東歐較弱。但是此一論點缺乏遺傳學、病理學的證據。

2019 年底至今的全球瘟疫清楚告訴我們,遺傳上一模一樣的品系,在不同國家的傳播與傷害天差地別,涉及許多複雜的因素。黑死病比當下冠狀病毒造成的疫情嚴重很多,基本道理大概還是一樣的。

延伸閱讀

參考資料

  1. Susat, J., Lübke, H., Immel, A., Brinker, U., Macāne, A., Meadows, J., … & Krause-Kyora, B. (2021). A 5,000-year-old hunter-gatherer already plagued by Yersinia pestis. Cell Reports, 35(13), 109278.
  2. Spyrou, M. A., Tukhbatova, R. I., Wang, C. C., Valtueña, A. A., Lankapalli, A. K., Kondrashin, V. V., … & Krause, J. (2018). Analysis of 3800-year-old Yersinia pestis genomes suggests Bronze Age origin for bubonic plague. Nature Communications, 9(1), 1-10.
  3. Izdebski, A., Guzowski, P., Poniat, R., Masci, L., Palli, J., Vignola, C., … & Masi, A. (2022). Palaeoecological data indicates land-use changes across Europe linked to spatial heterogeneity in mortality during the Black Death pandemic. Nature Ecology & Evolution, 1-10.
  4. Black death mortality not as widespread as believed
  5. Did the ‘Black Death’ Really Kill Half of Europe? New Research Says No
  6. Mordechai, L., Eisenberg, M., Newfield, T. P., Izdebski, A., Kay, J. E., & Poinar, H. (2019). The Justinianic Plague: an inconsequential pandemic?. Proceedings of the National Academy of Sciences, 116(51), 25546-25554.

本文亦刊載於作者部落格《盲眼的尼安德塔石匠》暨其 facebook 同名專頁

-----廣告,請繼續往下閱讀-----
-----廣告,請繼續往下閱讀-----
所有討論 1
寒波_96
193 篇文章 ・ 1090 位粉絲
生命科學碩士、文學與電影愛好者、戳樂黨員,主要興趣為演化,希望把好東西介紹給大家。部落格《盲眼的尼安德塔石器匠》、同名粉絲團《盲眼的尼安德塔石器匠》。

0

2
0

文字

分享

0
2
0
住在大城市的人走路真的比較快嗎?為什麼?——《走路的科學》
八旗文化_96
・2020/03/04 ・3051字 ・閱讀時間約 6 分鐘 ・SR值 543 ・八年級

-----廣告,請繼續往下閱讀-----

  • 作者/謝恩・歐馬洛(Shane O’mara);譯者/謝雯伃

每個城市的步調都不太一樣

一般來說,一個城市越大、越富裕,特別是經濟成長率越高,居民就走得越快。

1974 年,心理學家博恩斯坦夫婦(Bornstein and Bornstein)測量了歐洲、亞洲以及北美 15 個城市行人的步行速度,結果發現日常步調會隨著當地人口多寡而不同,獨立於特定文化之外。

所以到底為何要走這麼快呢?圖/pixabay

一般來說,無論哪個國家或哪個文化,較大城市中的行人走得較快。以這些基本觀察為基礎,這些實驗後來又重覆做了數次,用來觀察城市居民的走路速度是否會因為城市的獎勵密度較大(更多餐廳,或火車、公車上更多座位等等),而這些獎勵的競爭也較大,導致日常步調加快?

地理學家吉姆.瓦萊斯萊(JimWalmsley)和加里思.路易斯(Gareth Lewis)在 1989 年提出:「有效率使用時間的需求變得更迫切,生活越來越匆忙」,這都是因為收入以及生活成本增加,導致都會居民的時間價值變得更高。這反映出,對於資源的競爭許多方面細微地改變了我們的行為。我們加快步行速度,無意識地與尋求同樣資源的人競爭。

-----廣告,請繼續往下閱讀-----

我們加快步伐,全是為了與他人競爭資源?

博恩斯坦夫婦的論文深受好評,也被廣為引用,但這並非事情全貌。

據推測,有些都市因為特有的因素,影響了人們的走路速度。舉例來說,像孟買這個人口密度特別高的城市,人們走路速度實際上很慢,純粹因為要避開與他人相撞的風險。

我們同樣可以想像在某些特定地方,人們的步行速度可能很快。舉例而言,在某些特別炎熱或寒冷的城市中,人們可能為了要避開高溫酷熱或低溫酷寒,而快步行走於汽車以及建築之間。

影響走路速度的原因不一定只有資源的競爭。圖/GIPHY

生物學家彼得.沃茲(Peter Wirtz)和葛利格.雷斯(Gregor Ries)認為,博恩斯坦夫婦之所以得出這樣的結論,是因為未將他們研究城市鄉鎮人們的年齡或性別組成考慮進去。

換句話說,在其他條件都相同的情況下,城市人口往往較年輕,而較年輕族群平均行走速度會比年長者快。同樣地,男性平均來說比女性走得快;而城市或較小型鄉鎮之間的明顯差異,可能反應出城市裡較年輕、走路較快的男性比小型城鎮或鄉村裡的多。

-----廣告,請繼續往下閱讀-----

沃茲和雷斯也做了一系列樣本數更大且將性別以及預計年齡列入考慮的研究,結果得出:都會居民的平均行走速度,事實上並不比鄉村或城鎮居民更快。

但這並不是結論,這個想法持續被研究者測試。

看來加上年齡與性別組成因素還不夠!

