蜘蛛絲小提琴弦

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

半導體產業崛起，我們常聽到「能隙」這個名詞，到底能隙是什麼？能隙越寬的材料又代表什麼意義呢？
近幾年 5G、電動車、AI 蓬勃發展，新聞常說要靠第三類的「寬能隙半導體」發展，到底寬能隙半導體在紅什麼？我們一起來了解吧！

本文轉載自宜特小學堂〈第三類寬能隙半導體到底在紅什麼？〉，如果您對半導體產業新知有興趣，歡迎按下右邊的追蹤，就不會錯過宜特科技的最新文章！

什麼是能隙（Band Gap）？寬能隙又是「寬」在哪裡？

身為理組學生或是工程師，甚至是關心科技產業的一般人，對於「能隙」兩字一定不陌生，但你了解什麼是能隙嗎？

能隙基本上要用量子物理的理論來跟大家說明，「能帶（Band）」的劃分主要為低能帶區的「價電能帶」（Valence Band，簡稱 VB），與高能帶區「導電能帶」（Conduction Band，簡稱 CB）的兩種，在 VB 與 CB 之間即是一個所謂的能帶間隙（Band Gap，簡稱 BG），簡稱「能隙」。

金屬材料能夠導電，主要是因為電子都位於高能的（CB）區域內，電子可自由流動；而半導體材料在常溫下，主要電子是位於低能的（VB）區域內而無法流動，當受熱或是獲得足夠大於能隙（BG）的能量時，價電能帶內電子就可克服此能障躍遷至導電能帶，就形成了導電特性。

我們都知道功率等於電流與電壓加乘的正比關係，在高功率元件（Power device）的使用上如果半導體材料的能隙越寬，元件能承受的電壓、電流和溫度都會大幅提升。大眾所熟知的第一類半導體材料——矽（Si）能隙為 1.12 eV，具有成熟的技術與低成本優勢，廣泛應用於消費性電子產品；第二類半導體材料——砷化鎵（GaAs） 能隙為 1.43eV，相比第一類擁有高頻、抗輻射的特性，因此被廣泛應於在通訊領域。

為什麼需要用到第三類寬能隙半導體（Wide Band Gap，WBG）？

由於近年地球暖化與碳排放衍生的環保問題日益嚴重，世界各國都以節能減碳、綠色經濟為共同的首要發展方向，石化能源必須逐步減少並快速導入綠能節電的應用，因此不論是日常用品、交通運輸或軍事太空都逐步以高能效、低能耗為目標。

歐洲議會在 2023 年通過新法提高減碳目標，為 2030 年減碳 55% 的目標鋪路。國際能源署（IEA）也強建議各國企業在 2050 年前達到「淨零排放」，甚至有傳聞歐盟將通過燃油車禁售令，不論是考量環保或經濟，全球企業的綠色轉型勢在必行。因此在科技發展日新月異的同時，要兼顧大幅提升與改善現有的能源，已是大勢所趨。

目前半導體原料最大宗，是以第一類的矽（Si）晶圓的生產製造為主，但是以低能隙的半導體材料為基礎的產品，物理特性已到達極限，在溫度、頻率、功率皆無法突破，所以具備耐高溫高壓、高能效、低能耗的第三類寬能隙半導體（Wide Band Gap，WBG）就在此背景之下因應而生。

現在有哪些的寬能隙（WBG）材料?

那麼有哪些更佳的寬能隙材料呢？目前市場所談的第三類半導體是指碳化矽（SiC）和氮化鎵（GaN），第三類寬能隙半導體可以提升更高的操作電壓，產生更大的功率並降低能損，相較矽元件的體積也能大幅縮小。
Si 與 C 的化合物碳化矽（SiC）材料能隙可大於 3.0eV；Ga 與 N 或 O 的化合物氮化鎵（GaN）或氧化鎵（Ga₂O₃）能隙也分別高達 3.4eV 與 4.9eV，大家可能沒想到的是鑽石的能隙更高達 5.4eV。

