面對改變時，理智與情感的拉扯就像是「象與騎象人」——《學會改變》上

本文與 研華科技 合作，泛科學企劃執行。

每次 NVIDIA 執行長黃仁勳公開發言，總能牽動整個 AI 產業的神經。然而，我們不妨設想一個更深層的問題——如今的 AI 幾乎都倚賴網路連線，那如果哪天「網路斷了」，會發生什麼事？

想像你正在自駕車打個盹，系統突然警示：「網路連線中斷」，車輛開始偏離路線，而前方竟是萬丈深谷。又或者家庭機器人被駭，開始暴走跳舞，甚至舉起刀具向你走來。

這會是黃仁勳期待的未來嗎？當然不是！也因為如此，「邊緣 AI」成為業界關注重點。不靠雲端，AI 就能在現場即時反應，不只更安全、低延遲，還能讓數據當場變現，不再淪為沉沒成本。

什麼是邊緣 AI ？

邊緣 AI，乍聽之下，好像是「孤單站在角落的人工智慧」，但事實上，它正是我們身邊最可靠、最即時的親密數位夥伴呀。

當前，像是企業、醫院、學校內部的伺服器，個人電腦，甚至手機等裝置，都可以成為「邊緣節點」。當數據在這些邊緣節點進行運算，稱為邊緣運算；而在邊緣節點上運行 AI ，就被稱為邊緣 AI。簡單來說，就是將原本集中在遠端資料中心的運算能力，「搬家」到更靠近數據源頭的地方。

那麼，為什麼需要這樣做？資料放在雲端，集中管理不是更方便嗎？對，就是不好。

第一個不好是物理限制：「延遲」。
即使光速已經非常快，數據從你家旁邊的路口傳到幾千公里外的雲端機房，再把分析結果傳回來，中間還要經過各種網路節點轉來轉去…這樣一來一回，就算只是幾十毫秒的延遲，對於需要「即刻反應」的 AI 應用，比如說工廠裡要精密控制的機械手臂、或者自駕車要判斷路況時，每一毫秒都攸關安全與精度，這點延遲都是無法接受的！這是物理距離與網路架構先天上的限制，無法繞過去。

第二個挑戰，是資訊科學跟工程上的考量：「頻寬」與「成本」。
你可以想像網路頻寬就像水管的粗細。隨著高解析影像與感測器數據不斷來回傳送，湧入的資料數據量就像超級大的水流，一下子就把水管塞爆！要避免流量爆炸，你就要一直擴充水管，也就是擴增頻寬，然而這樣的基礎建設成本是很驚人的。如果能在邊緣就先處理，把重要資訊「濃縮」過後再傳回雲端，是不是就能減輕頻寬負擔，也能節省大量費用呢？

第三個挑戰：系統「可靠性」與「韌性」。
如果所有運算都仰賴遠端的雲端時，一旦網路不穩、甚至斷線，那怎麼辦？很多關鍵應用，像是公共安全監控或是重要設備的預警系統，可不能這樣「看天吃飯」啊！邊緣處理讓系統更獨立，就算暫時斷線，本地的 AI 還是能繼續運作與即時反應，這在工程上是非常重要的考量。

所以你看，邊緣運算不是科學家們沒事找事做，它是順應數據特性和實際應用需求，一個非常合理的科學與工程上的最佳化選擇，是我們想要抓住即時數據價值，非走不可的一條路！

邊緣 AI 的實戰魅力：從工廠到倉儲，再到你的工作桌

知道要把 AI 算力搬到邊緣了，接下來的問題就是─邊緣 AI 究竟強在哪裡呢？它強就強在能夠做到「深度感知（Deep Perception）」！

所謂深度感知，並非僅僅是對數據進行簡單的加加減減，而是透過如深度神經網路這類複雜的 AI 模型，從原始數據裡面，去「理解」出更高層次、更具意義的資訊。

以研華科技為例，旗下已有多項邊緣 AI 的實戰應用。以工業瑕疵檢測為例，利用物件偵測模型，快速將工業產品中的瑕疵挑出來，而且由於 AI 模型可以使用同一套參數去檢測，因此品管上能達到一致性，減少人為疏漏。尤其在高產能工廠中，檢測速度必須快、狠、準。研華這套 AI 系統每分鐘最高可處理 8,000 件產品，替工廠節省大量人力，同時確保品質穩定。這樣的效能來自於一台僅有膠囊咖啡機大小的邊緣設備—IPC-240。

