科学松鼠会 » 李子 https://songshuhui.net 剥开科学的坚果,让科学流行起来 Tue, 21 May 2019 22:08:59 +0000 zh-CN hourly 1 https://wordpress.org/?v=4.3.18 https://songshuhui.net/wp-content/uploads/cropped-songshuhui-32x32.jpg » 李子 https://songshuhui.net 32 32 AI不能“取代”医生给我们看病,这并不是因为AI不够强大 https://songshuhui.net/archives/104767 https://songshuhui.net/archives/104767#comments Fri, 05 Apr 2019 22:53:34 +0000 https://songshuhui.net/?p=104767

本文来自果壳网,地址在这里,未经许可不得进行商业转载

约翰霍普金斯医学院的娜塔莉·特拉雅诺娃(Natalie Trayanova)教授,刚刚度过了魔鬼一般的一年。

在外人看来,她的科研道路仿佛是一帆风顺。她带领的心血管造影技术团队拿着来自美国国立卫生研究院(NIH)的研究基金,过去三年光论文就发表了50多篇;她的项目还频频在媒体上曝光,她本人甚至被邀请到TED Talk上做演讲。然而,当她着手将这套“领域内前所未有的解决方案”向临床应用推进的时候,却遭遇了前所未有的困难。

Your Personal Virtual Heart | Natalia Trayanova | TEDxJHU

Your Personal Virtual Heart | Natalia Trayanova | TEDxJHU

她的方案在临床上的首要任务是治疗心颤。所谓心颤,指的是心脏不再有规律地按照周期跳动,而是无规律地快速“颤抖”;轻度的心颤有时本人都感觉不到,但严重的心颤可以让在几分钟内夺人性命。你可能在商场、路边或者影视作品里见过仪器装在红色盒子里,上面写着“AED”三个大字,还可能有红色的心形和闪电标记,这就是自动化的电除颤仪,依靠放电的办法结束心颤。这样的设备已经拯救了很多心脏病突然发作的人。

不过等到心颤发生再采取除颤,还是稍微有点晚。医学研究者开发出了一种心脏除颤手术,找到那些引发心律不齐的微小心肌纤维,把它们切除,从而根本上解决问题。麻烦的是,这些微小心肌纤维很难找,很大程度都靠医生经验,经常切不准地方还会误伤正常的部分。

特拉雅诺娃实验室就开发了一套结合了影像和人工智能的心脏造影方案,构建出全息3D的心脏模型,重建每一束心肌纤维、模拟心脏动态,精确地找出病灶,让手术“指哪打哪”。“我们还能顺便用这个影像,给心脏做3D打印,送给病人做留念。”来自保加利亚、已经在这个领域摸爬滚打了三十多年的特拉雅诺娃谈起自己的技术,仍然是一脸兴奋。而最近兴起的人工智能技术,更是有希望为这个技术添砖加瓦——例如,使用机器学习提高图像精度,优化计算流程,把时间和成本大幅降低。

图:特拉雅诺娃团队的“模拟心脏”

图:特拉雅诺娃团队的“模拟心脏”

然而,谈到实际应用的前景,她的乐观减少了大半。病人的各类实际需求,总是不能与技术设计完美结合,她不得不一周三天跑医院、两天跑实验室,与医生和工程师反复沟通。更大的挑战来自美国食品药监局(FDA),任何一项技术想要投入应用,都免不了和 FDA 大战三百回合;要是不能将研究成果转换为审批标准,发了再多论文都相当于白做。“还不知道什么时候会通过审批。”她对我说,“明年或者后年吧?希望如此(Hopefully),希望如此。”

“希望如此”,成了她挂在嘴边的口头禅。在人工智能计算能力大幅提升的今天,乐观派们认为AI接管医院只是时间问题,然而从实验室到医院的这段路,依然困难重重。

 


 

“你拿一万张猫的图片训练一个机器,机器能够非常迅速地判断眼前的图片是否是猫,”约翰·霍普金斯生物工程教授杰弗里·希维尔德森(Jeffrey Siewerdeson)给我打了个比方,“但你要让机器从一张元素繁多的图片里找猫,难度就指数级增大了。”

他的实验室曾经是约翰·霍普金斯医院的病房,墙上还残留着当年的病床支架和插座。如今的实验室已经远离了医院的喧闹,被各类计算机和影像仪器所占据。生物医学领域,基于机器和数据,而不用和湿漉漉的培养基或组织器官打交道的“干科学”(dry science)逐渐成为了领域热门。据医药研究机构 Signify Research 的数据预测,5年内光医疗影像和AI这一个细分领域的市场就将超过20亿美元,其中深度学习技术更是占据了半壁江山。诊断正在逐渐从病人身上分离,转入机器。

图:作者和希维尔德森在他的实验室

图:作者和希维尔德森在他的实验室

然而,人们需要对机器能做什么、不能做什么有清晰的认识。目前AI的主要成就,是给人类医生的判断打底子,而不是自行下达判断。比如希维尔德森所做的工作之一,是利用机器来学习高精度图片的特征,然后据此把低清图片“算”成高精图片——换言之,就是去马赛克。有些时候医生手头的设备不够先进,另一些时候医生需要实时观察图像,这些时候的低分辨率图片都可以在机器学习帮助下变得高清。

的确,图像识别是目前的AI最擅长的事情之一。大概从2013年开始,AI在这一个领域的能力就开始飞速发展;2015年,在谷歌ImageNet数据库训练下的机器,人脸识别能力已经超过了人类。这得益于机器能够在相对短的时间内吃进海量的影像数据,并通过深度神经网络各个层级进行分析、学习,成为阅“片”无数、经验丰富的“老医生”。希维尔德森和特拉雅诺娃所做的事情,都是利用AI的这方面长处,给予医生以诊断辅助,让医生“看”得更清楚、判断更准确。

可这并不是我们平时想象的“AI看病”。AI是否能对疑难杂症做出独立的诊断?

对于有的疾病,让AI看到影像就做出相应判断其实不那么难。比如眼科教授尼尔·布莱斯勒(Neil Bressler)正在做的项目,是使用AI技术诊断糖尿病人的眼底病变。由于这种疾病十分常见,数据积累丰富,再加上对于病变的判定相对简单,目前这个技术已经有了相对成熟的应用场景。然而,触及到更难的领域,例如癌症、肿瘤等等,图像模式十分复杂,很难用一种或者几种机械的模式概括,机器往往会卡在这种人脑依靠模拟(analogy)判断的地方。而有的病变本身也十分罕见,根本无法形成值得信赖的数据库。换句话说,现在还无法像训练一个真正的医生一样训练AI。

而更根本的矛盾还在后面:就算数据够多、计算能力够强,AI能够取代人类判断吗?

图:电视剧《西部世界》

图:电视剧《西部世界》

 


 

2011年12月,在美国麻省的一家医院,急救车送来了一个晕倒的老年男性。他立即被安置在了急救病房,安插上体征了监控设备——如果他的生命体征出现危险的波动,设备就会发出警告,召唤护士。这样一来,护士就不必时时过来查看他的情况了。

然而,第二天,这个老人却死在了病床上。死之前监控设备的红灯闪了一夜,但却被路过的护士一遍接一遍地摁掉。疏于料理的护士当然难辞其咎,然而在深入的调查之后,另外一个问题浮出水面:包括这套系统在内,许多医院用于自动化监控的装置所发出的警报,很多是误报。

通常此类自动化系统,会把极其微小的波动当做风险来处理,毕竟,万一错过了一个风险,责任就大了,所以厂商都倾向于把机器调得“过度灵敏”,并产生一系列大惊小怪的误报;反过来,医护人员则在接连不断的误报冲击下产生了疲劳,忽略了真正的危险。这是一个现代版的“狼来了”。

狼来了问题本身看似是可以解决的:把自动化系统的敏感度调低就行(厂商无疑会不愿这样做,因为这样意味着他们自己要直接担负更多责任,不过这至少原则上是可解的)。但这是本质的问题吗?人类同样常常过度敏感,每一个医生都无数次经历过家属大呼小叫、护士匆忙跑来报告异常但最后平安无事的场景,但却无法想象有多少合格的医生会因为假警报太多而从此对它们彻底无动于衷、像对待自动系统那样一遍遍按掉。问题在哪里?

