Loading [MathJax]/extensions/tex2jax.js

0

0
0

文字

分享

0
0
0

記憶好?記憶差?打開記憶的黑盒子

Jacky Hsieh
・2012/06/05 ・1885字 ・閱讀時間約 3 分鐘 ・SR值 506 ・六年級

photo credit: ali edwards via photo pin cc

你還記得一周前的晚餐吃了什麼嗎?有可能已經不記得了!但如果問你上一餐吃什麼,你卻可以清楚描述盤子裡的食物是什麼。為什麼記憶此一時彼一時?上週晚餐的記憶是想不起來或是,它早已消逝?

我們處處都用視覺記憶(Visual Memory),從記得剛剛走過你身邊的陌生人長什麼樣,到記得上一次你看手錶的時間,如果沒有視覺記憶,便無法存取我們所見,更遑論回憶提取它了。就像電腦的記憶體容量會限制存取能力,視覺注意力的大小也與許多高階認知功能有所關連,包括學業成就,解決新問題的能力,或是對事情的理解能力等等。所以了解視覺記憶力如何使得這些心智運作完整,以及如何因為其大小限制運作情形,便顯得相當重要。這是一個被辯論多時的疑惑,我們則要試圖解答他:

剛問的「你上一餐吃什麼?」被存放在視覺短期記憶中(visual short-term memory)的視覺工作記憶(visual working memory),這裡是視覺影像的暫存區,即使當你用餐完,已經開始做下一件事的時候,它就像是一面白板,訊息被寫在上頭之後便會被擦掉。所以我們只仰賴工作記憶在一小段時間內,有點像上課時你不斷抄寫的上課筆記。

問題是:這些被寫在白板上的訊息,何時會被擦掉?而當它被擦掉的時候,我們就再也想不起它了嗎?如果視覺短期記憶只是漸漸的被擦掉,那這些殘餘的部分應該仍可以被提取,但如果被一次抹除,我們則無法以任何形式回憶它。

-----廣告,請繼續往下閱讀-----

加州大學心理學家Weiwei Zhang與Steven Luck試圖解釋這個問題,在他們的實驗中,受試者先會看到三個不同顏色的正方形在電腦螢幕上快速閃現,受試者必須記住這三者的顏色,接著經過1,4,或10秒之後重新顯現三個在相同位置但為白色的正方形,此時會被要求回答其中一個剛剛是什麼顏色的,這其中一個是從三者中隨機挑選,受試者事前不知道道將會是哪一個。

如果短期記憶是慢慢消逝──漸漸地從白板上擦掉──那即使是10秒以後,受試者應該仍能記得的顏色,只會稍微偏離原本的顏色;但如果是直接消逝──白板在寫下資訊後都未被觸碰,直到一次擦去所有內容──那受試者應該在未被擦去前準確地回答,擦去後則只能猜測。

Zhang與Luck的結果發現:受試者要不是準確地回覆顏色,不然就是用猜的,像是電腦裡的數位照片,不會因時間而泛黃,但當你移除後,就永遠消失了!

但這個結果似乎無法套用在各種記憶,一篇較新的研究.麻省理工大學與哈佛大學的研究者發現,如果短期記憶可以「存活」的夠長,長到足以轉成長期記憶,就不需要被「擦掉」了。Talia Konkle的實驗要受試者連續看3000張不同的照片,接著看200組圖片,每一組都有新照片一張與3000張當中的一張舊照片,要受試者選出哪一張是舊的。結果顯示受試者可以正確地選出哪一張是舊照片,正確率高達九成六;換句話說,在經過「記得」3000張照片之後,他們能有如此好的表現。

-----廣告,請繼續往下閱讀-----

事實上,這樣的高正確率僅在舊照與新照是截然不同的景色(例如高爾夫球課vs冒險樂園),為了要測試究竟這樣的記憶到底「記得」多少細節,所以也分析了舊照與新照在雷同的景色情況的正確率(例如兩座不同的冒險樂園),要看出這樣雷同景色的兩張照片必須記得較多的細節,也許你會認為受試者的正確率因此會變得很差,不過其實只差了一成,正確率達八成四,甚至如果受試者必須在一開始看比3000張更多的照片時,仍能順利的區辨哪張是舊的哪張是新的,僅稍微減少正確率而已。這也說明了,即使我們的記憶包含許多細節,但終究不是照相機完整地保存其原貌。

前述的兩個實驗提出了一個迷惑:為什麼我們能記住如此大量的圖片,但卻記不住僅在幾秒鐘之前呈現的三個不同顏色的正方形?究竟這些視覺刺激怎麼被定義何時存在短期記憶何時存在長期記憶?

