我有毒，不要吃我！

本文轉載自中央研究院研之有物，泛科學為宣傳推廣執行單位。

• 採訪撰文／田偲妤
• 美術設計／蔡宛潔

AI 的誕生，文理缺一不可

人工智慧（Artificial Intelligence，簡稱 AI）在 21 世紀的今日已大量運用在生活當中，近期掀起熱議的聊天機器人 LaMDA、特斯拉自駕系統、AI 算圖生成藝術品等，都是 AI 技術的應用。多數 AI 的研發秉持改善人類生活的人文思維，除了仰賴工程師的先進技術，更需要人文社會領域人才的加入。

中央研究院「研之有物」專訪院內人文社會科學研究中心蔡宗翰研究員，帶大家釐清什麼是 AI？文科人與工程師合作時，需具備什麼基本 AI 知識？AI 如何應用在人文社會領域的工作當中？

詩詞大對決：人與 AI 誰獲勝？

一場緊張刺激的詩詞對決在線上展開！人類代表是有「AI 界李白」稱號的蔡宗翰研究員，AI 代表則是能秒速成詩的北京清華九歌寫詩機器人，兩位以「人工智慧」、「類神經」為命題創作七言絕句，猜猜看以下兩首詩各是誰的創作？你比較喜歡哪一首詩呢？

答案揭曉！A 詩是蔡宗翰研究員的創作，B 詩是寫詩機器人的創作。細細賞讀可發覺，A 詩的內容充滿巧思，為了符合格律，將「類神經」改成「類審經」；詩中的「福落天赦」是「天赦福落」的倒裝，多念幾次會發現，原來是 Google 開發的機器學習開源軟體庫「Tensor Flow」的音譯；而「拍拓曲」則是 Facebook 開發的機器學習庫「Pytorch」的音譯，整首詩創意十足，充滿令人會心一笑的魅力！

相較之下，B 詩雖然有將「人工」兩字穿插引用在詩中，但整體內容並沒有呼應命題，只是在詩的既有框架內排列字句。這場人機詩詞對決明顯由人類獲勝！

由此可見，當前的 AI 缺乏創作所需的感受力與想像力，無法做出超越預先設定的創意行為。然而，在不久的將來，AI 是否會逐漸產生情感，演變成電影《A.I. 人工智慧》中渴望人類關愛的機器人？

AI 其實沒有想像中聰明？

近期有一則新聞「AI 有情感像 8 歲孩童？Google 工程師爆驚人對話遭停職」，讓 AI 是否已發展出「自我意識」再度成為眾人議論的焦點。蔡宗翰研究員表示：「當前的 AI 還是要看過資料、或是看過怎麼判讀資料，經過對應問題與答案的訓練才能夠運作。換而言之，AI 無法超越程式，做它沒看過的事情，更無法替人類主宰一切！」

會產生 AI 可能發展出情感、甚至主宰人類命運的傳言，多半是因為我們對 AI 的訓練流程認識不足，也缺乏實際使用 AI 工具的經驗，因而對其懷抱戒慎恐懼的心態。這種狀況特別容易發生在文科人身上，更延伸到文科人與理科人的合作溝通上，因不了解彼此領域而產生誤會與衝突。如果文科人可以對 AI 的研發與應用有基本認識，不僅能讓跨領域的合作更加順利，還能在工作中應用 AI 解決許多棘手問題。

「職場上常遇到的狀況是，由於文科人不了解 AI 的訓練流程，因此對 AI 產生錯誤的期待，認為辛苦標注的上千筆資料，應該下個月就能看到成果，結果還是錯誤百出，準確率卡在 60、70% 而已。如果工程師又不肯解釋清楚，兩方就會陷入僵局，導致合作無疾而終。」蔡宗翰研究員分享多年的觀察與建議：

如果文科人了解基本的 AI 訓練流程，並在每個訓練階段協助分析：錯誤偏向哪些面向？AI 是否看過這方面資料？文科人就可以補充缺少的資料，讓 AI 再進行更完善的訓練。

史上最認真的學生：AI

認識 AI 的第一步，我們先從分辨什麼是 AI 做起。現在的數位工具五花八門，究竟什麼才是 AI 的應用？真正的 AI 有什麼樣的特徵？

基本上，有「預測」功能的才是 AI，你無法得知每次 AI 會做出什麼判斷。如果只是整合資料後視覺化呈現，而且人類手工操作就辦得到，那就不是 AI。

蔡宗翰研究員以今日常見的語音辨識系統為例，大家可以試著對 Siri、Line 或 Google 上的語音辨識系統講一句話，你會發現自己無法事先知曉將產生什麼文字或回應，結果可能正是你想要的、也可能牛頭不對馬嘴。此現象點出 AI 與一般數位工具最明顯的不同：AI 無法百分之百正確！

