Mr./Ms. Days (MMDays) - 網路, 資訊, 觀察, 生活

Posted By Mr. Thursday
由匹茲堡大學 (University of Pittsburgh) 和卡內基美隆大學 (Carnegie Mellon University) 的研究團隊所做的研究，把電極插到猴子的頭腦裡面，接著用電腦分析讀取電極傳出來的大腦訊號，轉換成機械手臂移動的指令，猴子便能夠用「想」的，移動機械手臂來自行拿取食物來吃。讓我們先看一下 DEMO 的影片。

這個研究如果將來技術成熟之後，可以應用在一些癱瘓病人身上。他們大腦裡面負責運動的區域可能還是好的，但是運動的肢體像是手臂等等，可能已經無法使用，這個時候就可以用機械手臂來取代，並且透過電及和電腦分析，讓使用者可以用意念，來指揮機械手臂。
目前比較困難的是，研究人員發現插進大腦的電極 (electrode) 在幾個月之後就會無法使用，因此這部分還有待突破。然而大腦運動區域訊號的分析，則是已經有顯著進展，只要先有一小段訓練時間，電腦就可以慢慢了解猴子移動手臂往上、往下、往前、往後、往左、往右、開始、停等訊號。
此外，我個人的觀察是，首先，因為運動神經在腦幹 (brain stem) 的區域會左右交換，因此影片中猴子右手一邊在動，但是我猜他們放置電極的地方可能是左腦的運動區。其次，運動訊號主要就是從大腦的主要運動皮質 (primary motor cortex) 區域裡面，負責手臂運動的地方的訊號來分析。不過不知道如果加上小腦 (cerebellum) 的訊號，會不會讓效果更好？因為小腦主要就是對運動進行微調，負責無意識的運動調節學習 (adapt)。
大腦的運動區域對身體的分佈，可以參考大腦一日遊裡面的這一張圖的說明：

左邊是主要感覺區的分佈，右邊是主要運動區 (primary motor cortex) 的分佈，臉部無論是感覺或是運動，都佔了很大的比例，代表對臉部的感覺和運動很細膩，需要比較大的區域來處理或產生訊號。另外，皮質區 (cortex) 是有意識的資訊的處理，訊號離開大腦後，會延著腦幹，往脊隨 (spinal cord) 的方向傳遞，中間會經過小腦，也會隨著訊息的目的地在不同的地方左右互換，這部分滿複雜，可能要重新複習一下課本才會記得，有興趣的讀者在繼續深究這一部分吧！

Read Full Post »

Posted by Mr. Friday
請注意：本篇文章只是試圖提出問題與一些個人觀察，並沒有提供絕對的答案。如果你是正在選擇未來人生方向的學生，本篇或許可以當作參考，但是未來的人生方向，還是要你自己決定。
七月到了，又即將是大學聯招榜單揭曉，眾多高中學子邊徬徨著選擇未來方向的時候。每到了這個時節，理工科出生的我總又會開始聽見叔叔阿姨的擔心：「哎呀我家小明不知道能不能考上XX學校」、「ㄟ那個XXX啊，你不是念OO科系嗎？工作好不好找啊，有沒有錢途啊？」、「啊材料/生機還是那個??系是在作什麼的？物理系出來要作什麼，怎麼排名那麼前面？」、「啊資工跟資管是有什麼差別？」
講到這裡，MMDays的讀者多以資訊類相關為主，考一下大家的記憶力，看看誰還記得十年前的理工組大學志願排行？

Read Full Post »

社交網路(Social Network)是Mr. Wednesday深感興趣的研究主題。隨著Web2.0概念的興起，社交網站也蓬勃發展，社交網站不只是單純的交友網站，社交網路也不只存在於Facebook這一類的社交網站中，目前網路上比較熱門的社會性網路服務大致上分成幾類：

* 社交網站，例如Facebook，LinkedIn
* 網誌，例如Wordpress，Blogger，無名
* 微網誌，例如Twitter，Jaiku
* 社會化新聞聚合，例如Digg，FunP
* 社會化書籤，例如Del.icio.us

