Loading [MathJax]/extensions/tex2jax.js

5

15
6

文字

分享

5
15
6

「貴古賤今」不是病,只是大腦美化記憶的濾鏡——為何我們需要「懷舊」的心理機制?

異吐司想Toasty Thoughts_96
・2021/08/30 ・3400字 ・閱讀時間約 7 分鐘

編按:你曾經因為在臉書河道上,看到某張老照片或影片,而驟然陷入回憶構築的時光長廊中嗎?在那個瞬間,好像穿越了時空、變回了年幼的自己,並重新體驗了當時在那個情節中所經驗過的感覺。別擔心!這只是一種「急性懷舊」的情感衝擊。不是你有病,只是因為你老到有足夠的記憶可以觸發大腦中的「懷舊」機制,畢竟社會也對你挺殘酷的…不是嗎?

《咒術迴戰》中的七海健人有云:「枕邊掉的頭髮越來越多,喜歡的夾菜麵包從便利商店消失,這些微小的絕望不斷積累,才會使人長大。」——泛科《童年崩壞》專題邀請各位讀者重新檢視童年時期的產物,讓你的童年持續崩壞不停歇 ψ(`∇´)ψ。

你自認是個「念舊的人」嗎?

不管這個答案是肯定或否定,我們多少都曾在人生的某些時刻經驗到「懷舊」的情緒。特別是童年的種種,總會在奇特的時刻跳出來、用回憶跑馬燈提醒自己已經長大的事實。

這也使得懷舊成為十分複雜的情緒,在快樂、溫暖中還會帶上些微感傷與空虛,因為我們知道「往日不再」,只能下意識地追逐只存在於腦海中的幻影。

但是人為什麼會感到「懷舊」?我們常常看到老一輩的人在緬懷過去的美好,甚至推崇讓新生代匪夷所思的價值觀,又或者過度美化某些灰暗的歷史片段,讓人不禁懷疑這些長輩是不是來自某個平行宇宙。

-----廣告,請繼續往下閱讀-----

不過先別急著批判這些長者,好好回想一下自己的人生。你是否有「童年的最愛」?它可能是一道菜、一個糖果的品牌、一部卡通,甚至是一位朋友,是在你記憶深處佔據特殊地位的存在。你或許不記得太多細節了,只知道每次想到它(或是他)心中都會浮現幸福的暖意,不由自主地重溫你們一起度過的美好時光。

然而在某個契機下,你們重逢了。但是說也奇怪,明明是一樣的東西,但感覺起來就是少了些什麼。

你沒辦法在食物中嚐到那像是施了魔法的美味,或者難以從古早卡通的粗糙線條中獲得感動,甚至是在面對老朋友時感受到疏遠與尷尬。

「童年」破碎了,你覺得受騙,肯定是哪裡出了問題!或許是食品配方改了,卡通失真了,人心也跟著變了。

-----廣告,請繼續往下閱讀-----

但很遺憾地,我得在這裡告訴你一個壞消息:變得不是那些東西,而是你的記憶。

「懷舊」是一種溫暖中夾帶些許感傷的情懷,有時候重溫了兒時的美味,卻覺得無法與當年的感動相提並論。

無法客觀的「情節記憶」

懷舊(nostalgic)是心理學常見的研究題材。因為相較於一些比較單純的喜怒哀樂,懷舊是個非常複雜、甚至可以說「並不單純」的情緒反應。因為就本質來說,外界刺激僅是懷舊感的引子,它仍是以回憶為基礎的心理活動,也給了它與眾不同的可能性。

人的記憶大多都不是準確的。這不是在說大家都該去吃銀杏,而是記憶機制本就複雜,除了日常生活與工作會用到的「程序記憶」(procedural memory)以及「語意記憶」(semantic memory),還有以情節與情感為主的「情節記憶」(episodic memory)。

