Loading [MathJax]/extensions/tex2jax.js

0

2
1

文字

分享

0
2
1

色彩恆常性:你看到什麼顏色的洋裝?

謝伯讓_96
・2015/02/28 ・4927字 ・閱讀時間約 10 分鐘 ・SR值 519 ・六年級

(2019/5/7 編按)最近有張神秘鞋子的圖片再次席捲各大群組啦!有些人看到灰綠、有些人看到粉白,據說看到不同的顏色還可以測出你是右腦人還是左腦人!!??但我怎麼看都覺得這灰粉鞋子跟藍黑裙子有 87% 分像?想知道這次的「鞋子之亂」,詳見:

文/謝伯讓(謝伯讓的腦科學世界

你看到什麼顏色的衣服呢?

 

有些人看到白金相間的衣服,有些人看到藍黑相間的衣服, 下午在我的臉書專頁上做了小小的台灣網友投票統計,發現以下結果(大家可以繼續去 <這一篇> 下面留言投票,我會繼續再做統計更新)

N=162(2/28/  9:20am 前)

白金人(看到白色和金色):57

藍黑人(看到藍色和黑色):65

白金一秒瞬間發黑轉藍回不去人:12

自由人(自由轉換人):6

混血人(看到混合或其他顏色):22

反觀外國網友,Buzzfeed 上的投票所統計已達將近兩百萬人,目前(2/27/2015 晚間 6:37 以前的人數)的投票現是 72% 比 28%,有約 130 萬人看到金色和白色,53 萬人看到藍色與黑色。

問題:為什麼有些人是白金人、有些人是藍黑人呢?

看見白金或藍黑,兩者沒有誰對誰錯可言。這個現象,是因為這件衣服在照片上所呈現出來的反射亮度,有可能是來自於兩種狀。第一種:這是一件正常日照下的藍黑色衣服。第二種:這是一件因為背光而處於藍黑色陰影中的白金衣。大腦在判斷顏色時,選擇了其中一種,所以有些人看到了藍黑色衣服,有些人則看到了白金衣。

簡單版短答案:

看到藍黑色的人,是因為大腦自動無視右上角的光源,他們不認為這件衣服處於背光所形成的藍黑色陰影之中,因此,藍黑色應該是來自於衣服本身的顏色,所以,他們看到的顏色比較接近該圖的原始色像素(如以下的裙子擷圖)。

看到白金色的人,可能是因為大腦自動把圖右上角的光源納入考量。根據經驗,在亮白金色光源的背光照射下,衣服會被籠罩在藍黑色的陰影之中。如果大腦認為圖中的藍黑色是來自於陰影,就會自動反推出該衣服應該是白金色。

因為,在亮白金色光源背光照射下,白色會因為陰影而變得有點藍,因此,如果一張圖中出現藍色,那它原始的顏色就應該是白色;同樣的,在亮白金色光源的背光照射下,金色會因為陰影而變的有點暗,因此,如果一張圖中出現暗黑色,那它原始的顏色就應是金色。

科宅版長答案:

這個現象,和大腦的「色彩恆常性」和機制有關。

所謂的「色彩恆常性」(color constancy),就是大腦中「自動白平衡」機制的結果。有在玩相機的朋友都知道,相機有個「白平衡」的機制。這個機制,可以讓照片的顏色看起來自然一些。

比如下圖中的左圖,如果室內裝了黃暖燈炮,那原本純白色的蛋在順光照射下,就會因為黃暖色的照明而變成黃暖色,如果不先白平衡就直接照下去,那麼蛋在照片中的物理光譜就會變成黃暖色。反之,如果照相時可以根據當時照明的「黃暖照明」來調整色調,相機就會自動減去「黃暖色」,那麼蛋在照片中的物理光譜就會回復成純白色。

那「色彩恆常性」跟白平衡有何關係?「色彩恆常性」,可以說是大腦中的「自動白平衡」機制的結果。也就是說,只要給大腦足夠的環境資訊,例如背景光源、其他周遭物品的相對顏色,大腦就會自動作出白平衡,讓你可以感受到物體的原本顏色。