全部只有這幾類嗎？當然不只，人的參與讓網路世界越來越好玩，越來越多網路服務都開始帶有社會化的味道，也越來越多新型態的社會化網路服務被開發出來。《社交網路收集與研究》這個部落格會是我個人作為收集相關資料的地方，特別獨立出來。如果你發現了什麼好玩的社交網路服務，也請你分享給我，我也會在這個部落格上分享我觀察的社交網路服務，研究與技術應用心得。

Read Full Post »

Posted By Mr. Thursday
有一家專門製作生醫動畫的公司 Hybrid Medical Animation 在2007年的時候贏得了 Aurora Awards。他們把各種醫學微觀現象作成電腦動畫，像是血管內的動畫、藥物殺死癌細胞的動畫、或是細胞分裂過程的動畫。動畫非常精美，也生動地描述了顯微鏡底下才看得到的各種細胞活動情形。下面就挑選幾個給各位先觀賞，有興趣的可以在他們的網頁觀賞更高畫質的 FLASH 影片。
第一部是贏得白金獎的影片(1分30秒)。

內容敘述一種藥物 Rexin-G，可以穿透癌細胞，並且攜帶特製的基因進入癌細胞，讓癌細胞啟動自我消滅的迴路 (Programmed Cell Death)。

Read Full Post »

Posted by Mr. Saturday
我相信很多人都跟我有一樣的感覺，這個世界被搞得太複雜了，以致於我們是被科技和無限量的資訊推著走，人們的時間隨著科技的進步居然是越來越少，越來越沒有辦法享受有品質的人生，我們每天 焦慮地吸收資訊，閱讀書報以及網路新聞，深怕自己成為資訊時代的局外人，可是到頭來卻發現：在我們自己真正把這些資訊組織起來之前，我們又得趕快去吸收剛剛湧進來的新聞和知識了，雖說書到用 時方恨少，書讀得多了，毫無疑問知識會有所增長，但是在這一個書永遠讀不完的時代，化繁為簡的功夫，卻是很多人忽略的地方。有的時候，簡化和過濾你手邊的資訊，會讓你更能掌握重點，也能讓這些資訊發揮更大的效益，不僅讀書如此，世界上其他許多領域也是有相同的概念。正好最近我又受到了幾本好書的啟發，因此寫下了這篇文章，除了簡單談談一些四處可見的化繁為簡的案例，也同時作為自己的一個反思。

Read Full Post »