此外，在智慧倉儲場域，研華與威剛合作，研華與威剛聯手合作，在 MIC-732AO 伺服器上搭載輝達的 Nova Orin 開發平台，打造倉儲系統的 AMR（Autonomous Mobile Robot） 自走車。這跟過去在倉儲系統中使用的自動導引車 AGV 技術不一樣，AMR 不需要事先規劃好路線，靠著感測器偵測，就能輕鬆避開障礙物，識別路線，並且將貨物載到指定地點存放。

當然，還有語言模型的應用。例如結合檢索增強生成 ( RAG ) 跟上下文學習 ( in-context learning )，除了可以做備忘錄跟排程規劃以外，還能將實務上碰到的問題記錄下來，等到之後碰到類似的問題時，就能詢問 AI 並得到解答。

你或許會問，那為什麼不直接使用 ChatGPT 就好了？其實，對許多企業來說，內部資料往往具有高度機密性與商業價值，有些場域甚至連手機都禁止員工帶入，自然無法將資料上傳雲端。對於重視資安，又希望運用 AI 提升效率的企業與工廠而言，自行部署大型語言模型（self-hosted LLM）才是理想選擇。而這樣的應用，並不需要龐大的設備。研華的 SKY-602E3 塔式 GPU 伺服器，體積僅如後背包大小，卻能輕鬆支援語言模型的運作，實現高效又安全的 AI 解決方案。

但問題也接著浮現：要在這麼小的設備上跑大型 AI 模型，會不會太吃資源？這正是目前 AI 領域最前沿、最火熱的研究方向之一：如何幫 AI 模型進行「科學瘦身」，又不減智慧。接下來，我們就來看看科學家是怎麼幫 AI 減重的。

語言模型瘦身術之一：量化（Quantization）—用更精簡的數位方式來表示知識

當硬體資源有限，大模型卻越來越龐大，「幫模型減肥」就成了邊緣 AI 的重要課題。這其實跟圖片壓縮有點像：有些畫面細節我們肉眼根本看不出來，刪掉也不影響整體感覺，卻能大幅減少檔案大小。

模型量化的原理也是如此，只不過對象是模型裡面的參數。這些參數原先通常都是以「浮點數」表示，什麼是浮點數？其實就是你我都熟知的小數。舉例來說，圓周率是個無窮不循環小數，唸下去就會是3.141592653…但實際運算時，我們常常用 3.14 或甚至直接用 3，也能得到夠用的結果。降低模型參數中浮點數的精度就是這個意思！ 

然而，量化並不是那麼容易的事情。而且實際上，降低精度多少還是會影響到模型表現的。因此在設計時，工程師會精密調整，確保效能在可接受範圍內，達成「瘦身不減智」的目標。

模型剪枝（Model Pruning）—基於重要性的結構精簡

建立一個 AI 模型，其實就是在搭建一整套類神經網路系統，並訓練類神經元中彼此關聯的參數。然而，在這麼多參數中，總會有一些參數明明佔了一個位置，卻對整體模型沒有貢獻。既然如此，不如果斷將這些「冗餘」移除。

這就像種植作物的時候，總會雜草叢生，但這些雜草並不是我們想要的作物，這時候我們就會動手清理雜草。在語言模型中也會有這樣的雜草存在，而動手去清理這些不需要的連結參數或神經元的技術，就稱為 AI 模型的模型剪枝（Model Pruning）。

模型剪枝的效果，大概能把100變成70這樣的程度，說多也不是太多。雖然這樣的縮減對於提升效率已具幫助，但若我們要的是一個更小幾個數量級的模型，僅靠剪枝仍不足以應對。最後還是需要從源頭著手，採取更治本的方法：一開始就打造一個很小的模型，並讓它去學習大模型的知識。這項技術被稱為「知識蒸餾」，是目前 AI 模型壓縮領域中最具潛力的方法之一。

