關於 勁戰啟動馬達 ，我們在網路上蒐集到這些相關的討論、資訊與評價

迎接終端AI新時代：讓運算更靠近資料所在

作者 : Andrew Brown，Strategy Analytics
2021-03-03

資料/數據(data)成長的速度越來越快。據估計，人類目前每秒產出1.7Mb的資料。智慧與個人裝置如智慧型手機、平板電腦與穿戴式裝置不但快速成長，現在我們也真正目睹物聯網(IoT)的成長，未來連網的裝置數量將遠遠超越地球的人口。

這包括種類繁多的不同裝置，像是智慧感測器與致動器，它們可以監控從震動、語音到視覺等所有的東西，以及幾乎大家可以想像到的所有東西。這些裝置無所不在，從工廠所在位置到監控攝影機、智慧手錶、智慧家庭以及自主性越來越高的車輛。隨著我們企圖測量生活週遭數位世界中更多的事物，它們的數量將持續爆炸性成長。

資料爆量成長，讓許多企業把資料從內部部署運作移到雲端。儘管集中到雲端運算的性質，在成本與資源效率、彈性與便利性有它的優點，但也有一些缺點。由於運算與儲存在遠端進行，來自終端、也就是那些在網路最邊緣裝置的資料，需要從起始點經過網際網路或其他網路，來到集中式的資料中心(例如雲端)，然後在這裡處理與儲存，最後再傳回給用戶。

對於一些傳統的應用，這種方式雖然還可以接受，但越來越多的使用場景就是無法承受終端與雲端之間，資訊被接力傳遞產生的延遲。我們必須即時做出決策，網路延遲要越小越好。基於這些原因，開始有人轉向終端運算；越來越多人轉而使用智慧終端，而去中心化的程度也越來越高。此外，在這些即時應用中產生的龐大資料量，意味著處理與智慧必須在本地以分散的方式進行。

與資料成長連袂而來的，是人工智慧與機器學習(ML)也朝終端移動，並且越來越朝終端本身移動。大量來自真實世界的資訊，需要用ML的方式來進行詮釋與採取行動。透過AI與ML，是以最小的延遲分析影像、動作、影片或數量龐大的資料，唯一可行且合乎成本效益的方式。運用AI與ML的演算法與應用將在邊緣運作，在未來還將會直接在終端裝置上進行。

資料正在帶動從集中化到分散化的轉變

隨著資訊科技市場逐漸發展與成熟，網路的設計以及在其運作的所有裝置，也都跟著進化。全盛時期從服務數千個小型客戶端的主機，一直到客戶端伺服器模型中使用的越來越本地化的個人電腦運算效能，基礎架構持續重組與最佳化，以便更貼近網路上的裝置以及符合運作應用的需求。這些需求包含檔案存取與資料儲存，以及資料處理的需求。

智慧型手機與其他行動裝置的爆炸性成長，加上物聯網的快速成長，促使我們需要為如何讓資產進行最佳的部署與安排進行評估。而影響這個評估的因素，包括網路的可用性、安全性、裝置的運算力，以及把資料從終端傳送到儲存設備的相關費用，近來也已轉向使用分散式的運算模型。

從邊緣到終端：AI與ML改變終端典範

在成本、資源效率、彈性與便利性等方面，雲端有它的優點，裝置數量的急遽增加(如圖2)，將導致資料產出量大幅增加。這些資料大部份都相當複雜且非結構化的，這也是為何企業只會分析1%~12% 的資料的原因之一。把大量非結構化的資料送到雲端的費用相當高、容易形成瓶頸，而且從能源、頻寬與運算力角度來看，相當沒有效率。

在終端執行進階處理與分析的能力，可協助為關鍵應用降低延遲、減少對雲端的依賴，並且更好地管理物聯網產出的巨量資料。

終端AI：感測、推論與行動

在終端部署更多智慧的主要原因之一，是為了創造更大的敏捷性。終端裝置處於網路的最邊緣與資料產生的地方，可以更快與更準確地做出回應，同時免除不必要的資料傳輸、延遲與資料移動中的安全風險，可以節省費用。

處理能力與神經網路的重大進展，正協助帶動終端裝置的新能力，另一股驅動力則是對即時資訊、效率(傳送較少的資訊到雲端)、自動化與在多數情況下，對近乎即時回應的需求。這是一個三道步驟的程序：傳送資料、資料推論(例如依據機器學習辨識影像、聲音或動作)，以及採取行動(如物件是披薩，冰箱的壓縮機發出正常範圍外的聲音，因此發出警告)。

感測

處理器、微控制器與感測器產生的資料量相當龐大。例如，自駕車每小時要搜集25GB的資料。智慧家庭裝置、智慧牙刷、健身追蹤器或智慧手錶持續進化，並且與以往相比，會搜集更多的資料。

它們搜集到的資料極具價值，但每次都從各個終端節點把資料推回給雲端，數量又會過多。因此必須在終端進行處理。倘若部份的作業負載能在終端本身進行，就可以大幅提升效率。

推論

終端搜集到的資料是非結構性的。當機器學習從資料擷取到關聯性時，就是在進行推論。這表示使用AI與ML工具來幫忙訓練裝置辨識物件。拜神經網路的進展之賜，機器學習工具越來越能訓練物件以高度的精準度辨識影像、聲音與動作，這對體積越來越小的裝置，極為關鍵。

