摘自〈第一章 觀察：如何用科學的角度看世界〉
從我有記憶以來，就一直想知道萬物運作的原理。我會將東西拆解開來（現在依然如此），無論是實際動手或在腦內拆解，我會反覆挪動各個零件，試圖明白它們是如何拼湊在一起的。我會拆掉玩具車的車輪，或是花好幾個小時凝視花園裡的昆蟲。就像許多長大後成為科學家的人一樣，我有一股想理解周遭世界的衝動：不想單純把現狀視作理所當然，而是想要抽絲剝繭、解開謎團，並在自己製造的一團混亂中盡情探索。
大眾有時會將這類兒童，形容為愛追根究柢或好奇心旺盛。其他時候，長輩會翻著白眼抱怨他們的問題太多，或拿「好奇心害死貓」來警告孩子。然而，一旦你有幸能念完博士學位且如願當上科學家，這些反對聲音便會逐漸消失。我的經驗是，星期天進實驗室照料細胞培養物已是生活常態，而且會開始幻想，塑膠孔盤（托盤上九十六個孔洞之一）裡微量的液體，能孕育出美麗的蛋白質結構，進而成為改良新藥或研發疫苗的關鍵。你能理所當然去閱讀十幾篇不同的論文，且每篇都堅稱自己提出進行某項實驗的「最佳」手段。這並非某種深奧難懂的消遣方式──這就是你的工作。身為職業科學家，你的好奇心不再會引人注目，也不再遭人視為潛在的麻煩。你可以花上一整天盯著東西看，且沒有人會對此大驚小怪。我們甚至為此創造出一種專屬大人的詞彙：觀察。
觀察既是展開科學研究的起點，也是理解科學運作方式的開端。我們藉此調動感官、質疑所經歷之一切，進而開始察覺新的可能。每一位科學家都從這裡起步，不論你是在認識世界並從中找到自身的定位，還是在仰賴受研究經費與咖世家（Costa）忠誠卡所推動的高級實驗室裡，展開科學探索。科學界所有重大發現的根本皆來自觀察：可能是某個行得通的方法、某個無效的嘗試、某個神祕遺失的片段，或是某種尚未有人思考過的可能。這些觀察就如同火花，點燃了值得探索的想法、準備驗證的假說、有待發展的理論，與需再雕琢的結論。這些觀察，正是科學家從零開始建構出完整世界觀的起點。
觀察也是一個我深有共鳴的主題：身為神經多樣性的個體，你經常同時是自身感官的主人，卻又任其擺布。正因為你所經歷的生活細節，既鮮明又強烈，你往往會察覺其他人忽略的地方。不管你多費力去掩飾自身的差異，或試著「如同常人般」思考（順道一提，這完全行不通），都無法攔阻你去留意那些起初看似毫無道理的細節。擁有一顆像我這樣的腦袋，代表每一天都得在吸收資料和細節的無盡漩渦裡打轉，並努力想搞懂眼前所見的一切。又或者，用我喜歡的說法：這才叫活著。
觀察聽起來是件頗為簡單的事：你看著某樣事物、仔細端詳、挑出漏洞，然後從中得出見解。然而，觀察遠不僅止於是科學的起跑線。正是藉由觀察，我們得以學習、累積知識，進而能夠看得更清楚──比過去的觀察更為敏銳。觀察與知識間的循環關係，及兩者像逐漸加速的浪潮般相輔相成，是任何科學職涯的基礎，更是促使我們去理解世界的人類本性。就像傳奇物理學家暨諾貝爾獎得主理查．費曼（Richard Feynman）所說：「我不能創造的東西，我就不瞭解。」這或許是這位二十世紀最傑出科學家之一，最為人所知的一句名言。一九八八年他逝世時，這句話仍留在他於加州理工學院教室的黑板上，正下方則是另一句座右銘：「知道如何解決每一個已解決過的問題。」當麻省理工學院的博士後研究員拉明．哈薩尼（Ramin Hasani）向我說明他在人工智慧領域的開創性研究時，便引用到前述的費曼名言。他的研究正是觀察、見解與發現間關聯的絕佳例證。這項研究展現出科學家如何釐清複雜的主題：將其分解為更容易研究及觀察的事物，並在面對新觀察結果時更能彈性適應。這是我個人的聖杯。
