Loading [MathJax]/extensions/tex2jax.js

0

0
0

文字

分享

0
0
0

再探《大腦、演化、人》:換經濟學家出場!

EverDark
・2012/03/04 ・2639字 ・閱讀時間約 5 分鐘 ・SR值 576 ・九年級

-----廣告,請繼續往下閱讀-----

『人類的心智十分有生產力,而且活力旺盛,以至於我們會有各種行為,例如幾乎對所有東西都想套上「我」意識(也就是投射我們自己的意圖)——我們的寵物、我們的舊鞋、我們的車、我們的世界、我們的神。好像我們不甘於獨自處在認知鍊的最上層,獨佔地球上最聰明的生物的位置。』

——葛詹尼加

Uploaded from the Photobucket Android App

我很少把一本書看兩次。

很少是個保守說法,印象中其實我好像沒有把任何一本書看過兩次。(萬惡的教科書除外,畢竟它們可以讓人產生有看跟沒看一樣的效果)

小說很少看兩次,科普書更是如此。畢竟好書太多,怎麼讀都讀不完,又怎麼會想要回頭花時間翻舊書呢?但這本《大腦、演化、人》還是讓我破了例。之前有寫過專文推薦它,這次想再針對二次閱讀的體悟來點不一樣的。

這次我想主要針對我覺得最饒富趣味的該書第四章〈內在的道德羅盤〉。最近我一直在針對這方面的腦科學以及行為學議題取材,幾乎有點著了魔!裡面針對人類大腦中關於「互惠行為」的道德模組提出了行為經濟學家的實驗來探討,所以我覺得這部分值得我深入追究。具體來說,葛詹尼加引用的是02年諾獎得主Vernon L. Smith關於賽局理論的實驗研究。

(同年另一位經濟獎得主為Daniel Kahneman,有趣的是他是一位心理學家,不過在此基於篇幅我們就不談這位學者的故事了。)

-----廣告,請繼續往下閱讀-----

他們的研究是關於有名的經濟學賽局,Ultimatum game(分錢遊戲)以及Dictator game(獨裁分錢遊戲)。簡單地說,兩位玩家,在前者環境底下玩家A得到一筆錢並決定要如何分給自己和B,而B呢?B決定接受或拒絕。如果A把一百塊分成九十九塊給自己、一塊錢給B,B要嘛接受(於是錢就照至樣分下去了),要嘛拒絕(這時候兩人都拿不到半毛錢!);獨裁分錢則是這個環境的變型,A決定如何分錢,然後錢就這麼分下去了,B只能接受。實際上跑這個賽局還有許多細節,不過精神大致上已經從上面的說明捕捉到了。

好,所以經濟學家從這樣的賽局行為研究中得到了什麼洞見?
他們發現:人啊,其實不自私!

(換作是你會怎麼分錢?)

葛詹尼加援引他們的研究結論來支持大腦中存在關於互惠行為的內建道德秩序。故事到此告一段落,皆大歡喜!

-----廣告,請繼續往下閱讀-----

——真的嗎?
但是故事其實還沒結束。

不曉得各位是否還記得(不可能吧!)我曾專文推薦過的經濟學家李維特的書,《超爆蘋果橘子經濟學 Superfreakonomics?該書第三章「Unbelievable Stories About Apathy and Altruism(關於自私與利他:你該相信什麼)」正好也以Smith的研究為主軸。全書中這一章分外有趣,不僅僅只是因為它的內容是關乎人性善惡本質這個富有哲學義涵的古老議題,也因為它描述了一場行為實驗經濟學界的顛覆性革命。

Photobucket

李維特談的是另一位行為經濟學宗師John List的研究。(我僅列他在這個議題上的一篇代表性學術論文在文末,關於他的其他有趣研究也包含我曾介紹過的競爭行為的兩性差異[a, b]。)正如許多同儕追隨Smith的研究想要找到更多結果,List也接續研究了獨裁分錢遊戲。他與其他學者的差別在於,他發現Smith那美妙的結論,很遺憾——顯然是錯的。

畢竟誰說諾獎得主就不會犯錯呢?Smith的研究對於行為經濟學的貢獻絕對是功不可沒,但就人性自私與互惠的議題探索上,他實則沒能得到最真確的結果。這裡最大的研究方法威脅,在心理學界也有很廣泛的討論,就是實驗的設計本身改變了受試者的行為。

-----廣告,請繼續往下閱讀-----

…no one wants to look cheap in front of somebody else.

