壽司的常識與非常識：食材、歷史與文化傳承，讓人口齒留香的日本壽司閱見

我大概每兩、三個月會到「爭鮮壽司」報到一次，足見我個人對壽司這項美食的熱愛。而「壽司的常識與非常識」是我在茫茫書海中所找到，非食譜類介紹壽司身世之謎的專書，當下就二話不說掏出錢包，買回家好好閱讀一番，想當個進階的「壽司通」。

作者「重金敦之」在日本是位對飲食文化相當有研究的文藝記者，這個背景也反映在書中的字裡行間。本書共分為四大章，由「壽司店的歷史軌跡」、「壽司食材的四季」、「壽司店的尊嚴和顧客的任性」與「壽司店的未來」組成。縱觀全書，作者在各個主題中都會援引日本文學作品中的字句，來形塑某個時空的氛圍與觀點。然而這樣帶有「濃厚日本味」的地理名詞、文人姓名與作品段落，對於台灣人而言有點對牛對琴。這在講述壽司的源起的第一章中問題最嚴重，常常讓人讀得索然無味如同嚼蠟。

在食材的四季中，主軸圍繞者壽司食材的巨星「鮪魚」。論及鮪魚如何從不受青睞的劣等魚，隨著時空環境的變化，漸漸成為各家壽司店主打的招牌商品。看過「將太的壽司」的人，肯定知道鮪魚從頭到尾都能當成壽司食材，隨著時代演進，食客也從偏好鮪魚紅肉轉向腹肉的懷抱。作者也論及了許多常見的壽司食材，包括了江戶人的最愛鰹魚，以及銀皮魚、貝類、烏賊、星鰻、海苔和壽司醋。

接著焦點轉向和「壽司」相關的觀察與疑問。第一篇就提到了日本人特有的「生魚片信仰」，一語中的地說出了日本飲食文化的「異常」。世界上應該沒有任何民族，像日本人一樣愛吃生食，甚至是崇拜生食到令人啼笑皆非的地步。生魚片不說，能生吃表示鮮度十足，牛肉生吃也不算少見，為了能生吃豬肉，還會特別養出無菌豬。生食炒作到連蔬菜、豆腐等原本就不特意區分生熟的食材，都要標上「某某刺身」來趕流行。後續提到的吃壽司的順序、壽司配什麼酒、炙燒的流行等主題，都是一篇篇風味十足的短文。

最後作者以未來的壽司店為命題，論述了「壽司店」這個獨樹一格的餐飲店型。風靡全球的迴轉壽司和美國反向輸入的加州卷，在在證明了壽司如同Pizza，日本人已無法左右「壽司」未來的演變，它已成為全世界飲食文化的一位要角。傳統和創新的尺度拿捏，最終將由消費者的喜好來決定。

羅輯思維：有種·有趣·有料

 「羅輯思維」一書，是對岸知識網紅的代表性人物「羅振宇」， 匯集其影片內容編印成冊，算是相當有趣的影音內容文字化的嘗試。

我本人是不常接觸對岸的影視娛樂作品，第一次聽到「邏輯思維」這節目，是在茶水間和前同事閒聊時他推薦給我的，之後也未曾特別去點閱過。隨著此節目名聲漸大，台灣出版社出了本「羅輯思維：我懂你的知識焦慮」的繁體書，我才首次體會此人、此節目所提供的知識內容確實是引人入勝，有種特別的魔力。

隔些日子，在市面上又看到有簡體字的相關書藉上架，想說之前的閱讀體驗挺好的，就追加買了三本系列作品，「羅輯思維：有種·有趣·有料」就是其中的一本。

這本書的編排方式有別於傳統書籍，「羅輯思維」除了中間版位留給正文外，側邊還印了一些網友對於影片的評論文字。在立場上正反都有，有特意想營造一種知識份子能容納百川之言的風格。但就閱讀體驗上卻是讓人不知從何讀起，加上正反論點交織的文字，更打亂了正文想傳達的核心觀點。像是把網路平台的操作強加在紙本載具中，簡單說就是畫蛇添足。

