▍人們渴望刺激與認可，以填補生活中的空檔

我們已經有明確共識，撫摸嬰兒以及對成人施予與之相當的象徵性待遇（認可），都具有生存意義。那問題是，接下來是什麼？日常生活中，人們互相問候完要做什麼？

在「刺激渴望」和「認可渴望」之後，接下來便是「結構渴望」（structure-hunger）。青少年經常面臨的問題是：「（互相問候）接著，你要對她（他）說什麼呢？」不光是青少年，對很多人而言，沒有什麼比社交中斷、一段沉默、空白的時間更令人不舒服。人類的永恆問題是如何安排其清醒的時間。從存在主義的角度來看，社會生活的所有功能都是為了讓人們朝該目標前進而互相幫助。

「時間結構」（time- structuring）的操作方面可稱為「程式」（programming），它有三個方面：物質、社會和個人的。安排時間最常見、最方便、最舒服和最實用的方法，是制定計畫以處理外部現實中的物質：這便是通常所說的「工作」（work）。這種規劃可稱之為「活動」（activity），「工作」這個詞反而不太合適，因為社會精神病學的一般理論應該會認為社交也是工作的一種形式。

「物質程式」（material programming）是為了應對變化無常的外部現實，就這一點而言，物質程式化的活動僅僅是安撫、認可，以及其他複雜的社交形式所產生與發展的條件。物質程式化一開始並不是社交問題，它在本質上以資料處理為基礎。建造一艘船的活動要依靠一連串的測量和評估其可能性，而為了讓建造活動持續進行，在此過程中所發生的任何社交互動都應當處於次要的從屬地位。

「社會程式」（social programming）產生了傳統的儀式性或半儀式性交流。其最主要的判斷標準是能被地方所接納，即通常所謂的「有禮貌」。世界各地的父母都會教他們的孩子要懂禮貌，也就是讓孩子知道如何適當的問候、進食、排泄、求偶和進行哀悼儀式，以及在一段主題式談話中如何表現出進退得宜。這種進退得宜便體現出一個人處理人際關係是否老練或得體，其中有些是普世通用的，有些則具有地域性。通常，正式儀式後面是半儀式性主題式談話，而為了區別，可以將後者稱為「消遣」（pastime）。

隨著人們愈來愈熟悉彼此，將會出現更多「個人程式」（individual programming），結果就會發生「關鍵事例」（incident）。關鍵事例在表面上似乎是偶然出現的，而且當事人也能夠將它們說清楚，但如果仔細考察就會發現，它們往往遵循明確的模式（我們可以對這些模式進行整理、分類），而且有一些潛在規則限制了這些關鍵事例的發展順序。只要大家按照心理遊戲規則玩下去，無論雙方是友好還是敵對，這些規則便持續潛藏，但是一旦有人違背心理遊戲規則，它們就會現身，並且帶來一聲象徵性、口頭上，或者「有法律意義」的大喊：「犯規！」和消遣不同，這樣的發展順序更多基於個人程式而非社會程式，所以我們稱之為「心理遊戲」。家庭生活和婚姻生活，以及各種組織生活，都有可能在年復一年的進行著同一種心理遊戲的不同變體。

「大多數社交活動是由心理遊戲所構成」並不意味著心理遊戲「好玩」或者玩遊戲的人沒有認真參與關係互動。從一方面來說，如同「玩」足球和其他體育「遊戲」有可能一點都不好玩，而且參與者也可能相當嚴肅。人類心理遊戲的本質特徵並不是虛偽的情感，而是將人的情感規則化。一旦出現不合規則的情感，就會施以懲罰。「玩」心理遊戲可以非常嚴肅，甚至嚴肅到具有致命性，但是只有當規則被打破時，才會出現嚴肅的社會制裁。

消遣和心理遊戲，是現實生活中真實親密關係的替代品。因此，我們可以把消遣和心理遊戲視為訂婚，而不是真正的婚姻結合，這也是為什麼它們會展現出一種尖酸的戲劇性特點。當個人（通常是本能）的程式變得更強烈並且人們開始放棄社會模式和隱蔽的動機與限制時，就會出現親密關係。親密關係是唯一能夠完全滿足刺激渴望、認可渴望和結構渴望的方法。它的原型是充滿愛的受孕行為。

結構渴望具有與刺激渴望一樣的生存意義。刺激渴望和認可渴望表達了個體避免感覺饑餓和情感饑餓的需要，缺乏感覺和情感會導致生物退化。結構渴望所表達的需要則是避免無聊，齊克果（Soren Kierkegaard）曾指出，「惡」始於時間未結構化。如果這種未結構化再持續一段時間，無論多久，無聊就會成為情感饑餓的同義詞，並且帶來相同的結果。