2011年的一篇回顧文獻,哈佛與麻省理工的研究者說明了這些圖像對你的意義是影響兩者的原因,這些視覺刺激與你的先前經驗連結扮演重要角色。

Zhang與Luck的實驗要受試者記憶對他們而言無意義無關聯的顏色,這與他們的背景知識毫無關聯,所以這些內容就像寫在白板上的資訊,還來不及被抄在筆記本上就被擦掉了;但Konkle的實驗要受試者看的是圖片,這些對受試者而言是有意義的,而這些背景知識影響了大腦處理這些圖片的過程,也讓這上千張的圖像能像資訊從白板上寫入短期記憶的筆記本,甚而進入銀行內的長期記憶金庫,金庫裡還包含了記憶的細節。

-----廣告,請繼續往下閱讀-----

總而言之,這些實驗說明了為什麼記憶的消逝並不是處處相同,甚至有些不會消逝。也解釋了為什麼我們怎麼樣也記不住一些事,但有些卻怎麼都忘不了。

資料來源:Scientific American: Why Is Memory So Good and So Bad? [29 May 2012]

-----廣告,請繼續往下閱讀-----
文章難易度
Jacky Hsieh
57 篇文章 ・ 0 位粉絲
中大認知所碩士。使用者經驗工程師。喜歡寫東西分享。

0

0
0

文字

分享

0
0
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

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

4
3

文字

分享

0
4
3
前額葉皮質的奇蹟:如何保養你的記憶引擎!——《記憶決定你是誰》
天下文化_96
・2024/08/04 ・2641字 ・閱讀時間約 5 分鐘

憂鬱症或阿茲海默症?前額葉皮質的雙面效應

額葉損傷病患遇到的記憶問題,跟我們在日常生活中所面對的記憶挑戰有著直接的關聯,而這個關聯成為我對前額葉皮質深感興趣的原因之一。即使在沒有具體損傷的情況下,前額葉皮質的功能仍會受到許多因素影響,進一步導致顯著的記憶問題,例如我在埃文斯頓醫院神經心理學診間測試的許多病患,轉介過來是為了評估阿茲海默症的可能性,但在進一步測驗後,卻發現是臨床上的憂鬱症。

在年紀較長的成人身上,憂鬱症有可能看起來很像早期的阿茲海默症,好比我曾經測驗過一名剛退休不久的學校老師,他一向以頭腦清晰自豪,現在卻難以專注,一直忘東忘西。儘管從磁振造影看不出明顯的腦部損傷,但他的認知卻不比前額葉皮質受損的人好上多少。他和醫生都沒想到,這些認知問題可能與他剛經歷一場離婚,以及幾十年來第一次獨居的情況有關。

前額葉皮質是腦部最晚成熟的區域之一,在整個青春期會持續調整與其他腦區的聯繫。兒童雖然學習很快,卻不擅長專注在應該專注的事物上,因為容易分心。這對於有 ADHD(注意力缺失/過動障礙症)的兒童更是嚴重,他們在學校表現不佳並不是因為缺乏理解力,而是因為在教室裡難以集中注意力、培養有效的學習習慣,以及利用可以應付考試的策略。有大量證據顯示,ADHD與前額葉皮質的異常活動有關。

前額葉皮質也是我們進入老年時,首先開始衰退的區域之一,我們因此覺得自己變得比較健忘。幸好,對多數年長的人來說,形成記憶的能力不會有問題,倒是專注力的改變會影響我們記憶事件的方式。舉例來說,你可能記不住你在表妹婚禮上遇到的某個人叫什麼名字,卻可以記得你們會面時各式各樣的其他資訊,諸如他臉上有雀斑,戴著鮮黃色的領結,或不停說著他最近到田納西州那許維爾(Nashville)的事。

