▍思考框架是創造力背後的推手

我們心中，本來就有各式各樣的思考框架，我們思考的方式就是如此。這些思考框架有的簡單、有的複雜，有的精確、有的粗略，有的美麗、也有的邪惡。但不論如何，都會呈現現實的某些面向，協助我們提出解釋、抓住重點，做出決定。

例如，民主制度是一種思考框架，而君主制度也是一種思考框架。在商業產業上，精實生產（lean manufacturing）是一種思考框架，OKR（objectives and key results，即「目標與關鍵結果」，因英特爾與谷歌的先後採用而聲名大噪）也是一種思考框架。宗教是一種思考框架，世俗人文主義（也就是不信神的道德觀）也是一種思考框架。法治是一種思考框架，「強權即公理」也是一種思考框架。種族平等是一種思考框架，種族主義也是一種思考框架。

在我們的種種推理上，思考框架不但是重要基礎，而且應用極為廣泛。近幾十年間，從哲學到神經科學，各式各樣的領域都曾研究人類的思考框架，只是用來描述的術語有所不同，包括：模板、抽象概念、再現（representation）、基模等等。

時至今日，不論是硬科學或社會科學領域，多半都已經接受「人類透過心智模型來思考」的概念。只不過，這其實是相對晚近的概念。在二十世紀初，多半還只有哲學家在思考「人類如何思考」的問題。佛洛伊德對大腦的奧祕深感興趣，但他是當時的例外，而非常態。到了兩次世界大戰之間，像是卡西勒和維根斯坦等哲學家，則是以心智所操縱的符號與語詞為基礎，以此來認識心智。這確實是邁出了一步，讓人以更理性的方式來瞭解「認知」，但一切仍然只是理論，沒有實證。

等到第二次世界大戰之後，開始有實證科學家研究人類的心智—心理學家接手哲學家的研究，特別是開始思考大腦內部的認知過程。一開始，學者認為認知過程就像是嚴格的邏輯運算，但實證研究並無法支持這種論點。大約在1970 年代，「心智模型」的概念開始流行，眾人也開始認為人類的推理並非邏輯形式的運作，而更像是在模擬現實：我們評估各種選項的方式，是去想像可能發生的種種情況。

如今，這種觀點已經由許多心理學家與認知科學家經過眾多實驗得到證明。近年來，由於功能性磁振造影（fMRI）能夠即時視覺化呈現受試者的腦部活動，就連神經科學也踏入了這項研究領域。舉例來說，研究顯示，人類構思未來的時候，會啟動那些和空間認知與3D 思考相關的大腦區域。可以說，其實就是在有目的、刻意的做夢。

這項研究成果，讓我們對人類如何思考的理解，開始默默改變，瞭解了心智模型是人類認知的基本構件。不論我們任何的所見、所知、所感、所信，都始於我們對宇宙萬物的思考方式。我們如何理解世界，會受到我們「相信」世界如何運作所影響，包括：事情為何會發生、未來會如何發展，以及如果我們採取行動之後又會如何。

.

▍「解釋」帶來的好處

因果框架要求一切必須有說得通的解釋，這點除了讓我們得以歸納類推，也讓我們得以學習。這是一項重要特點，而且也是一項相對較新的發現。一般來說，學習是發生在得到資訊的時候—聽到老師講課、看到書上的描述、或是學徒動手修修補補的時候。但在做因果解釋的時候，那位提供資訊和解釋的人其實也在學習。這項觀點是由普林斯頓大學心理學教授倫布羅佐（TaniaLombrozo）提出，她是這個學術領域的熠熠新星，引領著一套關於「解釋」機制的新科學。

倫布羅佐從大學時期開始，就發現不論在心理學、社會學、哲學，處處可見關於解釋的想法。雖然這似乎就明擺在眼前，但事實證明，關於「解釋」這件事本身，科學界的研究都還不夠深入。舉例來說，為什麼我們會覺得某些事值得解釋、又有某些事不值得解釋？解釋能讓我們如何有所成就，或者如何讓人誤入歧途？倫布羅佐的研究從心理學和哲學出發，填補了一些我們關於解釋的知識空白。