因此，AI 的運作需建立在不斷訓練、測試與調整的基礎上，盡量維持 80、90% 的準確率。在整個製程中最重要的就是訓練階段，工程師彷彿化身老師，必須設計一套學習方法，提供有助學習的豐富教材。而 AI 則是史上最認真的學生，可以穩定、一字不漏、日以繼夜地學習所有課程。

AI 的學習方法主要分為「非監督式學習」、「監督式學習」。非監督式學習是將大批資料提供給 AI，讓其根據工程師所定義的資料相似度算法，逐漸學會將相似資料分在同一堆，再由人類檢視並標注每堆資料對應的類別，進而產生監督式學習所需的訓練資料。而監督式學習則是將大批「資料」和「答案」提供給 AI，讓其逐漸學會將任意資料對應到正確答案。

學習到一定階段後，工程師會出試題，測試 AI 的學習狀況，如果成績只有 60、70 分，AI 會針對答錯的地方調整自己的觀念，而工程師也應該與專門領域專家一起討論，想想是否需補充什麼教材，讓 AI 的準確率可以再往上提升。

就算 AI 最後通過測試、可以正式上場工作，也可能因為時事與技術的推陳出新，導致準確率下降。這時，AI 就要定時進修，針對使用者回報的錯誤進行修正，不斷補充新的學習內容，讓自己可以跟得上最新趨勢。

在了解 AI 的基本特徵與訓練流程後，蔡宗翰研究員建議：文科人可以看一些視覺化的操作影片，加深對訓練過程的認識，並實際參與檢視與標注資料的過程。現在網路上也有很多 playground，可以讓初學者練習怎麼訓練 AI，有了上述基本概念與實務經驗，就可以跟工程師溝通無礙了。

AI 能騙過人類，全靠「自然語言處理」

AI 的應用領域相當廣泛，而蔡宗翰研究員專精的是「自然語言處理」。問起當初想投入該領域的原因，他充滿自信地回答：因為自然語言處理是「AI 皇冠上的明珠」！這顆明珠開創 AI 發展的諸多可能性，可以快速讀過並分類所有資料，整理出能快速檢索的結構化內容，也可以如同真人般與人類溝通。

著名的「圖靈測試」（Turing Test）便證明了自然語言處理如何在 AI 智力提升上扮演關鍵角色。1950 年代，傳奇電腦科學家艾倫・圖靈（Alan Turing）設計了一個實驗，用來測試 AI 能否表現出與人類相當的智力水準。首先實驗者將 AI 架設好，並派一個人操作終端機，再找一個第三者來進行對話，判斷從終端機傳入的訊息是來自 AI 或真人，如果第三者無法判斷，代表 AI 通過測試。

換而言之，AI 必須擁有一定的智力，才可能成功騙過人類，讓人類不覺得自己在跟機器對話，而這有賴自然語言處理技術的精進。目前蔡宗翰的研究團隊有將自然語言處理應用在：人文研究文本分析、新聞真偽查核，更嘗試以合成語料訓練臺灣人專用的 AI 語言模型。

讓 AI 替你查資料，追溯文本的起源

目前幾乎所有正史、許多地方志都已經數位化，而大量數位化的經典更被主動分享到「Chinese Text Project」平台，讓 AI 自然語言處理有豐富的文本資料可以分析，包含一字不漏地快速閱讀大量文本，進一步畫出重點、分門別類、比較相似之處等功能，既節省整理文本的時間，更能橫跨大範圍的文本、時間、空間，擴展研究的多元可能性。

例如我們想了解經典傳說《白蛇傳》是怎麼形成的？就可以應用 AI 進行文本溯源。白蛇傳的故事起源於北宋，由鎮江、杭州一帶的說書人所創作，著有話本《西湖三塔記》流傳後世。直至明代馮夢龍的《警世通言》二十八卷〈白娘子永鎮雷峰塔〉，才讓流傳 600 年的故事大體成型。

我們可以透過「命名實體辨識技術」標記文本中的人名、地名、時間、職業、動植物等關鍵故事元素，接著用這批標記好的語料來訓練 BERT 等序列標注模型，以便將「文本向量化」，進而找出給定段落與其他文本的相似之處。

