《天下學術，唯真理為歸》— 學術亮點分享及IBRO正名經過

 《天下學術，唯真理為歸》

蘇冠賓

中國醫藥大學 安南醫院副院長

憂鬱症中心、身心介面研究中心主持人

精神醫學及神經科學 特聘教授

國際學術名門 International Brain Research Organization (IBRO) 邀蘇君撰寫《Neuroscience》五十週年紀念文集，述說臺灣神經科學半世紀薪火。不料文章付梓之際，小吏未經同意，竟私改國籍，並挾國際規範相壓，揚言不從便撤稿。

「名實不符，何以為學？」作者身分豈容擅改？蘇君按劍而起，一邊要求暫停刊登，一邊查出學會掌門、長老與主編之飛鴿傳書途徑，一封直達高層的長信，舉自身主持國際期刊、與中國學者合作數十篇論文之歷練，陳明學術真理不應屈從於私心與偏見。

IBRO 初時仍以舊規相推，蘇君再覆，文鋒如劍：「若以金融行規、UN陋習，凌駕學術事實，口稱中立，不過是另一種偏頗。」三度交鋒，正氣撼動高層。IBRO 執行長親自致歉，坦承制度僵化，全面尊重作者自主申報之國籍。文章最終端然標著TAIWAN，順利刊載。並當場立下新規：

「自此全面尊重學者自主申報之身分！」

俠之大者，不在勝人，而在守真。據理力爭，不只守護了一篇文章，更為學人立下了自由尊嚴的根基。 (#AI協作武俠小說風格)

【學術亮點分享】

分享受邀為國際權威期刊《Neuroscience》50 週年特別紀念系列撰寫的回顧文章（50 Reflections on Neuroscience—TAIWAN）：

本篇（第 28 篇）系統性回顧並展望台灣半世紀以來在神經科學領域的國際影響力，核心重點如下：

主題：

回顧與展望台灣近 50 年來在神經科學領域的發展、國際影響力與跨領域合作。 

四大重點回顧：

1. 文化精神醫學先驅：紀念林宗義教授在 WHO 與文化精神醫學的奠基性貢獻。
2. 連結組學重大突破：致敬江安世院士團隊建立全球首個果蠅單一神經元 3D 影像資料庫（FlyCircuit）。
3. 跨領域整合平台：介紹串聯國內 20 個相關學會的「台灣神經科學聯盟」（TNA）。
4. 身心介面與數位精神醫學：展現身心介面研究中心（MBI Lab）連續 16 年舉辦國際研討會，推動台灣成為營養精神醫學與數位心智健康的國際重鎮。

AI 是否正讓我們變笨？

AI 是否正讓我們變笨？ 

蘇冠賓

中國醫藥大學 安南醫院副院長

憂鬱症中心、身心介面研究中心主持人

精神醫學及神經科學 特聘教授

這是一篇於 2026 年發表在知名學術期刊《認知科學趨勢》（Trends in Cognitive Sciences）上的科學與社會（Science & Society）評論文章，題為「AI 是否正讓我們變笨？」（Is AI making us stupid?）。文章探討人類將認知工作外包給人工智慧（AI）時，對人類的「技能（Skills）」、「知識獲取（Knowledge Acquisition）」與「基礎認知能力（Basic Cognitive Abilities）」所產生的潛在影響與應對策略。

Cash TN, Kelly MO, Macnamara BN, Risko EF. Is AI making us stupid? Trends Cogn Sci. 2026 Jul 9:S1364-6613(26)00131-2. doi: 10.1016/j.tics.2026.06.004. Epub ahead of print. PMID: 42425850.

隨著人工智慧（Artificial Intelligence, AI）技術的突飛猛進，大型語言模型（Large Language Models, LLMs）如 ChatGPT、Claude、Gemini 和 已深度融入日常與專業領域，這不僅顛覆了傳統的工作模式，也再度引發了關於「認知外包（Cognitive Offloading）」是否會侵蝕人類智能的社會焦慮。

• 認知外包的定義：人類長期以來皆會尋求外部工具（如計算機、GPS、網際網路）來減少內部認知系統的負擔，這種行為稱為「認知外包（Cognitive Offloading）」。

• 外包帶來的焦慮：雖然技術能提高效率，但人們也普遍擔憂這會損害人類的內在認知功能（如 Nicholas Carr 於 2008 年提出的著名科技反思：「Google 是否讓我們變笨？」）。

