你到底有多愛我？

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／朱家瑩｜雅文基金會聽語科學研究中心研究員

懷孕的準媽媽總是想要給寶寶最好的，讓肚子裡的胎兒贏在起跑點——市面上五花八門的胎教音樂，通通拿來給胎兒聽！據傳，莫札特的音樂能讓胎兒剛出生智力就高人一等^[1]，於是準媽媽選擇了莫札特的《小星星變奏曲》。為了讓肚裡的胎兒好好接收到音樂，準媽媽直接將耳機貼在肚皮上，讓聲音少些阻隔，能夠直達胎兒的耳邊。但是請小心，這樣的音量可能過大，很可能會造成胎兒的聽力損失。

從媽媽的肚子裡開始「聽」

在肚子裡的胎兒，因為隔著媽媽的肚皮、子宮、羊水和甩也甩不掉的脂肪，不僅聽到的音頻較不完整，且音量也小了許多。但，即便有宛如銅牆鐵壁般的保護，若讓胎兒長時間暴露在高於 60 分貝（dBA）的低頻噪音下，仍可能會造成寶寶的聽力損失^[2]。

什麼？胎兒也可能會有噪音性聽損？那什麼時候該開始注意周遭的聲音，避免讓胎兒還未出生就因噪音而聽損呢？在討論前，先讓我們瞭解一下胎兒的聽覺系統發展。

就像國道建設，聽覺系統也是一段一段接起來

讓我們聽到聲音的聽覺系統分為兩個部分：一個是接收聲音的耳朵構造，包含外耳、中耳及內耳中的耳蝸；另一個則是在大腦中處理聲音的訊號的聽覺皮質（auditory cortex）。

耳朵構造的發展很早就開始了。從第一孕期（0-14 週）開始，大約在 15 週時就會發展完成，而內耳毛細胞則是在 10-12 週開始分化；大約在第二孕期開始，依序由內毛細胞發展到外毛細胞^{[2, 3]}。當內毛細胞發展完成，可以將聲音訊號傳遞到腦幹及顳葉時，聽覺系統就可以開始運作了，這時候大約是 25 到 29 週^[4]。內毛細胞是聲音的接收器，連結著聽神經，聲音刺激引發內毛細胞震動後，就可將聲音傳輸到可以處理聲音訊號的聽覺皮質。

因此，當內毛細胞發展完成後，也就是第三孕期（28-40 週）時，聽覺系統開始運作。這時胎兒可以藉由耳毛細胞傳遞訊號到大腦，進而聽到聲音。

胎兒也需要聽覺刺激——沒刺激就沒發展

聽覺系統的發展仰賴聽覺刺激來訓練毛細胞傳達訊息到大腦。因此，當聽覺系統開工後，便需要有聲音刺激來訓練毛細胞。文獻指出，懷胎 7 月起到出生 1 個月內，是讓胎兒學習不同聲音頻率的最佳時機^[5]！不管是父母的說話或哼唱聲、環境中的講話聲，或是音樂，都是很好的刺激來源。

揪兜媽爹！聲音不是「大」又「多」就好

不過，要特別注意音量以及給予的方式，因為胎兒的耳毛細胞還很脆弱，有可能會因為過大且持續的聲音刺激造成聽力損失，得不償失。

我們大多是透過空氣傳遞的方式聽到聲音，但肚子裡的胎兒可不一樣。外界聲音要先穿透媽媽厚厚的肚皮、子宮跟羊水才能抵達（可以想像在水裡摀著耳朵聽聲音）。因為耳朵都被羊水塞住了，胎兒是透過骨頭傳遞的方式聽聲音，能聽到的僅限於低頻音域（500 Hz 以下），如此可以保護負責處理高頻聲音的耳毛細胞^[2]。但是，超過 60 分貝（dBA）的低頻噪音還是應該要避免，否則就會造成還在學習傳導訊息的耳毛細胞受到傷害，進而造成不可逆的聽力損失。

動滋動滋，媽媽肚子自動強化重低音

低頻噪音可以輕易穿透媽媽的肚子，聲壓不僅不會減少，甚至可能會增加，容易造成胎兒的耳毛細胞受到傷害。相對地，高頻噪音（500 Hz 以上）則很難進到胎兒的內耳，而且一旦進入媽媽的肚子後，還會減少 20-30 dB 的聲壓^[6]，因此低頻噪音對於胎兒的影響遠大於高頻噪音。