再以上述黃暖燈照下的蛋為例,如果你拿光學儀器去量測黃暖燈炮照射下的蛋,你會發現那顆蛋量起來的確是黃暖色,但是,當你用肉眼去觀察時,雖然看起來可能有些泛黃,但你仍會認為它是白色。也就是說,不管光源如何變化,你的大腦會自動把光源和其他的物體相對顏色(例如圖中的鮭魚卵)納入考量,因此無論是上圖左或右圖上的光源狀態,大腦都會得出蛋仍然是白的結論。這就叫作「色彩恆常性」。

色彩恆常性的更多圖例:

上圖中的左圖圈起處,五個色塊由左至右看起來是「藍黃紅藍綠」,上圖中右圖圈起處的五個色塊,看起來也是「藍黃紅藍綠」。即使左右兩圖的背景光源完全不同,也不影響你對這五個色塊的色彩判斷。這就是「色彩恆常性」。

更扯的是,下左圖中的藍色方塊(如下箭頭處),其實獨立出來時的光譜根本是灰色,而下右圖的黃色方塊(如下箭頭處),獨立出來時的光譜也是灰色,但是這兩個灰塊看起來卻分別變成了藍色和黃色(這還涉及了「色彩對比性」,這部份下次有機會再談…)

-----廣告,請繼續往下閱讀-----

p3

結論::為何有些人看到藍黑、有些人看到白金?

由於「色彩恆常性」,大腦會自動進行白平衡。但是這張照片似乎剛好介於大腦是否要啓動自動白平衡的臨界點。看到藍黑色的人,可能是因為大腦在觀視此圖時 「自動白平衡」機制沒有運作。

那藍黑人的「自動白平衡」機制為什麼不好好運作呢,或許,這些人(的大腦)認出了這只是張照片、無須對照片上的「假」光源小題大作, 因此就自動無視右上角的光源而不進行「自動白平衡」,結果就是導致看到的顏色比較接近該圖的原始色像素。

看到白金色的人,可能是因為大腦在觀視此圖時,「自動白平衡」機制太過多事,大腦自動把圖右上角的光源納入考量,才把藍色補回成白色,黑色補回成金色。

另一種可能性,是藍黑人和白金人的大腦都有進行自動白平衡,但是藍黑人的大腦選擇濾掉白金色,而白金人的大腦選擇濾掉藍黑色(見文章最後一段)。

-----廣告,請繼續往下閱讀-----

口說無憑,證據拿來?

看到這裡,婉君們一定會說,都是我在扯,這只是一個理論,有證據嗎?以下我們就來做幾個小實驗,如果上述理論為真,那麼只要把光源遮起來、或者只要在圖中找到正確的顏色基準點,大腦就不會多事亂補導致看錯顏色了吧。

實驗一(感謝李東翰、張雨霖提供想法):

下圖類似圖二,一樣都是原圖的擷取放大,看不到光源,所以錯覺消失,只看到藍黑色。得證(網友指出,「得證」這個詞下得太不精準了 ^^”,請見註一)。

Screen Shot 2015-02-28 at 1.40.00 AM

-----廣告,請繼續往下閱讀-----

實驗二(感謝 Mark Yuhina 和 Philip Tseng 的朋友 Jiaxin Yu 提供想法):

請盯著左下角的黑布看(不是盯著屁股看!),黑布提供了黑色基準點,裙子看起來就變成黑藍色相間了。得證(這個詞又用差了,請見註一)。

不過,如果以上兩張圖你仍看成白金色,或許就表示還有其他的因素在影響你的色彩知覺,例如,此圖的播放器(螢幕或手機)本身的亮度以及、背後桌面其他 圖片的亮度、所在房間或地點的照明設備亮度、還有心中是否刻意以某些位置作為亮度或顏色的基準點等等,這些因素都有可能造成影響。不信?那我們就來實驗看看。

實驗三,改變背景亮度:

下圖是 Ohio State University 的 Andwer Leber 教授的測試圖,B 和 C 是同一件洋裝,但是 B 看起來像是藍黑衣,C 看起來卻比較像是白金衣。這種色感差異,純粹只是背景亮度不同以及與臨衣的對比差異所致。

-----廣告,請繼續往下閱讀-----

實驗四,改變背景顏色(也是 Andwer Leber 教授的測試圖):

下圖中 B 和 E 仍是同一件衣服,但是 B 看起來像是藍黑衣,E 看起來卻比較像是白金衣。同樣的,這都只是背景色不同以及與臨衣的對比差異所致。

實驗五:利用 PS 進行白平衡:

結果如下圖,最左圖是不是有點像白金衣、最右圖是不是像藍黑衣? 