經過多種文本的比較之後發現，白蛇傳的原型可追溯自印度教的那伽蛇族故事，傳說那伽龍王的三女兒轉化成佛、輔佐觀世音，或許與白蛇誤食舍利成精的概念有所關連，推測印度神話應該是跟著海上絲路傳進鎮江與杭州等通商口岸。此外，故事的雛型可能早從唐代便開始醞釀，晚唐傳奇《博異志》便記載了白蛇化身美女誘惑男子的故事，而法海和尚、金山寺等關鍵人物與景點皆真實存在，金山寺最初就是由唐宣宗時期的高僧法海所建。

在 AI 的協助之下，我們得以跨時空比較不同文本，了解說書人如何結合印度神話、唐代傳奇、在地的真人真事，創作出流傳千年的白蛇傳經典。

最困難的挑戰：AI 如何判斷假新聞

除了應用在人文研究文本分析，AI 也可以查核新聞真偽，這對假新聞氾濫的當代社會是一大福音，但對 AI 來說可能是最困難的挑戰！蔡宗翰研究員指出 AI 的弱點：

如果是答案和數據很清楚的問題，就比較好訓練 AI。如果問題很複雜、變數很多，對 AI 來說就會很困難！

困難點在於新聞資訊的對錯會變動，可能這個時空是對的，另一個時空卻是錯的。雖然坊間有一些以「監督式學習」、「文本分類法」訓練出的假新聞分類器，可輸入當前的新聞讓機器去判讀真假，但過一段時間可能會失準，因為新的資訊源源不絕出現。而且道高一尺、魔高一丈，當 AI 好不容易能分辨出假新聞，製造假新聞的人就會破解偵測，創造出 AI 沒看過的新模式，讓先前的努力功虧一簣。

因此，現在多應用「事實查核法」，原理是讓 AI 模仿人類查核事實的過程，尋找權威資料庫中有無類似的陳述，可用來支持新聞上描述的事件、主張與說法。目前英國劍橋大學為主的學者群、Facebook 與 Amazon 等業界研究人員已組成 FEVEROUS 團隊，致力於建立英文事實查核法模型所能運用的資源，並透過舉辦國際競賽，廣邀全球學者專家投入研究。

蔡宗翰教授團隊 2021 年參加 FEVEROUS 競賽勇奪全球第三、學術團隊第一後，也與合作夥伴事實查核中心及資策會討論，正著手建立中文事實查核法模型所需資源。預期在不久的將來，AI 就能幫讀者標出新聞中所有說法的資料來源，節省讀者查證新聞真偽的時間。

AI 的無限可能：專屬於你的療癒「杯麵」

AI 的未來充滿無限可能，不僅可以成為分類與查證資料的得力助手，還能照護並撫慰人類的心靈，這對邁入高齡化社會的臺灣來說格外重要！許多青壯年陷入三明治人（上有老、下有小要照顧）的困境，期待有像動畫《大英雄天團》的「杯麵」（Baymax）機器人出現，幫忙分擔家務、照顧家人，在身心勞累時給你一個溫暖的擁抱。

機器人陪伴高齡者已是現在進行式，新加坡南洋理工大學 Gauri Tulsulkar 教授等學者於 2021 年發表了一項部署在長照機構的機器人實驗。這名外表與人類相似的機器人叫「娜丁」（Nadine），由感知、處理、互動等三層架構組成，可以透過麥克風、3D和網路鏡頭感知用戶特徵、所處環境，並將上述資訊發送到處理層。處理層會依據感知層提供的資訊，連結該用戶先前與娜丁互動的記憶，讓互動層可以進行適當的對話、變化臉部表情、用手勢做出反應。

長照機構的高齡住戶多數因身心因素、長期缺乏聊天對象，或對陌生事物感到不安，常選擇靜默不語，需要照護者主動引導。因此，娜丁內建了注視追蹤模型，當偵測到住戶已長時間處於被動狀態，就會自動發起話題。

實驗發現，在娜丁進駐長照機構一段時間後，住戶有一半的天數會去找她互動，而娜丁偵測到的住戶情緒多為微笑和中性，其中有 8 位認知障礙住戶的溝通能力與心理狀態有明顯改善。

至於未來的改進方向，研究團隊認為「語音辨識系統」仍有很大的改進空間，需要讓機器人能配合老年人緩慢且停頓較長的語速，音量也要能讓重聽者可以清楚聽見，並加強對方言與多語混雜的理解能力。

