【智活星期二】高士佩：「從學生本身會的東西作出變化！」

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

• 文／樊家欣｜雅文基金會聽語科學研究中心　助理研究員 

P. LEAGUE 最大咖球星林書豪加盟鋼鐵人隊，帶領鋼鐵人打出新氣象，並獲選為籃球單月最有價值球員「三連霸」，堪稱史上第一人！你，也愛打籃球嗎？當你在體育館時，是否有察覺到周圍的聲音跟平常不太一樣呢？ 

迴響，能讓聲音隔空變魔術！

體育館一般有挑高的設計以及較大的室內容積，當其中有聲音產生，傳遞到周圍較硬的介質表面「反射」回來，而產生延遲和失真的現象，稱為「迴響（Reverberation）」。由於空間容積與迴響時間成正比，空間越大，迴響時間隨之延長。沒有進行吸音處理的體育館，運球聲、腳步聲、群眾吆喝聲等人造聲音將迴盪在空間中，聲音必須經過更長的時間才會完全消失，使人在體育館倍感喧騰。

善用設計，打造餘音繞樑的迴響聲學空間 

迴響在不同的空間，會因周圍反射的材質，展現不同的聲景樣貌，例如：音樂廳就是利用各種不同的「形狀」和「材質」來平衡聲音，再將之導向聽眾。

早期音樂廳的「形狀」只有鞋盒式，台北國家音樂廳就是歐洲數百年經典傳統鞋盒式音樂廳，平面觀眾席的聲響很好，但是後面的眺望台座位，由於天花板空間被擋住，與前面造成相異聲場，聲音就顯得不夠飽滿；而高雄衛武營音樂廳，其內部設計柏林愛樂廳一樣，採用的是葡萄園式音響設計，所有觀眾皆處在同一個屋簷下，觀眾席如同葡萄園般由舞台四周錯落展開，享受相同的音場，因此聲響均等優美。

從細部來看，「材質」平坦而堅硬的表面能反彈聲音、柔軟的表面可吸收聲音，粗糙的表面則會將入射的聲波散射。在牆壁和天花板上裝設經特別設計的嵌板，就能使聲音在抵達你的耳朵之前，先被調整並優化^[3]。藉由空間整體的設計，能讓迴響成為小精靈，締造優美的聲學空間。

迴響時間過長，對聆聽語音是個壞消息⋯⋯

美國國家標準協會（American National Standards Institutes, ANSI）於 2002 年建議迴響時間（Reverberation Time）少於 600 毫秒（= 0.6 秒）有最佳的語音理解和學習。在安靜的情境中，如果反射回來的語音較早抵達聽者的耳朵，則原聲和迴響會在聽覺系統裡整合，可能提升語音辨識度（Speech Recognition）；而較晚抵達的迴響，則不會與原聲有加成的作用，反而會遮蔽或模糊原本的聲音，而使語音辨識表現下降。除了語音辨識度之外，也可能因聲音的失真，而使聆聽變得費力。

聆聽費力度（Listening Effort）為一更敏感的指標，在一些迴響時間過長的情境中，即使語音辨識度沒有下降，但聆聽者可能因著迴響，而使聆聽造成負擔，或進一步使記憶或理解力下降^[5]，相關文章可以參考連結。因此，迴響時間過長，會提高語音辨識的難度和增加聆聽費力度。

善用科技，讓聽損者輕鬆聽清楚

一般人在有迴響的地方聽講可能會覺得比較不清楚或費力，而對於有聽力損失的人來說，會更容易受到迴響的不利影響^{[4] [6]}。因此，許多配戴助聽器或人工電子耳的聽損者，在聽講或聲音環境較為複雜的地方會搭配使用輔助聆聽裝置（Assistive Listening Device），如Ｔ線圈（Telecoil，又稱 T-coil）、藍芽及數位遠端麥克風等。此類裝置可將聲音訊號轉換，以無線的方式傳輸至助聽器／人工電子耳，來克服環境中迴響的干擾或距離因素，幫助聽損者聽得更清楚也更輕鬆^{[1] [2]}，相關文章也可參考連結。

綜言之，迴響在不同的聲學空間會產生不同的效應：在設計不良的空間會產生聽覺上的干擾，而在好的聲學空間則能使聆聽成為一種享受；另外，藉著輔助聆聽裝置也能幫助我們克服迴響等外部因素而有好的聆聽！