每個主題都採用三段論的章節呈現，應該是配合影片播出時穿插廣告(中場休息)的結構。內容以兩、三個歷史典故，以古論今談天說地，讓讀者有增廣見聞的新鮮感。但就像經濟學所說的「邊際效應遞減」，當讀者把整本書從頭到尾一口氣看完時，應該會開始感受到一點老套、又來了的不適。畢竟講者的論述形式都是先提一個罕為人知的歷史故事，加上一些主觀因果論述，再帶入命題想講的現今問題中，最後導出極為正向而激勵人心的結論。

這樣的內容可以說是知識網紅版的心靈雞湯，看完的時候好像懂了一些東西。但過了一陣子可能全部還是忘掉了，畢竟讀者們只是單純的接收資訊，這些資訊並沒有內化成自己腦袋中的東西。把它當成閒暇無聊時的娛樂讀本，好過認為讀完後會有智識上的成長。

人類這個不良品

「這是寫給相信達爾文進化論的信徒們，一本關於天擇和演化如何把事物做對但沒做好的告解文。」

全書開頭就介紹了許多人體結構上的設計缺陷，想讓讀者產生興趣。包括容易被感染的鼻腔、容易噎死的食道(呼吸和進食共用氣管)、根本不適合激烈運動的膝關節、不能久站久坐的脊椎骨(椎間盤突出)。但全章塞滿太多醫學名詞，適得其反地讓人產生距離感，放棄繼續閱讀下去(那就可惜了)。

熬過初章，第二章將重點放在人類飲食有何種限制，內容整理了大家耳熟能詳的各項維生素、礦物質和胺基酸，恰好讓大家知道平日吞下去的綜合維它命到底有什麼作用。結語提到的新名詞「演化錯配疾病」，生物藉由長期演化而來的特性，卻不符合今日的生活環境，變成容易致病的生理機制，像是肥胖和第二型糖尿病。

接著作者以遺傳學為主題，先說明DNA、RNA的運作機制。DNA存在於細胞核中，細胞分裂時隨機有可能造成DNA突變。突變是演化的根源，雖然可能造成個體的永久負面傷害，然而一但突變走對方向，可以對整個族群產生重大的貢獻，因此突變機制便被天擇所留下。遺傳疾病有分顯性和隱性，隱性基因不易被人發現無法由天擇「處理掉」。大部份的顯性遺傳疾病則是因為發病期過了生育年齡，致病基因已經傳到下一代，天擇一樣無力回天。

人類的生產過程充斥著各種不良的設計，像是無法得知女性的排卵期，讓男女方便地擇期受孕。不成比例的產道和出生兒腦袋，使得新生兒都是以「早產」的形態問世，再一點點發育完成。生產的風險一直很高，還有子宮外孕、胚胎異常等風險，看完這章後，真的覺得能健康地出生的每個小朋友都是一個個小奇蹟。

免疫系統是抵擋疾病的防線，更多時候卻是疾病的禍首。自體免疫疾病源自過度反應的免疫系統，病症無奇不用，端看免疫系統看那個地方不順眼，目前只能依病徵提供藥物，減輕患者不適。過敏同是因為免疫系統過於敏感，將對人體無害的外來物質視為害蟲。而小孩的過敏體質可以歸咎過度乾淨的成長環境，過度保護的父母肯定會對這個真相有點自責吧。這章結語提到了人人聞之色變的癌症，認為只要人類活的夠久突變導致的癌症總是會發生的，畢竟細胞突變無時無刻在發生。如同引文「能夠犯點小錯是DNA真正神奇的地方，少了這個特別的性質，人類仍只是一團厭氧細菌，世界上也不會有音樂存在」。突變帶來了人類的興起，也留下來癌症這個不定時炸彈。

