1
00:00:00,556 --> 00:00:04,573
我們的情緒會影響
日常生活的各個層面，

2
00:00:04,573 --> 00:00:08,149
從我們的健康到如何學習、
如何做事、做決定，

3
00:00:08,149 --> 00:00:09,922
無論事情大小都受此影響。

4
00:00:10,672 --> 00:00:14,162
我們的情緒也會影響
我們如何與他人交流。

5
00:00:15,132 --> 00:00:19,108
我們已經進化到生活在
一個像這樣的世界，

6
00:00:19,108 --> 00:00:23,427
然而我們的生活卻愈來愈像這樣──

7
00:00:23,427 --> 00:00:26,561
這是我女兒昨晚傳來的簡訊──

8
00:00:26,561 --> 00:00:29,301
一個缺乏情感的世界。

9
00:00:29,301 --> 00:00:31,252
所以我帶著使命要改變這種狀況。

10
00:00:31,252 --> 00:00:35,343
我想將情感重新注入數位體驗中。

11
00:00:36,223 --> 00:00:39,300
我在 15 年前走上這條路。

12
00:00:39,300 --> 00:00:41,366
當時我在埃及是電腦科學家，

13
00:00:41,366 --> 00:00:45,871
而且我才拿到劍橋大學
博士班的入學許可。

14
00:00:45,871 --> 00:00:50,284
所以我做了一件
對身為年輕新婚的埃及回教婦女來說

15
00:00:50,284 --> 00:00:52,209
相當不尋常的事：

16
00:00:53,599 --> 00:00:56,598
在我先生的支持下，
他留在埃及，

17
00:00:56,598 --> 00:00:59,616
我整理行囊搬到英格蘭。

18
00:00:59,616 --> 00:01:02,844
在劍橋，離家千里遠的地方，

19
00:01:02,844 --> 00:01:06,257
我發現我與筆電相處的時間，

20
00:01:06,257 --> 00:01:08,486
遠超過與人交流的時間。

21
00:01:08,486 --> 00:01:13,339
儘管與筆電相處如此親密，
它卻完全不了解我的感受，

22
00:01:13,339 --> 00:01:16,550
它不知道我是否開心，

23
00:01:16,550 --> 00:01:19,538
今天順不順，是否緊張或困惑，

24
00:01:19,538 --> 00:01:22,460
所以那令我沮喪。

25
00:01:23,600 --> 00:01:28,831
更糟的是，在我上線
與遠方的家人聯絡時，

26
00:01:29,421 --> 00:01:32,703
我覺得我的情感
在這虛擬空間裡消失無蹤。

27
00:01:32,703 --> 00:01:37,858
我好想家，我好孤單，
有些日子我真的哭了，

28
00:01:37,858 --> 00:01:42,786
但我所能傳達的只有這個。

29
00:01:42,786 --> 00:01:44,806
（笑聲）

30
00:01:44,806 --> 00:01:49,780
今天的科技有很多智商，
卻沒有情緒智商；

31
00:01:49,780 --> 00:01:52,956
有很多認知智商，
卻沒有情緒智商。

32
00:01:52,956 --> 00:01:55,153
所以這讓我思考，

33
00:01:55,153 --> 00:01:58,777
如果我們的科技可以
感受我們的情緒會怎樣？

34
00:01:58,777 --> 00:02:02,853
如果我們的電子裝置可以
感受我們的感覺並做出相對回應，

35
00:02:02,853 --> 00:02:05,866
就像一位高情商的朋友一樣，
會是怎樣？

36
00:02:06,666 --> 00:02:10,230
這些問題讓我及我的團隊

37
00:02:10,230 --> 00:02:14,607
創造出可以讀懂情緒
並做出回應的科技，

38
00:02:14,607 --> 00:02:17,697
我們的起始點是人的臉。

39
00:02:18,577 --> 00:02:21,750
人類的臉恰好就是有力的管道，

40
00:02:21,750 --> 00:02:25,766
能用來傳遞社交及情緒狀態，

41
00:02:25,766 --> 00:02:28,776
從愉快、驚訝，

