泡泡堆的物理

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

林俊傑《江南》：「相信愛一天，抵過永遠，在這一剎那凍結了時間」

這一剎那持續了多久？這出自佛經的時間單位有多個解讀，其中最短，可以對應的國際單位制是阿秒。 1 阿秒又有多快呢？ 1 阿秒等於一百萬兆分之一秒，是已經短到不行的飛秒的千分之一。在這段時間，別說是談戀愛了，連世界上行動最快的光，也只能移動一顆原子直徑的距離。

在阿秒的時間尺度裡，連光都得停下腳步，過去我們認為捉摸不定的電子，也終於將在我們眼前現身。 2023 年的諾貝爾物理學獎，正是頒給了三位帶領人類進入阿秒領域，探索全新世界的科學家。而這項技術，還可能讓電腦的運算速度加快一萬倍！

就讓我們一起來進入阿秒的領域吧，領域展開！

什麼是阿秒脈衝雷射？

今年諾貝爾物理學獎的三位得主分別是 Pierre Agostini 、 Ferenc Krausz 、和 Anne L’Huillier ，表彰他們對阿秒脈衝雷射實驗技術的貢獻。

所謂的阿秒脈衝雷射，指的是持續時間僅有數十到數百阿秒的雷射。當我們能使用脈衝雷射來觀察目標，就好比使用快門時間極短的相機對目標拍照，能捕捉到瞬間的畫面。

2018 年的諾貝爾物理學獎，就頒給了極短脈衝雷射的研究。短短 5 年後，雷射領域再次得獎，但這次是更快的阿秒雷射，能捕捉到電子運動的超快脈衝雷射。

世界上沒有東西能真正的觸碰彼此？看見電子能帶來什麼突破？

為什麼看見電子的運動那麼重要呢？我們複習一下原子的基本構造，在原子核之外，帶有微小負電荷的電子，被帶正電的原子核束縛住。量子力學告訴我們電子沒有確切的位置，而是以特定的機率分布在原子核周圍的不同地方，也就是所謂的電子雲。

雖然電子的體積比原子核小很多，但電子雲的範圍，卻占了原子體積的絕大部分。在物理或化學反應中，真正和其他原子產生交互作用的，幾乎都是這些外面的電子。在電影《奧本海默》中，當男女主角手心貼著手心，奧本海默這時卻說：「世界上沒有東西能真正的觸碰彼此，因為我們觸摸到的物體，都只是其中原子的電子雲和我們手上的電子雲產生的斥力。」

對了，這種話也只有奧本海默跟五條悟可以講，一般人請不要隨便亂牽別人的手。

除了和心儀的他牽手，不同的電子排列狀態也會直接影響物質的化學活性、材料的導電導熱等基本性質，各種化學和物理過程都和電子息息相關。從非常實際的層面來說，電子可以說是物質世界最重要的基本單位。所以不難想像，如果我們能看見電子，甚至獲得可以操縱個別電子排列與能量的技術，我們能真正成為材料的創世神，許多不可能都將化為可能，是相當重大的突破。

捕捉電子運動有多困難？

但要操縱電子可不是什麼簡單的事，不只是因為電子非常小，更重要的是他們動得非常快。具體來說，電子在原子周圍跳動的週期時間尺度大約是十的負十八次方秒，也就是一阿秒。一顆原子的大小約是十的負十次方公尺，速度等於距離除以週期，換算下來，電子雲差不多是以光速等級的速度在原子核周圍跳動。

如果要捕捉到阿秒尺度的電子運動，就必須將實驗的時間解析度也提升到阿秒等級，否則就會像是用長曝光鏡頭拍攝亞運競速滑冰比賽一樣，只能拍到一團糊糊的影像，而沒辦法分出勝負。

可是，在 1980 年代，脈衝雷射最快只能達到十的負十五次方左右，還只有飛秒等級。而且光靠當時的技術和材料優化，已經沒辦法再縮短脈衝時間了，因此這時候，就要從原理上重新打造一套方法了。

如何製造更快的脈衝？

首先，要製造更快的脈衝並不是用頻率更高的電磁波就好。你想，我們在拍照時，想要讓曝光時間更短，要改善的不是把室內光源從可見光改成頻率更高的紫外光，而是調快快門的開闔速度，讓光一段一段進入感光元件中，變成影片一幀一幀的畫面。而這一段一段進入像機的光訊號，就像是我們的脈衝。

不論是皮秒雷射、飛秒雷射還是阿秒雷射，一直以來在做的都是同一件事，在整體輸出功率不變的情況下，讓每一次脈衝的持續時間更短，同時單一次的功率也會更高。簡單來說，就是要從無數次的普通攻擊，變成每一次都是集氣後再攻擊。

