這意味著中國軍機的襲擾在這兩年已經不再是政治訊號，而是在演練不同型態的戰爭作業。

家兄去住三天，卻害他坐牢三年。我曾玩笑對他說：「那時候別人都在拿，你應該也拿一些來變賣，用來做為日後發展組織的經費，不用大家掏腰包，不是很好。

我年齡差他十七歲，所以他的朋友交往，我比較不瞭解，連家父家母也不知道他參加這種活動。我們知道，逮捕終於要開始了。他回來通知我們以後，每日照常又去上班。家人都很緊張，害怕他的傷會被牽連家兄在那裡待了三天，後來是楊進發打電話到我阿舅厝裡問家兄的消息。

二二八事件以後，看到國民黨中國人的真面目，他搖頭說這是烏合之眾，是土匪不是人，差他的理想差太多了。收錄於《風中的哭泣：五○年代新竹政治案件》下冊，二○○二年十月由新竹市政府出版。「彼此夠相似的，應該就是對的」，這個原則也和Google搜尋演算法的運作方式類似。

經常相互參照的網頁，彼此可能毫無關聯。現在我們已經不再需要告訴現代的電腦系統這是哪種模式，它們不需外來的幫助，就能自己辨識構造與關聯，而它們所採用的，也是人腦巧妙運用的法則：在神經網絡中處理訊息。但撲克牌遊戲則不同，沒有人知道對手持有哪些牌，資訊不完整，因此可以虛張聲勢使詐。華生可以進行上百萬遍分析並發現，斯托克頻頻與威金森共同出現，而如果這種統計相關性夠大，程式便會輸出它的演算結果

然而，具有學習能力的電腦系統，大多是靠著找出統計上的共通性來執行任務。舉例來說，如果我們想設計一種能「辨識」鸚鵡的電腦程式，就須提供它上百萬張圖片和好幾千張的鸚鵡照片，每次這個電腦系統會分析一張圖片並提供一個結果（例如，這是鸚鵡的圖片或者不是）。

華生可以進行上百萬遍分析並發現，斯托克頻頻與威金森共同出現，而如果這種統計相關性夠大，程式便會輸出它的演算結果。例如，全球氣候暖化與活躍的海盜數量減少，彼此之間存在著驚人的相關性，這種相關性當然純屬巧合，沒有人會真的主張把更多海盜送往各地海上以對抗氣候變遷。到目前為止，我們在本書中所討論的一切，無論是人類的學習法則、人腦中海馬迴與大腦的任務如何分配、神經細胞如何工作並在神經網絡中建構模式等，都很好也很棒，但若想了解人們的學習內容，基本上還不夠。輸出的結果是「是」或「不是」，並且運用在下一次的圖片分析。

Facebook開發超越人類的撲克電腦，目的自然不在玩牌戲，而是希望能將這種基本學習法則轉用在各種類似的挑戰上，例如用於談判協商或是交通流量的控管。這一點令人想起在前文說明過的，人腦的學習方法：運作快速的海馬迴，不斷向大腦傳遞最重要的刺激模式，直到大腦神經細胞調適良好，能穩定識別某種圖像。道理很簡單：分析大數據，找出這座數據大山的共通性，而經常共同出現的，必然特別重要。理解則是不同的事，而今日的電腦系統全都敗在它們無法理解，因為就算你對自己所學的東西毫無概念，也能學習。

因為這種機器學習法則，能運用在語言、圖像、文章、股市行情、音樂偏好、氣候數據、消費行為或網路搜尋等所有具有規律性與模式的事物上。」6IBM的華生當然儲存了維基百科的全部內容，如果華生分析了這篇文章，便會發現這裡相繼提到斯托克與威金森。

人腦能從大量圖像推演出其中的共通性，電腦也能以同樣方式篩選出其中的關聯。利用這種方式，電腦系統便能一步一步從錯誤中學習，並且對許多圖片調適得更好，到最後幾乎針對所有的鸚鵡圖片，它都能輸出正確的結果。