臺灣如要發展出能順暢溝通的機器人，首要任務就是要開發一套臺灣人專用的 AI 語言模型，包含華語、臺語、客語、原住民語及混合以上兩種語言的理解引擎。這需花費大量人力與經費蒐集各種語料、發展預訓練模型，期待政府能整合學界與業界的力量，降低各行各業導入 AI 相關語言服務的門檻。

或許 AI 無法發展出情感，但卻可以成為人類大腦的延伸，協助我們節省處理資料的時間，更可以心平氣和地回應人們的身心需求。與 AI 共存的未來即將來臨，如何讓自己的行事邏輯跟上 AI 時代，讓 AI 成為自己的助力，是值得你我關注的課題。

延伸閱讀

• 蔡宗翰（2022）。寫給中學生看的 AI 課：AI 生態系需要文理兼具的未來人才。三采文化出版。
• Tulsulkar, G., Mishra, N., Thalmann, N.M. et al (2021). Can a humanoid social robot stimulate the interactivity of cognitively impaired elderly? A thorough study based on computer vision methods. Vis Comput 37, 3019–3038.

人類發展出農業之前，以採集和狩獵維生，至今也仍有一些仰賴採集狩獵的人群。不過採集（gatherer）與狩獵（hunter）其實是兩件事，而且似乎與性別高度相關：女生採集、男生狩獵。

去年發表的一篇論文卻指出，美洲在舊石器時代，女生可能也擔任獵人。女獵人很吸引眼球，這篇論文非常熱門，排名 Altmetric 資料庫 2020 年的第 30 名。^{[1, 2, 3, 4]}

由琺瑯質的蛋白質判斷性別

秘魯南部，安地斯山上的 Wilamaya Patjxa 遺址位於海拔 3925 公尺，可謂雲端。此處有 2 萬件人造物，以及 6 位長眠的死者出土，其中 2 位的陪葬品包含狩獵裝備。有意思的是，其中一位是生理女性。

編號 WMP1 的男性死者，身邊有狩獵大型動物的裝備陪葬，由牙齒磨損的狀況，估計去世時為 25 到 30 歲。考古學家根據骨頭型態判斷他是男生，分析牙齒中的 AMEL 蛋白質，也得到一樣的結果。

AMEL 蛋白質的全名為 amelogenin，會參與牙齒琺瑯質的生成；此一基因位於 X 和 Y染色體上，兩者的氨基酸序列小有差異，所以男女有別，可用於分辨生理性別。

男生的 X、Y染色體各有一條，因此男生的蛋白質產物，同時有 X染色體產生的 AMELX，以及 Y染色體製造的 AMELY。女生則有兩條X染色體，沒有 Y染色體，所以女生不會製作 AMELY，只有 AMELX。

如果能由牙齒取得 AMEL 蛋白質，便有機會判斷性別，而且此一資訊取決於遺傳，不像型態更容易受到個體差異影響而誤判（例如骨架很纖細的男生，被誤判為女生）。

• 延伸閱讀：短篇 分辨女生男生，看琺瑯質就知道

安地斯山9000年前，草泥馬獵人

人體由吃進去的食物、飲水重組後構成，分析骨頭或牙齒中，衰變速度極為緩慢的穩定同位素，可以判斷一個人生前的飲食、出生地等資訊。

由 WMP1 的氧18 穩定同位素判斷，他長期飲用高海拔的水源；碳13 穩定同位素則能推論他住在高山，飲食混合動物與植物。

綜合看來，這位有狩獵裝備陪葬的男生，生前應該長居山上，飲食包含不少肉類。合理推論：

他是一位獵人。

另一位身邊擺放狩獵裝備的死者 WMP6，分析骨頭中的膠原蛋白，以碳同位素定年法估計約在 9000 年前去世。其餘和前述一樣的分析指出，她生前長住山上，飲食包含不少肉類，可能在 17 到 19 歲時去世，AMEL 蛋白質則明確表示她是女生。

她身邊有一批裝備，原本或許放在皮帶之內，可用於攻擊和處理獵物，尤其是大型動物。儘管無從得知是否真的會狩獵，依照陪葬品及飲食狀態，採用和 WMP1 同樣的邏輯推論：

她應該也是一位獵人。

現存於世的採集狩獵族群中，通常是男生狩獵、女生採集；距今 9000 年前的安地斯山上，卻可能並非如此。這點發現相當有趣，研究者認為值得深究，便探討美洲其他考古遺址中，有狩獵裝備陪葬的人性別為何——結果發現，女性獵人也許出乎意料的多？

