「耳朵腫一包」絕非小事：耳朵腫脹竟可能永久變形

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

本文轉載自食藥好文網

• 撰文／雅文兒童聽語文教基金會 黃上維、張晏銘 聽力師

聽覺是兒童接觸外在聲音世界、學習口語語言的基礎，聽得到且聽得清楚，孩子的語言及認知表現才有機會適齡發展，因此一旦確認有聽力損失，就有助聽器的使用需求。不過，當醫生判斷孩子有聽力損失後，父母心中都想知道：有沒有吃藥、手術或其它方式，來治療聽力問題？又或是戴上助聽器後，就能讓孩子的聽力恢復嗎？要解答這兩個問題，我們必須先了解聲音的傳遞方式。

我們如何聽見聲音？

耳朵是接收聲音的管道，分成外耳、中耳、內耳，隨後透過聽覺神經將聲音訊號傳遞至大腦解讀，任何一個區域出了差錯就有可能造成聽力損失。

外耳及中耳問題會造成「傳導性聽損」，例如：小耳症、耳道閉鎖、中耳積水、聽小骨硬化或斷裂等；這類聽損有醫療治癒的機會，但若治療的時機未到或期程過久，仍將耽誤孩童的聽語學習，因此可能需要階段性使用助聽器。內耳及聽神經問題會造成「感覺神經性聽損」，例如：毛細胞損傷、基因遺傳導致的細胞功能變異、神經細小等；這類聽損至今仍不可逆，也占先天性聽損的多數，需要終生使用助聽器或其它聽覺輔具。

助聽器的技術發展與時俱進

「工欲善其事，必先利其器。」要讓受損的耳朵重拾聽覺，要先了解助聽器的來歷。 助聽器顧名思義是幫助聽力的器具，如果說任何能把聲音有效傳進耳內的工具都是助聽器，那 17 世紀所誕生像漏斗、號角般的「耳朵喇叭（Ear trumpet）」就開啟了助聽器的時代篇章 ^[2]。不過這樣單純依靠聲學作放大的音量勢必有限，18 世紀末出現了以碳形成磁場，能有效提高音量的「碳助聽器」，同時引進不同頻率的聽力損失應有不同放大量的概念，隨後更歷經以「真空管」提供電力、以「電晶體」減少耗電及縮小外觀尺寸的時代。

到了 19 世紀末，助聽器開始「數位化」處理，與過往類比式不同，數位式助聽器在麥克風收音時，便將聲音轉成 0/1 的數位訊號，透過處理器分析、過濾和放大這些聲音，以此達成方向性接收語音、降低噪音、消除回饋音（漏音）等功能，最後再把 0/1 的數位訊號解碼化回聲波，傳遞至耳朵內。

助聽器可以像近視眼鏡一戴就好？

多數情況下，戴助聽器跟戴眼鏡不一樣，無法一戴就好，原因除了助聽器硬體的外部限制，如麥克風收音的品質與距離影響，人耳的生理也有內部限制。對少數「傳導性聽損」者而言，聽力損失相對單純，只要聲音的「音量」被放大還原，克服了外耳或中耳的阻礙，就能有正常的聆聽潛力，然而多數「感覺神經性聽損」者，損失的不單是音量，尚有對高低音「頻率」的差異分辨，如此當說話語音與環境噪音的頻率太過相近時，大腦很難將語音從噪音中抽離；以及對聲音「時間序列」的解析力降低，因為大聲音（或比較重的音節）會遮蔽緊跟其前後的小聲音，加上生活中的語音及噪音忽大忽小，大腦很難在交錯的聲音中鎖定目標語音 ^[3]。

以視覺做比擬，音量損失就像字體變小了，語音變得不易看見；頻率解析度下降就像字形變模糊了，讓本來就看起來相仿的字變得更混淆；而時間序列解析度下降就像比較大的字會凸顯而掩蓋前後比較小的字，或字跟字會有重疊情形，讓整句話變得不完整。

