【探索系列講座】

化學元素週期表的排序，是科學家一步步探索自然奧秘的軌跡。當今所發現的最重元素是2016年確認的原子序118，而作為研究粒子物理的學者，臺大物理系熊怡教授所努力的研究卻是比原子核更小的基本粒子。然而近年來核物理發掘新元素的研究也引起熊教授的興趣與探索，也就是期望發現下一個更重的新元素。

我適合做學術研究嗎？如果我想從事學術研究，應該具備什麼樣的特質呢？若你正在思慮這個問題，牟教授想告訴你：第一，你必須鑽研在一個問題上，長期努力，具備堅持、好問的精神；第二，你必須持續進修自學，因為光靠學校習得的知識，無法讓你因應快速變遷的社會。作為一位研究者，在學科專門化的今日宜選定研究方向，持續朝之邁進，鑽研該學科知識，從研究積累出學術的養分，讓自己成為專家。

一說到化學，似乎會令人聞之色變。食品要無「化學」添加物，清潔用品要天然不含「化學」成分，化學似乎與「不健康」、「有毒」畫上等號，但真是如此嗎？臺大化學系副教授鄭原忠老師並不這麼認為。「化學是很有趣的，日常生活中每天都在發生。」他說。鄭老師從生活中常見的光化學、光合作用，到二十世紀才發現、終於能解釋週期表排列原因的量子力學，一步步帶領我們了解這由原子核與電子構成的有趣世界。

為了偏鄉科普教育的推廣，于淑君申請了科技部計畫，透過舉辦講座、實驗、比賽、科展，利用各種方式來讓科學的種子可以在雲嘉地區灑得更廣、更遠、更平均。她也會舉辦參訪活動，帶這些農業縣市的孩子去博物館，並在學校推動科學閱讀，舉辦說故事比賽，用最生活化、最基本的方式，希望科學可以進入生活中紮根。

談到科學的價值，胡維平認為科學可以分成體跟用來討論，最早的科學發展主要在「用」的層面，利用傳承下來的知識來改變生活，直到生活發展到一定程度，人類開始有多餘的心力進行抽象的思考，開始希望透過語言、邏輯等等方式來看大自然的運作，說穿了其實就是人類在「滿足自己的好奇心」。胡維平認為這樣的「好奇心」是推動科學發展的原動力，先產生了好奇才帶動許多新的技術發展，而在能「用」之後，人類才有餘裕去探討科學的本體。

談到科學，陳竹亭認為科學就是人類拿來認識「相對較為客觀的世界」的方法。是否在人性之外，存有一個客觀的宇宙？而就算這樣的客觀事實存在，其實人類也是透過自己的主觀來認識客觀。
科學，正是人類找到可以認識世界的好方法之一。儘管經驗法則也是許多人認識世界的方式，但經驗其實是一種非常不可靠的方式，各人看來相似的經驗，時常有所迥異，並不能完全按照經驗來判斷、認識這個世界。科學家運用科學找到了許多客觀世界的細節，使人類更了解自己所處世界的模樣。科學的發展也延伸到了科技，科技的發展可說是一日千里，創造出各式各樣有利生活的產品。然而，在這些產品中，亦不乏傷害環境的物質。科技，或說科學這樣的發展，對這個世界來說，究竟是好是壞？其實有待商榷。說到這，他陷入了深思，笑說科學家其實跟哲學家比較像，隨著年紀增長，越來越會對科學產生懷疑，開始反省科學帶來的利與弊，以及思考人性於科學中所扮演的角色。

■近幾年來以人工智慧(artificial intelligence, AI)為代表的第四次工業革命一直是科技界熱門的話題。現在的機器人可以進行精細的製造作業，某種程度上已經替代了部分傳統上必須經過人類加工的過程；AI在重複的、大範圍蒐集分析資料上也有更好的表現，因此機器會取代掉部分的人工是未來的趨勢。
在產業面上，相較於傳統製造業每多製造一個產品，必定需要投入一定的成本，科技公司如果掌握了數據、技術、人才技術，運作上是零邊際成本的，例如搜尋引擎就是一個很好的例子，開發出一個搜尋引擎之後，用戶的增加基本上不會帶來成本上的負擔，這種模式使得高科技產業的發展更有優勢，也代表AI的出現將會改寫我們的經濟秩序，讓社會進入一個新的時代。