-----廣告,請繼續往下閱讀-----

隨著年齡變長,我們想起瑣事卻想不起重要事情的傾向也會提高。已經有無數研究顯示,在必須專心、忽視干擾的情況下記憶時,年長者表現得比年輕人要差,然而他們記得干擾訊息的能力卻與年輕人一樣好,有時甚至更好。隨著年歲漸長,我們依然能夠學習,卻較難專注於想要記住的細節,反倒常常記住無關緊要的事情。

多工殺手:為什麼一心多用讓你大腦退化

除了年齡之外,讓你覺得自己的前額葉皮質有問題的因素多得不得了。在現代世界裡,一心多用恐怕是最常見的罪魁禍首。我們的對話、活動和會議不斷受到簡訊、電話的干擾,而我們本身又常把注意力分散在好幾個目標上,使得問題更加嚴重。就算是神經科學家也無法免於多工作業--在今天,幾乎每一場學術演講中,都能發現臺下的科學家(包括我自己)拿出筆記型電腦,時而聽講、時而回電子郵件。

很多人甚至對一心多用的能力很自豪,但同時做兩件事很難不用付出代價。為了達成目標,前額葉皮質能幫助我們專注在所需的事情上,但如果我們在不同目標間迅速換來換去,這項美妙的能力就會消失。

加州大學舊金山分校神經科學家安卡佛(Melina Uncapher)的團隊便指出,「媒體多工」(media multitasking)對記憶不利,意思是在不同媒體的訊息間切換會妨礙記憶,例如一下子看簡訊、一下子看電子郵件。更嚴重的是,習慣重度媒體多工的人,平均而言前額葉皮質的某些區域會變得較薄。

-----廣告,請繼續往下閱讀-----

至於額葉的功能失常究竟是媒體多工的原因或是結果,還需要更多研究才能了解,但不管如何,這裡傳達出來的訊息相當一致。我的樂團夥伴米勒爾(Earl Miller)是世界頂尖的前額葉皮質專家及麻省理工學院的教授,他經常這樣說:

「沒有所謂一心多用;你只是輪流把不同的事情做得很糟。」

前額葉的功能也會遭到一些健康問題的破壞。例如高血壓和糖尿病會傷害大腦各區域間相互溝通的神經纖維通路,也就是白質。我和同事發現,與年齡相關的白質損傷,似乎會讓前額葉皮質失去跟大腦其他部分的聯繫--試想這名執行長被單獨鎖在房間裡,無法使用電話和網路。

感染疾病後如果造成腦部的發炎,也可能導致相似的結果,例如在新冠肺炎流行早期受到感染的人,注意力和記憶力等執行功能出現衰退,而且前額葉皮質部分區域的結構發生改變。

一旦前額葉的運作發生改變,就可能導致「腦霧」(又稱為「長新冠」)--當感染的時間很長,或罹患慢性疲勞症候群(chronic fatigue syndrome)等與感染相關的病症時,有機率出現腦霧的症狀。

-----廣告,請繼續往下閱讀-----
感染或罹患慢性疲勞症候群,都可能影響到前額葉皮質。圖/envato

養成健康生活:強化前額葉皮質的簡單步驟

如果我們生活時忽視自己的身心健康,也可能使前額葉皮質暫時失能。例如睡眠剝奪可能對前額葉皮質和記憶造成毀滅性的打擊。酒精也對前額葉皮質帶來負面影響,有些研究顯示這些影響在大量喝酒後還會持續好幾天。我們在後面的章節將探討,壓力會破壞前額葉的運作。如果你在充滿壓力的一週工作之後,熬夜喝酒又不停滑手機看網路新聞,然後整個週末都在跟腦霧奮戰,不用太驚訝。

幸運的是,我們確實可以做一些事來增進前額葉皮質的運作,雖然那些事可能跟你想的不一樣。你的腦是身體的一部分,所以任何對身體有幫助的事情,對你的腦都有幫助,進一步也對記憶有幫助。例如充足的睡眠、適度的運動、健康的飲食,這些事物都有益於你的生理和心理健康,也有益於你的前額葉皮質。

有氧運動如跑步,能促進腦部化學物質釋放,進而提升神經可塑性,改善為腦運送氧氣和能量的血管系統,降低發炎並減少罹患腦血管疾病和糖尿病的可能性。運動也會改善睡眠、降低壓力,而睡眠不足和壓力過高正是耗盡前額葉資源的兩大元凶。

