別跟電腦玩德州撲克

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&

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？

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。

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。

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。

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。

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？

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」。

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。

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。

以偉勝乾燥工業為例，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。

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

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？

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。

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。

「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。

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。

突破瓶頸：辛頓與波茲曼機

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。

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。