1999 年,一項史上最大的日常生活步調研究,利用了來自 31 個國家最大城市的數據展開調查。該研究檢驗了人口組成以外會造成日常步調差異的各種因素,以及日常步調對於都會居民的哪些福祉會產生影響。該研究檢驗了三個可用來預測步調快慢的不同概念。

  • 第一個是經濟活力。經濟成長率越高,經濟就越有活力,而居民日常步調就可能越快。
  • 第二個是平均來說,越熱的城市居民往往會是較慢的步行者。
  • 第三個則是,在個人主義文化相對盛行的國家,居民的日常步調會比集體主義國家的步調快。

造成不同城市步調差異的原因會是什麼呢?圖/pixabay

研究者把焦點放在都柏林、香港以及聖薩爾瓦多等分歧性極大的城市,測量了這幾個城市中居民的行走速度(在兩個市中心區域間行走 60 英呎要花多少時間)、寄信速度(你多快能走到郵局去買郵票)以及時鐘準確度。

-----廣告,請繼續往下閱讀-----

他們也從氣候、經濟指標、個人主義量表、人群大小、冠狀動脈疾病、抽菸比例以及個別健康等其他公開數據搜集資訊。整合這些資訊後,他們算出整體性的日常步調指數。

根據這項研究,瑞士的日常步調最快,愛爾蘭緊追在後(那時正處在為期十多年的大規模經濟成長中期),然後是德國以及日本(義大利、英格蘭、瑞典、奧地利、荷蘭以及香港依序占前十席),墨西哥敬陪末座。

以更大的全球規模來看,日本以及非前蘇聯區的西歐國家日常步調最快,愛爾蘭則是個人行走速度最快的國家。瑞士則符合他們給人的刻板印象,在時鐘準確度上排名第一。

這些研究無法完全解決的一個議題是人口總數以及人口密度如何影響行走速度。

倫敦的牛津圓環在尖峰時刻交通異常繁忙,極難穿越。然而再過幾條街口,人們就能相對輕鬆地移動。開發新時代的智慧型手機計步器及健康應用程式,應該有助於解決這個問題——找出走路速度可以達到最大的最佳人群密度,只要超過這個密度,走路速度就會降低。

-----廣告,請繼續往下閱讀-----

那麼就讓我們先接受城市中的日常步調確實比較快,這情況與人口分布關係較少,與經濟活力以及人口密度較相關。

轉換到不同情境中,步調也會有所改變嗎?

我們在不同情境中,會改變原先的步調嗎?像是在電扶梯上行走?(母湯)圖/GIPHY

那麼我們做為個人,當我們從一個情境(比如安靜的鄉鎮)轉換到另一個情境(比如繁忙的城市)時,我們會改變我們的走路速度嗎?

研究者認為,這取決於城市中既存的經濟獎勵。

假設我們接受大腦會計算「付出與回饋」的觀點(這並非沒有道理),就代表大腦會試圖在努力以及回報之間達到平衡,即以最少努力達到最大的回報。這就出現了一個問題,那就是大腦是如何計算有多少回報,以及付出多少努力才有成果的問題呢?

試想一下街邊那家不能事先預約的熱門新餐廳,為了去那裡,你會走得更快,還因為與其他想得到同樣獎勵(可能是最好的桌位或是僅剩的桌位)的人競爭,再走得快一點。如果你有兩個選擇,你可能會選擇更具獎勵性的選擇,或那個需要最少努力的選擇。

-----廣告,請繼續往下閱讀-----

我們在城市裡似乎會走得更快一點,這可能是因為城市裡有許多資源與獎勵,但我們也在與其他人競爭這些獎勵。我們在日常生活中會有不同類型的努力,無論是尋找什麼,或是走向某件事。然而,無論是哪種類型的努力,為了達成某個目標所花的能量總會在達到某個最大值之後降下來

神經科學家瑞查.沙德梅爾(Reza Shadmehr)要我們想像自己站在機場的入境大廳尋覓著某個旅客的臉。當你看到一張又一張臉孔時,你看到了你在等的那個人。現在問問你自己,那人的身分為何會讓你走快點去迎接他呢?他是你的同事,還是你的孩子?

當然是與孩子相見的內在獎勵較大囉~圖/pixabay

答案很明顯。與你孩子相見的內在獎勵特別大,而這個內在獎勵直接調整了你的走路速度,你會想更快接到你的孩子。有更大獎勵時,我們會走得快些。努力以及對於獎勵的期待如此加成在一起。

現在,我們對我們的步行速度為何在不同城市中有所不同有了基本理解。可能的情況是,城市中的豐富資源讓人們願意付出努力去得到它們;與此同時,這些獎勵的競爭也增加了——我們不只要快速走到那間很棒的新餐廳,還要比其他人更快到。

-----廣告,請繼續往下閱讀-----

因此,控制努力的大腦系統與預估可能獎勵的大腦系統之間存在著緊密連結。努力越多,預期從這個努力中獲得的獎勵也會越多。若一個事物帶來的回報較少,我們走向它的速度就會較慢,反之亦然。

這就是我們在城市中的現況:我們走得快,才能得到火車上的座位或是餐廳的用餐保留時間,因為我們在與其他人競爭城市提供的獎勵。

——本文摘自《走路的科學》,2019 年 9 月,八旗文化

-----廣告,請繼續往下閱讀-----
八旗文化_96
34 篇文章 ・ 20 位粉絲
外部視野,在地思索, 在分眾人文領域,和你一起定義、詮釋和對話。