這些因素會一同作用,影響記憶功能在我們年齡增長時的維持狀況。有一項令人敬佩的研究,追蹤了多達兩萬九千人的記憶表現,發現那些在生活方式裡包含上述某些有益因素的人,在十年期間記憶能力的維持狀況也較佳。

-----廣告,請繼續往下閱讀-----

——本文摘自《記憶決定你是誰:探索心智基礎,學習如何記憶》,2024 年 7 月,天下文化,未經同意請勿轉載

-----廣告,請繼續往下閱讀-----

討論功能關閉中。

天下文化_96
142 篇文章 ・ 624 位粉絲
天下文化成立於1982年。一直堅持「傳播進步觀念,豐富閱讀世界」,已出版超過2,500種書籍,涵括財經企管、心理勵志、社會人文、科學文化、文學人生、健康生活、親子教養等領域。每一本書都帶給讀者知識、啟發、創意、以及實用的多重收穫,也持續引領台灣社會與國際重要管理潮流同步接軌。

1

1
0

文字

分享

1
1
0
資訊量過大啦!我們其實不擅長處理複雜的資訊?——《生物轉大人的種種不可思議》
商周出版_96
・2023/11/21 ・1330字 ・閱讀時間約 2 分鐘

誰不接受多樣性?

我們的成長方式具有多樣性。有人長得快,有人長得慢;有人長得高大,有人長不高。這種多樣性是「生物的策略」。不過有個東西並不接受多樣性。就是我們的大腦。

人腦不善於處理複雜的訊息。

有一個法則叫做「神奇數字七法則」,意思是:人類一次頂多只能記住七樣東西。

這是真的嗎?我們來試試看。

-----廣告,請繼續往下閱讀-----

請記住以下插圖,限時三十秒。

接著再看下面的圖,什麼東西不見了?

答案是不倒翁。為什麼明明十樣物品也不多,我們就是記不住呢?

再來試試下一題吧。

-----廣告,請繼續往下閱讀-----

雖然超過七個圖,但是這一題可能大家都記得住,因為這些圖都與《桃太郎》的故事有關。先找出關聯性,再加以歸納整理,大腦才有辦法勉強記住超過七樣東西。

大腦不擅長處理太多資訊

記憶圖畫或許比較困難,試試看數字吧。

請記住旁邊的數字,限時五秒。

怎麼樣? 是不是太簡單了點!

-----廣告,請繼續往下閱讀-----

下面這一組數字呢? 也是限時五秒。

上面這一題是不是也太簡單了!

下一組數字呢? 限時同樣五秒鐘。

如何?

-----廣告,請繼續往下閱讀-----

前兩題應該可以輕輕鬆鬆記住,但是第三題就比較不容易了吧?

你知道第三題有幾個數字嗎?

答案是八個。

只有八個!

-----廣告,請繼續往下閱讀-----

人類厲害到發明了電腦,我們優秀又傑出的大腦照理說應該能理解一百、一萬,甚至一億個數字。然而實際上,人腦必須費盡力氣才能記住兩隻手數得完的數字。我們的大腦本質上不擅長處理「大量」的資訊。

理解「大量」的方法

如同上述的例子,當題目是文字(圖像)時,只要歸納出《桃太郎》的故事,我們的大腦就更容易理解。

那麼數字呢?

我們來看看下面的數列。

-----廣告,請繼續往下閱讀-----

把亂七八糟的數字排成一列,是不是就好記很多?

如果再排成下面這樣呢?

這次是依照數字的大小排序。

我們可以看到「3」有兩個,而 1 到 9 中間缺少了「7」和「8」。經過排列和整理順序之後,人腦就比較能夠理解這些資料。我們的大腦最喜歡把東西排成一列或排順序。學校排成績也是這樣的關係吧?

-----廣告,請繼續往下閱讀-----

——本文摘自《生物轉大人的種種不可思議:每一種生命的成長都有理由,都值得我們學習》,2023 年 8 月,商周出版,未經同意請勿轉載。

-----廣告,請繼續往下閱讀-----
所有討論 1
商周出版_96
123 篇文章 ・ 364 位粉絲
閱讀商周,一手掌握趨勢,感受愜意生活!商周出版為專業的商業書籍出版公司,期望為社會推動基礎商業知識和教育。