換言之,那些人在實驗室裡做一套,在實驗室外頭又做另一套!List是「田野實驗(Field experiment)」的專家,他重新設計了獨裁分錢賽局,一開始只是簡單地追加獨裁者玩家一個新的選項:除了決定怎麼分錢,你也可以在完全不分錢給對方的情況下,進一步從對方那裡搶一些錢過來。

這聽起來不會改變實驗結果。畢竟之前已經有許多學者循此脈絡以行為實驗證實人的本性還真的是樂善好施,那些會(無私地)分錢給對方的,又怎麼可能去搶對方的錢呢?事實卻不是如此。事實是,簡單地追加這個選項之後,Smith當初得到的美好結論就毀了。不超過一半的人會分錢給對方。45%的人一毛也沒分出區。還有20%的人,進一步選擇從對方那裡搶錢過來。

WHAT THE…FXXX???

而在更進階版本的賽局中,List設計每個玩家必須先做一點工作才能獲得那些錢,並且每個玩家都知道對方也做了這樣的工作,然後他們決定要不要分錢。結果顯示,三分之二的人既不給錢、也不搶錢。

-----廣告,請繼續往下閱讀-----

到底,這背後是什麼邏輯?

Photobucket

因為實驗環境不夠逼真,導致結果被扭曲了。實驗環境當然不總是逼真的,這是非戰之罪,但是當其偏離現實的程度足以影響研究目標時,就很危險了。

在最初的獨裁分錢遊戲中,事實上玩家被給予的選擇就是「分錢」。如果你只能分錢,或許(顯然就是)你就會分一些錢給別人。現實中,這很少見。這個世界你爭我奪。在List最終版本的分錢賽局中,人們彷彿是覺得「這些錢都是我們自己掙來的,誰也不欠誰」,所以他們既不分錢、也不搶錢。

People aren’t “good” or “bad.” People are people, and they respond to incentives. They can nearly always be manipulated -for good or ill -if only you find the right levers.

看來傳統的分錢賽局所發現的互惠行為並不真的是出於利他精神。我們不能說這就代表人的本性中沒有利他的精神,但起碼,沒有這麼強。

-----廣告,請繼續往下閱讀-----

我也認為,這樣的結果其實並不會扭曲《大腦、演化、人》中關於「道德羅盤」的論述。我們確實有某些道德情緒,在腦科學領域越來越多研究傾向支持我們天生下來就準備好接受某種方向的道德感。

然而起碼在互惠利他的層面上,科學界還有待更多的研究心血投入,才能得到更好的答案吧!理查.道金斯在《自私的基因》中針對互惠行為的解釋是完全出自於自私基因演化理論,整個行文態勢就是要將與之競爭的「群體選擇理論」打得滿地找牙。但並不是每個學者都認同他。

人究竟有多自私?
這個問題或許一開始就問錯了。

人可以自私,也可以慷慨,重點在於他們如何對行為誘因做出反應。起碼,這是來自經濟學領域的見解,我相信它起碼一部份地揭露了真實。剩下的部分?或許我們可以期待認知神經科學持續茁壯的不遠的未來吧!

-----廣告,請繼續往下閱讀-----

 

 

*本文原文發表於Alienatio.

*2012.3.20 updated

最近我收到來自一位實驗經濟學家的回應,所以決定針對本文作了一處修正。由於Vermon Smith的研究主要貢獻不是賽局理論(關於社會性偏好的)行為實驗,原文中的用詞恐有誤導讀者認為「這位經濟學家因為一個錯誤結論的研究而獲獎」。

感謝該位經濟學家的不吝指教!

-----廣告,請繼續往下閱讀-----

 

 

[References]
John A. List (2007). “On the interpretation of giving in dictator games.” Journal of Political Economy, 115(3): 482-93.
Nicholas Bardsley (2008). “Dictator game giving: altruism or artefact?” Experimental Economics, 11: 122-33.

