利物浦大學（University of Liverpool）教授 Michael Spitzer 藉由其著作《音樂人類：地球生命史》（The Musical Human: The History of Life on Earth），深入探討了音樂與人類演化之間跨越百萬年的緊密聯繫。他在對談中指出，這本書是在閱讀了 Yuval Harari 的《人類大命運》（Sapiens）後產生的回應；他認為音樂至少比智人早出現一百萬年，而大多數音樂書籍僅關注作曲家與作品的編年史，忽略了更宏觀的普世性 [00:00]。音樂不僅是普世的，更超越了智人物種，因為鳥類、鯨魚等動物同樣擁有音樂，人類本質上也是一種音樂性動物 [00:43]。
重建音樂史前史極具挑戰，因為在愛迪生（Edison）發明留聲機之前，人類沒有任何聲音記錄，且許多樂器材料會隨時間生物降解 [01:03]。目前所能追溯最古老且未降解的是石製樂器，例如鐘乳石或坦尚尼亞著名的石鑼；而絕對的里程碑是於德國南部洞穴發現、約四萬年前由兀鷲骨頭製成的 骨笛 (Bone Flutes) [01:18]。隨著陶瓷發明，人類學會繃起獸皮製作框架鼓，但皮料易降解，證據難尋。弦樂器如豎琴和魯特琴則是在農業發明後，人類飼養牛隻並利用動物腸子製成琴弦才出現的 [01:45]。因此，研究者必須透過繪製解剖演化、工具技術、語言學逆向工程，以及觀察現代狩獵採集社會的生活，進行跨學科的推論研究 [02:25]。
關於音樂起源的推論論證，可追溯至一百五十萬年前的 直立人 (Homo ergaster)。他們發明了具備對稱面的 雙面斧 (Bifacial Axe)，這種對稱性展現了創造與享受美感的形式能力 [03:00]。心理學研究顯示，大腦的認知能力是跨模態的，對稱性不僅存在於工具中，也存在於聲音裡，即我們所稱的 節拍 (Meter) 或規律節奏。因此，直立人很可能已經能以對稱的節奏敲擊斧頭 [03:31]。
音樂的組成要素在演化過程中逐漸匯聚，其中一個關鍵是 雙足行走 (Bipedalism)。約四百四十萬年前，地猿 (Ardipithecus) 開始直立行走，此後步行的節奏便烙印在人類音樂中 [04:07]。行走讓大腦、肌肉活動與聲音之間建立連結，人類學會將腳步聲聽作一種模式，進而產生對時間與預測的感知 [04:47]。這種步行的隱喻發展成「音樂在移動」的觀感，儘管音樂實質上只是空氣中的震動，但人類將其想像成一場心靈旅程，回響著祖先走出非洲的長途跋涉 [05:12]。
隨著腦容量增加三倍，人類變得更聰明，能精確控制手指並使其與大腦運動區連結，進而製作並演奏笛子 [05:51]。直立行走也讓 喉頭 (Larynx) 下移，支撐舌頭的 舌骨 (Hyoid Bone) 進化，使人類能清晰發聲。當發聲能力超過了傳遞生存警訊的功能時（相較於綠猴只能發出四種警報聲），多餘的聲音便成為音樂的契機，人類開始純粹為了享受聲音而玩味聲音，使其脫離了動物的單純鳴叫 [06:28]。
音樂本質上與記憶和歷史相關。兩百萬年前教導孩子打製石器的技術，是一種由肌肉記住的傳統，Spitzer 稱之為 凝結的肌肉記憶 (Congealed Muscle Memory) 或 模應 (Meme) [07:34]。骨笛上的刻線標示了手指位置，這也是一種記憶。世界各地的文化常透過音樂解釋起源，例如巴布亞紐幾內亞的庫里部落（Kuli tribe）相信音樂源自 摩尼鳥 (Muni Bird)，認為森林上方的鳥鳴是祖先在說話，透過模仿鳥鳴，他們參與了生命的循環並唱回祖先的歌。在西方，貝多芬（Beethoven）的《英雄交響曲》則排演了拿破崙時代與十九世紀法國戰役的集體記憶 [08:08]。