除此之外，也要注意工作環境和生活環境中的噪音。研究指出，若準媽媽的工作場域暴露在 80 分貝（dBA）的噪音當中，除了會造成胎兒聽損外，也容易早產^[7]；而若生活環境吵雜，像是住家靠近機場，每天暴露在 60 到 65 分貝（dBA）的飛機噪音中，也容易造成胎兒出生體重過輕^[8]。由此可見，噪音對於胎兒的影響不僅是聽力發展！

聲光玩具可以是最佳保姆，但也可能是聽力殺手

聽覺系統的發展在出生後仍然持續進行^[10]，因此仍然需要不同的聲音刺激。不過，市面上常見的聲光玩具，對於嬰幼兒的聽力有潛在的危險性，所以挑選玩具時也需多多留意。

嬰幼兒的鼓膜對於噪音很敏感，因為他們的耳道比大人短，再加上嬰幼兒的手臂長度較短，在玩玩具時，玩具和耳朵的距離比大人近，音量也會相對大聲^[11]。對於年紀更小的嬰幼兒，有些甚至還沒有能力將過大音量的聲光玩具移開，同時也沒有足夠的認知能力可以辨識什麼樣的聲音音量是屬於太大聲的噪音^[12]。

根據 Sight & Hearing Association 2021 年的調查報告^[13]，下圖舉例的玩具音量皆超過 100 分貝（dBA）。可以看到玩具的種類包含尖叫雞、電子樂器、聲光機器人，甚至是音效書。

選購玩具時，若音量對你來說有點大聲，那就不要猶豫，請把它放回架上。尚未拆封的玩具因有包裝阻隔，會再降低一些音量——要是你覺得大聲，那對嬰幼兒更是震耳欲聾^[14]。若是手邊已經有聲光玩具，也不用急著丟掉，可以用膠帶貼住喇叭，降低音量^[15]，或者直接拔掉電池^[16]。

聽覺系統自胎兒時期開始發展，因此當寶寶開始聽得到聲音時，就要避免持續性的噪音可能造成的聽力損害，而噪音的來源可能就是身邊常見的聲源，包含胎教音樂跟聲光玩具等。這些被視為「好」的聲音，一旦超過可容忍的音量，就會變成「不好」的噪音了。

參考文獻

1. Rauscher, F. H., Shaw, G. L., & Ky, C. N. (1993). Music and spatial task performance. Nature, 365(6447), 611-611.
2. Graven, S. N., & Browne, J. V. (2008). Auditory development in the fetus and infant. Newborn and infant nursing reviews, 8(4), 187-193.
3. James, W. (2000). Development of the ear and hearing. Journal of perinatology, 20(1), S12-S20.
4. Moore, J. K., & Linthicum, F. H. (2007). The human auditory system: A timeline of development. International Journal of Audiology, 46(9), 460–478. 
5. Kisilevsky, B. S., Hains, S. M., Lee, K., Xie, X., Huang, H., Ye, H. H., … & Wang, Z. (2003). Effects of experience on fetal voice recognition. Psychological Science, 14(3), 220-224.
6. Gerhardt, K. J., & Abrams, R. M. (2000). Fetal exposures to sound and vibroacoustic stimulation. Journal of Perinatology, 20(1), S21-S30.
7. Gupta, A., Gupta, A., Jain, K., & Gupta, S. (2018). Noise pollution and impact on children health. The Indian Journal of Pediatrics, 85(4), 300-306.
8. Knipschild, P., Meijer, H., & Sallé, H. (1981). Aircraft noise and birth weight. International Archives of Occupational and Environmental Health, 48(2), 131-136.
9. Committee on Environmental Health. (1997). Noise: a hazard for the fetus and newborn. Pediatrics, 100(4), 724-727.
10. Litovsky, R. (2015). Development of the auditory system. Handbook of clinical neurology, 129, 55-72.
11. Hellstrom, P. A., Dengerink, H. A., & Axelsson, A. (1992). Noise levels from toys and recreational articles for children and teenagers. British journal of audiology, 26(5), 267-270.
12. Axelsson, A. (1996). The risk of sensorineural hearing loss from noisy toys and recreational activities in children and teenagers. International Journal for Consumer and Product Safety, 3(3), 137-146.
13. Sight & Hearing Association (2021). Sight & Hearing Association Releases 2021 Annual Noisy Toys List.
14. Jabbour, N., Weinreich, H. M., Owusu, J., Lehn, M., Yueh, B., & Levine, S. (2019). Hazardous noise exposure from noisy toys may increase after purchase and removal from packaging: A call for advocacy. International Journal of Pediatric Otorhinolaryngology, 116, 84-87.
15. Weinreich, H. M., Jabbour, N., Levine, S., & Yueh, B. (2013). Limiting hazardous noise exposure from noisy toys: simple, sticky solutions. The Laryngoscope, 123(9), 2240-2244.
16. Zappi, R. E. (2021). Watch for Holiday Toys That Can Pose a Hearing Hazard.