針對人腦的缺陷，作者說明了人類天生的「認知偏誤」、會自我修改的錯誤記憶、過度詮釋的記憶扭曲。「賭徒謬誤」和「沉沒成本」等不理性地思維長久以來影響了人們的決策，「錨定偏誤」、「損失規避」廣泛地讓零售業者用來操作消費者行為。人類智力在遠古某時期曾大幅提升，起因源自人類社群中出現高壓的內部競爭。人們因而學會欺偏、爭奪與操蹤、恐嚇手法，而這些「技能」需要更聰明的腦袋。身為地球上最聰明的生物，人類同時擁有最善和最惡的心靈潛能，真的是「一念天堂、一念地獄」。而高所得族群自發性的「絕育」(或少生)，其實是對人類物種進行人為的演化，值得長期關注對人類族群有何影響。

最後一章用進化論的觀點，討論人類是宇宙唯一的生物嗎？作者提出各種充滿趣味不同的說法，其中最悲觀的看法是，高智慧生物最終會走向「發展內爆」的情境，發展到一段時間後就會自行毀滅，造成千百億年來的不同星球文明斷層。人類文明是否會逐漸邁向滅亡的說明，總有一天會被驗證。但我們總是要抱持樂觀的態度，心懷善念地把世界帶向好的一方，再將希望拖付給下一代。

TensorFlow+Keras深度學習人工智慧實務應用

如同我同事說的「看書的時間點不分早晚，當你閱讀的當下就是最好的Timing」。這本2017年出版的「TensorFlow+Keras深度學習人工智慧實務應用」對我而言，眼下就是最好的相逢。

面對以深度學習為主所掀起的第三次人工智慧熱潮，想當然耳是身處大數據應用第一線工程師必修的資訊技能。早先經由林大貴的姐妹作「Python+Spark 2.0+Hadoop機器學習與大數據分析實戰」學習到了傳統機器學習的功夫，在此基礎上再更一步研讀「TensorFlow+Keras深度學習人工智慧實務應用」一書，循序漸進地朝深度學習的領域探索，在學習進程上的安排是恰如其份。

就如封面所言，TensorFlow是實踐深度學習的低階語言，不適合初學者入門。而建基在TensorFlow之上的Keras函式庫，相當巧妙地將重複性的程式碼包裝起來，提供了便利、直觀的建模函式，讓使用者可以快速地運用類神經網路模型來實作實務問題，不用卡在枝微末節的代碼中。本書就是先從Keras範例開始介紹，等讀者對深度學習模型有一定經驗後，再用TensorFlow解說一次。林大貴的這種安排相當貼心，藉由同一範例執行兩種不同語法來重複練習，也真的能讓書中想傳播的知識確切地印在讀者們腦海中。

章節的範例包含了:手寫數字辨識、照片物體辨識(圖像分類問題)，鐵達尼號旅客生存機率(資料分類問題)以及IMDB影評情緒分析(自然語言處理分類問題)。都是常見但精典的機器學習課題，也都有轉化為實務的專案雛形的價值。利用深度學習的MLP(多層感知器)、CNN(卷積神經網路)、RNN(遞歸神經網路)與LSTM(長短期記憶)等深度學習模型，讓人工智慧在資訊科技運用上突破了先前傳統演算法(單純貝氏、決策樹...等)無法跨越的瓶頸，也勢必成為資訊科技從業人員口袋中應配備的應用工具。

書中最後一章是介紹如何安裝Nvidia的GPU顯示卡來加快TensorFlow的運算速度，可惜我沒想為了練習書中範例就去買張顯卡來實踐內容，就只能望文興嘆就字面上體驗GPU的強大威力。

日本情感研究權威的人工智慧秒懂攻略

面對自己不理解的新事物時，不是出自恐懼而提前全盤否定，就是過於樂觀一味照單全收。在人工智慧崛起的時代，知識工作者如何理解、接納AI，更甚者能與AI攜手合作開創新局，一切都得源自於從正確地學習AI的優劣勢與相關的基礎觀念。而「日本情感研究權威的人工智慧秒懂攻略」就是讓讀者開始接近AI的一本佳作。

