血型不止四種！紅遍全球的「血型性格學說」，為什麼讓科學家皺眉不已？——《了不起的人體：如此精妙，如此有趣，說不定還能救你一命》

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

占星術的背後

占星術是極普遍的偽科學，書店架上塞滿了談占星的書，而且幾乎每一份報紙都會發布每日星座運勢。蓋洛普（Gallup）1986 年發布的一項調查報告指出，52％ 的美國青少年相信星座，而各行各業中，認同占星學中某些亙古流傳說法的人，也多到讓人難過。我說讓人難過，是因為如果那些人相信占星師和占星術，當你進一步思考他們還可能相信哪些人事物，會讓人不寒而慄。一旦那些人手握大權（比方說雷根總統）、卻根據這類信念行事，特別可怕。

占星術主張，人出生那一刻的各星球牽引力，會影響一個人的個性。但這個論點很難讓人接受，理由有二：（一）占星學完全沒有提到這種牽引（或是其他）力道，到底要透過哪一種生理或神經生理機制運作，更別說解釋了；（二）負責接生的產科醫師施加的牽引力，遠高於各個星球。請記住，一件物體對於身體（比方說，新生兒）施加的牽引力，和物體的質量成正比，但和物體與身體的距離平方成反比。這是否代表比較胖的產科醫師接生的寶寶，會有一組人格特質；比較瘦的產科醫師接生的寶寶，會有另一種不同的人格特質？

占星理論中有很多缺陷，但數盲視而不見。他們不太關心運作的機制，也不太想去比較數值大小。話說回來，即使沒有清晰明瞭的理論基礎，但如果占星術有用、有實務證據撐腰，還是應該獲得尊重。只可惜，一個人的出生日期，與標準人格測驗的得分之間，沒有任何相關性。

一直以來，都有人找占星師做相關的實驗（最近是加州大學的蕭恩．卡爾森﹝Shawn Carlson﹞）。研究人員會給占星師看三個匿名的人格特質側寫，其中一個是當事人的。當事人提供所有占星要用到的數據（透過問卷，而非面對面），占星師必須從人格特質側寫中挑出哪一份是當事人。實驗中總共有 116 位當事人，而負責檢驗的是歐洲與美國 30 位最頂尖（由同業判定）的占星師。實驗結果如下：占星師約有三分之一的機率，可以挑出正確的當事人人格特質側寫，也就是說，和隨機猜測沒什麼區別。

凱斯西儲大學（Case Western Reserve Univer sity）物理學家約翰．馬蓋文（John McGervey）檢視《美國科學名人錄》（American Men of Science）上，超過 1 萬 6,000 位科學家，以及《美國政治名人錄》（Who’s Who in American Politics）上，超過 6,000 位政治人物的出生日期，發現他們的星座是隨機且均勻分布在十二個月中。密西根州立大學（Mi chi gan State University）的伯納德．西弗曼（Bernard Silver-man）取得密西根州 3,000 對夫婦的紀錄，發現他們的星座和占星師預測相配的星座之間，沒有相關性。

那麼，為何這麼多人相信占星之說？一個明顯的理由是：在通常語焉不詳的占星預言中，人們會去讀他們想讀到的一切，然後為預言添加根本不存在的真實性。他們也比較可能記得有成真的「預言」，過度看重巧合，忽略其他。其他理由還包括，占星術的歷史悠久（當然，人祭﹝ritual murder﹞和獻祭也同樣古老）。或是因為，它原理很簡單、但操作起來有一定的複雜度，會讓人感到安心。或者是，堅稱這個月能不能墜入愛河和天上的浩瀚星海有關，很能寬慰人心。

我猜，此外還有最後一個理由，那就是在一對一諮詢期間，占星師會從臉部表情、儀態、肢體語言等等，尋找和人格特質有關的線索。我們來看看知名的案例：聰明的漢斯（Clever Hans）。漢斯看來是一匹會算數的馬，牠的訓練師會擲骰子，問牠骰子上面的點數是多少。而漢斯會用馬蹄踏出正確答案，然後停住，旁觀者都大為驚異。但人們看不出來的是，訓練師原先都站定不動，等到馬兒敲到正確的次數，會有意無意地動了一下，就是這樣的反應讓漢斯停了下來。所以，不是這匹馬知道答案，牠只是反映了訓練師知道答案。人常無意間在占星師面前扮演訓練師的角色，占星師就像漢斯一樣，反映出客戶的需求。

