睡著了也能殺人？—《邊做夢邊冒險：睡眠的科學真相》

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

睡覺的時候，感覺有人手伸入她的睡褲，輕撫腹部。^{[1, 2]}女子睜開雙眼。輕聲喚不醒身旁的男友，轉而大叫他起來開燈。突然亮起的光線下，一個約莫 178 公分高，85 公斤重的男人，站在床尾，自稱是對面鄰居。^[1]

感恩節週末

2006 年，38 歲的 Mark Bonnstetter 跟著懷孕的太太回娘家，^{[1, 2]}期間第 3 個小孩誕生。全家多待一週後，^[1]只有於東伊利諾大學（Eastern Illinois University）擔任首席運動傷害防護員的他，^{[1, 3]}因為工作而提前在感恩節週末，回到伊利諾州 Charleston 市的 Woodfield 巷。^{[1, 2]}返鄉過節的左右鄰居趁便請託，要他每日代為開燈，佯裝屋主在家，以防宵小。^[1]

11 月 25 日那天，^{[1, 2, 4]}Bonnstetter 晚上 6 到 9 點要工作。假期夜間照顧孩子，害他缺乏睡眠，還未及補足。逼得 Bonnstetter 早餐喝 2 杯咖啡；9 到 11 點再 2 杯；下午飲用 2 瓶 Diet Cokes；上班時又灌了大量 Diet Pepsi，好不容易才撐到收工。回到家即便不早，他仍記得幫忙鄰居點燈。終於就寢，卻沒睡好。凌晨 3 點醒來，睡著之後，又被聲音吵醒。^[1]

循著噪音的源頭，Bonnstetter 望向窗外：對面沒有請他看家的那戶，燈亮著，前門微開。心懷守望相助的責任感，Bonnstetter 前去查勘。進入屋內，巡過一個又一個房間，關掉廚房的燈，再往主臥室走…。^[1]

他聽到女性微弱的說話聲，變成喊叫。房裡的燈光，瞬時明亮。Bonnstetter 被請離，走著、走著，流連於廚房。女子不得不親自把人領到門口，再目送他跨過馬路返家。Bonnstetter 躺回床上，一覺天光。醒來後，整個過程忘得乾淨，照常出門上班。另一邊，女子的母親回來，聽說此事，通報警方。^[1]

夢遊病史

Bonnstetter 跟他哥，童年時共睡一房。除了爸媽之外，兩人也是彼此夢遊（parasomnia；sleepwalking）的目擊者。^[1]兒童夢遊的人口比例，較成年人高：學齡前約有 1%；學童則為 2% 左右。發生的頻率，通常一週幾次。少數成人受藥物或酒精影響，抑或是睡眠品質不佳時，也會夢遊。^[5]Bonnstetter 雖然沒酗酒，但是妻子與岳父母，卻不時見他在夜間晃蕩。有一回到外地參加體育賽事，住同個旅館房間的醫師，發現 Bonnstetter 迷糊地邊走邊咕噥。安全起見，還特別知會當地警方。^[1]

以往頂多是在屋裡「巡邏」，或探查窗外情況，Bonnstetter 的動機似乎出於保護家人，避免他們被不存在的危險傷害。這算是成人夢遊的典型之一。^[1]眼神呆滯地四處走動之餘，有些人還會執行複雜的動作，像是進食、說話或者操作機器。^[6]Bonnstetter 就偶爾會無厘頭地搬弄物品，例如：溫柔地把時鐘擺在嬰兒床上。過去不管是哪種情形，結果都無傷大雅。然而感恩節的意外，竟破天荒地鬧成了刑事案件。^[1]

逮捕、起訴

11 月 28 日，Bonnstetter 遭警察逮捕。^[2]他放棄保持緘默的權利，反覆否認性侵，只想向受害者致歉。原以為基於先前醫師通報的夢遊紀錄，警方能理解並放人，^[1]沒想到 12 月 11 日 Bonnstetter 還是被起訴了。^[2]據說罪名包括非法入侵、性侵，以及蓄意強姦未遂。^[1]另一說是沒有被控性侵，但加上侵入竊盜。^[4]