美洲舊石器時代，女生打獵或許不算罕見？

總共有 107 處舊石器時代的遺址，429 人納入分析。存在狩獵大型動物工具陪葬的，總共有 18 個遺址；10 處遺址包括 11 位女生、15 處遺址包括 16 位男生。

乍看之下，墓葬與狩獵元素相關的人，兩性比例好像差別不大，不過取樣其實非常有限。也不可忽視如 Upward Sun River 遺址，有武器陪葬的 2 位女生根本還是嬰兒，絕對不可能當過獵人。

光是有狩獵工具陪葬，不能直接等於死者生前擔任獵人，也可能是想表現某些象徵意涵。不過論文主張，至少 Wilamaya Patjxa 遺址中的一男一女沒什麼差別，女生應該曾為獵人；另外在美洲的舊石器時代，雖然不清楚比例，女生獵人或許並不罕見。

現代仍然以採集、狩獵維生的人們，多半具有明顯的性別分工：女生採集、男生狩獵。由這些觀察推導出的論點是：古代就是如此。不過仍有少數例外，例如菲律賓的阿埃塔人（Agta），女生便會擔任獵人。

這項新研究則認為，古代的採集狩獵族群，性別角色未必和現在一樣。至少在舊石器時代的美洲，女生也會打獵。

人類多變化的營生、性別角色

雖然少數女生會狩獵，但是由男生擔任獵人，可謂根深蒂固的想法。珍奧爾（Jean M. Auel）以冰河時期歐洲為背景的「愛拉傳奇」系列首部曲《愛拉與穴熊族》，便用「女性獵人」為主軸，營造衝突與轉折。這本精彩的小說，描述被尼安德塔人收養的智人女主角，因為喜歡狩獵被視為離經叛道，經歷奮鬥後克服偏見，獲得認同的故事。

考古研究若是發現，戰士、獵人這類某些人認為專屬於男生的角色，性別竟然是女生，起爭議是正常的。

近期最出名的案例，莫過於也超級熱門，2017 年發表的維京女戰士；即使證據十分明確，仍有些歷史和考古學家抵死不認，搬出各種自相矛盾的說法乞辭詭辯，主張遺傳學家不懂歷史、「女戰士」只是噱頭……

• 延伸閱讀：維京的高階戰士不可能是女生？DNA分析能推翻十九世紀以來的偏見嗎？ 

相比之下，這回安地斯山上的研究，證據上沒那麼周全；擴大到整個美洲，更是頗為可疑。不過我個人意見是，儘管目前證據不足，論文的主要觀點也許無誤：

舊石器時代的美洲，女生打獵不罕見。

取得資源，確保生存是第一要務，有時候甚至是唯一任務。距今 9000 年前，海拔 4000 公尺的安地斯山上，算是資源稀缺的艱困環境；假如只靠男生狩獵，等於只有一半人力打獵，當時有那個餘裕嗎？所以我覺得，那個人口稀少的背景下，女生一起參加打獵很合理，甚至是必然的。

和動物相比，智人一大特色是充滿彈性。所謂的性別分工，應該是因時、因地、因物，以及文化而異。

另外我們也不能忽視，智人是社會化的動物，除了先天的生理性別之外，還有千變萬化的社會角色。堅持古往今來某些社會角色，只能由特定生理性別擔任，我想反而才是太過武斷。

延伸閱讀：

• 短篇 分辨女生男生，看琺瑯質就知道
• 怎麼知道亞馬遜雨林中的壁畫，真的是冰河時期創作？
• 冰河時期，安地斯山區已現人蹤
• 缺氧的高海拔，馬鈴薯、天花，安地斯人的基因適應
• 阿拉斯加11500年前「古白令人」，源自未知美洲遺傳支系
• 維京的高階戰士不可能是女生？DNA分析能推翻十九世紀以來的偏見嗎？ 
• 祖先的身體會說話：男女差別待遇，至少始於東周
• 商王殺很大！被當成牲畜屠宰的人牲，從何而來？

參考資料：

1. Haas, R., Watson, J., Buonasera, T., Southon, J., Chen, J. C., Noe, S., … & Parker, G. (2020). Female hunters of the early Americas. Science advances, 6(45), eabd0310.
2. Women at the Hearth and on the Hunt
3. Early big-game hunters of the americas were female, researchers suggest
4. Woman the hunter: Ancient Andean remains challenge old ideas of who speared big game