-----廣告,請繼續往下閱讀-----

實驗六:改變膚色(或日照強度):

這是來自日本的網友分析,結果如下圖,三件衣服完全是同一件喔!但是最左圖是不是有點像白金衣、最右圖是不是像藍黑衣?

實驗七:圖解光照狀態如何可能造成此錯視:

這也是日本網友的傑作,下左圖是藍黑衣在白金光下的狀態,下右圖是白金衣在藍黑陰影下的狀態,兩件衣服右側的反射亮度剛好完全相同。網路瘋傳的衣服圖,剛好就是類似這兩件衣服右側的反射亮度,因此,見到此種反射亮度的衣服時,大腦不確定究竟是看到白金光下的藍黑衣、或是陰影下的白金衣,只能被迫二選一。

最後再補一個問題,為什麼我們需要「色彩恆常性」呢?

從演化上來看,這是因為自然世界中的物品大多數不會變色,會改變的通常是光源,因此大腦才演化出根據光源和周遭各種物體資訊來調整物體最後顏色的「色彩恆常性」。

如果透過這種方式來理解,那麼我們就可以用另一種角度來解釋這個錯視。例如,Wired 上的這篇文章有提到類似的觀點:視覺系統其實無時不刻都在設法排除光源對色彩知覺的影響,因此當某個物體的顏色不確定時,就會想辦法「丟棄」光源。在這個案例中,大腦有兩種選擇,一種是丟棄藍黑色的陰影,結果就會看到白金衣,另一種是丟棄白金色,結果就會看到藍黑衣。

這種說法的證據如下圖。我們可以透過 PS 來「模擬」大腦中的顏色較正:當利用 PS 把藍色移除後,就可以見到了白金衣(下圖左),用 PS 把白金色拿掉,就可以見到藍黑衣(下圖右)。

如果你無法想像別人口中(腦中)的白金衣或藍黑衣長什麼樣,那就看看以下這張圖過過乾癮吧!

-----廣告,請繼續往下閱讀-----

至於「色彩恆常性」的生理機制,下回有機會再跟大家分享!

 

參考資料:

1. Purves D et al. (2002) Why we see what we do. American Scientist 90(3): 236-243.

2. Ohio State University 的 Andwer Leber 教授 的 youtube 解說(英文)。

-----廣告,請繼續往下閱讀-----

 

註釋:

1. 「得證」這個詞確實用的不太好。這裡不是指數學或邏輯式的推理得證。我的本意是:如果遮住光源(只截取一小塊裙子圖),可以讓原本的白金人看到藍黑的話,那就表示光源確實會影響顏色判讀。根據朋友們和一些網友們口頭報告,的確有些白金人因此見到藍黑色,因此我們可以說,這個操弄結果提供了「光源會影響顏色判讀」的證據。

當然,有些白金人在實驗一與實驗二中仍然看不到藍黑色的人,這當然有可能顯示先前的理論錯誤,但是另一種可能,是此理論正確,但有其他的因素也會影響結果。我也隨即在下一段說道:「不過,如果以上兩張圖你仍看成白金色,或許就表示還有其他的因素在影響你的色彩知覺… 」。接著,透過更多的「實驗」來解釋其他可能的因素。

至於有些人看完整篇文章所有的圖,也仍完全看不到藍黑衣(或完全看不到白金衣),這我就有點無法理解了,實驗七中的左圖不就是藍黑衣、右圖不就是白金衣嗎?