氮化鎵（GaN）或氧化鎵（Ga₂O₃），雖然分別在 LED 照明或是紫外光的濾光光源，已經應用一段時間，但受限於這類半導體材料的特性，其實生產過程充滿了挑戰。例如：要製作 SiC 的單晶晶棒，相較 Si 晶棒的生產困難且時間緩慢很多，以及 GaN 與 Si 晶圓的晶格不匹配時，容易生成差排缺陷（Dislocation Defect）等問題必須克服，導致長久以來相關的製程開發困難及花費高昂，但第三類半導體市場潛力無窮，對於各國大廠來說仍是兵家必爭之地。

寬能隙半導體運用在那些產品上？

現在知名大廠如意法半導體、英飛凌、羅姆等，對寬能隙材料的實際運用均有相當大的突破，如氮化鎵（GaN）在以 Si 或 SiC 為基板的產品已陸續發表，而我們最常接觸到的產品，就是市售的快速充電器，採用的就是 GaN on Si 材料製作的高功率產品。

除了功率提升，因為溫度與熱效應可大幅降低，元件就可以大幅縮小，充電器體積也更加玲瓏小巧，除了已商品化的快充電源領域，第三類半導體在 AI、高效能運算、電動車等等領域的應用也是未來可期。

（延伸閱讀：泛科學—快充怎麼做到又小又快？ 半導體材料氮化鎵，突破工作頻率極限）

現行以矽基材料為主的高功率產品，多以絕緣閘雙極電晶體（IGBT）或金氧半場效電晶體（MOSFET）為主，下圖可以看到各種功率元件、模組與相關材料應用的範圍，傳統 IGBT 高功率模組大約能應用至一百千瓦（100Kw）以上，但速度卻無法提升至一百萬赫茲（1MHz）。而 GaN 材料雖然速度跟得上，但功率卻無法達到更高的一千瓦（1kW）以上，必須改用 SiC 的材料。

SiC 具有比 Si 更好的三倍導熱率，使得元件體積又可以更小，這些特性使它更適合應用在電動車領域。特斯拉的 model3 也從原先的 IGBT ，改成使用意法半導體生產的 SiC 功率元件，應用在其牽引逆變器（Traction inverter）、直流電交互轉換器與充電器（DC-to-DC converter & on-board charger），能夠提高電能使用效率與降低能損。

在未來更高的電力能源需求下，車載裝置除了基本要具備高功率，還需要極高速的充電能力來因應電力補充，車用充電樁、5G 通訊基地台、交通運輸工具、甚至衛星太空站等更大的電力能源需求，相關的電流傳輸轉換，電傳速度的要求以及降低能損，就必須邁向更有效率的寬能隙材料著重進行開發，超高功率的 SiC 元件模組需求亦會水漲船高。

寬能隙半導體在開發生產階段，需進行那些驗證分析？

根據宜特的觀察，晶圓代工廠與功率 IDM 廠商正持續努力研究與開發。不過，新半導體材料在開發初期，會有許多需要進行研發驗證的狀況，近年我們已協助多家寬能隙半導體（WBG）產業的開發與生產驗證。

比如磊晶製程相關的結構或缺陷分析，就可以藉由雙束聚焦離子束（Dual beam FIB）製備剖面樣品並進行尺寸量測或成分分析（EDS），亦可搭配穿透式電子顯微鏡（TEM）進行奈米級的缺陷觀察；擴散區域的分析可經由樣品研磨製備剖面後，進行掃描式電子顯微鏡（SEM）觀察以及掛載在原子力顯微鏡 （AFM） 上的偵測模組-掃描式電容顯微鏡（SCM）判別摻雜區域的型態與尺寸量測。

下圖為 SiC 的元件分析擴散區摻雜的型態，我們可以先用 SEM 觀察井區（Well）的分布位置，再經由 SCM 判斷上層分別有 N 與 P 型 Well 以及磊晶層（EPI） 為 N 型。

另外在摻雜元素及濃度的分析，則可透過二次離子質譜分析儀（SIMS）的技術，下圖 GaN on Si 的元件，先用雙束聚焦離子束（Dual beam FIB）進行剖面成份分析（EDS）判斷磊晶區域的主要成份之後，提供 SIMS 參考再進行摻雜元素 Mg 定量分析濃度的結果，作為電性調整的依據。

