作者：董芳苑
上個禮拜看羅胖的《文明之旅》講到包青天，突然想起這本書。
這本書已經絕版了，高中的時候在唐山書局買過，但後來出國唸書的時候已經捐給圖書館，現在圖書館還找得到。
高中的時候對於「文化人類學」其實是沒什麼概念的，只是覺得作者比較一些原始宗教的田野調查，然後提取當中相似的元素，試圖解釋人類「宗教」的根源，看起來很酷。
之所以會從「包公」跳躍到「宗教」，主要是羅胖說道我們今天認識的包拯，跟史實大相逕庭，其實是後世民間種種不滿與希冀的情緒投射之後，形成的一種類似「信仰」的形象。這在歷史學上屬於「古史辨派」，以顧頡剛、錢玄同、胡適等為代表，是一個以「疑古辨偽」為論題的史學、經學研究流派。
這種心理需求，讓我想到了原始宗教這本書裡的描述，當然閱讀的年月已久，說不定也是我這麼多年的際遇對記憶造成的扭曲。也順便推一推這集文明之旅：
由於跟家人已經搬到新居兩年，舊居目前是讓在附近讀書的親戚居住，而都更即使順利推動，也是在親戚畢業之後才會動工，所以在空間的使用上，我自己沒有什麼特別的顧慮。
大台北地區「新舊交錯」的街景，儼然已經成了一種地區特色，而每個人喜好不同，我倒是不特別反感。但是老舊公寓的安全性（防火防震）以及便利性（供水與電力的規劃），透過改建可以很大程度的獲得提昇，這才是我傾向於支持改建的主要緣由。
當然，建商提出的合建條件在我看來相當優渥，除了舊居用地原本為商業用地，目前建物本來就沒有到達法定的容積率之外，建商在附近已經有兩個建案在進行當中，也讓建商對利益分配的掌握相當精準。
話雖如此，但我對於這件事情成功與否，信心並不是很高。主要是過去10年，親友之間聽聞類似的合建都更機會至少有七、八件，但沒有一件是成功的。失敗的主要原因，通常都不是單一地主跟建商之間的問題，而是地主之間相互比較，導致建商沒辦法提出足以讓所有地主都滿意的條件。其中的故事很多，鄰里之間的恩怨情愁，旁人聽起來極其荒謬的也所在多有，只能說數千年來人性沒什麼改變。
比較有趣的，是首批簽約的三戶，另外兩戶屋主是同一位大姐，他之所以馬上同意，也是因為他目前居住的房子剛好錯過一次都更。
現在雖然已經開始推動，但目前的合約只是授權給建商申辦，建商需要在兩年內取得80％地主的授權書，不然合約自動失效。依照目前的都更條例跟實際案例，雖然「100%地主同意」在規範上並不是絕對必要，但除非有公共危險或其他特殊情況，沒達到100%同意之前，建商是很難取得執照的。
所以，就看看吧。一位朋友說：「搞不好一顆飛彈剛好打到，就直接拆掉重建了。」雖然我是覺得他住機場附近被打到的機率比較高，但世界上的事情，也沒什麼是不可能的。
簡介：
《矽基心理醫師：人工智能如何讓世界變成收容所》 是科學作家 Daniel Oberhaus 的著作，由麻省理工學院出版社於2025年2月4日出版。（Silicon 可以同時指涉「矽谷」跟「積體電路以矽為基礎」，而後者常常用來對比人類與AI，相對於地球上大多生物有機體是「碳基生命」，AI 則是建立在電晶體上的「矽基生命」。）
作者在書中深入的介紹了AI在精神健康領域的應用，並提出警告。Daniel Oberhaus 的核心論點是：由於我們當前對精神疾病的理解極其有限，所以不應該在心理健康跟精神醫療上大規模的依賴AI。
這本書揭示了在心理健康領域使用 AI 的相關風險，包括缺乏實證數據、倫理挑戰、潛在的資料隱私問題，與「精神健康監控經濟」（psychiatric surveillance economy，透過數位足跡來進行監測，甚至操縱情緒跟行為），以及將世界轉變為「數字收容所」的擔憂（利用數位工具存放病患，而非進行有效的治療）。
儘管AI諮詢工具如 WoeBot 和 ChatGPT 因可及性、低成本和去污名化等優勢，已經漸漸普及，但作者強調這些工具的局限性，而且缺乏監管與獨立驗證。
雖然書已經出了快半年，但我是上禮拜在 Intelligent Machines 的 podcast 裡聽到作者的專訪，才注意到這本書。主持人提出的很多問題，都是之前募資的時候寫在 Business Plan 裡的「正面說法」，而作者則一一提出反駁。無論同不同意作者的說法，這的確都是該有的反思。
上一篇有提到，當年學機器學習在找研究題目的時候，指導教授循循善誘，勸我不要跳類神經網路這個坑，後來我選了另一個 generative model 的流派，演化算法（evolutionary computation, EC）。細節就不贅述了，反正以前寫過（paper, post-1, post-2），總之 Alpha Evolve 推出之後，這些老文章突然又有了新的點擊。
簡單的說，Alpha Evolve 是結合大語言模型的新型態 EC，把以前要花很多心思去設計的元件，像是問題表徵的設計、評估函數的設計、解決方案集合與迭代機制的設計等等，透過 LLM 得到了大幅度的簡化，所以一般的科學家可以相對輕鬆的上手。
演化算法的基本概念並不複雜，就是把問題的解決方案設計成特定的結構，透過演化的機制（物競天擇，分數高者生存），一代一代的迭代，來尋找更「好」的解決方案。但演化算法運作的細節也有點複雜，像是具體的定義「好」，跟解決方案的結構設計，都會影響到整個尋找的效率。現在透過大語言模型來簡化這些步驟，的確是個不錯的方法。
演化算法本身就是一個「生成式」的方法，可以生出資料裡沒有出現過的樣本，在「資源有限」的情境下對「找到更好的答案」非常有效律；但它也有明顯的缺點：這個算法不保證迭代會趨於收斂，所以傳統演算法的學者常常「不吃這一套」。
就先這樣吧，其他的，等有了成果再說吧。
