Loading [MathJax]/extensions/tex2jax.js

0

0
0

文字

分享

0
0
0

多工處理使人靈巧?-《數位癡呆症》

PanSci_96
・2015/09/11 ・3653字 ・閱讀時間約 7 分鐘 ・SR值 536 ・七年級

-----廣告,請繼續往下閱讀-----

Photo by Wolf Gang
Photo by Wolf Gang

同時使用多種媒體對我們會有何影響呢?我們會因為使用多媒體而變得更聰明、更靈巧嗎?近十年來,我們大腦的應變力得到明確的證實:它好比是生理上的硬體,持續跟某種軟體(我們的生活經驗)相適應。所以我們所經歷的事情並非不重要,因為任何心智活動都會在腦內留下痕跡,而這些痕跡會影響大腦未來的功能。

我們大腦所儲存的細節,取決於它們被學習的方式,而一般意義上,也就是分類的知識,則更取決於我們完成工作的方式。所以每名華人學生都把新學年花在熟記、辨認和快速判讀數千個方塊字上。他們可以比我們更快辨識已知的數字,因為他們花了九年,而不是一兩年在辨識數千個、而不是幾十個符號的練習上。而且他們在進行六到十的計數時比較容易,因為他們是用跟處理一到五同樣的腦半球在處理那些數字。

多工處理跟當今心理學和認知神經科學所謂的認知控制有著密切關聯。我們從很小就開始學習控制自己的想法,例如排除不相關的事情,而專注在具體的任務上。所以這關乎一種在人腦中具備且同時習得、而個人多少能夠運用的能力。這顯然可以跟我們的語言能力做比較。語言中樞也是生來就具備的,不過,它們必須得到語言輸入才能發揮其功能。這一點做得還不錯,導致個人之間在掌握語言文字上的差異。

所以,當學會認知控制,且我們控制自己思維的方式由於置身在一個多媒體世界中而發生改變時,那麼多工處理就會對我們控制自己思緒的能力發生影響。這種影響可以是正面的:人隨著任務而成長,而所要控制的東西越多,控制就越困難。但影響也有可能是負面的,因為當我們不斷同時從事許多事情,就可能會導致對許多且持續的變換,輸入較為膚淺的處理。所以,值得思考的是,我們藉由長期頻繁的多工處理訓練了自己的專注力;或是正好相反,我們因此而養成了注意力障礙。這兩種影響也有可能互相抵銷,使得多工處理失去影響力。怎麼辦才好呢?

-----廣告,請繼續往下閱讀-----

控制自己的思緒

為了探究多工作業對心智能力的影響,史丹佛大學的科學家用兩個極端的組別進行了一系列認知測驗。藉由一份專門為此研發出來的問卷,從兩百六十二人之中,產生出十九名在答題得分時顯著高於平均值的人,以及二十二名顯著低於平均值的人。於是,就有了重度媒體多工作業者以及輕度媒體多工作業者,並就這兩個極端組別進行比較。

受試者篩除不重要刺激而不加注意的能力,是藉由一種特別的任務來測試,它先前在若干個別的人身上已經顯示過顯著的差別。大學生們首先會很短暫地看到兩個長方形,他們必須在一秒之內加以記住,然後會被要求把這個記憶中的影像跟另一個顯示兩秒鐘的影像相比較,以便判斷其中一個長方形是否有過些微旋轉。

為了加大任務的困難度,在許多回合當中,螢幕上也會出現別種顏色充當分心物的長方形。這些分心刺激的數目可以是零、二、四或六。研究人員想用這種測驗來得知,這種分心物對成績是否有影響。

3-1
圖10.3 在某一回合時,對篩除不重要之物的能力測驗當中出現分心刺激的過程。受試者要回答其中一個深色長方形其方向是否有改變。如果有這種情況,就按「是」的按鍵來回答;如果沒有,就按「否」。本圖出自《數位癡呆症:我們如何戕害自己和子女的大腦》

受試者的成績會被測量。研究人員測定正確記住旋轉的數目,從中抽出答錯的數目。現在可以預期,不做多工處理的受試者,在重要物之外經常注意不重要物,在這場測驗中應該會得到較差的成績。也可以做出相反的假設,即,那些一直同時處理多項工作的人,比較不會被不重要刺激所分散注意。

-----廣告,請繼續往下閱讀-----
3-2
圖10.4 從事許多、較少以及完全不做多工作業的人,在篩除不重要刺激測驗時的成績(依分心刺激的數目劃分)。本圖出自《數位癡呆症:我們如何戕害自己和子女的大腦》