睡眠檢查

Bonnstetter 的律師建議他做睡眠檢查（polysomnography；sleep study）。^{[1, 2]}廣義來說，涵蓋睡覺時的腦波、血氧、心律、呼吸，以及眼睛和腿的活動等；^[7]而這裡大概會著重能提出證據的項目。Bonnstetter 最先拜訪的睡眠實驗室，聽說官司進行中，便拒絕了。於是，他改去若許大學醫療中心（Rush University Medical Center），找專治睡眠障礙的神經科醫師和心理師。^[1]

2007 年 8 月 16 日的檢查報告，指出 Bonnstetter 罹患輕微的姿勢阻塞型睡眠呼吸中止症候群（positional obstructive sleep apnoea syndrome），^[1]也就是躺著比較吸不到氣，側睡會好得多。^[8]隔天計劃要再現出事那天的條件，攝取過多咖啡因，然後觀察睡眠。然而，這種作法須要大學研究委員會核可，訴訟在即，Bonnstetter 跟太太絕不能等。^[1]

夢遊的條件

該醫療中心，受辯護律師委託出庭作證的 Rosalind Cartwright 醫師，手邊數據不足，只好拿既有資料，比對診斷標準。^[1]睡眠有 4 個階段，前 3 個從 N1 到 N3，為非快速動眼期（non-rapid eye movement cycle；NREM）；末了的則是快速動眼期（rapid eye movement；REM）。^{[9, 10]}一般人每晚會以 N1、N2、N3、N2、REM 的順序，重複 4 至 5 輪。^[9]典型的夢遊，起始於剛入睡的幾小時，即非快速動眼期的N3。^{[6, 9]}Bonnstetter 不確定意外當天何時就寢，僅從下班時間和幫鄰居點燈等，估計應該是午夜。他可能3點和之後各醒來一次。而根據被害人的說法，Bonnstetter 約莫於早上 4 點半至 5 點之間，擅闖民宅。由此或許能勉強推測，事發時間在第二輪的非快速動眼期。^[1]

為求更精確的診斷，Bonnstetter 睡眠檢查的光碟，被送往史丹佛大學（Stanford University）。該校以Christian Guilleminault 為首的 3 名醫師，於 2008 年 3 月 3 日的報告裡，寫道Bonnstetter整晚的第一輪非快速動眼期，腦部慢波活動較一般的平均值低。文獻指出，若再加上下列兩個條件，就有可能導致夢遊：^[1]

1. 之前的睡眠剝奪，讓現在更需要慢波睡眠（slow-wave sleep），^[1]也就是非快速動眼期的 N3。^[9]的確，感恩節那幾天，Bonnstetter 沒睡飽，迫切渴求補眠。^[1]
2. 有某個同步的刺激，提升從慢波睡眠醒來的機會。事發前 Bonnstetter 在 14 個鐘頭內，攝取 826 毫克的咖啡因。咖啡因會阻斷腺苷受器（adenosine receptors），睡眠剝奪後，緩慢接收 600 毫克，就足以促進清醒。甚至有研究認為，夢遊時的暴力行為，跟過量的咖啡因有關。好在他敦親睦鄰，沒有大打出手。至於輕微的睡眠呼吸中止症候群，也是會使他醒來的原因之一。^[1]

除此之外，Bonnstetter 在非快速動眼期，睡睡醒醒的循環交替異常頻繁，是夢遊者典型的症狀之一。^[1]

無罪釋放

2007年初，東伊利諾大學的實習刊物《每日東部新聞》（The Daily Eastern News），質疑 Bonnstetter 何以持續任職，還討論他是否曾與運動員單獨接觸。文章內容鉅細靡遺，不僅有律師和學校多位主管的名字，連被告與受害者的完整住址，都寫得一清二楚。^[2]想必在校內及附近社區，掀起軒然大波。