Posted By Mr. Thursday
在本體論: 讓舉一反三變得可能裡面提到了機器在規則上面的學習，本體論 (ontology)是一件重要的事情，因為有了ontology，機器可以舉一反三，一件事情學習一次，可以以此類推到其他相同性質的事情上面，就如同我們第一堂數學課，學過了一顆蘋果加上一顆蘋果等於兩顆蘋果，考試的時候問一顆橘子加上一顆橘子等於幾顆橘子，我們知道是兩顆橘子，因為我們學到的是一個抽象後的規則： 1 + 1 = 2 ，不會因為蘋果換成橘子，就無法變通。
早期的人工智慧系統，是從邏輯出發，把外在的世界，轉換成一句一句的邏輯規則。或許我們會想問，為甚麼要用邏輯來表示外在世界呢？我們的大腦是用邏輯來處理事情嗎？首先，邏輯 (logic) 可以保證 sound and complete。甚麼又是 sound and complete呢？或許西方的法院裡面，證人作證之前，會先發誓說：I will tell the truth, the whole truth, nothing but the truth. (我會說實話，全部的真話，除了真話以外的都不說。) 因此 complete (完備) 就像是裡面所說的，「全部」的真話，不是部份的真話。sound (可靠) 就像是證人說的，「真話以外」都不說。因此我們如果使用邏輯內在表示法，來表示外在的真實世界，我們進行推理的時候，就不會推理出不會發生的事情。然而真實世界非常複雜，一滴雨滴從天上掉下來，中間溫度的變化，空氣摩擦力，地心引力，旁邊的雨滴，有許多的因素 (factor) 可以影響最後雨滴的位置。我們如果要用邏輯推理，前提的部分可能就要考慮所有可能的因素，才能保證我們用邏輯寫下來的規則，是真實的。
近代人工智慧系統，則是用機率表示法，加上統計對觀察資料的處理，來表示外在的世界。機率不會保證一個規則的sound and complete，但是會給這個規則一個機率值。如果機率值是0.7，代表說如果用了這個規則，100次裡面會有70次正確。或是說，如果有100次機會，70次用這個規則，會有最好的結果。再舉一個例子來說，今天我的手對著一把刀片揮下去，會被砍出一個傷口。我們就學一個規則：比手硬的東西，揮下去會受傷。但是一片硬的牆壁，手揮下去卻又沒有傷口，我們只好修改一下邏輯規則：比手硬，又尖尖的東西，揮下去會受傷。可是一堆沙堆出來一個刀片形狀，手揮下去，是沙堆破掉手沒有事情。因此對於邏輯系統來說，總是會一直出現「例外」，前提必須要不斷修改，才能保證整個規則的真實性。機率表示法來說，就是把例外當成可能發生的事情，「比手硬的東西，揮下去會受傷」的機率是0.8等等，剩下0.2的機率就是那些例外。不過機率也不全然是隨便給定，沒有真實的參考價值，也是要滿足一些基本條件，像是所有事件的機率加起來等於1等限制，因此可以證明如果照著算出來的機率值來行動，可以得到最好的期望值。
但是，除了邏輯和機率這兩種內在表示法，是否就沒有其他表示法，可以保證推理結果的真實性，又能夠處理真實世界複雜的各種因果關係，讓我們繼續活下去呢？或是說，怎樣子讓電腦計算機，可以像人類一樣，舉一反三，能夠化整為零，察覺到最細微的關鍵變化，又能夠「見樹又見林」，知道各個部分之間的關聯性，對整個全局 (big picture) 能夠有所了解呢？在這邊我想提出一個想法，就是「化整為零」。

Read Full Post »

Posted By Mr. Thursday
子曰:「舉一隅不以三隅反，則不復也。」所謂舉一反三，就是可以靈活應用已經學過的規則，在新的情況上面。譬如說，第一堂數學課，可能會教到一顆蘋果加上一顆蘋果，等於兩顆蘋果，但是考試的時候問到，一顆橘子加上一顆橘子，等於幾顆橘子？這個時候我們不會因為蘋果變成橘子，就忘記後面一個抽象化的規則：1 + 1 = 2 。因此，舉一反三就是能夠把經驗歸納成一個規則來表示，但是這個規則是一條具有彈性的規則，可以在適當的情況下拿出來應用，即使現在面對的情況和過去遇到的經驗有些微不同，譬如說蘋果變成橘子，但是我們可以把經驗抽象萃取出來的規則，靈活運用在新的情況上面，因此一顆橘子加一顆橘子，就如同一顆蘋果加上一顆蘋果一樣，答案是兩顆橘子。
對於人類來說，舉一反三在某些領域，人類表現得不錯，然而電腦計算機來說，舉一反三仍舊是人工智慧的一個瓶頸，主要的問題，我想本體論的學習與維持，是其中一環。接下來我就分別就「規則」、「本體論」，分別介紹和討論，一起探討如果要讓計算機和人一樣，可以舉一反三，有哪些困難，又有哪些可能的解決方法？

Read Full Post »