舉例來說,今天你因為在開會時講錯話,被上司狠狠教育了一番。你所學到的「教訓」,以及下次遇到同樣情境時該如何應對的反思,會被大腦歸類為語意記憶存起來,以備不時之需;而被罵時心裡感受到的不悅、上司的嘴臉、背景裡對著你指指點點的同事,以及當下你胃痛的生理不適,這些則會被存放在情節記憶當中。

-----廣告,請繼續往下閱讀-----

發現關鍵了嗎?情節記憶,是跟「情緒」綁在一起的。這也表示情節記憶很難做到完全客觀,多少會受到當下情緒的影響。情緒越是強烈,情節記憶在腦迴路的刻痕就越深、被主觀判斷扭曲的程度也越強。這也是為什麼現代提倡「愛的教育」、「零體罰」,避免小孩子在還不懂事時就因為體罰產生心理創傷,造成往後親子、師生關係出現無法彌補的裂痕。

不愉快的回憶中的情緒,會被大腦歸類為「情節記憶」,情緒越是強烈,情節記憶在腦迴路的刻痕就越深。

這樣把情節記憶跟情感綁在一起,有壞處當然也有好處。在心理治療中我們常說:「幸運的人用童年治癒一生,不幸的人用一生治癒童年」,人雖然會因為負面經驗產生心理創傷,但也同樣能受惠於正向經驗,讓這些愉快的記憶成為往後人生重要的抗壓資本。

而這份來自過往美好的療癒效果,正是源自於「懷舊」最核心的機制。

無限美好的懷舊濾鏡

根據近年來心理學與神經科學的研究結果,「懷舊」情緒其實跟我們大腦的獎勵迴路(reward system)有關。單純啟動某些記憶就只是在「回憶」,必須要同時活化獎勵迴路、為這份記憶增添額外的「意義」,我們才能經驗到那份既複雜又美好的懷舊感。

-----廣告,請繼續往下閱讀-----

換言之,就算是再平淡的早年記憶,在獎勵系統渲染下都能引發懷舊感的正向回饋。這可是比任何濾鏡都還要厲害的特效,直接從認知層面美化記憶。

雖然我們還沒辦法真正釐清獎勵系統與懷舊感之間的因果關係,卻可以從實徵研究中摸索出這類情緒的「存在意義」。雖然可能不太直觀,但「懷舊」其實是大腦的自保機制,特別是在認知到重大威脅、感到徬徨時,適時的懷舊感能幫助我們減輕壓力,甚至是降低當下經驗到的焦慮感。

適時的懷舊感,可幫助人減輕壓力。圖/Pixabay

特別是在面對重大轉變,如學校畢業、公司離職、情侶分手,或甚至是生離死別的時候,因為我們對於不可逆的新生活感到不安,大腦會將相關回憶提取出來、搭配獎賞系統的正向情緒來安撫心緒。這些跑馬燈能提醒我們「自己並不孤單」、「人生還是有很多值得開心的事」,最終起到定心凝神、自我培力的功效。

——不過,並不是每次都能達到預期的效果。

-----廣告,請繼續往下閱讀-----

例如在數百年前的三十年戰爭中,這份懷舊的「療效」便被視為好發於戰場的精神疾病。起因是有許多瑞士士兵在戰場上聽到家鄉歌曲後戰意全失,逼得指揮官不得不把這些毫無鬥志的累贅送離前線,或是動用暴力脅迫他們拿起槍繼續衝鋒。

然而,這些士兵並不是真的生病,只是遇上「急性懷舊」的情感衝擊。他們沒有被壓力擊垮、失去活下去的動力,事實恰好相反:正因為回想起生命能有多麽美好,才更不願意在這毫無意義的戰爭中平白死去。這顯示,懷舊感也有幫助我們「否定現實」的效果。不是否定它的存在,而是否定當前這個現實的「價值」,維護記憶中那些美好的「正當性」。