• AI 時代的論戰再起：隨著 ChatGPT、Claude、Gemini 等大型語言模型（Large Language Models, LLMs）的激增，關於認知外包對大腦功能負面影響的討論再度被引燃。

• 認知系統的核心區分：為了釐清 AI 的衝擊，必須將人類認知系統區分為兩大層面：

  1. 技能（Skills）：透過練習獲得、旨在有效完成特定任務的「習得行為（Learned behaviors）」（例如：算術、駕駛飛機）。

  2. 基礎認知能力（Basic Cognitive Abilities）：屬於底層、跨領域的「通用心理容量（Domain-general mental capacities）」（例如：工作記憶 Working memory、選擇性注意 Selective attention），是獲取與執行各項專業技能的基石。

AI 認知外包對「技能習得」與「技能衰退」的衝擊 (AI Offloading Undermines Skills and Causes Decay)

• 阻礙技能習得（Impede Skill Acquisition）：技能必須透過實作練習來取得與精進。若將練習完全外包給 AI，將阻礙學習。

  • 實證研究：一項針對高中生的數學學習研究顯示，使用能夠「完全替代解題」之 AI 工具的學生，雖然在練習期間表現優異，但在隨後無法使用 AI 的正式測試中，其成績明顯比從未使用過 AI 的對照組學生更差，符合完全外包剝奪了建立技能能力的想法。

• 加速技能衰退（Foster Skill Decay）：持續的練習是抵抗遺忘、留住既有技能的必要防禦手段。過度依賴 AI 輔助會導致現有技能退化。

  • 實證研究：一項針對內視鏡醫師腺瘤檢測率（Adenoma detection rates）的追蹤研究發現，在引入 AI 輔助檢查工具後的 3 個月內，當醫師在部分隨機個案中無法存取 AI 時，其腺瘤檢測率從原先未引進 AI 前的 28.4% 驟降至 22.4%，顯示 AI 的存在削弱了醫師獨立診斷的技能。

AI 認知 外包對「知識獲取」的負面影響 (Knowledge Acquisition)

• 記憶儲存與提取成本：當人們知道資訊可以外包給外部儲存媒介時，在學習過程中投入的努力會減少，導致日後從記憶中提取該資訊的機率降低。

• 深度學習與淺層學習的差異：研究比較了使用「Google 搜尋」與「AI 工具」獲取知識的差異。使用 Google 搜尋需要學習者自行打開鏈結、跨光源摘要，而 AI 工具則直接代勞生成摘要。

• 自主權與知識內化的喪失：實驗顯示，使用 AI 自動摘要的受試者，其後續在沒有科技協助下給予他人的建議更為簡短、缺乏獨特性且被評為較無幫助；他們花在學習的時間較少、習得的知識較有限，且對所獲得的知識缺乏擁有感（Ownership）。

基礎認知能力的韌性與抗性 (Resilience of Basic Cognitive Abilities)

• 對變革具備頑強抗性：相較於技能與知識，人類的「基礎認知能力」似乎更不易因技術外包而輕易被侵蝕。

• 認知訓練的任務局限性：認知訓練研究表明，大腦任務表現的提升通常具有高度「任務特異性（Task specific）」，而非反映出基礎認知資源（如工作記憶總量）的全面擴大。

• 效率改變而非總量改變：目前的科學共識認為，因訓練或環境引起的認知改變，主要是改變了「認知資源的使用效率」，而非改變個人「可支配的資源總量」。

• 未解之謎與發展階段限制：雖然基礎認知能力提供了對抗科技反烏托邦的屏障，但長期外包或在「兒童早期」等關鍵發展階段（Developmental stages）大量外包 AI 是否會動搖底層認知能力，仍是尚待解答的開放性問題。

AI 的使用方式決定人類認知的未來 (How We Use AI Matters)

• 完全自動化 vs. 主動留存認知圈：AI 對認知的衝擊取決於外包的形式與互動層級。若完全由 AI 代替提交答案，對認知發展最為不利。最核心的關鍵在於「我們如何使用 AI」。

• 引導型 AI 的正面效益（AI as a Tutor/Collaborator）：

  • 在上述高中數學實驗中，增設了第三組使用「客製化 AI 導師（Custom AI tutor）」的學生，該 AI 不直接給予答案，而是透過引導探查學生的知識盲點。當移除 AI 後，這組學生的測試表現並未退化，成功留存了數學技能。

