交通號誌燈模擬：省時省油的好方法

「好不容易綠燈了，怎麼又有路人擋在斑馬線上？現在汽機車要停讓行人，不是只會讓路口更塞嗎？」

「怎麼一綠燈，腳才剛踏出去，就差點被撞到，台灣真的是行人地獄啊！」

話說道路設計的最高原則，就跟ＸＸ製藥一樣，是先研究不傷身體，再講求效果。包括行人、駕駛者等用路人的安全要確保，再來才是讓所有用路人都能在安全的條件下，快速地到達目的地。

那麼駕駛轉彎時須等候行人的規定，你怎麼看呢？身為行人的我覺得，這只是遲來的行人正義，本該如此啊！以前每次過馬路都要急急忙忙，還擔心被司機怒瞪，感覺真的很差。不過握上方向盤的我卻又覺得，哇靠，現在每次汽車轉彎遇到行人就要停下來，結果根本如入行車地獄，一整排車子在路上塞爆，綠燈都結束了，車子還卡在路中間！

與其讓每個人都陷入行人與駕駛的無間道，也許我們該思考的是最根本的燈號設計問題，調整號誌設置加上增設行人專用時相（Pedestrian Scramble），被認為是擺脫行人地獄惡名的關鍵一招，但這招真的有用嗎？該怎麼用才真的好棒棒呢？

紅綠燈秒數該如何設計？

最近交通改革的呼聲很高，820「還路於民大遊行」也即將登場。台灣交通雖然不會因為一次的遊行，在一夕之間改變，但能讓更多人在乎交通的癥結，願意理性討論，我認為都是很好的發展。

因為多起令人傷心的事故，「道路設計」如今備受重視，然而設計道路不是看心情或靠直覺，不論是車道寬度、人行道寬度或是標線位置，都是集合交通學、數學和心理學分析的綜合結果。其中，紅綠燈的設計相對來說比較簡單，因為那就是解數學題嘛。

喔？這數學題該怎麼解呢？我們先以最簡單的雙時相號誌來舉例。這裡所謂的時相，就是指號誌的狀態。例如一個最一般的十字路口，會由一個南北向綠燈、東西向紅燈的時相，加東西向綠燈、南北向紅燈的另一個時相，組成雙時相系統。如果又加上禁止直行、僅允許轉彎的情況，那就是又多了一個時相。而由三個以上組成的系統，就是我們常聽到的「多時相交通號誌」。

現在我們眼前有一個雙時相號誌路口，我們的目標，是設計一個在固定時間內，能讓更多車通過，駕駛可以花更少時間抵達目的地的路口。唯一的條件，是它的紅燈與綠燈時間必須一樣長，那麼你會希望紅燈長一點還是短一點呢？蛤，短一點比較好？真的是這樣嗎？

當我們在設計號誌週期 (signal timing) 時，通常會將號誌畫成類似於 PM 常用的甘特圖，更加一目了然。現在我們有第一種設計：紅燈、綠燈各一分鐘，一個號誌週期是兩分鐘。以及第二種設計：紅燈、綠燈各 30 秒，一個週期是一分鐘。實際畫成甘特圖，雖然一次的紅燈等待時間變短了。但長時間來看，你遇到綠燈跟等紅燈的時間，是一樣多的，也就是在相同時間內，前進的距離是一樣的。

當然啦，相信你也看出來了，現實情況不是這樣，就算是藤原豆腐店的送貨員，從零加速到一百，喔不對，一般道路速限是 50 公里。從零加速到 50，也是需要起步時間的，如果遇到紅燈也需要煞車時間。再加上黃燈的轉換時間，這些時間加起來會產生不少的時間損耗。如果遇到一次紅燈，就會損失 5 秒。那麼在週期為兩分鐘的道路上行駛兩分鐘，實際上的有效時間，只有 60-5 秒，也就是 55 秒的時間。在週期為一分鐘的路口呢？雖然行駛兩分鐘的綠燈時間總計也是一分鐘，卻因為會多遇到一次紅綠燈。所以有效時間會損失 2 次 5 秒，也就是有效時間只剩下 50 秒，比週期是兩分鐘的道路還少了五秒。