知識蒸餾（Knowledge Distillation）—讓小模型學習大師的「精髓」

想像一下，一位經驗豐富、見多識廣的老師傅，就是那個龐大而強悍的 AI 模型。現在，他要培養一位年輕學徒—小型 AI 模型。與其只是告訴小型模型正確答案，老師傅 (大模型) 會更直接傳授他做判斷時的「思考過程」跟「眉角」，例如「為什麼我會這樣想？」、「其他選項的可能性有多少？」。這樣一來，小小的學徒模型，用它有限的「腦容量」，也能學到老師傅的「智慧精髓」，表現就能大幅提升！這是一種很高級的訓練技巧，跟遷移學習有關。

舉個例子，當大型語言模型在收到「晚餐：鳳梨」這組輸入時，它下一個會接的詞語跟機率分別為「炒飯：50%，蝦球：30%，披薩：15%，汁：5%」。在知識蒸餾的過程中，它可以把這套機率表一起教給小語言模型，讓小語言模型不必透過自己訓練，也能輕鬆得到這個推理過程。如今，許多高效的小型語言模型正是透過這項技術訓練而成，讓我們得以在資源有限的邊緣設備上，也能部署愈來愈強大的小模型 AI。

但是！即使模型經過了這些科學方法的優化，變得比較「苗條」了，要真正在邊緣環境中處理如潮水般湧現的資料，並且高速、即時、穩定地運作，仍然需要一個夠強的「引擎」來驅動它們。也就是說，要把這些經過科學千錘百鍊、但依然需要大量計算的 AI 模型，真正放到邊緣的現場去發揮作用，就需要一個強大的「硬體平台」來承載。

邊緣 AI 的強心臟：SKY-602E3 的三大關鍵

像研華的 SKY-602E3 塔式 GPU 伺服器，就是扮演「邊緣 AI 引擎」的關鍵角色！那麼，它到底厲害在哪？

一、核心算力
它最多可安裝 4 張雙寬度 GPU 顯示卡。為什麼 GPU 這麼重要？因為 GPU 的設計，天生就擅長做「平行計算」，這正好就是 AI 模型裡面那種海量數學運算最需要的！

你想想看，那麼多數據要同時處理，就像要請一大堆人同時算數學一樣，GPU 就是那個最有效率的工具人！而且，有多張 GPU，代表可以同時跑更多不同的 AI 任務，或者處理更大流量的數據。這是確保那些科學研究成果，在邊緣能真正「跑起來」、「跑得快」、而且「能同時做更多事」的物理基礎！

二、工程適應性——塔式設計。
邊緣環境通常不是那種恆溫恆濕的標準機房，有時是在工廠角落、辦公室一隅、或某個研究實驗室。這種塔式的機箱設計，體積相對緊湊，散熱空間也比較好（這對高功耗的 GPU 很重要！），部署起來比傳統機架式伺服器更有彈性。這就是把高性能計算，進行「工程化」，讓它能適應台灣多樣化的邊緣應用場景。

三、可靠性
SKY-602E3 用的是伺服器等級的主機板、ECC 糾錯記憶體、還有備援電源供應器等等。這些聽起來很硬的規格，背後代表的是嚴謹的工程可靠性設計。畢竟在邊緣現場，系統穩定壓倒一切！你總不希望 AI 分析跑到一半就掛掉吧？這些設計確保了部署在現場的 AI 系統，能夠長時間、穩定地運作，把實驗室裡的科學成果，可靠地轉化成實際的應用價值。

台灣製造 × 在地智慧：打造專屬的邊緣 AI 解決方案

研華科技攜手八維智能，能幫助企業或機構提供客製化的AI解決方案。他們的技術能力涵蓋了自然語言處理、電腦視覺、預測性大數據分析、全端軟體開發與部署，及AI軟硬體整合。

無論是大小型語言模型的微調、工業瑕疵檢測的模型訓練、大數據分析，還是其他 AI 相關的服務，都能交給研華與八維智能來協助完成。他們甚至提供 GPU 與伺服器的租借服務，讓企業在啟動 AI 專案前，大幅降低前期投入門檻，靈活又實用。

台灣有著獨特的產業結構，從精密製造、城市交通管理，到因應高齡化社會的智慧醫療與公共安全，都是邊緣 AI 的理想應用場域。更重要的是，這些情境中許多關鍵資訊都具有高度的「時效性」。像是產線上的一處異常、道路上的突發狀況、醫療設備的即刻警示，這些都需要分秒必爭的即時回應。

