流感來了，幼稚園可以停班，大學呢？用風險值來決定吧！

數位世界已經改變了我們日常生活的體驗，一個人從早到晚都會接受到大量數據，受益於大量數據，也貢獻大量數據。這些數據龐大的程度，和消化資訊的方式已經太過繁多，人類心智根本無法處理。

與數位科技建立夥伴關係

所以人會本能地或潛意識地倚賴軟體來處理、組織、篩選出必要或有用的資訊，也就是根據用戶過去的偏好或目前的流行，來挑選要瀏覽的新項目、要看的電影、要播放的音樂。自動策劃的體驗很輕鬆容易，又能讓人滿足，人們只會在沒有自動化服務，例如閱讀別人臉書塗鴉牆上的貼文，或是用別人的網飛帳號看電影時，才會注意到這服務的存在。

有人工智慧協助的網路平臺加速整合，並加深了個人與數位科技間的連結。人工智慧經過設計和訓練，能直覺地解決人類的問題、掌握人類的目標，原本只有人類心智才能管理的各種選擇，現在能由網路平臺來引導、詮釋和記錄（儘管效率比較差）。

網路平臺收集資訊和體驗來完成這些任務，任何一個人的大腦在壽命期限內都不可能容納如此大量的資訊和體驗，所以網路平臺能產出看起來非常恰當的答案和建議。例如，採購員不管再怎麼投入工作，在挑選冬季長靴的時候，也不可能從全國成千上萬的類似商品、近期天氣預測、季節因素、回顧過去的搜尋記錄、調查物流模式之後，才決定最佳的採購項目，但人工智慧可以完整評估上述所有因素。

因此，由人工智慧驅動的網路平臺經常和我們每個人互動，但我們在歷史上從未和其他產品、服務或機器這樣互動過。當我們個人在和人工智慧互動的時候，人工智慧會適應個人用戶的偏好（網際網路瀏覽記錄、搜尋記錄、旅遊史、收入水準、社交連結），開始形成一種隱形的夥伴關係。

個人用戶逐漸依賴這樣的平臺來完成一串功能，但這些功能過去可能由郵政、百貨公司，或是接待禮賓、懺悔自白的人和朋友，或是企業、政府或其他人類一起來完成。

個人、網路平臺和平臺用戶之間的關係，是一種親密關係與遠距聯繫的新穎組合。人工智慧網路平臺審查大量的用戶數據，其中大部分是個人數據（如位置、聯絡資訊、朋友圈、同事圈、金融與健康資訊）；網路會把人工智慧當成嚮導，或讓人工智慧來安排個人化體驗。

人工智慧如此精準、正確，是因為人工智慧有能力可以根據數億段類似的關係，以及上兆次空間（用戶群的地理範圍）與時間（集合了過去的使用）的互動來回顧和反應。網路平臺用戶與人工智慧形成了緊密的互動，並互相學習。

網路平臺的人工智慧使用邏輯，在很多方面對人類來說都難以理解。例如，運用人工智慧的網路平臺在評估圖片、貼文或搜尋時，人類可能無法明確地理解人工智慧會在特定情境下如何運作。谷歌的工程師知道他們的搜尋功能若有人工智慧，就會有清楚的搜尋結果；若沒有人工智慧，搜尋結果就不會那麼清楚，但工程師沒辦法解釋為什麼某些結果的排序比較高。

要評鑑人工智慧的優劣，看的是結果實用不實用，不是看過程。這代表我們的輕重緩急已經和早期不一樣了，以前每個機械的步驟或思考的過程都會由人類來體驗（想法、對話、管理流程），或讓人類可以暫停、檢查、重複。

人工智慧陪伴現代人的生活

例如，在許多工業化地區，旅行的過程已經不需要「找方向」了。以前這過程需要人力，要先打電話給我們要拜訪的對象，查看紙本地圖，然後常常在加油站或便利商店停下來，確認我們的方向對不對。現在，透過手機應用程式，旅行的過程可以更有效率。

這些應用程式不但可以根據他們「所知」的交通記錄來評估可能的路線與每條路線所花費的時間，還可以考量到當天的交通事故、可能造成延誤的特殊狀況（駕駛過程中的延誤）和其他跡象（其他用戶的搜尋），來避免和別人走同一條路。

從看地圖到線上導航，這轉變如此方便，很少人會停下來想想這種變化有多大的革命性意義，又會帶來什麼後果。個人用戶、社會與網路平臺和營運商建立了新關係，並信任網路平臺與演算法可以產生準確的結果，獲得了便利，成為數據集的一部分，而這數據集又在持續進化（至少會在大家使用應用程式的時候追蹤個人的位置）。

在某種意義上，使用這種服務的人並不是獨自駕駛，而是系統的一部分。在系統內，人類和機器智慧一起協作，引導一群人透過各自的路線聚集在一起。

持續陪伴型的人工智慧會愈來愈普及，醫療保健、物流、零售、金融、通訊、媒體、運輸和娛樂等產業持續發展，我們的日常生活體驗透過網路平臺一直在變化。

當用戶找人工智慧網路平臺來協助他們完成任務的時候，因為網路平臺可以收集、提煉資訊，所以用戶得到了益處，上個世代完全沒有這種經驗。這種平臺追求新穎模式的規模、力量、功能，讓個人用戶獲得前所未有的便利和能力；同時，這些用戶進入一種前所未有的人機對話中。

