植物不是毫無知覺，它們有感覺還會耍心機—《酷自然》

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

本文轉載自中央研究院「研之有物」，為「中研院廣告」

• 採訪撰文｜歐宇甜
• 責任編輯｜簡克志
• 美術設計｜蔡宛潔

植物脂是什麼？它會怎麼影響植物？

如果提到植物脂質，一般人可能會想到果實或種子裡儲存的油脂，可以加工成大豆油、花生油、芝麻油等油品。不過，近年有越來越多證據顯示，脂質還會影響植物的生長和發育，例如開花的機制。中央研究院「研之有物」專訪過去院內唯一一位由發育生物學觀點研究植物脂質的學者，他是植物暨微生物學研究所的前研究員中村友輝，我們邀請他分享植物脂質研究與他的研究歷程。

過去科學家對植物的脂質研究主要分兩個，一個是研究植物經光合作用轉化的脂質，這是植物可以拿來利用的養分；另一個是研究種子裡的脂質，例如透過品種改良或基因改造，提高種子的產油效率。中村友輝的團隊研究微觀的機制，他們探討脂質如何與其他訊號傳遞因子作用，協調植物的生長發育過程。

中村友輝是中研院植微所的前研究員，他深耕脂質研究已有 21 年，在中研院時期（2011～2022），他一手建立起脂質研究團隊，該團隊的重大研究成果之一就是：發現植物脂質跟調控開花有因果關係。

要找出因果關係並不容易，研究團隊從植物脂質出發，先瞭解植物體內各種不同的脂質，再進一步探索脂質在植物體內如何製造與代謝。製造過程中，不同的酵素與步驟都會影響脂質的含量與結構，甚至同一種脂質，也都可能產生不同結構。

在瞭解脂質如何製造與代謝之後，接下來就是深入脂質的實際功能。「脂質如何影響植物？」要回答這個問題，必須人為控制脂質的代謝，確認變因。

中村友輝團隊開發出「代謝切換系統」，這套系統可以短暫改變脂質的代謝速率或途徑，讓研究人員改變特定位置的脂質含量和種類，觀察不同脂質對植物的影響。

從人體機制找到調控植物開花的秘密

一般開花植物會根據季節變化、日照長短決定開花時機，而科學家發現植物裡有一種 FT 蛋白質（Flowering Locus T），能誘導植物開花，是一種開花素（Florigen）。

長日照植物在足夠的日照長度下，葉子裡的 FT 基因轉錄會活化並合成 FT 蛋白質，再運輸到頂芽，使葉芽轉變成花芽並開花，不過許多調控機制方面的細節仍然是謎。

中村友輝團隊發現，植物裡有一種磷脂質（磷脂醯膽鹼，Phosphatidylcholine，簡稱 PC），會隨日照變化改變，並與開花素產生交互作用、促進開花。脂質角色的加入，是當時其他學者尚未關注到的領域。

為什麼團隊會把 FT 蛋白質跟植物脂質連結起來呢？

中村友輝表示，「我們注意到植物的 FT 蛋白質 3D 結構，跟人體中與脂質結合的蛋白質很像，這個蛋白質是磷脂醯乙醇胺（Phosphatidylethanolamine-binding protein，簡稱 PEBP 蛋白質）。雖然 FT 位在植物、PEBP 位在人體，但兩者構造相當相似。我們心想，既然人體的 PEBP 蛋白質可以跟磷脂質結合，植物的 FT 蛋白質是不是也能跟 PC 結合呢？PC 會不會跟調控開花有關？ 」

脂質真的會影響開花嗎？用代謝切換工程實驗看看！

為了證實這個推測，研究團隊開始進行各種實驗，透過代謝切換工程去調控植物體內的 PC 磷脂質含量，觀察當 PC 變多或變少時，會如何影響 FT 蛋白質的功能，以及開花速度會變快或變慢。

具體應該怎麼做呢？首先要有關鍵酵素「PECT」，只要抑制 PECT 的合成，就會連帶減少 PC 的合成量，進而觀察對 FT 蛋白質的影響。目前是以人工方式製作一段 amiRNA（Artificial microRNA，人工微型核酸），送進植物體內後，它能跟 PECT 的 mRNA 互補並結合，導致 PECT 無法合成。

另一個方法是使用人工合成的啟動子（promoter，簡稱 p），啟動子是一段能讓特定基因進行轉錄的核酸片段。不同啟動子的功能不太一樣，例如啟動子 pFD，只有在頂芽裡才會驅動 FT 蛋白質合成；還有啟動子 pSUC2（Sucrose Transport 2），只在葉子維管束伴細胞（Vascular companion cells）裡才會驅動 FT 蛋白質合成，它專門跟一種藥物結合，實驗時可以透過藥物來控制。

團隊透過上述這些方法來控制 FT 蛋白質只在特定器官產生，再調控 PC 磷脂質含量增加或減少，藉此觀察脂質對開花的影響。

結果發現，如果在頂芽處讓 PC 磷脂質增加的話，的確可以促使開花。

此外，還發現 PC 構造會隨日夜變化，白天時，PC 磷脂質主要是飽和脂肪酸，容易和 FT 蛋白質結合，促進開花；晚上時，PC 磷脂質主要是不飽和脂肪酸，難與 FT 蛋白質結合，不促進開花，開花時間延遲。