哈薩尼的研究主題是神經網絡：這種電腦程式包含多層節點，負責重現大腦神經元（也就是神經細胞）的運作，在節點之間傳遞訊息，來詮釋與歸類那些它們訓練來要仔細分析的資料集。我們經常利用神經網絡來辨別事物，例如判斷身體組織是健康或有癌變，及訊息是出自人類、還是電腦之手。這項概念其實頗有歷史，早在一九四四年就有理論提出，而如今相關應用在我們身邊隨處可見：從信箱的垃圾郵件過濾功能，到即時確認個人是否符合貸款或透支資格，皆以此為基礎。這就是為什麼即使今天你的髮型一塌糊塗，你iPhone上的臉部辨識系統依然會愛著你。
就像上述例子所展現的，神經網絡相當擅長辨別事物的差異、找出規律，並將其歸類分組。倘若我們要求人工智慧嘗試執行大腦認為理所當然的任務（也就是我們粗略稱之為智力、直覺和意識）時，情況就會變得更加複雜。這正是哈薩尼與諸多人工智慧研究者，在二○一四年就開始探索的課題。他「試圖釐清隨機性在個別神經元島嶼間的交流中扮演何種角色」──換言之，他想描繪出大腦的實際運作模式，藉此理解自己希望（透過演算法）創造的到底是什麼。
但結果不出所料（畢竟人腦中有八百六十億個神經元在運作），這種做法很快就為他帶來更多疑問，而非解答。「我認識得越深，就（越）明白關於這些東西我們所擁有的資料並不多，甚至光是開始探究『什麼是智力』這個問題，就已經十分複雜。」於是他改變策略，尋找另一種不同的透鏡來進行觀察：一種能協助他看得更清晰的透鏡。如果像人類大腦這樣複雜的系統難以全面參透，或許不那麼複雜的系統會是個好選擇。為了找出神經元在現實世界的行為模式，他決定去尋找自己所能找到的最簡單案例。「我對自己說，我必須用最基本的原則來解決這個問題。我們來找出動物界裡能找到的最小神經系統……那就是線蟲這種蠕蟲的大腦。這種蠕蟲擁有三百零二個神經元，（是個）超級微小的神經系統，但依然是一片資訊的汪洋。我們對於那顆小小的大腦仍有如此多的未知之處，實在是很沒道理。」
因為線蟲的神經系統非常單純，我們才得以用研究複雜動物時不可能做到的方式，去理解、研究──也就是去觀察這隻生物。哈薩尼在接受我們採訪時回想：「我得從線蟲的神經系統出發，不斷深入探究，才能理解神經迴路（也就是神經系統內負責執行功能的基本迴路）究竟是如何運作的？為此，我們必須去理解神經元與突觸（也就是神經元傳遞訊息的通道）彼此互動的基礎機制。」這項研究的結果，是一項令他既驚喜又開心的發現。「我觀察到，僅由十九個神經元和約兩百個突觸組成的網路，就能夠開動一輛車。這實在令人震驚。這正是我們超級興奮的原因……因為我們看見只需極小的能力，就能締造驚人的動態表現。」
