穿戴式腦磁測量頭盔問世！腦神經研究領域即將大革新？

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

棒球場上的打擊，是一件很困難的任務。我曾有一個體育老師用這麼一句話來形容棒球打者：「在世界上有哪一個職業，失敗率高達七成，卻可以領高薪呢？」當然啦，在中華職棒這個常常出現15:15這種網球般比數的奇妙聯盟，或許好的打擊者打擊率必須要來到3成5才行，但即使如此，一個好的中華職棒打者的失敗率依然高達6成5。

一個打者，要能夠把球打得好，除了打擊本身的技巧之外，選球也是另一個很重要的因素。而選球又可以分成兩個部分，一個是選擇你想攻擊的球路，例如教練常常會要打者「挑直球打」，另一個則是判斷球會不會進入好球帶。

而過去關於棒球打擊的研究，也剛好在「判斷球種」和「判斷好壞球」上有所著墨，本文就要先來介紹「當一個打者在判斷球種時，他的大腦會出現哪些變化呢？」

直球？變化球？

根據我所讀到的論文，實驗者通常會挑選「直球V.S.曲球」或是「直球V.S.曲球V.S.滑球」來做為刺激的材料，而滑球和曲球也是棒球場上最常見的兩種球路。

先來看看在分辨這三種球路的時候，打者所需耗費的時間吧。要分辨一顆球是什麼球路，很重要的一個因素，就是這顆球移動的速度，以及變化的角度。

很直覺的，要分辨一顆球是直球、曲球或滑球，最容易被分辨出來的應該是直球，Sherwin等人在2012年所發表的一篇論文就證實了這一點，他們策劃了一系列的腦電圖（Electroencephalography, EEG）研究，從六名受試者（五男一女，均沒有參與過職業棒球或大學棒球的訓練）腦神經的訊號可以發現，快速球比其他兩種球路更快被區分出來。

除此之外，由於這三種球路的軌跡及速度都有所差異，被辨識出來的時間點也有所不同，因此受試者在區辨這三種球路時的大腦反應模式可以說是截然不同[1]，不過更細節的部分，由於太過複雜，因此就不在本篇文章細談了，有興趣的人可以找出原論文來讀看看。

判斷球種與揮擊時的大腦變化

然而，當一個打者分辨出一種球路是直球、曲球或滑球之後，他們接下來會怎麼做呢？當然就是攻擊它啦！這一個研究團隊後續又做了另一份研究[2]，他們以三名美國大學棒球聯賽第一級（NCAA Division I）的大學棒球隊球員做為受試者，讓他們觀看468個模擬球路（快速球、曲球、控制組，其中控制組是電腦隨機模擬出來的球路，該球路不符合牛頓物理定律的球路軌跡），這個研究分成兩個部分，其中一個是腦電圖的研究，另一個則是功能性磁振造影（fMRI，functional magnetic resonance imaging）的研究。

腦電圖和功能性磁振照影最大的差別就是，腦電圖可以測量到每一毫秒的大腦電波變化，但是沒辦法精確地掌握這些腦電波的變化是來自於哪一個腦區；而功能性磁振照影雖然只能每兩秒鐘掃描一次，但是卻可以測量到很精細的大腦變化。因此，結合這兩種研究，便能夠精確地掌握到，打者在選擇攻擊的球種時，在不同時間上，大腦反應的區域有何不同。

其中腦電圖的研究結果發現，在棒球從投手的手中出手後500ms左右時，打者的大腦反應會來到高峰，這可能反應出打者出手的時機點（以投手板到本壘板的距離18.44公尺而言，該實驗的模擬球路中的速球球速為83mph，換算成我國常用的km/hr後，則是133kph左右，而一顆時速133公里的球，從投出到進入本壘板，所需時間大約是496ms，因此在出手後500ms前後所出現的大腦反應高峰，可能正代表著打者出手的時間點）。

而第二次的大腦反應高峰則是在球出手後900ms時，這可能代表著打者針對剛剛所做的判斷進行反思，因而產生了第二個大腦反應的極大期。

那麼，這兩個大腦反應的極大期，大腦到底在做些什麼呢？這個團隊又用了功能性磁振造影來對大腦在判斷球路時的腦區變化做了研究，研究結果顯示，無論受試者看到的是直球、曲球或是滑球，大腦中對應到的反應區域大多都分布在後半部，而這些區域和視覺處理與動作處理有關，其中包含了參與複雜影像視覺編碼的舌回（lingual gyrus）[3]、辨識物體的側枕葉皮質（lateral occipital cortex，LOC）[4]、解釋視覺圖像的布羅德曼分區（Brodmann）第18腦區[5]、負責注意力和多功能整合的布羅德曼分區第19腦區[6]，以及有助於覺察運動中物體的顳葉中區（middle temporal，MT，又稱視覺皮質第五區，V5）[7]。