註:更多大腦的秘密,請參考謝伯讓的《都是大腦搞的鬼》。

-----廣告,請繼續往下閱讀-----
文章難易度
謝伯讓_96
25 篇文章 ・ 14 位粉絲
美國達特茅斯學院認知神經科學博士,麻省理工學院腦與認知科學系博士後研究員。曾任杜克─新加坡國立大學醫學院助理教授、腦與意識實驗室主任,現為國立台灣大學心理系副教授。研究主題為人腦如何感知世界。 部落格:The Cry of All。 著作:《都是大腦搞的鬼》《大腦簡史》

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

-----廣告,請繼續往下閱讀-----

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。

0

1
1

文字

分享

0
1
1
鞋子顏色和左右腦優勢有關?真相在這裡,別被大腦和假消息騙了!
PanSci_96
・2019/05/07 ・1177字 ・閱讀時間約 2 分鐘 ・SR值 462 ・五年級

最近,Line 群組流傳著一張鞋子的照片,據說只要在上面看到不同的顏色,就能夠知道你是「左腦人」還是「右腦人」,也能讓你知道自己究竟比較感性還是比較理性。

挖~賽~一張照片就能讓你更了解自己,還不趕快測測看!?

神秘的左右腦測試圖,你測了嗎?

等等等等,你有沒有覺得事情怪怪的?到底人類的大腦是多簡單的東西,可以被隨便一張照片輕易破解?

-----廣告,請繼續往下閱讀-----

色彩恆常性:只是你的眼睛業障重,跟左右腦沒關係!

首先,為什麼有人看著這雙鞋子能看到灰綠,有人卻看到粉白呢?這其實是因為我們的大腦在觀看照片時會有個「自動白平衡」的機制,幫助我們理解所見之物。

假設我們給予大腦足夠的背景資訊,像是背景光源、附近物品的相對顏色,那我們的大腦就會自動進行白平衡,讓你看見物體原本的顏色;而經過大腦白平衡的結果,就是「色彩恆常性」。

那麼,如果你的大腦獲得的資訊不夠呢?嘿嘿,如此一來,你的大腦就必須選擇自己到底要怎麼處理,也就會出現不同的結果。

假設我們的大腦選擇無視背景資訊、不進行調整,只使用片段資訊,那我們就比較容易看見灰綠色。但是,如果我們的大腦比較雞婆一些,有將其他訊息考慮進去,調整了一番後,我們就會看見粉白──也就是原色的鞋子了。

-----廣告,請繼續往下閱讀-----
  • 編按:已有人提出原鞋廠牌的型錄,此鞋原色應為粉白色。「看見」粉白色應為大腦參考環境資訊「白平衡」校正後的結果。本文原寫法顛倒了,已進行內文修改。(2019/5/8 15:30)

阿阿,其實好幾年前就已經吵過類似的東西了:

所以你到底看到了什麼顏色的洋裝?

半腦謬論:左腦感性右腦理性?全是過度詮釋的問題!

……好吧,雖然看的顏色不同只是眼睛業障重,但是慣用左腦右腦應該真的會影響個性吧?比如說左腦管邏輯、右腦管創意,習慣用右腦的話比較感性?

錯錯錯!大、錯、特、錯!我們每個人的腦袋瓜雖然有左右半腦,但它們中間有個叫做「胼胝體」的組織將兩者牢牢地繫在一起,讓它們分工合作不相離。

我們的大腦裡,其實沒有所謂的「創意中樞」或是「數理中樞」。科學家曾藉由 fMRI 發現,當兩個半腦合作得越密切,數學解題解得越好。假設我們只活化單側左腦,並無法解決艱深的邏輯題目。

-----廣告,請繼續往下閱讀-----

讓我們讀讀文章,打破大腦偽科學吧:

所以說,請你別再相信什麼右腦管創意、左腦管邏輯這種荒謬的言論了!你的大腦本是一體,唯有同時合作才能夠完善整個腦袋的功能。

讓我們在面對那些似是而非的言論時,先停下來想一想,不要急著往自己身上貼標籤,才能夠成為更聰明厲害的「全腦人」(←並沒有這種東西)喔!至於那些亂傳各種左腦人/右腦人測驗的捧油們……

真的不要被騙了嗚嗚嗚~圖/YouTube

-----廣告,請繼續往下閱讀-----
PanSci_96
1262 篇文章 ・ 2411 位粉絲
PanSci的編輯部帳號,會發自產內容跟各種消息喔。

0

0
0

文字

分享

0
0
0
真的能眼見為憑嗎?飽含數學、藝術、設計與文化的《錯視維度》展覽
Sharkie Lin_96
・2018/06/30 ・4232字 ・閱讀時間約 8 分鐘 ・SR值 520 ・七年級

-----廣告,請繼續往下閱讀-----

「我們看錯了世界,卻說它欺騙我們。」

“We read the world wrong and say that it deceives us.”