一個人獨處時有兩種安排時間的方法：活動和幻想。有的人即使在人群中也有可能維持獨處，每一位學校老師都知道這一點。當個體成為由兩人或多人組成的社會集合的一員時，就有多種結構化時間的方法可供選擇。根據複雜程度，它們是：（1）儀式；（2）消遣；（3）心理遊戲；（4）親密；（5）活動，後者是前四種方式的基礎。

社會集合中，每一個成員都想透過與其他成員交流儘量獲得滿足，愈容易讓人接近並獲得的滿足就愈多，而他的大部分程式化社交都是自動的。由於有些「滿足」（satisfactions）是在諸如自我毀滅這種程式化之下獲得，我們很難用「滿足」一詞的一般意義去理解，所以最好使用更中性的詞來替換，例如「獲益」（gains）或「獲利」（advantages）。

社交接觸的獲益圍繞身體和心理平衡展開。它們與以下因素有關：（1）緩解緊張；（2）避免有害情境；（3）獲得安撫；（4）維持已建立起來的平衡。生理學家、心理學家和精神分析師已經詳細調查和討論了這些因素。若用社會精神病學術語來說，它們可表示為：（1）內在原發獲益（primary internal advantages）；（2）外在原發獲益（primary external advantages）；（3）次級獲益（secondary advantages）；（4）存在需求獲益（existential advantages）。前面三個恰巧與佛洛德所描述的「疾病獲益」（gains from illness）相對應，分別為：內在原發性獲益（internal paranosic gain）、外在原發性獲益（external paranosic gain）和繼發性獲益（epinosic gain）。我們的經驗已顯示，從獲益的角度來考察社交作用要比視其為防禦機制運作更具啟發性也更有用。

.

【註】

安撫（stroke）：一個人對另一個人的認可

伯恩將「安撫」定義為一個人對另一個人的認可，並認為安撫對個體的生理和心理健康不可或缺。現在，物質剝奪、嬰兒依戀以及身體接觸對健康的重要性可能是心理健康領域研究最充分的幾個主題。例如，研究已證明幼兒需要身體安撫來維持生存，但是隨著他們學會用言語和非言語方式來交換安撫，實際的生理安撫已非必需。

.

以上文字摘自
《#溝通分析心理學經典1【人間遊戲】》
拆解日常生活每一個互動、每一段對話中的真實密碼
Games People Play: The Psychology of Human relationships
.
作者：艾瑞克．伯恩（Eric Berne）

... ... ... ... ... ... ... ... ... ... ... ... ... ... ...

各位朋友好：

這是等一下（9/18）晚上9點半贈書直播我要討論的書，抽書三本，歡迎參與。

上面這段摘文讓我用簡化的語言來說明：就是人與人之間透過互動滿足彼此的需要，這過程中會自然而然表現出情感，而情感表達的規則，跟社會文化環境，還有每個人的個性有關。那些透過情感表達規則滿足雙方需要的互動，可以形成一種心理遊戲。

譬如說，有人常要搶占受害者的位置，因為恐懼為自己負責，所以把自己的某些情緒與行為，歸因於加害者的迫害。而被指派的加害者也可能透過這個過程，滿足自己的控制慾。受害者與加害者，都在這樣的互動中，滿足了部分的需要，儘管對彼此不滿，卻沒有覺察背後的動力。當這樣的互動方式固定了，就可能是一種心理遊戲。

「人們為了心理存活就必須獲得安撫，但由於社會及個體內在規則限制了人們自由交換安撫，所以人們普遍缺乏安撫，因此心理遊戲便成為成年人為獲得安撫而展開的權力鬥爭。」

這段引自施坦納（Claude Steiner）的說法，也可以作為補充。

這本書是50年前的經典，所以在閱讀起來會感覺吃力，這是自然。對我來說，這本經典是教科書等級的著作，書裡面有不少概念，含納相當大的知識量，但缺乏足夠的說明，讓讀者能消化明白。這或許要等到下一中譯本出版，才能讓一般讀者抓到個相對清楚的理論樣貌。

祝願您，能覺察自己如何結構時間，意識每段關係中或遠或近的交流，坦承面對自己的生活！

AI 如何為公司創造更多價值？專家：2 個缺陷，要先由人類來修補

2021/05/13
採訪‧撰文
盧廷羲
張凱崴

美國人工智慧國家安全委員會（NSCAI）今年 4 月建議，國防部每年應至少分配 3.4% 的預算投入科技領域，並提撥 80 億美元研發 AI。企業方面，微軟（Microsoft）4 月宣布，將以 197 億美元收購語音辨識開發商紐安斯通訊（Nuance Communications）；後者是雲端與 AI 軟體的先驅。