在于人并不信任机器。

图:电影《机械姬》

图:电影《机械姬》

科幻小说常常把人对机器的猜疑描述成没来由的非理性行为甚至是灾祸的根源,但现实中这样的不信任其实是有理由的:人和机器的决策方式并不相同。譬如一个简单的自动化系统也许会监控病人的心率,低于一定数值就报警,但不同病人静息心率原本就不同,对一个普通人而言危险的低心率,对职业运动员而言也许只是稍微异常。传统的自动化系统只能在事先设好的规则内行事,超出规则就无能为力了。

今天最火的AI路线——深度学习看起来有望打破这个限制,但它带来了一整套新的问题。最近通过FDA审批的一个叫做“WAVE”的诊断平台,能够综合病人各项身体指标,通过深度学习的算法,给出“病人什么时候会进入病危状态”的预测。然而,《科学》(Science)2019年3月的一篇评论文章指出,不像是药品或者其它医药设备,机器学习为内核的算法并非一个逻辑确定的系统,里面涵盖了上千个互相牵涉的指标,也会根据训练数据的不同产生不同的效果,究竟是否存在确凿无疑、让人百分百信服的因果联系(就像你站在体重秤上的数字从不撒谎一样),很难说清。

而治病救人的医学,恰恰最需要稳定且可重复的证据支撑。

循证的过程需要控制变量,得出A和B之间确凿的因果联系,例如病人吃了A药之后,就是比吃安慰剂的效果要好,那么A药毫无疑问发挥了作用;而这种药在一小部分病人中产生的作用,和大部分病人相似,是可以重复的。深层到药物作用的机制和原理,则更需要有大量的动物实验打底,厘清一个化合物和病菌、器官、神经之间的具体联系。然而,目前主流的深度学习的技术却是吃进数据、吐出结果的 “黑箱”,很难照着这个方式循证。再加上机器学习的核心——数据本身就具有不确定性,更为人工智能的普适性和可重复性提出了问题。

在2019年2月华盛顿美国科学促进会(AAAS)的年会上,赖斯大学(Rice University)数据科学教授吉内薇拉·阿伦(Genevera Allen)用一系列事例直击了这个问题的核心。当下,有不少团队都在癌症相关的基因上做文章,输入癌症患者的基因组和病例数据,用机器学习的方式分析出几个不同的亚型(Sub-type),并在这个基础上开发靶向药物。这也是承袭乳腺癌的成功先例——根据基因表达的不同,乳腺癌可以分为10多种亚型,每一种的具体治疗方案和预后都不同。但是这种模式可以套到所有的癌症上吗?把大量数据“喂”给机器,机器真的能依靠数据模式给出靠谱的分类吗?

图:Genevera Allen,来源:EurekAlert!

图:Genevera Allen,来源:EurekAlert!

她综合了一些研究结果,发现在某个样本的数据上表现出色的算法,不一定适用于所有情况,也并不能重复,在这种分类的基础上得出的诊疗意见,自然也是无意义的。“两个团队用不一样的数据,很可能得到完全不重合的亚型分类,”阿伦在会议报告上说。“这些‘发现’真的具有科学价值吗?背后是否有可靠的医学证据支撑?”

她表示,如果继续这样发展,医疗科学很有可能陷入“危机”。虽然有点悲观,但也不无道理。毕竟,不靠谱的算法在亚马逊上给你推荐一本你不喜欢的书,你不买就好了;但是“推荐”一个疗法,有时候却是关乎生死的。当然,这并不是说人类医生不会犯错误。但在面对错误的时候,医学诊断的循证基础,能够给我们提供充足的条件复盘错误、并探求避免的方法。而面对人工智能的黑箱,我们甚至很难知道机器为什么会错,应该如何纠正。

一边是人工智能领域大幅提高的计算能力与不断优化的算法,另一边却是临床医学对于证据的谨慎。在不同的学科进行交叉和对话的同时,两边是否在使用同一套语言体系,成为了解决问题的关键。

 


 

这个年代最常听到的一句话,是“什么专业都得写代码”。的确,像希维尔德森和布莱斯勒的实验室里,懂医学和懂计算机同等重要,甚至还需要统计等数据科学。越来越多的研究者开始恶补相关知识,注册线上课程,甚至去跟本科生挤教室。许多老教授也拉下面子,向年轻博士生和博士后取经。

而随着大数据和人工智能的广泛应用,医生们也要开始懂得怎样跑数据,即使不会编程也必须明晓其中的原理。“(数据科学)就像另一门语言,或者好几门语言,”英国惠康基金会桑格研究所的研究员蔡娜在接受 Mosaic Science 采访时的一席话,说出了生物、医药研究人员的心声。“我不得不把之前大脑中的生化路径、流程图,转化成编程代码。”

从某种程度上讲,编程和数据成为医学领域最重要的能力之一。然而,计算机领域和医学领域的学科逻辑和评价标准,却存在一些分歧。特拉雅诺娃说,“现在太多人醉心于技术细节的提升,你去参加一个学术会议,到处都是跟你吹嘘自己的技术表现有多好,算法性能有多棒,然后在核心期刊上发了多少论文——这是他们领域的‘语言’。但最后能达到什么效果呢?” 说到这里,特拉雅诺娃摇了摇头。

“现有的大部分算法,包括诊断和预测等,都不是在传统的医学范式下研究出来的,不能直接体现医学所需要的指标,即使一些已经投入应用了,但可靠度、可应用程度等,都需要进一步验证。”宾夕法尼亚大学医学院血液和肿瘤专家拉维·帕里克(Ravi Parikh)在电话里对我说。“他在《科学》期刊上发表的评论文章谈及了这个问题:当下的许多医疗人工智能相关的研究,都以计算能力、反应速度、概率分布曲线等作为指标,比如一个算法能够把判断某种征兆的速度提高百分之几之类。但是,这到底在临床上意味着什么?这对病人的治疗效果有多大增益?速度提高了,但误诊率呢?病人接受了这个诊断,是否病程变短、返诊率下降?这些所谓 “落脚点”(endpoint)才是医学关心的指标,也是监管机构是否给某个技术放行的依据。

一言以蔽之,人工智能想要治病救人,必须要接受医学标准的审视。特拉雅诺娃深知其中的不易,前文提到的3D造影技术即将投入大规模临床实验,最终的评判标准并不是技术、性能,而是手术的成功率。“接受了手术的病人,究竟有多少不用返工重来?返诊率是多少?”能够让临床医生彻底掌握这个技术,把除颤手术目前接近40%的返诊率大幅降低,才是这个技术成功的标志。

图:作者和特拉雅诺娃合影

图:作者和特拉雅诺娃合影

希维尔德森也表示,算法必须要“翻译”成为医学实验的成果方才能称之为医疗,定量的测试和评估是一切的基础。而在临床实验中,需要照顾的不仅仅是数据,还有病人。“要验证现有技术的可用性、可靠性和效果,目前通用的方式是回溯性分析研究,这样才能在不影响病人的治疗水平的前提下得到好的结果,并且也需要伦理委员会的批准。”

而且,我们必须诚实面对算法的局限。所有的药物都有副作用和适用人群,同样,做人工智能的人也必须从“用算法去解决普适性问题”的思维中跳出,重视应用情景、数据来源和数据质量等等,学会医学语言的谨慎。监管也必须面对一些关键挑战——例如,如何保证数据的多样性,如何打开人工智能和机器学习的“黑箱”,确定一个算法的具体原理与医学证据之间的联系。 “目前可以做的是建立完善的事后审计机制(auditing system),追踪算法和数据之间的关系,以及可能出现的数据偏差。”帕里克说,“但最后,一定还是落在临床的表现上,保证效用和可重复性。”

 


 

我在希维尔德森的实验室里看到了一个比乒乓球略小的3D打印模型,质感柔韧,中间的裂痕用细密的针脚缝了起来。“这是一个有着先天心脏缺陷婴儿的心脏的一部分。”希维尔德森对我解释道,“我们用当前的造影技术,结合人工智能技术为心脏建模,然后打印出来供进行手术的医生练手。”

图:心脏模型

图:心脏模型

看着这个小小的模型,我仿佛能看到主刀医生和助手们围在屏幕前讨论手术方案,仔细观察和打量模型,思考着从哪里入手——这才是人机的完美配合,也是当下的医疗技术带来的最实际的进步。“在诊断和治疗中,一个医生的训练、经验和观察依然是最重要的。即使是最好的技术,也只能是增强医生的知识和能力,而不是替代。” 希维尔德森说。

帕里克也认为,我们不应该拿人工智能和医生相比。关键并不在于人工智能本身的能力,而是人工智能和现有的医学条件结合,能够发挥多大的功效。医生多年所见、所识、所领悟的并不能完全被翻译成数据、变成机器学习的资料;而人工智能亦有更精准的观察、更快的速度和永不疲倦的眼。谈论“医生+算法”的效果,远比谈论如何替代、或者谁比谁好要更有意义。

未来的医疗场景,一定不是病人被送进机器人医生的诊所,进行全身扫描之后得到“智能”的诊疗,而是可复制、可量产的机器,为医生提供足够多有价值的参考,节省更多人力物力,让诊疗变得更普及、更平民、更快捷。医疗人工智能领域的科技树不是冲着天空、往高处长,而是伸开枝叶,为更多的人提供安全和健康的荫蔽。

