當演算法改變世界，認識演算法就是義務–《改變世界的九大演算法》推薦序

本文由 Amway 委託，泛科學企劃執行。

到底怎樣才算是「乾淨」？這不是什麼靈魂拷問，而是一個價值上億的商業命題。

在半導體產業的無塵室中，「乾淨」的定義極其殘酷：一粒肉眼看不見的灰塵，就足以讓造價數百萬美元的晶圓直接報廢。空氣品質的好壞，甚至能成為台積電（TSMC）決定是否在當地設廠的關鍵性指標。回到你的家中，雖然不需要生產精密晶片，但我們呼吸系統中的肺泡同樣精密，卻長期暴露在充滿 PM2.5、病毒以及各種揮發性氣體的環境中。為了守護健康，你可能還要付費購買「乾淨的空氣」來用。

因此，空氣議題早已超越單純的環保範疇，成為同時影響國家經濟與個人健康的重要問題。

很多人可能沒想到，無論是家用的空氣清淨機，還是造價動輒百億的頂尖晶圓廠，它們對抗污染的核心武器並非什麼複雜的雷射防護罩，而是同一件看起來平凡無奇的東西：一片外觀像紙一樣的 HEPA 濾網。但你真的相信，就憑這層厚度不到幾公分的板子，能擋住那些足以毀滅精密晶片、滲透人體細胞的「奈米級刺客」嗎？

這片大家都聽過的 HEPA 濾網，裡面到底是什麼？

首先，我們必須打破一個直覺上的誤解：HEPA 濾網（High Efficiency Particulate Air filter）在本質上其實並不是一張「網」。

細懸浮微粒 PM2.5，是指粒徑在 2.5 微米以下的污染物，它們能穿過呼吸道直達肺泡，並穿過血管引發全身性發炎。但這只是基本，在工廠與汽車尾氣中，還存在粒徑僅有 1 微米的 PM1，甚至是小於 0.1 微米的「超細懸浮微粒」（UFP，即 PM0.1）。 UFP 不僅能輕易進入血液，甚至能繞過血腦屏障（BBB），進入大腦與胎盤，其破壞力十分可怕。

如果 HEPA 濾網像水槽濾網或麵粉篩一樣，單靠孔目大小來「過濾」粒子，那麼為了攔截奈米微粒，濾網的孔目只能無限縮小到幾乎不透氣的程度。更別說在台積電或 Intel 的製程工程師眼裡，一般人認為的「乾淨」，在工程師眼裡簡直像沙塵暴一樣。對於線寬僅有 2 奈米或 3 奈米（相當於頭髮直徑萬分之一）的晶片而言，空氣中一顆微小的塵埃，就是一顆足以毀滅世界的隕石。

因此，傳統的過濾思維並非治本之道，我們需要的是原理截然不同的過濾方案。這套技術的雛形，最早可追溯至二戰時期的「曼哈頓計畫」。

HEPA 的前身，誕生於曼哈頓計畫！

1940 年代，製造濃縮鈾是發展原子彈的關鍵。然而，若將排氣直接排向大氣，會導致致命的放射性微粒擴散。負責解決這問題的是 1932 年諾貝爾化學獎得主歐文·朗繆爾（Irving Langmuir），他是薄膜和表面吸附現象的專家。他開發了「絕對過濾器」（Absolute Filter），其內部並非有孔的篩網，而是石綿纖維。

有趣的來了，如果把過濾器放到顯微鏡下，你會發現纖維之間的空隙，其實比某些被攔截的粒子還要大。那為什麼粒子穿不過去呢？這是因為在奈米尺度下，物理規則與宏觀世界完全不同。極微小的粒子在空氣中飛行時，並非走直線，而是會受到空氣分子撞擊，而產生「布朗運動」（Brownian Motion），像個醉漢一樣東倒西歪。

當粒子通過由緻密纖維構成的混亂迷宮時，布朗運動會迫使它們不斷轉彎、移動，最終撞擊到帶有靜電的纖維上。這時，靜電的吸附力會讓纖維就像蜘蛛網般死死黏住微粒。那些狂亂移動的奈米刺客，就這樣被永久禁錮迷宮中。

現在最常見的 HEPA 材料，是硼矽酸鹽玻璃纖維。

現代 HEPA 濾網最常見的核心材料為硼矽酸鹽玻璃纖維。這些玻璃纖維的直徑通常介於 0.5 至 2 微米之間，它們在濾網內隨機交織，像是一座茂密「黑森林」。微粒進入這片森林後，並非僅僅面對一層薄紙，而是得穿越一個具有厚度且排列混亂的纖維層，微粒極有可能在布朗運動的影響下撞擊並黏附在某根玻璃絲上。

