學校該給孩子什麼樣的教育？

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

F 編按：本文編譯自 Live Science

是不是常聽人家講「運動天賦」？這種天賦到底是什麼？運動員哪裡跟我們不一樣？這個問題現在科學家或許可以給你一個答案。近年透過腦科學研究發現，運動員的大腦與普通人的大腦存在顯著差異，這些差異塑造了他們在比賽中的敏捷反應、精確動作及卓越判斷能力。

所以現在運動選手不只比體力，還要比腦力了嗎？這些差異具體差在哪裡？

快速反應：視覺處理能力

在團隊運動如足球或籃球中，快速處理視覺資訊並作出決策對勝負至關重要。一項 2013 年發表於《Scientific Reports》的研究發現，職業運動員比起業餘運動員或一般人更擅長處理動態視覺場景，例如追蹤快速移動的物體。這種能力能夠幫助運動員在瞬間解讀賽場上的複雜資訊，並迅速做出反應。

視覺處理能力的測試還可用於判斷運動員是否適合回歸賽場，例如在傷後復健階段，確保運動員在完全恢復判斷能力之前不會貿然上場。

肌肉記憶：動作的自動化編程

對於體操選手或跳水運動員而言，肌肉記憶是完成複雜動作的關鍵。2023 年《Journal of Neuroscience》的一項研究表示，大腦如何通過訓練快速「壓縮」和「解壓縮」動作資訊，最終將動作序列整合成一個流暢的過程。這種訓練過程使運動員能夠無需刻意思考，便能完美執行複雜動作。

肌肉記憶的形成依賴於大腦皮層神經元的網絡活動，這種神經編程能力也同樣適用於訓練有素的音樂家或舞蹈家。

預測能力：球場上的決策利器

運動員擁有卓越的預測能力，例如棒球擊球手能根據投手的動作，快速判斷球的速度與方向。2022 年發表於《Cerebral Cortex》的研究發現，當擊球手預測投手的投球軌跡時，大腦左腹側顳葉皮質的神經元活動會根據預測結果而改變。

這種高效的預測能力源來於運動員在比賽中，學會透過關聯視覺線索與物體運動軌跡的技能。研究還發現，潛水選手等專業運動員的大腦中與動態運動解讀相關的區域，如上顳溝（STS），比普通人更厚，這也反映了運動訓練對大腦結構的塑造。

平衡與空間感：身體控制的高峰

對體操選手來說，擁有非凡的平衡感與空間感知能力，兩者缺一不可，而這在科學上被稱為「本體感覺」（proprioception）。位於小腦的神經網絡讓運動員能迅速調整身體姿態，即使在空中失誤也能及時修正動作。

然而，當這套「安全網」失靈時，可能導致嚴重後果。如 2020 年東京奧運中，體操選手西蒙·拜爾斯（Simone Biles）因「扭轉失靈」而一度無法控制動作，凸顯了平衡能力在高風險運動中的重要性。

注意力與認知靈活性：多任務處理的關鍵

團隊運動要求運動員能快速在不同思維模式間切換，例如足球選手需在控球時預測對手動作並調整策略。2022 年《國際運動與運動心理學期刊》的一項研究顯示，運動員，特別是參與高強度間歇訓練的選手，擁有更強的認知靈活性和注意力分配能力。

研究也指出，這些能力的提升可能與長期訓練相關，但確切機制仍需進一步研究。

抗衰老的秘密：運動對老年大腦的保護

這些運動訓練對大腦的影響，可不是只有相關區域的提升。運動對大腦健康的影響，可能會持續一生。一個典型例子是加拿大田徑選手奧爾加·科特爾科（Olga Kotelko），她在 95 歲時仍保持驚人的腦部健康，其白質結構完好程度甚至接近比她年輕三十多歲的普通人。科學家認為，持續的運動訓練可能是她保持記憶力與認知敏銳的原因之一。

下一代的訓練策略：腦力與體力並重

隨著運動科學的不斷進步，科學家也開始呼籲教練更注重對年輕運動員的腦部訓練，例如提升記憶力與決策能力。西悉尼大學的運動科學家凱莉·斯蒂爾（Kylie Steel）指出，運動員的身體或許會訓練至極限，但在認知能力上仍擁有巨大的潛力提升。例如，足球訓練中可以鼓勵球員使用非慣用腳進行射門，以提升大腦靈活性，幫助他們在成年後更加出色地應對比賽挑戰。

近年研究讓我們重新認識了體育訓練對人體的深遠影響，運動改變的不僅是肌肉，還包括大腦。從視覺處理到肌肉記憶，再到抗衰老的腦部結構，透過運動與科學的結合，將為未來的運動員開啟全新可能性，也提醒我們，持續鍛煉不僅益於身體，也有助於大腦的健康。

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。

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。

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。

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。

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。

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。

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。

——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。