倫布羅佐對於「透過解釋而學習」的研究，就是一個很好的例子。在實驗中，倫布羅佐請成年受試者看看兩群來自外星的機器人，分別名為glorp 和drent。兩群機器人各有不同的顏色、體型、腳部形狀的特徵，但受試者並不知道真正的重要區別是哪一項。實驗人員請一半的受試者去描述glorp 和drent 各有何特徵，而另一半則是要解釋glorp 和drent 各有何特徵。（兩群機器人都很可愛，但是真正區分的重點並不在於顏色或體型，而在於腳部的形狀。）

結果如何？比起那些只需要描述而不需要解釋的人，那些必須提出解釋的受試者，在找出真正區別之處的表現，明顯高出一截。倫布羅佐做了很多次實驗，結果都類似。她甚至也對小孩做了實驗，結果一樣：如果要小孩提出因果解釋，他們的表現就會更棒。

讓我們把這點再拉回來討論思考框架：我們用因果框架來解釋這個世界的時候，其實就是在學習，因此我們會更瞭解這個世界，我們也能產生更深入、更準確的見解。而且，向別人解釋這個世界，也能讓自己更瞭解這個世界。這項發現對教育和育兒來說，具有直接的意義：記得要小孩解釋他們推論的過程，而不只是要他們給答案。（這或許也有演化上的意義：比起其他不去解釋這個世界的動物，人類透過解釋的機制，也就學得更快、學得更多。）

這件事能帶來的好處，絕不只是知道怎麼區分glorp 和drent而已。人類從最早的時候，就開始想像出各種秩序的概念，在群星當中勾勒眾神的身形，將各種物種加以分類。小孩會花上幾小時，分類排列著自己的小車車、小布偶、樂高積木，還有萬聖節糖果（直到爸媽半夜偷偷來吃掉）。這種分類和重新分類的動作，靠的就是我們取得抽象概念、進行歸納類推的能力。

要是少了取得抽象概念的能力，我們就會覺得自己碰到的一切都是完全陌生，沒有任何一般法則能夠告訴我們該怎麼做。

.

以上文字摘自
《#造局者》
思考框架的威力
Framers: Human Advantage in an Age of Technology and Turmoil
.
作者：庫基耶, 麥爾荀伯格, 德菲爾利科德

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

各位朋友好：

昨天在贈書直播中，談到用過去經驗類比現在或未來未知的處境，是大腦很重要的工作。說真的，這項能力對我們活下來真的幫助很大。

然而，我們昨天也提到，這種思考慣性同時也造成了某些限制。尤其過去經驗本來就比較偏頗，這種慣性要調整，就必須經過有意識的自我教育。

「思考特定議題的時候，我腦海裡如果浮現越多人的立場，最後得到的結論就越讓人信服。」～漢娜鄂蘭

版面上的朋友們，因為常閱讀不同作者的智慧，所以特別能進行討論。這其實更有利於我們看到不同人的觀點，並且選擇適合我們的思考方式，而不只是因循故舊。

今天晚上沒有直播，明天晚上的直播，會再談談傳統教養跟自我傷害的關係。這實在是一種沉重的話題，錯用思考框架，讓我們代代相傳著創傷。

祝願您，能充實我們的思考框架庫，這是能有多元選擇的基礎之一！

✍ 線上課程介紹：現代人工智慧精修班: 建構 6 個專案

人工智慧( AI )是一門使電腦能夠模仿人類智慧的科學，例如決策、推理、文字處理和視覺化概念。人工智慧是一個更廣泛的一般領域，涉及幾個子領域，如機器學習、機器人學和電腦視覺。

為了讓公司變得更有競爭力，並且快速增長，他們需要利用人工智慧的力量來改進流程、降低成本和增加收入。如今，人工智慧在許多領域得到了廣泛的應用，從銀行業到醫療保健、交通運輸和技術等各個行業都在進行轉型。

近年來，人工智慧人才的需求呈指數級增長，而且不再侷限於矽谷！Forbes 雜誌稱，人工智慧技術是 2020 年最受歡迎的技術之一。

本課程的目的是以一種實用、簡單和有趣的方式提供你現代人工智慧應用的關鍵方面的知識。本課程提供學生運用真實世界資料集的實際動手經驗。本課程涵蓋了許多新的主題和應用，如 Emotion AI (情緒人工智慧)、Explainable AI (可解釋的人工智慧)、Creative AI( 創造性人工智慧 )，以及應用在醫療、商業和金融領域的 AI用。