这个未来甚至并不遥远,脚踏实地一定走得到。(编辑/Ent)

(拇姬对本文有重要贡献;感谢美国科学促进会AAAS提供访问支持。)

参考资料

  1. Allen, G. I. (2017). Statistical data integration: Challenges and opportunities. Statistical Modelling, 17(4-5), 332-337.
  2. Parikh, Ravi B., Ziad Obermeyer, and Amol S. Navathe. "Regulation of predictive analytics in medicine." Science 363.6429 (2019): 810-812.
  3. Razzak, Muhammad Imran, Saeeda Naz, and Ahmad Zaib. "Deep learning for medical image processing: Overview, challenges and the future." Classification in BioApps. Springer, Cham, 2018. 323-350.
  4. Giger, M. L. (2018). Machine learning in medical imaging. Journal of the American College of Radiology, 15(3), 512-520.
  5. Tenner, E. (2018). The Efficiency Paradox: What Big Data Can't Do. Knopf.
  6. https://www.bbc.com/news/science-environment-47267081
  7. https://www.wired.com/2017/03/biologists-teaching-code-survive/
  8. https://mosaicscience.com/story/how-big-data-changing-science-algorithms-research-genomics/
  9. https://www.signifyresearch.net/medical-imaging/ai-medical-imaging-top-2-billion-2023/
]]>
https://songshuhui.net/archives/104767/feed 4
一条布带挽救一个新生儿:改变世界不一定需要高科技 https://songshuhui.net/archives/104427 https://songshuhui.net/archives/104427#comments Mon, 04 Mar 2019 22:59:51 +0000 https://songshuhui.net/?p=104427

本文来自果壳网,地址在这里,未经许可不得进行商业转载

果壳网曾接受盖茨基金会的资助

什么样的技术可以造福更多人?

在盖茨基金会的探索中心(Discovery Center)里,我们发现了一根长长的、类似披肩一样的宽布条,和这样一张卡片:

lizi-useful-low-tech-1

“袋鼠包”(Kangaroo Wrap),这是把新生儿和母亲(或者父亲)肌肤相贴包起来的一种技术。在我们照着卡片的图示,带着好奇、手忙脚乱地把一个完全模拟新生儿重量的塑料水袋娃娃绑到身上并拍照留念的同时,在非洲埃塞俄比亚、马拉维、民主刚果的农村地区,有相当数量的新妈妈,正在当地助产士的帮助下,用同样的方式,把脆弱的早产儿包裹在母亲怀里,用母亲的体温维持着生命。

“袋鼠包”

从上世纪初到上世纪末,在现代医疗技术的帮助下,新生儿的死亡率从接近10%下降到了不到0.8%。然而到今天,全世界每年依然有260万新生儿无法活过生命的第一个月,大部分都发生在不发达地区。早产,是这些小生命面临的最大威胁之一。

发达地区早产存活的记录在日益精进的医疗设备和无菌照料的支持下不断被刷新,然而这些高科技并不能惠及到偏远地带。在撒哈拉以南非洲的农村地带,卫生基础建设缺乏,有接近三分之一的分娩都是在家里进行的。早产婴儿没有保温箱的呵护,十分容易夭折,送去附近的医院也是一段漫长的颠簸。他们需要的是一种简便、低成本、有医学证据支持并且能够极大提高生存率的技术。

于是袋鼠包诞生了。

果壳主笔Ent体验“袋鼠包”

果壳主笔Ent体验“袋鼠包”

这种新生儿护理方法最开始在哥伦比亚推行,并在上世纪90年代受到了医学界和NGO的注意,世界卫生组织随后将其纳入常规护理手段之一。它不像一般的襁褓一样紧,留出了婴儿活动和呼吸的空间;绕过大人肩膀的布带,能够给婴儿发育尚不完全的颈部提供支撑;而紧紧贴住大人皮肤,又能让婴儿身体保持温暖,且能让母亲或父亲能够空出手来自由活动。最关键的一点,是它的成本极低,而且普及起来十分方便。本地的助产士能够在NGO志愿者的帮助下迅速地学会此项技术,并应用到不足月的新生儿身上。2016年的一项研究表明,袋鼠包的应用,让低体重新生儿(出生时小于2kg)的死亡率降低了40%——这是一项相当了不起的成就。

好消息是,这样的技术还有很多。专注于医药技术创新的组织PATH开发出了一套“清洁接生工具包”,并支持了尼泊尔的一个生产和配送团队,在医疗设施缺乏的喜马拉雅山区推广。工具包里面有一套低成本、经过妥善消毒的简单工具,包括刀片、消毒皂、绑带、塑料制成的一次性床单等,配上一本简便指南,帮助当地的助产士工作。后续的研究显示,这套成本不足3美元的工具包大大地降低了分娩感染的概率——只有原来的1/13。

这就是“低科技”的力量。

图:清洁接生工具包

图:清洁接生工具包

为什么需要低科技?

这些低科技其实并非真的“低”——它们凝结了许多技术研发和测试的心血,也大多有最新科学证据的支持。但是,它们通常结构简单,制造、维护、使用和学习成本都低。在远离现代基建和物流的偏远地区,这些东西的价值难以估量。

我们熟悉的日用产品往往都在越来越复杂,它们反其道而行之,技术难度并不因此降低。但这还不是它最难的地方。任何技术都无法独立于世界上,必须要有相应的社会条件配合,从金钱到人力,再到当地的风俗和习惯。

让技术走入更多地区,或许不比钻研最前沿的技术简单。我们在和比尔·盖茨的采访中,也问到了这个问题——在经济文化差异巨大的地区,如何让技术变得更平易近人?

“要让本地人为了他们自己的好处,主动运用这些(技术),这需要一些敏感度。”比尔·盖茨说,“你怎么去融入当地,去跟当地人交谈,如果你只跟政府打交道,你一定不会知道事情的全部;如果你仅仅只跟男人、或者老人打交道,也不行。你必须持续地学习、适应。”

lizi-useful-low-tech-4

同样的,如果希望技术能够惠及某个人群,那么让这些人充分参与进来,也十分关键。助产士就是一个好的例子——有些时候,你不能指望一个遥不可及的医院和“全副武装”的医务人员,你能指望的是社区成员。许多助产士/接生婆没有接受过正规教育,甚至不识字、不计数、靠月相推断产期,如何把医学知识用最简便的方法传递给他们(而不是完全依靠“土办法”)?

2007年开始,专注于落后地区母婴健康的组织 Mother Health International 开始在北部乌干达的农村推广一个小发明:“心率串”(HeartString)。这是简单得不能再简单的装置:简易听诊器,白色、绿色和红色的珠子串成一环,配上一个只有图示、没有文字的说明卡,和一个小沙漏。它的用途是帮助助产士数婴儿的心率——这被称为胎心,是分娩中的重要指标,能够揭示许多风险征兆。助产士把沙漏倒置,然后从白珠子开始数,每跳一下就数一颗珠子,沙漏走完之后,如果胎心在绿色的地方就表示安全,而在红色的区域则是心跳过速,白色的区域则是不足。然后,助产士可以根据胎心的情况采取不同的措施,或者及时送往医院。

“我们早在小学校里就学过如何数数、加减乘除,我们或许很难想象一个不靠数字来组织的世界。”心率串的负责人在博客里写道。她和当地的妇女一起吃住、聊天,理解她们的难处,并以此为基础,做出能够让她们理解并运用的发明。

图:“心率串”(HeartString)

图:“心率串”(HeartString)

技术、参与与赋权

而许多时候,当地人的需求,也不仅仅是被动地使用而已。

当 Sustainable Health Enterprises 的创始人伊丽莎白·莎浦(Elizabeth Scharpf)来到卢旺达的乡村时,她发现当地有接近20%的女孩子无法在月经来潮的时候获取卫生产品,平均一年要缺课35天。尽管有NGO捐来了卫生巾,但用完之后,女孩子们又陷入原有的窘境——囿于保守传统,她们羞于谈论,也不知道如何继续提出需求,继续被一月一次的流血困在家里。

莎浦出身于哈佛大学商学院和肯尼迪政府管理学院,年纪轻轻又创业又做慈善,但在这些耀眼的头衔之外,她也将自己放在“发明者”的角度在思考人们的需求。她带着一个小的设计团队深入乡间,去寻找可以让当地人参与进来的方式——那就是依靠当地丰富的香蕉资源,用香蕉叶里的纤维晾干、切碎压制成吸水材料,生产出一种方便、吸力强大的本土卫生巾。团队投资并指导的本地工厂里,也雇佣了大量的当地女性参与制造、售卖、分发,这个过程中,女孩子也开始和大人们讨论起月经这个原本禁忌的话题。