這張折線圖顯示,情況完全出乎意料:非多工處理者可以很好地完成任務,並不受到有多少額外分心刺激存在的影響。相反地,倒是多工處理者的成績,隨著分心刺激數目的增加而顯著降低。

多工處理者也在另一項測量心智能力的標準測驗當中,顯示較差的成績。這項相當簡單的任務,是要觀看一組字母。這組字母在電腦螢幕上以黑底紅字各顯示○.三秒鐘。在每個字母之間有一次將近五秒鐘的停頓,受試者要記住剛剛才看到的字母。如果一個A後面跟著一個X(且只有在「A-X」的情況下),受試者就得按下「是」的按鍵。至於在其他各種狀況下,也就是A後面跟著非X(A-Y),B後面跟著X(B-X),以及非A後面跟著非X(B-Y),全都要按下「否」的按鍵。在一個加大難度的測驗版本中,在紅字母之間還會出現○.三秒三個其他的白字母,這是應當不受注意的東西。所以測驗再次關係到忽略轉移注意的刺激。

在前述的簡單測驗版本中,在多工處理者和非多工處理者之間並沒有差異。然而在有額外轉移注意刺激的較難版本當中,多工處理者卻顯然需時較久。

3-3
圖10.5 非多工處理者和多工處理者兩組在較難測驗中的反應時間平均值。本圖出自《數位癡呆症:我們如何戕害自己和子女的大腦》

除此之外,還進行了一項有關工作記憶能力的記憶測驗。這一回,受試者還是觀看一組字母,黑底白字,每一字母顯示半秒鐘,字母之間則停頓三秒鐘。這次的任務是,要是字母跟前面的上上個字母(倒退兩個)一樣,或是跟上上上個字母(倒退三個)一樣,就按下「是」按鍵。也就是說,受試者必須在短時間內記住螢幕上的每個字母(這就是工作記憶所主管的事情),並跟先前所看到的某個刺激進行比較。「倒退一個」字母測驗相當簡單:現在所看到的字母是否跟前一個一樣?「倒退兩個」字母測驗較難:剛才所看到的字母是否跟上上個字母一樣?至於「倒退三個」字母測驗最難,大家都會犯錯——問題只在於犯多少錯。

-----廣告,請繼續往下閱讀-----

結果再度顯示,相較於非多工處理者,多工處理者在「倒退三個」字母測驗中成績較差。一如所料,兩組受試者在「倒退三個」字母測驗比「倒退兩個」字母測驗成績來得差。可是多工處理者在「倒退三個」字母測驗中答錯成「是」的答案顯著增多。耐人尋味的是,多工處理者這些答錯成「是」的答案,特別取決於,先前在測驗過程中看過的字母顯然還一直留在工作記憶中,而引出一個(錯答)「是」的答案。作者們認為,這一點顯示出,受試者在把不重要內容排除出意識之外方面有困難。

所以這項測驗顯示,多工處理者不僅拙於忽略令人分心的外部刺激,更拙於忽略本身令人分心的記憶內容。

3-4
圖10.6 在「倒退兩個」和「倒退三個」字母測驗中,答錯成「是」的答案比例。本圖出自《數位癡呆症:我們如何戕害自己和子女的大腦》

最後還進行了一項有關在不同任務之間「轉換」的測驗。受試者首先會看到○.二秒的「數字」或「字母」。這表示,他們在接下來的程序中必須注意數字或字母,於是在短暫的停頓後,他們會看到一對數字和字母,例如「2b」或「a3」。接著,就要視任務而定,如果是有關一個偶數,就按下某個按鈕,如果是奇數則按另一個按鈕;或是在看到一個子音字母或母音字母時,按下對應的按鍵。所以受試者必須就數字或字母做分類。

如果在進行測驗時,是重複某項任務(某個數字後頭跟著另一個數字),受試者的反應會比任務轉換時來得快。任務轉換就是,先出現數字後出現字母,或是倒過來,先出現字母後出現數字,而讓受試者加以歸類。就連這種任務的結果也顯示,多工處理者在完成任何交待的任務上有困難:他們在任務轉換時反應時間的遲緩,比非多工處理者這組平均多了一百六十七毫秒。

-----廣告,請繼續往下閱讀-----

總括而言,這項研究結果顯示,經常同時使用多種媒體的人,在控制自己的心智方面會出現問題。「多工處理者在無視環境中不重要刺激上有較大困難……,較不擅長忽略自己記憶中較不重要的刺激(「倒退兩個」和「倒退三個」字母測驗),在壓抑不相關的任務(任務轉換)上也比較沒效率。最後這個結果深具意義,讓人開始思考,在多工處理時,任務轉換所扮演的核心地位。」