結論就是，雖然綠燈長一點，紅燈也需要等久一點，但比起不斷地走走停停，能將速度維持在速限的時間更久，就能節省更多時間。

號誌連鎖，幹道更順暢

當然，以上假設是紅燈與綠燈一樣長的情形，大部分的道路規劃都存在幹道、支道的區分。幹道是交通的命脈，也是車流量最大的地方，因此綠燈時間就會設計的比紅燈還要長，在號誌設計上也會有其他的考量。

例如，大家在路上看到一整排綠燈，一路大順暢，心情一定也十分舒暢，這被稱為號誌同步 (Signal Synchronization)。剛才討論的是單一紅綠燈的時間長短，現在我們同時考慮整條路上的紅綠燈，依照經驗也知道，沒有號誌同步的幹道，遇到的紅燈次數自然也會比較多，那麼因為頻繁減速、加速而出現的時間損失又多起來了。

但是，號誌同步真的是最優的作法嗎？其實不見得。當我們將號誌再次畫成圖，把號誌的時間和空間擺在一起，形成時空圖（Time-Space Diagram），並且加入行駛速限的考量。

我們會發現，放入合適的時差，能讓號誌如波浪般傳遞下去，每次你剛好到下一個路口，就會剛好遇到綠燈，達到真正的一路大順暢。這種安排方式被稱為號誌連鎖 (Signal Coordination)。而要讓雙向的道路都能受益於號誌連鎖的好處，就需要透過嚴密的車流量與數學計算。

在這些基礎之上，還需要加入時間、車流、轉彎道等資訊，才能做出最有效的號誌設計，實在不簡單。在這個基礎之上，若要解決行人屢屢遭遇事故的困境，該怎麼設計紅綠燈呢？

行人專用時相是什麼？

前陣子，關於駕駛轉彎時須等候行人的議題又再度浮上水面，有人提出既然每次汽車轉彎遇到行人就要停下來，不如增設「行人專用時相」（Pedestrian Scramble）來解決問題。在這個時相內，只有行人可以移動，反過來說，在汽車移動的時候，行人是不能移動的。

這有什麼好處呢？首先，因為行人穿越馬路時所有汽車都得靜止，因此行人可以穿越對角線，穿越馬路的次數從兩次變為一次。對於駕駛來說也有好處，因為駕駛行駛時已經沒有行人會穿越斑馬線，因此右轉車輛可以不受影響，降低等待時間。而最重要的是，行人移動時沒有任何交通工具正在移動，直接降低了車禍的風險。倫敦交通局在 2010 年的報告中，便說明行人專用時相可以降低 38% 的行人傷亡。

既然這麼立竿見影，那把所有路口都加設「行人專用時相」就解決問題了嗎？其實也不是。增加一個時相，就意味整個週期拉長了。因此不論是行人還是車輛，要等的紅燈時間也會拉長。在少部分城市，就觀察到駕駛更容易因為等得不耐煩而搶跑、闖紅燈，例如加拿大的多倫多，就因此在 2015 年取消了行人專用時相。

一般認為，適合設置行人專用時相的地方，僅在行人人流量高的路口，例如鬧區、車站前、幹道交叉口等等。在行人數量不多的路口，增加時相可能反而會使塞車問題更加嚴重。

還有什麼方法能讓行人更安全的過馬路？

事實上，台灣交通安全協會理事長陳宏益也表示，行人專用時相只是短期應急作法，更好的做法是搭配不同路口採用不同的措施。例如設置「行人早開時相」（Leading Pedestrian Interval），讓行人比車輛早 3~7 秒綠燈，增加行人被駕駛看到的機會、減少人車爭道。

或是呢，設置行人庇護島或將行穿線退縮，除了庇護島能多一分保障外，重要的是行穿線退縮能增加汽車的等候空間，並且因為車輛在轉入時已經轉直，比較不容易因為 A 柱死角而看不見行人。