1. 吳彥玢（2019）。助聽器使用者使用數位遠端無線麥克風系統與動態調頻系統之比較〔未出版之碩士論文〕。國立台北護理健康大學語言治療與聽力研究所。
2. 林郡儀、張秀雯（2016）。校園聽覺環境及聽覺輔具之應用發展。輔具之友，39，29-34。
3. 凌美雪（2018年08月14日）。鞋盒式或葡萄園式、柏林愛樂黃金之音怎麼聽？自由時報。ltn.com.tw。
4. Brennan, M. A., McCreery, R. W., Massey, J. (2021). Influence of Audibility and Distortion on Recognition of Reverberant Speech for Children and Adults with Hearing Aid Amplification. Journal of the American Academy of Audiology, 33, 170-180. Doi: 10.1055/a-1678-3381.
5. Picou, E. M., Gordon, J., Ricketts, T. A. (2016). The Effects of Noise and Reverberation on Listening Effort in Adults With Normal Hearing. Ear and Hearing,37(1), 1-13. Doi: 10.1097/AUD.0000000000000222.
6. Xu, L., Luo, J., Xie, D., Chao, X., Wang, R., Zahorik, P., Luo, X. (2022). Reverberation Degrades Pitch Perception but Not Mandarin Tone and Vowel Recognition of Cochlear Implant Users. Ear and Hearing, 43(4), 1139-1150. Doi: 10.1097/AUD.0000000000001173.

人類的音樂比任何樂器都古老

早在我們雕刻象牙或骨頭之前許久，肯定已經使用聲音戲耍出旋律、和聲與節奏。現代人類所有族群都會唱歌、演奏樂器和舞蹈。

這種普遍性意味著我們的祖先早在發明樂器以前，已經是音樂的愛好者。如今所有已知的人類文化之中，音樂都出現在類似情境裡，比如愛情、搖籃曲、治療和舞蹈。這麼說來，人類的社會行為通常少不了音樂。

化石證據同樣顯示，五十萬年前的人類已經擁有能發出現代口語和歌聲的舌骨。因此，在我們製造樂器之前幾十萬年，人類的喉嚨就已經能夠說或唱出語句或歌詞。

口語和音樂何者先出現，目前還無從確定。其他物種也具有感知語言和音樂所需的神經組織，顯示我們的語言和音樂能力只是原有能力的精緻化。

左右腦的劃分

人類以左腦處理口說語言（其他哺乳類或許也是在同樣的部位處理同類的聲音），其他聲音則是傳送到負責處理音樂的右腦。或許左右腦共同處理，左腦利用聲音在不同時間呈現的細微差異理解語義和語法，右腦則用音頻的差異來捕捉旋律和音色等細節。

但這個劃分並非絕對，顯示語言和音樂之間沒有明確的分隔線。語言的抑揚頓挫和音韻會啟動右腦，歌曲的語義內容卻是點亮左腦，那麼，歌曲和詩文讓我們左右腦的運作相互交織。

所有的人類文化都有這種現象，都將文字融入歌曲裡，而口說語言的意義有一部分來自語言本身的音樂性。在嬰兒時期，我們根據母親聲音的速度和音頻辨識她。成年以後，我們用音頻、拍子、力度、音質和音調傳情表意。

在文化的層面，我們結合音樂和語言，將最珍貴的知識傳遞下去：澳洲的歌行（song line）；中東與歐洲的禱文吟誦、聖歌和詩篇；桑族（San）入神舞的「呼喊敘事」；以及全世界不同族群各異其趣的詠唱方式。

這麼說來，器樂（instrumental music）性質特殊，跟歌曲和口語有所區分。它是一種完全脫離語言的音樂。最早的製笛師也許研究出如何創造超越語言特性的音樂。在這方面，他們或許跟其他動物找到了共通性。

動物們也有音樂和語言

昆蟲、鳥類、蛙類和其他物種的聲音也許有自己的文法和句式，卻肯定不屬於人類語言的範疇。如果器樂確實讓我們感受到超越語言或先於語言的聲音，那麼這是一種矛盾的體驗。

人類對工具的使用為時不久又獨一無二，透過這樣的活動，我們超越語言，體驗到聲音的含義與細節。我們的動物親族或許仍然這樣體驗聲音，演化成為人類之前的祖先肯定也是。器樂或許帶領我們的感官回到工具和語言出現之前的體驗。

打擊樂的出現可能也早於口語或歌曲。由於鼓的材質多半是生活中常見的皮革或木頭，不耐久存、容易腐朽，考古學上的證據因此相當稀少。已知最早的鼓只有六千年歷史，出現在中國，但人類打鼓的歷史應該久遠得多。

