Loading [MathJax]/extensions/tex2jax.js

0

5
2

文字

分享

0
5
2

醫生開刀時,大腦的同理心訊號超弱?別緊張!同理心是可以調節的——專訪國立陽明交通大學神經科學研究所特聘教授 鄭雅薇

F 編_96
・2023/01/10 ・4050字 ・閱讀時間約 8 分鐘

你有想過可以透過腦波,研究人類的同理心是怎麼運作的嗎?

小時候老師常說,「人之初,性本善」,這件事的真假可以透過科學驗證嗎?(摸摸自己的良心,就問你怕不怕)

讓我們從「社會認知神經科學(Social Neuroscience)」出發,或許可以給你一個想像不到的答案。

什麼是「社會認知神經科學」?

2000 年,美國心理學家 John Cacioppo 開始研究人類的「寂寞感(loneliness)」,專注於討論寂寞感對人身心健康的影響。「社會神經科學(Social Neuroscience)」、「社會認知神經科學(Social Cognitive Neuroscience)」一詞也因此誕生,一個嶄新的研究領域,就此展開。

-----廣告,請繼續往下閱讀-----
美國心理學家 John Cacioppo,開創了社會神經科學的領域。 圖/wikmedia

近似於認知神經科學( Cognitive Neuroscience),都是研究人類的心智,惟社會認知神經科學特別聚焦於「社會(social)」上,探討社交互動時人類心智的運作。

因為社會互動的複雜性,這也是一門跨領域的學科,範圍包括社會心理學、發展心理學、哲學,或甚至數學或醫學等。

如何看到「同理心」?同理心研究的起源

人類對於同理心的好奇心一直沒有停過,但同情心沒有實體,他深藏在我們的內心,科學家要如何才能測量跟觀察呢? 2004 年,德國心理學家 Tania Singer,想到透過功能性磁振造影(fMRI)來「看」同理心。

德國心理學家 Tania Singer,開啟了透過腦神經網絡研究同理心的先河。 圖/wikipedia

有別於以往用問卷去蒐集相關的資料,為了要有明顯的實驗標的,研究團隊選擇用「痛(pain)」這個刺激,並找來他們認為同理心最強的實驗人選——大學裡熱戀中的女生。他們請受試者躺在 fMRI 裡,先想像自己被電,再來看著幾何圖形想像自己的男朋友被電。

-----廣告,請繼續往下閱讀-----

Tania Singer 等人觀察到,受試者想像自己被電,與想像男友被電時,腦中有部分重複產生反應的區域,前腦島(anterior insula)與前扣帶皮層(anterior cingulate cortex),她認為那就是人類的「同理心」。

但是他們也同時發現,當受試者想像他人被電時,大腦中感覺皮質,並沒有像自己被電時一樣產生反應。因此他們認為,當我們面對他人疼痛時,只能同理他的難過感受,並沒有辦法同理他的疼痛強度。

雖然這樣的結論,還有很多待討埨的地方,但  Tania Singer  用「痛」做的研究成為了一個很好的範例。科學家們受到啟發後,開始進行各種觀察自我疼痛與他人疼痛之間大腦反應的實驗(開始到處戳人)

編按:之後,發表在《Nature Neuroscience》的義大利的團隊,利用穿顱磁刺激儀(TMS,Transcranial magnetic stimulation)重新去驗證看見他人疼痛時,感覺皮質是否真的不會參與?

這次他們直接讓受試者看到別人被針扎,以及被棉花棒碰一下。結果發現當受試者看到別人被針扎時,大腦的感覺皮質產生的電位下降比較大,相對于棉花棒,電位變化就沒有那麼大。代表我們對於他人的疼痛程度,還是可以同理的。

導致兩個實驗結果不同的影響原因,有可能是 Tania Singer 是請受試者看著符號想像別人被電,而並非真實到看被刺痛的影像。

這些看到他人疼痛,就會產生反應的腦區,就是人類平常處理同情心的地方嗎?但我們的大腦中,其實並沒有特定的區塊專門處理同理心。

-----廣告,請繼續往下閱讀-----
這些看到他人疼痛,就會產生反應的腦區,就是人類平常處理同情心的地方嗎?但我們的大腦中,其實並沒有特定的區塊專門處理同理心。圖/pixabay