歡迎訂閱 Pansci Youtube 頻道 獲取更多深入淺出的科學知識！

2023 即將上線的超級電腦（Supercomputer）

歐洲最大的超級電腦（Supercomputer），將要在 2023 年上線啦！今年六月中時，德國于利希研究中心（Forschungszentrum Jülich GmbH）的超級計算中心（Jülich Supercomputing Centre, JSC）發佈新聞稿^[1]，表示歐盟的歐洲超級電腦中心聯合承辦組織（EuroHPC Joint Undertaking）選定該研究中心的超級計算中心，做為歐洲第一個設立 Exascale 超級電腦 Jupiter 的地點^[2]，歐盟出資一半，而另一半的資金將由德國教育部（BMBF）以及北萊茵威斯特法倫州（Nordrhein-Westfalen）文化部共同出資，其意昧著這台超級電腦也將優先提供給德國的科學家，以及北威州的研究單位使用^[註一]。表示現今的超級電腦軍備競賽，已打到了 Exascale 了，Jupiter 將是繼美國設立世界第一台 Exascale^[註二]的超級電腦 Frontier 後^[3]，即將出現的次世代超級電腦（如果德國的施工期有好好的踩點）。

Exascale 的超級電腦具有「每秒百億億次（10¹⁸）」（也就是 100 京）的每秒浮點運算（FLOP）能力，實際規模也將具有國家高速運算中心台灣杉二號^[4]的 111 倍以上的運算能力，也就是要建立超過百台規模的台灣杉二號才具有 Exascale 的規模，但也同時考驗硬體的處理能力、主機間節點的連線架構、資料讀寫能力，更甚者，則是軟體是否具有 Exascale 的使用能力，也就是硬體與軟體都必須要能夠良好的契合才行。

什麼是超級電腦？可以幫助都市成為超級都市嗎？

「這些顯示器太舊了」雷迪亞茲說。

「但它們後面是世界最強大的電腦，每秒可以進行五百萬億次浮點運算。」

_{~ 劉欣慈《三體：黑暗森林》}

劉欣慈《三體：黑暗森林》（2007）提到人類「當時」最強的電腦，為五百萬億的運算能力「而已」，沒想到 15 年後的今天，地表最強的超級電腦 Frontier 是出現在美國的橡樹嶺國家實驗室（Oak Ridge National Laboratory），而不是小說裡說的，在洛斯阿拉莫斯國家實驗室（Los Alamos National Laboratory），而且 Frontier 的效能還是小說裡超級電腦的五千多倍，可說是現實終於有超過小說的時候了（但我們依就沒有飛天滑板可以借東京都的死神小學生）。

超級電腦是科學家進行高速/高效計算（High Performance Computing）的主要設備。超級電腦的架構，可以說是非常的簡單：用網路線連結各台主機，讓主機間互相溝通，才能夠進行平行運算。

一般超級電腦的架構大致上如下：一機板上可能會有一個到數個 CPU，而一個或是數個機板會組成一個節點（Node），有時數個結點會組成一個機櫃（Rack/Cabinet）。節點與節點間的連結，就是依靠網路線在進行 CPU 之間的溝通，因此網路變成非常重要的元件。

在此架構下，如何讓結點間有效溝通，也是一門學問了^[5]。這些 CPU 可以想象是每個拿著工程計算機的研究生，正等著教授指派任務給他們算，而一個節點就是一個房間，在同一個房間內的溝通一定是比較快的，當不同房間需要溝通時，就會需要走出房間去給資料，如果所有的人一起拿資料回報給教授，那這教授可能就會崩潰，所以如何讓研究生（CPU）互相溝通，又不至於塞車，就是電腦工程專家們的專業了。

現在超級電腦的架構也與過往的超級電腦不同了。除了採用巨量 Arm 晶片的日本富岳（具 158,976 節點）、自主研發晶片的中國神威太湖之光（具 40,960 節點）外，前十大超級電腦^[3]都是採用 CPU 加上 GPU 的混合架構（如在機板上插上 GPU 增加運算效率），才達到 100 Peta-Flop（1Peta = 10¹⁵） 以上的計算量，也意味著未來要在超級電腦上進行高效計算，GPU 運算也成為很重要的應用，因此也有許多計畫正在將軟體朝 GPU 運算的方向前進與推動。