從企業到國家，都愈來愈重視人工智慧，知道要想辦法運用 AI 創造更好的生活。不過，目前 AI 發展到底處於什麼階段？我們又該如何應用？

美國加州大學洛杉磯分校（UCLA）電腦科學系助理教授張凱崴形容，目前人工智慧技術已經可以幫助人類完成很多事，像是疫情來襲，電腦可以從大數據中篩選條件，自動搜尋、判讀潛在病例，幫助醫生大幅減少檢查時間，但 AI 也並非萬能，要先認知它的局限。他研究如何讓 AI 更符合人性，獲得 2021 年的史隆研究獎（Sloan Research Fellowships）。

AI 局限1. 資料寬廣度不足時，就會複製人類偏見

張凱崴認為，電腦在學習的時候，是依賴「彙整數據資料」來判斷，並沒有真正思考，如果資料來源太狹隘、不夠多元，資料寬廣度不足，電腦判斷就會出現偏差，「你跟電腦講清楚 input（輸入）、output（輸出），提供足夠的數據資料，它可以對應、學得很好，但還有很多面向 AI 做不到。」

舉例來說，亞馬遜（Amazon）2014 年推出智慧音箱（Amazon Echo），使用者口頭下指令給語音助理 Alexa 就能放音樂、查資訊。然而，有些人口音較罕見，或是用字較特殊，智慧音箱的資料庫沒有「不同口音」「不同用詞」的檔案，就可能失靈，這是當前 AI 的其中一大問題。

張凱崴進一步解釋，AI 另一項挑戰是，它無法清楚分辨「不曾出現」與「不能出現」（無法出現）之間的區別，只是從資料統計出要學的東西，無法像人類一樣進行邏輯思辨。

AI 的運作方式，第一步是輸入資料，第二步是分析，但這過程容易出現偏見。例如電腦在理解「總統」這個字，會去看四周有什麼字詞，來學習總統這個詞，由於許多總統都是男性，電腦就會「覺得」總統是男性。

這也是為什麼，如果讓 AI 學習，在它的認知裡，女性「不可能」當美國總統（因為沒有資料紀錄）。「你可以跟人類說，任何職業、性別都是平等的，但對電腦來講，這很困難，」張凱崴說明，一旦資料的寬廣度受限，電腦就容易產生偏見。

就像在自然語言處理（Natural Language Processing，讓電腦把輸入的語言變成有意義的符號）領域，張凱崴說明，AI需要知道代名詞指的是「哪個名詞」，才能運算下去。但如果資料受限，使用男性的「他」，電腦可能判斷這個代名詞是指總統、總理、執行長；但換成女性的「她」，由於數據不足，電腦就會混亂，出現系統性誤差。

他再舉一例，美國人工智慧研究組織 OpenAI 提出「生成式預先訓練」系統（GPT，Generative Pre-training），推出到 GPT3 版本，屬於書寫類 AI，電腦能夠揣測人們說完上一句話，下一句可能會講的句子，自動完成後半段。

好比有人上一句寫下「我正在和教授聊天」，系統可能推導出「我們在研究室討論學術問題」，因為電腦藉由蒐集來的語料資料中判讀出「教授」和「學術」具高度相關。但研究也顯示，GPT2（前一代版本）系統也從資料中學習到許多偏見，像是如果句子前半談論白人男性，系統傾向產生正面評價；如果句子前半是黑人女性，系統竟會產生負面句子。對企業來說，許多組織接觸 AI，想讓它們取代部分工作，首先需要留意資料的廣度、多元性，才能減少電腦犯錯的機會。

AI 局限2. 即便條件相同，也無法每次都做出正確判斷

「其實，現在的 AI 就像一台原型飛機，還缺乏穩定性。」張凱崴說，現行的 AI 就好比萊特兄弟（Wright brothers）剛發明飛機，看似可以做很多有趣的事，但「可以飛」跟「飛得很好」，有一大段落差。

紐西蘭的簽證系統曾鬧出笑話。人們上傳簽證照片，AI 掃描後，確認是不是本人，但當時系統沒有估算到某些亞洲人眼睛比較小，一名亞裔男子被判定「沒有張開眼睛」，因此照片無效。

張凱崴說，在這個例子中，凸顯出 AI 的穩定性不足，「系統沒有考慮到不同人種的差異，很死板地認為你眼睛沒張開。」所謂的缺乏穩定性，指的是 AI 沒辦法在相同條件下，每次都做出正確決策，這也是使用 AI 時，須留意的第二個挑戰。