-----廣告,請繼續往下閱讀-----
文章難易度
EverDark
15 篇文章 ・ 0 位粉絲

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

-----廣告,請繼續往下閱讀-----

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

1
1

文字

分享

0
1
1
貓咪也會學鳥叫?揭秘貓貓發出「喀喀聲」背後的可能原因
F 編_96
・2024/12/24 ・2480字 ・閱讀時間約 5 分鐘

-----廣告,請繼續往下閱讀-----

F 編按:本文編譯自 Live Science

貓是一種神秘而又引人注目的動物,牠們看似深居簡出,但擁有多元的聲音表達:從吸引人類注意的「喵喵叫」,到面對威脅時的「嘶嘶聲」與低沉的「咆哮」。

延伸閱讀:貓咪為什麼總愛對人喵喵叫?看貓如何用聲音征服人類的心

然而,細心的貓奴們可能會注意到,貓有時會對著窗外的鳥兒或屋內小動物玩具,發出一種獨特的「卡卡聲」或「咯咯聲」。這種聲音既像牙齒打顫,又好似一陣陣輕微的顫鳴,卻很難歸類到常見的喵叫或咆哮裡。這種名為「chatter」的行為,究竟在貓的生活中扮演什麼角色?目前科學界尚未對此有定論,但有幾種廣為討論的假說,或許能為我們提供一些思考方向。

卡卡叫:情緒的釋放或表達?

有些貓行為專家推測,貓咪在看到獵物(如窗外的鳥、老鼠)卻無法接近時,會因「欲捕無法」的挫折感或興奮感,發出這種「卡卡聲」。就像人類遇到障礙時,可能會發出抱怨的咕噥聲或乾著急的嘆息聲一樣,貓咪的「喀喀聲」也可能只是把當下的情緒外顯,並非有特別針對人或其他動物的溝通目的。

  • 情緒假說
    • 挫折:當貓看見鳥兒在窗外飛舞卻無法撲殺,內心焦躁,遂用聲音抒發。
    • 興奮:或許貓在準備捕獵時也感到高度亢奮,因此嘴部不自覺抖動並出聲。
貓咪的「喀喀聲」可能源於挫折或興奮情緒,表達捕獵受阻的內在反應。圖/envato

要在科學上驗證「情緒假說」並不容易,因為需要同時測量貓咪行為和生理指標。例如,研究人員可能需要測量貓咪在卡卡叫時的壓力荷爾蒙變化,才能確認牠們究竟是帶著正面興奮,或是負面挫折的情緒。不過,由於貓的獨立特質,實驗設計往往困難重重,樣本量要足夠也不容易,所以至今沒有定論。

-----廣告,請繼續往下閱讀-----

增強嗅覺?貓咪的「第二鼻子」

另一種說法則認為,貓咪發出「卡卡聲」時,可能同時開啟了其位於口腔上顎的「犁鼻器」(vomeronasal organ),也稱作「賈氏器官(Jacobson’s organ)」。這個感知器官能捕捉一般鼻腔聞不到的化學分子,如費洛蒙或特定氣味分子,因此對貓的求偶、社交和獵捕行為都非常重要。

  • 嗅覺假說
    • 張口呼吸:如果貓咪一邊「咯咯咯」地開合上下顎,可能在嘗試讓空氣(及其中所含的氣味分子)進入犁鼻器。
    • 蒐集更多環境資訊:在確定下手前,更完整的嗅覺分析或能提高牠們獵捕成功率,或是幫助判斷環境中是否有其他潛在威脅或機會。

然而,要科學驗證「增強嗅覺假說」同樣不簡單。研究人員不僅要觀察貓咪在卡卡叫時的行為,也需要測量牠們是否真的打開了更大的氣道,並在那個同時有效使用犁鼻器。這些行為與生理測量都必須在相對可控卻又不影響貓自由行動的實驗環境中進行,實務上難度頗高。

聲音模仿:貓咪的「偽鳥叫」?

貓咪的「卡卡聲」或許是為了模仿獵物的聲音,讓獵物降低警戒。圖/envato

第三種最有趣也最具「野性色彩」的假說,是「模仿獵物聲音」。在野外,一些中南美洲的小型貓科動物(例如:長尾虎貓,又稱美洲豹貓或瑪家貓,Margay)曾被觀察到,在捕獵小猴群時,發出類似猴子叫聲的音調;有些當地原住民族群也傳說,叢林裡的某些捕食者會模仿目標獵物的聲音來誘捕。由此推測,家貓看到鳥兒時發出的「卡卡聲」,可能包含些微模仿鳥兒啁啾的元素,試圖降低獵物警戒或甚至吸引獵物靠近。

  • 模仿假說
    • 案例參考:野生貓科動物曾出現學習或偽裝聲音的紀錄。
    • 家貓可能繼承的行為:家貓的祖先——北非野貓(African wildcat)及其他小型貓科物種,是否具備聲音模仿能力?這在生物演化研究上仍是未解之謎。
    • 缺乏大規模觀察:由於小型野生貓科動物研究資料有限,且家貓實驗更不易做大樣本長期追蹤,最終導致此理論尚未獲得廣泛實證。