这就是为什么技术需要当地人的主动参与,需要他们利用技术去为自己创造机会、创造福利、接受新事物。这一切的重点不在于技术本身,而是技术被当地人掌握、参与,并实现“赋权”(Empowerment)。

有的时候,一些小小的技术进步和设计,就能够撬动巨大的生产力,为当地人带来肉眼可见的福祉,也给了他们发挥能动性的机会。美国波士顿起家的设计和建筑公司KVA MATx的公益项目“便携灯光”(Portable Light)就是这样的技术。一个背包大小的双面装置,一面是太阳能电池板,另一面是LED灯加上反光材料,中间是一个简易的电路板。白天,人们可以把它挂在建筑外墙上充电,充满之后可以给LED灯提供20小时的照明,还可以用USB给手机充电。2007年,这个项目从墨西哥开始,现在已经扩展到了巴西、委内瑞拉、海地、南非等国家。

在电力设施不发达的地方,断电、停电是家常便饭,我就曾经在尼日利亚和肯尼亚经历过这样除了望天之外无所事事的夜晚。而有了灯光,小孩子们就有了学习的机会。白天做农活、做工的人们,可以利用晚上的时间缝制小商品补贴家用;平日在室内活动的女性,也有了创造经济机会的自由。

图:“便携灯光”(Portable Light)

图:“便携灯光”(Portable Light)

小小的改变,能撬动变革的巨石吗?

所以,技术到底能改变什么?

或许,对于很多人而言,这些方便又平易近人的小发明,看起来只是对生活环境的细微提升而已;落后地区的人民,依然逃不掉社会结构性不公的压迫。基础建设的缺乏,医疗、卫生条件的恶劣,教育资源的稀缺……这些或许是“低技术”也无法攻克的难关。但技术的野心,并不在于去实现这些社会变革,而是着眼于当下切实的问题,用微小的革新撬动历史进程,与社会变革相互促进、相互补充。

比如,用疫苗将一些疾病从世界上彻底消灭。现在,许多疫苗本身已经十分廉价,然而在落后地区,特别是热带地区,运输和保存疫苗依然十分不便。没有电力,没有冷储仓库,也没有完善的物流系统,怎么办?

在探索中心,我们看到了一个蓝色的桶状装置。它比一般的水桶稍大,使用了超隔热的材料和结构,能够在只用添加冰的情况下,把整个桶的温度保持45天。这个由Arktek公司设计并制造的疫苗储存桶,或许比那些“低技术”要更“高”一些,但比起昂贵的运输和储存设施来说,还是便宜、便携太多了。它补上了整个链条中最最脆弱的一环,而这单个的技术,或许能够影响历史的走向——过去的经验不止一次告诉我们,消灭传染病是社会健康、稳定的基础,在这之上方才有教育、人力、妇女权益等等事业的成长,让更多人受惠于现代文明。

没错,对于撒哈拉以南非洲的农村,它是“生命之桶”(Keg of Life)。而放在整个技术世界的角度, “低技术”如何扮演自己的角色,那些看似不起眼的创新,怎样改变更多人、甚至所有人的生活,或许能给我们更多启发。(编辑:Ent)

图:“生命之桶”(Keg of Life)

图:“生命之桶”(Keg of Life)

参考资料

Conde‐Agudelo, A., & Díaz‐Rossello, J. L. (2016). Kangaroo mother care to reduce morbidity and mortality in low birthweight infants. The Cochrane Library.

]]>
https://songshuhui.net/archives/104427/feed 0
我企图用科学解释种族和基因问题,但我失败了 https://songshuhui.net/archives/104068 https://songshuhui.net/archives/104068#comments Sat, 26 Jan 2019 23:09:09 +0000 https://songshuhui.net/?p=104068

本文经授权转载自作者本人公众号“李子的人间博物馆”,转载请联系原账号。

这是一个让我没睡好的事情。

因为发现DNA的双螺旋得过诺贝尔奖的詹姆斯·沃森(James Watson)最近因为一些让科学工作者错愕的言论——在一个记录片(American Masters: Decoding Watson)中公开宣称“黑人和白人智商的区别在于基因缺陷”,而被供职的冷泉港(Cold Spring Labor Laboratory)撤销了名誉头衔。

冷泉港的原话是这样:

“……reprehensible, unsupported by science, and in no way represent the views of [the lab].”

(应受谴责的,不受科学支持的,不代表实验室立场的。)

然而沃森此番言论传到中国,却让相当一部分人(可能还真的是大多数)欢欣鼓舞:沃森说了大实话!看啊他们那帮“政治正确”的人!

科普博主们于是开始忙活了。(可能也是白忙活。)

图片来源:http://humanae.tumblr.com

图片来源:http://humanae.tumblr.com

到了真正的「智力」层面,就成为了一个极其复杂的作用体系

科普的目的在于说服。一开始,我试图在微博上说服这些抱持着简单的刻板印象的人。当然,也经历了各种程度的“无法对话”——非洲落后不发达,为什么不能说他们天生智商不行?

于是我发了一个「简单粗暴」的科普——为了防止落入政治口号中,我决定拿科学给这个问题给一层解释。

且不说到底人群智商高低对文明发展程度的影响(影响其实很小,起码比资源和环境小),如果单说测出来的「智商」数字高低,这是受先天条件和后天环境同时影响的。大凉山的小孩子若是测智商,肯定没法跟北京的比,当中营养条件、教育方式等影响更多;而且测量智商的量表并非在各个文化之间存有相同的功效。

即使只看基因本身,目前的科学并不能得出「X族比X族先天智力低」的结论。智力当然有基因差异,但绝对不是一个或者几个基因在控制。认知能力相关的基因有许多,其中有多少能够决定一个人是否聪明,是十分复杂的——智力「并非整齐地封装在 DNA 里」。一些先天条件,比如能否喝酒(乙醛脱氢酶活性)和咖啡耐受,只受一个基因控制,能够容易地在人群中间做出区别;然而智商这个事儿,没法这么简单地定论。

现在有一部分研究,将影响大脑细胞和突触发育的基因独立出来,或者左右空间认知能力、记忆力的几个或者一套基因独立出来分析先天影响;但是大脑深层运作依然是黑箱(人脑实在太复杂了)。到了真正的「智力」层面,就成为了一个极其复杂的作用体系。比如,你拿一个人群A和一个人群B,硬要说A比B在空间推理能力上好那么一丢丢,又能说明什么问题呢?从空间推理能力到空间想象能力复杂一个维度,从空间想象能力到立体几何演算,又复杂一个维度,再来才是数学成绩或者认路能力,这点遗传差异已经解释不了太大问题了。

图片来源:http://humanae.tumblr.com

图片来源:http://humanae.tumblr.com

当你要说明「我们汉人就是智商高」,那么第一步「汉人是谁」这个问题就够你喝一壶

而更棘手的是种族的定义。正是因为基因科学的发展,我们对于「种族」的认知已经过时了,科学并不支持现有基于肤色的种族划分(就像鲨鱼和鲸鱼不是一个类群一样)。要知道我们所有的人都是几十万年前从非洲一波接一波走出来的。非洲是人类DNA多样性最高的地域(毕竟发源地),一个东非马赛人和一个南非科萨人的差异,比一个东非马赛人和法国马赛人的差异还要大,除了他们看起来都挺黑的。小时候课本上把人类分成三个人种的说法,早就是上个世纪初的老皇历了。用一个“黑框”去装这么多不同的人,并不科学。

现在,我们能够绘制出全人类的基因迁徙图(比如携带某个基因的人群由密至疏分布,这个做分子人类学的在做),并基于此研究人群之间的差异。但最大的问题也在于这是一个非常连续的谱系,远比把人类划分成几个种族要复杂。

所以,如果你硬要把种族、基因和智商这三种根本互相无法解释的事情放在一起,那你要做的事情就多了去了。当你要说明「我们汉人就是智商高」,那么第一步「汉人是谁」这个问题就够你喝一壶。就算你定义出「携带X基因的是汉人,他们确实智商高」,那么还需要解决所谓「汉人基因」和认知能力的基因的联系。目前的科学还不能给出类似的结论。

科学的部分就是这样——我以为我已经解释得够清楚了。

图片来源:http://humanae.tumblr.com

图片来源:http://humanae.tumblr.com

如果一个研究者真的「抛开政治因素」,他绝对不会去测量「种族差异」

但是,让人听进解释这件事,远远比当初想象的要棘手。抛开各类牛头不对马嘴的回应(类似于我不听我不听你就是不肯承认黑人是劣等种族,你看黑人又穷又懒犯罪率又高,不是智商低是什么——不好意思你根本不具备理解相关和因果的能力),要「抹平」科学上的「种族差异」,是一件非常反直觉的事情。