如果我們還需要將數據送上雲端分析、再等待回傳結果，往往已經錯失最佳反應時機。這也是為什麼邊緣 AI，不只是一項技術創新，更是一條把尖端 AI 科學落地、真正發揮產業生產力與社會價值的關鍵路徑。讓數據在生成的那一刻、在事件發生的現場，就能被有效的「理解」與「利用」，是將數據垃圾變成數據黃金的賢者之石！

👉 更多研華Edge AI解決方案
👉 立即申請Server租借

讓電腦理解人類情感，一直是許多科學家關注的議題。那你知道現在 AI 已經學會人類情緒的辨識了嗎？

所以我們這集就來講講：

1. AI 如何理解人類情緒
2. AI 如何生成情緒語音
3. 世界上第一款具有同理心的 AI 對話工具 Hume

那麼我們就開始吧！

如果有其他想看的 AI 工具測試或相關問題，也可以留言發問～

更多、更完整的內容，歡迎上泛科學院的 youtube 頻道觀看完整影片，並開啟訂閱獲得更多有趣的資訊！

• 作者／劉育成｜東吳大學社會系副教授

後人類學者 Rosi Braidotti 在其著作中提出了一個問題：

「後人類主體的感官與知覺器官，看起來會像什麼樣子？（What is the sensory and perceptive apparatus of posthuman subjects like?）」（Braidotti & Hlavajova, 2018, p. 12）。

或者，換一個問法。人類所擁有的情感、情緒、知覺或感官體驗，都是「自然的」嗎？這樣的論述有多大程度是真實的？以及，科技如何可能改變這樣的真實性？Jordi Vallverdú 提出「後認知時代（Post-Cognitive Era）」一詞，藉此思考以下提問：「情緒或情感是自然的嗎？」「在科技介入後，情緒或情感如何變得不自然？」，或者「如何挑戰情緒或情感是自然的這條界線？」（Vallverdú, 2017）。

換句話說，他的提問是：人造感官如何影響或形塑我們對世界的認識？以及，最終而言，如何形塑我們對自身之認識，以及形塑自身與機器之關係的認識？當然，這也挑戰了自然與技術的關係，也包含了重塑兩者之間原本存在之界線的內涵。

自然與非自然之間的關係

自然與技術（人造物）的關係，從希臘時代便有所論述。在史丹佛哲學百科（SEP）中，Franssen 等人歸納出了四個主題：首先，技術是學習於自然，或是模仿於自然。例如建造房子是模仿自燕子築巢、編織則是模仿自蜘蛛結網等。第二，自然與人造物之間存在著根本上的區別。例如亞里斯多德認為，自然界事物的產生與動作乃是內生的，而人造物是依賴外在的原因。此外，不同於自然，人造物也無法再製自身。第三，亞里斯多德的四因說（物質、形式、效用、目的）對技術哲學的貢獻。第四，柏拉圖與亞里斯多德對技術圖像的大量使用。例如柏拉圖將世界描述為是工匠的作品（the work of an Artisan）以及兩者都認為技術圖像在表達「世界的理性設計」這個信念上是不可或缺的（Franssen, Lokhorst, & Poel, 2015）。

在希臘神話中也經常見到技術如何借鏡於自然，以擴展人類的能力。例如伊卡洛斯與代達洛斯想要透過蠟製成的翅膀逃離克里特島的故事。對於自然與技術（人造物）之間的區別，以人造物無法再製自身為主要觀點，指出了某種對於自然與人造物之間似乎存在著一道無法跨越的鴻溝或高牆。無論是往下走到底或者往上爬，科技都尚未能帶領我們看到是否能成功跨越的終點。

從技術的角度來看，自然是可以被征服的。然而，自然卻從未想要征服技術。對人類與社會的演化而言，「自然」不過就是透過技術進行觀察與再現的產物。康德曾經提問，「自然如何可能（How is nature possible?）？」社會學家 Simmel 認為這樣的提問正指出所謂的自然，「只不過是對自然的再現而已（nothing else but the representation of nature）」（Simmel, 2009[1908], pp. 40-41）。此一對自然的再現，原本是透過感官、心智與意識的運作，綜合而來的主體經驗，例如味道、溫度、顏色、情緒等皆然。

