Loading [MathJax]/extensions/tex2jax.js

0

0
0

文字

分享

0
0
0

解密顱相學:人不可貌相是諺語,還是真的有根據?—《醫療現場的46個震撼奇想》

時報出版_96
・2017/01/30 ・3554字 ・閱讀時間約 7 分鐘 ・SR值 548 ・八年級

關於面相,中西方有不少相似的諺語,例如「人不可貌相」 英文是「Never judge by appearances.」或者「Don’t judge a book by its cover.」。諺語歸諺語,雖然提醒我們不要以貌取人,但這還是大家的通病。

288202792_0352fe6dd8_z
「人不可貌相」是眾人皆知的道理,但是這還是大家的通病。圖/By chris riebschlager @ flickr, CC BY-NC 2.0

例如北捷殺人事件後,有位略懂「面相學」的網友就有如下評論:「鄭捷是很典型的三角眼型下三白眼,這種人的面相加上後天環境與教育,不是成為大企業級總字輩或各種領域的專業達人,就是變成前無古人、極惡無道的罪犯!」

而關於三白眼,這位網友又說:「三白眼的人個性剛強,自尊心高,而且幾乎都愛憎分明,為信念常能奮不顧身,甚至捨身忘死……以他性格,很可能成為熱愛冒險的極限運動家,或是因為渾身散發凜凜之氣,成為一線刑警或軍人,使流氓、混混看到就求饒。」

言下之意是檯面上的大企業家都運氣好,否則他們會是危險人物? 抑或是鄭捷有教化之可能? 而他已經被處以死刑,離開人世了,否則法官看到不知道會不會有別的想法?

-----廣告,請繼續往下閱讀-----

中西都看「面相」

不管你對上述的評論覺得有理或有趣,想必對於中國面相學都有一定聽聞,你可能很好奇,是否在西方的占星術之外,也有相同的學問或理論?

答案是肯定的,而且與中國面相學相比,有過之而無不及。面相學在中國多為職業術士賴以為生的工具,所以一般流行於市井之間,為匹夫匹婦解決人生的困惑。但是在西方醫學史上,類似的面相學卻曾經主宰過「致病」學說,甚至成為犯罪學家不得多得的利器。

640px-physiognomy
面相學在中國多為職業術士賴以為生的工具,所以一般流行於市井之間,為匹夫匹婦解決人生的困惑。但是在西方醫學史上,類似的面相學卻曾經主宰過「致病」學說,甚至成為犯罪學家不得多得的利器。圖/By Tom Ordelman, 公有領域, wikimedia commons

西元前巴比倫帝國時,即有所謂 Physiognomonics(姑且翻譯為「體相學」),就是透過一個人的外在特徵,例如額頭、嘴巴、眼睛、牙齒、鬍子或頭髮等,判斷他的天性,大概也屬於「卜筮算命」之流。雖然相同的概念散見於之後的醫學典籍,例如希波克拉底斯與蓋倫(Galan)的著作,不過沒有得到令人信服的證據,更無法與當時流行的「體液學說」契合,因此沒有得到重視。

面相學和醫學為何扯上關係? 那不得不感謝十八世紀末一位住在維也納的德國醫師哥爾(Franz Joseph Gall)。他認為大腦由三十三個管理區塊組成,其形狀決定了每個人的天賦,因此利用頭蓋骨的構造就可以判斷什麼樣的人可能成為謀殺、竊盜或詐騙的罪犯。

-----廣告,請繼續往下閱讀-----

哥爾的學說並不見容於當時的奧地利,但是他的門徒史展柏(Johann Gaspar Spurzheim)卻將這套理論發揚光大,並取名為「顱相學」(Phrenology),而且在法國、英國及美國相當受到歡迎,從十九世紀中期開始便成為顯學,甚至使得史展柏可以在愛丁堡公開解剖人類的大腦,再配合各種人類頭蓋骨與面相的組合圖解,以此預知人的生理與心理疾病。一時間,顱相學家帶著圖譜與人體頭像模型穿梭於大小市集中,宣稱可以治病。

phrenologypix
德國醫師哥爾認為大腦由三十三個管理區塊組成,其形狀決定了每個人的天賦,因此利用頭蓋骨的構造就可以判斷什麼樣的人可能成為謀殺、竊盜或詐騙的罪犯。他的門徒史展柏將這套理論發揚光大,並取名為「顱相學」。圖/From People’s Cyclopedia of Universal Knowledge (1883)Transferred, Public Domain, wikimedia commons