除了上述介紹 WBG 元件結構的解析之外，其它產品也都可以透過宜特實驗室專業材料分析及電性、物性故障分析來尋求解答，包括因應安全要求更高的產品可靠度測試與評估，藉由宜特可以提供更完整與全方位的驗證服務。

希望透過本文介紹，讓大家對第三類半導體有更進一步的了解，近期被稱為第四類半導體的氧化鎵（Ga₂O₃）也逐漸躍上檯面，它相較於第三類半導體碳化矽（SiC）與氮化鎵（GaN），基板製作更加容易，材料也能承受更高電壓的崩潰電壓與臨界電場，半導體材料的發展絕對是日新月異，也代表未來會有更多令人期待的新發現。

本文出自 www.istgroup.com。

日本科學家利用上千條蜘蛛絲，編成一根小提琴弦。蜘蛛琴弦演奏的音色較傳統羊腸弦或鋼弦還「柔軟而有深度」。可能因為蜘蛛弦的結構，沒有任何縫隙。研究成果將發表在《物理綜合評論通訊》（Physical Review Letters）中。

奈良醫學大學（Nara Medical University）的大崎重吉（Osaki Shigeyoshi），多年以來對蜘蛛絲的機械特性深感興趣。像是他量化蜘蛛曳絲的強度研究，在2007年發表在《聚合物期刊》（Polymer Journal）。

大崎博士有一套完美的方法，能從飼養的蜘蛛獲取大量的絲。現在他將研究方向轉為如何應用蜘蛛絲這獨特的材料。他提到：「弦樂已經被許多科學家研究，不過並不是所有細節都有受到關注。許多演奏者對琴身有興趣，而非琴弦。」

大崎博士利用300隻雌人面蜘蛛（Nephila maculata），供應足夠的絲線，由三千和五千條絲線，編成一股；再由相反的方向將三股編成一根弦，接著他測量琴弦的張力。張力對提琴手而言非常重要，因為他們可不希望演奏過程中，琴弦突然斷掉。

結果顯示，蜘蛛琴弦和傳統羊腸線相比，較不能抵抗張力，但卻比尼龍弦強韌。再利用電子顯微鏡觀察發現，弦整體完整；剖面結構也顯示弦內沒有多餘的縫隙。大崎博士認為，正是因為蜘蛛弦結構的特性，才能如此強韌且發特殊的音色。他說：「幾位專業提琴手使用蜘蛛弦之後，認為這完美的音色能寫出新的音樂。」新的蜘蛛弦是新穎的高附加價值產品，且為全世界演奏家和愛樂者提供了新型態的音色。

（蜘蛛絲小提琴演奏連結）

資料來源：BBC News: Spider silk spun into violin strings [5 March 2012]

• 文／樊家欣｜雅文基金會聽語科學研究中心　助理研究員 

P. LEAGUE 最大咖球星林書豪加盟鋼鐵人隊，帶領鋼鐵人打出新氣象，並獲選為籃球單月最有價值球員「三連霸」，堪稱史上第一人！你，也愛打籃球嗎？當你在體育館時，是否有察覺到周圍的聲音跟平常不太一樣呢？ 

迴響，能讓聲音隔空變魔術！

體育館一般有挑高的設計以及較大的室內容積，當其中有聲音產生，傳遞到周圍較硬的介質表面「反射」回來，而產生延遲和失真的現象，稱為「迴響（Reverberation）」。由於空間容積與迴響時間成正比，空間越大，迴響時間隨之延長。沒有進行吸音處理的體育館，運球聲、腳步聲、群眾吆喝聲等人造聲音將迴盪在空間中，聲音必須經過更長的時間才會完全消失，使人在體育館倍感喧騰。

善用設計，打造餘音繞樑的迴響聲學空間 

迴響在不同的空間，會因周圍反射的材質，展現不同的聲景樣貌，例如：音樂廳就是利用各種不同的「形狀」和「材質」來平衡聲音，再將之導向聽眾。

早期音樂廳的「形狀」只有鞋盒式，台北國家音樂廳就是歐洲數百年經典傳統鞋盒式音樂廳，平面觀眾席的聲響很好，但是後面的眺望台座位，由於天花板空間被擋住，與前面造成相異聲場，聲音就顯得不夠飽滿；而高雄衛武營音樂廳，其內部設計柏林愛樂廳一樣，採用的是葡萄園式音響設計，所有觀眾皆處在同一個屋簷下，觀眾席如同葡萄園般由舞台四周錯落展開，享受相同的音場，因此聲響均等優美。