現代助聽器有許多進階功能，如頻率降轉技術 ^[4]、噪音消除技術，能協助濾化聲音，幫助聽損者更好接收到目標音，但無法從本質上根治感覺神經性聽損敏銳度低的問題，因此助聽器是以矯正聽力損失、利用殘餘聽力為目的，有賴後續聽能復健訓練以最大化助聽器的使用成效。

「最好」的助聽器是「最合適」自己孩子的助聽器

國內經衛生福利部核准的助聽器醫療器材超過 180 種，各家廠牌的設計訴求不一，若家長在為孩子選購助聽器時陷入苦思，不妨先依序檢視下述原則：

一、選擇：助聽器的種類與適用對象

• 整理／雅文兒童聽語文教基金會

二、配置：助聽器的規格與使用需求

聽損者的聽力在不同聲音頻率間，多有不同的感知受損程度，助聽器要達成分頻率地矯正，有賴於可調整的「壓縮頻道」，頻道數的多寡也常反應在助聽器的等級與價格，但越多的壓縮頻道不一定會聽得越好。對於聽力圖屬於平坦型，即高低頻的聽損程度相近者，擁有 6 個壓縮頻道就足以達成理想的語音辨識清晰度；對於聽力圖屬於極陡降型，即高低頻聽力可能橫跨輕度至重度聽損範圍的人，提高壓縮頻道至 18 個才有改善語音聆聽清晰度的顯著意義 ^[5]。此外要留意，若您的孩子適用政府輔具費用補助資格，壓縮頻道在 6 個以上就能符合〈身心障礙者輔具費用補助基準表－進階型助聽器〉的頻道數要求，該「進階型」的意義與市面上廠商所定義「入門款、基本款、高階款」等不相同。

接著，承前述助聽器與人耳的限制，助聽器需要與「無線傳輸系統」相容，不論是搭配各助聽器廠牌自有的藍牙麥克風，亦或是搭配現今教育部針對聽覺障礙學生提供之遠端麥克風系統（舊稱調頻系統）^[6]，才能讓孩子在具有複雜聲音環境的學習場域聽得清楚，克服與老師間的距離、周遭的噪音回音等影響，減輕長時聆聽的疲勞。

三、驗證：確認助聽器的使用效果

因為兒童還無法完善表達自身需求，要確認使用助聽器效果時，除了家長的日常觀察，下述的客觀檢測不可少，包含「聲場矯正後聽力圖」用以確認孩子最小可以接收到的音量有無改善；「語詞辨識測驗」用以確認孩子在不同聆聽情境（如安靜環境下的遠距離說話音量、及吵雜環境下的一般說話音量）皆能聽得清楚；「真耳或耦合器量測」用以確認助聽器的處方公式設定與輸出音量相符，並確認最大輸出音量，避免過度擴音造成傷害。「聲電分析」用以確認助聽器的效能（如增益量、內部噪音量、聲音失真率等）隨時間可能衰減後是否仍在容忍值。

然而，不同聽損程度或助聽器的配戴經驗會影響驗證的細節，因此在購買助聽器之前，記得向聽力師了解這些檢測的理想目標、同樣能達成目標的其它選項有何差異、目標未達成時可努力的方向，以此兼顧助聽器的購買成本及使用效果。

和戴上助聽器同樣重要的下一步

看起來助聽科技很厲害，但別忘了，助聽器不是治療聽損的萬靈丹，聽覺大腦的路徑具有神經可塑性，需要透過正確配戴輔具，來增進聽損者對聲音的感知 ^[7]。對語言及認知能力還在發展階段的兒童來說，養成全日配戴的習慣、培養良好的傾聽技巧 ^[8]、學習聲音與意義的連結，是擁有適齡發展的要素。此外，你可以想像即便是聽力正常人，在聆聽環境複雜的時候，不總能聽得如此清晰，也需要依靠上下文解讀、請他人重述，或轉換環境做聆聽等，因此，「聽能復健訓練」是從建立核心的聽能技巧開始，擴展到語言及認知能力的促進，再到有效溝通策略的練習，是最佳化輔具成效所不可或缺的步驟。