美國天文學家卡爾．薩根（Carl Sagan）就說過，要破解占星術以及更廣義的偽科學，最好的辦法就是真正的科學。真正科學的奇妙之處也同樣神奇，不過多了一項優點：這些奇妙之處很可能是真有其事。說到底，偽科學之所以成為偽科學，並不是因為得出的結論稀奇古怪。畢竟，運氣好猜中、機緣巧合、奇特的假說，甚至是一開始的誤信，都在科學上扮演過一定角色。偽科學失當，是因為其結論經不起檢驗，以及無法和其他經過檢驗的主張之間，建立起一致的關係。我很難想像，像演員莎莉．麥克琳（Shirley MacLaine，按：麥克琳是推動新時代運動的先驅）這些人會因為證據不足、或有更好的替代解釋，就去否定通靈等超自然現象。

——本書摘自《數盲、詐騙與偽科學》，2023 年 11 月，大牌出版，未經同意請勿轉載。

許多人對於星座和性格的關係，都有著一些既定的印象：天蠍座就是可怕、雙魚座就是多情、水瓶座就是怪、牡羊座就是火爆⋯⋯。甚至，有一些人在選交往對象時，還會特別篩選掉某些星座，或是熱愛某些星座。

然而，星座和性格之間，到底有沒有關係呢？恰好我大學時期的一份研究當中，曾經順手收集了相關的資料，現在就帶大家一起來看看這份研究，以及星座和性格到底有沒有關係吧！

一份關於色彩偏好與人格特質的研究

這份研究主要要探討的是「不同人格特質是否有色彩偏好上的差異性」，但除此之外，我們也跑了一些有趣的統計，其中包含了「血型和星座和色彩偏好的關聯性」，以及與色彩完全無關，但你我都很好奇的「人格特質和星座的關聯性」。為了蒐集研究的基礎資料，我們透過網路問卷，徵求受試者參與測驗。

測驗內容首先，受試者必須從 37 個色塊當中，挑選出自己喜歡的顏色。挑選的數量沒有上限，只要喜歡都可以選。此外，我們也透過五大人格測驗，蒐集了受試者的性格。

另外他們也必須填上自己的基本資料，生理性別、職業或學校、出生年月日、血型、教育程度，居住區域、興趣、族群、母語、宗教信仰與是否相信星座或血型等等，可能對個性有影響的題目。

最後，我們蒐集到 743 份問卷，其中獲得 728 份有效問卷，受試者年齡介於 14～68 歲之間，有 438 位女性，290 位男性。

不同性別、星座、血型的人，都選了什麼顏色？

那麼，首先就先來看看大家都選了什麼顏色吧！可以發現在所有受試者當中，對於黑色與白色的偏好是最高的，而灰色則是大家普遍不喜歡的顏色。

在性別上，無論是男性或女性，都特別喜歡藍色和紅色；但男性喜愛藍色的比例比女性還要多，而女性喜愛紅色的比例比男性還要多。

那麼，不同星座與血型的人，喜好的色彩是否有所差異？根據卡方檢定，不同星座，在選顏色的時候，並沒有喜好上的顯著差異；至於血型倒是有兩個顏色特別受到偏好。其中一個是「薰衣草色」（色表圖第 30 號），A 型的人比 B 型的人，更喜歡這一個顏色；另一個是藍綠色（色表圖第 23 號），A 型的人比 O 型的人更愛這個顏色。

顏色與性格有關嗎？

而本份研究的重點，其實是色彩偏好和個性是否有關。

在過去，心理學家主要都是以「五大人格測驗（Big Five）」來做為研究研究人格的主要依據。而所謂的五大人格，則分別包含了以下五大類別：

• 開放性（Openness）──對於一個新經驗、新事物的開放程度。
• 盡責性（Conscientiousness）──是否能夠嚴謹地管理自己達成目標。
• 外向性（Extroversion）──喜歡交際、喜愛與人接觸。
• 宜人性（Agreeableness）──對待他人是否善解人意、親切帶人。
• 神經質（Neuroticism）──情緒是否容易因為外在而有所起伏。

根據我們研究的結果發現，喜歡第 11 號（土黃色）的人裡面，外向性高及開放性高的人佔多數；喜歡第 12 號色（棕色）的人裡面，外向性、開放性，及嚴謹自律性高的人佔多數。

而當我們採用 PCA 分析，去看不同性格與喜好色彩之間的關係時，更得出了許多顯著的結果：

• 神經質程度較高的人偏好偏好高彩度、低明度的顏色（例如５、３０、２６號色）。
• 外向性和盡責性程度較高的人偏好高彩度、低明度的顏色（例如２６、２５、２７號色）。
• 開放性程度較高的人彩度部分沒有明顯的偏好，另外則偏好低明度的顏色（例如１、２、３ ６號色）。
• 親和性程度較高的人偏好高彩度、高明度的顏色，除神經質程度較高的人外，大多數人偏好藍色色相的顏色（例如２６、２５、２２、２７號色）。
• 神經質程度較高的人對於色相的偏好較不明顯。開放性程度較高的人，除了偏好藍色外，也偏好紅色色相的顏色（例如１、２號色）。