最常见的质疑就是,「现在科学没有发现差异,不代表差异不存在,而科学能否排除政治因素去测量这些差异?」

问题在于:如果一个研究者真的「抛开政治因素」,他绝对不会去测量「种族差异」。因为种族本身就是政治和文化的建构。而涉及到「种族」的研究,一定是掺杂了政治因素的。这种具有敏感的社会性的概念(从某种程度上讲「智商」也算),根本没办法用「纯科学」(在这里指基因科学)解释,因为它们本来就是社会问题。

科学最多只能提供有限的佐证去「排除」一些并不正确的联系(比如种族概念的不科学、认知基因的复杂等等),却无法防止刻板印象的产生,以及拿着科学结果进行「诠释」的倾向。

图片来源:http://humanae.tumblr.com

图片来源:http://humanae.tumblr.com

毫无疑问,种族/族群之间的差距,作为社会问题是客观存在的,大到经济、教育、文明发展水平,细到体质、认知能力的差异,都可以通过量化手段来衡量。然而差距有了,我们拿它来干啥?一方面,现有的所有手段难以将问题落到「纯」心智层面——或者说,reduce到纯心智层面,对于解决社会问题(教育程度、经济发展程度、犯罪等等)的用处不大。这些社会问题大量地受经济、环境和文化影响,比起对着基因玩味人群差异,我们有更好的工具——技术、教育和经济,它们的影响远远大于所谓的「聪明基因」。犯罪问题就用国家机器解决犯罪,经济落后就想办法制造机会、扭转社群文化等等。这根本不是政治正确,这是科学正确和经济正确。

另一方面,纯心智层面的所谓「政治不正确」的结论为什么危险?不管你怎样去塑造科学客观的神圣性,作为人来研究、会对人产生现实影响的智力活动,科学也有它的社会位置,也就是STS/科学哲学学者唐娜·哈拉维(Donna Haraway)提出的situated knowledge。对于族群天性和禀赋的研究,不可避免地会受到历史教训的影响;颅相、优生学、纳粹等等把智人划分为三六九等的历史,曾经也是「科学」,并得到相当多科学家的背书。

科学能够不断修正自己,但是错误的影响会是灾难性的。一个科学家在打算研究种族间的智力基因差别的时候,一定会面临一个非常现实的问题:种族主义者。他们对用一切科学依据和手段排斥异己有着超乎寻常的热情,将一切科学研究用作自己的令箭。对于国内一辈子都没有遇见过一个黑人的人而言,对于黑人的刻板印象看起来的确没有直接的害处。然而西方科学的研究所在的社会位置,以及科学强大的影响力,几乎让政治无涉变得不可能。因此,我们在论证一个群体的先天禀赋上,特别是关系到智力、道德、创造力等与人类文明息息相关的素质上,科学的谨慎不无道理。

图片来源:http://humanae.tumblr.com

图片来源:http://humanae.tumblr.com

或许不再是政治「影响」科学,而是科学通过各种手段重新定义政治——教育机构如何设计,资源如何分配等等。

那么,政治既然在这里,当今的科学「敢不敢」研究人群间的心智差异?我个人认为是「敢」的,而且也一定「会」。

将来的趋势一定是针对越加特定的人群,研究越加特定的问题,并给出特定的答案。对于人类早期心智的发展的研究,离不开对于智力和认知能力的分析;而研究人类的心智的差异,研究各类环境影响如何改变基因表现,乃至特定人群的疾病易感,等等,都非常重要。

然而这里的人群,不再是我们理解的「种族」,甚至和「x国人」「x地人」也没有关系。科学会不断推动人们对于社会现象的认知,包括我们的基因如何解释,我们的先天禀赋和后天环境如何相互作用,如何提升人类的心智能力、填平心智差异等等。或许不再是政治「影响」科学,而是科学通过各种手段重新定义政治——教育机构如何设计,资源如何分配等等,需要科学研究的辅佐。

至少,这些关于心智研究的目的,不是为了让某些人拿着「科学研究结果」去印象流地洋洋自得「你看我们x人就是比y人进化得好」。科学在发展,技术在进步,人性也如此,大屠杀、集中营和「黄祸」的历史,早也应该翻篇了。

但是这个过程,可能比我们想象的更加艰难而已。

]]>
https://songshuhui.net/archives/104068/feed 14
拉雪橇的“红鼻子鲁道夫”,才不是麋鹿! https://songshuhui.net/archives/103654 https://songshuhui.net/archives/103654#comments Thu, 03 Jan 2019 22:46:49 +0000 https://songshuhui.net/?p=103654

本文来自物种日历的微信公众号,未经许可不得进行商业转载

又到一年一度的圣诞节,爸爸妈妈又开始忙着科(hū)普(you)小朋友们了:“你们要表现得好好的,然后圣诞老人就会驾着雪橇,给你们送上礼物。”

当然,我们先不用去较真圣诞老人用了什么大数据收集所有小朋友的圣诞愿望;或者拉着礼物的雪橇要多大才装得下所有礼物;又或者是只有一个圣诞老人,还是划区分片值班……我们今天研究的是雪橇的动力——拉雪橇的驯鹿。

图片:pixabay

图片:pixabay

是谁在拉我们的“礼物车”?

不知道为啥,许多人都觉得给圣诞老人拉雪橇的是麋[mí]鹿,但这其实是误传。麋鹿(Elaphurus davidianus)是中国特有种,俗名“四不像”,曾经在国内绝种,后来才从英国重新引进并饲养。然而圣诞老人这种“歪果仁”怎么可能会选麋鹿呢?从北极来的圣诞老人,也犯不着大老远地跑去选一个拉雪橇的物种,还是“就地取材”比较好。

这就是民称“四不像”的迷路,啊不,麋鹿。图片:Tim Felce / wikipedia

这就是民称“四不像”的迷路,啊不,麋鹿。图片:Tim Felce / wikipedia

不过,在地球的北方生活着好几种不同的鹿。其中,体型最大的是驼鹿(Alces alces),它们面相略有些呆滞,还老爱跑到人类居住的地方晃悠,由于视力不好,常常用鼻子闻来闻去。驼鹿的角是很大一片的那种,身材也非常高大,特技是游泳,但是可能有点笨重,不太适合拉雪橇。

“我?呆滞么?” 图片:XAlexsandraS / wikipedia

“我?呆滞么?” 图片:XAlexsandraS / wikipedia

还有一种出没在亚寒带地区的疑似物种,叫“马鹿”(Cervus canadensis),英文里是elk。它们的体型比驯鹿要更大一点,脖子上有黑色的毛 ,尾巴也要更长一些。对比圣诞老人的各种宣传画,这些特征好像都不是特别符合——拉雪橇的鲁道夫脖子上有一道白色的“围脖”,尾巴短短的,肯定还是“另有其鹿”啦。

带着“黑围脖”的马鹿(不是说“跑在马路上的鹿”啦)。图片:Lynn M. Stone / naturepl.com

带着“黑围脖”的马鹿(不是说“跑在马路上的鹿”啦)。图片:Lynn M. Stone / naturepl.com

从各种圣诞老人和鹿的合影上看,拉雪橇的其实是驯鹿(Rangifer tarandus)。圣诞老人的“老家”在芬兰拉普兰(Lapland),那么他的驯鹿在那里也很可能有着广泛分布的亚种——北欧驯鹿(R. tarandus tarandus),或者产于本地的芬兰驯鹿(R. tarandus fennicus)。

驯鹿长着珊瑚状、有复杂分岔的角,脖子上有一撮白毛,身上偶有花色,脸也没有那么长。驯鹿的公鹿和母鹿都有鹿角,这也是比较特殊的情况——其它的鹿只有公鹿有鹿角,用来宣示力量甚至打架,而母鹿没有。

终于出来了,这就是帮圣诞老人拉雪橇的驯鹿啦,“白围脖”和“短尾巴”都很符合。图片:Jose Schell / naturepl.com

终于出来了,这就是帮圣诞老人拉雪橇的驯鹿啦,“白围脖”和“短尾巴”都很符合。图片:Jose Schell / naturepl.com

最有意思的是,很多圣诞歌里会唱“红鼻子鲁道夫”(red-nosed Rudolph),而瑞典隆德大学(University of Lund)的动物学家们用红外摄像仪发现,驯鹿鼻子处的体温确实很高,那里分布着丰富的血管,可以维持鼻子的温度,这样能让它们更加灵敏地在冰天雪地里找吃的。只有一个不够严谨的地方——鲁道夫是男生的名字,而冬天有鹿角的应该是母驯鹿,但这个bug我们先不要管它……

驯鹿鼻子里丰富的血管带来的温暖血液可以维持鼻子的温度,的确可能让鼻子看起来有点红,所以“红鼻子鲁道夫”并不是乱唱的。(所以乔巴为什么是蓝鼻子?) 图片:University of Lund / YouTube