42
00:02:28,776 --> 00:02:32,979
到同情、好奇都可以。

43
00:02:32,979 --> 00:02:37,907
情緒科學中，我們稱每一種
顏面肌肉運動為一個動作單位。

44
00:02:37,907 --> 00:02:40,832
舉例來說，動作單位 12，

45
00:02:40,832 --> 00:02:42,870
這可不是好萊塢的動作巨片，

46
00:02:42,870 --> 00:02:46,312
這其實是拉嘴角，
這是微笑的主要部分。

47
00:02:46,312 --> 00:02:49,300
大家都試一下吧！
讓會場有點笑容。

48
00:02:49,300 --> 00:02:51,954
另一個例子是動作單位 4。
這是蹙額。

49
00:02:51,954 --> 00:02:54,192
就是你把眉頭皺在一起

50
00:02:54,192 --> 00:02:56,459
所產生的紋理和皺紋。

51
00:02:56,459 --> 00:03:00,754
我們都不喜歡皺紋，
但那是負面情緒的重要指標。

52
00:03:00,754 --> 00:03:02,960
我們有約 45 種動作單位，

53
00:03:02,960 --> 00:03:06,350
排列組合後可以表現出數百種情緒。

54
00:03:06,350 --> 00:03:10,251
要教電腦讀懂這些顏面表情很難，

55
00:03:10,251 --> 00:03:13,223
因為這些動作單位很快、很細微，

56
00:03:13,223 --> 00:03:15,777
而且還有各種不同的組合法。

57
00:03:15,777 --> 00:03:19,515
所以再舉個例子，微笑和假笑。

58
00:03:19,515 --> 00:03:23,268
兩者看起來有點像，
但是意義大不相同。

59
00:03:23,268 --> 00:03:24,986
（笑聲）

60
00:03:24,986 --> 00:03:27,990
微笑是正面的，

61
00:03:27,990 --> 00:03:29,260
假笑往往是負面的。

62
00:03:29,260 --> 00:03:33,136
有時候一個假笑可以讓你成名。

63
00:03:33,136 --> 00:03:35,960
但是說真的，要讓電腦能夠

64
00:03:35,960 --> 00:03:38,815
辨認出這兩種表情的不同很重要。

65
00:03:38,815 --> 00:03:40,627
所以我們怎麼做呢？

66
00:03:40,627 --> 00:03:42,414
我們給我們的演算法

67
00:03:42,414 --> 00:03:46,524
成千上萬筆我們知道在微笑的例子，

68
00:03:46,524 --> 00:03:49,589
各式人種、年齡、性別都有，

69
00:03:49,589 --> 00:03:52,400
假笑也如法泡製。

70
00:03:52,400 --> 00:03:53,954
然後，機器用深度學習法，

71
00:03:53,954 --> 00:03:56,810
讓演算法找出臉上
所有的紋理、皺紋，

72
00:03:56,810 --> 00:03:59,390
及臉型的改變，

73
00:03:59,390 --> 00:04:02,592
基本上學得所有的微笑
都有共同的特點，

74
00:04:02,592 --> 00:04:05,773
所有的假笑也有
稍稍不同的特點，

75
00:04:05,773 --> 00:04:08,141
所以下一次電腦看到新的面孔，

76
00:04:08,141 --> 00:04:10,440
它基本上會得知

77
00:04:10,440 --> 00:04:13,473
這張臉與微笑有相同的特點，

78
00:04:13,473 --> 00:04:17,751
然後它會說，「啊哈！
我認得這個，這是微笑的表情。」

79
00:04:18,381 --> 00:04:21,181
要展示怎麼用
這項科技的最佳方法，

80
00:04:21,181 --> 00:04:23,317
就是來一個現場示範，

81
00:04:23,317 --> 00:04:27,230
所以我需要一名志願者，
最好是有臉的。

82
00:04:27,230 --> 00:04:29,564
（笑聲）

83
00:04:29,564 --> 00:04:32,335
我們今天的志願者是克蘿伊。