■深度學習於1985年被開發，但直到2014年才起飛。張教授2007年起在google進行數據導向大規模機器學習開發時，被當時的同仁合理質疑。因為較複雜的算法譬如SVM或深度學習太過耗時，跟不上搜索引擎和廣告推薦系統的即時需求。在2012年AlexNet利用ImageNet數據取得革命性的圖片辨識的準確率後，學界業界同時驚艷，也才願意投資大規模運算GPU平台，接受了數據導向大規模機器學習的典範。而在2016年AlphaGo又告訴了全世界：如果你的算法能自行生產出無限多且多元的數據，那你便能造就IQ等同於300的機器。但這波的AI革命其實只推進了深度學習，而發展的面向也只限於模擬人腦的知覺(perception)功能。至於如何使用人腦知覺之外的能力，譬如知識，記憶，計畫，邏輯思考，以便從小數據演繹出等同於無限多且多元大數據的能力，還沒有跟上。所以今年四月AI界的巨擘Michael Jordan甚至宣稱：「AI革命尚未到來。」

■就像人類的文字世界是由一個個詞彙組成的，機器的學習可以先從詞彙的理解開始。今天，我們可以利用Word Embedding的技術，讓機器去閱讀文本，透過上下文之間的關係來推論出每個詞彙之間的意義。舉例來說，如果機器在閱讀新聞時，看到「馬英九在520宣誓就職」和「蔡英文在520宣誓就職」這兩個條目，那麼雖然沒有人告訴過機器「馬英九」與「蔡英文」是什麼意思，但是機器能推論出這兩個詞在某種程度上是相關的，因此如果我們讓機器讀越多的書，機器就越能理解這些詞彙之間的關係，猜出他們代表什麼意思。

■全球資訊網(WWW)的誕生，讓我們與世界更緊密的連結在一起。無論是平時生活中的臉書社群，電影界演員之間的合作關係、或者是專家學者們在學術論文的引用，如果我們把每一個人都設定成點(Node)，人與人之間的各種關係視為邊(Edge)，那麼真實世界的網路經過視覺化呈現後，就會宛如人類大腦裡神經元，神經元彼此之間連結時所構成的圖像，看似一團混亂的網絡，實際上存在著某種規律與秩序。

■從音樂檢索到音樂生成，人工智慧的角色由被動化為主動，立足於對音樂規則的理解，持續燃燒作曲魂。人工智慧眼中的音樂世界呈現什麼樣貌？演講中，楊奕軒老師向我們介紹Music AI Lab目前的四大研究主題，帶領我們認識音樂科技的不同面向以及AI扮演之角色。

■在認識人工智慧如何協助心理學知識之前，必須先了解心理學。心理學是一門探究人類心智行為的科學，心智的認知運作機制，如同手機的應用程式 APP 之於手機，無法抽離主體觀察，虛無飄渺難以掌握，卻存在於人類智能中。記憶、學習、知覺、策劃等抽象的概念無法像實體一樣拿來剖析，只能從外向內逼近。楊立行教授在此介紹了四種方式：行為實驗、眼動軌跡、事件相關電位、磁振照影。

■電腦在DNA片段中尋找鑰匙孔的過程和進行影像辨識很像，陳教授以乳房攝影的影像判讀為例，說明AI工程師如何利用卷積神經網路（Convolutional Neural Networks, CNN）自大型的影像中尋找潛在的腫瘤。過往電腦判斷總不精準，多是透過經驗老道的放射科醫師來分辨。如今透過專家標注、深度學習，機器也能辨識出潛在的乳房腫瘤。同理，含氮檢基的四個字母可以轉換成四維資料，放入卷積神經網路中，讓電腦學習這些模式（pattern），學習成功以後，可以得知鑰匙孔的模樣，之後得以透過數學模型來評估人體的變異是否影響鑰匙孔的功能。