驯鹿鼻子里丰富的血管带来的温暖血液可以维持鼻子的温度,的确可能让鼻子看起来有点红,所以“红鼻子鲁道夫”并不是乱唱的。(所以乔巴为什么是蓝鼻子?) 图片:University of Lund / YouTube

驯鹿——北极圈的精灵

驯鹿广泛分布于整个北极圈,从斯瓦尔巴(Svalbard)群岛,到斯堪的纳维亚(Scandinavia),再到俄罗斯、阿拉斯加(Alaska)、加拿大育空(Yukon)和纽芬兰(Newfoundland),各地的驯鹿外表也有些微不同,因此被分成十多个亚种(但在分类学上还存有争议)。

北极视角下,驯鹿的分布范围。图片:Mark S. Boyce et al. / Environmental Reviews(2017)

北极视角下,驯鹿的分布范围。图片:Mark S. Boyce et al. / Environmental Reviews(2017)

在英语里,驯鹿有两个名字。在欧洲,驯鹿被称为reindeer,来自古斯堪的纳维亚语的hreindýri。语言学家推测hrein和古印欧语的“角”的词根相关;而dýri曾经泛指动物,可见它的分布十分之广,也非常常见——我在北极圈里徒步的时候,就曾经目击到好几只驯鹿,甚至还捡到过掉落的鹿角。

而在北美,驯鹿的名字是caribou,来自原住民米克马克人(Mi'kmaq)的本土语言,意思是“铲雪的”,大概是人们看见了驯鹿在白雪覆盖的荒原用角翻开积雪,寻找鲜草、苔藓和地衣等食物。驯鹿的肠胃里有特殊的微生物和酶,是唯一能够消化地衣里的营养物质的动物,这种常常被驯鹿吃到的地衣(Cladonia rangiferina),也被称作“驯鹿地衣”(reindeer moss / lichen)。

北美地区把驯鹿叫做caribou(绿色),而欧洲地区喜欢叫做reindeer(红色),橙色的小点表示曾引入驯鹿的地区。图片:TBjornstad / wikipedia

北美地区把驯鹿叫做caribou(绿色),而欧洲地区喜欢叫做reindeer(红色),橙色的小点表示曾引入驯鹿的地区。图片:TBjornstad / wikipedia

驯鹿的“小点心”——驯鹿地衣,也叫鹿蕊。图片:Verisimilus / wikipedia

驯鹿的“小点心”——驯鹿地衣,也叫鹿蕊。图片:Verisimilus / wikipedia

半驯化的它们,若即若离

人类和驯鹿的接触很早就开始了,这从各地原住民的语言里可见一斑。只是,中文里的“驯鹿”一名其实有点名不符实——驯鹿从未被完全驯化,大部分亚种都是野生种。前文里提到的北欧驯鹿是半驯化得最多的,但只要把它们放走,它们完全能够融入野外环境。

半放养的驯鹿。图片:Robert Canis / www.flpa-images.co.uk

半放养的驯鹿。图片:Robert Canis / www.flpa-images.co.uk

人类驯化驯鹿的历史比较短,仅有两千年左右,这也是为什么仅为半驯化的原因之一——毕竟驯鹿的生命周期比小动物还是要长不少。而且,养驯鹿的人也较少,就圣诞老人的老家芬兰来说,养驯鹿的人也不过几千,但驯鹿数量却在二十万左右。

驯鹿肉,驯鹿酒,还有“驯鹿车”

极寒地区的人们圈养驯鹿,一方面作为食物,另一方面也弥补家畜劳力的不足;半野外放养的驯鹿则作为王公贵族狩猎的对象。实际上,比起让驯鹿拉雪橇,把猎捕到的驯鹿吃掉有着更长、更广的历史。

驯鹿肉在挪威、瑞典等国家其实相当常见,甚至在格陵兰(Greenland)这样的“蛮荒”之地,也有猎驯鹿的悠久传统。鲜肉经过烹饪之后,尝起来有点像稍带一丁点腥味的牛肉;而驯鹿丸子、驯鹿罐头、熏鹿肉、腌鹿肉等等,不同地域各有不同的做法,也能在超市买到(宜家就有,可以尝尝)。拉普兰地区的驯鹿肉甚至有原产认证,算是比较重要的当地特产了。

芬兰美食炒驯鹿肉,这道菜通常会搭配土豆泥食用,在芬兰各地一年四季都能品尝到。图片:visitfinland

芬兰美食炒驯鹿肉,这道菜通常会搭配土豆泥食用,在芬兰各地一年四季都能品尝到。图片:visitfinland

一些路子比较野的猎人,会把驯鹿的血混着烈酒喝下肚子御寒(不知道有没有用……)。加拿大魁北克(Quebec)有一种甜酒的名字就叫“驯鹿”(Caribou),只是现在里面已经没有驯鹿血了,而是威士忌、枫糖浆、红酒和利口酒的混合。

甜酒“驯鹿”,可根据天气做冷饮或热饮。图片: citynetmagazine ;saq.com

甜酒“驯鹿”,可根据天气做冷饮或热饮。图片: citynetmagazine ;saq.com

阿拉斯加、加拿大北部地区的美洲原住民(因纽特人)大多也有猎驯鹿的传统。加拿大北部的哥威迅人(Gwich'in)和迁徙的驯鹿有上千年的深刻羁绊,在他们的语言里面,光是围绕着驯鹿的身体各部位就有150多个词,还有数不清的故事、歌曲、仪式和游戏等等。他们相信,是上天给了他们这样的动物以延续族群的历史,驯鹿也因此有了神圣的意味。

因纽特猎人拖着猎到的驯鹿。图片:Kasper Stoholm / wikipedia

因纽特猎人拖着猎到的驯鹿。图片:Kasper Stoholm / wikipedia

对于北欧原住民萨米人(Sami)来说,驯鹿更是相当重要的动物。在今天,不少驯鹿饲养者都转向了旅游业,驯鹿也就不拉雪橇,改拉游人了。

萨米人是北欧原住民,也是欧洲目前仅存的游牧民族,对于萨米人来说,驯鹿是他们赖以生存的宝藏。图为1900年的萨米人与驯鹿。图片:Nasjonalbiblioteket

萨米人是北欧原住民,也是欧洲目前仅存的游牧民族,对于萨米人来说,驯鹿是他们赖以生存的宝藏。图为1900年的萨米人与驯鹿。图片:Nasjonalbiblioteket

戴着萨米传统帽子的爸爸和儿子,都是驯鹿牧养人。图片:visitfinland

戴着萨米传统帽子的爸爸和儿子,都是驯鹿牧养人。图片:visitfinland

一对英国夫妇在拉普兰举行婚礼,萨米人和他们精灵般的驯鹿正帮这对新婚夫妇拉着雪橇。图片:visitfinland

一对英国夫妇在拉普兰举行婚礼,萨米人和他们精灵般的驯鹿正帮这对新婚夫妇拉着雪橇。图片:visitfinland

圣诞老人和鲁道夫

“圣诞老人驾雪橇”这个设定,则要晚好多好多才出现。圣诞老人本身就是古希腊圣人、小孩们的守护神圣尼古拉斯(Saint Nicholas),英国中世纪民俗故事里的圣诞之父(Father Christmas)和北欧神话奥丁神(Odin)的奇葩混合,直到18世纪,Santa Claus这个词才出现在记载中。1821年,一本儿童诗上出现了驯鹿拉着圣诞老人的雪橇的形象;1823年,一首儿歌A Visit from St. Nicholas里第一次出现了圣诞老人的八头驯鹿的名字。

想像一下,给穷苦人送礼物的圣尼古拉斯(左)、外表可变化的圣诞之父(中)和挪威神奥丁(右)一起对你说:“Ho Ho Ho! Merry Christmas!”。图片:Jaroslav Čermák & John Leech & Georg von Rosen / wikipedia

想像一下,给穷苦人送礼物的圣尼古拉斯(左)、外表可变化的圣诞之父(中)和挪威神奥丁(右)一起对你说:“Ho Ho Ho! Merry Christmas!”。图片:Jaroslav Čermák & John Leech & Georg von Rosen / wikipedia

至于“红鼻子鲁道夫”,则源自1939年美国一家百货公司的圣诞营销中免费发放给孩子们的故事书。你现在去美国的商场,一定会听到“Rudolph, the Red-Nosed Reindeer”的旋律,唱的就是那个故事啦——这只性别有点错乱的驯鹿就这样走入了流行文化里,也是一段意想不到的旅程啊。

]]>
https://songshuhui.net/archives/103654/feed 0
喜欢吃的辣,都是什么辣?我们为什么爱吃辣? https://songshuhui.net/archives/103284 https://songshuhui.net/archives/103284#comments Thu, 13 Dec 2018 22:23:07 +0000 https://songshuhui.net/?p=103284