  • 初步證據亦指出，將 AI 視為提供反饋的「協作者（Collaborator）」或將 AI 的輸出作為學習模仿的範本，即使在沒有 AI 的情況下也能提升未來的個體表現。

• 新型技能的演進：隨著時間推移，人類能透過發展「提示工程（Prompt engineering）」等新型技能，學習如何更高效、策略性地與 AI 協作，在最大化利益的同時最小化認知成本。

最核心的關鍵在於「我們如何使用 AI」。若我們在與 AI 工具互動時，能主動讓自己留在「認知圈（Cognitive loop）」內，將 AI 視為給予回饋的協作者（Collaborator）或引導思維的導師（Tutor），而非全然取代思考的拐杖，我們不僅能免於技能退化的代價，甚至能透過提示工程（Prompt engineering）等新型能力的培養，將 AI 轉化為催化個人智力進步與技能內化的強大工具。

醫學、心理治療與人工智慧

醫學、心理治療與人工智慧

中國醫藥大學 安南醫院副院長

憂鬱症中心、身心介面研究中心主持人

精神醫學及神經科學教授 

醫學頂尖期刊《刺胳針》（The Lancet 2026 May 16）最近刊登了一篇由哈佛大學人類學宗師 Arthur Kleinman 教授團隊撰寫的精彩專題評論〈醫學、心理治療與人工智慧〉（Medicine, psychotherapy, and artificial intelligence）：

1. AI 因缺乏道德情感自我，易因偏誤反射而有害地固化患者僵化認知，本質上只是人類孤獨的數位投射 
2. AI 應定位於行政優化與臨床測量，並採取「人類主導」的混合模型，不可越俎代庖取代實體人類照護

生成式人工智慧（AI）的突飛猛進，以史無前例的速度重塑醫療與精神健康照顧的樣貌。當臨床醫學面對這場技術潮流時，其核心提問已從技術性的「模型能否執行治療？」進到哲學與臨床醫學的本質：「當我們試圖將心理治療交給電腦程式時，我們究竟遺漏了什麼？」哈佛大學 Gardner 與 Kleinman 教授在《The Lancet》發表的這篇專論，從神經科學與精神醫學歷史的角度，指明了跨越數位幻覺的關鍵指標：人類心智的動態潛意識與人際間的互為主體性（inter-subjectivity）。

文章指出，精神醫學長期以來存在一種將患者「去潛意識化」的機械論誤解，而 AI 的出現恰好迎合了過往對於「完美治療客觀性與中立性」的虛構幻想。然而，從神經科學、社會科學、文學和其他學門來看，動態潛意識的存在似乎是人類經驗的核心，因此也是我們所謂的精神病理學與心理治療經驗的核心。心理治療的本質並非單純的資訊交換或客觀指令的輸入，而是一個立體的生物心理社會過程。

人類心智的特質在於其動態性，也就是個體意識到與未意識到的事物是變動的，且取決於多種因素，例如情緒狀態的波動，而這些波動本身只有透過我們人類大腦的特定物理架構和神經調控模式才可能實現。同時，社會和我們的社交經驗也會影響我們的大腦與心智，無論是在童年發展還是貫穿一生的每時每刻體驗。因此，任何具有實質療效的臨床介入，都高度依賴於醫師與患者之間所建立的情感環境（例如轉移或反轉移），而這個環境最不可或缺的成分，是治療師身為「另一個擁有獨立、可識別之人類心智的社會動物」。

心理治療透過兩個心智在同一個物理空間中的意識與潛意識碰撞，才得以引導患者打破僵化的自我認知的故事。從這個視角審視 AI 聊天機器人，其臨床限制便昭然若揭。AI 無法感知的非語言訊息僅是表象，由於生成式 AI 的底層邏輯是基於人類數據的偏誤反射，它極易成為一面放大用戶潛意識渴望的鏡子，反而有害地固化了患者的病理認知。患者若對 AI 產生深層的共鳴感，本質上只是一種「數位投射」，如同夢境，其背後本質上「空無一人」。意即：AI 因為「一味迎合和缺乏主體性」，反而會強化精神疾病患者「僵化的自我」，這在臨床安全與倫理上是一記重大的警鐘。

照護與提供照護不可避免地是生物心理社會（biopsychosocial）與人類互為主體性（intersubjective）的 。沒有情感、道德自我以及在局部世界中的社會地位，聊天機器人無法取代臨床醫師，但我們確實相信 AI 可以作為臨床實務的輔助。例如，AI 在行政上的用途（包括病歷紀錄、筆記或在某些醫療系統中與第三方支付機構對接）相當直接，並具有讓醫師有更多時間陪伴患者。AI 有潛力以過往在大規模層面上不可行的方式，來測量並藉此提升照護品質 。

