0

2
0

文字

分享

0
2
0

「年輕時期聽的歌」為什麼特別動人?

雅文兒童聽語文教基金會_96
・2025/04/15 ・3178字 ・閱讀時間約 6 分鐘

  • 文/雅文基金會聽語科學研究中心 劉馥瑂 助理研究員

「現在的歌好像都沒有比以前的歌好聽!」這句話你是否曾經在某個時刻不經意地想過?無論在哪個年代,這種感受似乎是普遍存在的,總是有些歌曲一播放,彷彿時間倒流,將我們帶回到那些青春年少的日子,童年或青春時期的歌曲似乎更能觸動人心,而新的歌曲則顯得平淡無奇。這到底是因為過去的音樂具有更強的魅力,還是我們的大腦在面對特定時期的音樂時,自然而然地產生了偏好呢?

這一現象其實並非偶然,人類對音樂的偏好,常常與其個人的生活經歷及情感記憶密切相關,這些經歷和記憶共同塑造了我們對不同音樂的感受,成為了音樂和情感之間的緊密聯繫的根源。

音樂旋律響起,喚起的情緒可能因人而異

音樂對人的影響涉及許多的層面,並且與個人的生活經驗緊密相連。從情感層面來看,音樂能夠激發各種情緒,無論是快樂、悲傷,還是懷舊與感動(Eerola & Vuoskoski, 2012),一首熟悉的旋律往往能勾起特定時刻的情感記憶;在生理層面,音樂可能引發如心跳加快、發抖或起雞皮疙瘩等反應(Grewe, et al., 2007);而在認知層面,音樂能幫助我們回憶過去的事件,以及提升或降低專注力與學習能力(Shih, et al., 2012; Lehmann & Seufert, 2017)。然而,音樂對每個人的影響並不完全相同,個人的經歷、文化背景與音樂偏好,會影響我們如何感受一首歌以及我們做出的反應,因此,即便是聆聽相同的旋律,有些人會感動落淚,而有些人則毫無感覺,這正是音樂影響力的獨特之處。

聽同一首歌,每個人喚起的情緒可能不一樣。圖/AI 創建再由作者編輯

音樂也是一種「時間膠囊」

自傳式記憶(Autobiographical Memory)指的是我們對自己過去經歷的回憶,不僅涵蓋具體的事件,還包括我們對這些事件的情感體驗與個人評價。這種記憶不僅是過去經歷的簡單回顧,還有助於我們理解自己是誰,如何與他人互動,以及這些經歷如何塑造我們未來的想像以及期許(Fivush, 2011)。簡而言之,自傳式記憶是一個人理解自己生命過程的工具,是我們理解過去與展望未來的橋梁。

-----廣告,請繼續往下閱讀-----

有趣的是,音樂作為一種強烈的感官刺激,對於喚起自傳式記憶具有獨特的力量。這種現象被稱為「音樂喚起的自傳式記憶」(Music-Evoked Autobiographical Memories, MEAMs),音樂能夠有效觸發與過去經歷相關的記憶,並且這些記憶通常比其他類型的記憶更具生動性和情感強度(Belfi et al., 2016)。

在一項研究中,Belfi 等人(2016年)比較了音樂和名人臉孔在喚起自傳式記憶方面的差異,他們發現,音樂能喚起的記憶比名人臉孔所引發的回憶更為生動,儘管名人臉孔能喚起較多回憶,但這些回憶往往包含較多的外部細節,例如關於名人的背景資訊,而較少與個人經歷直接相關的細節,而音樂喚起的記憶通常包含更多的感官細節,例如景象、聲音和氣味等感官體驗,這表示,音樂能夠引發的記憶,不僅是對過去事件的回顧,更能夠生動地再現那些經歷時的情感,進而強化我們對特定時刻的情感聯繫。

音樂喚起更多個人經驗相關的回憶,名人照片喚起更多外部細節。圖/AI 創建再由作者編輯

除了在一般人聽到音樂能被喚起回憶,在阿茲海默症患者的研究中更揭示了 MEAMs 的獨特力量。研究中,阿茲海默症患者在聆聽自己喜愛的音樂後,也能顯著提高記憶的喚起效果,這些患者所喚起的記憶比在無音樂的情況下更加具體、更生動,並且回憶的速度也明顯較快(El Haj et al., 2012),這些現象表明,音樂具有一種非自願的回憶觸發能力,即使是身處記憶衰退的狀態下,音樂依然能夠自動激活深藏的記憶,讓過去的經歷再度浮現。

因此,音樂不僅僅是一種娛樂或藝術表現的形式,它還是一個強有力的記憶觸發器,能夠引發我們過去的情感,成為了一種「時間膠囊」,讓我們在歲月的長河中與過去的自己再次相遇。

-----廣告,請繼續往下閱讀-----

年輕時的「記憶高峰」讓音樂喚起鮮明回憶

雖然音樂能喚起自傳式記憶,但是並不是所有一生中的記憶都容易被提取,心理學家發現,人類在10至30歲這段時間,會形成最為鮮明且最多的回憶,這一現象被稱為「記憶高峰」(reminiscence bump;Rubin et al., 1998)。這段時期是個體發展的關鍵階段,充滿了各種首次經歷,如初戀、第一次獨立生活、首次參加演唱會等等,這些重要的生活經歷通常會深刻地編碼進我們的大腦,並且成為未來回憶的核心。