84
00:04:33,325 --> 00:04:37,783
過去五年，我們從
麻省理工的一項研究計畫

85
00:04:37,783 --> 00:04:38,939
發展成一家公司，

86
00:04:38,939 --> 00:04:42,131
我的團隊很努力
讓這項科技能快速傳播，

87
00:04:42,131 --> 00:04:44,540
好像我們常說的，（病毒）擴散中。

88
00:04:44,540 --> 00:04:47,210
我們也把它縮小，
讓核心情緒引擎能用在

89
00:04:47,210 --> 00:04:50,530
任何有照相機的行動裝置上，
像是這台 iPad。

90
00:04:50,530 --> 00:04:53,316
現在來試一下。

91
00:04:54,756 --> 00:04:58,680
正如你們所見，基本上
演算法已經找到了克蘿伊的臉，

92
00:04:58,680 --> 00:05:00,372
就是這個白色的框框，

93
00:05:00,372 --> 00:05:02,943
它正在找她臉上的
幾個主要特徵點，

94
00:05:02,943 --> 00:05:05,799
像是她的眉毛、
眼睛、嘴巴和鼻子。

95
00:05:05,799 --> 00:05:08,786
問題是，它能辨識她的表情嗎？

96
00:05:08,786 --> 00:05:10,457
我們來考一下機器。

97
00:05:10,457 --> 00:05:14,643
首先，來一張撲克臉。
對，好極了！（笑聲）

98
00:05:14,643 --> 00:05:17,456
然後她微笑的時後，
這是真誠的微笑，很棒，

99
00:05:17,456 --> 00:05:19,756
你們可以看到她微笑的時候，
綠色的信號格增加。

100
00:05:19,756 --> 00:05:20,978
那可是個好大的微笑。

101
00:05:20,978 --> 00:05:24,021
你可以試一下淺淺的微笑嗎？
看看電腦能不能辨識？

102
00:05:24,021 --> 00:05:26,352
它的確也能辨識淺淺的微笑。

103
00:05:26,352 --> 00:05:28,477
我們真的很努力要做到這一點。

104
00:05:28,477 --> 00:05:31,439
然後抬眉毛，表示驚訝。

105
00:05:31,439 --> 00:05:35,688
蹙額，表示困惑。

106
00:05:35,688 --> 00:05:39,695
皺眉，很好，很完美。

107
00:05:39,695 --> 00:05:43,188
這些就是不同的動作單位。
還有更多。

108
00:05:43,188 --> 00:05:45,220
這只是瘦身版示範。

109
00:05:45,220 --> 00:05:48,368
我們稱每一個讀取
為一個情緒資料點，

110
00:05:48,368 --> 00:05:51,337
然後它們一起發動
就能描繪出不同的情緒。

111
00:05:51,337 --> 00:05:55,990
右邊的這張示範──
表現你很開心。

112
00:05:55,990 --> 00:05:57,444
所以那是高興。高興出現了。

113
00:05:57,444 --> 00:05:59,371
然後給我一張噁心的臉。

114
00:05:59,371 --> 00:06:03,643
試著回想贊恩退出
男團一世代的那種感覺。

115
00:06:03,643 --> 00:06:05,153
（笑聲）

116
00:06:05,153 --> 00:06:09,495
沒錯，皺鼻子。太棒了！

117
00:06:09,495 --> 00:06:13,226
效價呈現高負值，
所以你一定是大粉絲。

118
00:06:13,226 --> 00:06:15,926
效價指的是感受的好壞程度，

119
00:06:15,926 --> 00:06:18,712
而投入程度指的是
她的表情有多大。

120
00:06:18,712 --> 00:06:22,126
想像一下如果克羅伊
能使用這套即時情緒串流，

121
00:06:22,126 --> 00:06:24,935
而且她還可以跟任何人分享。

122
00:06:24,935 --> 00:06:27,858
謝謝妳！

123
00:06:27,858 --> 00:06:32,479
（掌聲）

124
00:06:33,749 --> 00:06:39,019