大部分人都會直覺性的認為,大腦的每個部分都有特定的作用,各司其職,但可惜事實往往沒有想像中那麼簡單。

首先因為實驗中大部分都是用痛覺的刺激來做實驗,所以研究人員也就不約而同看到這些位置。這背後代表了,這些區域的工作可能也包含了我們對痛覺的反應與處理。

再者,人類的大腦功能多樣,但大小有限,所以每個腦區其實都是多工的。因此在研究中也會發現,這個腦區可能同時處理社交互動、決策,或者情緒之類的。

除了以上這 2 個原因之外,或許我們還需要問問「同理心是什麼?」

-----廣告,請繼續往下閱讀-----

共感=同理心嗎?「情感同理心」與「認知同理心」

2006 年,有科學家發表了鏡像神經元(Mirror neurons)這個詞 ,表示大腦中的前運動皮質與頂下小葉(Inferior parietal lobule)這兩塊偏管理動作的腦區,在看到別人做動作的時候也會有反應,就像兩個小朋友在玩模仿遊戲(Mirror game)一樣。

在看到別人做動作的時候也會有反應,就像兩個小朋友在玩模仿遊戲一樣。圖/giphy

有許多人也認為,鏡像神經元的機制可以完美的解釋,為什麼人可以理解另外一個人,甚至人與人之間是因此才有辦法進行社交互動。

但也有另一派人認為不是如此,他們太小看人類了,人沒有那麼簡單,同理心也應該是更為複雜的機制。

因此目前世界對於同理心的解讀分成了兩派,一個就是傳統上的「情感同理心」,或者稱之為共情。另外一派則認為同理心的機制應該更加複雜,在情感同理心之外,應該還有「認知同理心」參與,幫助人類設身處地推論、解讀他人的狀態,這背後也隱含了心智理論(Theory of Mind,縮寫為 ToM),對方的行為、意圖與心理都是理解的範圍。

-----廣告,請繼續往下閱讀-----

同理心的機制,真的就是上面這樣了嗎?鄭雅薇教授的研究提出了另一個答案。

醫護人員的「同理心」比較弱?

一開始,鄭雅薇教授找來了針灸科醫師為實驗對象——一個常常在扎人與看別人被扎的職業,她發現當受試者在工作時,他的前腦島與前扣帶皮層都沒有太大的反應,有反應的反而是負責控制的前額葉。

這代表醫療人員比較冷血,沒有同理心嗎?

其實並沒有,因為醫生填同理心的自評量表結果,與控制組是一模一樣的。這表明醫療人員也是充滿同理心的,只是他在面對專業時,必須收起自己的同理心。

-----廣告,請繼續往下閱讀-----
針灸科醫師在工作時,他的前腦島與前扣帶皮層都沒有太大的反應。圖/elements

所以,「同理心是我們可以控制的嗎?」從這個問題出發,鄭雅薇教授發現了在腦神經網絡中,也就是認知同理心與情感同理心之間存在一套調控機制。

為了更深入了解同理心的調節機制,鄭雅薇教授將研究對象的範圍擴大,從針灸科醫師延伸到護理師,發現了環境是一重要影響因素。當在醫院工作時,共情反應通常較低,但回到家後,共情的反應比較大。

鄭雅薇教授認為,認知同理心會去控制我們,在面對不同環境、不同對象的情況下,表現出不同的同理心的反應。比如當護理師在幫病人打針時,為了不讓自己過度共感而妨礙工作,她必須要把同理心收起來。同樣的,當外科醫師在幫病人開刀時,要是太過同理對方的感受,手術刀會更難劃下去。

從鄭雅薇教授的研究中,我們可以看到同情心的運作其實比你想像的更複雜。 圖/鄭雅薇教授提供

相反的,若是病人在恢復室內,還沒有完全恢復,如果醫師沒有設身處地去理解他可能哪裡有狀況,有時候就會忽略掉身體出現的一些狀況。或者是身心科醫師,如果他沒有十足的同理心,會很難偵發掘到病人非常微細的一些變化。

-----廣告,請繼續往下閱讀-----

由此可見,同理心並不是一種單純的反射,背後隱藏一串複雜的調控機制。

但既然同情心如此複雜,需要認知同理心與情感同理心互相配合,那如果有人缺少其中一項會怎麼樣呢?

