【二】

續前篇 👉 https://www.facebook.com/raysky.invest/posts/2841627699499769

-

接下來的內容都會以談論「比特幣」為主。

-

先幫沒碰過加幣貨幣的人科普一下：比特幣作為幣圈的「老大哥」，其存在可以作為代表整個幣圈(總經)狀況的指標。就像在股票投資上，一般會用元大 50 來大致代表台灣經濟大盤、標普 500 來大致代表美國經濟大盤、納指 100 來大致代表美國科技股產業大盤。之所以說「大致」，是因為不是 100% 完全代表，但也有足夠代表性。所以今天如果想觀察幣圈大盤狀況，無論你是圈內人或圈外人，第一個可以看、最簡單、最直觀的指標，就是比特幣的價格及漲跌。以資料的角度來說，比特幣也具有一些優點：

🍀 比特幣的歷史夠長(2008 就創立)，有較長時間的資料可以進行(技術/價值)分析。

🍀 比特幣的市值是目前最大的，它的漲跌會牽動其他加密貨幣的表現：當比特幣大漲，大家一起雞犬升天；當比特幣大跌，大家一起睡公園吃大便。

-

所以要講「幣圈」，那討論「比特幣」就具有足夠的代表性了。因此接下來的內容，我都會直接寫「比特幣」，當然大家在腦中要置換成「幣圈」作為同義詞也是可以的。

-

2020-2021年初，比特幣會大漲一波的最重要原因(基本面)，來自於美聯儲 FED 因應疫情開啟了無限 QE (量化寬鬆) 的緣故(又俗稱「大放水」)。當民間被注入大量的熱錢，根據人類的天性，就會自然而然把這些錢投往風險性資產，所以無論是股市(本夢比股)、幣圈，在這段期間內都迎來一波猛爆性肝...我是說上漲。

-

因此我們可以說：「比特幣是風險性資產，其上漲與量化寬鬆(QE)/貨幣供給呈現直接相關。」(如附圖)

-

而根據 6/17 FED 發布的最新六月會議聲明，目前市場大概預估 8、9月美聯儲就會開始討論減少購債了(只是討論，還沒要關注水的水龍頭)，最快年底有可能開始執行縮減購債(也就是把水龍頭轉小一點)，要做到升息的話大概是 2022Q4~2023 年左右，所以到今年年底前，水龍頭有很大的機率還是會繼續開著，最糟也只是先關小一點而已。

📰https://www.wealth.com.tw/home/articles/32300

-

這個資訊，保證了市場上的熱錢還是會繼續湧動到年底，推升比特幣這類風險性資產上漲的基本面沒有被移除，是利多條件，也是支持牛市尚存的必要條件之一。

-

但請留意我的用詞：是「之一」，而非「唯一」。投資不是那麼簡單的事情，尤其做主動投資的時更要小心翼翼且謹慎才行。我的習慣是必須得湊齊多個面向，才能勾勒出一個比較有說服力的推論及樣貌，美股亦然，比特幣這種高風險性的資產更是如此。

-

所以接下來，還有得談呢......

-

(續)👇
https://www.facebook.com/raysky.invest/posts/2843079382687934

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

血鈉濃度與血量的調控
#na
身體總水量（TBW）佔了體重的 60%（40% 細胞內液 ICF，20% 細胞外液 ECF）。ECF 中，血漿量（血量的 55%）佔了體重的 5%，組織間液佔了體重的 15%。

身體總鈉量決定 ECF 量，ECF 量增加（高血量）時體重增加、血壓上升、水腫，ECF 量降低（低血量）時體重減少、血壓下降。血鈉濃度（身體總鈉量/TBW，決定了血漿滲透壓 Posm）決定 ICF 量（低血鈉時 ICF 上升，高血鈉時 ICF 下降）。

膠體滲透壓（蛋白質濃度）決定血量（低蛋白血症時血量下降）。有效血量就是動脈血量，在下列情形時下降（尿鈉 UNa < 10 mEq/L）：低血量、心輸出量下降、動脈擴張（舒張性心衰竭、肝硬化）、低白蛋白血症。

血鈉濃度（Posm）的調控就是 TBW 的調控（水的代謝）：Posm 上升-下降時會刺激-抑制下視丘-腦下垂體後葉製造-分泌抗利尿激素（ADH），提高-減少了 TBW，造成血鈉的下降-上升。

ECF 量（血量）的調控就是身體總鈉量的調控（鈉的代謝）：高-低血量會抑制-刺激主動脈弓/頸動脈/腎臟入球小動脈的壓力感受器-交感神經系統、腎素-皮質醛酮系統，也會刺激-抑制利鈉因子（ANP、BNP）。

無論低血鈉、高血鈉都會有身體總鈉量的下降、正常、上升，亦即血鈉濃度的調控與身體總鈉量的調控是不同的。但是它們會互相影響：身體總鈉量正常時，TBW 上升-下降會降低（SIADH）-提高（尿崩症）血鈉，但是血量的上升-下降比較不明顯；血量（身體總鈉量）上升-下降大於 5-10% 時會抑制-刺激 ADH（影響的程度大於 Posm 對 ADH 的影響，「不鳴則已 ，一鳴驚人」），造成高-低血鈉。有趣的是在一個低血量（或低有效血量）的低血鈉病人，前者刺激的 ADH 分泌會蓋過後者抑制的 ADH 分泌，此現象稱為「非滲透壓性 ADH 分泌」。

以後請用「低血量」取代「脫水」：「脫水」是一個不精確的名詞，它的真正意思是身體總鈉量正常時 TBW 的下降，但是臨床上經常會把它當成「低血量」的同義詞。

中國文字或漢字不難學，只要知道其構造方法就更易掌握，減少讀錯字及寫錯字的問題。例如步行的步字，很多人都會把下方寫成多少的「少」字，現在一齊拆解「步」字的組成，你便會知道為何正字應該是沒有一點。