而前面提到的第二個神經訊號大量反應的時期，也就是球出手後900ms的反應極大期，在fMRI的研究中則發現，這和上額葉(superior frontal)、副扣帶迴(paracingulate gyri)的反應有關，這些腦區會在受試者正確辨識出球路之後活化，它們負責的功能則是正向顯著事件(positive salient events)[8]和內省(introspection)[9]，白話一點來說就是「受試者很肯定地認為，剛剛所做的判斷應該是正確無誤的！」。

 判斷正確與錯誤，大腦反應也會有所不同

有趣的是，這份實驗也針對受試者判斷正確與判斷錯誤時的大腦變化進行比較，結果發現，當受試者判斷正確時，他們的大腦神經變化，會顯著地活化處理高階視覺反應的MT和側枕葉皮質(LOC) ，以及關於動作控制和處理的蒼白球(globus pallidus)和殼核(putamen) [7]，還有牽涉到自我獎勵的額葉極區(frontal pole regions)，且這些腦區的啟動，是不需要經過意識控制的！也就是說，他們的大腦會很自動地從辨認出球路切換到準備揮棒的模式裡，不需要經過大腦思考，這也是為什麼大聯盟傳奇名將Yogi Berra會說：「打者是不能一邊思考，一邊好好地打擊的（you can’t think and hit at the same time）。」。

反之，當受試者無法對該球種做出正確判斷時，他們便不會啟動預備揮棒的動作區，反而是啟動了位於前額葉的布羅德曼腦區第10腦區[1][2]。前額葉是關於思考與決策的腦區，而布羅德曼腦區第10腦區最主要的功能正是處理困難的認知作業（task difficulty）[10]。這可能是因為受試者有看到這些球，但資訊並未傳到更高階的視覺紀錄區或是正確編碼(如MT、LOC)，因此受試者感到很困惑，因而啟動了負責思考的大腦區域，試圖想出剛剛看到的到底是哪一種變化球。

這樣的研究結果，不免讓我聯想到我打棒球的經驗，其實打者在選擇球路作攻擊時，常常是一種很自然的身體反應，從投手抬腳投球的那一剎那，到擊中球為止，其實打者是沒有什麼時間仔細思考該如何揮棒、何時揮棒的，而是一種連貫「判斷—揮擊」的動作，這正好呼應了實驗研究的結果。

順帶一提，雖然實驗當中並沒有提到這一點，不過我認為，當一個打者被一顆球凍結住，站著不動遭到三振時，很有可能就是因為，他來不及對眼前的球路做出反應，因而未能啟動他下意識的動作區域吧。

我變！我變！我變變變！

在最後，關於變化球和打者反應之間的另一個有趣研究，則是針對「投手的球種越多，會對打者造成什麼樣的影響」為主題進行研究的，結果發現，當一個投手的球種越多時，打者得動用到越多的腦區聯合起來來分辨球路，而非增加某一特定腦區的活動量來分辨球種；除此之外，當投手球種到達三種時，和只有兩種時相比，打者能夠正確區分球種的機率就會掉到5成左右，且反應時間雖未達顯著差異，但會隨著球路越多，而有越來越慢的趨勢[11]。

因此，如果你想成為一個讓打者摸不著頭緒的投手，即便你無法和達比修一樣練成一手七彩變化球，但實驗告訴你，只要有兩種變化球，就足以讓打者有一半的機率猜不透你想投什麼球了！