軟體是否能配合平行化，也是非常是否能進行高效運算的重點之一。所謂的高效計算，也是利用許許多多的運算元件（CPU 或是 GPU），採平行運算的方法，將一個問題切成許多碎片，以螞蟻雄兵的方法一一解決，所以不要再怪為什麼你家的電腦 CPU 無論幾核心都只用了一核心，那是因為你的軟體沒有進行平行處理。早期土木界在進行坡面的圓弧破壞面計算時，據說就是用人力一人算一片圓弧的切片，也算是（人力）平行運算的先驅之一了。一般電腦中使用平行運算最多的，應該就是你手上那張 GPU 顯卡，在 GPU 的加持下，電腦螢幕中每個點、每個邊、每個平面上的顏色與光影，才能完美的呈現在使用者的眼前，所以與其用顯卡挖礦，還不如投身虛幻而真實的遊戲世界。

不過有了地表最強的超級電腦，並不代表我們今天就能夠像小說形容的一樣，能幾秒內預測核子彈的破壞能力，或是在一天內算出地球百年後的氣候狀況，因為平行計算加快了計算的速度，但有其極限。

資料的讀入或是寫出，也是瓶頸之一，電路板與網路速度，以及資料存取方式都會造成資料讀寫的延遲，更不用說，若是打算模擬地球，其將耗盡 80 exabyte 等級的儲存空間，其為 CERN 的 ATLAS 與 CMS 計畫所產生的資料量的十倍^[6]。

為什麼氣候模擬要用到 Exascale?

Exascale 的超級電腦除了可以提供更多的運算能力，給更多的使用者進行模擬與計算外，也是挑戰超大型計算的開始。不過為什麼要 Exascale？到底為什麼一個模擬要用到上千甚至是上萬顆的 CPU 在運算？氣象氣候模擬已經將 Exascale 喻為下一階段應使用的救星^[7]，在氣象上除了要能做到一小時內達成氣象預測外，也希望能夠進行叢集式運算（像是利用隨機方法產生上百個因亂度而有不同結果的預測），進而進行機率式預測分析，或是提高水平距離至 2.5 公里以下的網格精度，此精度也為可進行對流模擬 （Convection-Permit）^[8] 的精度。氣候模擬也需要高效能的運算，除了高精度的全球模型外，也需要進行長程的氣候模擬，幾十年到幾百萬年的模擬時間，也將需要 Exascale 等級的超級電腦來加速模擬，縮短實驗時間。越多的計算核心以及有效的平行運算，才能讓最真實的模擬結果讓人類使用，畢竟，誰都希望出遊不要遇上下大雨，也會希望能夠提前幾天知道颱風的路徑。

地球系統模擬中，其中一個挑戰便是進行模擬時程：挑戰一日（24 小時）的超級電腦計算可以得到多少年的模擬結果（simulated years per wall-clock day, SYPD）^[6]，還真的是「度日如年」，而此地球系統的精度為水平方向僅一公里的超高解析度，用來進行最終極的地球系統模擬：數位攣生（Digital Twins）^[9]。數位攣生計畫主要是要建立地球的複製體，以方便人們對地球進行各種「實驗」，了解到經濟或政策面對地球生態或是氣候的影響，因此要達成此目的，強大具 Exascale 能力的電腦，便成為了目標。

目前已經有部份超級電腦都在進行 SYPD 的挑戰，如中國的神威太湖之光，其已完成了每日 3.4 年的地球系統模擬^[10]，只不過其地面僅有 25 公里的水平精度，海面僅 10 公里的水平精度，還有非常多的進步空間。只可惜，這個實驗並沒有進行進行資料輸出，無法得到正確的效能結果（資料的寫入與輸出也是非常費時的），以及真正的運算結果：因為沒有資料，就沒有辦法分析。