例如，圖4顯示使用像ONNX、PyTorch、Caffe2、Arm NN或 Tensorflow Lite 等神經網路工具，訓練高效能的意法半導體(ST)微控制器(MCU)，以轉換成最佳化的程式碼，讓MCU進行物件辨識(這個的情況辨識對象是影像、聲音或動作)。更高效能的MCU越來越常利用這些ML工具來辨識動作、音訊或影像，而且準確度相當高，而我們接下來馬上就要對此進行檢視。這些動作越來越頻繁地從邊緣，轉移到在終端運作的MCU本身。

行動

資料一旦完成感測與推論後，結果就是行動。這有可能是回饋簡單的回應(裝置是開啟或關閉)，或針對應用情況進行最佳化(戴耳機的人正在移動中，因此會針對穩定度而非音質進行最佳化)，或是回饋迴路(根據裝置訓練取得的機器學習，輸送帶若發出聲音，顯示它可能歪掉了)。物聯網裝置將會變得更複雜且更具智慧，因為這些能力提升後，運算力也會因此增加。在我們使用新的機器學習工具後，一些之前在雲端或終端完成的關鍵功能，將可以移到終端本身的內部進行。

終端 AI：千里之行始於足下

從智慧型手機到車輛，今日所有電子裝置的核心都是許多的處理器、微控制器與感測器。它們執行各種任務，從最簡單到最複雜，並需要各式各樣的能力。例如，應用處理器是高階處理器，它們是為行動運算、智慧型手機與伺服器設計；即時處理器是為例如硬碟控制、汽車動力傳動系統，與無線通訊的基頻控制使用的非常高效能的處理器，至於微控制器處理器的矽晶圓面積則小了許多，能源效率也高出很多，同時擁有特定的功能。

這意味著利用ML工具訓練如MCU等較不複雜元件來執行的動作，之前必須透過威力更強大的元件才能完成，但現在邊緣與雲端則是理想的場所。這將讓較小型的裝置以更低的延遲執行更多種類的功能，例如智慧手錶、健康追蹤器或健康照護監控等穿戴式裝置。

隨著更多功能在較小型的終端進行，這將可以省下資源，包括資料傳輸費用與能源費用，同時也會產生極大的環境衝擊，特別是考量到全球目前已有超過200億台連網裝置，以及超過2,500億顆MCU(根據Strategy Analytics統計數據)。

TinyML、MCU與人工智慧

根據Google的TesnsorFlow 技術主管、同時也是深度學習與TinyML領域的指標人物 Pete Warden 表示：「令人相當興奮的是，我還不知道我們將如何使用這些全新的裝置，特別是它們後面代表的科技是如此的吸引人，我無法想像那些即將出現的全新應用。」

微型機器學習(TinyML)的崛起，已經催化嵌入式系統與機器學習結合，而兩者傳統上大多是獨立運作的。TinyML 捨棄在雲端上運作複雜的機器學習模型，過程包含在終端裝置內與微控制器上運作經過最佳化的模式識別模型，耗電量只有數毫瓦。

物聯網環境中有數十億個微型裝置，可以為各個產業提供更多的洞察與效率，包括消費、醫療、汽車與工業。TinyML 獲得 Arm、Google、Qualcomm、Arduino等業者的支持，可望改變我們處理物聯網資料的方式。

受惠於TinyML，微控制器搭配AI已經開始增添各種傳統上威力更強大的元件才能執行的功能。這些功能包括語音辨識(例如自然語言處理)、影像處理(例如物件辨識與識別)，以及動作(例如震動、溫度波動等)。啟用這些功能後，準確度與安全性更高，但電池的續航力卻不會打折扣，同時也考量到各種更微妙的應用。

儘管之前提到的雲端神經網路框架工具，是取用這個公用程式最常用的方法，但把AI函式庫整合進MCU，然後把本地的AI訓練與分析能力插入程式碼中也是可行的。這讓開發人員依據從感測器、麥克風與其他終端嵌入式裝置取得的訊號導出資料模式，然後從中建立模型，例如預測性維護能力。

如Arm Cortex-M55處理器與Ethos U55微神經處理器(microNPU)，利用CMSIS-DSP與CMSIS-NN等常見API來簡化程式碼的轉移性，讓MCU與共同處理器緊密耦合以加速AI功能。透過推論工具在低成本的MCU上實現AI功能並符合嵌入式設計需求極為重要，原因是具有AI功能的MCU有機會在各種物聯網應用中轉變裝置的設計。

AI在較小型、低耗電與記憶體受限的裝置中可以協助的關鍵功能，我們可以把其精華歸納至我們簡稱為「3V」的三大領域：語音(Voice，如自然語言處理)、視覺(Vision，如影像處理)以及震動(Vibration，如處理來自多種感測器的資料，包括從加速計到溫度感測器，或是來自馬達的電氣訊號)。