哈薩尼的觀察結果，成為麻省理工學院開發出所謂「液態」神經網絡的重要基石。傳統的神經網絡基本上是會預先寫好程式，再訓練它去根據龐大的過往範例資料庫中「學來」的內容，對資訊進行分類；相較之下，液態網絡的設計特點在於能夠靈活適應。實際上，這些網絡具備邊做邊學的能力，根據全新輸入的資料調整行為，而不是設法將資料硬套入預設的框架裡。正如哈薩尼的解釋，這為人工智慧開拓出新局，使其有能力複製動物思考機制中某些更為複雜的功能。「說穿了，現實世界就是由各種序列組成。就連我們的感知也是如此──你察覺到的不是單一影像，而是影像的序列。」液態網絡所具備的極高複雜度，能夠顯著提升人工智慧於現實世界場景的應用表現，例如自駕車及工廠或醫院裡的自動化設備。在這些場域中，應對不斷變化或突發狀況（包含人為疏失）的能力，是風險管理的基礎。這些網絡所具備的適應能力，代表我們朝著人工智慧領域的終極目標（white whale）又邁進了一步：完美複製人類大腦的靈活度、創造力及直覺──也就是所謂的「通用人工智慧」。
液態網絡不只是人工智慧發展史上的一項重大發展，其概念更是有違常理。任何研究者都會理所當然認為，一個擁有更高靈活度且能與資料進階互動的優秀演算法，勢必會更加複雜且強大。若要複製人類大腦，我們很顯然會需要一個具備同等頻寬的人工智慧。
不過麻省理工學院團隊卻展示出，光憑藉一個小得令人難以置信的神經網絡，就能朝這種進階功能邁進一步，甚至只需占蠕蟲用來蠕動所需容量的一小部分。透過觀察並完全掌握他們能找到最單純、最不複雜的神經系統，並且徹底理解其運作方式，他們成功找出了某些特徵，使人工智慧得以更進一步接近複製最複雜的神經系統。他們從簡單之處起步，卻達成了複雜的目標：將研究領域縮小到一塊畫布般的大小，藉此在其中分離出關鍵的行為與特徵。在這個過程裡，他們掌握了科學界的永恆真理之一：各種發現多半發源自觀察，包含察覺趨勢、注意異常現象，並找出能夠跨情境轉移的要素。全球最先進的科學進展，經常始於人類最單純且最基礎的技能，那就是張開眼睛，觀察身旁事物，然後對眼前所見有所質疑。科學始於觀察這個觀念，可說是非常直白。
從我有記憶以來，就一直想知道萬物運作的原理。我會將東西拆解開來（現在依然如此），無論是實際動手或在腦內拆解，我會反覆挪動各個零件，試圖明白它們是如何拼湊在一起的。我會拆掉玩具車的車輪，或是花好幾個小時凝視花園裡的昆蟲。就像許多長大後成為科學家的人一樣，我有一股想理解周遭世界的衝動：不想單純把現狀視作理所當然，而是想要抽絲剝繭、解開謎團，並在自己製造的一團混亂中盡情探索。
大眾有時會將這類兒童，形容為愛追根究柢或好奇心旺盛。其他時候，長輩會翻著白眼抱怨他們的問題太多，或拿「好奇心害死貓」來警告孩子。然而，一旦你有幸能念完博士學位且如願當上科學家，這些反對聲音便會逐漸消失。我的經驗是，星期天進實驗室照料細胞培養物已是生活常態，而且會開始幻想，塑膠孔盤（托盤上九十六個孔洞之一）裡微量的液體，能孕育出美麗的蛋白質結構，進而成為改良新藥或研發疫苗的關鍵。你能理所當然去閱讀十幾篇不同的論文，且每篇都堅稱自己提出進行某項實驗的「最佳」手段。這並非某種深奧難懂的消遣方式──這就是你的工作。身為職業科學家，你的好奇心不再會引人注目，也不再遭人視為潛在的麻煩。你可以花上一整天盯著東西看，且沒有人會對此大驚小怪。我們甚至為此創造出一種專屬大人的詞彙：觀察。
觀察既是展開科學研究的起點，也是理解科學運作方式的開端。我們藉此調動感官、質疑所經歷之一切，進而開始察覺新的可能。每一位科學家都從這裡起步，不論你是在認識世界並從中找到自身的定位，還是在仰賴受研究經費與咖世家（Costa）忠誠卡所推動的高級實驗室裡，展開科學探索。科學界所有重大發現的根本皆來自觀察：可能是某個行得通的方法、某個無效的嘗試、某個神祕遺失的片段，或是某種尚未有人思考過的可能。這些觀察就如同火花，點燃了值得探索的想法、準備驗證的假說、有待發展的理論，與需再雕琢的結論。這些觀察，正是科學家從零開始建構出完整世界觀的起點。