情感同理心是天生,但認知同理心是後天養成

從發展的角度,鏡像神經或者是情感同理心那一塊,我們一出生就有了。比如說,醫院的育嬰室如果有一個小孩哭,很快其他小孩也會哭成一片。但認知同理心的發展比較慢,因為其中還包含了心智理論,所以通常在 3 歲後才會慢慢發展成熟,有時候甚至到 10 歲才能趨於發展成熟。

醫院的育嬰室如果有一個小孩哭,很快其他小孩也會哭成一片。圖/elements

過去有許多人認為自閉症就是缺乏情感同理心,因此社交能力不好,眼睛也會不看人,或是目光接觸時會非常閃爍。鄭雅薇教授為此研究,結果發現自閉症患者是有情感同理心的,反而甚至有點太過。

跟健康組比起來,自閉症的情感同理心沒有什麼不同,但相對他的認知同理心是有困難的,所以他才會刻意去迴避別人的情感與眼神,因為少了認知同理心的調控,他人的情感對他而言會是無法承受之重。

既然缺乏認知同理心,會產生類似自閉症患者的反應。那缺乏情感同理心呢?

如精神變態、冷血殺手(psychopathy),是他無法將對方的痛苦與自己的痛苦連結,因此他對他人的遭遇比較冷感。在情感同理心缺乏的情況下,他們在認知同理心往往表現的很好。等於他雖然無法同理你的感受,卻能清楚知道你的處境。這也導致他們冷血,在傷害別人甚至是犯罪時,冷血,難以產生罪惡感。

但這不代表對痛覺比較不敏感的人,或者情感同理心較低的人就會缺乏同理心。有研究團隊就針對天生沒有痛覺的人實驗,發現他們的情感同理心反應雖然比較低,但在認知同理心上反應比較高。這也代表,情感同理心並非是認知同理心的基礎,這之間互相機制相當複雜。

透過腦波看一看,原來同情心這麼複雜

從整個同情心的運作機制來看,並不是只有「看到你哭,所以我哭」這麼簡單,後面其實還隱藏著一套後天發展的心智理論存在。情感同理心與認知同理心的相互作用,才是形塑我們同情心的核心,也才能讓我們在感知這個世界的同時做出回應。

-----廣告,請繼續往下閱讀-----
文章難易度
F 編_96
20 篇文章 ・ 1 位粉絲
一個不小心闖入霍格華茲(科普)的麻瓜(文組).原泛科學編輯.現任家庭小精靈,至今仍潛伏在魔法世界中💃

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

-----廣告,請繼續往下閱讀-----

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

1
1

文字

分享

0
1
1
運動員的大腦跟一般人不一樣?從腦科學看體力之外的奪冠秘笈
F 編_96
・2024/12/17 ・2098字 ・閱讀時間約 4 分鐘

-----廣告,請繼續往下閱讀-----

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。

擁有快速的視覺處理能力,對團體運動來說至關重要。圖/envato

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。

-----廣告,請繼續往下閱讀-----

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。

-----廣告,請繼續往下閱讀-----

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。

對體操選手來說,平衡感與空間感知能力非常重要。圖/envato

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。

-----廣告,請繼續往下閱讀-----

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。

運動不只是對身體的鍛鍊,對維持大腦健康也有影響。圖/envato

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。

-----廣告,請繼續往下閱讀-----

討論功能關閉中。

F 編_96
20 篇文章 ・ 1 位粉絲
一個不小心闖入霍格華茲(科普)的麻瓜(文組).原泛科學編輯.現任家庭小精靈,至今仍潛伏在魔法世界中💃

0

2
0

文字

分享

0
2
0
惱怒飛機上的哭聲和幫助脆弱的嬰兒,都是人類演化後的行為?——《利他衝動》
知田出版_96
・2024/12/09 ・3771字 ・閱讀時間約 7 分鐘

苦難與同理心:能激發出援助還是自我關注?

縱貫全文,我們持續主張,苦難演化得十分凸顯、讓我們不能不關注,而且它還得以在子代照護背景脈絡中激發行動。利他反應模型的這項原則,似乎與巴特森(Daniel Batson)和讓.德塞蒂(Jean Decety)以及其他人的普遍觀點互相衝突,後者主張苦難會阻礙援助。

根據同理心──利他行為假設,人們在感到溫暖、柔情、冷靜、關切和慈悲時,會專注關心他人的需求,並提供無私的援助;相反,當發愁、憂心、痛苦、不安和沮喪時,他們就會專注關切自己的需求,並只有在自己的苦難減輕時,才會提供幫助。舉個例子,當實驗室中的學生目睹某人受到痛苦的電擊時,表示感受同理心的觀察者,即便可以離開,也都會伸援,至於感到個人苦難的人,則較少提供幫助,除非他們被迫留下並繼續觀看痛苦的電擊。因此,人們有能力出於無私的原因提供幫助,但可以出於自私的動機行事,以緩解自己的苦難。