終端智慧對「3V」至關重要

多數的物聯網應用聚焦在一些特定的領域：基本控制(開/關)、測量(狀態、溫度、流量、噪音與震動、濕度等)、資產的狀況(所在地點以及狀況如何？)，以及安全性功能、自動化、預測性維護以及遠端遙控(詳見圖 6)。

Strategy Analytics的研究顯示，許多已經完成部署或將要部署的物聯網B2B應用，仍然只需要相對簡單的指令，如基本的開/關，以及對設備與環境狀態的監控。在消費性物聯網領域中，智慧音箱的語音控制AI已經出現爆炸性成長，成為智慧家庭指令的中樞，包括智慧插座、智慧照明、智慧攝影機、智慧門鈴，以及智慧恆溫器等。消費性裝置如藍牙耳機現在已經具備情境感知功能，可以依據地點與環境，在音質優先與穩定度優先之間自動切換。

如同我們檢視的結果，終端AI可以在「3V」核心領域提供價值，而它觸及的許多物聯網領域，遍及B2B與B2C的應用：

震動：包含來自多種感測器資料的處理，從加速計感測器到溫度感測器，或來自馬達的電氣訊號。
視覺：影像與影片辨識；分析與識別靜止影像或影片內物件的能力。
語音：包括自然語言處理(NLP)、瞭解人類口中說出與寫出的語言的能力，以及使用人類語言與人類交談的能力-自然語言產生(NLG)。
垂直市場中有多種可以實作AI技術的使用場景：

震動

可以用來把智慧帶進MCU中的終端AI的進展，有各式各樣的不同應用領域，對於成本與物聯網裝置與應用的效用，都會帶來衝擊。這包括我們在圖6中點出的數個關鍵物聯網應用領域，包括：

溫度監控；
壓力監控；
溼度監控；
物理動作，包括滑倒與跌倒偵測；
物質檢測(漏水、瓦斯漏氣等) ；
磁通量(如鄰近感測器與流量監控) ；
感測器融合(見圖7)；
電場變化。

一如我們將在使用場景單元中檢視的，這些能力有許多可以應用在各種被普遍部署的物聯網應用中。

語音

語音是進化的產物，也是人類溝通非常有效率的方式。因此我們常常想要用語音來對機器下指令，也不令人意外；聲音檢測是持續成長的類別。語音啟動在智慧家庭應用中很常見，例如智慧音箱，而它也逐漸成為啟動智慧家庭裝置與智慧家電的語音中樞，如電視、遊戲主機與其他新的電器。

在工業環境中，供車床、銑床與磨床等電腦數值控制(CNC)機器使用的電腦語音引擎正方興未艾。iTSpeex的ATHENA4是第一批專為這些產品設計的語音啟動作業系統。這些產品往往因為安全原因，有離線語音處理的需求，因此終端 AI 語音發展在這裡也創造出有趣的機會。用戶可以指示機器執行特定的運作，並從機器手冊與工廠文件，立即取用資訊。

語音整合在車輛中也相當關鍵。OEM 代工廠商持續對車載娛樂系統中的語音辨識系統，進行大量投資。語音有潛力成為最安全的輸入模式，因為它可以讓駕駛的眼睛持續盯著道路，而雙手仍持續握著方向盤。

對於使用觸控螢幕或硬體控制器通常需要多道步驟的複雜任務，語音辨識系統特別能勝任。這些任務包括輸入文字簡訊、輸入目的地、播放特定歌曲或歌曲子集，以及選擇廣播電台頻道。其他的服務包含如拋錨服務(或bCall)與禮賓服務。

視覺

正如我們之前已經檢視過，終端 AI 提供視覺領域全新的機會，特別是與物件檢測及辨識相關。這可能包括觀察生產線的製造瑕疵，以及找出自動販賣機需要補貨的庫存。其他實例包括農業應用，例如依據大小與品質為農產品分級。

曳引機裝上機器視覺攝影機後，我們幾乎可以即時檢測出雜草。雜草冒出後，AI可以分類雜草並估算它對農產收穫的潛在威脅。這讓農民可以鎖定特定的雜草，並打造客製的除草解決方案。機器視覺然後可以檢測除草劑的效用，並找出農地中仍具抗藥性的殘餘雜草。

使用場景

預測性維護工具已經從擷取與比較震動的量測資料，進化到提出即時的資產監控。藉由連接物聯網感測器裝置與維護軟體，我們也可能做到遠端監控。

震動分析

這種類型的預測性維護在旋轉型機器密集的製造工廠裡，相當常見。震動分析可以揭露鬆脫、不平衡、錯位與軸承磨損等狀況。例如，把震動計量器接上靠近選煤廠離心泵浦內部承軸處，就可以讓工程師建立起正常震動範圍的基線。超出這個範圍的震動，可能顯示滾珠軸承出現鬆動，需要更換。

磁感測器融合

磁感測器利用磁性浮筒與一系列可以感應並與液體表面一起移動的感測器，測量液面的高低。所有的這些應用都使用一個固定面上的磁感測器，它與附近平面的磁鐵一起作動，與這個磁鐵相對應的感測器也會移動。

聲學分析(聲音)