在非洲，野生黑猩猩、倭黑猩猩和大黑猩猩都使用鼓聲做為社交信號。這些猩猩表親使用雙手、雙腳和石頭敲擊身體、地面或樹木的板根。

這意味著我們的祖先可能會擊鼓，或許用來傳達身分或領域訊息，在此同時凝聚成團結合作、節奏一致的群體。相較於其他類人猿，人類鼓聲的節拍更有規律，也更精準。有趣的是，對許多黑猩猩族群而言，用石塊敲擊樹木可說是一種儀式。

黑猩猩會選擇特定樹木，在選定的每個地點疊出石堆。牠們不但把石頭存放起來，還會將它們拋或扔向樹木，發出砰或喀嗒聲。牠們敲擊樹木時，通常一面發出洪亮的「噓喘」，一面用手腳擊打樹幹。那麼，黑猩猩和人類都會將敲擊聲、嗓音、社會展演和儀式結合在一起。

這個現象告訴我們，人類音樂的這些元素，歷史比我們的物種更悠久。

最古老的緣起仍成謎

人類音樂最古老的根源究竟從什麼時間點開始，目前還是個謎，器樂與其他藝術形態之間的關係卻比較清楚。世上已知最古老的樂器，就埋葬在已知最古老的具象雕像旁，二者都來自洞穴裡人類遺跡的最底層。

它們底下的沉積層已經看不到人類的痕跡，而後，在更深處是尼安德塔人的工具。在地球上的這個位置，器樂和具象藝術同時出現，就在解剖學意義上的現代人最早抵達歐洲冰雪大地的時刻。

樂器與具象雕刻品有個共通概念，那就是物質經過三度空間的修改，可以變成活動的物件，刺激我們的感官、心靈和情感，如今我們稱之為「藝術的體驗」。笛子與雕像的並置告訴我們，在奧瑞納文化時期，人類的創意不只展現在單一活動或功能上。工匠的技藝、音樂的創新與具象派藝術彼此連結。

最早期的人類藝術也為藝術形式之間的相關性提供佐證。已知最早的繪畫是抽象的，而非具象。這些繪畫來自七萬三千年前，掩埋在南非布隆伯斯洞窟（Blombos Cave）的沉積層裡。在那個洞穴裡，有人用赭石筆在易碎的岩石上畫出交叉陰影圖案。這個圖案所在的沉積層還有其他創意作品存在，比如貝殼珠子、骨錐、矛頭和赭石鐫刻的作品。

只是，現階段的紀錄顯示，德國南部洞穴立體藝術品製作工藝發展的速度，可能與使用顏料的具象藝術不一樣。笛子和小雕像似乎沒有經過刻意著色，它們所在的洞穴也沒有壁畫裝飾。在這個地區，要等到更後期的馬格達連文化（Magdalenian，大約這些笛子出現後再經過兩萬年），才有明顯以赭色顏料塗畫的岩石裝飾。

歐洲另一個奧瑞納文化遺址、西班牙北部的埃爾卡斯蒂洞窟（El Castillo），發展軌跡卻是不同。洞穴裡的圓盤壁畫時間超過四萬年，在同一面牆壁上有個三萬七千年前的手掌圖案。不過，據我們目前所知，這個時期在這個地區並沒有立體藝術創作。

同樣的，蘇拉威西洞穴的具象壁畫也跟任何已知雕刻作品無關。這些差異透露的，是考古紀錄有欠完整，而不是人類藝術的發展歷程。目前看來，立體藝術作品（雕像與笛子）最早發展的時間和地點似乎與繪畫不同。

見證音樂的悠久歷史

這段悠久的歷史重塑我們對更近期藝術的體驗。望著舊石器時代的笛子和小雕像，我想到大英博物館、紐約大都會藝術博物館和羅浮宮的人潮。有時我們會排隊幾小時，只為了看一眼人類藝術與文化的重要時刻。但在德國鄉間這座小博物館裡，我們見識到藝術更深遠的根源。

我張開雙臂。假設我雙手之間的距離是已知人類音樂與具象藝術存在的時間，冰河期的笛子和雕刻品的位置會在我左手指尖，跟蘇拉威西的洞穴壁畫一起。各大博物館裡的主要藝術品的位置則在我右手伸直的指尖，是過去一千年來的產物。

這絕不代表過去幾百年來的藝術創作不重要，相反的，紀錄遠古人類精湛藝術的遺址和博物館既與更近期的作品相得益彰，也為人類的藝術創作尋根溯源。藝術在與每個地區的動物和環境的關係中誕生，又藉著舊石器時代人類的高超技藝與想像力向上提升。

——本文摘自《傾聽地球之聲》，2022 年 11 月，商周出版，未經同意請勿轉載。