他再舉例，許多模型可以準確分析，一則影評對電影的評價是正面或負面。然而研究顯示，有時只要將影評中一些字換成同義詞，例如把電影（movie）換成影片（film），或改寫句子，即使意思並未改變，系統卻把原本判斷為正面的影評標註成負面。這顯示AI系統還未真正了解語言的含義。

在設計這些程式時，人們必須注意到 AI 可能有局限，設定的資料範圍要更完整，考慮這些因素，就能減少偏見、落差，進而加強穩定性。

餵指令給 AI 要多元化，嘗試「換句話說」、刻意混淆

經理人雖然不一定具備 AI 方面的專業知識，但只要掌握觀念，再透過 AI 領域專才協助，也能優化系統。張凱崴指出，最直接的方法是，設計 AI 模型時，要把來源群組不同的資料分門別類測試，在測試階段讓群體多元化，並確保不同特色的使用者，用起來都沒有問題。

舉例來說，一套 A 系統擁有來自各地的使用者，如果設計者是台北人，設計系統的思維容易以台北生活為主，很可能因為當地習慣不同，導致花蓮使用者操作不順。

另一個方法，則是用不同的「語意」，去測試 AI 有沒有徹底學會一個概念。例如，有一套餐廳評鑑的 AI 系統，只要蒐集、整理使用者意見，就能判斷每個顧客對於餐廳的評比是高分或低分。那麼要如何確認這套系統的穩定性？張凱崴建議，可以利用「抽換詞面」的方法。

比如，把詞彙換成同義字，再看 AI 是否能運算出相同結果，「你可能會發現，原本評比結果是食物很美味，但如果美味換成比較困難的詞，AI 就會分不出這則評比是好是壞。」因此在訓練模型時，可以將詞彙隨機抽換成同義詞，增加 AI 的詞彙量。

第三種方式更進階：改變句型、重寫句子。張凱崴指出，同樣一句話，如果換成不同說法，電腦可能判讀錯誤，將「因為發生 A 事件，所以導致 B 事件」，改寫成「B 事件發生了，是因為 A 事件的緣故」，明明兩句話意思一樣，但 AI 很可能因為穩定性不足，搞混兩者的差別。如果要鞏固 AI 的穩定性，可以使用自動改寫的方式，增加資料的多樣性。

張凱崴表示，經過這些測試，讓 AI 接受更多元化的訓練，得到更廣的學習範圍，往後碰到同義詞、相似資訊，才能有效判讀。

張凱崴總結，AI 還在快速發展，或許可以創造更多工作機會、新的職位，但現行階段，它只是輔助角色。AI 並非魔術盒子，使用它就一定有更好結果，人們還是要保持高度耐心，先認識它的缺陷，才能在技術更迭下，發揮出最好的結果。

張凱崴

台灣大學資訊工程系碩士、美國伊利諾大學（UIUC）電腦科學博士。美國加州大學洛杉磯分校（UCLA）電腦科學系助理教授，研究領域包括人工智慧、機器學習、自然語言處理。2021 年獲得史隆研究獎（Sloan Research Fellowship），研究團隊開發的運算方法，使人類語言處理的程序更有效率、更多元，同時兼具公平性。

附圖：優化AI系統的3方法

資料來源：https://www.managertoday.com.tw/articles/view/62902?fbclid=IwAR2jI1bhg1anqct0AZZR_3LKKJqIsvG0wz2whSN8iniROZApHt-_qpD7dis