與震動分析相似，聲測方位分析也是供潤滑技師使用，主要是專注在主動採取潤滑措施。這意味我們可以避免移動設備時產生的過度磨損，否則會為了修理造成代價高昂的停機。實際的例子可能包括測量輸送皮帶的承軸狀況。出現過度磨損時，承軸會因為潤滑不足或錯位出現故障，可能造成整個生產流程的中斷。

聲學分析(超音波)

聲音聲學分析雖然可以用來進行主動與預測性維護，超音波聲學分析卻只能用於預測性維護。它可以在超音波範圍內找出與機器摩擦及壓力相關的聲音，並使用在會發出較細微聲音的電氣設備與機器設備。我們可以說這一類型的分析與震動或油量分析相比，更可以預測即將出現的故障。目前它部署起來比其他種類的預防性維護花費較高，但終端 AI 的進展可以促成這種細微層級的聲學檢測，大幅降低部署的費用。

熱顯影

熱顯影利用紅外線影像來監控互動機器零件的溫度，讓任何異常情況很快變得顯而易見。具備終端 AI 能力的裝置，可以長期檢測微細的變化。與其他對事故敏感的監視器一樣，它們會觸發排程系統，自動採取適當的行動來預防零件故障。

消費者與智慧家庭

將語音運用在消費者與智慧家庭，是最常看到的場景之一。這包括智慧型手機與平板電腦上、未包含電話整合功能的裝置，例如螢幕尺寸有限的穿戴式裝置。這類型的裝置包含智慧手錶與健康穿戴式裝置，可以為各種功能提供免動手的語音啟動。像 Amazon 的 Echo 或 Google 的 Home 等智慧音箱市場的成長，說明消費者對於可接收與提供語音互動等現有裝置的強勁需求，與日俱增。

消費者基於各種理由使用智慧音箱，最常見的使用場景為：

聽音樂；
控制如照明等智慧家庭裝置；
取得新聞與天氣預報的更新；
建立購物與待辦事項清單。

除了像智慧音箱與智慧電視等消費裝置，智慧家庭裝置語音的使用，也顯現相當的潛力。諸如連網門鈴(如 ring.com)等裝置與連網的煙霧偵測器(例如 Nest Protect 煙霧與一氧化碳警報)目前都已上市可供消費者選購，它們結合了語音與視覺的感測器融合功能以及運動檢測。有了連網的煙霧偵測器，裝置在偵測到煙霧或一氧化碳時，可以發出語音警告。

終端 AI 為強化這些能力提供了全新機會，而且常常結合震動(動作)、視覺與語音控制。例如，增加姿態辨識來控制例如電視等家電，或是把語音控制嵌入白色家電，即是以最低成本強化功能性最直接的方式。

健康照護

用來發現醫護資訊的 AI 驅動終端裝置的應用，將為病況的治療與診斷，提供更多的價值。這種資訊可能是資料，也可能是影像、影片以及說出的話，我們可以透過 AI 進行型態與診斷分析。這些資料將引發全新、更有效的治療方法，為整個產業節省成本。受惠於終端 AI 的進展，像 Google Duplex 等語音系統的複雜性將會降低。例如門診預約等勞力密集的工作，也可以轉換成 AI 活動。利用自然語言語音來延伸 AI 的使用，也可以把 AI 用在第一線的病人診斷，然後再由醫師接手提供諮詢。

其他健康照護實例包括像 Wewalk5 等物件，這是一個供半盲與全盲人員使用的智慧拐杖。它使用感測器來檢測胸口水平以上的物件，並搭配 Google Maps 與 Amazon Alexa 等 app，方便使用者提出問題。

結論

由於連網的終端裝置數量越來越多，這個世界也越來越複雜。連接到網際網路的裝置已經超過 300 億個，而微控制器的數量也超過 2,500 億，每年還會增加約 300 億個。越來越多的程序開始進行自動化，不過，把大量資料傳送到雲端涉及的延遲以及邊緣運算的額外費用，意味著許多全新、令人興奮且引人矚目的物聯網使用場景，可能無法開花結果。

解決這些挑戰的答案，並不是為雲端資料中心持續增添運算力。降低出現在邊緣的延遲雖然會有幫助，但不會解決日益分散的世界的所有挑戰。我們需要把智能應用到基礎架構中。

儘管為終端裝置增添先進的運算能力在十年前仍不可行，TinyML 技術近來的提升，已經讓位處相當邊緣的裝置 (也就是終端本身)增添智能的機會大大改觀。在終端增加運算與人工智慧能力，可以讓我們在源頭搜集到更多更具關聯性與相關的資訊。隨著裝置與資料的數量持續攀升，在源頭掌握情境化與具關聯性的資料，具有極大的價值，並將開啟全新的使用場景與營收機會。

終端裝置的機器學習，可以促成全新的終端 AI 世界。新的應用場景正在崛起，甚至跳過傳送大量資料的需求，因而紓解資料傳輸的瓶頸與延遲，並在各種作業環境中創造全新機會。終端 AI 將為我們開啟一個充滿全新機會與應用場景的世界，其中還有很多我們現在想像不到的機會。