觀察也是一個我深有共鳴的主題：身為神經多樣性的個體，你經常同時是自身感官的主人，卻又任其擺布。正因為你所經歷的生活細節，既鮮明又強烈，你往往會察覺其他人忽略的地方。不管你多費力去掩飾自身的差異，或試著「如同常人般」思考（順道一提，這完全行不通），都無法攔阻你去留意那些起初看似毫無道理的細節。擁有一顆像我這樣的腦袋，代表每一天都得在吸收資料和細節的無盡漩渦裡打轉，並努力想搞懂眼前所見的一切。又或者，用我喜歡的說法：這才叫活著。
觀察聽起來是件頗為簡單的事：你看著某樣事物、仔細端詳、挑出漏洞，然後從中得出見解。然而，觀察遠不僅止於是科學的起跑線。正是藉由觀察，我們得以學習、累積知識，進而能夠看得更清楚──比過去的觀察更為敏銳。觀察與知識間的循環關係，及兩者像逐漸加速的浪潮般相輔相成，是任何科學職涯的基礎，更是促使我們去理解世界的人類本性。就像傳奇物理學家暨諾貝爾獎得主理查．費曼（Richard Feynman）所說：「我不能創造的東西，我就不瞭解。」這或許是這位二十世紀最傑出科學家之一，最為人所知的一句名言。一九八八年他逝世時，這句話仍留在他於加州理工學院教室的黑板上，正下方則是另一句座右銘：「知道如何解決每一個已解決過的問題。」當麻省理工學院的博士後研究員拉明．哈薩尼（Ramin Hasani）向我說明他在人工智慧領域的開創性研究時，便引用到前述的費曼名言。他的研究正是觀察、見解與發現間關聯的絕佳例證。這項研究展現出科學家如何釐清複雜的主題：將其分解為更容易研究及觀察的事物，並在面對新觀察結果時更能彈性適應。這是我個人的聖杯。
哈薩尼的研究主題是神經網絡：這種電腦程式包含多層節點，負責重現大腦神經元（也就是神經細胞）的運作，在節點之間傳遞訊息，來詮釋與歸類那些它們訓練來要仔細分析的資料集。我們經常利用神經網絡來辨別事物，例如判斷身體組織是健康或有癌變，及訊息是出自人類、還是電腦之手。這項概念其實頗有歷史，早在一九四四年就有理論提出，而如今相關應用在我們身邊隨處可見：從信箱的垃圾郵件過濾功能，到即時確認個人是否符合貸款或透支資格，皆以此為基礎。這就是為什麼即使今天你的髮型一塌糊塗，你iPhone上的臉部辨識系統依然會愛著你。
就像上述例子所展現的，神經網絡相當擅長辨別事物的差異、找出規律，並將其歸類分組。倘若我們要求人工智慧嘗試執行大腦認為理所當然的任務（也就是我們粗略稱之為智力、直覺和意識）時，情況就會變得更加複雜。這正是哈薩尼與諸多人工智慧研究者，在二○一四年就開始探索的課題。他「試圖釐清隨機性在個別神經元島嶼間的交流中扮演何種角色」──換言之，他想描繪出大腦的實際運作模式，藉此理解自己希望（透過演算法）創造的到底是什麼。