可能會有人提出異議,說這些結果根本只是顯示出,那些在其他有關心智能力的測驗中,成績也較差的「較愚笨」者才習慣於多工處理。但並不是這種情況,因為有一連串額外的測驗可以證實,這些組別在其他條件下都並沒有任何差異:不管是在校成績、人格測驗或是其他認知測驗方面都沒有差異。

 

986918420本文摘自《數位癡呆症:我們如何戕害自己和子女的大腦》,由暖暖書屋出版

-----廣告,請繼續往下閱讀-----
文章難易度
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
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

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

4
3

文字

分享

0
4
3
前額葉皮質的奇蹟:如何保養你的記憶引擎!——《記憶決定你是誰》
天下文化_96
・2024/08/04 ・2641字 ・閱讀時間約 5 分鐘

-----廣告,請繼續往下閱讀-----

憂鬱症或阿茲海默症?前額葉皮質的雙面效應

額葉損傷病患遇到的記憶問題,跟我們在日常生活中所面對的記憶挑戰有著直接的關聯,而這個關聯成為我對前額葉皮質深感興趣的原因之一。即使在沒有具體損傷的情況下,前額葉皮質的功能仍會受到許多因素影響,進一步導致顯著的記憶問題,例如我在埃文斯頓醫院神經心理學診間測試的許多病患,轉介過來是為了評估阿茲海默症的可能性,但在進一步測驗後,卻發現是臨床上的憂鬱症。

在年紀較長的成人身上,憂鬱症有可能看起來很像早期的阿茲海默症,好比我曾經測驗過一名剛退休不久的學校老師,他一向以頭腦清晰自豪,現在卻難以專注,一直忘東忘西。儘管從磁振造影看不出明顯的腦部損傷,但他的認知卻不比前額葉皮質受損的人好上多少。他和醫生都沒想到,這些認知問題可能與他剛經歷一場離婚,以及幾十年來第一次獨居的情況有關。

前額葉皮質是腦部最晚成熟的區域之一,在整個青春期會持續調整與其他腦區的聯繫。兒童雖然學習很快,卻不擅長專注在應該專注的事物上,因為容易分心。這對於有 ADHD(注意力缺失/過動障礙症)的兒童更是嚴重,他們在學校表現不佳並不是因為缺乏理解力,而是因為在教室裡難以集中注意力、培養有效的學習習慣,以及利用可以應付考試的策略。有大量證據顯示,ADHD與前額葉皮質的異常活動有關。

前額葉皮質也是我們進入老年時,首先開始衰退的區域之一,我們因此覺得自己變得比較健忘。幸好,對多數年長的人來說,形成記憶的能力不會有問題,倒是專注力的改變會影響我們記憶事件的方式。舉例來說,你可能記不住你在表妹婚禮上遇到的某個人叫什麼名字,卻可以記得你們會面時各式各樣的其他資訊,諸如他臉上有雀斑,戴著鮮黃色的領結,或不停說著他最近到田納西州那許維爾(Nashville)的事。

-----廣告,請繼續往下閱讀-----

隨著年齡變長,我們想起瑣事卻想不起重要事情的傾向也會提高。已經有無數研究顯示,在必須專心、忽視干擾的情況下記憶時,年長者表現得比年輕人要差,然而他們記得干擾訊息的能力卻與年輕人一樣好,有時甚至更好。隨著年歲漸長,我們依然能夠學習,卻較難專注於想要記住的細節,反倒常常記住無關緊要的事情。

多工殺手:為什麼一心多用讓你大腦退化

除了年齡之外,讓你覺得自己的前額葉皮質有問題的因素多得不得了。在現代世界裡,一心多用恐怕是最常見的罪魁禍首。我們的對話、活動和會議不斷受到簡訊、電話的干擾,而我們本身又常把注意力分散在好幾個目標上,使得問題更加嚴重。就算是神經科學家也無法免於多工作業--在今天,幾乎每一場學術演講中,都能發現臺下的科學家(包括我自己)拿出筆記型電腦,時而聽講、時而回電子郵件。

很多人甚至對一心多用的能力很自豪,但同時做兩件事很難不用付出代價。為了達成目標,前額葉皮質能幫助我們專注在所需的事情上,但如果我們在不同目標間迅速換來換去,這項美妙的能力就會消失。

加州大學舊金山分校神經科學家安卡佛(Melina Uncapher)的團隊便指出,「媒體多工」(media multitasking)對記憶不利,意思是在不同媒體的訊息間切換會妨礙記憶,例如一下子看簡訊、一下子看電子郵件。更嚴重的是,習慣重度媒體多工的人,平均而言前額葉皮質的某些區域會變得較薄。

