兩種懷疑：不信任與謊言偵測

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

科學，一種帕斯卡賭注

如果一個科學主張會對社會、政治或個人造成影響，那在衡量它時，就必須多考慮一個問題：如果錯了會怎樣？接受一個主張最後卻發現它是錯的，有什麼風險？拒絕一個主張而最後發現它是對的，又如何呢？

如果知道服用避孕藥的風險，一位健康女性就可以在憂鬱出現時即時停藥。避孕藥引發的憂鬱通常很快就會消失，對許多女性來說這樣的風險還算輕微，值得一試。同樣地，牙線很便宜，使用牙線每天只需要幾分鐘，如果最終發現沒什麼用處也不會有太大損失。但某些議題就沒那麼簡單了。

想想人為氣候變遷，儘管相關科學研究已經持續了五十年，累積了上萬篇同儕審查的科學論文、數百篇政府及非政府組織的報告，許多美國人仍懷疑氣候變遷的真實性及人類在其中扮演的角色。總統、國會議員、企業領袖、《華爾街日報》的社論都曾表示懷疑，拒絕相信好幾個世紀以來充分發展的物理理論，以及海平面上升和頻繁極端氣候事件等經驗證據。另外有些人則認為，儘管人為氣候變遷真的有發生，但不會造成太大影響，甚至是件好事。

做為一位科學史學者，我知道能量有限理論、優生學、激素避孕藥的歷史，也知道要判斷使用牙線是否有益十分困難，最重要的是我知道地質學家在衡量大陸漂移理論時受到了政治理念影響。我從未預設我們相信科學永遠合理，或通常是合理的，我一直認為這個問題很棒：科學主張的基礎為何？我們應該相信科學家嗎？

信任科學非常重要，但科學家不能期待大眾單憑信任就接受他們的主張。科學家必須解釋他們如何做成這些主張，並承認他們有可能因為忽略或蔑視某些證據而犯錯。如果有人合理指出某些證據被漠視或不合比例的強調，無論這個人是科學家、業餘專家、記者還是飽學的公民，都該考慮他的想法。科學家必須保持開放，明白他們有可能犯錯或忽略某些重要的事情。重點在於，無論科學家有多麼聰明正直，我們相信的都不是科學家，而是相信科學做為一種社會過程，能夠嚴謹地檢驗科學主張。

有些科學結論已經發展完整，不再有人提出合理的懷疑；有些理論則是早就被推翻了。上述論點並非在說科學家應該繼續投入時間與精力，反覆證明或推翻這些結論。如同孔恩在超過半世紀前所討論的，如果說科學可以說是一種進步，那是因為科學家知道怎樣達成共識、往下一步邁進。針對大陸漂移理論的辯論，是在新一代科學家找到了一系列更切中要害的證據後才重新開啟的，這可說是該案例中最突出的一個面向。

我們可以用帕斯卡的賭注來說明這個問題。無論一項科學知識發展得有多完整，無論專家共識有多強大，永遠還是會有不確定之處。因此每當有人挑戰科學知識（不管是出於什麼原因），我們都可以先學帕斯卡這樣問：如果這項科學主張最後證明是對的，忽視它會有什麼風險？相較之下，因應這項主張而行動，但最後發現它是錯的，代價又是什麼？ 不用牙線的風險真實存在，但不至於太嚴重；對氣候變遷的科學證據視而不見，代價則太高昂了。

不可諱言，提倡優生學社會政策的人也認為不施行這些政策會帶來極大的風險。當然那只是他們對科學證據的解讀，而如我們所見，這些證據該如何解釋，並未有共識達成。這裡我們又要回頭強調共識。如果可以證明相關領域專家並未達成共識，那公共政策的基礎顯然十分薄弱。這也是為什麼菸草公司長久以來，一直嘗試宣稱科學認為菸草會帶來危害這件事其實沒有那麼確定。如果真的是這樣，他們說菸草管制過於倉促就是對的。同樣地，如果人為氣候變遷還沒達成科學共識，石化產業和自由主義智庫要求更多研究，就是正確的。因此共識研究關係重大，知道共識存在無法讓我們知道該如何面對氣候變遷，但可以告訴我們問題確實存在。