對康德而言，自然「就是個特定種類的經驗，一個透過且在我們的知識範疇中所發展出來的圖像」（Ibid.）。Simmel 對康德有關自然的討論，原本是想要回答「社會如何可能？」的這個問題，但將它自身的問題類比於康德的提問，正好提出了當前關於科技與人類發展的重要議題，也就是：在多大程度上，人類其實是技術的產物，且徹頭徹尾就是技術的？以及，隨著科技的介入，人類—身體與心智—在多大程度上仍（會）是自然的？

自然（Nature）可以是資料（Data）嗎？

馬克思在《資本論》第一卷中說道：「人自身作為一種自然力，與自然物質對立。為了在對自己的生活有用的形式上佔有自然物質，人使自身的自然力——手臂和腿、頭和手運動起來。當人透過這種運動，對外在於自身的自然施加作用並改變自然時，也就同時改變他自己的自然／性質（Nature）」（引自，萬毓澤, 2018, p. 56）。

這似乎是說，人透過其原本作為自然界之一部分的自然之力，在改變自然的同時，也改變了自身的屬於自然的那一部分。科技不僅在這個運動過程中給予人的自然力大大的協助，甚至不斷地擴增其力量，更透過大腦的延伸——網際網路以及人工智能等——欲將人類身體的自然性質消除殆盡。儘管可以想見的是，這為人類的日常生活帶來更多的便利與效能，但與此同時，自然卻也成了一個再也回不去的想像。

「是不是自然的？」這件事重要嗎？在自然與技術（非自然或人造物）這兩個端點上，我們很少譴責自然是一個不好或不健康的東西，但是跟技術有關的，卻經常象徵了不健康的事物。當現代社會中出現越來越多諸如「吃得健康」、「吃原型食物」、「回歸自然」等論述，或許也指出了前述馬克思所論述的矛盾。

在科技發展上，將自然——透過各種感測器或演算法等——化約為「資料（data）」並且對透過這些資料以模擬、再現或理解自然的肯定，讓自然離人類越來越遠。Coyne 在探討自然在數位時代中的位置時也說道：「無論自然是什麼，其絕不是資料」（Coyne, 2018, p. 7）。我們之所以能夠區別何謂自然或不自然，前提是我們已經使用了「自然／非自然」的這組區別。對人類以外的有機體而言，這組區別無疑是不存在的。

換句話說，這組區別乃是技術的產物，也正是從技術（人造而非自然）的角度觀之，自然充滿了訊號（signals）或徵兆（signs）， 等待著被（技術）解讀。對自然的「認知」——搜集、解讀訊號並賦予意義，一開始雖是透過尚未被技術中介的身體與感官來實現，但如今卻逐漸轉向由人造感官（artificial organs）與演算法來架構出對自然的認識。

歷史上的四種認知階段

廣義而言，「認知」就是對世界或環境的感知與認識。Vallverdú 區分了歷史上的四種認知階段：自然、文化、計算，以及後設統計（meta statistics）（超人類／超智能）（Vallverdú, 2017, p. 194）。這四個階段也可以看作是四種認識世界的方式，而這個過程也標示了那個原本是自然之一部分的身體，在科技介入後如何逐漸消逝的過程。

在前三個階段，那個自然意義下的身體仍是認知發展與主體，感官在其中扮演重要角色。心智的發展也與感官如何感知外部世界有密切關係。因此，至少在這些階段中，知識仍是具身性的（embodied）。假如我們依舊相信科學與科技發展中的奇點（singularity）論述是可能出現的，那麼在奇點之後的人類以及「認知」又會是什麼樣子？這是 Vallverdú 所謂的第四階段：後設統計。他認為，未來的知識在本質上將會是「統計性的」。他稱那些在奇點之後所出現的認知實體為「後認知實體（post-cognitive entities）或「後奇點智能（post-Singularity intelligences）」（Ibid., p. 197）。