-----廣告,請繼續往下閱讀-----

至於額葉的功能失常究竟是媒體多工的原因或是結果,還需要更多研究才能了解,但不管如何,這裡傳達出來的訊息相當一致。我的樂團夥伴米勒爾(Earl Miller)是世界頂尖的前額葉皮質專家及麻省理工學院的教授,他經常這樣說:

「沒有所謂一心多用;你只是輪流把不同的事情做得很糟。」

前額葉的功能也會遭到一些健康問題的破壞。例如高血壓和糖尿病會傷害大腦各區域間相互溝通的神經纖維通路,也就是白質。我和同事發現,與年齡相關的白質損傷,似乎會讓前額葉皮質失去跟大腦其他部分的聯繫--試想這名執行長被單獨鎖在房間裡,無法使用電話和網路。

感染疾病後如果造成腦部的發炎,也可能導致相似的結果,例如在新冠肺炎流行早期受到感染的人,注意力和記憶力等執行功能出現衰退,而且前額葉皮質部分區域的結構發生改變。

一旦前額葉的運作發生改變,就可能導致「腦霧」(又稱為「長新冠」)--當感染的時間很長,或罹患慢性疲勞症候群(chronic fatigue syndrome)等與感染相關的病症時,有機率出現腦霧的症狀。

-----廣告,請繼續往下閱讀-----
感染或罹患慢性疲勞症候群,都可能影響到前額葉皮質。圖/envato

養成健康生活:強化前額葉皮質的簡單步驟

如果我們生活時忽視自己的身心健康,也可能使前額葉皮質暫時失能。例如睡眠剝奪可能對前額葉皮質和記憶造成毀滅性的打擊。酒精也對前額葉皮質帶來負面影響,有些研究顯示這些影響在大量喝酒後還會持續好幾天。我們在後面的章節將探討,壓力會破壞前額葉的運作。如果你在充滿壓力的一週工作之後,熬夜喝酒又不停滑手機看網路新聞,然後整個週末都在跟腦霧奮戰,不用太驚訝。

幸運的是,我們確實可以做一些事來增進前額葉皮質的運作,雖然那些事可能跟你想的不一樣。你的腦是身體的一部分,所以任何對身體有幫助的事情,對你的腦都有幫助,進一步也對記憶有幫助。例如充足的睡眠、適度的運動、健康的飲食,這些事物都有益於你的生理和心理健康,也有益於你的前額葉皮質。

有氧運動如跑步,能促進腦部化學物質釋放,進而提升神經可塑性,改善為腦運送氧氣和能量的血管系統,降低發炎並減少罹患腦血管疾病和糖尿病的可能性。運動也會改善睡眠、降低壓力,而睡眠不足和壓力過高正是耗盡前額葉資源的兩大元凶。

這些因素會一同作用,影響記憶功能在我們年齡增長時的維持狀況。有一項令人敬佩的研究,追蹤了多達兩萬九千人的記憶表現,發現那些在生活方式裡包含上述某些有益因素的人,在十年期間記憶能力的維持狀況也較佳。

-----廣告,請繼續往下閱讀-----

——本文摘自《記憶決定你是誰:探索心智基礎,學習如何記憶》,2024 年 7 月,天下文化,未經同意請勿轉載

-----廣告,請繼續往下閱讀-----

討論功能關閉中。

天下文化_96
142 篇文章 ・ 624 位粉絲
天下文化成立於1982年。一直堅持「傳播進步觀念,豐富閱讀世界」,已出版超過2,500種書籍,涵括財經企管、心理勵志、社會人文、科學文化、文學人生、健康生活、親子教養等領域。每一本書都帶給讀者知識、啟發、創意、以及實用的多重收穫,也持續引領台灣社會與國際重要管理潮流同步接軌。

0

2
3

文字

分享

0
2
3
大家都認為自己值得更多的薪水!給你更多錢會提升工作表現嗎?——《超越直覺》
一起來
・2024/05/02 ・1949字 ・閱讀時間約 4 分鐘

-----廣告,請繼續往下閱讀-----

框架問題理應提醒我們,我們只要自動腦補就一定會犯錯。我們確實向來如此。不過「人類」這個對象不同於 AI 研究人員開發的機器人或電腦,並不會讓我們訝異到必須被迫改寫思考時的整個心智模式。相反地,一旦我們知道答案,就似乎總能找出先前被忽略、後來明顯相關的面向,就像拉扎斯菲爾德假想的《美國士兵》讀者——他們在事後發現,每一個對立的結果都同樣理所當然。