音樂與建築、聲學也有天然的聯姻。早期骨笛碎片發現於洞穴共振最強的位置，這與西方教堂作為崇拜神祇的「洞穴」，以及平詠與教堂共振的契合如出一轍 [09:36]。洞穴被視為神聖儀式與神祕門戶的場所，利用岩石的驚人共振來輔助笛聲或人聲。日常中，音樂則繞著象徵穩定與循環的 爐灶 (Hearth) 進行，與狩獵後的祭祀、進食等儀式綁定 [10:12]。西方文明習慣以單一詞彙「音樂」統稱這一切，但多數文化對歌曲、樂器聲、舞蹈、說故事有各自獨立的術語 [11:25]。
觀察不同環境下的狩獵採集者（如澳洲原住民、北美因紐特人、非洲俾格米人）可以發現核心共性：人類與動物的糾纏。音樂的功能之一是講述我們來自動物的起源故事，因此歌曲常模仿動物的鳴叫或舞蹈。達爾文（Darwin）曾觀察到澳洲原住民模仿鴯鶓與袋鼠；因紐特人模仿海豹幼崽以引誘獵物；美洲原住民模仿小水牛 [11:56]。此外，澳洲原住民著名的 歌之徑 (Songlines) 讓他們能以音樂導航沙漠景觀，將音樂視為薩滿式的靈魂旅程 [13:38]。相較於沙漠，因紐特人在雪地中難以留下足跡，因此在腦海中建立文化導航網。而在極地冰蓋的小空間內，音樂具備憤怒或衝突管理的功能，透過充滿笑話與玩樂的歌曲來緩解潛在的社交衝突 [14:18]。
人類演化經歷了狩獵採集、定居農業到城市國家的階段。狩獵採集者為游牧民族，樂器必須輕便，音樂多變且充滿即興，不追求重複 [15:52]。發明農業後，心態轉向季節循環，音樂隨之紮根並變得具有週期性，產生了可重複的作品與儀式 [17:22]。當音樂移至城鎮，社會階級興起，音樂成為服務權力（君主或教會）的婢女，音樂家職業化，為有閒階級創造了 音樂會 (Concert)。然而在數百萬年間，大多數音樂是具備功能的，例如在船上狹窄空間拉錨時的 船夫工作號子 (Sea Shanty)，其節奏與工作步調一致 [18:03]。相較之下，在開闊田野中的 棉花勞動號子 (Cotton Holler) 則需要提高音量連繫遠方，這種哀鳴般的輪廓發展出了藍調與爵士樂中的悲傷感 [19:54]。
在現代之前，音樂多為參與式，創造者與聆聽者沒有區別。文字發明後，巴比倫人與蘇美人創造了最早的記譜法（如公元前 1400 年的《胡里安讚美詩第六號》），而最早可解碼的完整樂曲是公元 200 年的《塞基洛斯之歌》（Seikilos song） [20:46]。西方音樂發展的分水嶺是公元 1020 年由義大利僧侶貴多（Guido of Arezzo）發明的 五線譜 (Staff Notation)。五線譜最初是教會控制的工具，確保帝國邊境的僧侶都能唱誦同樣的曲調。隨後，這種記譜法隨全球化擴張，1519 年科爾特斯（Cortez）入侵墨西哥，僅十年後便讓阿茲特克人學會演唱西班牙複音音樂 [21:40]。
記譜法的後果是將聲音從人聲中剝離並精準化，凍結了自然的音高滑動。音樂從一種「活動」變成了「物件」，造成了作曲家與僅是機械再現的表演者之間的隔閡，傳統成了想像中的博物館 [23:20]。相較之下，印度的卡納提克（Karnatic）或印度斯坦（Hindustani）傳統則維持有機的口傳教育，由師父傳給弟子，強調創意的即興發揮而非機械複製 [24:24]。
音樂本質上具有 分形 (Fractal) 特徵，展現出與宇宙相似的自相似性，即微觀的波形結構在放大後與宏觀的結構呈現相同樣貌 [24:56]。自然界中的風聲、水聲皆具有分形結構，這使得音樂與大自然緊密相連，比古希臘所謂的「天體和諧」說更具當代科學意義 [26:01]。有趣的是，與具備發聲學習能力的鳥類相比，人類祖先靈長類並不特別具備音樂性。人類音樂是從頭開始重新演化的「偉大合成器」，集結了昆蟲的節奏、鳥類的旋律與靈長類的姿勢，並注入了人類特有的情感與對死亡有限性的體悟 [27:27]。