至於喜好與不喜好單色方面，就得出了更豐富的結果了：

• 喜歡2號色的人，比起不喜歡的人，有較高的宜人性。
• 喜歡4號的人，比起不喜歡的人，有較高的開放性(p=.013<.05)、較低的宜人性。
• 喜歡7號色的人，比起不喜歡的人，有較高的開放性。
• 喜歡9號色的人，比起不喜歡的人有較低的神經質傾向、更外向。
• 喜歡10號色的人，比起不喜歡的人，有較高的神經質傾向、較高的開放性。
• 喜歡11號色的人，比起不喜歡的人，有較高的開放性。
• 喜歡12號色的人，比起不喜歡的人，有較高的開放性。
• 喜歡14號色的人，比起不喜歡的人，有較高的神經質，較高的開放性，較低的謹慎性。
• 喜歡15號色的，比起不喜歡的，有較高的開放性。
• 喜歡16號色的，比起不喜歡的，有較高的開放性。
• 喜歡18號色的人，比起不喜歡的人，有較高的神經質、與較高的開放性。
• 喜歡19號色的人，比起不喜歡的人，有較高的開放性。
• 喜歡21號色的人，比起不喜歡的人，有較高的神經質傾向、較低的宜人性。
• 喜歡22號色的人，比起不喜歡的人，有較高的神經質傾向、較高的開放性、較低的謹慎性。
• 喜歡24號色的人，比起不喜歡的人，有較高的開放性。
• 喜歡28號色的人，比起不喜歡的人，有較低的謹慎性。
• 喜歡32號色的人，比起不喜歡的人，有較高的開放性。
• 喜歡33號色的人，比起不喜歡的人，有較低的謹慎性。
• 喜歡34號色的人，比起不喜歡的人，有較低的外向性、較高的開放性、較低的謹慎性。
• 喜歡35號色的人，比起不喜歡的人，有較低的外向性與謹慎性。
• 喜歡36號色的人，比起不喜歡的人，有較高的開放性、較低的宜人性。

你金牛，我水瓶，這應該沒有什麼差別吧？

很多人看到這邊，一定會很懷疑，為什麼我一開始破題的答案都沒有講到？好的，事實上，這方面雖然不是我們的研究重點，但我也用統計軟體跑過了相關的數據之後，得到的答案是：「星座和血型跟性格完全無關。」

就我個人的經驗來看，我甚至認識一個跟我同年同月同日生的人，但我們兩個的個性相差極大。所以說，如果以科學的話語來說的話，就是透過本篇研究，無法找到可以支持星座和性格有關的證據囉～

文末致謝

大學時期，我曾跨校到台科大修了一門課研究所的課，名為色彩心理學。此篇研究來自於該門課的課堂研究報告。在此，我要特別感謝我的組員王琪瑄、李梓含、吳典軒、李佳勳、洪維君，儘管至今我們已經沒有再聯絡了，但很謝謝他們當初一起完成了這份研究。

如果你喜歡我的文章，歡迎到我的粉專「貓心—龔佑霖」來看更多的文章

填寫血型，是為了避免被輸錯血嗎？

很不可思議的，日常生活中很多地方都會被要求填寫血型。

馬拉松的報名表和號碼牌、幼兒園或學校的文件、貼身的避難包等，都有血型註記欄位。

但是在不少國家，如果要求市民也填寫同樣的資料，這就困難了。因為很多人根本不知道自己的血型，問了反而徒增困擾。

究竟我們填寫的血型資訊有什麼用？或許你會想，莫非是受傷需要輸血時可以派上用場？但這其實是誤會。

即便患者提前告知，輸血前仍會確認患者的血型

輸血前一定會進行血液檢查確認血型。每家醫院所需時間不同，但一般來說，血型檢查結果只需要數十分鐘就能出來。還有在輸血前，一定會進行將患者血液與一部分血液製劑混合，觀察是否出現有害反應的「交叉配合試驗」。

這些不會因為病患本人主張「我是 A 型」就省略。即使以前在同一家醫院接受過血液檢查，確切知道血型的狀況下，也一定要做交叉配合試驗（除了術前檢查等例外）。

為什麼呢？理由很單純。如果誤用了不同血型的血液，會引起危及性命的「溶血反應」，這麼重大的資訊，不能光靠患者自我表述。

另外，很多人是以出生時受檢的結果當作自己的血型，但新生兒的血液檢查不一定正確。有些人以為自己是 A 型，第一次手術時接受檢查才知道是 B 型，不能依賴自我表述的血型也有這個層面的考量。