這樣的一種後認知實體主要有兩類，其一是「超人類（transhumans）」，其二則是人工智能學家 Nick Bostrom 所謂的「超智能（superintelligences）」（Bostrom, 2014）。超人類或許仍可被認為是人類或具有部分人類的性質，或者所謂的「賽博格（cyborg）」。然而，對於「超智能」——一種具有人類智能特性卻能超越人類智能的演算法，如何定義其是否為活著的或者是有機體等，對某些人而言似乎還是個困擾。

在探討認知的發展與情緒是不可分的前提下，Vallverdú 將這些後奇點智能的情緒系統描述為「para-emotions」，這個系統與當前人類的情緒系統運作會有很大不同，也將會是建立在新的資訊結構之上。如果情感與情緒在某種程度或意義上仍是自然的，那麼我們將要如何理解透過人造感官、各種感測器所蒐集到的數據，並據以形成關於情感與情緒的計算及結果？

另外，假如一個人工智能演算法能夠展現情感與情緒，並以此為基礎發展出對環境的認知與理解，這樣的一種非人的、後奇點實體是否能被視為是具有生命的？這些問題不僅在實務上會帶來各種倫理議題，在知識論上也直接挑戰了自然與技術的界線。

在日常生活中，我們已經可以見到人們透過穿戴式或植入式裝置搜集數據，並以此為了解自身身體的方式。這些人造感官、感測器所獲得之資料，可以單獨運作或與身體感官的運作合併，一同形塑出所謂的認知。人們感知的方式也會形塑其思考與行動的方式與內容。

Vallverdú 以「羞恥感（shame）」在社會連結中扮演之角色為例指出，羞恥感這種複雜的社會情緒，乃是透過複雜的社會互動而出現。此外，羞恥感更能夠用來實現人們彼此之間更細緻、複雜的社會互動（Vallverdú, 2017, p. 205）。這樣的情感與情緒如何在人造認知設備中獲得實現，以及對人機互動的影響與啟發等，都還尚待深入探究。

「感覺」可以透過大數據或演算法建構嗎？

「資料並未創造出感覺（data do not create sense）」，Vallverdú說道（Ibid.）。

透過技術能搜集到的資料越多，並不表示對自然或環境的感知或理解就必然會越加正確或適切。更重要的是，透過人造感官為人類或超智能所架構出來的環境特性，是否也是自然的，或自然的一部分？若我們將演算法也視為一種人造感官，當人們越來越依賴演算法來架構認知時，人類大腦是否會受到各種人造感官的影響，而被形塑成一種透過人造的方式來認識其環境，或者甚至，最終為人造大腦所取代？例如，書寫工具的數位化將我們與自然的接觸簡化到手指的固定、簡單的幾個動作，但卻給予與我們探索更多非屬於自然的可能性，而得以讓想像力因為數位化工具而得以更精緻、更多意想不到的方式來實現。其確實為我們帶來了更豐富的世界，但也將我們與自然的關係簡化為僅是手指的幾個動作。

再舉個例子，我們對植物的認識，過去需要到外面，透過觀察、觸摸等方式來認識植物，如今透過智慧型手機中的 APP（例如「形色」或 Google），只要對不知名的植物或花卉等拍攝照片，該程式就會將照片與其雲端上的資料庫進行比對，然後將結果回傳到手機螢幕上，然後使用者就會知道該植物的名稱及特性。在經驗研究中觀察到的是，使用者是在獲得回傳之資料後，再將該資料中對該植物特性的描述與眼前的植物進行比對，也就是透過回傳之資料來認識該植物的特性。

在此一過程中，原本一開始是需要透過感官進行仔細觀察、觸摸、尋找資料、比對等都被簡化為一連串數位化的動作，這些動作與所要認識的對象之性質無關，而我們卻越來越習慣於用這樣的方式來認識與接觸自然。當我們意識到時而想要回歸到更多的自然時，我們所需要付出的代價可能更高（一方面是因為我們已經習於技術為我們提供對自然的認識或進用），甚至是一件不太可能或相當困難的事。