作者「坂本真樹」(女生)是日本人工智慧研究的專家，本書是她獲日本出版社之邀，為一般大眾專文撰寫的科普內容。內容從歷史上的三次AI熱潮談起(由深度學習帶起的今日，是第三次)，又將人工智慧確切地定義分級:
第一級:相當於程式自動化的控制系統(搭載AI的家電產品、簡單邏輯推論)
第二級:可處理多重輸入對應複雜輸出的電腦系統(掃地機器人、資料庫比對、知識推論演算法)
第三級:以資料為基礎，為各種輸入與輸出建立關聯性(搜尋引擎、機器學習)
第四級:能在特定領域中發揮甚至能勝過人類(自動駕駛、特化型人工智慧)
第五級:不限定領域在各方法都能勝過人類(天網、強人工智慧)
如此將AI分級的見解，在其它書籍中很少見，卻是非常直觀、清楚的AI辨識標準。

後續重點在解說人工智慧擅長和不擅長的項目是什麼，解述的內容都非常淺顯易懂，即使不是擁有資訊背景的讀者們也能輕易地閱讀。第三章有關傳統的「機器學習」以及最近熱門的「深度學習」介紹，就需要更用心理解的論述內文，特別是針對深度學習的「感知器」、「誤差反向傳播法」等術語，對第一次接觸的人來說可能會有點消化不良，但中間穿插深度學習如何讓圖像識別系統自動尋找特徵量的描述，以及最後章節介紹的各項AI應用，都清楚地讓讀者體會Deep Learning帶來的第三次AI熱潮，是貨真價實地改變了全世界。

隨著雲端平台和開源工具的蓬勃發展，可預期的是AI技術門檻會不斷地下降。不論在企業或個人層面，能掌握人工智慧而取其所長、避其所害的關鍵，相信就是抱持著積極進取的態度與求知若渴的初心，才能成事。

統計學，最強的商業武器

作者「西內啟」在書中直言不諱地聲稱「大數據」熱潮背後，有著IT產業行銷炒作的商業動機。他指出單以傳統統計學的觀念，足以帶領企業達成「數據導向管理」的轉型，而數據時代的重點在於思維不在工具。接著以一則19世紀英國倫敦霍亂大流行時的流行病學事件，讓讀者對統計學的威力產生興趣。

我的後見之明認為「統計學，最強的商業武器」這本在2014年出版的統計科普著作，確實無法預料在五年後的今天，大數據經由資料探礦(機器學習)的推波助瀾，判隨著深度學習的熱帶性低氣壓，形成了史無前例的人工智慧風暴席捲全球。

在「統計學，最強的商業武器」書中，西內啟旨向讀者說明統計學中的核心觀念。他認為統計學是所有學問的基礎，在以數據和統計分析為基礎的「實證科學」中，實證科學主導了現代醫學的發展，隨後也被人文、教育與法律等領域採用。

統計分析最核心的不外乎「誤差」和「因果關係」兩項重點。西內啟批評當今許多商業顧問製作的商業分析報告，頂多只做到19世紀以前數據分析的水準，簡單講都只是在「彙總數字」，然後用精美的圖表呈現。沒有標示誤差值的統計數字，本質上根本無法做為推論母群體的依據。世界上也斥充著未考慮因果關係的分析結論，錯把「相關性」當成「因果關係」。

統計學之父「羅納德.費雪」所提出「隨機對照實驗」，是實證科學最重要的必殺技，其在IT業界則有另一個眾所皆知的稱呼「A/B測試」。很多需要科學方法來假設與實驗的命題，在種種限制下是無法做到控制單一自變數的實驗設計。而「A/B測試」便是在「只要讓其它條件隨機化，便能讓兩個比較的群組條件達到相同狀態」的假設前題下，藉由「隨機化」的分群做法(分兩群)，將其它條件自變數散佈於大量的取樣個體中，製造出兩群樣本中唯一顯著的差異就僅剩下選定的操作自變數，因而做到實證科學需要的條件限制。

隨機化雖然好用，但也不是萬能的魔法石，西內啟指出它有三項障礙:
(1)「現實」。做不到隨機化這個動作:執行的成本太高，無法產生足夠的事件(ex:登陸月球)
(2)「道德」。隨機化的動作不被允許:法律上、道德上不被容許(ex:隨機投藥給病人)
(3)「情感」。執行上沒問題，但可能帶來龐大損失(ex:動態訂價造成消費者反感)