• 文／邱彥哲｜雅文基金會聽語科學研究中心助理

馬路旁停著一台沒有熄火、引擎正在運轉的車，另一側站著一位警察，正在吹哨指揮交通。你覺得哪個聲音「聽起來」比較清楚呢？你會發現，高亢的哨音比較大聲，而且清楚；而低沉的引擎聲，似乎又小聲又模糊。雖然這只是舉例，卻也是我們的生活經歷。想知道背後的原因嗎？請繼續看下去，讓我們一起揭開聽覺感知的神秘面紗。

你真的知道「聲音」是什麼嗎？

在認識聽覺感知之前，我們要先從聲音本質講起。我們都知道，以物理的角度來說，聲音是一種振動能量。物體藉由重複性的移動產生振動，振動影響周圍介質（一般來說是空氣），介質粒子會因疏密變化而產生壓力，最後形成波的型態，將能量傳遞出去。聲波振動有兩種性質：一個是頻率（Frequency），也就是一秒內振動的次數，以赫茲（Hertz, Hz）作為單位；另一個是音強（Intensity），與聲波的振幅有關，也可以說是振動產生的氣壓大小，專業上會以「力」的單位「每平方公尺多少牛頓（Newton, N; N/m²）」來標示。

然而，直接使用牛頓標示音強，數值範圍會過大，也較不直觀，所以通常會將此數值轉換為我們常見的「分貝」（decibels, dB）來表示。在這裡，我們只要知道分貝數大小表示聲音物理上的強度就可以了。讀到這行，強烈的睡意是否已經襲來？先等等！聲音還有你不為人知的一面。

分貝比較大，聽起來卻比較小聲？

換個角度，從人類感知的面向來講，上述物理現象，其實可以對應到我們常說的「音高」跟「音量」：頻率對應音高，通常頻率越高，音高越高；音強對應音量，通常音強越大，音量越大。但是，上面說的只是「通常」的情況。實際上，事情不是我們想的那麼簡單。

我們可以把人類的感知能力當作一面濾鏡，當外界刺激進入感知範圍後，事物的邏輯就可能會產生新的樣貌。拿前面的「音量」來說，並不是在所有情況下，音強大的聲音，聽起來就真的比較大聲；因為聲音還同時有頻率的性質，所以在感知音量時，也會受到頻率的影響。

咦？也就是說，一個音強比較大的聲音，聽起來可能會比較小聲嗎？沒錯！同樣音強，但不同頻率的聲音，就聽覺感受來說，音量聽起來確實可能會不一樣。那麼，人類感知音量的全貌，究竟是什麼樣子呢？

音量感知的秘密──等響曲線

首次針對這類議題探討的，是物理學家 Fletcher 及 Munson (1993)。他們研究的背景是在 1933 年。當時，對於音量大小的描述，還停留在使用樂理強弱符號（如：p, piano, 表示「弱」; f, forte, 表示「強」）的相對概念。他們意識到，即使都用「強」來描述某個聲音，大家的感受卻不盡相同。於是他們進行實驗，運用數學方法，繪製出一張曲線圖，被後人稱為弗萊徹–蒙森曲線（Fletcher–Munson Curves），也就是「等響曲線（Equal-Loudness Curves）」的概念原型。