從高速電腦看量子電腦：量子電腦會是傳統的救星嗎？

量子電腦目前也成為了熱門名詞，從 2019 年開始，IBM 與 MIT 共同開始了量子計算課程，各學術單位也在搶攻量子電腦領域，但對地球模擬領域而言，量子電腦還太遙遠，對「傳統物理」的地球科學來說，我們解偏微分、解多項式，用的是傳統的數值方法，跟量子電腦界在進行的運算，也差了十萬八千里。

編按：這邊所說的數值方法，簡單講就是「暴力解」。例如要求圓周率，就先設定一個半徑為 1 的圓面積公式，然後問電腦答案是多少，電腦的第一步會把所有正整數代入公式中從一個初始數字（Initial State）開始，先找到答案會在 3 到 4 之間，之後又把 3 到 4 之間的所有數，帶回一開始的公式，得知答案在 3.1 到 3.2 之間，之後又將這個區間的所有數帶回一開始的公式，如此重複很多次後，就會得到相對接近的正確答案。

量子電腦就比較詭異了，量子態的平行運算與邏輯閘，使得兩者的運算邏輯完全不同，以上面的圓周率問題為例，量子電腦會直接給出在 3.1415925 至 3.1415927 之間，存在正確答案的可能性是最高的，但是這個範圍也有可能是錯的，而且就算是錯的，以我們現在的能力也很難說明它錯在哪裡。

從表面上來看，傳統電腦用暴力解，以排除錯誤答案的方式逼近正確答案，而量子電腦不排除錯誤答案，直接找到最有可能的答案會在哪個區域，但不保證運算過程中的正確性。

因為這個區別，若將現在成熟的模擬方法直接導入量子電腦中，最有可能出現的就是不知道怎麼解讀得到的數據，這包含了答案的正確程度，以及改動特定變數後所產生的答案變動是從何而來？

IBM 與 GOOGLE 正在爭奪追逐量子霸權（Quantum Supremacy）的同時^[11]，（不過 Google 號稱的量子霸權，也就是一萬倍的計算速度，在 2021 年被中國科學院理論物理所的 Feng 等人用了 15 個 NVIDIA V100 GPU 給追上^[12][註五]），其離傳統電腦計算的距離，也有十萬八千里遠，離應用於地球科學計算上還有一定的距離，但只要哪一天能夠應用在普通的大氣循環模式（GCM），就可以算是第一步吧。但是在量子力學進入大氣科學前，我們氣候與氣象模擬還是只能使用傳統的電腦主機，靠著 2 位元的方法進行大氣模擬，所以目前傳統超級電腦還沒有被取代的機會。

結語：超大主機與超大計算

依摩爾定律，每十八個月，CPU 晶片的製成就會進步一倍，同時，超級電腦中心卻是一直受益於摩爾定律帶來的好處，也就是 CPU 的能力越來越強，而價格也越來越親民，也讓氣候氣象模擬的空間精度也隨之升高。

Neumann 等人也預計在 2030 年代後，進行 1 公里等級的超高精度計算也將不是夢想^[7]，而在 Exascale 主機降臨前的這個年代，有些超級計算中心已經以節點（Node）做為計算資源耗費的單位（Node per hour），而非 CPU per hour，顯示出大型主機對計算資源消耗的想法以從 CPU 規模上升到了 Node 規模。

一方面使用者受益於更多的 CPU 資源，但同時這些主機也要求更新更大量的計算能力，如瑞士的 Piz Daint 與瑞典的 LUMI，皆要求使用者的計算必須是含有 GPU 運算能力，而純粹靠 CPU 運算的軟體，將無法享受到同等的巨量資源。

而相應的挑戰也隨之而生，除了硬體將進入 Exascale 的時代，軟體也將一同進入這場大戰，才能享受同等的資源。另外一個挑戰則是綠色挑戰，1 公里精度的氣象模擬，每一模擬年將耗盡 191.7 百萬瓦時^[6]，相當於台灣一個家庭可以用上 43 年的電量^[註三]，也可以讓特斯拉的 Model 3LR 從地球開到月球來回開 1.5 次^[註四]，其耗能之巨，也是我們計算或是模擬界科學家應該要注意到的問題，也是為何除了 HPC Top500 外，亦有 Green 500^[13]的原因吧，而具有超高效能的 Frontier，也同時奪下了 Green 500 之冠，也算是 Exascale 的好處吧。