什麼都不知道的緊急狀況下，到底該怎麼辦？

那麼，如果遇到不知道血型的患者大出血，也來不及做血型檢查的緊急狀況，該如何處置？這個時候就只能相信本人的自我表述嗎？

當然不能。這個時候就只能用 O 型血了，因為不管對方是什麼血型，應該都不會引起嚴重的反應。即使是緊急狀況，也不可能只利用自我表述的血型情報。

近年來因為有這樣的案例，所以出生時很多醫療機構不會驗血型。正在閱讀此書的你，或許不知道自己小孩的血型，完全不用擔心，需要的時候再去檢查即可。

順道一提，我也不知道自己小孩的血型。

緊急情況時，為什麼 O 型血能輸給所有人？

在 1900 年，奧地利人蘭德斯坦納發現「血液有不同類型」前，錯誤輸血的事故頻傳。

蘭德斯坦納注意到人的血清和他人的紅血球混合後，有的會凝結破裂，有的不會。在經過確認很多樣本配對的反應後，歸納出人有 A、B、C 三種血液類型的結論。之後的研究又發現了第四種 AB 型，C 型被改稱為 O 型。

所謂的血型，就是指紅血球表面的抗原種類。你可以想像細胞表面有很多棘刺狀物，輸血的時候最重要的「棘刺」有 ABO 和 Rh 二種系統。

A 型紅血球有 A 抗原，B 型紅血球有 B 抗原，AB 型則同時有 A 抗原和 B 抗原，O 型的沒有抗原；另一方面，A 型血清有抗 B 抗體、B 型血清有抗 A 抗體、O 型血清兩種抗體都有，AB 型則是兩種都沒有。

看起來非常複雜，但結論很簡單，我們只會有對自己的抗原不反應的抗體。

抗體和抗原就像鑰匙和鎖孔，如果 A 抗原對抗 A 抗體、B 抗原對抗 B 抗體就會產生凝集反應，紅血球就會被破壞。

因此如果把 B 型的紅血球輸給 A 型患者、把 A 型紅血球輸給 B 型患者，紅血球抗原和抗體會相互結合，凝結破裂。

另一方面，O 型的紅血球不管對方是誰都不會凝結，是因為 O 型紅血球沒有 A 抗原也沒有 B 抗原。不管是稱為 C 或 O，都是代表「沒有」抗原，也就是「零」的意思。

此一發現在安全輸血普及上扮演極重要的角色。1930 年，蘭德斯坦納以此成就獲得諾貝爾醫學生理學獎。

血型不只有 ABO，Rh 也有超過 40 種抗原

如同 ABO 有 A 和 B 二種抗原，Rh 也有 C、c、D、E、e 等超過四十種抗原。其中有 D 抗原的統稱為 Rh 陽性、沒有的稱為 Rh 陰性。錯誤輸血會引起強烈反應的，是 D 抗原。

發現 Rh 的還是蘭德斯坦納，是在發現 ABO 後四十年的 1940 年。

Rh 是取恆河猴（Rhesus monkey，德語為 Rhesusaffe）頭兩個字母。因為 Rh 是恆河猴共通的抗原。順道一提，日本人罕有 Rh 陰性者，大約只有 0.5％，台灣人為 0.3％，但白人則有 15％。

血型還有很多其他分類。MNS 血型、P 血型、Lewis 血型、Kell 血型、Diego 血型等不勝枚舉。如果是罕見血型，即使 ABO 和 Rh 一致，也有可能發生錯誤輸血。

明明知道自己的血型沒什麼用，為什麼大家都很在意？

「血型」本來是沒有必要知道的醫學資料，但為什麼很多人都會記得呢？而且不只是自己的血型，有的人連家人、朋友、同事、上司的血型都一清二楚，實在是很驚人。

理由恐怕是很多人都認同血液性格學說。當然，血液和個性之間的關聯毫無科學根據，只要想到血型的機制，就會知道紅血球表面抗原跟個性有關的說法有多無稽。

當然，也不能受到「你是 O 型所以會有〇〇個性」的暗示，因而影響到人格形成。如果真的是這樣，那對本人是有害的。

不管如何，還是有很多人期待用血型將人歸類。現在電視或雜誌上「O型的人一板一眼」「A 型和 B 型速配指數？」等不可思議的企畫仍舊源源不絕。

人與人之間，要靠直接對話、一起相處，才能初步互相認識。很遺憾的，這真的不是靠血型就可以了解的事。

——本文摘自《了不起的人體：如此精妙，如此有趣，說不定還能救你一命》，2022 年 7 月，如何出版，未經同意請勿轉載。