-詩人泰戈爾(Rabindranath Tagore,1861-1941)

長久以來錯視藝術令人目眩神迷,許多藝術家與設計師為此不疲,創造出衝擊世人感官與意識的圖形,模糊錯覺與真實的邊界;維度除了是描述時空座標的參數,也代表一件事物的特點與面向。

本展試著透過國際與台灣在地設計、文化、數學類的作品,呈現當代錯視藝術的多重趣味與驚喜。

圖 / 錯視維度官網

Seeing is believing? 進入空間一起眼見為憑吧!

錯視藝術一直是人們好奇探索與競相分享的主題,在娛樂產業中更是被運用得淋漓盡致,像是以錯視和不可能的幾何物體構成迷宮的紀念碑谷(Monument Valley),許多遊戲場景都是向錯覺大師艾雪(M.C. Escher)致敬;擅長拍攝創意MV的OK Go樂團,在〈The Writing’s On the Wall〉中一鏡到底的拍攝手法,融合人物、物體與場景表現出各種驚人的錯視。

-----廣告,請繼續往下閱讀-----

近期 EnterSpace密室逃脫/咖啡實驗室正推出第一檔展覽《錯視維度》(Dimension of Illusion)。基於錯視常以欺騙的型式出現,特別選在4/1愚人節開幕,希望呈現當代錯視藝術的多重面向,帶給每位來到展場的觀眾驚喜與樂趣,接下來就由策展人也就是我來介紹這檔展覽。

首先是以謎題手法呈現的主視覺設計,裡頭藏了一些關於文字的玄機,可在此試著解解看。

幾何色塊除了向蒙德里安(Piet Cornelies Mondrian)致敬之外,還是個重要提示,這道謎題要從兩個方向來解讀。如果正面看不出端倪,斜斜地去看這個圖形,隱含的文字就會比較明顯。避免破壞大家解謎的樂趣,解答放在最後一張圖片的圖說。

《錯視維度》酷卡設計,你看出其中的巧思了嗎?圖/EnterSpace提供。

文化與設計維度

本檔展覽呈現了錯視藝術的多重面向,介紹完主視覺設計上的錯視之後,再來是近來相當火紅的的雙向圖(ambigram)。雙向圖乍看之下是只有一種讀法的普通文字,但透過旋轉或是鏡射等技巧,可以產生多種讀法或改變其意義,是一種錯視藝術,經常能夠讓人感到解謎的樂趣。

-----廣告,請繼續往下閱讀-----

我第一次接觸到雙向圖是在丹‧布朗《達文西密碼》與《天使與魔鬼》的書中,當時看到約翰·蘭登(John Langdon)創作的英文雙向圖還把書旋轉了好多次,在心中讚歎其巧思。沒想到多年之後,竟然出現了中文/漢字的雙向圖創作。

與英文字母相比,中文與漢字的使用字數較多,而且字形也有一定的差異,因此用中文與漢字來創作是相當困難的。前陣子,日本雙向字設計師野村一晟 (Issei  Nomura)為花蓮地震創作了〈台灣加油〉,我們特別邀請到他來參展。

野村一晟系列創作
圖片來源:EnterSpace提供

野村先生想要展現雙向字創作的多元面向,因此提供不同類型的雙向圖作品,像是即興創作的〈赤與青與紫〉、立體雕塑光影構成的〈陰與陽〉,以及同義、反義、相關字詞之設計作品,如〈挑戰與勝利〉、〈才能與努力〉、〈浪費與節約〉等,與別具意義的〈台灣加油〉,共有八幅作品,而這也是他首次海外展覽。