此外,這一階段的回憶,通常與自我認同的建立密切相關(Conway, 2005),年輕人在此階段對自己身份的認識、對未來的規劃以及與他人互動的方式,無不在塑造他們對自我概念的理解,因此,這段時期的記憶不僅鮮明,而且深刻,容易在後來的生活中被回想起來。

而音樂回憶的研究也支持「記憶高峰」的存在,研究顯示,音樂回憶常常與青少年至成年早期的歌曲相關聯,這些歌曲能喚起這一時期的強烈情感,進而幫助回憶起這一階段的重要經歷(Janssen et al., 2007),這些歌不僅與當時的情感狀態密切相連,而且經常成為人們日後回憶青春時光的「情感載體」。

經典作品的跨越世代影響力

除了個人經歷對音樂回憶的影響外,音樂的影響還可能跨越世代,這一現象被稱為「級聯式記憶高峰」(cascading reminiscence bump; Jakubowski, 2020)。這指的是,年輕人可能會因為家庭環境的影響,對上一代的音樂產生偏好,例如,許多年輕人會對1980或1990年代的歌曲情有獨鍾,甚至會愛上更早期的搖滾樂或爵士樂等音樂風格,這是因為這些歌曲在家庭中藉由父母反覆播放,成為年輕人成長過程中不可分割的一部分,進而形成對這些音樂的懷舊情感。

-----廣告,請繼續往下閱讀-----
歌曲藉由父母反覆播放,成為年輕人心中的回憶。圖/freepik

這種跨世代的音樂偏好,也能通過藝術家對經典歌曲的翻唱、電影中的音樂運用、社群媒體的傳播等方式,持續延伸至未來的世代,例如,披頭四(The Beatles)的歌曲誕生於1960年代,但因為不斷被當代藝術家翻唱,仍然擁有著大量年輕粉絲,這顯示了音樂的跨世代傳遞功能,音樂並非單純的時代產品,它能夠穿越時間,激發不同世代之間的情感共鳴。

音樂不只是旋律,而是人生的記錄

總結來說,我們感覺過去的歌曲比現在的歌更具魅力,並非因為當代音樂的品質有所下降,而是因為那些曾經伴隨我們度過青春歲月的歌曲,承載了我們對過去的深刻情感與記憶,聽到這些歌曲不僅是音符的組合,它們成為了我們生命中一段特定時期的情感標記。下次當你聽到一首熟悉的老歌時,或許可以靜下心來,細細品味其中不僅是旋律的美妙,更是那些珍貴的回憶與情感的回響。

  • Belfi, A. M., Karlan, B., & Tranel, D. (2016). Music evokes vivid autobiographical memories. Memory, 24(7), 979-989.
  • Conway, M. A. (2005). Memory and the self. Journal of memory and language, 53(4), 594-628.
  • DeNora, T. (1999). Music as a technology of the self. Poetics, 27(1), 31-56.
  • Eerola, T., & Vuoskoski, J. K. (2012). A review of music and emotion studies: Approaches, emotion models, and stimuli. Music Perception: An Interdisciplinary Journal, 30(3), 307-340.
  • El Haj, M., Fasotti, L., & Allain, P. (2012). The involuntary nature of music-evoked autobiographical memories in Alzheimer’s disease. Consciousness and cognition, 21(1), 238-246.
  • Fivush, R. (2011). The development of autobiographical memory. Annual review of psychology, 62(1), 559-582.
  • Grewe, O., Nagel, F., Kopiez, R., & Altenmüller, E. (2007). Emotions over time: synchronicity and development of subjective, physiological, and facial affective reactions to music. Emotion, 7(4), 774.
  • Jakubowski, K., Eerola, T., Tillmann, B., Perrin, F., & Heine, L. (2020). A Cross-Sectional Study of Reminiscence Bumps for Music-Related Memories in Adulthood. Music & Science, 3.
  • Janssen, S. M., Chessa, A. G., & Murre, J. M. (2007). Temporal distribution of favourite books, movies, and records: Differential encoding and re-sampling. Memory, 15(7), 755-767.
  • Juslin, P. N., Liljeström, S., Västfjäll, D., Barradas, G., & Silva, A. (2008). An experience sampling study of emotional reactions to music: listener, music, and situation. Emotion, 8(5), 668.
  • Lehmann, J. A., & Seufert, T. (2017). The influence of background music on learning in the light of different theoretical perspectives and the role of working memory capacity. Frontiers in psychology, 8, 297754.
  • Rubin, D. C., Rahhal, T. A., & Poon, L. W. (1998). Things learned in early adulthood are remembered best. Memory & cognition, 26, 3-19.
  • Shih, Y. N., Huang, R. H., & Chiang, H. Y. (2012). Background music: Effects on attention performance. Work, 42(4), 573-578.
-----廣告,請繼續往下閱讀-----
文章難易度

討論功能關閉中。

雅文兒童聽語文教基金會_96
61 篇文章 ・ 223 位粉絲
雅文基金會提供聽損兒早期療育服務,近年來更致力分享親子教養資訊、推動聽損兒童融合教育,並普及聽力保健知識,期盼在家庭、學校和社會埋下良善的種子,替聽損者營造更加友善的環境。

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。