貓咪行為研究的挑戰:野性祖先的重要性

探討貓咪行為,常常需要回溯至野生祖先的棲地環境。家貓(Felis catus)普遍被認為源自北非野貓(Felis lybica),然而,野貓習性的研究本就不多,尤其是關於聲音與捕獵策略更是資料有限。我們想知道「為什麼家貓會卡卡叫」,首先要確定:「牠們的野性祖先或其他小型貓科,也有同樣的行為嗎?」若有,家貓則可能繼承自古老基因;若無,則可能是家貓在與人類共處的環境中演化出的新行為。

-----廣告,請繼續往下閱讀-----
如果要探查家貓「卡卡叫」的原因,還需要了解其祖先或其他小型貓科是否具有類似行為。圖/envato

再者,貓在實驗室中的「不可控」因素相當多。貓不像狗般樂於服從人類指令,常有自己的規律與個性。要在實驗情境下穩定地誘發貓的「卡卡叫」行為、同時檢測牠們的生理和心理反應,並確保每隻貓的個體差異都被考慮到,這些都對研究團隊是極大考驗。

對於許多貓奴來說,貓咪坐在窗邊,一邊盯著外頭的鳥兒或松鼠,一邊發出獨特的「卡卡聲」,是一幕既可愛又神祕的風景。究竟牠們是在抒發情緒、強化嗅覺、抑或真的在「假扮鳥叫」以誘捕獵物?目前沒有確切的答案。然而,也正因為這層未知,貓貓才更顯得迷人。

-----廣告,請繼續往下閱讀-----

討論功能關閉中。

F 編_96
20 篇文章 ・ 1 位粉絲
一個不小心闖入霍格華茲(科普)的麻瓜(文組).原泛科學編輯.現任家庭小精靈,至今仍潛伏在魔法世界中💃

0

1
2

文字

分享

0
1
2
從昏迷到死亡錯覺:摩托車事故後的科塔爾症候群——《大腦獵奇偵探社》
行路出版_96
・2024/08/24 ・3933字 ・閱讀時間約 8 分鐘

摩托車事故後的幻覺

一九八九年十月,二十八歲的股票經紀人,姑且稱之為威爾(Will),發生了嚴重的摩托車意外。他腦部受到重創,陷入昏迷,雖然幾天後恢復意識,但他在醫院裡住了好幾個月,治療腦傷以及其他損傷引起的感染。

到了隔年一月,威爾的復原情況非常良好,已經可準備出院。他的身上有些問題永遠好不了,例如右腿行動困難以及喪失部分視覺。但是最困擾他的問題發生在他的腦袋裡:他相當確定自己已經死了。威爾的母親為了幫助兒子早日康復,帶他去南非度假。但南非的炎熱讓威爾相信這個地方就是(真正的)地獄,因此更加確定自己必定是個死人。母親難以置信地問他是怎麼死的,他說了幾個可能的死因。有可能是血液感染(這是治療初期的風險),也有可能是他之前打黃熱病疫苗之後的併發症。此外他也提出自己可能死於愛滋病,雖然他沒有感染 HIV 病毒或愛滋病的任何跡象。

威爾康復出院,但堅信自己已經死亡。連他母親帶他去南非度假,都被他認為自己身在地獄。 圖/envato

有一種強烈的感覺纏上威爾,揮之不去─他覺得身旁所有東西都……這麼說好了……不是真的。車禍前熟悉的人和地方,他現在都不太認得,所以他愈發覺得自己住在一個奇怪又陌生的世界。連母親都不像真的母親。其實在南非度假的時候,威爾就曾這麼說過。他認為真正的母親在家裡睡覺,是她的靈魂陪伴他遊歷陰間。

喪失現實感:大腦如何捏造非理性的死亡解釋

四十六歲的茱莉亞(Julia)有嚴重的雙相情緒障礙症(bipolar disorder),入院時她相信自己的大腦和內臟都已消失。她覺得她早已不存在,只剩下一副空殼般的軀體。她的「自我」消失了,所以她(無論從哪個意義上看來都)是個死人。她不敢泡澡也不敢淋浴,因為怕自己空空如也的身體會滑進排水孔流走。