• [1] 馬英娟（2016）：淺談聽覺系統。載於林桂如（主編），以家庭為中心的聽覺障礙早期療育——聽覺口語法理論與實務（265-282頁）。新北市：心理。
• [3] 劉殿楨等譯（2019）。聽覺輔具，第 1 章。台北市：華騰文化。(Harvey Dillon, 2012)
• [5] Jason Galster & Elizabeth A. Galster.(2011).The Value of Increasing the Number of Channels and Bands in a Hearing Aid. AUDIOLOGYONLINE. Retrieved from https://www.audiologyonline.com/articles/value-increasing-number-channels-and-826.
• [7] Karawani, H., Jenkins, K., & Anderson, S. (2022). Neural Plasticity Induced by Hearing Aid Use. Frontiers in aging neuroscience, 14, 884917.

延伸閱讀

• [2] 楊又臻（2018）。助聽器是尊貴的象徵？從聲學椅到聲學拐杖，為了聽清楚的怪招式還真多。
• [4] 張逸屏（2022）。高音唱不上去可以降 KEY，高頻聽不清楚可以……？──談助聽器降頻技術。
• [6] 林淑芬（2022）。教室聆聽小幫手—遠端麥克風系統。
• [8] 楊琮慧（2020）。有聽沒有到，為何學會「傾聽」這麼重要？

• 文／謝耀文｜雅文基金會 聽力師

聽覺，作為人類感知世界的重要途徑之一，一直是研究者感興趣的領域。這些年來左耳和右耳之間的聆聽差異性，逐漸受到人們關注。

2009年義大利的一項研究結果指出，當我們朝著他人的「右耳」提出請求時，往往會比較容易獲得成功。然而，有趣的是，在美國德州一所州立大學的學者卻提出了與之相異的論點，其研究指出當我們想要安慰他人時，應該靠近對方的「左耳」。這種截然相反的觀點讓人不禁追問，聽覺系統中的左右耳究竟有何不同？難道左耳和右耳聽到的聲音不一樣嗎？ 

聽見聲音的奧秘

從解剖的角度來看，左耳和右耳的器官構造是對稱的（圖一）。我們的聽覺系統分為周邊和中樞兩個部分；外耳、中耳、內耳及聽神經的部分都屬於周邊，而從聽神經到大腦的區段則屬於中樞，整個聽覺系統運作是一個複雜而精巧的過程。首先，聲音最先被我們的外耳廓接收後，經過外耳道來到中耳，然後進入內耳。在內耳裡，聲音的震動被轉換為神經信號，再透過聽神經傳遞到我們的大腦，最終站則到達大腦中的覺皮質區。

當信號到達大腦時，我們才真正能夠聽到聲音。因此，正確來說，我們並不是用耳朵聽聲音，而是通過大腦來感知聲音並賦予聲音意義。

大腦的不對稱性

多數生物的聽覺系統是對稱的，利用聲音傳到兩個耳朵的時間差和音量差，此足以應付當危險發生時，幫助留意周遭聲音的方向位置，如留意到警報聲或野獸的叫聲等做出反應。但是，人類隨著演化，大腦為了更有效率的處理複雜的聲音訊息，左腦與右腦發展出了不對稱性。

學者們普遍認為，左腦主要處理語言、邏輯推理等、而右腦則處理情緒、音樂等，說明左右大腦各有不同的優勢和專長（圖二）。正因如此，聲音進到我們的左耳和右耳時，會因負責處理的大腦半球不同，使得左耳和右耳所聽到的聲音處理上產生差異。這樣左右耳相異現象，最小在嬰兒的研究中，就被發現左耳和右耳天生對聲音的偏好有所不同。

右耳優勢：從發現到機轉原因的探索

在聽力學上，右耳優勢是指當雙耳同時接收到語音訊息時，右耳的辨識能力優於左耳，也就是說，右耳對於聽取語音的正確率較高。最早於 1960 年代由 Kimura 教授發現。