從細部來看，「材質」平坦而堅硬的表面能反彈聲音、柔軟的表面可吸收聲音，粗糙的表面則會將入射的聲波散射。在牆壁和天花板上裝設經特別設計的嵌板，就能使聲音在抵達你的耳朵之前，先被調整並優化^[3]。藉由空間整體的設計，能讓迴響成為小精靈，締造優美的聲學空間。

迴響時間過長，對聆聽語音是個壞消息⋯⋯

美國國家標準協會（American National Standards Institutes, ANSI）於 2002 年建議迴響時間（Reverberation Time）少於 600 毫秒（= 0.6 秒）有最佳的語音理解和學習。在安靜的情境中，如果反射回來的語音較早抵達聽者的耳朵，則原聲和迴響會在聽覺系統裡整合，可能提升語音辨識度（Speech Recognition）；而較晚抵達的迴響，則不會與原聲有加成的作用，反而會遮蔽或模糊原本的聲音，而使語音辨識表現下降。除了語音辨識度之外，也可能因聲音的失真，而使聆聽變得費力。

聆聽費力度（Listening Effort）為一更敏感的指標，在一些迴響時間過長的情境中，即使語音辨識度沒有下降，但聆聽者可能因著迴響，而使聆聽造成負擔，或進一步使記憶或理解力下降^[5]，相關文章可以參考連結。因此，迴響時間過長，會提高語音辨識的難度和增加聆聽費力度。

善用科技，讓聽損者輕鬆聽清楚

一般人在有迴響的地方聽講可能會覺得比較不清楚或費力，而對於有聽力損失的人來說，會更容易受到迴響的不利影響^{[4] [6]}。因此，許多配戴助聽器或人工電子耳的聽損者，在聽講或聲音環境較為複雜的地方會搭配使用輔助聆聽裝置（Assistive Listening Device），如Ｔ線圈（Telecoil，又稱 T-coil）、藍芽及數位遠端麥克風等。此類裝置可將聲音訊號轉換，以無線的方式傳輸至助聽器／人工電子耳，來克服環境中迴響的干擾或距離因素，幫助聽損者聽得更清楚也更輕鬆^{[1] [2]}，相關文章也可參考連結。

綜言之，迴響在不同的聲學空間會產生不同的效應：在設計不良的空間會產生聽覺上的干擾，而在好的聲學空間則能使聆聽成為一種享受；另外，藉著輔助聆聽裝置也能幫助我們克服迴響等外部因素而有好的聆聽！

1. 吳彥玢（2019）。助聽器使用者使用數位遠端無線麥克風系統與動態調頻系統之比較〔未出版之碩士論文〕。國立台北護理健康大學語言治療與聽力研究所。
2. 林郡儀、張秀雯（2016）。校園聽覺環境及聽覺輔具之應用發展。輔具之友，39，29-34。
3. 凌美雪（2018年08月14日）。鞋盒式或葡萄園式、柏林愛樂黃金之音怎麼聽？自由時報。ltn.com.tw。
4. Brennan, M. A., McCreery, R. W., Massey, J. (2021). Influence of Audibility and Distortion on Recognition of Reverberant Speech for Children and Adults with Hearing Aid Amplification. Journal of the American Academy of Audiology, 33, 170-180. Doi: 10.1055/a-1678-3381.
5. Picou, E. M., Gordon, J., Ricketts, T. A. (2016). The Effects of Noise and Reverberation on Listening Effort in Adults With Normal Hearing. Ear and Hearing,37(1), 1-13. Doi: 10.1097/AUD.0000000000000222.
6. Xu, L., Luo, J., Xie, D., Chao, X., Wang, R., Zahorik, P., Luo, X. (2022). Reverberation Degrades Pitch Perception but Not Mandarin Tone and Vowel Recognition of Cochlear Implant Users. Ear and Hearing, 43(4), 1139-1150. Doi: 10.1097/AUD.0000000000001173.