-----廣告,請繼續往下閱讀-----

三十五歲的凱文(Kevin)憂鬱的情況愈來愈嚴重,幾個月之後,腦海中的念頭漸漸演變成妄想。一開始,他懷疑家人正在密謀要對付他。接著,他認為自己已經死了,也已經下地獄,只是身體仍在人間。現在這副身體是空殼,裡面一滴血液也沒有。為了證明自己的想法沒錯,他從岳母家的廚房裡拿了一把刀,反覆戳刺手臂。他的家人明智地叫了救護車,將他送進醫院。

科塔爾症候群患者的大腦顯然有問題。發病之前,通常發生過嚴重的神經系統事故(中風、腫瘤、腦傷等等),或出現精神疾病(憂鬱症、雙相情緒障礙症、思覺失調症等等)。不過這些情況導致科塔爾症候群仍屬少見,神經科學家尚未找到明確原因,可以解釋科塔爾症候群患者的大腦為何如此與眾不同。再加上每個患者的症狀都不太一樣,判斷起來更加困難。話雖如此,有些共同症狀或許能提供蛛絲馬跡,幫助我們了解這種症候群。

科塔爾症候群的患者經常說,他們身處的世界莫名其妙變得很陌生。多數人看到自己曾邂逅多次的人事物時,大腦都能點燃辨認的火花,但這件事不會發生在科塔爾症候群的患者身上。舉例來說,患者可能認得母親的臉,但就是莫名的感到陌生。她似乎缺乏某種無形──但重要的─個人特質,所以患者即使看到這個生命中最重要的人,卻無法產生預期中的的情感反應。

患者也可能會有疏離感,彷彿自己是這世界的旁觀者,而不是參與者。術語叫做人格解離(depersonalization)。此外,周遭的一切都散發超現實的氣氛,讓患者相信自己生活在擬真的夢境裡─這是一種叫做喪失現實感(derealization,亦稱失實症)的症狀。科塔爾症候群患者體驗到的陌生感、人格解離、喪失現實感,都會嚴重扭曲他們眼中的現實世界。不難想像這會讓大腦難以負荷。

-----廣告,請繼續往下閱讀-----

大腦碰到如此矛盾的情況會拚命尋找原因。對大腦來說,能夠合理解釋各種生活事件是非常重要的。若找不到合理的解釋,世界很快就會變成無法預測、無法理解,最終變得無法忍受。因此為了清楚解釋所經歷的事情,大腦會無所不用其極。如果在經驗裡出現大腦難以合理解釋的元素,它會退而求其次:自己捏造合理的答案。

每個人的大腦都會這麼做,而且隨時隨地都在做,只是我們察覺不到。例如有研究發現,我們每天做的決定不計其數─從什麼時間吃點心,到要跟誰出去約會──但我們做這些決定時總是不假思索。我們好像大部分的時間都處於自動駕駛模式。可是每當有人問我們為什麼做這樣的決定時,大腦幾乎總能想出好答案來合理化我們的選擇。但有時候,它想出來的答案完全不合理。

有一項研究讓男女受試者看兩名女性的照片,請他們選出比較好看的那位。受試者做出決定之後,研究人員隨即將照片放在他們面前,要他們解釋為什麼選這個人。但受試者不知道的是,研究人員會偷偷調換照片(占比約二十%),要受試者解釋自己為什麼挑中這個(他們明明沒挑中的)人。大多數受試者都沒有識破研究人員的詭計。他們通常不會質疑照片上的人不是自己選的那個,而是當場想出合理的答案,說明為什麼覺得眼前照片上的人比較好看,例如「她看起來很辣」,或是「我覺得她比較有個性」(兩張照片差異甚大,所以受試者不是單純的認錯人)。

這種非刻意的捏造叫做虛談(confabulation),大腦做這件事的頻率比你以為的更高。虛談的原因可能有百百種,但這似乎是大腦遇到自己無法明確解釋的事件時,會使用的策略。神經科學家相信,科塔爾症候群患者的大腦也做了類似的事情。從這個角度來說,科塔爾症候群的起點,是前面提過的幾種狀況(例如創傷、腫瘤等等)導致大腦功能異常。

-----廣告,請繼續往下閱讀-----

大腦合理性檢查機制失靈

大腦功能異常導致現實感喪失與人格解離,進而使患者覺得周遭的一切很陌生,欠缺他們預期中的「真實感」。於是患者的大腦努力理解這樣的經驗,瘋狂尋找合理的解釋。基於不明原因,科塔爾症候群患者容易把注意力轉向內在,認為如果外在經驗不對勁,毛病可能出在自己身上。