本課程的一個主要特色是我們將使用 Tensorflow 2.0 和 AWS SageMaker 來培訓和部署模型。此外，我們將涵蓋 AI/ML 工作流程的各種元素，包括模型建立、培訓、超參數調整和部署。此外，本課程經過精心設計，涵蓋了諸如機器學習、深度學習和電腦視覺等人工智慧的關鍵技術。

以下是我們將要做的專案摘要:

✅ 專案 #1( Emotion AI): : 情緒分類和基於人工智慧的關鍵人臉點檢測( Facial Points Detection )
✅ 專案 #2(應用在醫療保健中的 AI ) : 使用人工智慧檢測和定位腦腫瘤
✅ 專案 #3(應用在商業/市場行銷的 AI ) : 使用自動編碼器和非監督式學習演算法進行商城客戶區隔( Segmentation )
✅ 專案 #4(應用在商業/金融的 AI ): 使用 AWS SageMaker 的 XG-Boost 演算法( 自動駕駛，AutoPilot )預測信用卡違約
✅ 專案 #5( Creative AI ) : 人工智慧創造藝術作品
✅ 專案 #6( Explainable AI): 使用 GradCam 揭示人工智慧的黑盒特性並可視化隱藏層

對此課程有興趣，請參考底下留言區

從火星探測系統到輔助工業製程，美國工業用 AI 新創 Beyond Limits 如何在台灣做到技術在地化應用？

李佳樺 2021/08/13

從2012 年美國太空總署成功將探測車「好奇號」送上火星至今，已經過了3000多個「火星日」，肩負著火星探測的重要任務，8年來好奇號傳回許多對火星的重要觀察與發現。背後更不為人知的，則是好奇號的 AI 運算系統，其實是由美國新創 Beyond Limits 的團隊建立的，公司發展至今也將觸角伸到能源、先進製造等產業，建立 SaaS 服務，為產業提供 AI 輔助平台，2020 年更獲得 1.3 億美元的投資，拓點到台灣、日本、新加坡、香港等地。

Beyond Limits 將 AI 應用到產業製程的契機，源自於當時跨國石油集團 BP 在墨西哥灣發生的漏油事件，企業希望導入 AI 優化決策過程，合作中也發現了石化能源產業的痛點，研發出石油配方建議系統、石油製程操作檢引系統等 SaaS 產品，不僅受到美國石油公司歡迎，日本市場也買單。

有了日本的先例，這套美國研發出的產品，照理說要拓展到亞洲市場應該不成問題，不料到了台灣卻窒礙難行，甚至需要重新開發不同的產品。

Beyond Limits 的台灣團隊究竟面臨了什麼挑戰？

台灣市場與美國差異大，Beyond Limits 台灣團隊必須如創業般從頭研發產品

台灣分公司總經理張中宜說明，台灣產業的先天特性，讓美國母公司已開發的產品都面臨市場可行性低落的問題，以石油產業的產品舉例，在台灣只有中油、台塑兩個客戶，且台灣的石油公司並不做研發工作，多半直接向國外公司購買配方，因此團隊必須在美國 SaaS 模式 的技術基礎下，研發出符合台灣市場、針對不同產業需求的商品。

「Beyond Limits 在台灣設立公司時的處境，跟重新創業差不多。」張中宜表示，AI 應用產品的開發不僅需要能夠從零開始寫演算法的工程師，也要有懂產業製程的專家團隊，龐大的研發費用與對產業專家的需求，讓每一次產品開發都像募資活動，團隊必須透過產業訪談做足市場研究找到痛點，說服製造公司與他們合作開發能解決產業問題的軟體。

然而開發全新市場對張中宜來說並不陌生。

她曾經在孟加拉創立幫助偏遠地區孩童課輔的非營利組織 e-Education ，第一年就讓偏鄉學子考上孟國最高學府卡達大學，更順勢搭上鼓勵企業與 NPO 合作的開放式創新風潮，讓卡西歐、 AI 新創、安永都找她擔任顧問，執行戰略布局或開發新通路的工作，面對 Beyond Limits 在台灣的難題，團隊選擇了電動車電池研發、面板機器手臂維修與人流異常預警系統等三個產業切入。