Braidotti 認為後人類、後人類中心主義的觀點，乃是茁生於「展露自身於世界，且折疊世界於自身之中的實作」（Braidotti, 2013, p. 193）。對我來說，這就是將人類帶回自然。至於這個「將人類帶回自然」對人類自身而言是一種貶抑或者是提升，或許仍有待討論。若科技是為了征服自然而存在及發展，也就是致力於人與非人（人造物）、自然與技術之界限的消解，那麼這樣的一種後人類論述，或許更像是創造了不存在真正自然的對象物。前述之界線的消解包含兩種意涵。其一是解消而回歸自然，其二是解消但卻是回歸技術。

然而，對這兩種意涵的探究，是否也預設了人與非人這組區別是技術而非自然的產物？這或許也是值得思考的問題。關於後人類與後人類中心主義的提問便會包括，這組區別之解消，帶來的是偏向自然或偏向技術的世界或思維？

《脫稿玩家》中擁有自我意識的 NPC

在最近的一部電影《脫稿玩家（Free Guy）》（2021）中，劇情主要描述一個在數位虛擬世界中的 NPC（Non-Player Character，非玩家角色）在獲得自我意識之後所發生的各種情節。非玩家角色指的是，在角色扮演遊戲中，那些不是由玩家所控制的角色。非玩家角色通常是由電腦程式或人工智能演算法所控制，主要協助真人玩家進行遊戲或豐富遊戲的場景與互動內容。

在該電影中所設定的虛擬遊戲場景裡的 NPC—Guy—突然獲得了自我意識，因此也認識到他跟遊戲中的其他 NPC 角色有所不同。此外，該遊戲的真人玩家也在與 Guy互動的過程中，不僅有真實情感的投入，也引發了對於 Guy 是否應該被視為是「人」或者是「活著的」討論。這也直接挑戰了自然與非自然的界線，以及「什麼是『活著的（alive）』？」、「自然就等於是活著的嗎」等觀點。更進一步提問會是，在這個從自然到非自然的跨越，以及從非自然跨回自然之過程中，到底發生了哪些事？

結語

綜上所述，人類（社會）或許正經歷一個從「科技中介的自然（technologically-mediated nature, or artificial nature」到「科技的自然化（naturalization of technology）」之發展。在此過程中，關鍵的提問將會是，自然如何解消於科技之中，以及這樣的解消為物種帶來何種面對自身的方式及後果？無論是 Vallverdú 稱之的後認知或後奇點實體，還是 Braidotti 的後人類主體，這些都會是「身體主動吸引技術進入其中」的主體，技術不再是輔助身體之用，正常與不正常的身體，都期待技術帶來的好處——也將重塑正常／不正常的界線。

例如我們不只是無法抗拒智慧型手機，在某種意義上，我們歡迎智慧型手機對身體——姿勢、行為、心理與心智——的殖民。感官與知覺設備不再只是指單純的身體感官，也不是如麥克魯漢所言之的身體感官透過技術物而延伸的產物，而是技術物改變感官經驗甚至取代感官以提供資訊給心智（演算法）進行處理，最終帶來的或許正是一個科技就是自然的後認知時代。

• 萬毓澤. (2018). 你不知道的馬克思. 新北市: 木馬文化.
• Bostrom, N. (2014). Superintelligence: Paths, Dangers, Strategies. Oxford, UK: Oxford University Press.
• Braidotti, R. (2013). The Posthuman. Cambridge, UK: Polity Press.
• Braidotti, R., & Hlavajova, M. (Eds.). (2018). Posthuman Glossary. London and Oxford: Bloomsbury Academic.
• Coyne, R. (2018). Network Nature: The Place of Nature in the Digital Age. London & New York: Bloomsbury Academic.
• Franssen, M., Lokhorst, G.-J., & Poel, I. v. d. (2015). Philosophy of Technology. In E. N. Zalta, U. Nodelman, & C. Allen (Eds.), Stanford Encyclopedia of Philosophy (pp. 1-55). Stanford, CA: Stanford University.
• Simmel, G. (2009[1908]). Sociology: Inquiries into the Construction of Social Forms (Volume 1) (A. J. Blasi, A. K. Jacobs, & M. Kanjirathinkal, Trans.). Leidon & Boston: Brill.
• Vallverdú, J. (2017). The Emotional Nature of Post-Cognitive Singularities. In V. Callaghan, J. Miller, R. Yampolskiy, & S. Armstrong (Eds.), The Technological Singularity (pp. 193-208). Berlin, Heidelber: Springer.