結果基於某些更加不明的原因,大腦找到的解釋是他們已經死了、正在腐爛、被邪靈附體,或其他稀奇古怪的、與存在有關的原因。這一連串環環相扣的假設聽起來有點誇張。畢竟,喪失現實感這樣的症狀沒那麼少見;很多人(某些估計高達七十五%)會有類似的─但非常短暫的─喪失現實感的經驗。但有這種經驗的人,幾乎都不會認為自己已經死了。

顯然,科塔爾症候群患者的大腦裡還發生了別的事情。神經科學家相信,或許是重要的合理性檢查機制(plausibility-checking mechanism)沒有發揮作用。大腦偶爾會錯誤解讀生活裡發生的事,但我們通常不會想出一個明顯不合理的解釋。

或許是因為大腦錯誤解讀現實,讓科塔爾症患者對現實理解出現錯覺。 圖/envato

大腦似乎有一套用來評估邏輯的機制,確保我們的邏輯可以通過合理性的檢驗。在多數有過喪失現實感或人格解離等症狀的人身上,這套合理性檢查機制能使他們立刻否決「我感覺到自己脫離現實,是因為我已經死了」的想法;大腦認為這個提議很荒唐,很可能再也不會想起它。但是在科塔爾症候群的患者身上,這套合理性檢查機制顯然壞掉了。大腦將脫離現實的感覺歸因於他們已經死了,這個想法不知為何保留了下來,而大腦也認為這個解釋站得住腳。於是在其他人眼中絕對是妄想的念頭,成了他們深信不移的答案。

-----廣告,請繼續往下閱讀-----

醫生在為科塔爾症候群患者(以及後面會介紹的另外幾種行為古怪的精神障礙患者)尋找腦部損傷時,經常發現腦傷位於右腦。神經科學家因此假設合理性檢查機制位於右腦。大腦分為兩半,叫做大腦半球(cerebral hemispheres)。左腦半球和右腦半球的劃分簡單有力,因為有一道裂縫將大腦一分為二。乍看之下,左右兩邊一模一樣,但受過訓練的神經科學家用肉眼就能看出兩者並非完全對稱。透過顯微鏡觀察,差異更加顯著。因此左腦與右腦的功能有差異或許不足為奇。

長期以來,一直有人拿這些差異做文章,用錯誤的方式來解讀左腦和右腦的不同,以偏概全又過於誇大。例如斬釘截鐵地說,有些人較常使用右腦,也就是「右腦人」,所以擅長創意思考,「左腦人」則比較有邏輯。這是大家耳熟能詳的觀念,但神經科學家認為這只是迷思。實際上,我們使用大腦時不會特別偏左或偏右,而是完整使用兩個半腦。不過有些功能(例如語言的某些能力)會比較依賴某一個大腦半球。所以科塔爾症候群與右腦損傷有關的假設,並非全然不可能。

但科塔爾症候群(可能也包括合理性檢查機制)與右腦的關聯性依然只是假設,只不過許多(但不是所有)神經科學家深入研究過的科塔爾症候群案例,都支持這項觀察結果。無論合理性檢查機制確切位於何處,但在推演患者如何發展出科塔爾症候群的通用模型中,這個假設的機制扮演著重要角色。首先,大腦功能異常造成疏離症狀,例如喪失現實感與人格解離。大腦出於習慣,會先試著為眼前的情況找答案。問題是,仔細檢查並淘汰不合理答案的能力也受損了,於是大腦只好捏造稀奇古怪的答案,告訴自己身體已經死了(或是邪靈附體、正在腐爛等等),而且不會因為這個答案不合理而淘汰它。

有人認為,這種階段性的妄想形成過程也適用於另一些妄想症。這些妄想症的症狀也很古怪,不亞於科塔爾症候群。

-----廣告,請繼續往下閱讀-----

——本文摘自《大腦獵奇偵探社:狼人、截肢癖、多重人格到集體中邪,100個讓你洞察人性的不思議腦科學案例》,2024 年 7 月,行路出版,未經同意請勿轉載。

-----廣告,請繼續往下閱讀-----

討論功能關閉中。

行路出版_96
21 篇文章 ・ 8 位粉絲
行路為「讀書共和國」出版集團旗下新創的出版社,出版知識類且富科普或哲普內涵的書籍,科學類中尤其將長期耕耘「心理學+腦科學」領域重要、具時代意義,足以當教材的出版品。 行路臉書專頁:https://www.facebook.com/WalkPublishing