但結果不出所料（畢竟人腦中有八百六十億個神經元在運作），這種做法很快就為他帶來更多疑問，而非解答。「我認識得越深，就（越）明白關於這些東西我們所擁有的資料並不多，甚至光是開始探究『什麼是智力』這個問題，就已經十分複雜。」於是他改變策略，尋找另一種不同的透鏡來進行觀察：一種能協助他看得更清晰的透鏡。如果像人類大腦這樣複雜的系統難以全面參透，或許不那麼複雜的系統會是個好選擇。為了找出神經元在現實世界的行為模式，他決定去尋找自己所能找到的最簡單案例。「我對自己說，我必須用最基本的原則來解決這個問題。我們來找出動物界裡能找到的最小神經系統……那就是線蟲這種蠕蟲的大腦。這種蠕蟲擁有三百零二個神經元，（是個）超級微小的神經系統，但依然是一片資訊的汪洋。我們對於那顆小小的大腦仍有如此多的未知之處，實在是很沒道理。」
因為線蟲的神經系統非常單純，我們才得以用研究複雜動物時不可能做到的方式，去理解、研究──也就是去觀察這隻生物。哈薩尼在接受我們採訪時回想：「我得從線蟲的神經系統出發，不斷深入探究，才能理解神經迴路（也就是神經系統內負責執行功能的基本迴路）究竟是如何運作的？為此，我們必須去理解神經元與突觸（也就是神經元傳遞訊息的通道）彼此互動的基礎機制。」這項研究的結果，是一項令他既驚喜又開心的發現。「我觀察到，僅由十九個神經元和約兩百個突觸組成的網路，就能夠開動一輛車。這實在令人震驚。這正是我們超級興奮的原因……因為我們看見只需極小的能力，就能締造驚人的動態表現。」
哈薩尼的觀察結果，成為麻省理工學院開發出所謂「液態」神經網絡的重要基石。傳統的神經網絡基本上是會預先寫好程式，再訓練它去根據龐大的過往範例資料庫中「學來」的內容，對資訊進行分類；相較之下，液態網絡的設計特點在於能夠靈活適應。實際上，這些網絡具備邊做邊學的能力，根據全新輸入的資料調整行為，而不是設法將資料硬套入預設的框架裡。正如哈薩尼的解釋，這為人工智慧開拓出新局，使其有能力複製動物思考機制中某些更為複雜的功能。「說穿了，現實世界就是由各種序列組成。就連我們的感知也是如此──你察覺到的不是單一影像，而是影像的序列。」液態網絡所具備的極高複雜度，能夠顯著提升人工智慧於現實世界場景的應用表現，例如自駕車及工廠或醫院裡的自動化設備。在這些場域中，應對不斷變化或突發狀況（包含人為疏失）的能力，是風險管理的基礎。這些網絡所具備的適應能力，代表我們朝著人工智慧領域的終極目標（white whale）又邁進了一步：完美複製人類大腦的靈活度、創造力及直覺──也就是所謂的「通用人工智慧」。
液態網絡不只是人工智慧發展史上的一項重大發展，其概念更是有違常理。任何研究者都會理所當然認為，一個擁有更高靈活度且能與資料進階互動的優秀演算法，勢必會更加複雜且強大。若要複製人類大腦，我們很顯然會需要一個具備同等頻寬的人工智慧。
不過麻省理工學院團隊卻展示出，光憑藉一個小得令人難以置信的神經網絡，就能朝這種進階功能邁進一步，甚至只需占蠕蟲用來蠕動所需容量的一小部分。透過觀察並完全掌握他們能找到最單純、最不複雜的神經系統，並且徹底理解其運作方式，他們成功找出了某些特徵，使人工智慧得以更進一步接近複製最複雜的神經系統。他們從簡單之處起步，卻達成了複雜的目標：將研究領域縮小到一塊畫布般的大小，藉此在其中分離出關鍵的行為與特徵。在這個過程裡，他們掌握了科學界的永恆真理之一：各種發現多半發源自觀察，包含察覺趨勢、注意異常現象，並找出能夠跨情境轉移的要素。全球最先進的科學進展，經常始於人類最單純且最基礎的技能，那就是張開眼睛，觀察身旁事物，然後對眼前所見有所質疑。科學始於觀察這個觀念，可說是非常直白。