2008 年 10 月 24 至 27 日，案件開庭。^{[1, 11]}辯護律師以圖表說明，夢遊者跟正常人在非快速動眼期的慢波差異。陪審團專注聆聽，Bonnstetter如何意識矇矓地誤闖民宅。檢察官則以Bonnstetter在燈亮後，還能自我介紹為由，駁斥此番論述。律師隨即強調夢遊後的失憶，證明被告當時的精神狀態不佳。雙方一來一往，嚴密攻防。^[1]26日《每日東部新聞》立場轉變，大量引用Rosalind Cartwright醫師等專家證人的說法，解釋夢遊的可能性。^[4]27日，陪審團採信醫學證據，在傍晚6點做出無罪判定。^[11]

洗清冤屈的Bonnstetter，後來繼續在原部門服務，並逐步升遷。^[3]Rosalind Cartwright和Christian Guilleminault醫師，則於2013年7月的《臨床睡眠醫學期刊》（Journal of Clinical Sleep Medicine）上，介紹此案背後的學理根據。^[1]

1. Cartwright RD, Guilleminault C. (2013) ‘Defending sleepwalkers with science and an illustrative case’. Journal of Clinical Sleep Medicine, 9(7):721-6.
2. Daniels M. (12 JAN 2007) ‘Bonnstetter working despite charges’. The Daily Eastern News, Eastern Illinois University, U.S.
3. ‘Mark Bonnstetter’. The Eastern Illinois Panthers, Eastern Illinois University, U.S. (Accessed on 14 NOV 2023)
4. Di Benedetto S. (26 OCT 2008) ‘Doctor says Bonnstetter was likely sleepwalking’. The Daily Eastern News, Eastern Illinois University, U.S.
5. ‘Parasomnias: Sleepwalking’. Johns Hopkins Medicine. (Accessed on 15 NOV 2023)
6. American Psychological Association. ‘Sleepwalking Disorder’. APA Dictionary of Psychology. (Accessed on 15 NOV 2023)
7. ‘Polysomnography (sleep study)’. (17 FEB 2023) Mayo Clinic.
8. Srijithesh PR, Aghoram R, Goel A, et al. (2019) ‘Positional therapy for obstructive sleep apnoea’. Cochrane Database Systematic Review, 5(5):CD010990.
9. Patel AK, Reddy V, Shumway KR, et al. (07 SEP 2022) ‘Physiology, Sleep Stages’. In: StatPearls. Treasure Island (FL): StatPearls Publishing.
10. Newsome R, Singh A. (15 May 2023) ‘Slow-Wave Sleep’. Sleep Foundation.
11. Mellendorf K. (27 OCT 2008) ‘Bonnstetter found not guilty’. The Daily Eastern News, Eastern Illinois University, U.S.

• 作者 / 蓋伊・萊施茨納（Guy Leschziner）
• 譯者 / 郭庭瑄

賈姬的症狀已經持續了數十年。她在英國出生，於加拿大長大，在那裡，她第一次明顯出現夢遊的現象。「我會走到樓下的客廳，打開門，然後站在門口。我父母就在那裡。」她解釋自己半夜夢遊的行為。「嗯，我母親嚇壞了，但我父親只是牽著我的手上樓，送我回床上睡覺。就這樣。幾乎是從我會走路後就一直有這種狀況。」

加入女童軍後，賈姬奇怪的夜間行為開始帶來負面的影響。不用說，其他女孩都不太想跟她睡同一個帳篷。而在加拿大的荒野中，她的睡眠行為格外令人尷尬。「我會發出類似低吼、咆哮的聲音，」賈姬說。「而且不是小聲的那種。我猜她們大概覺得有熊追過來吧。我很常這樣大聲咆哮，她們都被我嚇到，不想睡在我旁邊。」不僅如此，她在監督活動的大人眼中同樣是個麻煩人物。「我會在半夜起床，一直走到河邊，或是走進森林裡。他們沒辦法應付這種情況，所以只能送我回家。」賈姬笑著跟我分享這些過往，但我想這種事對當時還是個孩子的她一定造成很嚴重的衝擊，或許會讓她變得有點孤立，出現社會隔離的傾向。