註解與文獻

• [註一] 若需使用 JSC 的超級電腦，必須透過不同的計畫項目進行申請，其計畫主持人（PI）為歐洲或是德國的研究者^[14]。
• [註二] 日本的富岳其實也可以進行到 Exscale 的運算，只是要超頻而已，想當然爾是非常規設定。
• [註三] 根據台電 2021 年新聞稿中，家庭離峰平均用電為 339 度以及 6-9 月為 434 度推估。
• [註四] 根據 Tesla M3 LR 為 25kWh per 100 Miles，月球至地球為 384400 公里推估
• [註五] Feng 也公開了他的程式碼

• [1] Forschungszentrum Jülich 新聞稿
• [2] EUROPE HPC 新聞稿
• [3] 2022 年六月 HPC Top 500 名單
• [4] 國家高速網路中心台灣杉二號介紹
• [5] 司徒加特超級電腦中心：HAWK 主機之連線架構
• [6] T. C. Schulthess, P. Bauer, N. Wedi, O. Fuhrer, T. Hoefler and C. Schär, “Reflecting on the Goal and Baseline for Exascale Computing: A Roadmap Based on Weather and Climate Simulations,” in Computing in Science & Engineering, vol. 21, no. 1, pp. 30-41, 1 Jan.-Feb. 2019, doi: 10.1109/MCSE.2018.2888788.
• [7] Neumann P et al. 2019, Assessing the scales in numerical weather and climate predictions: will exascale be the rescue?. Phil. Trans. R. Soc. A 377: 20180148. http://dx.doi.org/10.1098/rsta.2018.0148
• [8] Kendon, E. J., Ban, N., Roberts, N. M., Fowler, H. J., Roberts, M. J., Chan, S. C., Evans, J. P., Fosser, G., & Wilkinson, J. M. (2017). Do Convection-Permitting Regional Climate Models Improve Projections of Future Precipitation Change?, Bulletin of the American Meteorological Society, 98(1), 79-93
• [9] Bauer, P., Dueben, P.D., Hoefler, T. et al. The digital revolution of Earth-system science. Nat Comput Sci 1, 104–113 (2021). https://doi.org/10.1038/s43588-021-00023-0
• [10] Zhang, S., Fu, H., Wu, L., Li, Y., Wang, H., Zeng, Y., Duan, X., Wan, W., Wang, L., Zhuang, Y., Meng, H., Xu, K., Xu, P., Gan, L., Liu, Z., Wu, S., Chen, Y., Yu, H., Shi, S., Wang, L., Xu, S., Xue, W., Liu, W., Guo, Q., Zhang, J., Zhu, G., Tu, Y., Edwards, J., Baker, A., Yong, J., Yuan, M., Yu, Y., Zhang, Q., Liu, Z., Li, M., Jia, D., Yang, G., Wei, Z., Pan, J., Chang, P., Danabasoglu, G., Yeager, S., Rosenbloom, N., and Guo, Y.: Optimizing high-resolution Community Earth System Model on a heterogeneous many-core supercomputing platform, Geosci. Model Dev., 13, 4809–4829, https://doi.org/10.5194/gmd-13-4809-2020, 2020. https://gmd.copernicus.org/articles/13/4809/2020/
• [11] 「嗨量子世界！」~ Nature Newsletter
• [12] Feng Pan, Keyang Chen, and Pan Zhang, Solving the sampling problem of the Sycamore quantum circuits, accepted by Phys. Rev. Lett.
• [13] 2022 年六月 HPC Green 500 名單
• [14] JSC 系統申請辦法

• 作者／麗莎．費德曼．巴瑞特博士 (Lisa Feldman Barrett, Ph.D.)；
  譯者／李明芝
• 編按：關於情緒的產生，巴瑞特博士跳脫過往舊思維提出「情緒建構論」，其中指出我們的情緒並不是被引發的，而是由自己所建構。