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。

COVID-19（武漢肺炎、新冠肺炎）肆虐至今，帳面死亡數字已經超過 87 萬人，但是實際人數肯定更多。由 SARS-CoV-2（SARS二世冠狀病毒）引發疫情的影響太過廣泛，直接亡於瘟疫的死者之外，也有不少間接受害者，幾乎不可能精確評估實際人數。

以「額外死亡數」評估疫情影響

若想評估疫情的影響，最方便的估計方法稱作「額外死亡數（excess mortality）」，也就是比較今年瘟疫肆虐下，和過往同期的差異，看看死亡人數超過多少。每一年的死亡數會波動，所以通常是和前 5 年的平均相比。

由 30 多個國家（多數在歐洲）的資料看來，到今年 7 月底，死亡人數比預期多出約 60 萬人，同時帳面上武漢肺炎的死亡數只有 41 萬，差異將近 20 萬。

然而，額外死亡數並非全部直接來自武漢肺炎，例如沒有感染武漢肺炎，卻由於醫療系統崩潰而造成的死者，就算是被間接影響。

科學媒體 Nature 分析指出，額外死亡數和武漢肺炎死亡數的距離，不同國家的差別很大。美國的額外死亡數中有 25% 不是列為武漢肺炎，西班牙則是 35%。差距最大的秘魯高達 74%；可以推論，秘魯有非常多武漢肺炎死者，沒有被正式記錄。

保加利亞比較特別，額外死亡數是負的，表示瘟疫肆虐下反而比預期死掉更少的人（不過保加利亞目前的確診與死亡數，正處於指數上升的趨勢）。

南非從 3 月底嚴格防疫管制開始後，額外死亡數也一度是負的，不過 5 月底放鬆管制，後來感染人數又上升之後，額外死亡數便很快明顯增加。

死亡人數比預期少，除了隨機波動外，是因為實施防疫措施，如減少人群接觸、停班、封城等影響，使得暴力衝突、交通事故等死亡事件減少。而阻止 SARS二世冠狀病毒傳播的行為，也會阻止某些疾病傳播，特別是流感。死於流感等疾病的人數變少，也會減少死亡數。

也就是說，人為介入防疫之後，原本的預計死亡人數會減低一些；因此 SARS二世冠狀病毒實際上的負面影響，應該要比額外死亡數再高一些。

疫情影響太大，死亡數字難以釐清

死亡數的詳情相當難以釐清，西班牙流感（照現在流行可以稱為 1918 年新型流感）已經過去一百多年，但是仍然不太清楚詳細的死亡數據。

儘管武漢肺炎的疫情就在眼前上演，專家依然沒有把握能精確釐清各種死亡人數。全世界每年粗估只有 50% 的死亡有明確記錄，另外 50% 缺乏存在感，就跟沒有發生過一般，尤其是在中、低收入國家。

想要估計額外死亡數，必需掌握充足的資料，這樣的國家卻不多。人口統計不發達的國家，原本有多少活人、死人就不太清楚，還要計算瘟疫下額外死掉多少人，實在是強人所難。由於各種原因沒有被記錄到的死者，即使可以透過事後調查得知，也將是一段時間以後的過時資訊。

對於瘟疫期間去世的人，一些專家希望精確釐清各種不同的死因，深入認識 SARS二世冠狀病毒在各個層面造成的直接與間接影響。卻也有些專家認為分那麼細沒什麼意義，因為不論直接或間接，這些額外死亡數皆與武漢肺炎有關。

還有些專家提醒各位，目前疫情還在持續，感染與死亡數仍然持續增加，一些估計其實不用急於一時。

根據已知資訊判斷，感染 SARS二世冠狀病毒以後的死亡率並不是太高，介於 0.5 到 1% 之間。不過由於感染人數眾多，對全人類或各大地區的影響，仍然算是非常廣泛。

本文轉載自新公民議會〈武漢肺炎究竟殺死多少人？〉

延伸閱讀

1. COVID-19 有多致命？認識3種死亡率
2. 黑死病、西班牙流感到 COVID-19，瘟疫如何重塑社會貧富？
3. 瘟疫的長久烙印──回顧100年前西班牙流感蔓延時的台灣
4. 為什麼台灣在某一天，不可能有640位無症狀感染者？

參考資料

1. How many people has the coronavirus killed?
2. Excess mortality from the Coronavirus pandemic (COVID-19)

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。