家鄉歌曲引起的「懷舊」情感衝擊,曾被認為是好發於戰場的精神疾病。圖/Pexels

恐怕舊愛不是最美,只是現實太不友善…

當你看到有人在感慨「以前還是比較好」,要記得這份評價除了不客觀,它更是展現了這個人「適應不良」的事實。或許並不是客觀環境變差,而是他主觀的經驗不斷在惡化,讓這些人在面對現實世界時需要仰賴懷舊情緒的止痛效果度日。

懷舊作為大腦的自保機制,它本身的存在是中性的。用在適當的地方可以救人一命,依賴過度也可能造成人生停滯、難以成長。這其中的取捨,到頭來還是要回到我們對待「改變」的態度上。

-----廣告,請繼續往下閱讀-----

改變代表離開舒適圈,駛向充滿不確定性與機緣的汪洋。在航行的過程中,懷舊感就像是身後的燈塔,雖然不一定能照亮前路,卻可以成為重要的錨點、為我們指出家的方向。但若過度依賴燈塔,不敢走出它燈火照耀的範圍,那我們終究哪裡都不去了,只能在有限的範圍內打轉。

所以說,該懷舊時就盡量懷舊,但也別忘了我們回首,是為了讓腳下踩得更穩、走得更遠。

-----廣告,請繼續往下閱讀-----
文章難易度
所有討論 5
異吐司想Toasty Thoughts_96
29 篇文章 ・ 132 位粉絲
最初是想用心理學剖析日常事物,一方面「一吐思想」,另一方面借用吐司百變百搭的形象,讓心理學成為無處不在的有趣事物。基於本人雜食屬性,最後什麼都寫、什麼都分享。歡迎至臉書搜尋「異吐司想」。

0

1
0

文字

分享

0
1
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

5
2

文字

分享

0
5
2
用黑白相機拍出色彩繽紛的宇宙
全國大學天文社聯盟
・2022/04/30 ・2550字 ・閱讀時間約 5 分鐘

  • 文/邵思齊,現就讀臺大地質科學系,著迷於大自然的鬼斧神工。

現代的人們生活在充滿明亮人造光源的城鎮中,難以想像純粹的夜空是什麼樣子。對宇宙中天體的印象,多半來自各地天文台與太空望遠鏡所捕捉的絢麗星雲、星團、星系。但這些影像中的顏色是真實的嗎?如果我們能夠用肉眼看到這些天體,它們的顏色真能如影像中如此的五彩繽紛嗎?

色彩的起源:為什麼人眼能看到顏色?

電磁波跨越各種尺度的波段,有波長遠小於 1 奈米的伽瑪射線,也有波長數百公里長的無線電波。但人類眼睛中的的感光細胞僅能感測到波長介於 400-700 奈米之間的電磁波,也就是僅有這段電磁波能夠以紅到紫的色彩出現在人類的視野當中,所以我們對外界的認知就受限於這小一段稱為可見光(Visible Light)的視窗。人之所以能夠辨識不同的顏色,靠的是人眼中的視錐細胞。視錐細胞分成 S、M、L 三種,分別代表 short, medium, long,其感測到的不同波長的光,大致可對應到藍色、綠色、紅色。

S、M、L 三種視錐細胞可以感測不同的顏色,後來的相機設計也以此為基礎。圖/Wikipedia

肉眼可以,那相機呢?