附圖：圖1：從集中式到分散式運算的轉變。
(資料來源：《The End of Cloud Computing》，by Peter Levine，Andreessen Horowitz)
圖2：全球上網裝置安裝量。
(資料來源：Strategy Analytics)
圖3：深度學習流程。
圖4：MCU的視覺、震動與語音。
(資料來源：意法半導體)
圖5：AI 工具集執行模型轉換，以便在MCU上執行經最佳化的神經網路推論。
(資料來源：意法半導體)
圖6：物聯網企業對企業應用的使用-目前與未來。
(資料來源：Strategy Analytics)
圖7：促成情境感知的感測器融合。
(資料來源：恩智浦半導體)

資料來源：https://www.eettaiwan.com/20210303nt31-the-dawn-of-endpoint-ai-bringing-compute-closer-to-data/?fbclid=IwAR0JTRpNsJUl-DmSNpfIcymGQpkQaUgXixEaczwDpELxGCaCeJpkTyoqUtI

《路的味道》這本作品集是十年前，在研究所畢業前自己編來做紀念的，封面及內文排版還是好友智如幫我做的，只送給一些親朋好友，沒有正式出版，手邊也僅剩一本自留。
剛剛因為要跟一位學生分享〈看！憂鬱在跳舞〉那篇文章，才翻出檔案。那是我十九歲的作品，當年正飽受憂鬱之苦，於是在東華讀大一升大二的暑假，以此為題撰寫文章。嚴格說起來，那是我第一篇寫得完整的散文，拿去投稿，很幸運得到梁實秋文學獎。
離開了那樣的狀態，我真的再也寫不出這樣的文字了，但很敬佩、感謝當年的自己，能夠勇敢地活下來，熬過七年轉化蛻變的過程，還為那一段生命留下珍貴的紀錄。
來分享一下這篇文章：）

＿＿＿＿

看！憂鬱在跳舞
文／張以昕

有個地方是電梯所無法到達的樓層。我推開一層蒙垢的沉重不鏽鋼門，寒風撲面，黑壓壓的鐵梯子通往天堂或是地獄，我不知道。跨坐在頂樓的防護牆上，月兒從薄霧中探頭，星子是夜神披風上的鑲鑽。冷空氣厚厚的撲襲我鼻，我感受到血肉之軀的溫熱，呼吸心跳的規律節奏。在建築物的最高處擁有最好的視野，發亮的招牌、閃爍的街燈，絡繹不絕的人潮和疾速奔馳的汽車。但所有的一切似乎與我完全無關。我有著觀賞夜景的興致也有投奔地面的想望。這個夜晚我可以悠哉的遊晃直到天明，也可以在一秒鐘內，迅速地將一個大大的句點砰然擲落人行道，並對空拋灑金粉組成的無數問號，直至晨曦。
抉擇是遊戲的一種，也是嚴肅的自審判決，充滿無限可能並也包含無數哀淒，沒有掌聲也沒有噓聲，沒有泣容也沒有歡顏，最真的事實往往也最虛情假意。我想飛，但卻在初生時折翼，只能待在原地仰望遼闊無際的天空。我想飛，翱翔在毫無阻礙的空中，不用思辨無解的真理。只要飛，沒有起點也沒有終點。累了睡，起了又飛，飛向天堂與地獄的間隔線，然後發現自己仍停滯原地。瞬間我全身著火，從容擠著沐浴乳擦洗身體，火光讓我從脚底板自天靈蓋的形影緩緩蒸發。我仍視而不見，繼續沐浴，然後飛。飛向更黑暗與更光明的地方，飛往更能徹底銷鎔自己的另一個空間。