把 AI 放進心理治療（特別是需要講求人性的「動力取向治療」）其實很複雜。AI 的好處是隨手可用、很會抓重點；未來的做法，大概會是由經驗豐富的醫生來把關。患者平時可以先跟聊天機器人對話或寫作，AI 再把內容摘要報告給醫生，確保過程安全、符合倫理。但無論如何，患者和真人治療師的實體見面絕對不能省。就算見面的次數或時間變少，只要有真人互動，就能保住心理治療的核心靈魂，同時又能享受 AI 帶來的便利。

這就像是「對著牆壁練網球」。你一個人對著牆壁瘋狂練習，確實能流汗、能進步；但說到底，球場上還是需要一個活生生的對手，才能有真正的來回互動，也需要教練在旁邊看著。這意味著「人類臨床醫師主導」的混合模型（Hybrid Model）應確實可行。在最核心的治療關鍵上，保留人類醫師深思熟慮的判斷與不可或缺的互動，以在數據洪流中守護醫學的人文底蘊與病人的安全。

後記：把AI調成「暖男」模式所付出的代價！

Oxford 大學的研究團隊測試了五大主流 AI 模型，發現當我們訓練 AI 變得更友善、更有同理心時，它們的錯誤率竟然飆升了 10% 到 30%。更誇張的是，AI 會為了「不掃你的興」而開始趨炎附勢，而且更容易傳播陰謀論、給出錯誤的醫療建議，只因為「暖男」想優先維持跟你的「良好關係」。這篇Nature的最新文章告訴我們，在目前的技術下，「社交溫度」與「事實準確」竟然是互斥的！ 當 AI 忙著當你的暖男閨蜜時，它就沒辦法當你的專業顧問了。

Ibrahim L, Hafner FS, Rocher L. Training language models to be warm can reduce accuracy and increase sycophancy. Nature. 2026 Apr;652(8112):1159-1165. 

音樂正在變簡單嗎？從大數據分析看見數位時代下的音樂結構萎縮與趨同

音樂正在變簡單嗎？從大數據分析看見數位時代下的結構萎縮與趨同

蘇冠賓

中國醫藥大學 安南醫院副院長

憂鬱症中心、身心介面研究中心主持人

精神醫學及神經科學教授 

對我而言，音樂從來不只是耳機裡流淌的旋律，而是生命中不可或缺的呼吸與節奏。我對音樂的熱愛毫無邊界，清晨習慣讓巴哈無伴奏大提琴組曲以嚴謹深邃的邏輯開啟一天的思緒，午後則沉浸於爵士樂即興碰撞的自由浪漫，或在搖滾樂的生命張力與電子合成器的未來意象間尋找共鳴；而當靈魂渴望最壯闊的洗滌時，我總會走向馬勒，在如同交響宇宙般的宏大編制中，沈浸於他那跨越生與死、痛苦與昇華的純粹戲劇性。

無論是跨時空的古典對話、還是對當下情感的即興捕捉，每一種曲風，都是一種觀看世界的方式。無論是壯闊的管弦樂、孤寂的民謠，還是充滿實驗性質的前衛音軌，都可以讓聆樂者在不同的階段和情境，找到與靈魂共振的優雅語言。

然而，當科學家從這種感性的沈浸中抽離，以一種近乎「解剖」的角度審視音樂時，支撐起這些人類情感的音樂骨架，究竟經歷了什麼樣的演化？剛剛 Scientific Reports 刊登一篇音樂演化的研究，作者利用「網絡科學 (network-based representation of music)」分析了近四百年、約兩萬首涵蓋古典、爵士、流行、搖滾、電子及嘻哈等六大類型，並將音樂轉換為加權有向網絡，結果相當有意思：

隨著時間推進，音樂整體正逐漸走向「簡化」與「同質化」。

研究團隊將音樂中的「旋律」與「和弦」轉化為數學上的加權有向網路，藉此捕捉音符轉換間的隱性邏輯。這項研究發現，音樂類型的區分不僅在於節奏或音色，更在於其網路拓樸結構。古典樂與爵士樂展現了高密度的網路特徵與豐富的層次感，這與其深厚的理論基礎與對非預期轉換的容許度有關。相比之下，流行樂與鄉村樂的網路結構顯得極為緊湊且具備高度預測性，反映了商業音樂對「洗腦旋律」與「公式化和弦」的偏好。