本文来自微信公众号“物种日历”,未经许可不得进行商业转载

辣椒——对于一个重庆人(我出生时还隶属于四川省)来说,仿佛是一个刻在基因里的标签。跟国际友人介绍自己家乡,对方大多会在听到重庆或者四川两个字时一头雾水,而在我解释“就是吃的东西特别有名,很辣”之后恍然大悟、笑逐颜开。

我本人爱吃辣吗?如果你要问18岁、刚离开重庆北上时候的我,那么答案一定是yes。在北京念书吃食堂的日子,无不想念家乡的回锅肉、辣子鸡和夫妻肺片。在水煮肉片端上来的时候,立马就能凭油泼辣子的香气辨认出正宗与否,吃火锅的时候也总是不遗余力地安利红油九宫格。

但如果你要问现在的我是否爱吃辣,我一定会犹豫一下——并不是所有的辣都可以的。在海外旅居、游历的这些日子,我体会到了一些不一样的辣,也明白了四川重庆的辣,不一定是最辣的(先别急着为吃辣的能力骄傲啊老乡)。墨西哥的小伙伴拿出蘸“魔鬼辣酱”(Ghost pepper)的玉米卷(Taco),只需一口就能让我捂着火辣的嘴唇不想再碰第二次;不小心嚼到越南米粉里的小尖椒,毫无防备的我被辣到吸溜了半碗米粉汤;至于被印度小伙伴拉去吃北印地区的正宗辣咖喱,我倒是挺喜欢,但前提是要配上三大片馕(Naang),空口吃辣咖喱还是只有立马求饶。

馕和咖喱。| 图片来源:wordpress.com

馕和咖喱。| 图片来源:wordpress.com

而且我发现,几年之后再回重庆,就算是“微辣”的火锅也能让我吨吨吨直灌酸梅汤。甚至有一次吃烧排骨,由于多扔了几根藤椒,居然也把我自己给辣得够呛。我的确是土生土长的假重庆人无误了。所以,我之前喜欢吃的辣,都是什么辣?自己身上“爱吃辣”的标签究竟是怎么回事儿?要回答这些问题,可能还要先从辣椒开始讲起。

多样的辣椒

我们现在所说的辣椒,大多来源于茄科辣椒属(Capsicum)下的5种栽培种,其中又以Capsicum annuum最为常见。我们所熟知的长条带弯的尖椒,稍短一点的朝天椒,以及大个儿的几乎没有辣味的青椒,都是这个种下的栽培种。

各种各样的辣椒。| 图片来源:pxhere

各种各样的辣椒。| 图片来源:pxhere

辣椒种在地里的样子就是普普通通的多年生草本植物,互生的的卵形叶片略带尖,开出白色的五瓣小花。结出的果实从生物学意义上来讲是浆果(berry),像小盒子一样装着肾形的种子(这也是拉丁属名Capsicum的来源——拉丁语的capsa,盒子的意思,衍生出的英语单词是胶囊的capsule)。

C. annuum 的植株。| 图片来源:powo.science.kew.org

C. annuum 的植株。| 图片来源:powo.science.kew.org

辣椒的白色小花。| 图片来源:H. Zell / wikipedia

辣椒的白色小花。| 图片来源:H. Zell / wikipedia

另外一种比较常见的辣椒是C. frutescens,也就是“小米椒”,生在比较低矮的灌木上,带着玲珑可爱的小尖头辣椒,不仅可以食用,还是园艺里备受喜爱的品种。

C. frutescens的果实一般朝上长。| 图片来源:Sanu N / wikipedia

C. frutescens的果实一般朝上长。| 图片来源:Sanu N / wikipedia

辣椒为啥辣?

辣椒哪里最辣?实际上,和很多人的直觉不同,辣椒的籽并不辣,皮也没那么辣。辣椒最辣的是皮里面那层白色的胎座,一般紧靠着柄、贴着辣椒皮竖直延伸出来。把它刮掉,辣椒的辣味就能减少大半。对于不辣的青椒,这部分刮掉也能改善青椒苦涩的口感。

白筋的部分其实是胎座。| 图片来源:natinspicygarden.com

白筋的部分其实是胎座。| 图片来源:natinspicygarden.com

实际上,辣椒的辣是为了保护里面的籽不被错误的动物吃掉。辣椒本身就希望不怕辣的鸟儿能多吃点儿,反正消化不了都会被排出,正好让鸟把种子散播出去。然而讨厌的哺乳动物却总是不识时务地啃食果实,甚至种子还没成熟就被吃掉了,那怎么行?于是,辣椒素作为一种防御哺乳动物啃食的机制被演化出来。

一只鸟正在吃辣椒的果实。| 图片来源:healthyliving.natureloc.com

一只鸟正在吃辣椒的果实。| 图片来源:healthyliving.natureloc.com

然而辣椒万万没想到,有几种哺乳动物偏偏爱上了这种刺激的感觉。其中一种叫鼩鼱[qújīng],是吃辣的高手,常年的演化让它根本不care 辣不辣的问题。另外一种则是没毛的猿,他们当然能吃出辣来,并且非常自虐抖M地爱上了这种刺激,实在是让大自然搞不懂啊。

辣椒从哪里来?

辣椒的基因来源非常多样,不过都起源于新大陆。在中美到南美的热带地区,有好几种辣椒分别被早期的定居者驯化——C. annuum来自中美洲,C. chinense(另一个种,名字虽然有china 但是跟中国没太大关系)则诞生于亚马逊北部。安第斯山脉也驯化了自己的辣椒,不过在今天已经不太常见了。最新研究在厄瓜多尔的西南部发现了最早的辣椒驯化证据,能够追溯到6千多年以前,所以辣椒算是新大陆的人类最早驯化的农作物了。

红色区域表示C. annuum的发源地。| 图片来源:s10.lite.msu.edu

红色区域表示C. annuum的发源地。| 图片来源:s10.lite.msu.edu

真正使辣椒成为传奇的,是它从新世界走遍旧大陆的脚步,以及人们对它带着抖M气质却依旧欲罢不能的喜爱。在1493年,第二次横渡大西洋的哥伦布以及随船的医生,把这种“像玫瑰花丛一般”生长的植物带回了西班牙。

辣椒其实不是一种十分挑剔生长环境的植物——不管是用来装饰也好,调味也罢,人们(和鸟类)开始自发传播这种植物。来自伊比利亚的商船在明末清初将辣椒带到了广东和福建沿海,辣椒从而登陆亚洲,向内陆传播。奥斯曼和阿拉伯的商人也将辣椒通过东欧的商路,经过匈牙利传进德国(所以匈牙利的paprika一直都被他们视作“传统”呢)。

匈牙利卖paprika的小摊贩。| 图片来源:Takkk / wikipedia

匈牙利卖paprika的小摊贩。| 图片来源:Takkk / wikipedia

英语中的chilli(红辣椒)据说来自墨西哥的一种土著语言,听起来跟“寒冷”的chilly有一种戏谑的反差——辣椒实际上是制造灼热感的东西。世界各地的人们迅速将这种植物和他们文化以及语言中的香料、热辣等词汇联系起来,衍生出了各种各样的名称——比如前面的paprika、pepperoni、jalapeno、tabasco、唐辛子等等,不仅泛指辣椒,现在也特指各个文化中常用的某种辣椒。

在中国,一开始人们只将这种“番椒”作为观赏植物或者药物使用,但随着它被大规模地栽培,人们发现用它调味的食物实在是别有一番风味。最先开始食用辣椒的是贵州及其相邻地区,在缺乏盐的贵州,“土苗用以代盐”;而到了乾隆、嘉庆年间,四川、湖南、云南等地也开始食用辣椒了;到了清代末年,我们现在熟悉的辣菜已经进入了川菜经典食谱,而川菜以油泼辣子为主的吃辣习惯也在这个时候形成。

从干辣椒、辣椒粉、辣椒油、辣椒酱,再到糊辣椒、泡辣椒、糍粑辣椒,被调成红油味、麻辣味、酸辣味、糊辣味、怪味……小小的辣椒衍生出了如此丰富的味道(我虽然不太能吃辣,但写到这里,口水就已经下来了啊)。

我们为什么要吃辣?

既然辣椒是从海上传进来,那么为啥福建和广州不吃辣,偏偏是内陆的四川、贵州和湖南人爱吃辣呢?这个问题到了今天或许也困扰着各种各样的人——我们为什么选择吃辣?到底是基因决定的还是环境造就的?