為了解右耳優勢，研究者多透過雙耳異訊測驗 (Dichotic Listening Test)。測驗方式為讓受試者戴上耳機，左耳和右耳同時聆聽兩個不同的聲音，可能是句子或單字詞等。然後，他們被要求回想剛剛聽到的訊息，並分別判斷左耳和右耳的正確率。過往實驗結果皆顯示，聽力正常人的右耳的正確率普遍優於左耳。

根據現有的理論，這種現象可能與前述的大腦不對稱性有關。因為負責語言的區域主要位在左腦，所以右耳接收到的語音被認為多會直接傳遞到左腦，但左耳接收到的語音則是多先到右腦，然後還需藉由胼胝體將語音再跨傳至左腦去處理（圖三）。因此左耳聽到的聲音，需要多出這幾毫秒的時間差才會抵達左腦，使得右耳於生理上具備了先天利勢，能更快速且有效對語音進行辨識，造就右耳優勢。

「右耳優勢」會隨著年齡改變

右耳優勢在正常聽力的成年人並不十分顯著。根據文獻，差異在 3-5% 以內。然而，在幼齡兒童身上，小時候右耳優勢相對較為顯著。過往有研究指出約要到 11 歲以後，隨著聽覺系統成熟後，兒童的表現才會接近成年人。

當研究對象轉向年長者時，普遍認為年長族群的表現會差於相對年輕的族群。然而，很多研究發現，當年齡增加，雙耳會有不等速的下降，通常左耳的正確率下降幅度會顯著高於右耳（圖四）。

意旨右耳優勢其實是源自於左耳的能力衰退，因此著名學者如 Jerger 等人，也將此現象稱作「左耳劣勢」。在台灣，陳小娟教授 2015 年的研究同樣指出，年長族群受試者中高達 95% 的人有左耳劣勢，但左耳下降的幅度個別差異很大。

推論年長者左耳表現下降的成因中，與大腦中的「胼胝體」有關。因胼胝體功能是讓左右腦的訊息相互交流，所以當隨著年齡增長，胼胝體也會跟著受老化的影響，從而使左右腦間的訊息傳遞變得不夠高效，導致雙耳差異加劇。

右耳優勢的影響與意義

1. 聽覺中樞處理能力

不論年長者或兒童，當發現右耳優勢非常顯著時並非好事。根據美國聽力學會 2010 指引提出，當右耳優勢過於明顯或是缺乏右耳優勢時，被認為可能是聽覺中樞處理異常的指標，可能暗示著聽覺中樞系統老化衰退或是未發育成熟。

聽覺中樞處理異常最直接的影響可能是，明明聽得見聲音但卻聽不清楚。尤其在吵雜環境聽得更不理想。對於兒童來說，會阻礙其學習注意力，導致課堂上無法專心，或是把旁人的話當成耳邊風，導致學習困難，進而需要一些額外的聽覺輔具介入和教學策略來輔助。

2. 電子耳的植入耳選擇

對於聽損受損程度較嚴重的人來說，如果助聽器效益有限時，需評估電子耳的使用，然而選擇哪一耳植入電子耳也是有差別的。以色列的研究團隊指出，如果雙耳的聽力和結構相似的狀態下，他們發現右耳電子耳的語詞聽辨表現也有統計上優於左耳的情形，說明右耳優勢現象可能會對電子耳預後產生些影響。因此在左右耳條件相似的前提下，或許能做為選擇植入耳時的參考因素之一。

3. 1+1<2 助聽器選配

對於有聽力損失的人來說，使用助聽器雖能幫助矯正聽力，但當雙耳差異過大時，臨床上有些人戴助聽器，只會覺得助聽器聽起來很吵不清楚，或者更精確來說，會發現只戴單邊助聽器，居然比雙邊一起戴聽得更清楚；這樣的雙耳較不理想的表現，學術上被稱為「雙耳干擾」，意旨無法發揮 1+1>2 的雙耳效益；根據 2017 年的研究指出，雙耳干擾出現在將近 17% 的成年人。因此若留意到自己有聽沒有懂，或是用單耳聽比雙耳還要好時，可能不是錯覺。