到目前為止我們已經
累積了 120 億筆情緒數據點。

125
00:06:39,019 --> 00:06:41,630
這是世界上最大的情緒資料庫。

126
00:06:41,630 --> 00:06:44,593
我們從 290 萬筆臉孔短片
收集資料，

127
00:06:44,593 --> 00:06:47,533
由同意與我們分享他們情緒的人提供，

128
00:06:47,533 --> 00:06:50,398
來源遍及全球 75 個國家。

129
00:06:50,398 --> 00:06:52,113
資料每天都在增加。

130
00:06:52,603 --> 00:06:54,670
這真令我驚異萬分，

131
00:06:54,670 --> 00:06:57,865
我們能量化像情緒
這麼個人的東西，

132
00:06:57,865 --> 00:07:00,100
還能做到這個地步。

133
00:07:00,100 --> 00:07:02,277
所以至今我們學到什麼？

134
00:07:03,057 --> 00:07:05,388
性別。

135
00:07:05,388 --> 00:07:09,034
我們的數據證實了一些
你們大概已經料到的事。

136
00:07:09,034 --> 00:07:10,891
女人的表情比男人的更豐富。

137
00:07:10,891 --> 00:07:13,574
她們不但更常微笑，
微笑的時間還更久，

138
00:07:13,574 --> 00:07:15,668
而且我們現在真的能量化

139
00:07:15,668 --> 00:07:18,614
造成男女不同反應的東西。

140
00:07:18,614 --> 00:07:20,904
來看文化：在美國，

141
00:07:20,904 --> 00:07:24,108
女性比男性多 40% 
更願意表達情感，

142
00:07:24,108 --> 00:07:27,753
但奇怪的是，
在英國看不到這樣的差距。

143
00:07:27,753 --> 00:07:30,259
（笑聲）

144
00:07:31,296 --> 00:07:35,323
再看年齡：50 歲以上的人

145
00:07:35,323 --> 00:07:38,759
比年輕人多 25% 更願意表現情感。

146
00:07:39,899 --> 00:07:43,751
20 多歲的女性
比同年齡的男性更常微笑，

147
00:07:43,751 --> 00:07:47,590
大概是因為這是約會必殺技。

148
00:07:47,590 --> 00:07:50,207
但是這筆數據最讓我們訝異的，

149
00:07:50,207 --> 00:07:53,410
大概是我們隨時都有表情，

150
00:07:53,410 --> 00:07:56,243
即使我們獨自坐在裝置前也是如此，

151
00:07:56,243 --> 00:07:59,797
而且不只是在我們看
臉書上貓短片的的時候。

152
00:08:00,217 --> 00:08:03,227
我們在寫信、傳簡訊、網購，

153
00:08:03,227 --> 00:08:05,527
甚至在報稅時都表情豐富。

154
00:08:05,527 --> 00:08:07,919
今天這筆數據用在哪裡呢？

155
00:08:07,919 --> 00:08:10,682
用在瞭解我們如何與媒體互動，

156
00:08:10,682 --> 00:08:13,166
所以能瞭解影片爆紅及投票行為，

157
00:08:13,166 --> 00:08:15,906
也用在情緒辨識科技，

158
00:08:15,906 --> 00:08:20,527
我想分享幾個
讓我特別感動的例子。

159
00:08:21,197 --> 00:08:24,265
情緒辨識眼鏡能幫助

160
00:08:24,265 --> 00:08:27,493
視障者讀取別人臉上的表情，

161
00:08:27,493 --> 00:08:31,680
也能幫助各種程度的
自閉症患者解讀情緒，

162
00:08:31,680 --> 00:08:34,458
這是他們的最大難題。

163
00:08:35,918 --> 00:08:38,777
在教育上，想像一下
如果你的學習應用程式

164
00:08:38,777 --> 00:08:41,587
感受到你的困惑並放慢速度，

165
00:08:41,587 --> 00:08:43,444