在還沒有電子感光元件的時代,紀錄影像的方法是透過讓底片中的銀離子曝光、沖洗後,變成不透光的金屬銀(負片),但這樣只能呈現出黑白影像。於是,歷經長時間的研究與測試,有著三層感光層的彩色底片誕生了。它的原理是在不同感光層之間加上遮色片,讓三層感光片能夠分別接收到各自顏色的光線。最常使用的遮色片是藍、綠、紅三色。進入數位時代,電子感光元件同樣遇到了只有明暗黑白、無法分辨色彩的問題,但這次,因為感光元件無法透光,不能像底片一樣分層感光,工程師們只好另闢蹊徑。

於是專為相機感光元件量身打造的拜爾濾色鏡(Bayer Filter)誕生了,也就是由紅色、綠色、藍色三種方形濾光片相間排列成的馬賽克狀濾鏡,每一格只會讓一種顏色通過,如此一來,底下的感光元件就只會接收到一種顏色的光。接著,再把相鄰的像素數值相互內插計算,就可以得到一張彩色影像。由於人的視錐細胞對綠色特別敏感,因此拜爾濾色鏡的設計中,綠色濾光片的數量是其他顏色的兩倍。

-----廣告,請繼續往下閱讀-----

這種讓各個像素接收不同顏色資訊的做法,雖然方便快速,卻需要好幾個像素才能還原一個區塊的顏色,因此會大幅降低影像解析度。這對寸解析度寸金的天文研究來說,非常划不來,畢竟我們既想得知每個像素接收到的原始顏色,又想獲得以像素為解析單位的最佳畫質,盡可能不要損失任何資訊。

藍綠紅相間的拜爾綠色鏡,廣泛用於日常使用的彩色感光元件,例如手機鏡頭、單眼相機等裝置。圖/Wikipedia

要怎麼讓每個像素都能獨立呈現接收到的光子,而且還能夠完整得到顏色的資訊呢?最好的方法就是在整塊感光元件前加上一塊單色的濾色鏡,然後輪流更換不同的濾色鏡,一次只記錄一種顏色的強度。然後,依照濾鏡的波段賦予影像顏色,進行疊合,得到一張還原真實顏色的照片。如此一來,我們就能用較長的拍攝時間,來換取最完整的資訊量。以天文研究來說,這種做法更加划算。

另外,由於視錐細胞並不是只對單一波長的光敏感,而是能夠接收波長範圍大約數百奈米寬的光,因此若是要還原真實顏色的影像,人們通常會使用寬頻濾鏡(Broadband filter),也就是波段跨足數百奈米的濾鏡進行拍攝。

美麗之外?濾鏡的科學妙用

雖然還原天體的真實顏色是個相當直覺的作法,但既然我們有能力分開不同的顏色,當然就有各式各樣的應用方法。當電子從高能階躍遷回到低能階,就會釋放能量,也就是放出固定波長的電磁波。若是受到激發的元素不同,電子躍遷時放出的電磁波波長也會隨之改變,呈現出不同顏色的光。

-----廣告,請繼續往下閱讀-----

如果我們在拍攝時,可以只捕捉這些特定波長的光,那我們拍出的照片,就代表著該元素在宇宙中的分佈位置。對天文學家來說,這是相當重要的資訊。因此,我們也常使用所謂的窄頻濾鏡(Narrowband filter),只接收目標波段周圍數十甚至數個奈米寬的波長範圍。常見的窄頻濾鏡有氫(H)、氦(He)、氮(N)、氧(O)、硫(S)等等。

有時候,按照原本的顏色疊合一組元素影像並不是那麼妥當,例如 H-alpha(氫原子)和 N II(氮離子)這兩條譜線,同樣都是波長 600 多奈米的紅色光,但如果按照它們原本的波長,在合成影像時都用紅色表示,就很難分辨氫和氮的分布狀態。這時候,天文學家們會按照各個元素之間的相對波長來配製顏色。

以底下的氣泡星雲(Bubble Nebula, NGC7635)為例,波長比較長的 N II 會被調成紅色,相對短一點的 H-alpha 就會調成綠色,而原本是綠色的 O III 氧離子則會被調成藍色。如此一來,我們就可以相對輕鬆地在畫面中分辨各個元素出現的位置。缺點是,如果我們真的用肉眼觀測這些天體,看到的顏色就會跟圖中大不相同。