電腦雖然能在益智節目中迅速且正確答題，卻不知道能用贏來的獎金做些什麼。電腦當然沒有真正的神經細胞，但可以模擬神經細胞的特性。電腦雖然不費吹灰之力就能擊敗電腦遊戲的世界冠軍，卻沒有一部電腦了解電腦遊戲究竟是怎麼回事。無論人腦或電腦，神經網絡主要是一種模式辨識系統，神經細胞的基本構造便是為了找出相關性。在圖像和語言辨識上，這種方法效果也非常好。然而，這還不足以表示，這些網頁上的訊息真的有意義。

經常相互參照的網頁，彼此可能毫無關聯。文：漢寧．貝克（Henning Beck） 學習的上限 資訊業巨擘IBM和Google開發了能處理訊息，同時讓自己變得更加精良（也就是學習）的電腦系統，但我們也必須說清楚，IBM的電腦系統華生和Google的機器學習程式，二者的運作方式並不相同。

GoogleDuplex也不知道美髮師是什麼，或者人們的出生日就是他們的第一個生日。不過，擁有學習能力的電腦系統，其限制也彰顯出人類在學習上的限制。

儘管這樣，Facebook依然在2019年研發一款撲克牌程式，可以打敗最厲害的撲克牌玩家。如同我們所看到的，電腦系統能以這種方式自主學習所有電腦遊戲。

「彼此夠相似的，應該就是對的」，這個原則也和Google搜尋演算法的運作方式類似。因為，如果我們一味追求學習、追求效率與最佳化，最終我們可能會變得跟機器一樣笨。但撲克牌遊戲則不同，沒有人知道對手持有哪些牌，資訊不完整，因此可以虛張聲勢使詐。因為統計上的相似性未必就表示內容上具有重大意義，兩件經常相互參照的事物不一定就是對的。

華生儲存了極為龐大的訊息，從這座數據大山中找出關聯來回答（準確地說，是能針對答案「提問」）《危險境界》的益智問題。就算有人能把維基的網頁內容全都學起來，也不代表他真的理解其中的意涵。

直到今日，IBM的華生依然不知道益智節目是什麼，也不知道說出正確答案後獲得掌聲，究竟意味著什麼。現在Google（以及其他資訊業巨擘）已經不再使用IBM華生的方式，而是研發其他系統，這些系統能自行利用大量數據模式進行推論。

經常相互參照的網頁應該特別重要，並且會特別顯示在搜尋結果。現在我們已經不再需要告訴現代的電腦系統這是哪種模式，它們不需外來的幫助，就能自己辨識構造與關聯，而它們所採用的，也是人腦巧妙運用的法則：在神經網絡中處理訊息。

這款撲克牌程式太厲害了，最後Facebook相關的研發部門不得不禁止公開他們的程式設計，以免網路撲克牌產業崩盤（這畢竟占有幾十億美元的市場）。最早的雅達利遊戲或棋戲還相當簡單好學，因為這些遊戲都是公開對決的」 很難碰上優秀的訂製管理，但完全沒有管理的工作場所看起來會是什麼樣？關於良好管理的重要性，有一個奇特、但也反映了真實情況的反例是，亞馬遜旗下薩波斯（Zappos）的執行長謝家華（Tony Hsieh）最近藉由實施一種稱為「全體共治」（Holacracy） 的制度，試圖廢除傳統的管理角色。」另一名員工形容這項變動是步向「混亂氛圍」的改變，其中包含了「令人討厭的社會實驗」。

一名感到困擾的員工只給公司兩顆星的評價，並對高層只為支持某種意識形態而容許這麼多優秀的員工離開表示惋惜。其實坦白說，我們通常根本沒有採取任何行動，在許多情況下，一直等待別人採取行動。

如同谷歌的產業主管（Head of Industry）保羅．山塔嘉達（Paul Santagata）說的，「我們的成功取決在勇於冒險的能力，以及是否能在同儕面前顯露自己的脆弱。」這份資料特別有價值，因為，好吧，任何谷歌取得的成功都會是有用的數據。

然而，人們考慮管理時，通常不會想到安全感。還有當考核流程與獲得獎金、加薪及晉升密切相關時，無論象徵性或字面上，員工都無法做到對回饋毫不隱諱地坦白。