或是知道你覺得無聊了
所以加快速度，

166
00:08:43,444 --> 00:08:46,413
就像一位好老師
在課堂上做的一樣。

167
00:08:47,043 --> 00:08:49,644
如果你的手錶能追蹤你的心情，

168
00:08:49,644 --> 00:08:52,337
或是你的車能感受到
你現在很疲倦，

169
00:08:52,337 --> 00:08:54,885
或是你的冰箱能知道
你現在壓力很大，

170
00:08:54,885 --> 00:08:59,451
所以它會自動鎖住，
你就不能拿東西來吃。（笑聲）

171
00:08:59,451 --> 00:09:02,488
我會喜歡那個，真的。

172
00:09:03,668 --> 00:09:05,595
當我在劍橋的時候，

173
00:09:05,595 --> 00:09:07,908
如果我能用這套
即時情緒串流工具，

174
00:09:07,908 --> 00:09:11,437
我就能用非常自然的方法
與遠在家鄉的家人分享，

175
00:09:11,437 --> 00:09:15,408
就好像我們都在
同一間房間一樣，那有多好？

176
00:09:15,408 --> 00:09:18,550
我想五年後，

177
00:09:18,550 --> 00:09:20,887
我們所有的裝置
都會有一個情緒晶片，

178
00:09:20,887 --> 00:09:26,191
我們就會忘記當年
裝置還不會回應我們皺眉的時候說出：

179
00:09:26,191 --> 00:09:29,200
「嗯，你不喜歡這個，是吧？」
是什麼樣子。

180
00:09:29,200 --> 00:09:32,961
我們最大的挑戰是
這種科技有許多應用程式，

181
00:09:32,961 --> 00:09:35,864
我和我的團隊瞭解
我們不可能只靠自己發展全部，

182
00:09:35,864 --> 00:09:39,360
所以我們開放這項科技
讓其他開發者

183
00:09:39,360 --> 00:09:41,474
能繼續開發並激發創意。

184
00:09:41,474 --> 00:09:45,560
我們知道會有潛在風險，

185
00:09:45,560 --> 00:09:47,627
也可能遭到濫用，

186
00:09:47,627 --> 00:09:50,576
但是個人認為，
在花了這麼多年做這個之後，

187
00:09:50,576 --> 00:09:53,548
我相信這對人類的益處，

188
00:09:53,548 --> 00:09:55,823
就是開發情緒智能科技的益處，

189
00:09:55,823 --> 00:09:59,399
遠超過誤用的潛在危險。

190
00:09:59,399 --> 00:10:01,930
我請大家口耳相傳。

191
00:10:01,930 --> 00:10:04,484
愈多人知道這項科技，

192
00:10:04,484 --> 00:10:07,661
我們就愈能發聲說明
這該如何使用。

193
00:10:09,081 --> 00:10:13,655
隨著我們的生活愈來愈數位化，

194
00:10:13,655 --> 00:10:17,153
試圖以遏止使用裝置來重拾情緒

195
00:10:17,153 --> 00:10:19,382
是一場必敗的仗。

196
00:10:20,622 --> 00:10:24,536
與其如此，
我寧可把情感帶進科技，

197
00:10:24,536 --> 00:10:26,765
讓我們的科技更有回應。

198
00:10:26,765 --> 00:10:29,435
所以我想用這些
原本使我們疏遠的裝置，

199
00:10:29,435 --> 00:10:31,897
讓我們重新結合在一起。

200
00:10:31,897 --> 00:10:36,485
藉著把科技人性化，
我們擁有這個黃金時機

201
00:10:36,485 --> 00:10:39,782
來重新想像我們如何
與機器連結，

202
00:10:39,782 --> 00:10:44,263
進而想像我們身為人類

203
00:10:44,263 --> 00:10:46,167
如何能重新連結彼此。

204
00:10:46,167 --> 00:10:48,327
謝謝。

205
00:10:48,327 --> 00:10:51,640
（掌聲）