如果確定相關領域的專家已達成共識，下一步呢？我們可以充滿信心地接受他們的結論，以此當作決策依據嗎？我的答案是有條件的肯定。可以，條件是社群有理想運作。這個條件很重要，如同溫恩所說，如果科學想要得到尊重與信賴，那麼「在組織型態、管理方式、社會關係等方面擁有優良的制度，就不只是為了讓科學進入大眾生活而作非必要的渲染，而是批判性社會文化評估的必備元素。」

科學史顯示社群不見得能如理想般達到開放、多元、確實執行轉化型質問，而且通常都做不到（不過沒達成這些理想，影響也不一定會很深刻，有時甚至難以察覺）。歷史學家史塔克指出，美國國家生命倫理委員會建議在審查以人類為實驗對象的研究時，委員會至少要有四分之一成員不隸屬執行該研究的機構，但這個目標很少達成。

我們要如何知道科學社群夠不夠多元、有沒有做到自我批判、讓另類意見有機會發聲？尤其是研究進行初期，有潛力的方法不該太早被否定。我們該如何判斷制度好不好？這裡沒有統一標準。很多科學家對大陸漂移的想法錯了，這不代表現在另一群科學家對氣候變遷的想法也錯了，他們可能對可能錯，我們不能預設立場。

除了檢查高素質的專家社群有沒有達成共識，我們也可以問：

社群中的科學家能接受不同觀點嗎？社群成員是否能代表廣泛的觀點，有不同的想法、理論取向、方法學偏好和個人價值？

是否使用不同的方法和多樣的證據？

不同的意見有沒有機會發聲、被充分考慮和看重？

社群是否對新資訊開放？能否自我批判?

在年齡、性別、種族、族群、性向、國家等面向上，社群的組成是否多元？

最後一點需要進一步解釋，科學訓練的目的是要限制個人偏見沒錯，但所有已知證據都顯示我們沒做到這點，而且可能真的很難。個人偏見很難避免，但可以透過多樣化來校正。不過，真的需要在人口組成上多元，才能讓觀點多元嗎？

關於這個問題最好的答案，是人口多元很接近觀點多元，甚至可以說是能夠促成該目標的手段。一群白人、中年、異性戀男性可能對許多議題看法分歧，但他們也會有盲點，例如在性別或性向上。在團隊中加入女性和酷兒是一個辦法，讓更多本來可能錯失的觀點被納入考量。

這是觀點知識論的基本論點，主要由哈定提出（見第一章）。我們的觀點很大程度取決於生活經驗，比起有男有女的社群，一個全由男性（在觀點知識論上則是全由女性）組成的社群，經驗可能比較狹隘，觀點也可能因此比較狹隘。商業世界有證據支持這點，針對職場性別多樣性的研究顯示，女性加入領導階層有助於公司獲利，但只限於一定比例：60%。如果公司領導階層全部或大部分是女性，這種「多元紅利」就會開始降低。這也的確符合以上論點。

前面提到的問題其實並不容易做到，但如果任何一點沒有做到，通常很容易就會被發現。更常見到的是社群中的某些人性格傲慢、心胸狹窄、自我膨脹（這些實在太常出現了！），但社會學觀點的知識論認為個人的影響不大，重要的是團隊整體足夠多元，公開討論的管道暢通，新證據和新想法有機會傳播。

哲學家道格拉斯論證過，當科學結論帶來的影響不在知識層面，而是關係到道德、倫理、政治或經濟，就無法避免價值觀在不知不覺中影響我們對證據的判斷。（例如自由派可能會比較快接受氣候變遷的科學證據，因為這代表政府可能要干預市場運作，而他們對這點接受度較高。）