模擬是你的大腦對於世界正在發生什麼的猜測。在每個清醒的時刻，你都要面對從眼睛、鼻子、耳朵和其他感覺器官進來的嘈雜模糊訊息，你的大腦利用過去經驗建構假設（模擬），將之比較從感官接收的雜音。模擬以這樣的方式，讓你的大腦對噪音強加意義，選出相關的並忽略其餘的訊息。

人類心智活動的預設模式——模擬

1990 年代後期，模擬的發現為心理學和神經科學開創了新的紀元。科學證據顯示，我們所見、所聽、所觸、所嘗和所聞大多是對世界的模擬，而不是對世界的反應。¹

有遠見的人推測，模擬這個常見的機制不只用於知覺，也用於了解語言、感到同理、記憶、想像、作夢，以及其他許多心理現象。我們的常識或許宣稱，思考、知覺和作夢是不同的心智活動（至少西方人這麼認為），但有個通用過程卻能描述它們全部。

模擬是所有心智活動的預設模式，它也是解開「大腦如何製造情緒」之謎的關鍵。

在你的大腦之外，模擬可能導致你的身體發生實質改變。讓我們以蜜蜂為例，稍微試試創造性的模擬。在你的腦海中，看到一隻蜜蜂在芬芳的白花瓣上輕輕跳躍，嗡嗡嗡地繞著花瓣尋找花粉。

如果你喜歡蜜蜂，那麼想像翅膀的拍動，此刻會造成其他的神經元讓身體準備好更進一步觀察：讓你的心臟跳得更快、讓你的汗腺蓄勢待發，並且讓你的血壓準備降低。

但如果你以前曾被蜜蜂狠狠叮過，你的大腦或許讓你的身體準備逃跑或做出拍打的動作，為此制定出一些其他模式的生理改變。每次你的大腦模擬感覺輸入，它都會讓你的身體做好自動改變的準備，這也讓你有可能改變你的感受。

你對蜜蜂做出的模擬，根植於你對「蜜蜂」是什麼的心智「概念」（concept）。² 這個概念不只包含有關蜜蜂本身的訊息（牠看起來和聽起來像什麼樣、你對牠採取何種行動、你的自律神經系統的什麼改變讓你有所行動等等），還包括跟蜜蜂有關的其他概念（「草地」、「花朵」、「蜂蜜」、「叮咬」、「疼痛」等等）。

所有訊息都跟你的「蜜蜂」概念融為一體，共同引導你在這個特定的脈絡下如何模擬蜜蜂。因此，像「蜜蜂」這個概念，實際上是大腦裡的神經模式集合，代表你的過去經驗。你的大腦以不同的方式結合這些模式，藉此知覺並靈活地引導你在新的情境中如何行動。

「模擬」影響感官：以概念建構出具體感受

你的大腦利用你的概念，將某些東西聚集在一起，並將其他的東西分開。你可能在看著三堆土時，把其中兩堆知覺成「小丘」，而另一堆則是「大山」，這些都是根據你的概念。

建構是把世界看作一張壓扁的餅乾麵團，你的概念則是能切出界線的餅乾模具，界線不是自然存在，而是因為有用或有可取之處。³ 這些界線當然自有物理限制，像是你絕對不會把山知覺成湖。不是所有的一切都互有關聯。

你的概念是大腦用來猜測感覺輸入是何意義的主要工具。舉例來說，概念賦予聲壓（sound pressure）改變的意義，所以你會把聲壓改變聽成話語或音樂，而不是隨機的噪音。

在西方文化中，多數音樂都是根據分成十二個等距音高的八度音階，這種編曲被稱為「十二平均律音階」。每一個聽力正常的西方人，對於這種普遍存在的音階都有概念，即使他們無法明確地加以描述。然而，不是所有的音樂都使用這種音階。

印尼的甘美朗（Gamelan）音樂根據的是分成七個音高的八度音階，音高之間的距離並不相等。西方人第一次聽到甘美朗音樂時，更有可能覺得聽起來像噪音，聽慣了十二音音調的大腦，沒有具備甘美朗音樂的概念。我個人對迴響貝斯⁴ 這種電子音樂有經驗盲區，不過我十幾歲的女兒很顯然有那個概念。