這項研究的方法論建立在將「時間序列」轉化為「空間網絡」的創新邏輯上。研究團隊利用大數據分析，將近兩萬首音樂作品解構為「加權有向網路（Weighted Directed Networks）」。在旋律網路中，每一個獨特的音高被定義為節點（Node），而音符之間的相繼出現則被視為有向邊（Edge），其轉換頻率則構成邊的權重。這種建模方式讓複雜的音樂作品轉化為可量化的數學拓樸結構，使研究者能跨越文化與美學的感性藩籬，利用網路科學中的指標—如效率（Efficiency）、熵（Entropy）與群聚係數，去精確測量音樂結構的資訊量與組織邏輯。

以Figure 1為例，就是將上述抽象建模過程視覺化的關鍵過程。該圖透過四首代表性曲目：(1) Air on the G String（Bach G弦之歌）、(2) Autumn Leaves（枯葉，爵士曲）、(3) Never Gonna Give You Up（洗腦流行曲）、(4) Crazy Train（瘋狂列車，重金屬經典），展示了音樂網絡的具象特徵：節點的大小反映了該音符在曲中出現的中心性（度數），而邊的清晰度則標示了音符轉換的頻率。從圖中可以直觀觀察到，複雜音樂（如古典與爵士）的網絡呈現分散且豐富的連結路徑，展現出高度的非預期性；而流行音樂則呈現高度集中的核心結構，顯示出公式化與重複性的特徵。圖一不僅證明了不同音樂類型在數學結構上的本質差異，更為後續分析四百年來西方音樂「結構簡化」與「風格趨同」的趨勢奠定了實證基礎。

古典與爵士音樂的結構最複雜

本研究的結果揭示了西方音樂演化中一個令人警示的趨勢：結構的「簡化」與「同質化」。透過分析跨越四百年的兩萬首作品，數據顯示音樂作品的網路複雜度（如資訊熵與網路效率）隨時間推移而顯著下降。特別是在二十世紀後半葉，儘管製作技術日益精進，但旋律與和聲的內在骨架卻趨於公式化。古典樂與爵士樂等歷史悠久的流派，原本擁有高密度的網路特徵與豐富的音符轉換邏輯，但近代作品在拓樸特徵上已逐漸向結構簡單的流行音樂靠攏，顯示出全球化與商業化競爭下，不同流派間的結構邊界正在模糊，導致整體文化多樣性的縮減。

圖四是本研究最精采的部分之一，它利用 UMAP（均勻流形逼近與投影） 技術，將音樂的「音程特徵」投射到一個高維空間，讓我們能以「鳥瞰」的方式觀察音樂流派的基因差異：古典樂與爵士樂明顯佔據了地圖上方的高複雜度區域，與下方的流行、搖滾等流派拉開了顯著距離。研究進一步將音樂特徵拆解為兩大核心維度，發現決定音樂深度的靈魂指標—「第二維度（加權效率與熵）」，與小二度及大二度等具備張力的不穩定音程高度相關。圖四的數據結果實證了古典大師們善於運用這些音程創造非預期性的聽覺層次，而現代音樂則傾向於使用更穩定、容易預測的音程組合 。

這種「同質化」現象反映了文化演化的多重因素。首先，錄音技術與廣播媒體的普及，使得受歡迎的結構範式被快速複製；其次，商業市場對低認知成本音樂的需求，促使創作者轉向更簡單、易記的旋律模式。雖然現代音樂在音色實驗與製作技術上日益精進，但其內在的骨架—即旋律與和聲的組織邏輯—卻正在喪失其原有的多樣性。

當我們讀到這些數據時，或許心中湧起一種複雜的惆悵。原來，當我們在演算法推薦的清單中感到「似曾相識」時，那並非錯覺，而是音樂骨架正在縮水。我們正身處一場「數位文化演化」！在Apple Music、Spotify、YouTube與演算法推薦的時代，我們聽到的音樂，可能正在被無形地「優化」成更容易被接受、記憶與傳播的形式。

Di Marco, N., Loru, E., Galeazzi, A. et al. Decoding the evolution of melodic and harmonic structure of Western music through the lens of network science. Sci Rep 16, 11121 (2026). https://doi.org/10.1038/s41598-026-42872-7