因此，一個議題影響社會愈深，研究它的社群就更必須公開且多元。 不過有時候某些議題看似單純、只是知識問題，實際上卻不是。科學家可能會說他們純粹在討論問題的知識面，但實際上不是。這表示無論是什麼議題，科學社群都需要留意多元和開放程度，對新想法保持開放，尤其是得到實證證據支持的想法，或嶄新的理論概念。

例如可以在決定經費補助對象或審查論文時，多加考慮新穎的想法。包容新穎想法最後發現它錯了，應該還是好過因為批判而錯過好的想法。很多科學家非常強調在面對知識時應該表現出嚴厲的態度，實際上還可能流於粗暴，這可能在無意間造成同行不願多言，特別是年輕、害羞或缺乏經驗的科學家。嚴厲很重要沒錯，但保持開放可能更重要。

We have been authorized by Princeton University Press to use this conten. 該內容由普林斯頓大學出版社授權使用

• 朱家瑩／雅文基金會聽語科學研究中心 研究員

想像一下當你聽到手指甲刮著黑板產生的摩擦聲，或者是拿著叉子摩擦著不鏽鋼碗的聲音，抑或是小孩的哭叫聲，有沒有哪一個聲音會讓你全身起雞皮疙瘩，想要用手摀住耳朵，甚至是情緒爆炸、只想要遠離現場呢？這些讓人不適的聲音，是有其特有的聲學特質？或是其他緣故呢？

不是尖銳、高頻音就刺耳，而是流淌在你我血液的祖先智慧

一般認為，令人不適的聲音是因為刺耳的高頻聲，尤其像是手指甲刮黑板時所產生的摩擦聲，其中那種「ㄍㄧ ㄍㄧ ㄍㄧ」的聲音，似乎是造成不適感的主因。

然而，Halpern、Blake 和 Hillenbrand（1986）這三位研究者對於這個現象感到好奇，因此他們進行了一項實驗 ^[1]，他們將那些令人不適聲音（如：刮金屬或石板的聲音）中的高頻音減弱。

結果顯示，即使減弱尖銳的高頻聲音，受試者仍然感到不適，因而主張尖銳的高頻音並不是造成不適感的主因。接續 Halpern 等人在企圖尋求答案時，意外發現刮黑板的聲音頻譜圖跟靈長類猴子的警告叫聲非常相似，因而大膽推測這個不適感並非高頻音造成的，而是源於人類祖先的記憶。

人類對特定頻率區間的聲音感知最敏感，加上跨感官的連結，讓人聽到某些音就不適

可惜，到底是不是來自老祖先的智慧傳承，這點未獲得後續研究的支持。另一方面，Kumar 等人（2008）進一步以聲學分析探究是否是因特定頻率導致聆聽的不適感時，發現聲音中涵蓋 2500-5500 赫茲這個頻率區間的聲學頻率似乎特別容易引起聽者的不適感 [2]。

他們推測這可能是因為這個頻率範圍的聲音感知上最為強烈，同時也具有最高的能量，因此使得聽覺系統特別對這些頻率的聲音敏感。

但是，我們平常聊天談話中也涵蓋了這個頻率範圍的聲音，除了頻率之外，是不是還有其他因素造成對某些聲音的不適感呢？

Ro 等人（2013）發現當聽到聲音時，聲音進入大腦的聽覺皮質同時，會傳遞訊號到觸覺感官系統，啟動了觸覺感官，讓聽者聽到聲音時，「感覺」到自己的皮膚彷彿被指甲刮的刺痛感 ^[3]。

聽聲音會啟動身體觸覺感官系統並非只存在刮黑板這類聲音，有些人在聽到音樂聲，像是聽到低音貝斯的聲音時，也會感覺到自己的身體也在震動，甚至感受到皮膚的不適感 ^[4、5]。