延伸既有美國產品技術，尋找合適的台灣在地產業切入開發產品
選擇電動車電池產業與 Beyond Limits 在美國石油產業的經驗有關，研發電池的過程與石油廠研發機油的邏輯相似，痛點都在於漫長的研發過程，就像做菜時要多次嘗試才會知道多少的鹽與油才是最佳的調配一樣，電池配方更要經歷至少半年的實驗，且實驗設計也要在無數次團隊與客戶的交鋒後才能成型，溝通成本相當高昂。

使用 Beyond Limits 導入認知 AI 架構的電池配方建議系統，研發人員只要以自然語言輸入期望的電池規格、價格與電車轉速，系統即可在 43 分鐘內提供數百種配方與實驗方式供選擇，縮短約 2 千倍的研發時間。

Beyond Limits 也在 7 月 29 日宣布與日本的三井物產公司進行策略結盟，以其認知 AI 的核心技術，協助三井投資的液化天然氣廠進行巨量資料分析，並整合作業人員專業知識與數位化作業模式，制定出精簡有效率的解決方案。日本三井整合數位策略部部長常務董事真野雄司氏說，透過與 Beyond Limits 的合作可以改善與再造營運流程，更有效率執行現有事業群的高附加價值項目。

另外，Beyond Limits基於公司在美國既有的輔助風電機維修平台，投入面板機器手臂維修建議系統的開發，「雖然也想在台灣用同一套產品幫助風電產業，也與風電廠陸續接洽，但台灣的風電仍在建設階段，缺乏營運經驗，目前的維修需求也不高。」張中宜談到，市場開發的大方向是要在台灣尋找具備預測維修需求，且市場密集、成熟的產業，公司在與投資人仁寶電腦的合作中，發現光電面板產線中機器手臂的維修概念與風機維修類似，而且痛點也類似：包含高昂的維修成本、未經標準化的維修流程，以及依賴經驗的維修決策。

目前輔助維修系統正與日本機器手臂原廠合作開發，由廠商提供維修資料與產業專家， Beyond Limits 透過 AI 分析維修數據，建立資料背後的邏輯推演，系統最終能判斷機器損壞的原因，並建議耗材種類與維修方式。從管理者的角度能降低維修、備料倉儲成本，對維修人員來說也有可依循的維修建議，長遠更能累積產業知識 ( domain know-how ) ，促進升級。

以邊緣運算技術，與北捷合作開發人流異常預警系統

而將技術從太空拉回到地面，Beyond Limits 也能在大眾運輸犯罪預警上有所發揮。他們與北捷合作，使用等同於在火星探測時、消弭與地球時差的邊緣運算技術，原理是透過分散式的運算提升效率，達成在監控系統的邊緣節點就進行異常人流的辨別，降低反應時間落差。

張中宜舉例，正常的人流像是乘客擠進車廂內的固定位置，開始滑手機，異常的人流可能是人群往四面八方散去，產生快速移動的樣態，異常訊息可以在 10 秒內將送到中控室，大幅縮減以往需要 4 分鐘以上的訊號傳輸時間，也能避免踩到人臉辨識的紅線，未來希望擴張應用到大樓監控，或是銷往他國的大眾運輸系統。

源自NASA，認知型AI成為技術優勢與門檻

與其他單純使用機器學習技術分類數據並預測結果的數值 AI 系統不同，Beyond Limits 的 AI 服務融合了數值 AI 與符號 AI ，前者的數值 AI 是透過大量數據讓模型認知「此為何物」，而符號 AI 則是藉由邏輯定義數值 AI 判斷的結果是好還是壞，並加以做出決策與判斷，以電池配方為例，將實驗室過去的實驗數據導入數值 AI 系統後，會得出樹種配方組合，再藉由符號 AI 判斷個配方辦法的優劣，並給予客戶回饋與建議。藉由結合數值 AI 與符號 AI 兩大系統的結合，讓人工智慧的每項建議都能以人類可理解的思路解釋，輔助人類做最後決策，也使人機協作的製程模式成為可能。