概念也讓製造味覺和嗅覺的化學物質有了意義。如果我端出粉紅色的冰淇淋，你可能預期（模擬）是草莓的味道，但如果嘗起來像魚，你會覺得很不協調，甚至可能覺得噁心。

但如果我介紹它是「冷凍鮭魚慕斯」，提前警告你的大腦，同樣的味道或許會讓你覺得美味（如果你很喜歡吃鮭魚）。⁵ 或許你認為食物現存於物理世界中，但事實上，「食物」這個概念嚴重受到文化影響。很顯然，還是有些生物上的約束，所以你不可能吃刮鬍刀刀片。

但是有些絕對可吃的東西，卻不是每個人都認為是食物，例如「蜂之子」（hachinoko），這是一道油炸蜜蜂幼蟲的日本佳餚，但絕大多數的美國人應該會敬而遠之。這種文化差異就是因為概念。

只要你活著，你的大腦都會利用概念來模擬外在世界。如果缺乏概念，你會處於經驗盲區，就像是你看第 48 頁的斑點蜜蜂。如果有了概念，你的大腦會自動且無形地模擬，快到你的視覺、聽覺和其他感覺似乎像是反射而不是建構。

情緒是怎麼來的？原來是受到「概念」的影響

現在請仔細想想：如果你的大腦利用相同的過程讓來自體內的感覺──心跳、呼吸和其他內部運動引發的擾動──產生意義，那會怎麼樣呢？

從大腦的觀點來看，你的身體只不過是另一個感覺輸入的來源。來自你的心臟和肺臟、你的新陳代謝、你的體溫改變等等感覺，就像圖中意義不明的斑點。在體內的這些純粹身體感覺，並不具有客觀的心理意義。

然而一旦概念介入，這些感覺或許開始具有額外的意義。如果你坐在餐桌旁時感到胃痛，或許你會把它經驗成飢餓。如果流感季節即將來臨，或許你會把相同的疼痛經驗成反胃作噁。如果你是法庭上的法官，或許你會把疼痛經驗成被告不可信任的直覺。⁶

在特定的時刻、特定的背景之下，你的大腦利用概念，賦予內在感覺意義，也讓來自世界的外在感覺有了意義，這些全都同時發生。你的大腦從你的胃痛，建構出飢餓、反胃作噁或不可信任的實例。

現在仔細想想，如果相同的胃痛出現在你嗅聞塗滿羊肉糊的尿布時，就像我女兒的朋友在「噁心食物」生日派對上所做的，你可能把疼痛經驗成噁心。亦或如果你親愛的另一半才剛走進臥房，你可能把疼痛經驗成一陣陣渴望。如果你正在診療室等待醫生說明健康檢查的結果，你可能把相同的疼痛經驗成焦慮感受。

在這些噁心、渴望和焦慮的案例中，你大腦中活躍的概念是情緒概念。就像先前一樣，你的大腦藉由建構那個概念的實例，從你疼痛的胃再加上來自周遭環境的感覺一起產生意義。

這是一個情緒的實例。

這可能就是情緒如何生成的過程。

註釋：

1. 「不是對世界的反應」（not reactions to it）：相關回顧，請見 Chanes & Barret 2016.
2. 「『蜜蜂』是什麼」（what a “Bee” is）：Barsalou 2003, 2008a.
3. 「因為有用或有可取之處」（because they’re useful or desirable）：關於相似的類比，請見 Boghossian 2006.
4. 譯註：dubstep，源自英國，於1990年代誕生的電子音樂，節奏短促、強調低音。
5. 「如果你很喜歡吃鮭魚」（assuming you enjoy salmon）：Yeomans et al. 2008.
6. 「被告不可信任」（the defendant cannot be trusted）：Danziger et al. 2011.

——本書摘自《情緒跟你以為的不一樣──科學證據揭露喜怒哀樂如何生成》，2020 年 3 月，商周出版。