也許因為這個跨感官的訊號傳遞，讓身體的其他部位也出現不適的感受，才會讓聽者對於這些聲音感到不適。

當感知到令人不適的聲音，杏仁核會依據習得經驗，決定是否啟動保護機制！

Zald 與 Pardo（2002）發現當聽到讓人感到不適的聲音刺激時，大腦中的杏仁核（amygdala）會高度活化 ^[6]，而杏仁核在大腦中負責掌控恐懼、焦慮、害怕等負面情緒，換句話說，當聲音訊息抵達杏仁核時，它會誘發情緒反應，進而導致我們做出不同行為反應 ^[7]。

杏仁核的啟動是大腦的一種保護機制，透過過往的經驗連結學習會對讓人不適的聲音發出警報^[8] ，當聽者遇到可能危及安全的聲音時，杏仁核就會發出警報。

例如，當聽到車子緊急剎車的聲音時，這個聲音傳送到杏仁核，會進而引起我們想要逃離的反應，或者產生對駕駛者行為的憤怒反應。

由於杏仁核在聆聽這些聲音時會高度活化，Kumar 等人（2012）進一步試圖了解在聆聽令人不適的聲音時，杏仁核在大腦中扮演著怎樣的角色，以及聲音資訊如何被傳遞到杏仁核。

他們的研究結果顯示，聲音刺激會最先傳送到聽覺皮質（auditory cortex）進行聲學訊息處理和分析，解碼聲音所代表的意義，例如，聽到「ㄍㄧ」的剎車聲，解碼出來的是來自汽車或者腳踏車的剎車聲。聽覺皮質處理完畢後，將資訊傳遞到杏仁核，當杏仁核接收到來自聽覺皮質的訊號後，依據這些訊息及過去經驗發出警報 ^[8]，誘發恐懼、焦慮或憤怒等負面情緒，並可能促使進一步的行為反應，像是尖叫、摀住耳朵，或逃離現場。

舉例來說，如果是汽車的剎車聲，基於過去的經驗，可能存在危險，因此可能會誘發恐懼情緒，並引發立馬逃離現場的行為舉動。

然而，如果解碼後的聲音是腳踏車的剎車聲，根據過去的經驗，可能不會有危及生命的危險，因此即便會觸發閃躲的動作行為，但負面情緒可能不如汽車剎車聲來的強烈，可能只會憤怒的罵騎車的人不長眼。

聽到某些聲音，讓人立馬想逃或想戰，也許這個過往的經驗是來自遠古時代祖先的傳承，但更可能是因為聽到這些聲音時，觸覺感官系統被啟動了，身體上「感覺」到不適，所以當不適的聲音再次出現時，杏仁核的活化反應就更增強，讓我們除了單純的接收到聲音之外，也產生了身體及情緒上的反應。

1. Halpern, D. L., Blake, R., & Hillenbrand, J. (1986). Psychoacoustics of a chilling sound. Perception & Psychophysics, 39, 77-80.
2. Kumar, S., Forster, H. M., Bailey, P., & Griffiths, T. D. (2008). Mapping unpleasantness of sounds to their auditory representation. The Journal of the Acoustical Society of America, 124(6), 3810-3817.
3. Ro, T., Ellmore, T. M., & Beauchamp, M. S. (2013). A neural link between feeling and hearing. Cerebral cortex, 23(7), 1724-1730.
4. Koenig, L., & Ro, T. (2022). Sound Frequency Predicts the Bodily Location of Auditory-Induced Tactile Sensations in Synesthetic and Ordinary Perception. bioRxiv.
5. Lad, D., Wilkins, A., Johnstone, E., Vuong, Q.C. (2022). Feeling the music: The feel and sound of songs attenuate pain. British Journal of Pain, 16(5), 518-527. 
6. Zald, D. H., & Pardo, J. V. (2002). The neural correlates of aversive auditory stimulation. Neuroimage, 16(3), 746-753.
7. LeDoux, J. E. (2000). Emotion circuits in the brain. Annual review of neuroscience, 23(1), 155-184.
8. Kumar, S., von Kriegstein, K., Friston, K., & Griffiths, T. D. (2012). Features versus feelings: dissociable representations of the acoustic features and valence of aversive sounds. Journal of Neuroscience, 32(41), 14184-14192.