除此之外，HEPA 濾網在外觀上還有一個極具辨識度的特徵，那就是像手風琴般的摺紙結構。濾材會被反覆摺疊、摺成手風琴的形狀，中間則用鋁箔或特殊的防潮紙進行結構支撐，目的是增加表面積。這不僅為了捕獲更多微粒，而是要「降低過濾風速」。這聽起來可能有點反直覺：過濾不是越快越好嗎？

其實，這與物理學中的流速控制有關。想像一條水管，如果你捏住出口，水流會變得湍急；若將出口放開並擴大，雖然總出水量不變，但出水處的流速會變得緩慢。對於 HEPA 濾網而言，當表面積越大，單位面積所需承載的空氣量就越少，空氣穿透濾網的速度也就越低。

低流速代表微粒停留在濾網內的時間也更久，增加被捕捉的機會。此外，越大的表面積也為 HEPA 濾網帶來了高「容塵量」，延長了使用壽命，這正是它能夠稱霸空氣清淨領域多年的主因。

然而，即便都叫做 HEPA 高效率空氣微粒子過濾網 (High Efficiency Particulate Air filter)，但每個 HEPA 的成分與結構還是會不一樣。例如 安麗逸新空氣清淨機 SKY ，其標榜「可過濾粒徑最小至 0.0024 微米」的污染物，去除率高達 99.99%。

0.0024 微米是什麼概念？塵蟎、花粉、皮屑或黴菌孢子，大小約在 2 至 200 微米；細懸浮微粒  PM2.5 大小約 2.5 微米，細菌也大概這麼大。最小的其實是粒徑小於 0.1 微米的「超細懸浮微粒」，大多數的病毒（如流感、新冠病毒）都落在此區間。對安麗逸新 的HEPA濾網來說，基本上通通都是可被攔截的榜上名單。

在過敏防護上，它更獲得英國過敏協會（Allergy UK）認證，能有效處理 19 大類、102 種過敏原，濾除空氣中超過 300 種氣態與固態污染物。

然而，同樣的過濾邏輯一旦進入半導體無塵室，就必須換一條更為嚴苛的技術路線。因為硼矽酸鹽玻璃纖維對晶圓來說有個致命傷，就是「硼 (Boron)」。

在半導體製程中，硼是常見的 P 型摻雜物，用來精準改變矽晶圓的電性。如果濾網有任何微小的破損、老化或化學侵蝕，進而釋放出極微量的硼離子，就可能直接污染晶圓，改變其導電特性，導致晶片報廢。

此外，無塵室要求的是比 HEPA 更極致的 ULPA（超低穿透率空氣濾網） 等級的潔淨度。ULPA 的標準通常要求對 0.12 微米 的粒子達到 99.999% 甚至 99.9999% 的超高攔截率。在奈米級的競爭中，任何多穿透的一顆微塵，都代表著一筆不小的經濟損失。

為了解決「硼」的問題並追求極限的過濾效率，材料學家搬出了塑膠界的王者，PTFE 也鐵氟龍。鐵氟龍不僅耐酸鹼、耐腐蝕，還能透過拉伸製成直徑僅 0.05 至 0.1 微米 的極細纖維，其細度遠勝玻璃纖維。雖然 PTFE 耐化學腐蝕，但它既昂貴且物理上也很脆弱，安裝時若不小心稍微觸碰，數萬元的濾網就可能報銷。因此，你只會在晶圓廠而非一般家庭環境看到它。

即便如此，在空氣濾淨系統中，還有一樣是無塵室和你家空氣清淨器上面都有的另一張濾網，就是活性碳濾網。

活性碳如何從物理攔截跨越到分子吸附？

好不容易將微塵擋在門外時，危機卻還沒有解除。因為空氣中還隱藏著另一類更難纏的大魔王：AMC（氣態分子污染物）。

HEPA 或 ULPA 這類物理濾網雖然能攔截固體微粒，但面對氣態分子時，就像是用網球拍想撈起水一樣徒勞。這些氣態分子如同「幽靈」一般，能輕易穿過物理濾網的縫隙，其中包括氮氧化物、二氧化硫，以及來自人體的氨氣與各種揮發性有機物（VOCs）。