這張圖被後來的研究者不斷修正，直到 2003 年，國際標準化組織（International Organization for Standardization, 簡稱 ISO）發表最新版本「ISO 226：2003」。有了這張圖，音量感知的秘密就昭然若揭了──等響曲線堪稱人類音量感知的「鳥瞰圖」！

心理感受的「音量」 ≠ 物理實際的「音強」

看不懂這張圖嗎？沒關係，且讓我娓娓道來。在此之前，我們要先了解「響度」的概念。在心理聲學領域，研究者會使用響度來表示我們一般所說的音量，並以「方（Phon）」作為響度的單位。方是什麼呢？簡單來講，就是一個聲音以 1,000 赫茲純音為參考音的主觀音量大小（Howard & Angus, 2017）。舉例來說，40 方表示 1,000 赫茲的純音，以音強 40 分貝播放時，所聽起來的音量大小；若是 60 方的話，則是 1,000 赫茲純音，以音強 60 分貝播放時，所聽起來的音量大小。

有了響度的概念，我們回頭看圖，會發現在等響曲線圖中，40 方的曲線從 1,000 赫茲往低頻區間延伸時，分貝數會逐漸上升。這就是說，如果兩個聲音要聽起來一樣大聲（響度／音量），100 赫茲聲音的分貝數（音強）需要比 1,000 赫茲來得大才有辦法。換個角度解釋，物理上同樣是 60 分貝（音強）的聲音，在 100 赫茲上，我們聽起來差不多僅是 40 方響度（音量）的聲音大小，但在 1,000 赫茲時，聽起來卻會更大聲。

聽起來是不是有點複雜呢？其實，你只要記住以下兩點即可：

1. 等響曲線圖中，同一曲線所經之處，聲音響度／音量（聽起來）都是相等的。
2. 人類音量感知對 1,000 赫茲附近的頻率特別敏感（聽起來特別大聲）。

現在，你知道為什麼低頻引擎聲會聽起來那麼模糊了吧？這時候你可能會說：「喔，我知道了。但這跟我有什麼關係呢？」有的，這和你荷包的關係可大了！

等響曲線的日常應用──聲音照相

你知道政府已經在 2021 年開始進行「聲音照相」（張雄風，2020）執法了嗎？所謂「聲音照相」，是指行經規定路段的車輛，如果超過指定分貝，就會被裝有噪音計的「聲音照相機」紀錄下來，進行開罰。你可能想問：「蛤？用噪音計量一量就要罰我，有沒有道理啊？」有呢！噪音計可是為我們量身訂做的喔！

根據《噪音管制法》訂定之《噪音管制標準》第二條之二（2013），「音量：以分貝（dB（A））為單位，括號中 A 指在噪音計上 A 權位置之測量值。」也就是說，噪音計在量測到噪音時，要以「分貝（A）」為單位。我相信你聽過分貝，但沒想到分貝還有分 A、B、C？

其實，所謂的分貝（A）指的是「針對原始分貝值進行 A 加權」後的結果，而「A 加權」其實就是模擬等響曲線中的 40 方曲線。進行 A 加權的過程，是將噪音低頻區間的分貝數減少，再少量增加中高頻區間的分貝數（王栢村，2018）。因為噪音計最後呈現的數值，是所有頻率區間的平均結果，若是不經過 A 加權，低頻區間的數值會使整體分貝數過度膨脹，這樣「測起來」就會跟「聽起來」不一樣了。可見噪音不是隨意測量，要罰人民的錢也不是那麼容易的呢！

閱讀至此，我們了解到，人類對於不同頻率的聲音，有著不同的音量敏感度，而且聲音也能從心理感知的角度來觀察。再者，等響曲線除了揭露音量感知的神秘面紗，還實際在社會秩序中發揮作用，可見等響曲線是多麼重要的發現啊！ 

參考文獻

• 王栢村（2018）。《振動噪音科普專欄》聲音壓力位準 dB 和 dB（A）有甚麼不同？。振動噪音產學技術聯盟。
• 張雄風（2020）。聲音照相 110 年元旦上路 違規最高罰 3600 元。中央通訊社。
• 噪音管制標準（2013）。
• Fletcher, H., & Munson, W. A. (1933). Loudness, its definition, measurement and calculation. Bell System Technical Journal, 12 (4) , 377-430.
• Howard, D. M., & Angus, J. A. (2017). Acoustics and psychoacoustics. Routledge.