演算法界上演“貓鼠遊戲”連續劇，惡意欺騙與人工智慧的博弈已開始

面對惡意演算法欺騙，人工智慧如何反擊？電腦科學家正在多方尋找對策，以便讓人工智慧更安全。

科技日報 2019/07/03 10:15

文 | 科技日報 張夢然

醫療手術、無人駕駛、圍棋對弈、隨手可用的翻譯……近十年來，人工智慧（AI）取得了巨大進步。而這，要得益於人工神經網路的發展。

這一神經網路的模式，效仿的是我們人類的大腦，在大規模應用時，也被稱為深度學習，其能夠自己發現資料的模式，而無需明確指令。

深度學習雖然可以在大資料訓練中學到正確的工作方法，卻也很容易受到惡意干擾。攻擊者們通常會通過輸入惡意資料來欺騙深度學習模型，導致其出現嚴重故障。

面對惡意演算法欺騙，人工智慧如何反擊？英國《自然》網路版日前的報導稱，現在，電腦科學家正在多方尋找對策，以便讓人工智慧更安全。

AI：我因“學習”而受傷

“學習”，是人工智慧的核心，也是使計算機具有智慧的根本途徑。

深度學習的主旨，是讓電腦去類比或實現人類的學習行為，以獲取新的知識或技能，並重新組織已有的知識結構，使之不斷改善自身的性能。

但同時，深度學習演算法的不可預測性，使其需要不斷挖掘。

對於家庭和個人手機來說，虛擬智慧化助理的應用越普遍，惡意攻擊就越可能隨時發生。有些資訊眼看、耳聽都沒有問題，卻能“暗藏殺機”——隱藏著劫持設備的指令。

舉例來說，人工智慧“看”圖像的模式，和人類的肉眼大不一樣。通過微妙改變圖像的某些部分，再輸入後的圖片即使肉眼看來一模一樣，電腦看起來卻大不相同。這就叫對抗性示例。

除了圖像，聲音也會有同樣的問題，只要修改了一個語音片段，人工智慧就可能修改成完全不同的語音指令。

無需隱身，也能抓住攻擊者

不過，在不久前召開的國際學習表徵會議（ICLR）上，美國伊利諾大學香檳分校的電腦科學家拿出了一種對抗攻擊的方法。

他們編寫的演算法可以轉錄完整的音訊以及單個片段。如果單個片段轉錄出來和完整音訊中的對應部分不完全匹配，那麼演算法會立即用一面小紅旗做出標記，表明音訊樣本可能已遭攻擊。

在攻擊測試中，面對幾種不同類型的修改，該演算法幾乎都檢測到了異常情況。此外，即使攻擊者已經瞭解到有防禦系統的存在，大多數情況下還是會被抓住。

這套演算法擁有令人驚訝的穩定性。谷歌大腦團隊的科學家尼古拉斯•卡林尼評價稱，其最具吸引力之處在於它的“簡單”。另有與會專家認為，隨著對抗性攻擊越來越常見，谷歌助手、亞馬遜和蘋果等服務，都應當應用這種防禦系統。

然而，攻擊和防禦之間，註定是一場持久的“貓鼠遊戲”。卡林尼表示：“我毫不懷疑有人已經在研究如何攻擊這種防禦系統了。”

提前演練，對攻擊免疫

也有的研究團隊在另闢蹊徑。

就在本周，澳大利亞聯邦科學與工業研究組織下屬團隊公開了一套演算法，其通過效仿疫苗接種的思路，幫助人工智慧“修煉”出抗干擾能力。

所謂“疫苗演算法”，就是在識別圖片時，能夠對圖片集合進行微小的修改或使其失真，以激發學習模型“領會”到越來越強的抗干擾能力，並形成相關的自我抗干擾訓練模型。經過此類小規模的失真訓練後，最終的抗干擾訓練模型將更加強大，當真正的攻擊到來之時，機器學習模型將具備“免疫”功能。

這其實是針對深度學習模型專門打造的訓練。因為它會“學習”，所以也會學著糾錯。

郵件篩檢程式：效果不盡人意

郵件篩檢程式真的已經很努力了，但效果並不盡如人意。
這是因為防禦與攻擊總是相伴相生。隨著漏洞越來越多的被察覺，人工智慧擁有更多的防禦能力，惡意攻擊也在不斷進階。

在4月召開的美國系統和機器學習大會（SysML）上，德克薩斯大學奧斯丁分校的電腦科學家們揭示了機器學習演算法在文本理解方面的漏洞。

有些人認為文本不容易被攻擊，因為惡意欺騙可以對圖像或聲音波形進行微調，但改變任何文字都會被察覺。可科學家告訴我們不是這樣。

惡意攻擊會瞄準一些同義詞，文本含義不發生改變，但深度學習演算法卻可能因此而判斷錯誤——垃圾郵件成了安全的，假新聞被合法推送。

科學家們演示了一套惡意攻擊程式，它甚至會檢測文本分類器在判斷是否含有惡意時，最依賴的是哪些詞語。接著，它挑選出關鍵字的同義詞，替換，然後飛速開始測試下一個關鍵字。在這套演算法攻擊下，篩檢程式的準確率急劇下降。

不過，將這些手段公諸於眾，究竟可以提高防禦能力，還是會加劇攻擊手段，目前仍有爭議。此前，已經有AI實驗室拒絕公開一種攻擊演算法，因為擔心它被濫用。

資料來源：https://www.jiemian.com/article/3273741.html

在老布殊的喪禮上，前美國國務卿、白宮幕僚長貝克（James Baker）在悼詞裏讚揚老布殊是a beacon of humility and decency。這裏說的humility是謙虛；至於decency，這字有幾個解法，在這裏是指待人處事的正當品格，很難找到一個完全和它對應的簡單的中文詞語