當 NASA 的航海家號攜帶金唱片進入太空時，收錄了巴哈（Bach）、查克·貝里（Chuck Berry）及所羅門群島排笛等多元音樂。Spitzer 認為外星人可能會發現人類是「平原生物」，聽覺範圍極窄且歌曲長度受限。但外星人會察覺到人類與動物音樂同樣具有階層重複性，並能識別出源自四百萬年前的步行節奏，這反映了人類身體在環境中的移動方式 [29:57]。
人類天生擁有規律節奏與旋律記憶的音樂本能，但文化會隨後介入，決定嬰兒喜歡二拍子或三拍子，以及特定的律制。人類共享基本的情緒詞彙，這對應到大腦的不同層次。腦幹 (Brain Stem) 對巨大的衝擊聲產生反射；基底核 (Basal Ganglia) 負責快樂與不快；杏仁核 (Amygdala) 處理悲、喜、怒、懼；而最先進的 新皮質 (Neocortex) 則處理複雜的模式。越往大腦深處探索，音樂與情緒的連結就越具普世性 [32:24]。
音樂隨人類遷徙而傳播。從絲路上的魯特琴與小提琴演變，到非洲奴隸將舞曲帶入里斯本並影響巴哈的作品，音樂在文化交融中自然化。例如日本每年除夕演奏貝多芬的第九號交響曲，對其而言，貝多芬共鳴了日本對於禮儀與傳統尊重的精神，展現了社會凝聚力與禪意，而非西方的個人主義 [35:04]。中西方審美亦有差異：西方區分音符與噪音，東方則傾向將音樂融入自然（如孔子在杏樹下彈奏 古琴 (Qin)）。公元前 433 年的 曾侯乙編鐘 顯示出當時中國的聲學科學遠超西方，西方的鈴鈴聲被放逐至教堂鐘塔，而中國則將其視為理解自然聲響與音色的藝術 [38:04]。
當代全球化正經歷「反向殖民」，非洲音樂（爵士、搖滾）與 K-pop 重新教育了西方的聽覺。我們應該將音樂從天才作曲家的神壇取回，還給一般大眾。過去十九世紀將作曲家神格化，使表演者淪為機械複製品，限制了音樂的生命力 [40:13]。
音樂與運動的神經連結是人類特有的，這讓我們能透過 鏡像神經元 (Mirror Neurons) 產生情緒共鳴。當我們看到他人悲傷或聽到悲傷音樂時，身體會自發模仿。實驗顯示，幼童在聽見羅西尼（Rossini）的《威廉泰爾序曲》時會自發跳動，這是天生的本能反應 [42:36]。音樂能引發強烈的 顫慄感 (The Chills)，這與恐懼反應（起雞皮疙瘩）共用大腦路徑。審美體驗讓我們能在安全的觀察平台享受極端的、無危險的「暴力」或昇華感 [45:50]。
情感在演化中具備適應功能：快樂是達成目標，憤怒是目標受阻，恐懼是威脅反應。音樂利用模式的建立與挫敗（衝擊感）來觸發這些原始反應。學習樂器則能重塑大腦，使音樂處理轉向負責語言的左半球，並培養紀律、團隊協作與專注力等可遷移技能 [47:34]。音樂還能透過降低皮質醇緩解壓力，增加多巴胺產生快樂，並作為身分認同的標記。對於青少年而言，音樂定義了語言無法精準捕捉的自我。雖然聽音樂是主動的創造活動，但臨床應用需謹慎，例如阿茲海默症患者不適合過於重複的巴洛克音樂，憂鬱症患者也需避開強化負面情緒的旋律 [49:57]。
展望未來，音樂不會因為互聯網的普及而同質化，因為藝術家總追求獨特，且音樂仍是表達身分認同的工具。Spitzer 預測音樂將更具功能性（如針對情緒疾病的精準聲音處方），並與技術高度整合。我們正重拾數千年前的參與式環境，透過數字平台進行共同創作 [52:46]。手機等設備讓我們成為與音樂共生的存在。技術如骨笛一樣是人類能力的延伸，電腦程式（如 Watson Beat）則拓展了想像空間，由人類負責最終的編輯與修剪 [55:39]。未來音樂可能超越聲音範疇，結合味覺、色彩與目前的聽覺極限之外的頻率，開創出今日如莫札特或貝多芬也無法想像的可能性 [57:16]。