如果你喜歡我的文章，歡迎點圖追蹤粉專 Psydetective-貓心

參考文獻

1. Sherwin, J.Muraskin, & P.Sajda（2012）You can’t think and hit at the same time: neural correlates of baseball pitch classification. Front Neurosci, 6: p. 177.
2. Muraskin, J.Sherwin,& P.Sajda（2013）A System for Measuring the Neural Correlates of Baseball Pitch Recognition and Its Potential Use in Scouting and Player Development. Sports Analytics Conference.
3. Machielsen, W.C., et al., FMRI of visual encoding: reproducibility of activation. Hum Brain Mapp, 2000. 9(3): p. 156-64. 17.
4. Grill-Spector, K., et al., The lateral occipital complex and its role in object recognition. Vision Res, 2001. 41(10-11): p. 1409-22. 19. Hyvarinen, J., et al., Early visual deprivation alters modality of neuronal responses in area 19 of monkey cortex. Neurosci Lett, 1981. 26(3): p. 239-43
5. Kaas, J.H., Theories of visual cortex organization in primates: Areas of the third level. Extrageniculostriate Mechanisms Underlying VisuallyGuided Orientation Behavior, 1996. 112: p. 213-221. 18.
6. Tootell, R.B.H., et al., Functional-Analysis of Human Mt and Related Visual Cortical Areas Using Magnetic-Resonance-Imaging. Journal of Neuroscience, 1995. 15(4): p. 3215-3230. 21.
7. Marchand, W.R., et al., Putamen coactivation during motor task execution. Neuroreport, 2008. 19(9): p. 957-60.
8. Euston, D.R., et al., The role of medial prefrontal cortex in memory and decision making. Neuron, 2012. 76(6): p. 1057-70.
9. Goldberg, I.I., et al., When the brain loses its self: Prefrontal inactivation during sensorimotor processing. Neuron, 2006. 50(2): p. 329-339.
10. Philiastides, M.G., et al., EEG-informed fMRI reveals spatiotemporal characteristics of perceptual decision making. Journal of Neuroscience, 2007. 27(48): p. 13082-13091.
11. Ryu, J.Kim, A.Ali, W.Kim & S.J. Radlo (2015) Changes in baseball batters’ brain activity with increased pitch choice. Journal of Integrative Neuroscience, Vol. 14, No. 3369–381.

當一個人自昏迷狀態中醒來時，可能會出現幾種不同的臨床現象。若此人變成植物人並保有反射動作，就可以自行呼吸、睜開眼睛，但是對周遭的環境沒有意識。相反的，若此人處在「最低程度意識」狀態，有時會出現短暫的意識徵兆，例如儘管他無法持續交談，但是可以對親人微笑，其預後狀況較為良好，可以進行特殊照料以協助其復原。不過，這兩種狀態通常很難區分，誤診機率為 40%。為了能夠區分之，一個國際團隊開發了一項結合穿顱腦部刺激與腦電圖的新技術。

這項技術與目前使用的「意識測試」方法非常不同。巴黎硝石醫院（hôpital de la Pitié-Salpêtrière）的神經學家 Lionel Naccache 表示，「實際上，大多數的測試都是要求病人用大腦進行需要意識的認知工作，例如想像在打網球。醫生觀察執行工作時的腦部訊號，就可以確認患者是否有意識。不過，我們很難解釋負面的結果，例如病人可能無法理解我們的措詞或者他正在睡覺等等。米蘭大學的 Marcello Massimini 與其同事共同設計的方式並不會受此限制」。

這個新方式不會刺激患者的溝通能力，其運作基準是根據腦丘與皮層之間的交互作用速度來判定是否有意識。這兩個部位都位於腦部深層。為了探測意識是否存在，研究員將磁線圈置於患者腦中，磁線圈會誘導電流刺激大腦，這種技術稱為「穿顱腦部刺激」。研究員同時以腦電圖來記錄患者的腦部活動。

狀態不同

為了證明該方式的有效性，研究團隊選了 12 名脫離昏迷狀態的患者，這些患者都可以透過徹底且重複的神經檢測來進行可靠的診斷。在這 12 名患者中，有 5 名已經被診斷為植物人、5 名處於最低程度意識狀態，其餘 2 名則屬於「閉鎖症候群」（locked-in syndrom），也就是說全身癱瘓，但是對周遭有意識。

一旦這些患者獲得診斷，神經學家就以新方式進行測試，並證實的確可以區分這些患者。與處於麻醉狀態者（也就是無意識狀態時）相較之下，刺激植物人會引起特定區域的腦部活動。相反的，刺激處於最低程度意識狀態者，會引發腦丘系統在有意識的狀態下才會出現的複雜活動。同樣的活動狀態也出現在 2 名閉鎖症候群的患者身上。

作者：駐法國代表處科技組
資料來源：Mieux détecter la conscience après un coma—法國《研究》雜誌（La Recherche）2012 年 3 月第 462 號期刊

轉載自國科會國際合作簡訊網 [2012-07-02]