為了對付這些幽靈，我們必須在物理防線之外，加裝一道「化學濾網」。

這道防線的核心就是我們熟知的活性碳。但這與烤肉用的木炭不同，這裡使用的是經過特殊改造的「浸漬處理（Impregnation）」活性碳。材料科學家會根據敵人的不同性質，在活性碳上添加不同的化學藥劑：

• 酸鹼中和：對付氮氧化物、二氧化硫等酸性氣體，會在活性碳上添加碳酸鉀、氫氧化鉀等鹼性藥劑，透過酸鹼中和反應將有害氣體轉化為固體鹽類。反之，如果添加了磷酸、檸檬酸等酸性藥劑，就能中和空氣中的氨氣等鹼類。
• 物理吸附與凡德瓦力：對於最麻煩的有機揮發物（VOCs，如甲醛、甲苯），因為它們不具酸鹼性，科學家會精密調控活性碳的孔徑大小，利用龐大的「比表面積」與分子間的吸引力（凡德瓦力），像海綿吸水般將特定的有機分子牢牢鎖在孔隙中。

空氣濾淨的終極邏輯：物理與化學防線的雙重合圍

在晶圓廠這種對空氣品質斤斤計較的極端環境，活性碳的運用並非「亂槍打鳥」，而是一場極其精密的對戰策略。

工程師會根據不同製程區域的空氣分析報告，像玩 RPG 遊戲時根據怪物屬性更換裝備一樣——「打火屬性怪要穿防火裝，打冰屬性則換上防寒裝」。在最關鍵的黃光微影區（Photolithography），晶圓最怕的是人體呼出的氨氣，此時便會配置經過酸性藥劑處理的活性碳進行精準中和；而在蝕刻區（Etching），若偵測到酸性廢氣，則會改用鹼性配方的濾網。這種「對症下藥」的客製化邏輯，是確保晶片良率的唯一準則。

而在你的家中，雖然我們無法像晶圓廠那樣天天進行空氣成分分析，但你的肺部同樣需要這種等級的保護。安麗逸新空氣清淨機 SKY 的設計邏輯，正是將這種工業級的精密防護帶入家庭。它不僅擁有前述的高規 HEPA 濾網，更搭載了獲得美國專利的活性碳氣味濾網。

關於活性碳，科學界有個關鍵指標：「比表面積（Specific Surface Area）」。活性碳的孔隙越多、表面積越大，其吸附能力就越強。逸新氣味濾網選用高品質椰殼製成的活性碳，並經過高溫與蒸氣的特殊活化處理，打造出多孔且極致高密度的結構。

這片濾網內的活性碳配重達 1,020 克，但其展開後的總吸附表面積竟然高達 1,260,000 平方公尺——這是一個令人難以想像的數字，相當於 10.5 個台北大巨蛋 的面積。這種超高的比表面積，是市面上常見濾網的百倍之多。更重要的是，它還添加了雙重觸媒技術，能特別針對甲醛、戴奧辛、臭氧以及各種細微的異味分子進行捕捉。這道專利塗層防線，能將你從裝潢家具散發的有機揮發氣體，或是路邊繁忙車流的廢氣中拯救出來，成為全家人的專屬空氣守護者。

總結來說，無論是造價百億的半導體無塵室，還是守護家人的空氣清淨機，其背後的科學邏輯如出一轍：「物理濾網攔截微粒，化學濾網捕捉氣體」。只有當這兩道防線同時運作，空氣才稱得上是真正的「乾淨」。

進一步了解商品：https://shop.amway.com.tw/products/2071?navigationType=brand&

• 甘偵蓉｜清華大學人文社會 AI 應用與發展研究中心博士後研究學者。

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。

演算法偏誤

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！

其他 AI 應用帶來的倫理與風險

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？

培養AI使用倫理與風險的敏銳度

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。

• 〈本文選自《科學月刊》2023 年 2 月號〉
• 科學月刊／在一個資訊不值錢的時代中，試圖緊握那知識餘溫外，也不忘科學事實和自由價值至上的科普雜誌。

搭配不同的任務，人工智慧的應用方式也不一樣，所以開發人員用來創造人工智慧的科技也不一樣。這是部署機器學習時最基礎的挑戰：不同的目標和功能需要不同的訓練技巧。

不過，結合不同的機器學習法，尤其是應用神經網路，就出現不同的可能性，例如發現癌症的人工智慧。

機器的 3 種學習形式

在我們撰寫本章的時候，機器學習的三種形式：受監督式學習、不受監督式學習和增強式學習，都值得注意。

受監督式學習催生了發現海利黴素的人工智慧。總結來說，麻省理工學院的研究人員想要找出有潛力的新抗生素，在資料庫裡放入二千種分子來訓練模型，輸入項目是分子結構，輸出項目是抑菌效果；研究人員把分子結構展示給人工智慧看，每一種結構都標示抗菌力，然後讓人工智慧去評估新化合物的抗菌效果。