對身為父母的人來說，賈姬有些夜間行為聽起來想必很耳熟。夢遊及相關問題在兒童身上非常常見。其中對父母而言（不是孩子喔），最折磨、最痛苦的就是夜驚（sleep terrors）。孩子會在半夜撕心裂肺地大哭大叫，接著倒頭就睡，醒來後完全不記得發生了什麼事。這些病症全都發生在不會做夢的深度睡眠階段， 因而被稱為非快速動眼期異睡症（non-REM parasomnias）。試圖喚醒處於深度睡眠狀態的孩子極有可能會引發夢囈，甚至是夢遊的現象。

夢遊的行為通常在進入成年期後就會消失，只有大約百分之一到百分之二的人仍會出現症狀。賈姬就是其中之一。她的夢遊現象一直持續到成年初期搬回英國後，而且才剛回來不久，她的情況就出現驚人的轉折。當時賈姬借住在一位年長女性家裡，有天早上，她下樓吃早餐，房東太太卻用一個奇怪的問題向她打招呼，讓她一頭霧水。

「她問我，『你昨晚跑去哪裡啦？』」賈姬告訴我。她對房東太太說，她沒有去哪裡啊。「嗯？可是你騎機車出去耶。」房東太太又說。賈姬記得她當下第一個反應是困惑，而且非常震驚。不難想像她無法理解自己剛才聽到的一切。從她的角度來看，那天晚上她就像平常一樣上床睡覺，隔天早上就像平常一樣醒來。她立刻問房東太太她有沒有戴安全帽。「喔，有啊，你拖著沉重的腳步下樓，拿了安全帽就出門了。」房東太太隨後又補充一句，說她大概出去了二十分鐘。就這樣，沒有其他線索，因為她還分毫不差地把機車停回原來的地方。

之後同樣的情況又發生了幾次，於是賈姬便將機車鑰匙交由房東太太保管，後來就把車賣掉了。她還是很想念她的 BSA 250。「那臺很讚耶！大老遠就能聽到引擎聲了！」我跟她說，真想不到她居然沒被引擎聲吵醒。「很意外對吧？」她回答。　　

那麼，醫學科學會如何解釋賈姬的情況和這些深度睡眠中的夢遊、吼叫，甚至是騎機車等複雜行為呢？多年來，我們已經知道某些特定的動物（如海豚、海豹和鳥類）能一次只讓半邊大腦入睡，也就是所謂的「單腦半球睡眠」（uni-hemispheric sleep），這樣牠們就能邊睡邊游或邊睡邊飛。水生哺乳動物顯然要能夠游泳和浮上水面呼吸，但牠們也跟我們一樣必須睡覺休息，這個逐步演化而來的奇妙技巧不僅能防止牠們在執行這些必要功能時溺水身亡，從演化的角度來看，它也強調了深度睡眠的重要性：若深度睡眠用途不大，單半球睡眠為什麼會成為必要機制？

然而在人類的世界中，單半球睡眠並不存在。從前我們總認為睡眠是一種大腦「非開即關」的狀態，不是醒著，就是睡覺，沒有中間地帶。近幾年我們才知道，原來事情並不是這樣。深度睡眠與完全清醒分屬光譜上的兩個極端，聽起來或許很難相信，但我們確實有可能同時處於這兩種狀態。

——本文摘自《夜行大腦：從失眠、夢遊到睡眠中躁動、暴食、性交……，神經科醫生與睡眠障礙的決鬥傳奇，揭開你不知道的睡眠祕密》/ 蓋伊・萊施茨納，2021 年 3 月，臉譜出版。