當然這套顱相學並非當時醫界公認的診斷聖經,不過卻被義大利一位軍醫官龍布羅梭(Cesare Lombroso)應用到犯罪學的研究,成為其享譽國際的法醫學鉅著《罪犯人類學》(Criminal Anthropology)的理論來源。

龍布羅梭一開始只解剖一些死亡的精神疾病患者,想瞭解他們精神異常的結構性成因,可惜努力了很多年始終沒有重大發現。1870 年,他讀到德國病理學家維爾喬(Rudolf Virchow)的研究,認為罪犯的頭蓋骨有其先天特徵,可以做為事前評斷,甚至犯罪後的證據來源。

於是龍布羅梭開始研究義大利監獄裡的罪犯面相,並且解剖一些被判處死刑的盜匪屍體,結果似乎讓他發現了犯罪根源的重要依據,誠如他在自己的著作中所說:「看到這個頭蓋骨,便如同廣大平原被火紅天空點亮般,我立刻就知道這名罪犯本性的問題……一種隔代遺傳導致他繁衍出原始人類及低等動物的殘忍天性。」

-----廣告,請繼續往下閱讀-----

而在研究 6,034 位罪犯後,他做出一些判斷,如下:

.刺客的下巴突出、顴骨分得很開、頭髮細而黑、鬍鬚稀疏、臉色蒼白。

.性侵犯手比較短、前額較窄、頭髮顏色淡、生殖器及鼻子畸形。

.騙子的下顎大、顴骨突出、體重較重、臉色蒼白;而扒手手很長、身高比較高,黑髮、鬍子稀疏;至於搶匪,像是小偷等,頭蓋骨測量不規則、頭髮粗、少見稀疏者!

-----廣告,請繼續往下閱讀-----

龍布羅梭經由自己的研究,主張犯罪案件為兩種主要型態:一種是「偶然罪犯」,乃是因情勢所逼而犯罪的人;一種是「天生罪犯」,因為遺傳上的缺陷而習慣性犯罪。這些遺傳上的缺陷可以從外觀看出來,最常見的是「手臂長」、「視力敏銳」、「下顎寬大」及「壺狀」的耳朵。

他的理論雖然受到矚目,但也沒成為醫學主流,尤其是罪犯「天生遺傳」的理論,更受到不少抨擊。當時法國的醫學教授拉卡桑(Alexander Lacassagne)更強烈反對,認為社會氛圍才必須負最大的責任,最後逼得龍布羅梭不得不修正理論,不再透過單純的生理特徵來區分「犯罪類型」。

顱相學意外開啟嫌犯辨識技術

不過由於顱相學的研究刺激,開啟了犯罪與人體測量學的研究,而其中最有名的研究者,莫過於法國警察局的犯罪書記員貝迪永(Adolphe Bertillon)。

358px-alphonse_bertillon2
用人類學的方法連結被逮捕的嫌犯及過去的罪犯,以此設計了一套「貝迪永人體測量認證方法」,相當成功,雖然貝迪永的方法被許多現代辨識方法(如指紋採證)所取代,但是他的成就仍被認為是現代的「嫌犯辨認技術之父」。圖/By Inconnu, CC BY 4.0, wikimedia commons

貝迪永的父親是「巴黎人類學協會」的主席,專門研究及比較人類頭蓋骨形狀、尺寸,而此時正值龍布羅梭的著作開始流行之際,在家學淵源的影響下,他開始用人類學的方法連結被逮捕的嫌犯及過去的罪犯,以此設計了一套「貝迪永人體測量認證方法」(Bertillon’s identification anthropométrique)。

-----廣告,請繼續往下閱讀-----

1883 年 2 月 20 日,一位自稱杜邦特(Dupont)的犯人被送到貝迪永面前,透過他的測量數據,以及精心建立的一千多項犯罪紀錄檔案卡系統,他居然認出眼前這位杜邦特,曾經在去年底因為竊盜罪被逮捕過,而且名字是馬丁(Martin)而非杜邦特。貝迪永因此成為巴黎報紙的頭條,而且該年底就成功辨識了五十名不斷換名字的累犯。二年後,法國警方和監獄開始利用這套方法辨別犯罪嫌疑人。