這種技巧稱為受監督式學習，因為人工智慧開發人員利用包含了輸入範例（即分子結構）的資料集，在這裡面，每一筆數據都單獨標示研究人員想要的輸出項目或結果（即抗菌力）。

開發人員已經把受監督式學習的技巧應用於許多處，例如創造人工智慧來辨識影像。為了這項任務，人工智慧先拿已經標示好的圖像來訓練，學著把圖像和標籤，例如把貓的照片和「貓」的標籤，聯想在一起，人工智慧把圖片和標籤的關係編碼之後，就可以正確地辨識新圖片。

因此，當開發人員有一個資料集，其中每個輸入項目都有期望的輸出項目，受監督式學習就能有效地創造出模型，根據新的輸入項目來預測輸出項目。

不過，當開發人員只有大量資料，沒有建立關係的時候，他們可以透過不受監督式學習來找出可能有用的見解。因為網際網路與資料數位化，比過去更容易取得資料，現在企業、政府和研究人員都被淹沒在資料中。

行銷人員擁有更多顧客資訊、生物學家擁有更多資料、銀行家有更多金融交易記錄。當行銷人員想要找出客戶群，或詐騙分析師想要在大量交易中找到不一致的資訊，不受監督式學習就可以讓人工智慧在不確定結果的資訊中找出異常模式。

這時，訓練資料只有輸入項目，然後工程師會要求學習演算法根據相似性來設定權重，將資料分類。舉例來說，像網飛（Netflix）這樣的影音串流服務，就是利用演算法來找出哪些觀眾群有類似的觀影習慣，才好向他們推薦更多節目；但要優化、微調這樣的演算法會很複雜：因為多數人有好幾種興趣，會同時出現在很多組別裡。

經過不受監督式學習法訓練的人工智慧，可以找出人類或許會錯過的模式，因為這些模式很微妙、數據規模又龐大。因為這樣的人工智慧在訓練時沒有明定什麼結果才「適當」，所以可以產生讓人驚豔的創新見解，這其實和人類的自我教育沒什麼不同——無論是人類自學或是人工智慧，都會產生稀奇古怪、荒謬無理的結果。

不管是受監督式學習法或不受監督式學習法，人工智慧都是運用資料來執行任務，以發現新趨勢、識別影像或做出預測。在資料分析之外，研究人員想要訓練人工智慧在多變的環境裡操作，第三種機器學習法就誕生了。

增強式學習：需要理想的模擬情境與回饋機制

若用增強式學習，人工智慧就不是被動地識別資料間的關聯，而是在受控的環境裡具備「能動性」，觀察並記錄自己的行動會有什麼反應；通常這都是模擬的過程， 把複雜的真實世界給簡化了，在生產線上準確地模擬機器人比較容易，在擁擠的城市街道上模擬就困難得多了。

但即使是在模擬且簡化的環境裡，如西洋棋比賽，每一步都還是會引發一連串不同的機會與風險。因此，引導人工智慧在人造環境裡訓練自己，還不足以產生最佳表現，這訓練過程還需要回饋。

提供反饋和獎勵，可以讓人工智慧知道這個方法成功了。沒有人類可以有效勝任這個角色：人工智慧因為在數位處理器上運作，所以可以在數小時或數日之內就訓練自己幾百次、幾千次或幾十億次，人類提供的回饋相比之下根本不切實際。

軟體工程師將這種回饋功能自動化，謹慎精確地說明這些功能要如何操作，以及這些功能的本質是要模擬現實。理想情況下，模擬器會提供擬真的環境，回饋功能則會讓人工智慧做出有效的決定。

阿爾法元的模擬器就很簡單粗暴：對戰。阿爾法元為了評估自己的表現，運用獎勵功能，根據每一步創造的機會來評分。

增強式學習需要人類參與來創造人工智慧的訓練環境（儘管在訓練過程中不直接提供回饋）：人類要定義模擬情境和回饋功能，人工智慧會在這基礎上自我訓練。為產生有意義的結果，謹慎明確地定義模擬情境和回饋功能至關重要。

——本文摘自《 AI 世代與我們的未來：人工智慧如何改變生活，甚至是世界？》，2022 年 12 月，聯經出版公司，未經同意請勿轉載。