图片来自pixabay

图片来自pixabay

辣椒好吃吗?当然好吃了。辣椒能刺激口腔黏膜,增加唾液分泌及淀粉酶的活性(口水又下来了!)。在潮湿炎热的地方,人们常常会食欲不振,辣椒则能起到刺激、开胃的作用。辣椒素对蜡样芽胞杆菌及枯草杆菌有显著的抑制作用,所以也备受潮湿地区的青睐——在食物储存手段并不到位的过去,能杀菌也是非常重要的特质啊。

辣椒带给我们的,实际上不是味觉,而是一种刺痛、灼烧的感觉。辣椒素作用于嘴里的痛感神经通路,产生的灼热感会让大脑产生一种机体受伤的错觉,并开始释放人体自身的止痛物质——内啡肽。所以,吃辣的确是一种“刺激”的体验,甚至会产生一种愉快的感觉。顺便说,解辣的正确方法是乳制品,奶里面的酪蛋白能够结合辣椒素,从而减少对口腔的刺激。

图片来自pixabay

图片来自pixabay

实际上,在辣椒传入中国之前,人们就已经开始寻觅刺激的食物了。早在距今1600多年前,晋朝的《华阳国志》中就记载蜀人“好辛香”,当时人们多使用姜、花椒、茱萸等。研究表明,中国古代约有四分之一的食品中要加花椒,而在今天,花椒被更加刺激的辣椒挤到了四川一隅,形成了麻辣的特殊味型。至于在西方,胡椒则占了主要地位。

不过,于我而言,吃辣始终还是一件战战兢兢的事情。我的性格不算火爆,寻求刺激的需求也并没有太高,喜欢吃辣,可能更多的并不是辣本身,而是随着辣味而来的家乡菜的记忆。回锅肉不加豆瓣便不成为回锅肉,辣子鸡不从成山的干辣椒里挑便不成为辣子鸡,水煮鱼不泡在滚烫的红油里便不成为水煮鱼。

图片来自pixabay

图片来自pixabay

现在我回到家,得先备好牛奶、酸梅汤和苦丁茶才能和川菜、火锅大战三百回合——即使这样我也在所不惜,因为那是我熟悉的、被我定义成“美食”的东西。

]]>
https://songshuhui.net/archives/103284/feed 6
如果你成为了医学实验的"对照组" https://songshuhui.net/archives/103219 https://songshuhui.net/archives/103219#comments Tue, 04 Dec 2018 22:59:01 +0000 https://songshuhui.net/?p=103219

本文经授权转载自公众号“李子的人间博物馆”(id:museumofus),未经许可不得进行商业转载

这两天,几乎所有人都在关注基因编辑婴儿这件事情,各种惊诧、愤怒、不解的情绪笼罩在社交网络上。一时间大家都在说“伦理”,但是很少有人知道医药伦理究竟是什么。

或许,下面这个故事,会对你的思考有帮助:一点点医学伦理的历史,以及我们为什么需要它。

“他们都是对照组”

这是二战之后的菲律宾,在马尼拉海湾对面的巴丹半岛(Bataan)。那时候,有一条美国人修的马路,把半岛差不多刚好一分为二。1947到1949年,马路一侧的人生活正常,另一侧的人,却频繁地患上一种怪病。得上这种怪病的人,体重直线下降,精神萎靡,而且脚步动作迟缓,仿佛是被什么毒气附身了一般。得病的小孩常常食欲不振,连哭声都有气无力。

lizi-control-group-1

当地人把这种病称之为 Beri beri,也就是我们所说的脚气病。这种病在菲律宾这个小岛上并不罕见,但是这个岛上一半的人口得病、另一半却十分健康,实在是很蹊跷。

其实,这是一场医学实验,这个岛的两边是人造出来的“实验组”和“对照组”。领导这个实验的人,是美国著名化学家罗伯特·R·威廉斯(Robert R. Williams)。

左边人间,右边地狱

脚气病在18世纪被西方人在东南亚地区发现,而且总是流行于底层穷苦人、或者监狱罪犯身上。起初,他们以为是这些未开化的土著卫生习惯糟糕,让毒气在密集的人群中传播;后来,他们发现吃米糠的人好像不太容易得这种病,但却又不知道为什么。直到1926年,罗伯特·威廉斯和另外两位荷兰化学家才提取出左右脚气病的主要成分:硫胺素,也就是我们所说的维生素B1。

简单的结论要怎么实施下去呢?维生素片在当时并不是那么普及。威廉斯想到一个办法:他与营养学家和农学家合作,用一种特殊的工艺,在米的表面进行一层加工,作为食物供给。那要怎么证明这个方法有效呢?对照实验呗。

他选中了菲律宾的巴丹半岛——地理位置偏僻,交通不便,沟通困难,而且人们都很穷、受教育程度也很低。指着马路一分为二,一边是实验组,一边是对照组,方便可行——实际上,西方科学家曾经在泰国、印度尼西亚的监狱实行过类似的对照研究,而巴丹半岛的条件,在威廉斯眼里,大概跟监狱没什么两样。

并且,也不必通知当地人。

一个威廉斯熟识的私人基金会为当地的磨米工坊们提供了一些资助和指示,让村民们去指定的地方加工大米。当然,这些在马路的另一边都是没有的。两年间,实验如威廉斯预想地在进行。马路这边的实验组人们保持了健康,然而另外一边的村民却有高达10%-20%的患病率,其中有数百名婴儿因为脚气病而死去。

Robert R. Williams | wikimedia commons

Robert R. Williams | wikimedia commons

“一切都是统计数字”

一切都是统计数字,被威廉斯记录在案,这些将成为他从美国政府以及联合国粮食及农业组织(FAO)那里获取资助、在菲律宾借助官方力量进行全面推广的“证据”,而那时候,维生素B富集的专利和销售,又能够通过菲律宾政府的采购,为他带来一笔不小的财富。

这一切当然很“科学”。然而,马路另外一边的居民,却额外遭受了两年的折磨。其实,故事还不止这么简单,早在殖民者踏足之日,“实验”和“对照”就已然在进行了——在殖民者控制下,大规模量产的精米能以更便宜的价格、大量地输出给当地人,或者进行机器加工,致使本土的饮食习惯被抛弃,脚气病实际上是由此而生。而保持传统饮食结构的中国,这个问题却并没有那么严重。

lizi-control-group-3

为了科学,这一切真的是毫无选择的吗?医学实验出数据的方式有很多种,威廉斯选择了最方便快捷的这一种,因为他根本没有、也不需要和当地人商量。他们,仅仅就是“实验对象”而已。他们是美国后殖民体系中最最底层的一环,贫苦、封闭、亟待“科学”来拯救,然而却轻易地成为了“科学发展”的代价,还很便宜。

为了科学,弱势群体就可以被牺牲吗?

这样的事情,历史上还有很多。美国从大萧条时代一直延续到二战后的塔斯克吉(Tuskegee)梅毒实验,实验对象全部都是贫穷的黑人和佃农。原本承诺好的治疗,在经费紧缩下被牺牲;明明有青霉素可以用,但实验者为了“对照观察疾病发展全貌”,硬是让许多人接受了不必要的折磨。但研究只有“折磨对照组”这一条路可以走吗?即使有牺牲,是否也应该有相应的补偿?

参与塔斯克吉梅毒实验的志愿者 | 美国国家档案和记录管理局

参与塔斯克吉梅毒实验的志愿者 | 美国国家档案和记录管理局

1972年,事情的全貌得以曝光,整个美国医药界开始反思。现在美国人在医药伦理方面走在了前面,美国食品药品监督管理局(FDA) 对于医药实验有详尽的规定,这些都是沉重的历史教训。病人原本就处于结构中的弱势,他们需要治疗,也需要尊重。

但是问题依然在各种地方以各种形式浮现。第三世界国家在当今成为了“伦理洼地”,伦理制度不健全的背后,是没有话语权和议价权的人群得不到保护。切尔诺贝利之后,垮台的苏联保护不了乌克兰受灾群众,别国科学家涌入乌克兰研究核辐射,研究完成之后拍拍屁股离开;而当今,西方很多大的医药企业,把医药试验“外包”到第三世界国家,用蝇头小利忽悠信息不对称的穷苦人民试验新药(其中当然有不少成为了没有疗效的“对照组”),然而新药上市之后,那些人却根本买不起。

是,人类的科学有了长足的进步,然而不可否认的是,这些进步并没有惠及所有人,甚至损害到了更弱势的群体。这不是“代价”二字可以陈述的。换作是你——如果你是马路另一边的巴丹岛土著,或者染上梅毒却得不到治疗的非裔美国人,你愿意自己只是因为人微言轻而成为“对照组”吗?

资本只保护富人,政治只保护本国人(有的时候连本国人都可以牺牲),而伦理保护的是每个人作为人的基本权利。谈伦理不是阻碍科学进步,而是让整个人类能够更积极地看待科学、参与科学,成为科学的同盟而不是敌人。

人类的力量十分强大,而科学作为工具,在提升人性和泯灭人性之间,可能只隔了一条高速公路。

]]>
https://songshuhui.net/archives/103219/feed 19