圖/Internet Archive Book Images@flickr
圖/Internet Archive Book Images@flickr

雖然貝迪永的方法被許多現代辨識方法(如指紋採證)所取代,但是他的成就仍被認為是現代的「嫌犯辨認技術之父」,即便他並不十分重視指紋的特有性。

值得一提的是,貝迪永設計自己的辨識系統時,曾經請求父親的同事——一位比利時的統計學家凱特勒(Adolphe Quetelet)的意見,而他正是今日被醫界普遍用來評判肥胖標準「BMI 指數」(Body Mass Index,身體質量指數)的發明者。(當初 BMI 的用途,只是為了比較英國軍人與法國軍人的平均身材,和今日的用途南轅北轍。)

從面相學談到顱相學, 還有罪犯辨識的歷史, 讓我想到歷史學家卜正民(Timothy Brook)在《塞爾登先生的中國地圖》(Mr. Selden’s Map of China)一書中,曾經引用塞爾登一段深富哲理的話:

-----廣告,請繼續往下閱讀-----

許多「有用的技藝與學問」領域已各走各的、不相往來;然而每個領域都與別的領域關係密切,不只常借助於相鄰領域,而且透過那層借助,還借助該領域之外的東西。

我們雖然覺得西方醫學歷史裡的「顱相學」可笑,但不能否認它啟發了今日刑案鑑識系統的科學化,是不可或缺的源頭。而我們中國的面相學以及號稱「可以窺知天機」的算命學,現在仍只是各種江湖術士賴以為生的工具而已。


%e9%86%ab%e7%99%82%e5%8f%b2%e7%9a%8446%e5%80%8b%e9%9c%87%e6%92%bc%e6%95%99%e8%82%b2

 

本文摘自《胖病毒、人皮書、水蛭蒐集人:醫療現場的46個震撼奇想》,時報出版。

 

 

 

 

 

 

 

 

-----廣告,請繼續往下閱讀-----
文章難易度
時報出版_96
174 篇文章 ・ 35 位粉絲
出版品包括文學、人文社科、商業、生活、科普、漫畫、趨勢、心理勵志等,活躍於書市中,累積出版品五千多種,獲得國內外專家讀者、各種獎項的肯定,打造出無數的暢銷傳奇及和重量級作者,在台灣引爆一波波的閱讀議題及風潮。

0

1
0

文字

分享

0
1
0
拆解邊緣AI熱潮:伺服器如何提供穩固的運算基石?
鳥苷三磷酸 (PanSci Promo)_96
・2025/05/21 ・5071字 ・閱讀時間約 10 分鐘

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。

-----廣告,請繼續往下閱讀-----

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。

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。/ 圖片來源:MotionArray

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)」!

-----廣告,請繼續往下閱讀-----

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。

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。

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。/ 圖片提供:研華科技

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。

-----廣告,請繼續往下閱讀-----

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。

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。/ 圖片來源:MotionArray

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)。

-----廣告,請繼續往下閱讀-----

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。

-----廣告,請繼續往下閱讀-----

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。

-----廣告,請繼續往下閱讀-----
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。/ 圖片提供:研華科技

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

-----廣告,請繼續往下閱讀-----
-----廣告,請繼續往下閱讀-----
文章難易度

討論功能關閉中。

0

0
0

文字

分享

0
0
0
天才與瘋子-《打敗基因決定論》
時報出版_96
・2015/01/05 ・1707字 ・閱讀時間約 3 分鐘 ・SR值 551 ・八年級

老傢伙-0919哈維早已確認愛因斯坦的腦子重量只有一般水準,甚至還略低於常人的平均數字,因此腦子的大小並無法解釋為什麼愛因斯坦為何如此傑出不凡。桑德拉.維特森(Sandra Witelson)與她的共同研究者於一九九九年提出另一種解釋,他們認為,根據哈維在解剖過程中所照的照片看來,某個稱為下頂小葉(inferior parietal lobule)的大腦皮質區域有擴大的情形。(這部位是大腦頂葉的一部分。)也許愛因斯坦之所以成為天才,是因為他的大腦有某個部分變大了。愛因斯坦本人曾說他通常是以圖像思考,並不是以文字思考;而我們已知大腦的頂葉與視覺及空間思考有關。