-----廣告,請繼續往下閱讀-----
  • 野村一晟 (Issei  Nomura)的推特頁面

不只日本有雙向圖設計,其實台灣也有而且發展得更早。

為了讓大家看到台灣在地的設計,EnterSpace特別與魔翻文創合作,新製作一件互動作品──喜「翻」台灣,上頭的雙向圖是林國慶設計師從台灣各縣市地名發想與創作。期待透過這個大型的台灣地圖,讓來自不同縣市的觀眾,親自動手發掘雙向圖的奧妙,都能夠找到自己的家鄉,將「臺灣」翻轉成「寶島」。

喜「翻」台灣。文字設計:林國慶 / 地圖概念:Shark Lin、Ching-Yu Tsao / 視覺設計:魔翻文創 / 展板製作:EnterSpace
圖片來源:EnterSpace提供

有發現這個台灣地圖哪裡不太一樣嗎?

我們在這裡將台灣地圖橫著放,有兩個主要原因,首要是打破觀者對於台灣慣常的凝視角度,邀請觀者尋思作品本身的奇妙之處;再來是受到國立台灣文學館開館「從台南向世界出發」概念以及台灣古地圖方位之啟發,希望能夠呼應先民不畏風浪渡海來台之歷史,以創意從台灣向世界出發。

數學與藝術維度

談完了設計與文化的面向,接著來介紹數學與藝術的維度。2016年的全球《年度視覺錯視大賽》(Best Illusion of the Year Contest),有一件作品驚艷全球:

-----廣告,請繼續往下閱讀-----

那就是由明治大學教授杉原厚吉(Kokichi Sugihara)所創作,讓人分不清到底是方還是圓的〈Ambiguous Cylinder Illusion〉,我們取得授權在此展出,想要挑戰人類視覺與認知極限,眼見是否真的為憑?

Ambiguous Cylinder Illusion,杉原厚吉
圖片來源:EnterSpace提供

為什麼這些柱體在鏡子裡的形狀看起來會不一樣呢?

一邊是方的,另一邊則是圓的。其實這些柱體既不是方形柱也不是圓形柱,而是界於兩者之間的方圓形(Squircle)。若是在展場中仔細觀察柱體,會發現柱體的上側為波浪狀,外側也有較為突出的地方,因此形成有趣的錯視。

這樣的作品竟然只獲得2016年的《年度視覺錯視大賽》第二名(第一名的連結在此),杉原厚吉教授運用數學原理,設計了一堆讓人難以置信的錯視物體與圖形,他的官網有更多影片。

-----廣告,請繼續往下閱讀-----

接著同樣來介紹台灣的創作,吳寬瀛老師經典的〈柱面投影〉,利用軟體將正常圖像轉化成變形的圖樣(anamorphosis),再以不銹鋼柱面還原其原本面貌,製造出兩者虛實之間的反差形成錯視,轉換後的圖像與原本反差愈大的愈是有趣。我們在展場中放了一些圖形,讓觀眾可以自行動手與觀察圖形是如何投影到圓柱上。

柱面投影,吳寬瀛
圖片來源:EnterSpace提供

匈牙利藝術家István Orosz也是這方面的專家,創造出許多融合圓柱與其他錐體於平面畫作的變形畫作,想像力十分驚人;藝術家Jonty Hurwitz甚至跳脫出平面創作,其扭曲雕塑在圓柱裡顯現出不可思議的立體圖像。

台灣哪邊可以欣賞到這些大型公共藝術呢?不妨到南部走走,經過台南高鐵站時可以看見主題為黑面琵鷺的鏡面雕塑,到高雄後還可以拜訪福田繁雄設計藝術館,除了圓柱之外更有大師精彩的錯視創作。

-----廣告,請繼續往下閱讀-----

最後一件展品是由國立後壁高中沈岳霖師生共同完成的碎形幾何──〈YES, I DO〉,曾經在《多面自造》展覽展示過,裡頭的數學原理為謝爾賓斯基四面體(Sierpinski Tetrahedron)。四面體的每一面皆為謝爾賓斯基三角形,此三角形是一種自我相似的碎形,其生成過程如下:

謝爾賓斯基三角形。圖/wikipedia

本件作品的製作過程分成兩個部分,先將謝爾賓斯基四面體實體化,再依照YES與I DO兩個詞的形狀,將對應到的三角形著上顏色。這些三角形雖然距觀者的遠近不一,卻能讓觀者站在兩個特定位置時看到英文字,達到一種空間錯視與樂趣。在我們的安排之下,可以捕捉到多件作品形成之「台灣加油,YES寶島」的畫面。

YES, I DO-作者:廖梓馮、郭晉程、黃頌麟、葉威汎,指導老師:沈岳霖。
圖片來源:EnterSpace提供

-----廣告,請繼續往下閱讀-----

拓展維度的錯視選書

錯視藝術的面向很廣,因此我們設置了選書區,讓大家能夠自由探索錯視的多重面貌,接下來我想推薦幾本特別有趣的書。

首先是由倉嶌隆広(Takahiro Kurashima)創作,讓人愛不釋手的《Poemotion》系列!它是Poem(詩)+ Emotion(情感)+ Motion(移動),我喚它為詩意的移動。每一頁乍看只是靜態的圖樣,如果用書中附的黑色塑膠片掃過去,會有非常奇妙的動態錯視,請小心,很容易會被這些舞蹈、跳躍、旋轉的幾何圖樣撩到。

如果你/妳覺得被騙得還不夠,不管策展人嗑了什麼都想要來一點。那麼我接下來要鄭重推薦《Masters of Deception》與攝影師Erik Johansson的《Imagine》,分別介紹了讓人瞠目結舌的藝術創作以及超現實的當代攝影。讀完後只覺得錯視根本是人類智慧與幽默感結合的藝術,想像力就是藝術家的超能力!

最後,EnterSpace是個漫布謎題的趣味空間,也計劃打造成公開展示與討論數學藝術的場域;這裡有許多新奇好玩的東西與創意飲品,即日起只要報上「我是泛科學的讀者/粉絲」,即可享有餐飲特別優惠。

還記得主視覺設計本身的謎題嗎?答案是本檔展覽的名稱──錯視維度。圖片來源:EnterSpace提供

展覽資訊

展出藝術家|沈岳霖師生、吳寬瀛、林國慶、野村一晟、杉原厚吉

策展人|Shark Lin

視覺設計|Ching-Yu Tsao

主辦單位|EnterSpace 密室逃脫/咖啡實驗室

線上介紹|https://www.enterspace.tw/illusion

特別感謝|莊舒茵、魔翻文創

展期|2018/4/1-12/31

地點|EnterSpace 密室逃脫/咖啡實驗室

地址|台北市中山區明水路581巷15號B1(7-11旁樓梯走下去)

導覽|團體10人以上可預約導覽解說

錯視書單

  1. Masters of Deception: Escher, Dali & the Artists of Optical Illusion│ Al Seckel
  2. Can You Believe Your Eyes?: Over 250 Illusions and Other Visual Oddities│ J. Richard Block, Harold Yuker
  3. Poemotion 1, 2 , 3│Takahiro Kurashima
  4. The Magic of M.C. Escher│J. L. Locher
  5. Imagine│Erik Johansson
  6. 樂.快.想.設計 福田繁雄的插畫設計美學│東方技術學院福田繁雄設計藝術館
  7. 為什麼你沒看見大猩猩?:教你擺脫六大錯覺的操縱│Christopher Chabris, Daniel Simons
  8. 眼睛在搞鬼!錯視的奇妙世界│Jules Mathruin、Giampiero Caiti
  9. 不可思議的房子│青山邦彥

-----廣告,請繼續往下閱讀-----
Sharkie Lin_96
24 篇文章 ・ 6 位粉絲
在國二無聊的早自習意外發現數學的趣味,因此近來體驗到數學研究、藝術創作、採訪寫作、展覽策劃、資優教育等工作。不是念數學也不是學藝術,但樂於從多元視角聊聊數學的各種姿態,以及進行數學藝術創作,希望能為世界帶來一點樂趣。科普部落格〈鯊奇事務所〉https://medium.com/sharkie-studio,聯絡信箱 sharkgallium@gmail.com