我們自己的研究有時確實會披露很棘手的苦難。例如,我們往往會複製出巴特森的發現,遭逢苦難的受害者有可能觸動觀察者的同理心以及負面反應。當人們觀看我們最悲苦醫院患者的錄影時,一部分參與者甚至還表示他們感到驚恐(亦即忐忑、憤怒、驚恐)。這種高度負面的反應還更加引人注目,因為參與者知道,這些是真正的重症病人或末期患者。

因此,當他人表達的苦難會引發多餘的、會感染的負面感受之時,嫌惡反應也就可能因此發生──特別當他們的問題看來很沒有道理或者難以解決。(舉例來說,一位護理師表示,「嗯,對這個問題她打算怎麼辦?」)不過還不算滿盤皆輸,因為比起對快樂的患者,一般人對苦難的患者會看出更多需求、感受更多同理心,並提供更多幫助。不過這種慷慨精神是有侷限的。

-----廣告,請繼續往下閱讀-----

例如,倘若參與者必須坐下來陪伴患者,而不是只給他們幾塊錢並不做社交接觸,那麼他們就會提高協助快樂患者的相對偏好度。所以,即便苦難肯定帶來嫌惡的知覺和感受,它仍能成功傳達需求並激發反應,而這也正符合它的設計功能。

倘若我們思忖,在任意給定的情境中,利他反應模型的種種屬性如何權衡取捨,也就能預測這類複雜的關係。舉例來說,飛機上有小寶寶啼哭時,人們就會抱怨。這似乎自相矛盾,因為,我們理當演化來幫助那些身處苦難的寶寶。

利他反應受情境權衡影響,飛機上寶寶啼哭引抱怨反映其限制。圖/unsplash

啼哭的力量:無助者需求與觀察者情緒的博弈

然而,這種惱怒和模型相符,因為那些寶寶並不是其他乘客熟悉的或有感情紐帶的對象,他們多數人都相隔太遠,不會陶醉於寶寶的可愛模樣,也不知道是哪裡出了問題,所以幫不上忙。因此「飛機上有小寶寶啼哭」經典案例自然會惹人苦惱──這就證明了聲音很凸顯,激使我們去讓它平息──然而我們沒辦法產生同理心,也幫不上忙,因為欠缺界定親代照護的感情紐帶、熟悉度、專門知識和掌控權,況且社會規範告訴我們,不要去碰陌生人的寶寶,進一步約束自身的舉止。

碰到兒童虐待一類狀況時,這種衝突就變得更嚴重了,這時照護者會抽身或甚至攻擊、傷害他們應該保護的兒童。根據研究,由於苦難是如此明顯、有激勵性,而且不容忽視,於是當苦難或啼哭接連持續了好幾個小時或好幾天時,人們也就會變得非常煩躁,特別當沒有明確的解決方案之時(好比,由於寶寶罹患腹絞痛)。

-----廣告,請繼續往下閱讀-----

人們必須接受培訓,並在這種情況下獲得支持而非遭受懲罰;他們應該能夠讓自己置身激烈情境之外,好讓自己冷靜下來,而且我們需要提供幫助,好讓照護者能夠休息片刻。釀成這種情況的起因,是由於人類演化出的本性是在相互支持的社會性團體生活中養育兒童,然而如今我們多數人所體驗的西方式工業化獨自育兒方式,卻已經與此脫節所致。

與苦難不能激發援助的情況相反,只要觀察者理解狀況,能介入並對他們的反應抱持信心,那麼即便強烈的和嫌惡的苦難,也依然能夠促成援助。哺乳類動物的神經激素壓力反應之所以演化出現,並不是為了讓我們在工作壓力下能吃餅乾,這種反應的演化,是藉由調動交感和新陳代謝歷程,犧牲了消化和成長等較慢、長期的生理歷程所促成的即時行動。

人們在理解並有信心介入時,即便是巨大的苦難仍能激發援助行動。圖/unsplash

我們的壓力系統經過演化,能在脅迫下最有效地快速反應,好比當觀察者受了壓力驅使,必須迅速採取行動來幫助某人──假定他們知道該怎麼做,也知道分寸。所以,即便苦難線索啟動你的壓力和自主神經系統,當我們無法行動時──強烈激情和不安找不到明確的出口之時──它們就會產生冷漠、紛擾或攻擊行為,因為這些狀態本身就是演化來激發行動。

人們面臨苦難時,若認為自己有可能遭人操控,也會感到矛盾。由於苦難會激發援助行為,人們有時會偽裝陷入苦難來誘發支持,這有可能讓開始懷疑受害者的觀察者感到困窘、惱怒、生氣或反感。舉例來說,赫迪便曾描述,像狨猿和檉柳猴這類合作養育後代的新世界猴,通常會與無助的寶寶分享食物,特別是當牠們乞求食物之時。