人滿為患的精神科候診間，眾人在鼓譟中焦慮等待。我坐在新設置尚未啟動的自動販賣機旁，百無聊賴地觀看經過的路人從褲袋裡掏出錢，摩擦雙手想著要喝點什麼，然後投下錢幣。但卻不見飲料的影子，銅板迅速滾落退幣孔，只好一臉無奈地衝向一樓的便利商店。一個傻瓜、兩個笨蛋、三個白痴、四個……，其中似乎蘊藏難解的隱喻，但卻無從思考起。蓬頭垢面、膚色泛黑，面龐滿是痘斑的阿婆前來看診戒酒，她神色呆滯地觀賞螢幕播放的鄉土劇，不發一語。一旁面色哀愁的老伯伯緊捏健保卡，臉額的細密皺紋掩不住傷寂的塵埃。踩著大紅色高跟鞋的年輕姑娘，面露異樣神情，白裙飄揚恍若鬼魅。正在打開手提包的瞬間，幾把刀子的閃爍的光芒，讓我感到一陣戰慄。坐在前頭的怪叔叔不停的回頭瞧著我，轉右側轉左側，轉呀轉地目標都是朝向我。旁人問他正在做什麼？他說：「我是鐘。」「那現在幾點鐘呢？」男子垮垮的臉皮面無表情，不停重覆相同動作，過了十多分鐘，還是繼續轉頭看我。彼此相距不到五十公分，突然聞到一股便溺的濁氣，趕緊離座躲藏角落。背對群眾，各色的眼神不斷刺向背脊。忽然聽聞診間傳來響亮刺耳的叫聲與哭聲，「你算哪門子的醫生我都快要死了你還笑得出來，王八臭雞蛋我要告你謀殺……」四十出頭的女子「砰」地一聲氣憤地甩上門，雙手摀面，淚痕猶在。她已竄逃無蹤，不顧追出來的護士頻頻叫喊：「小姐妳的藥單還沒拿啊妳要上哪兒去？」電子叫號板從八十八號跳到八十九號，這個世界不會因為你的欲求或努力而變得更好或更壞。每人象徵一組號碼，終生不離不棄。像數數兒一樣依序排列，幸運的、倒楣的總有來臨造訪的一天。
八十九號沈傲雪就是我，我推開厚重的白色門板。「最近怎麼樣、心情好不好、藥物有副作用嗎、有自傷嗎、想要自殺嗎、有沒有出去走走做運動呢……」標準憂鬱症問診公式。八十九號一句話也不說。百憂解速悅樂活憂思樂康克憂果低落美悠樂丁安定文，心理治療生理回饋住院打坐念佛禱告聖歌吟唱前世催眠民俗療法。想要解決，卻越解越結。點頭搖頭代替言語，沉默是最好的回應。我已無話可說。我留給你的是一片純粹的空白。想塗鴉嗎，好，我去拿彩色筆給你。想要大作文章嗎，好，且聽我胡言亂語。
我被追殺的仇家逼得逃到暗巷。萬家萬戶以及孤立的街燈都已進入酣眠，遠離天明的耀眼。像是瞎了般，雙眼或睁或閉，沒有差別。伸手不見五指，我盲目奔逃，夢魘邪惡地緊隨我身，我一邊跑一邊呼救，卻發現自己已被真空包裝，沒有出聲的可能。眼前的黑更濃濁了，並且像漩渦馬達般地快速旋轉，我掉進這座深井，什麼也不必做，什麼也不能做。任憑上帝與魔鬼操控命運，留給我的僅有決定死亡的權力。死亡是一桌毒菜，帝王蟹鮑魚干貝魚翅，滿漢大餐飄散醉人香氣，灌入鼻腔，誘引飢腸轆轆的我。暫時忘記生死的差別與毒物的本質，拿起筷子挑起眼前的山珍海味，拚命咀嚼。
最後的晚餐。