由哈伯太空望遠鏡拍攝的氣泡星雲,使用了三種波段的窄頻濾鏡。圖/NASA

當然,這種人工配製顏色的方法也可以用來呈現可見光以外的電磁波,例如紅外線、紫外線等。舉哈伯太空望遠鏡的代表作「創生之柱」為例,他們使用了兩個近紅外線波段,比較長波的 F160W 在 1400~1700nm,比較短的 F110W在900~1400nm,分別就被調成了黃色和藍色。星點發出的紅外光穿越了創生之柱的塵埃,與可見光疊合的影像比較,各有各的獨特之處。

三窄頻濾鏡疊合的可見光影像與兩近紅外線波段疊合的影像對比。圖/NASA

望遠鏡接收來自千萬光年外的天體光線,一顆一顆的光子累積成影像上的點點像素,經過科學家們的巧手,成為烙印在人們記憶中的壯麗影像。有些天體按照他們原始的顏色重組,讓我們有如身歷其境,親眼見證它們的存在;有些影像雖然經過調製,並非原汁原味,卻調和了肉眼所不能見的波段,讓我們得以一窺它們背後的故事。

-----廣告,請繼續往下閱讀-----

1

6
0

文字

分享

1
6
0
風靡世界!全台百萬人已下載「小白濾鏡」,這眼疾年輕人也要注意
careonline_96
・2021/10/26 ・1279字 ・閱讀時間約 2 分鐘

-----廣告,請繼續往下閱讀-----

風靡世界!全台百萬人已下載「小白濾鏡」,這疾病年輕人也要注意

你可能幫相機安裝過濾鏡,讓相片呈現出各式各樣的風貌,但是有一款「小白濾鏡」卻會不請自來,讓影像變得昏暗、模糊,更麻煩的是這款濾鏡裝在眼睛裡,不是想移除就能輕易移除!

這款風靡世界,全台已有百萬人安裝的「小白濾鏡」,便是白內障。白內障是因為眼睛中原本清澈透明的水晶體病變、混濁,所以看東西時會越來越模糊。根據世界衛生組織的統計,白內障是全世界導致失明的主要原因。

白內障逐漸年輕化,並非老年人的專利!

近年來白內障有年輕化趨勢,30-50 歲民眾罹患比例增加,研判可能與高度近視、長期用眼過度、戶外活動紫外線過量等原因有關。

白內障往往是在不知不覺中發生,並漸漸惡化,患者大多沒有明顯的感覺,建議大家養成定期檢查的習慣,才能及早發現白內障。

-----廣告,請繼續往下閱讀-----

安裝小白濾鏡,模擬白內障看世界

為提醒年輕族群重視眼睛健康,嬌生眼力健以現代人拍照打卡必備的「濾鏡」為主題,推出疾病衛教影片,用濾鏡的效果比喻白內障可能會有的症狀,如色彩失真、視線模糊、莫名光暈等等。

安裝小白濾鏡,模擬白內障看世界

由於大家對於白內障的症狀較陌生,所以同步推出「小白濾鏡」,濾鏡效果可模擬白內障患者所看到的影像,包括視線障礙、彩度降低、視覺模糊等。如果發現自己或家人出現類似狀況,務必立刻就醫。趕快點擊試用「小白濾鏡」。

要治療白內障可透過手術更換人工水晶體,目前人工水晶體的種類、功能眾多,建議可以與醫師討論,選擇最符合個人需求的人工水晶體,以重拾生活品質,恢復睛彩視力。

嬌生眼力健長期深耕於視力照護,協助眼科專業人士提供符合病患需求的治療,包括白內障及角膜健康護理等,也特別呼籲年輕族群,別忽略視線不良帶來的影響及可能造成的傷害,應養成良好的用眼習慣、保護眼睛,並多多關注眼睛的健康狀況!

-----廣告,請繼續往下閱讀-----


觀看完整影片:https://youtu.be/SNruNgYejaw

-----廣告,請繼續往下閱讀-----