-----廣告,請繼續往下閱讀-----

然而,當年輕個體年齡增長獨立生活,成年個體就比較不會與牠們分享食物,而這就會導致年輕個體以愈強烈並引人嫌惡的方式懇求乞討食物,有時訴諸偷竊。這種現象已經在著名的吸血蝠動物模型的利他行為研究中重複驗證,研究發現,成年蝙蝠較少與已經發育超越青少年階段,理當自給自足的蝙蝠分享血餐。

小寶寶確實很無助,起碼在嬰兒早期階段是如此,實在不能認為他們是藉由啼哭來「操控」照護者,起碼不像是幼童、較大兒童和成人那般以刻意的、邪惡的手法來操控。嬰兒有可能「使用」哭聲來激使照護者為他們提供食物、溫暖、撫慰或移除有害刺激物。這是他們溝通需求的僅有方式之一。這些需求有的並不是真的很緊急,不過即便是需求被動照護,好比身體撫慰,也可能影響嬰兒的長期健康和幸福。

例如,寶寶獨自被留在嬰兒床或汽車座椅時,通常就會放聲啼哭,因為他們喜歡照護者充滿愛心的溫暖擁抱。不過這些並不是必須立刻解決的急迫需求(而且就汽車座椅的情況,這說不定正是拯救他們的要素)。

嬰兒以啼哭表達需求,這也是他們唯一與外界的溝通方式。圖/unsplash

即便寶寶使用哭泣來激使我們幫助他們,我想我們都同意,他們並不是刻意密謀對付任何人,而且他們的要求也相當合理──特別是在面對相當惱人的現代裝置之時。因此,寶寶哭聲的真情實意、毫不誇張,未加操控的性質,提供了一種促成行動的誘發刺激,而且就算出自成年人,我們也依然遵從。

-----廣告,請繼續往下閱讀-----

苦難的演化功能:從激發行動到引發嫌惡

人們對於苦難哭聲的音質非常敏感,能區分反映出不同需求的哭聲,好比需要接觸、肚子餓了和疼痛。因此在醫院接受腿部注射的新生兒,所引發的同情比較多,超過在圖書館因無法帶回家的玩具,半哀鳴半啼哭的十八個月大的兒童。後面這樣的哀鳴和啼哭,會讓觀察者感到非常煩躁,他們甚至還可能覺得小孩是在操控而惱火,特別當目標是要取得玩具火車或更多金魚餅乾等獎賞時。然而,聽到新生兒為真正的需求而啼哭時,人們確實會心生同情,這樣的哭聲比較溫和、有規律,並暗示了脆弱的、幼態的、受苦受難和有援助需求的理想組合。

苦難不是單一事物。苦難有多樣化形式和背景脈絡,其中有些有激勵作用,另有些沒有。不過倘若我們從照護無助新生兒的背景脈絡來理解苦難,模式便自然浮現。真正的苦難,肇因於嚴重的急迫狀況,而需要觀察者提供力所能及之幫助的困境是有激勵作用的,而當觀察者不熟悉或沒有形成感情紐帶、不知道該怎麼辦、力有未逮,幫不上忙,或者感覺受了操控,這時苦難就可能引人嫌惡,也不太可能激發援助。

科學文獻有必要更明確地釐清,苦難何時會促使人們走向困難處境,何時則會讓他們遠離,並拿包含利他反應模型屬性的情境(好比受害者與觀察者存有感情紐帶、呈幼態模樣、明顯受苦受難,並需要觀察者力所能及的即時幫助)來與不包含這些屬性的情境進行比對。這些研究將能讓我們就現實世界對苦難之反應範圍方面達成更完整的認識,這類反應並不總是充滿同情,但確實會產生比自我關注更多的可能結果。

——本文摘自《利他衝動:驅策我們幫助他人的力量》,2024 年 11 月,知田出版,未經同意請勿轉載。

-----廣告,請繼續往下閱讀-----
-----廣告,請繼續往下閱讀-----

討論功能關閉中。

知田出版_96
5 篇文章 ・ 0 位粉絲
成為世界幸福、希望的緣起──知田出版「環境永續」、「心靈提升」、「自我成長」等類型圖書,探討由個體的轉變進而影響整個群體命運等議題,希望藉由閱讀,以更多元化的角度,讓每一位讀者的心跟著轉動,認識到我們生活在同一顆星球。 已出版:《回到地球》、《人類是五分之四的灰熊》、《利他衝動:驅策我們幫助他人的力量》等書。