喚醒我的是楊老師。她輕輕將我抱起，撫著我的面頰，附在耳邊說：「生病不是一種錯誤，而是一種挑戰。」她溫暖的笑容就如她的名字，讓我好想叫聲姊姊。我在昏亂模糊中淚流滿面，像嬰兒般地放聲大哭。沒關係，有我在，不必害怕。來，這是妳最喜歡的頑皮豹。她將粉紅老頭和細心摺疊好的面紙一起塞給我，而我仍迷惘地望著她。「我們去操場散步曬太陽，好嗎？」我抹乾淚珠，點點頭。我們的光合作用終於奏效，於是逐漸定心安神，小心翼翼地讓陽光撲灑周身，就怕一個不小心就打破了這一幕最後的祥和。蹲在岸邊堆沙堡，兩雙脚丫陷進溫軟的黃色細沙中。海風鹹濕且冷冽，專心雕塑模型，想像城堡的富麗堂皇，努力地又堆又拍，即使完美成品馬上就要被海神奪去，我們依然不放棄任何希望。壞了塌了消失了又何妨？我們有的是時間，如果能再有多一點堅持，城堡將會更加堅固牢靠。最後，我們相顧微笑，因為我們在牆邊找到了水泥和紅磚。
我想要販售身上與我朝夕相處、與我立下山盟海誓、不離不棄的「痛苦」。有氣體、固體、液體種種你能想到的模式產品隨你挑選，我可以即刻為您配置。那多到溢散蔓延為患的痛苦，沒有名字，就像體內難以悉數的細胞。他的效果令你意料不到，絕對符合你追求冒險的精神。只要以舌舔舐，你就會感受到那像哇沙米一般令人流淚的刺激和衝擊，因此絕對有價值販售。但此物會因個人體質而產生不同效果，如阿甘者你會臭罵我欺騙社會大眾的荷包，並且寫信到消基會檢舉申訴，最後把痛苦通通否定，妳那痛苦算什麼這個世界多美好。如我傲雪者你會觸動內心深處最纖細的琴弦，彈撥幾聲便立刻倒帶憶起過去最傷心的往事，那痛苦會令你想要猛烈的撞牆。更甚者你會找不出痛苦的原因，說不出痛苦是什麼，但是痛苦在你身上確是真實存在，屬於現在進行式，但身旁的人卻無法理解那莫名其妙讓你痛不欲生的苦痛，說穿了就是世上沒有形容痛苦的準確辭彙，沒有拆開封袋的人永遠都進不到那荒塚的世界，煩人的繼續巴問著你的痛苦是什麼？不要只是哭嘛！每個人都有痛苦的時候呀。病態的痛苦所造成身心的影響也許會吸引想要減肥變得苗條的女性朋友，只要按三餐服用痛苦你就不用吃飯和睡覺，你可以裝死般地躺在床上什麼也不做，正確一點的是說你提不起勁兒來做任何事，你會感到頭暈頭痛腰酸背痛噁心嘔吐心律不整呼吸不順胸悶嗜睡注意力記憶力渙散社交退縮，你會很成功的因痛苦而減掉十公斤以上的肥肉。你有孕婦大肚般的小腹嗎，你臉如大餅想要換個人人稱羨的瓜子臉嗎，你有滿身無限精力想要挑戰痛苦的極限嗎。每盒每罐每包只要七十四元，沒有保存期限可永久使用。買三款特價只要一六八喔。親愛的消費者請放心，商品決計不會缺貨，我的身體所製造的痛苦，就像水龍頭流出的自來水，淅瀝嘩啦，源源不絕。只要你需要，歡迎隨時與我聯繫，我會敲著夜半三更的銅鑼，為您進行完善的宅配服務。
憂鬱呀我們美化了它，有人說憂鬱很浪漫，日落時漫步在植滿楊柳的堤岸，望著即將隱沒的夕陽餘暉，情思洶湧激盪，於是寫下一首甜膩的情詩。那些少女漫畫中的美少男不是都有雙憂鬱的眸子嗎？他們都說，憂鬱才帥才夠酷。但憂鬱加個「症」字可會讓你與以前判若兩人，分不清哪一個才是真實的自己。時時感到沮喪，多愁善感加劇，腦中佔滿活著究竟為了什麼、我存在嗎、死去值得一試嗎……等等深刻的哲理議題，想法變得怪異詭譎，說起話來像火星人般讓人霧煞煞。每天的日記變成遺書式的壯烈文體，訴滿斷斷續續的遺言遺願，並抱憾病痛所吞噬的所有美好，像是革命烈士懷抱滿腔熱血、為著國仇家恨，想要一雪前恥。但事實卻不若如此雄壯宏偉，憂鬱症與糖尿病高血壓心臟病一般，皆是不易痊癒的病症。你可以視它為無情索命的死神，也可選擇與病魔進行意見交流，看看能否一起吃飯喝茶聊聊天。
首先我向祂磕三個頭表達敬意，祂嗜血的嘴角露出一抹冷笑，用一種睥睨眾生的高傲神態，仰首審視著我的不堪，祂想好好看清這齣暗夜悲劇的女主角究竟生得美或醜。然後哈哈大笑，對我表示祂這個導演很滿意我的精湛演出，可以任我許三個願望。我起身鞠躬，服從與禮遇是與魔神談判的基本身段。第一，我知道祢想取我性命，但我還年輕，必須完成諸多夢想，這中間任由你萬般折磨我都不怕，只希望能實現願望，到時候我會很乾脆的自動截斷命根子，親手奉上。第二，希望你不要奪走我僅存的勇氣和信心，健康快樂幸福體力記憶力理解力你取去了，除了仰賴氧氣存活，我所僅剩的就只有區區這兩件薄外套了。
憂鬱之魔沉吟半晌，終於點頭同意，並且用嘶啞的聲音提醒我，你只剩最後一個願望，最好快點說出來，我可沒有時間和力氣供你虛耗。
「一起跳支舞吧。」我說。祂臉色一變，我可不是你消遣的工具，我是主人你是奴婢，你若膽敢弄髒我的手，小心我馬上讓你下地獄。不是的，我只是想要有一刻與你不再敵對，有個機會平行對談，我們從來沒有真正了解過彼此不是嗎。一起跳支舞吧，這是我最後的願望。
祂瞪視我的紅眼，從嚴厲漸漸變得溫和，不知從哪裡響起了《憂鬱的星期天》（Gloomy Sunday）的吉他伴奏。這首具有陰暗美感的老歌，是由匈牙利音樂家賽瑞斯所作，在當時頗受歡迎。一直到二次大戰前，還數度傳出有人因為這首歌曲而厭世的情事，漸漸使這首歌蒙上神秘的色彩。
祂攬住我的腰，拉著我的手，我們隨著優美而陰森的音樂婆娑起舞。我緊閉雙眼，心裡想著，這是我的終夜嗎？正想開口詢問，它「噓」了一聲要我噤口。這是我們共同的旋律，跳吧，孩子，屬於我們的狂歡之夜。你知道嗎，因為這首歌，多少人迷戀我，也有很多人不由自主地投奔我的懷抱，只因為這不是屬於人世間的旋律。你懂嗎？
桌上有一根白燭因為傷感不停的落淚，在一片漆黑無光中，我聽到祂隨著音樂啞聲歌唱：
Death is no dream, for in death I’m caressing you
with the last breath of my soul I’ll be blessing you.