在無法採用隨機對照實驗的情況下，「病例對照研究法」是目前廣被採用的替代方案。利用大量數據進行分層分析，獲得近乎隨機化抽樣的兩個群組，並在群組內做對照分析。固然在「理論上」只要不是隨機對照實驗就不算是在類似群體間做比較，但相關研究也證實了「病例對照研究法」產生的結論其實和隨機對照實驗結果差不多。

中間花了許多章節說明統計學中用於「預測」的「回歸分析」的觀念。西內啟以一個簡單的例子向讀者解釋「回歸分析就是從一方資料預測另一方資料的方程式」。回歸有「回歸平均」的特性，在數字夠多的情況下，單一異常值將會回歸平均值。即使是回歸公式中的回歸係數也帶有變動性，要能正確的運用回歸方程式，得額外考慮回歸係數的信賴區間、P值。這裡有個相當重要的觀點，即便已經採用了隨機化的A/B測試來進行數據分析，
最終在檢驗結果數據時，也應該再次確認P值。

西內啟在書提出了一個重要又簡便的表格，「廣義的回歸分析」分類表:

透過這表格，可以讓不熟習回歸分析實作的分析者，能快速找到正確的統計分析方法來進行數據顯著性的驗證。

具體來說，回歸分析在數據分析工具中，因為其回歸係數的易解釋性，讓分析者在對利害關係者的溝通時較為便利，奠定了它一支獨秀的關鍵角色。能用在解決分層分析會遇到的數據量不足與組合複雜化問題的「多元回歸」，以及預測值為二元的「邏輯回歸」，則都是回歸分析家族的一份子。

最後的章節，西內啟介紹了六大主流的統計學派:
(1)目的在於掌握實際狀況的社會調查法
(2)目的在於找出原因的流行病學及生物統計學
(3)目的在於測量抽象概念的心理統計學
(4)目的在於機械式分類的資料探礦
(5)目的在於處理自然語言的文字探勘
(6)著重在推論的計量經濟學

各學派對機率觀念上的對立，主要分成「貝葉斯派」和「頻率派」，其中社會調查、流行病學、生物統計學及心理統計學領域，許些的誤差足以造成龐大的社會成本，為此追求絕對正確的數據結論，採用頻率論者多。而資料探礦、文字探勘和計量經濟學，則是採用帶有推理性質的貝葉斯派。

因為工作緣故，我前些時日在機器學習上投入不少心力研究，回過頭來閱讀這本傳統統計學科普書籍，從另一個觀點來認識數據分析，倒也是別有趣味。這本書非常適合從事數據分析、策略規劃的知識工作者參閱，用來奠定基礎的統計分析思維。

AIQ：不管你願不願意，現在已是AIQ比IQ、EQ更重要的時代

如同書背推薦文字所陳述，「AIQ：不管你願不願意，現在已是AIQ比IQ、EQ更重要的時代」是用七位在人工智慧發展史上有舉足輕重的人物故事來引導出此門學科最關鍵的一些思維。隨著人工智慧佔據媒體版面的比例增加，各式各樣的評論、分析、專書和新聞，都交錯使用著「機器學習」和「人工智慧」兩個名詞，精確地說「機器學習」是實踐「人工智慧」目標的一種技術，而在大數據時代，機器學習以數據趨動模型，利用模型來模擬人工智慧的做法，目前是CP值最高的，也因此兩者常常混為一談。

七個故事帶出了七位人物，也展現了七個影響數據分析領域的重要觀念，隨著閱讀「AIQ」的各個章節，讀者們也更為深入地理解AI的主成份。首先登場的是二次大戰中的統計學家「亞怕拉罕.沃德」，他針對盟軍安全返航的轟炸機所進行的統計作業，常常做為「倖存者偏差」的故事為人津津樂道。作者卻指出這個故事真正的價值不在於沃德天才地發現轟炸機引擎是最需要強化的部份(因為這種「發現」並非反常識)，而是他對於遺失的數據資料進行了大量的重現，以完成轟炸機脆弱部份的「條件機率」統計，「條件機率」也是現今眾多電子商務推薦系統的核心觀念。提到推薦系統各式文章總會提到Netflix在其影片推薦系統所下的心力，並強調「協同過瀘法」的成果是如此的驚人，這部份我是持保留的態度，因為協同過瀘法本身是有許多問題點，讓它無法滿足各種推薦情境。