但要怎麼為光集氣呢？光和其他波動一樣，可以和其他波動疊加。把不同頻率的光疊加在一起，波峰和波谷會抵消，波峰遇上波峰則會增強。只要用特定的比例組合許多不同頻率的光，就可以在整體總能量不變的情況下，產生一個超級窄的波峰，其他地方全部抵銷。

1987 年，本次諾貝爾獎得主之一的 Anne L’Huillier 教授發現，當紅外線雷射穿過惰性氣體時，氣體會被激發放出整數倍頻的光。也就是氣體放出許多不同頻率的光，而這些頻率都是原本光源頻率的整數倍，從兩倍三倍到三十幾倍以上的高倍頻光都有。而橫跨這麼大頻率範圍的光，就能組合出時間長度很短的脈衝光。

不過這聽起來未免也太好康了，真的有那麼簡單嗎？

這個看似魔法的實驗背後其實有著相當簡潔的物理圖像。電子原本是被電磁力束縛在原子中，當一道強度夠強的雷射通過氣體原子，原本抓住電子的電位能被雷射削弱。

雖然這道牆只是矮了一些可是還是存在，但此時，在電子的大小尺度下，量子力學發揮了作用。調皮的電子有機會透過量子穿隧現象，穿過這道束縛，暫時逃離原子核的掌控。關於量子穿隧效應的介紹，我們近期也會再做一集節目來專門介紹。

但電子還來不及逃遠，雷射光已經從波谷翻到波峰。電磁波的波谷與波峰，不是指能量的高和低，而是指方向相反。因此在相反的電磁場方向下，不幸的電子被推回原子核附近，再度被原子核捕獲。但在這欲擒故縱、七擒七縱的過程後，電子並非一無所獲，他所得到的動能會以光的形式重新放出。

而因為這些能量最早都來自雷射，因此電子放出的光波長，也剛好會是雷射的整數倍。再說的細一些，你可以理解為這些電子在吸收一顆顆光子後，一口氣釋放這些能量，所以能量都是一開始光子的整數倍。

在 1990 年代，科學家已經掌握了這個現象背後的原理。但一直到千禧年過後。這次諾貝爾獎得主之一 Pierre Agostini 教授和他的研究團隊才終於在適當的實驗條件之下，利用高倍頻光打造出了一連串寬度只有 250 阿秒的脈衝。同時第三位得主 Ferenc Krausz 也使用不同方法，分離出 650 阿秒的脈衝。

最後，獲得阿秒脈衝這個祕密武器之後，我們的世界將迎來哪些變化呢？

阿秒脈衝在各領域的應用

其實啊，有在關注諾貝爾獎都知道，諾貝爾獎通常不會頒給時下正夯的新興研究，前面講的研究，實際上都已經是二十多年前的往事了，而這些辛苦的科學家會在這麼多年後拿下諾貝爾獎的榮耀，正是因為阿秒雷射的發明經過了時間的考驗，成為非常普及的實驗技術，而且被大家公認為重要的科學貢獻。

當然，今年生醫獎的 mRNA 是個超快例外，有興趣的話，別忘了點擊下方影片，看看編劇都編不出來的 mRNA 研究歷程。

說了那麼多，阿秒雷射究竟對人類生活有什麼幫助呢？當然，它能讓我們更深刻了解物質還有光的本質，但是除了幫電子拍下美美的照片放在期刊的封面上，阿秒雷射可以用來做什麼？

在過去這二十年，許多研究已經找到了相當有潛力的應用。

舉例來說，在醫療方面，阿秒雷射可以用來分析血液或尿液樣本。控制良好的超短脈衝可以精準的刺激生物樣本中的各種有機分子，讓這些分子震動並放出紅外線訊號。如果使用的脈衝長度太長，分子釋放的訊號就很容易和原本施加刺激的雷射混在一起，造成量測的困難。唯有阿秒等級的超短脈衝能夠實現這樣的量測。

這些紅外線光譜就像是質譜儀一樣，能幫助我們快速分析血液中的蛋白質、脂質、核酸等重點物質的關鍵官能基狀態。並透過機器學習的方式整合，成為個人化的健康狀態報表，或是做為診斷的依據，將精準醫療提升到全新的層次。

不只如此，發送超短脈衝的技術也可能革新當今的電腦運算。電腦運作的方式就是利用電晶體這種微小的開關，不斷的開開關關去發送一跟零的訊號，所以開關電流的速度便決定了你的運算速度。以半導體為基礎的電晶體，工作頻率通常不超過上百 GHz ，在時間上也就是十的負十一次方秒。

自從阿秒雷射技術普及之後，就有科學家想到：既然雷射脈衝的速度更快，那不如就別用半導體了，改用光學脈衝來控制電流作為運算的媒介。這個概念叫做光學電晶體（Optical Transistor）。

今年初，亞利桑那大學的團隊便發展示了如何利用小於十的負十五次方秒的超短雷射脈衝，來開關電流並傳送一與零的位元，這個頻率比現有半導體電晶體快了一萬倍以上。這顯示了光學方法的操作頻率可以有多快，或許能讓我們突破訊號處理和運算上的速度瓶頸。