Posted By Mr. Thursday
我們的大腦複雜無比，裡面的神經網路錯綜複雜，也因此讓我們能夠表現智慧的行為。現今一些人工智慧 (AI: Artificial Intelligence) 的問題，或許可以透過參考人腦的神經網路，來設計一個可以處理視覺、聽覺、文字等資訊的人工智慧系統。除此之外，如果還能夠像人類一樣，能夠自我調整、自我學習，儘量減少人類對系統直接的調整，是最好的了。然而人腦的神經網路，又是如何自我學習、自我調整呢？今天就先和各位分享神經網路調整的兩種方法：海扁學習和STDP，並且另外介紹神經網路同步化 (synchronized)和同多步 (polychrnous)的模型，進一步探討可能的神經網路模式，或許對人工智慧自我學習的方法上，也能提供一些參考！
Hebbian Learning
Donald O. Hebb (1904 - 1985) 是一位神經心理學家 (圖1 Donald O. Hebb)，他對神經網路最重要的一個貢獻，就是 Hebbian Learning ，在這邊我就暫且先翻譯成 海扁學習法。甚麼是海扁學習法呢？海扁學習是在學習甚麼東西呢？首先，讓我們先回憶一下，我們的大腦裡面，是由許許多多的神經元 (neuron) 所組成，神經元和神經元之間，有著連結，叫做神經鍵結 (synapse)。神經元和神經鍵結整個形成一個網路，可以讓神經訊號到處傳遞，就稱為一個神經網路 (neural network)。
我們外在的行為，就是因為神經網路接受了刺激，處理之後產生了反應。然而從刺激到反應之間訊號如何被處理、被轉換，讓我們的行為表現出有智慧的樣子呢？這就牽涉到神經元之間的連結了，因為某些神經元之間連結弱一點，某些神經元之間的連結強一點，我們就可以針對不同的刺激，產生不同的反應，進而表現出智慧的行為。如果我們再縮小範圍來看整個網路裡面的某兩個神經元，接著我們就要問，這兩個神經元之間的連結強度，要怎樣子變強變弱呢？Hebb就針對這個部分提出他的假設，後來也經由許多實驗資料證實，成為海扁學習法了。

Read Full Post »

Posted By Mr. Thursday

圖1 Melodyne聲音編輯軟體
喜歡創作音樂、編輯音樂的朋友有福啦！由Celemony Software公司的 Neubäcker 製作了一套軟體稱為 Melodyne，可以提供比一般音樂編輯軟體更為細膩的編輯方式。一般的音樂編輯軟體可以提供一些音效上的編輯，譬如說速度的變快變慢，譬如說音高的變高變低，譬如說聲音大小變大聲變小聲等等。然而目前這些軟體都是針對「整首曲子」來編輯，也就是說，是整首曲子節奏一起變快變慢，整首曲子音高一起變高變低，整首曲子一起變大聲變小聲。現在這個軟體，因為可以把一首曲子裡面每個音符，一個音符一個音符拆解開來，即使是同一個拍子出來的三個音符，也能夠拆解開來，因此就像上面那張圖一樣，變成一個二維的平面，橫軸是時間軸，縱軸是聲音高低，每一個音符的聲波拆解後就在平面上一個角落確定下來，等待使用者進一步編輯每一個音符。

Read Full Post »

Posted By Mr. Thursday

圖1 Siftables
MIT Media Lab的David Merrill和Jeevan Kalanithi發明了一個互動裝置叫做Siftables。這項裝置是由一堆小正方形所組成，每個小正方形有一個OLED螢幕，藍牙無線傳輸，三個方向軸的加速度偵測器，以及和其他正方形相連接的位置。這些小正方形主要是想提供使用者一些直覺、具體的互動經驗，譬如說沙漏反過來、譬如說攪動咖啡杯、譬如說把液體從一個杯子到到另外一個杯子、譬如說在桌子上面拍一下，棋盤上面的棋子會跟著晃動。這些具體世界的互動經驗，就是Siftables想要提供的經驗，用這種方式來讓使用者存取或是整理資訊，譬如說把相片分類，或是依照不同順序來排列相片。將來如果手機也能在外觀和互動方式上做到這種互動方式，或許也能提供更多有趣的服務。下面就是一段DEMO的影片，內容如上所述：

另外，許多小正方形組合起來的方式，也讓我想到自我組裝的機器人。自我組裝自我修復的能力，也算是人工智慧所追求的目標之一了！

�
參考連結

(Engadget) MIT’s Siftables let you juggle your data… for real
(MIT Media Lab) siftables

Read Full Post »