至於團隊有實際拍到 FT 蛋白質和磷脂質結合的模樣嗎？中村友輝說：「我們目前是用電腦模擬的方式，將 FT 蛋白質和磷脂質兩個分子的 3D 模型放在一起比對、計算，得知兩者最可能的結合方式。之前有嘗試用冷凍式電子顯微鏡（Cryo-electron microscopy）拍攝，但可能是 FT 蛋白質本身太小，沒有成功 ，希望未來有機會。」

這篇論文於 2014 年刊登於「自然通訊」（Nature Communications）期刊，之後陸續有些科學家也在研究脂質對開花的影響，有的發現在維管束的脂質也會影響 FT 蛋白質傳送，有的發現水稻的開花素運作模式，跟本次實驗所用的模式植物阿拉伯芥類似。

不過，全世界的植物種類非常多，不同植物的生長、開花特性可能不同，像短日照、長日照植物所需日照時間不同，有些植物如曇花是晚上開花，有些植物是先開花才長葉，其他類型的開花機制仍待更多研究來解開。

用藻類酵素刺激產油

如果科學家能掌握並任意開關植物的代謝路徑，以後就能隨心所欲讓植物生長或開花並應用在農業上嗎？中村友輝指出，「一旦瞭解代謝途徑，到真的應用層面上，的確不是遙不可及。我們之前有一個研究，就是透過掌握酵母菌的代謝途徑，讓這些小生物生產大量油脂。」

中村友輝說道，「有些做代謝工程的方式是改寫整個代謝路徑，我們只是促進或抑制某個路徑，改動範圍沒有這麼大。這篇論文是少數做到應用層面的研究，但我們只有養少量的酵母菌，真正要做到工業級生產，需要其他專門的人。我們仍是以基礎研究為主，聚焦在發現基礎代謝途徑，找出各種未知代謝途徑或未知代謝物。畢竟要先瞭解基本的，才可能有後續應用。」

原來，植物脂質沒有大家想得那樣簡單，只是當作儲存能量而已，更對植物的生長與發育影響重大。中村友輝希望未來繼續探討這個似乎無窮無盡的植物脂質領域，找出更多嶄新的發現。

除了研究內容之外，喜愛植物和旅遊的科學家中村友輝，當初如何踏上科研之路？為何如此熱愛植物脂質領域？來臺灣工作多年又有什麼觀察與發現呢？

您從小就喜歡植物嗎？當初如何走上學術研究的道路？

我小時候常常在戶外玩，喜歡花草，甚至會跑去河邊採水草，放在家裡水族缸養。在校學習時，我其實都是文科比較好，理科不是很好，應該沒有人想到我會走上科研的道路。但是，我發現自己對「分子生物學」很有興趣，DNA 這麼簡單的雙股螺旋結構，為何會產生蛋白質、形成生物體？我為此深深著迷。

前幾年我去一場會議演講，詹姆斯·華生（James Watson，DNA 雙股結構發現者）就坐在前面第一排，沒想到我竟然能跟這位崇敬的科學家一起分享自己的實驗，那是個非常值得紀念的日子！

您曾去過許多地方旅行，有沒有留下什麼印象深刻的事？

我對其他國家的文化感到好奇，也喜歡親身體驗，從當地人觀點融入生活。我曾去到阿富汗和巴基斯坦，那裡戰亂較多，有一點危險，某次經過巴基斯坦和阿富汗交界的公路時，我還付錢請了兩個保鑣隨行。我去到那裡一些很貧困的地方，曾問當地人：「對你來講，活著的目的與意義是什麼？」沒想到那個人只是簡單回說：「我只想要活著就好，我活著的目的就是不要死！」這個回答讓我相當震撼，原來世界上有人是這樣活著。

您當初為何選擇植物脂質領域的研究，是否有什麼契機？

當年我在日本東京工業大學讀書，通常日本大學在畢業前要完成一個論文，大四有一年時間做研究。我喜歡植物，不喜歡動物或醫學，就選擇進入一間植物實驗室。剛開始我並不是選擇脂質作為主題，不過那時學界已開始發現到，脂質可能影響光合作用，因為脂質是構成葉綠體雙層膜的主要成分，我就因緣際會下踏入植物脂質領域，到現在已經 21 年。

您後來如何發現脂質對植物的生長與發育有重要影響？

科學家已經知道葉子、種子含有脂質，但大家並不清楚花朵裡的脂質是什麼樣子。那時教授給了我一個題目，就是去瞭解花裡面的脂質成分，這個題目還沒有人做過，我便接下這個挑戰。一開始我是辨識花裡含有哪些脂質，拿來跟種子、葉子的脂質成分做比對。

花朵分成不同的器官像花瓣、雄蕊、雌蕊、花柱和花萼等，我驚訝的發現，花裡的脂質不但跟葉子、種子的脂質成分不一樣，而且在花朵的不同器官中，脂質成分竟然也不同。這讓我感到很有趣也很納悶：為什麼會有這麼大的差別？成為我開始深入探討脂質對開花影響的契機。