（死亡並不是夢，因我在死亡中愛撫著你，）
（我將以我靈魂的最後一絲氣息為你祝福。）

就像我嚮往的飛行，我正與憂鬱共舞。

原載於二００五年十一月四日《中華日報》副刊
（本文獲第十八屆梁實秋文學獎散文創作類佳作）

Ty.：他寫的是效果，你看的是笑果。
黃薏帆：馬達般的電臀完全征服了向來不近女色的熱狗。
大狗：被吳亦凡問及會不會freestyle時嘴巴張得和Lexie差不多大。
孫八一：商務說唱唯一信仰。
MC法老：被節目組陰了一把，好在隔年陽了回來。
小青龍：巧口炮製出的致勝功臣，60秒環節深情款款凝望PG_ONE時神情平靜卻劇力萬鈞。
黃旭：十足冠軍風範，惟缺乏話題性，今年的艾吾克熱延續了去年沙漠兄弟曾掀起的新疆熱。
Al Rocco：報名美國有嘻哈結果跑來中國有嘻哈的糊塗鬼。
Billy King：又一孤兒剪輯受害者。
艾福杰尼：常在歌裡砌入飽含激情的嘶吼並唱得渾然忘我，即便TT發福，作品深度也不及他三成。
YZ：運氣和周湯豪一樣好，天曉得兩人攜手拜過多少座廟。

蜜妞：嗆聲不落人後，被淘汰的速度同樣不落人後。

二毛：有著一副和清秀臉龐搭不上的雄性聲嗓。
小白：周董含滷蛋，他含鉛球。
Yamy：丹鳳眼個性女孩，暖男PG_ONE一度融化她內心那座冰山。
強東玥：屢敗屢戰上遍各類節目的堅毅萌妹。
辛巴：失誤美學獨樹一格，銀杏業務渴望接洽的潛在消費者。
大笑：乖乖（公司）最得意的活商標，溫柔婉約的演唱風格擄獲不少魯貨。
卓卓：少年人玩老學校不是頭殼壞去就是情懷過剩。
大魚：Joeman丟喜你，麥擱假。
安喬：真正坐擁巡航飛彈的花木蘭。
小鬼：唱了很多置入性行銷。
李大奔：低調的滿舒克為避人耳目而換藝名參賽。

Jony J：作詞與忘詞功力均屬中國頂尖，自導自演新片《一齣好戲》票房長紅。

王大痣：取個再正常一點點點就好的藝名對他而言似乎很難。
鬼卞：演出時熱愛匍匐，難掩從軍渴盼，極具辨識度的人聲彷若來自地獄。
布瑞吉：風格強烈，看似不wooo正yeah，沒啥深度的歌竟能唱得如此討喜並不簡單。
Cola：原來你上一季就當過伴饒童子。
B.C.W：無心丟鍊鍊成蔭，此刻他正躲在裡頭避暑歇息蓄勢待發。
雨馨：婀娜多姿得讓你輕輕哼起呂士軒ØZI合作那首歌。
趙溫臻：趙薇拍完《少林足球》剛過三週。
OBi & M03：這對兄弟的歌從團名即可猜出他們泰半時間都在故弄玄虛。
鈞澤：田亞霍參考樣板。
楊舒涵：節目組用以啟動復活機制的活棋。

徐真真：不求表現、力求傳遞麥克風的無私精神不只頗得墨子兼愛非攻之真傳，更有莊子無為而治的情操，牛天下之大逼。

輝子：風格以平實著稱，遭小青龍險勝後對方亦止步於選擇門環節，殊途同歸。
朱星杰：Gai同鄉迷弟。
嘻哈俠：摘下面罩後神力大減，讓所有人淚腺發達哭成一團的正能量製造機。
安大魂：現任女友為劉伯溫。
周藝軒：田亞霍參考樣板Part 2。
沈懿：那段不服氣兼找wifi的硬氣freestyle像尾魩仔魚一樣，彈指之間就讓人耳朵一饞亟欲回味，我覺得就是.. 好餓。
PG_ONE：早馬俊一步上說唱節目的知名影星，誤打誤撞誤diss拿了個冠軍。
Gai：作品因愛恨分明的人格而顯得耐人尋味，一邊帶著愛玩嘻哈，一邊直呼"等會我上去直接幹他"。
茶米：來自台灣中國，認識每位評審且有小小偶像包袱，喜劇說唱少了他就不完整了。
VaVa：就算她穿上新衣你仍認得出她來自玖壹壹。

Tizzy T：_________，_________，________________，____！

MC HotDog：老而彌堅，氣場如現撈海鮮般生猛有勁，後生晚輩望塵莫及。
張震嶽：功能性評審，主要避免讓熱狗扮黑臉以及兩人表演時有hook可唱。
潘瑋柏：雷神索爾親戚，生涯代表作莫過於那場毀譽參半的mic drop大秀。
吳亦凡：一手帶起兩岸饒舌風潮的三流喇麵悍將。

更多圖文報導
http://www.motobuy.com.tw/p_info.php?t1=130&p=2321

-------------------------------------------------------------------
更多摩托車情報
歡迎加入 MotoBuy 專業摩托情報
隨時鎖定 第一手車壇情報

還沒訂閱我們的頻道嗎？
記得訂閱並且按下小鈴鐺唷！


↓↓↓↓快追蹤MotoBuy FB粉絲專頁 ↓↓↓↓
https://www.facebook.com/www.motobuy.com.tw/

↓↓↓↓MotoBuy 專業摩托情報網站 ↓↓↓↓
http://www.motobuy.com.tw/