4. 提升成功率的溝通小秘訣

雖然多數的右耳優勢研究是在受控的實驗室中進行，但有一項來自義大利的研究很不一樣，他們是在一間喧鬧的迪斯可舞廳進行。在這個實驗中，研究人員特意對 176 名參與者的左耳或右耳說話，然後詢問他們是否可以提供香菸。結果出乎意料，當朝著右耳提出請求時，88 名參與者中有 34 名同意提供香菸，但當朝著左耳提出請求時，只有 17 名參與者答應。這樣的結果或許也讓我們有理由相信右耳優勢在現實生活中能提供實質幫助，所以下次當我們需要與他人溝通重要的事情時，除了考慮時間、地點、環境等因素，或許也可以考慮面向哪個耳朵說話，這可能有助於提升溝通的成功率。

總結來說，左右耳各司其職，其中右耳被認為對語音的訊息處理較有效率，左耳則是對於非語音(如情緒、音樂)的訊息較敏感，這樣的差異反應出左右大腦的處理上各有所長，進而造就我們在聽取語音時的右耳優勢。然而，在成熟的聽覺系統中雙耳落差並不明顯，若當雙耳都聽得好時，才能最佳化我們的聽覺表現。因此建議要了解個別耳朵的聆聽狀況，並於發現問題時積極尋求耳鼻喉科醫師或聽力師諮詢，才能幫助後續聽力診斷，找出合適的處遇辦法。

• 陳小娟. (2015). 雙耳異訊測驗材料對於不同年齡者聆聽表現的效應. 中華心理學刊, 57(1), 27-43.
• American Academy of Audiology(2010). Clinical Practice Guidelines: Diagnosis, Treatment and Management of Children and Adults with Central Auditory Processing Disorder.
• Henkin, Y., Swead, R. T., Roth, D. A., Kishon-Rabin, L., Shapira, Y., Migirov, L., Hildesheimer, M., & Kaplan-Neeman, R. (2014). Evidence for a right cochlear implant advantage in simultaneous bilateral cochlear implantation. The Laryngoscope, 124(8), 1937–1941. https://doi.org/10.1002/lary.24635
• Henkin, Y., Taitelbaum-Swead, R., Hildesheimer, M., Migirov, L., Kronenberg, J., & Kishon-Rabin, L. (2008). Is there a right cochlear implant advantage?. Otology & neurotology : official publication of the American Otological Society, American Neurotology Society [and] European Academy of Otology and Neurotology, 29(4), 489–494. https://doi.org/10.1097/MAO.0b013e31816fd6e5
• Jerger J. The remarkable history of right-ear advantage. Hearing Review. 2018;25(1):12-16.
• Jerger, J., Chmiel, R., Allen, J., & Wilson, A. (1994). Effects of age and gender on dichotic sentence identification. Ear and hearing, 15(4), 274–286. https://doi.org/10.1097/00003446-199408000-00002
• Kieth, R. W., & Anderson, J. (2007). Dichotic listening tests. In F. E. Musiek & G. D. Chermak (Eds.), Handbook of (central) auditory processing disorders, vol. 1: Auditory neuroscience and diagnosis . San Diego, CA: Plural.
• Kimura D. (2011). From ear to brain. Brain and cognition, 76(2), 214–217. https://doi.org/10.1016/j.bandc.2010.11.009
• Marzoli, D., & Tommasi, L. (2009). Side biases in humans (Homo sapiens): three ecological studies on hemispheric asymmetries. Die Naturwissenschaften, 96(9), 1099–1106. https://doi.org/10.1007/s00114-009-0571-4
• Mussoi, B. S. S., & Bentler, R. A. (2017). Binaural Interference and the Effects of Age and Hearing Loss. Journal of the American Academy of Audiology, 28(1), 5–13. https://doi.org/10.3766/jaaa.15011
• Sim, T. C., & Martinez, C. (2005). Emotion words are remembered better in the left ear. Laterality, 10(2), 149–159. https://doi.org/10.1080/13576500342000365
• Sininger, Y. S., & Cone-Wesson, B. (2004). Asymmetric cochlear processing mimics hemispheric specialization. Science (New York, N.Y.), 305(5690), 1581. https://doi.org/10.1126/science.1100646