您是在什麼樣的契機來到臺灣工作呢？

我是從 2011 年進入中研院。在大學當背包客的旅程中，我發現亞洲的科學發展蠻有潛力，便開始學習中文。博士班畢業後，我決定先去新加坡讀博士後研究，當時新加坡的實驗室成員都是華人，包括中國、臺灣和新加坡等。後來剛好中研院植微所在徵人，於是我就來到臺灣。我覺得臺灣最好的部分是人，臺灣人真的非常好！我對這裡的生活很適應，臺灣的小吃、水果都很好吃，我特別喜歡芒果！

這些年您對臺灣的學術環境有什麼樣的觀察或心得嗎？

在臺灣，可以找到很多願意學習的人一起參與研究。很感謝中研院給我這個機會加入，發展我的研究旅程。我 31 歲就擔任實驗室主持人，我對中研院的回報就是盡量把研究成果一個個發表出來，希望讓中研院知名度提高。臺灣政府很願意支持基礎科學研究，雖然不能馬上看到成果，但對於後幾年的應用來講是最重要的，很希望未來臺灣政府能持續支持基礎研究，吸引更多國外學者來臺灣，將整個基礎研究能量做大。

您目前的研究方向有哪些？

第一個就是延續脂質調控開花的研究，因為還是有很多東西不瞭解。第二個是持續發現新的代謝途徑。植物的脂質代謝途徑很多、很複雜，大家所見的路徑圖表只是簡單示意，實際上不是真的這麼簡單，還有很多東西沒有被發現。最後是研究脂質跟莖的生長、大小的關係，跟脂質能調控開花的概念有點類似。總結來說，我的研究主軸是希望繼續瞭解脂質是怎樣影響植物的發育和各種生理現象。

感官的知覺帶給我們許多體驗

我們對自己身體生理現象感到尷尬，這種感覺的來源就在於感官知覺的運作機制：一套我們大腦與外界之間的中介工具。

最明顯的感官是視覺、觸覺、聽覺、嗅覺和味覺，還有，你也可以感覺到疼痛、冷熱、時間（雖然不太準確）、加速、平穩、血液中的氧氣和二氧化碳濃度以及本體感覺（對於四肢、肌肉的運動和位置的感受）。你能不盯著腳步爬樓梯嗎？那就是本體感覺。

這些感官訊息全都被送到大腦：一個沉默的、謎樣^註器官，質感和斯帕姆午餐肉一樣。你永遠看不到它，它也永遠看不到你周圍的世界，但它會分析所有這些輸入的訊息，並且創造你對自我、愛戀、快樂、痛苦、羞恥、信任、恐懼、懷疑等完整感覺。

尷尬的感覺是從何而來

在公共場合聽到自己放屁會覺得不好意思？

這種感覺是由大腦的前扣帶迴膝皮層產生的。我們尚不了解其中的機制，但大多數心理學家都認為，羞恥感可能是為了維持社會秩序演化而來的，呈現羞恥的經典反應如臉紅、摸臉、視線向下和強制微笑，這些反應讓我們向其他人傳達訊息，表示自己明白破壞了社會常規且感到自責，因為有這樣的溝通功能進而又加強那些反應。

研究指出，表現出尷尬的人比較容易被喜歡、原諒和信任。這一定是幫助我們這種社群生物進化的有用工具，但我擔心它也會讓我們當個乖乖牌，阻礙個人獨特性發展。

感官小學堂

每個人感知世界的方式都不盡相同。聯覺（synaesthesia）是一種不尋常的感官知覺，它使一些人能夠將音樂、字母或星期幾視為顏色。其他有聯覺的人可能會將某些景象與氣味連結起來或者使某些詞語和味道產生聯繫。有一項研究發現，約 4.4% 的人能體驗聯覺。

更令人著迷的是其他動物擁有的感官，那些我們只能夢想的感知方式。狗能藉著磁感應來感測地球磁場，而且排便時往往習慣將自己的身體沿南北向磁力線對齊，牛也一樣。有些蛇有紅外線視覺，一些蜜蜂、鳥類和魚類的視力超出我們的可見光譜，能夠仔仔細細看到紫外線波頻，這意味著牠們實際上正在體驗我們幾乎無法想像的顏色。像嗑了藥一樣迷幻。

註解

• 我們確實知道大腦中不斷有微小的電子訊號滋滋作響，這些訊號透過八百六十億個稱為神經元的神經細胞與一百兆個突觸（神經元之間的連結──每個神經元透過它們與多達一萬個其他神經元相連）、八千五百萬個非神經元神經膠質細胞來進行發送、儲存和分析。大腦每天消耗四百卡路里的熱量（占總能量消耗的20%），有趣的是，無論是全神貫注寫一本科普書籍，還是靜靜凝視燭火發呆空想，這個耗能數值都保持不變。

——本文摘自《有點噁的科學：尷尬又失控的生理現象》，2023 年 8 月，時報出版，未經同意請勿轉載。