看完這些便可以理解，阿秒等級的超快雷射脈衝的確是相當近代的一個科學里程碑。就像是科學革命時望遠鏡和顯微鏡的發明，讓人們看見那些最遠和最小的事物，超快脈衝用最快的時間解析度，讓我們看到許多人類從未看過的景象。

歡迎訂閱 Pansci Youtube 頻道 獲取更多深入淺出的科學知識！

參考資料

• https://www.nobelprize.org/prizes/phy…
• Announcement of the 2023 Nobel Prize …  
• “This breakthrough opens the world of…  
• https://www.nature.com/articles/d4158…
• https://www.kva.se/en/news/the-nobel-…
• https://www.rp-photonics.com/mode_loc…
• https://dop.nycu.edu.tw/ch/page.html?…
• https://www.science.org/doi/10.1126/s…
• https://www.science.org/doi/10.1126/s…
• https://www.attoworld.de/news/cover-s…
• https://www.attoworld.de/bird/our-res…

由德、日鑑識專家組成的研究團隊，於 2021 年的《國際法醫期刊》（International Journal of Legal Medicine）上，說他們採用網路流傳的偽裸照修圖技巧，設計出比較不嚇人的「泡泡認屍法」（the “bubbling” procedure）。然後順帶奉上一張照片，以時任德國總理的梅克爾（Angela D. Merkel）女士，作為範例。^[1]

認屍

某些命案發生後，家屬必須前往停屍間，或是透過照片指認死者身份。屍體可能事先經過重建或防腐處理，並且在法醫動刀解剖前進行。最好未卸妝，也不取下首飾，完整保留生前的打扮。儘管這個鑑識程序有時的確無法避免，但是其失誤率高達 50%，而且會造成家屬的心理衝擊。若是遇到不知該找誰認領的無名屍，媒體還得四處散佈照片，觸及的人數勢必更多。研究團隊於是以移除創傷影像為目的，開發新的認屍方式。^[1]

知覺填補

假設這裡有個電子圖檔，畫面上主角穿著泳裝之類的清涼衣著。首先，以常見的影像編輯軟體，例如： Photoshop、Paintshop 或 GIMP，開啟檔案。接著，用圓圈框選髮膚暴露處，並刪除衣物等剩餘區塊，就會得到一張狀似被泡泡網覆蓋的照片。此時，觀者會因為知覺填補（perceptual filling-in）機制，無視消失的部份，自動把影像腦補成裸照。根據該論文的說法，上述居心不良的修圖技巧，在網路論壇上相當風行。且不論研究團隊平常都在逛什麼網站，而如此熟悉這種不入流的勾當；他們想說的是，同樣的招數可以輔助認屍。^[1]

泡泡認屍照

現在把編輯的影像主角，從活人改為死者。先用大泡泡選取無創傷的廣大面積，再以小泡泡保存細節，並塗去其他部位。過程中，盡可能留下眼、鼻、耳和髮線等特徵。等能蓋的都蓋掉了，如果剩餘的區域，有屍斑、瘀青、腐化等情形，看了還是怵目驚心，那就降低整體畫面的彩度，或者套用灰階效果。^[1]

泡泡辨識實驗

為了瞭解辨識的準確度，研究團隊在德國洪堡（Homburg）及匈牙利布達佩斯（Budapest），分別招募 38 與 15 名學生。請這些為數不多的受試者，指認經過「泡泡」處理的 10 張照片。裏頭可能出現的名人，包括：德國的球星 Lothar Matthäus、主持人 Inka Bause、超模 Heidi Klum 和政治人物 Frauke Petry；歐盟執委會主席 Ursula von der Leyen、匈牙利總理 Viktor Orbán、瑞典環保倡議人士 Greta Thunberg、教宗方濟各；以及演藝明星李小龍、Tom Cruise 與 Rihanna。另外，學生認識的教師跟絕對沒見過的陌生人，也各有一張，作為對照。全部辨識完後，受試者會看到沒有「泡泡」的版本，確定是否真的不知道某人。^[1]

實驗結果顯示，這些學生認得 72.1% 的人物；而其中 66.8% 的照片，蓋上「泡泡」後，依然能被準確指認。研究團隊頗滿意此成功率，並覺得這個方法簡單、經濟又快速。不過，死者的臉部創傷若是太大，就不適合以「泡泡」遮掩，畢竟觀者腦補的能力有其極限。在那種情況下，他們建議改採臉部重建等其他繪圖技術。^[1]

參考資料

1. Potente S, Ramsthaler F, Kettner M, et al. (2021) ‘Application of the “bubbling” procedure to dead body portraits in forensic identification’. International Journal of Legal Medicine, 135, 1655–1659.