運用人工智慧的網路平臺有能力可以用我們無法清楚理解，甚至無法明確定義或表示的方式來形塑人類的活動，這裡有一個很重要的問題：這種人工智慧的目標功能是什麼？由誰設計？在哪些監管參數範圍裡？

類似問題的答案會繼續塑造未來的生活與未來的社會：誰在操作？誰在定義這些流程的限制？這些人對於社會規範和制度會有什麼影響？有人可以存取人工智慧的感知嗎？有的話，這人是誰？

如果沒有人類可以完全理解或查看數據，或檢視每個步驟，也就是說假設人類的角色只負責設計、監控和設定人工智慧的參數，那麼對人工智慧的限制應該要讓我們放心？還是讓我們不安？還是既放心又不安？

——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。

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。

牛奶、羊奶等生乳中含有乳糖（lactose），可以被乳糖酶（lactase）分解。但是小朋友長大以後，乳糖酶基因便不再表現，失去消化乳糖的能力。幾千年前，世界各地卻出現多款基因突變，讓人能一輩子保有乳糖酶。2022 年一項針對歐洲的研究提出觀點：這項能力之所以受到天擇喜好，是因為能避免拉肚子！？

史上最強遺傳適應，演化過程出乎意料？

人類原本和眾多哺乳動物一樣，小時候依賴母乳餵食，長大後不再喝奶，乳糖酶也失去作用。但是隨著人類馴化牛、羊等動物，即使是成年人也常有機會吃奶。

另一方面，由於乳糖酶基因外頭的調控位置突變，使得許多歐洲、非洲人的酵素在成年後可以持續作用，稱為乳糖酶持續性（lactase persistence，簡稱 LP，也就是乳糖耐受），而且同樣效果的不同突變，至少獨立誕生過 5 次。

具有某方面優點，使得存在感增加的 DNA 變異，稱作遺傳適應（genetic adaptation）。已知的人類案例非常多，天擇的影響力有強有弱，LP 算是受到最強烈天擇力量的基因之一。

由此推敲，當人類開始養牛、養羊，又吃奶以後，同時衍生 LP 應該是順理成章的事？然而，一系列考古學、遺傳學、古代遺傳學的探索，卻徹底打破上述看似合理的推論。

首先，考古學調查發現人類在中東馴化牛、羊，吃奶的歷史至少有 9000 年，接著距今 7000 年前已經引進歐洲多處。再來，由遺骸中直接取得古代 DNA 得知，LP 遺傳變異要等到 4000 多年前才出現，而且超過 3000 年前都還很小眾，最近 2000 年內才大幅提升存在感。

• 延伸閱讀：起司、優格與馬奶酒：歐亞草原的乳製品，開啟遊牧民族新時代！

顯而易見，人類開始吃奶的年代，比獲得成年後消化乳糖的能力，更早好幾千年。 2022 年新發表的研究透過更廣泛的取樣分析，再度確認這件事。

再度確認：吃奶比遺傳突變更早好幾千年

隨著技術進步，如今有好幾種方法判斷古代人會不會吃奶，像是分析牙結石中的乳蛋白、容器中的乳脂質等等。新研究偵測陶器中的乳脂質，包括以前發表 188 處，以及新取得 366 處，總共 554 處中東、歐洲的遺址中，得知 6899 件乳製品存在的紀錄。

吃奶的文化能追溯到中東，新石器時代擁有農業的人群，帶著他們的牛、羊一起移民歐洲，也將吃奶文化傳入歐洲。到了距今 7000 年前，歐洲各大地區已經出現乳製品。也許不見得會直接喝生乳，不過肯定存在起司等生乳加工的食品。

比較特殊的是巴爾幹半島，現在的希臘。那時居民會養牛，養羊，吃肉肉；但是分析超過 870 件陶器，完全見不到乳脂質的蹤影。此處或許更晚才建立起吃奶文化。

總之，7000 年前吃奶文化已經廣傳歐洲各地。相比之下，比對不同年代、地點的死人骨頭取樣，消化乳糖的 LP 遺傳變異最早在 4600 年前現蹤，比吃奶晚很多。

而且 LP 出現一段時間後，存在感依然非常低，距今 3000 到 5000 年前的青銅時代，LP 並沒有什麼過人之處。到此為止，LP 只能說是人類族群中的一款普通變異，還不能算是遺傳適應。

• 延伸閱讀：不同地區的 LP 上升年代不一致，例如不列顛就比較早 〈青銅時代晚期，不列顛大量移民，和凱爾特語有關？〉

現代社會：能代謝乳糖沒有好處，不能代謝只有小小壞處

儘管比本來以為的晚很多，LP 遺傳變異在歐洲族群的比例，還是於最近 3000 年內明顯上升。它到底因為什麼優點才受到天擇青睞，歷來爭論不休，有人提出營養、維生素D 等假說，可是都缺乏決定性的證據。