法朗士和愛因斯坦的情形隸屬大眾迷戀天才大腦的悠久傳統;十九世紀有些熱衷此道者還保存一些傑出人物的腦子,像是詩人拜倫勳爵(Lord Byron)與華特.惠特曼(Walt Whitman)等 等;如今他們的腦子還裝在滿是灰塵覆蓋的玻璃罐中,擺在博物館後方的房間裡無人聞問。我發 現「譚」和布洛卡的境遇反而奇妙地鼓舞人心,這位無言的病人和研究他腦子的神經科醫生現在 成了永恆的同伴,因為他們的腦子都保存在同一座巴黎博物館裡。神經解剖學家還保存卡爾.高斯(Carl Gauss)的大腦,他是有史以來最偉大的數學家之一;早在維特森對愛因斯坦的天才之 源做出說明之前,這些學者已指出變大的大腦頂葉,用來解釋高斯的天才。

因此,研究大腦特定區域的大小,而非整體大腦的尺寸,並不是什麼新的策略;事實上, 這種方法最初是由顱相學家發明的。這門學問的創立之父高爾於一八一九年發表的論文題目就是:<整體神經系統及特別針對大腦部分之解剖學及生理學,以人類與動物頭部外形判定數種知性及道德傾向之可能性的觀察結果>(The Anatomy and Physiology of the Nervous System in General, and of the Brain in Particular, with Observations upon the possibility of ascertaining the several Intellectual and Moral Dispositions of Man and Animal, by the configuration of their Heads)。高爾認為每一種心智狀態的「傾向」會與相對應的大腦皮質區域大小相關;他還主張頭顱的形狀會反映其內部大腦皮質的形狀,所以可以用來推測個人的傾向,這點更是讓人半信半疑。顱相學在當時大為流行,這些學者會用觸摸頭部隆起部位的方式,來為求助者預測孩子的命運、評估結婚對象,或是篩選求職者。

高爾和他的門生史波茲海姆判定大腦皮質各區域功能的方式,是以各種極端傾向的軼事為依據。如果某位天才額頭很大,那麼智力勢必是位於大腦的前面部分;如果有個罪犯頭部的兩側往外鼓起,那麼顳葉對說謊而言必然相當重要。他們用軼事來為皮質區域定位的方式大多是荒謬的;到了十九世紀下半葉,顱相學已經成為眾人嘲笑的對象。

-----廣告,請繼續往下閱讀-----

如今我們已擁有當初顱相學家只能想像的科技,MRI可以提供大腦皮質區域大小的精確 測量結果,讓我們不必再採用那種觸摸頭部隆起部位的愚蠢方法。研究人員掃描過許多人的大腦後,可以收集到足夠的數據資料,遠遠超過維特森研究愛因斯坦的腦子所得到的祕聞。那麼,這些新派顱相學家究竟發現什麼呢?

他們已經證實智商的確和額葉和頂葉的大小有關;事實顯示,其相關性比智商與大腦整體尺寸的相關性稍微大一點點,符合大腦這幾個部位對智力而言比較重要的想法。(枕葉和顳葉的主要功能在於感官能力,像是視覺和聽力。)然而儘管如此,其相關性還是微弱到頗令人失望的地步。

不過這些研究並沒有完全遵循顱相學的精神;顱相學不僅將大腦劃分為各個區域,也把心智劃分成許多個別的能力。我們都知道數學能力高超的人,往往在言語表達上就沒有那麼厲害,反之亦然。現在有很多研究者對智商及一般智能不以為然,認為這種概念過度簡化;他們比較喜歡談的是多元智能(multiple intelligence),而這其實正和腦子特定區域的大小有關。倫敦計程車司機的右後海馬迴(right posterior hippocampus)特別大,咸認這個皮質區和導航能力有關。就音 樂家而言,他們的小腦會比較大,某些皮質區域也會比較厚。(小腦變大是有道理的,因為一般 認為這個部位對精細的動作技能很重要。)能講雙語的人,則是在大腦左頂葉的下半部有較厚的 皮質。

這些發現雖然都很迷人,但它們只是統計數字。如果你懂得查看細節,就會明白這些大腦區域只是就平均而言稍微大一些而已。所以結論和之前差不多:想要憑藉腦部區域的大小來預測一個人的能力是沒有用的

-----廣告,請繼續往下閱讀-----

本文摘錄自《打敗基因決定論:一輩子都可以鍛鍊大腦》,時報出版

-----廣告,請繼續往下閱讀-----
時報出版_96
174 篇文章 ・ 35 位粉絲
出版品包括文學、人文社科、商業、生活、科普、漫畫、趨勢、心理勵志等,活躍於書市中,累積出版品五千多種,獲得國內外專家讀者、各種獎項的肯定,打造出無數的暢銷傳奇及和重量級作者,在台灣引爆一波波的閱讀議題及風潮。