對於這項技術，張中宜表示這其實是源自於 NASA 將探測器「好奇號」送上火星後，由於火星與地球之間的數值傳遞有時間差，人類基本上不可能遙控好奇號，而且火星上的數據在這之前是 0，所以數值 AI 也無法運作，為了能夠讓好奇號自行在火星上探測與行動，勢必須要模擬人類大腦的認知型 AI 系統，當時才會開發出符號 AI。

根據研究報告，2025 年工業用 AI 規模將達 160 億美元，其應用開發仍具高度可能性，Beyond Limits 在台灣也希望更全面地研發產品打進該市場。除了正在培養市場的風電產業外，未來也希望協助優化晶圓半導體產業的製程，團隊更積極與社會、產業溝通，讓社會了解 AI 進入產業能讓人類更有餘力進行創意發想與決策，也讓產業正視轉型需求，近期將與台灣新創基地合作舉辦 AI 科普講座，持續促進製造業的人機共榮合作。

創業快問快答

Q：服務的創意來源，是因為發生甚麼事情而有這樣的想法？

A：台灣數位轉型瓶頸

Q：創業至今，做得最好的三件事為何？

A：用國際薪資招聘頂尖人才、台灣市場國際定位清楚、客戶分潤共創模式的商業模式

Q：要達到下一步目標，團隊目前缺乏的資源是？

A：能見度

附圖：BeyondLimits 台灣總經理 張中宜
Beyond Limits 以數值AI及符號AI兩大關鍵技術，達到人機互補智能
圖片來源 : Beyond Limits
擠捷運
圖片來源 : diGital Sennin on Unsplash
圖說：BeyondLimits Hybrid AI導入流程說明
BeyondLimits Hybrid AI導入流程說明
圖片來源 : BeyondLimits

資料來源：https://meet.bnext.com.tw/articles/view/47993?fbclid=IwAR2HbB5FrPIBoV9kDL27OnhNF-JDNzfYdsoLoVKn85yAA7GUjzDzI3y5Lw0

「孫在陽」直播-國立陽明交通大學-數據科學之視覺化分析
大數據利用時間的特性，以統計圖表呈現分析結果，以然成為一種企業尋找管理策略的方法。商業智慧的成功，當然也可以促成醫學智慧的成功。
孫在陽老師主講，[email protected]
範例、講義下載：https://goo.gl/ytzRxT

時間軸
00:00:00 PPT簡報實務應用簡介
00:03:09 建立模型
00:03:54 依統計目的的圖表設計
00:10:40 ICD 9:434.90 屬於 TIA
00:14:32 依疾病碼做腦中分疾病分類
00:20:50 建立標題
00:21:23 01.ICD比例統計
00:26:20 02.ICD次數統計
00:28:30 視覺化
00:32:16 加入時間特性做連續型分析
00:49:20 自動分析
00:54:35 知識
01:01:14 關鍵影響因數
01:50:01 分解樹

「孫在陽」直播-長榮大學-視覺化分析-2.自動分析
大數據分析中的數據清理，關乎於大數據分析成敗關鍵。轉置、樞紐、文字清理、數字清理、日期清理等，遺漏值、異常值、雜訊等數據清理。讓數據不是垃圾，就必需做好數據清理。商業智慧的自動化分析，讓數據背後的意義，直接呈現。
孫在陽老師主講，[email protected]
範例、講義下載：https://goo.gl/ytzRxT

時間軸
00:00 複習資料清理
01:00 地區國家資料清理
03:09 日期資料清理
20:53 建立模型

「孫在陽」直播-致理科大-外貿數據應用分析-視覺化分析
中華民國貿易順差還是逆差，讓我們來看近十年進出口的比較與分析。大數據分析中的數據清理，關乎於大數據分析成敗關鍵。轉置、樞紐、文字清理、數字清理、日期清理等，遺漏值、異常值、雜訊等數據清理。讓數據不是垃圾，就必需做好數據清理。
孫在陽老師主講，[email protected]
範例、講義下載：https://goo.gl/ytzRxT

時間軸
00:00 複習資料清理
01:00 地區國家資料清理
03:09 日期資料清理
20:53 建立模型