搜集幾十萬人遺傳資訊的英國生物樣本庫（UK Biobank），近來被大量用於各色分析。這項研究從中探討 LP 的影響，分析對象中大部分人具有 LP，少數人沒有（論文用語是 lactase non-persistent，縮寫為 LNP，也就是乳糖不耐）。比對得知，LP 並不會影響喝奶、食用乳製品的行為。

直接喝奶才有乳糖代謝的問題，加工成起司等乳製品可以避免，但是「問題」也許不是真的問題。更進一步比對，LP 對於健康狀況也沒什麼影響。簡單說就是：對 33 萬位英國人的分析發現，LP 與否，無關緊要。

加上其餘資訊推論，現代社會在正常情況下，缺乏 LP 大概就是喝奶拉肚子，不是什麼嚴重的問題。例如隨著中國經濟發展，沒有 LP 的中國人大量喝奶，多數也沒怎麼樣。

這也符合台灣人的經驗，台灣人配備 LP 的比例不高，可是隨著飲食習慣改變，多數人也就是這樣喝奶。另外喝奶會改變人的腸道菌，影響消化狀況，也是一個影響因素。

飢荒、疾病，時代力量的逆境考驗？

為了解釋歐洲歷史上 LP 比例的大幅上升，許多論點提出喝奶的優點，但是想想頗有可疑。把鮮奶加工製成乳製品，就能輕易抵銷 LP 問題，即使是飢荒時節也不例外；不能直接喝奶也不會餓死，吃起司就好。在營養加分方面，能喝奶真的有什麼優勢嗎？

由人群中遺傳變異的比例變化，我們能評估天擇影響的結果，但是不見得能抓到當初天擇真正的目標。新研究的分析指出，LP 的意義似乎不在創造優勢，而是避免劣勢。

跑完一大堆統計分析後，有兩項因素和 LP 的關聯性最高。一項是人口數量的波動，另一項是人口的密度。論文的解釋是，人口數量波動和飢荒有關（飢荒讓人口減少），密度和傳染病有關（人變多會增加傳染病的機率）。

沒有 LP 的人直接喝奶，副作用往往是腹瀉，在豐衣足食的現代社會多半沒有大害，還能刺激代謝，順便減肥；雖然對某些人而言，拉肚子依然是困擾的問題。

至於營養不良的人，腹瀉更可能出問題；某些疾病下，拉肚子造成脫水，容易重傷害健康。時常被營養不良、傳染病、飢荒等災厄糾纏，是古代的常態。

由此推論，不論是饑荒的短期逆境，或是傳染病的長期逆境（論文沒有特別討論，我想也包括寄生蟲？），配備 LP 的人由於能少拉肚子，生存機率也會大一點。

魔鬼藏在拉肚子？

影響最大的年齡層可能介於 5 到 18 歲。此一小大人的階段，乳糖酶將漸漸失去作用；營養不良、體弱多病的人身體比較脆弱，拉肚子是要命的事，這或許正是天擇的目標！

古時候衛生狀況不佳，拉肚子大概很常見，而未成年人的死亡率也遠勝現在，小孩死掉並不意外。在此之下，能減少拉肚子的 LP 遺傳變異，長期累積下來，正面影響力或許頗為可觀。

這項研究的說法是否正確？它仍不足以算是決定性的證據，不過脈絡頗有道理。非洲也有多個獨立誕生的 LP 遺傳變異，相較於歐洲了解少很多，這是個潛在的研究方向。

另外不可忽視，讓乳糖酶維持作用的 LP 遺傳變異，也受到飲食習慣、生活背景影響，不單純是遺傳的事。例如自古牧業發達的蒙古、哈薩克，居民的 LP 比例一直很低，幾千年來也活得很好。少拉肚子也許能解釋歐洲的狀況，其餘地區不宜過度延伸。

延伸閱讀

• 起司、優格與馬奶酒：歐亞草原的乳製品，開啟遊牧民族新時代！
• 德國青銅時代的戰士們，大多乳糖不耐
• 短篇  新石器時代適應歐洲北部，不吃魚的乳酪理論？
• 以牛為尊的Maykop文化，大家都吃羊奶！
• 6000年前非洲人，牙結石中的乳蛋白
• 蒙古5000年，牛羊馬駱駝，乳製品的歷史 
• 小河公主等4000年前新疆人，遺傳不是西方人，也不是現在的東方人
• 巴瑤人x脾臟x基因變異：讓真人版水行俠潛水很久的秘密是？

參考資料

1. Evershed, R. P., Davey Smith, G., Roffet-Salque, M., Timpson, A., Diekmann, Y., Lyon, M. S., … & Thomas, M. G. (2022). Dairying, diseases and the evolution of lactase persistence in Europe. Nature, 1-10.
2. The mystery of early milk consumption in Europe
3. Famine and disease drove the evolution of lactose tolerance in Europe
4. How humans’ ability to digest milk evolved from famine and disease
5. Ancient Europeans farmed dairy—but couldn’t digest milk

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。