第二位是女天文學家「亨麗愛塔.勒維特」，她利用了大量的天文影像資料，歸納出一條預測脈動變星的線型公式。作者整理出此一壯舉帶出的兩個核心AI概念:1.在AI領域，「模式」指的是一種預測規則，使輸入產生預期的輸出。2.「學習模式」代表在數據集之中擬合良好的預測規則。後續內文更進一步地闡述「模型辨識」為何在今日變得如此強大，關鍵因素在於「更複雜的模型」」、「巨量數據」、「誤試(Try and error)」以及「深度學習」。在閱讀的過程中讓人進一步地體悟到在機器學習中「過擬」和「擬合」之間的交相關係。沒有「擬合」就沒有可以用來預測未知數據的模型，但「過度地擬合」反而招致充滿偏見的模型，無法用在實務的環境中。具體地說，機器學習的建模過程，就是試圖在擬合和過擬的現象之間，找出正確的「甜蜜點」。

美國海軍的「約翰.克雷文」則為我們帶來了「貝氏搜尋法」的觀念。呼應沃德章節中所介紹的「條件機率」，貝氏定理是更進一步應用條件機率的機率預測公式。其本質是:先驗信念+事實=修正後的信念。其實日常生活中我們隨時都在運用同一種思維來預測事物，只是英國牧師「湯馬斯.貝葉斯」將其具體而微地以公式呈現，並改變了全世界。雖然概念和實作相對容易，卻多半能帶來令人驚豔的準確度，因此貝氏分類法運用在數不清的人工智慧應用中。

身為程式設計人員，相信沒人不曉得「艾倫.圖靈」的大名，但是卻少有人知道發明程式編譯器的「葛麗絲.霍普」女士。文中借由描述霍普如何發明程式語言，帶出人類如何和電腦溝通的方法的雛形。利用大量的規則定義，讓自然語言轉換為電腦機器碼的作法，一度被認為是唯一讓電腦理解人類語言的手法。然而技術的創新總是在眾人的意料之外，以數據統計資料為基礎的自然語言處理，在1980年後就成功地完敗規則法。「技術知識」和「事實知識」兩種哲學觀念，各自曾活躍在自然語言處理的開發過程中，而今「事實知識」傲視群雄為眾人所擁護。章節最後也簡略地由Google研發出來，利用大數據來進行自然語言處理的非監督演算法「向量詞」技術。

「艾薩克.牛頓」人類史上的大天才，在書中卻述說了他罕為人知的失敗故事。從中可以習知藉由統計數字的平均值和變異數，如何實作出簡易的「異常檢測」系統。而在大數據時代中，此概念更是發展到無微不至，包含信用卡異常交易、犯罪偵測、F1賽車維護都用到了此章介紹的核心觀念。第六章介紹的「南丁格爾」則是把讀者的野視拉到醫療領域，說明適當地利用數據如何增進病人的福祉。作者更以今日醫藥界現況做討論，認為AI在改善醫療品質的議題上可以更積極，也適當地提及隱私權的負面問題。

最後一章中，作者則對於許多AI樂觀主義者潑了冷水，反駁他們預期的「未來的AI將從數據中學會人類未知的知識」。文中說明，目前的機器學習技術都僅只能協助人類找出假設所求的解答，AI本身無法自行建立假設，因此與其說是人類依靠AI，更正確地說是AI無法離開人類自我發展。最後提到的「Google流感預測」例子，提出了「模型鏽蝕」和相對的「模型防鏽」觀點，相當了不起。目前許多想建置AI方案的經理人尚未有機器學習模型會隨著時間劣化的認知，藉由「模型防鏽」名詞的使用，相信更能傳達此一觀念。