也許我們原本預期自己中了樂透之後會超級開心,結果中獎之後,卻發現自己很鬱悶,這個預測顯然很糟糕。但當我們意識到自己預測錯誤時,同時也獲得新的資訊,例如那些突然出現要借錢的親戚。於是我們會心想,如果早點知道這些資訊,就可以正確預測未來的幸福狀態,也許就不會去買樂透彩了。

因此,我們沒有質疑自己預測未來幸福程度的能力,反而只是認為我們漏掉了一些重要的東西,並且確保自己不再犯相同錯誤。然而我們卻一錯再錯。事實上,無論對於他人行為的預測失準了多少次,我們總是可以用當時未知的事情做為辯解。透過這種方式,我們掩蓋了框架問題,一再說服自己下次會做好,卻永遠都不明白我們真正錯在哪裡。

圖/envato

這種行為模式在動機與金錢報酬的關係中最為明顯,也最難消除。例如,實施金錢獎勵制度顯然能提升員工表現,而且數十年來,職場上大幅出現以績效為基礎的薪資制度,最具代表性的就是高階主管薪酬與股價掛鉤。

-----廣告,請繼續往下閱讀-----

當然,員工在意的顯然不只薪水,還有內在的愉悅感、認同感,以及在個人職涯上的成長與晉升等因素,這些都會影響工作表現。

在其他條件都相同的情況下,適當的金錢獎勵可以提升個人表現——這似乎理所當然。然而,多年來有多項研究顯示,薪酬與工作表現之間的關係,實際上的複雜程度讓人難以想像。

舉個例子,最近我跟雅虎(Yahoo!)的同事梅森(Winter Mason)進行了一系列網路實驗。我們給予受試者不同的薪資,並要求他們執行各種簡單的重複性工作,例如:按照正確的時間順序排列一組車流照片,或是在矩形網格上,找出隱藏在一堆英文字母中的英文單字。

所有受試者都是在亞馬遜土耳其機器人(Amazon’s Mechanical Turk)這個外包網站上招募而來,這個網站是亞馬遜公司於二○○五年推出,原先是用來找出重複的庫存商品。現在有數百家企業使用土耳其機器人進行「群眾外包」(crowd-source),處理五花八門的各種任務,像是標示圖片中的物品、描述新聞報導的觀點,或是判斷兩種說法中哪一個比較清楚。這個網站也是招募心理學實驗受試者的一個有效方法,就像心理學家多年來在大學校園裡張貼廣告那樣,不過土耳其機器人網站的「託客」(turkers)完成一件任務的報酬通常只需要幾美分,只占了研究經費的一小部分。

-----廣告,請繼續往下閱讀-----
圖/envato

我們的實驗總共納入數百位受試者,完成了數萬件任務。有些受試者完成一件任務只能得到 1 美分的酬勞,例如整理一組圖片、找出一個單字。但是,有些受試者完成相同任務卻會得到 5 美分或 10 美分。這在工資上是相當大的差異,要知道,美國電腦工程師的平均時薪只有聯邦最低工資的六倍,所以你可以預期這個工資差異會對受試者的行為產生強烈影響。

結果確實如此。我們付的錢越多,受試者離開實驗之前完成的任務就越多。我們還發現,不管工資多少,分配到「簡單」任務(每一組有兩張圖片需要歸類)的人,比分配到中等或困難任務(每一組有三至四張)的人完成更多任務。換句話說,這些都符合常理。

但接下來的問題是:雖然存在上述差異,我們發現這群受試者的工作品質,也就是歸類圖片的準確度,並不會因為工資不同而下降,即使只有正確完成才能拿到酬勞。

該如何解釋這個結果?我們並不十分確定。在受試者完成任務之後,我們問了一些問題,包括他們認為自己的工作該得到多少報酬。有趣的是,他們的回答與工作難度無關,而是取決於獲得的工資。平均而言,每件任務得到 1 美分的受試者,認為自己該得到 5 美分。得到 5 美分的認為自己該得到 8 美分,而得到 10 美分的則認為自己該得到 13 美分。

-----廣告,請繼續往下閱讀-----

換句話說,不論他們實際上得到多少(還記得有些受試者的工資是別人的十倍嗎),每個人都覺得工資過低。大家在直覺上會認為,給予金錢獎勵就能夠提升員工的動機,但這個實驗告訴我們,即使是非常簡單的工作,工作動機也會因爲員工的權利意識提升而大幅減弱。

——本文摘自《超越直覺》,2024 年 01 月,一起來出版,未經同意請勿轉載。

-----廣告,請繼續往下閱讀-----

討論功能關閉中。