科學新聞難道不能好吃好玩又有營養嗎？——《科學研習》

• 作者／賴昭正｜前清大化學系教授、系主任、所長；合創科學月刊

我擔心人工智慧可能會完全取代人類。如果人們能設計電腦病毒，那麼就會有人設計出能夠自我改進和複製的人工智慧。 這將是一種超越人類的新生命形式。

——史蒂芬．霍金（Stephen Hawking）　英國理論物理學家

大約在八十年前，當第一台數位計算機出現時，一些電腦科學家便一直致力於讓機器具有像人類一樣的智慧；但七十年後，還是沒有機器能夠可靠地提供人類程度的語言或影像辨識功能。誰又想到「人工智慧」（Artificial Intelligent，簡稱 AI）的能力最近十年突然起飛，在許多（所有？）領域的測試中擊敗了人類，正在改變各個領域——包括假新聞的製造與散佈——的生態。

圖形處理單元（graphic process unit，簡稱 GPU）是這場「人工智慧」革命中的最大助手。它的興起使得九年前還是個小公司的 Nvidia（英偉達）股票從每股不到 $5，上升到今天（5 月 24 日）每股超過 $1000（註一）的全世界第三大公司，其創辦人（之一）兼首席執行官、出生於台南的黃仁勳（Jenson Huang）也一躍成為全世界排名 20 內的大富豪、台灣家喻戶曉的名人！可是多少人了解圖形處理單元是什麼嗎？到底是時勢造英雄，還是英雄造時勢？

在回答這問題之前，筆者得先聲明筆者不是學電腦的，因此在這裡所能談的只是與電腦設計細節無關的基本原理。筆者認為將原理轉成實用工具是專家的事，不是我們外行人需要了解的；但作為一位現在的知識分子或公民，了解基本原理則是必備的條件：例如了解「能量不滅定律」就可以不用仔細分析，即可判斷永動機是騙人的；又如現在可攜帶型冷氣機充斥市面上，它們不用往室外排廢熱氣，就可以提供屋內冷氣，讀者買嗎？

CPU 與 GPU

不管是大型電腦或個人電腦都需具有「中央處理單元」（central process unit，簡稱 CPU）。CPU 是電腦的「腦」，其電子電路負責處理所有軟體正確運作所需的所有任務，如算術、邏輯、控制、輸入和輸出操作等等。雖然早期的設計即可以讓一個指令同時做兩、三件不同的工作；但為了簡單化，我們在這裡所談的工作將只是執行算術和邏輯運算的工作（arithmetic and logic unit，簡稱 ALU），如將兩個數加在一起。在這一簡化的定義下，CPU 在任何一個時刻均只能執行一件工作而已。

在個人電腦剛出現只能用於一般事物的處理時，CPU 均能非常勝任地完成任務。但電腦圖形和動畫的出現帶來了第一批運算密集型工作負載後，CPU 開始顯示心有餘而力不足：例如電玩動畫需要應用程式處理數以萬計的像素（pixel），每個像素都有自己的顏色、光強度、和運動等, 使得 CPU 根本沒辦法在短時間內完成這些工作。於是出現了主機板上之「顯示插卡」來支援補助 CPU。

1999 年，英偉達將其一「具有集成變換、照明、三角形設定／裁剪、和透過應用程式從模型產生二維或三維影像的單晶片處理器」（註二）定位為「世界上第一款 GPU」，「GPU」這一名詞於焉誕生。不像 CPU，GPU 可以在同一個時刻執行許多算術和邏輯運算的工作，快速地完成圖形和動畫的變化。

依序計算和平行計算

一部電腦 CPU 如何計算 7×5+6/3 呢？因每一時刻只能做一件事，所以其步驟為：

• 計算 7×5；
• 計算 6/3；
• 將結果相加。

總共需要 3 個運算時間。但如果我們有兩個 CPU 呢？很多工作便可以同時（平行）進行：

• 同時計算 7×5 及 6/3；
• 將結果相加。

只需要 2 個運算時間,比單獨的 CPU 減少了一個。這看起來好像沒節省多少時間，但如果我們有 16 對 a×b 要相加呢？單獨的 CPU 需要 31 個運算的時間（16 個 × 的運算時間及 15 個 + 的運算時間），而有 16 個小 CPU 的 GPU 則只需要 5 個運算的時間（1 個 × 的運算時間及 4 個 + 的運算時間）！

現在就讓我們來看看為什麼稱 GPU 為「圖形」處理單元。圖一左圖《我愛科學》一書擺斜了，如何將它擺正成右圖呢？ 一句話：「將整個圖逆時針方向旋轉 θ 即可」。但因為左圖是由上百萬個像素點（座標 x, y）組成的，所以這句簡單的話可讓 CPU 忙得不亦樂乎了：每一點的座標都必須做如下的轉換

x’ = x cosθ + y sinθ

y’ = -x sinθ+ y cosθ

即每一點均需要做四個 × 及兩個 + 的運算！如果每一運算需要 10^-6 秒，那麼讓《我愛科學》一書做個簡單的角度旋轉，便需要 6 秒，這豈是電動玩具畫面變化所能接受的？

人類的許多發明都是基於需要的關係，因此電腦硬件設計家便開始思考：這些點轉換都是獨立的，為什麼我們不讓它們同時進行（平行運算，parallel processing）呢？於是專門用來處理「圖形」的處理單元出現了——就是我們現在所知的 GPU。如果一個 GPU 可以同時處理 10⁶ 運算，那上圖的轉換只需 10^-6 秒鐘！

GPU 的興起

GPU 可分成兩種：

• 整合式圖形「卡」（integrated graphics）是內建於 CPU 中的 GPU，所以不是插卡，它與 CPU 共享系統記憶體，沒有單獨的記憶體組來儲存圖形／視訊，主要用於大部分的個人電腦及筆記型電腦上；早期英特爾（Intel）因為不讓插卡 GPU 侵蝕主機的地盤，在這方面的研發佔領先的地位，約佔 68% 的市場。
• 獨立顯示卡（discrete graphics）有不與 CPU 共享的自己專用內存；由於與處理器晶片分離，它會消耗更多電量並產生大量熱量；然而，也正是因為有自己的記憶體來源和電源，它可以比整合式顯示卡提供更高的效能。

2007 年，英偉達發布了可以在獨立 GPU 上進行平行處理的軟體層後，科學家發現獨立 GPU 不但能夠快速處理圖形變化，在需要大量計算才能實現特定結果的任務上也非常有效，因此開啟了為計算密集型的實用題目編寫 GPU 程式的領域。如今獨立 GPU 的應用範圍已遠遠超出當初圖形處理，不但擴大到醫學影像和地震成像等之複雜圖像和影片編輯及視覺化，也應用於駕駛、導航、天氣預報、大資料庫分析、機器學習、人工智慧、加密貨幣挖礦、及分子動力學模擬（註三）等其它領域。獨立 GPU 已成為人工智慧生態系統中不可或缺的一部分，正在改變我們的生活方式及許多行業的遊戲規則。英特爾在這方面發展較遲，遠遠落在英偉達（80%）及超微半導體公司（Advance Micro Devices Inc.，19%，註四）之後，大約只有 1% 的市場。

事實上現在的中央處理單元也不再是真正的「單元」，而是如圖二可含有多個可以同時處理運算的核心（core）單元。GPU 犧牲大量快取和控制單元以獲得更多的處理核心，因此其核心功能不如 CPU 核心強大，但它們能同時高速執行大量相同的指令，在平行運算中發揮強大作用。現在電腦通常具有 2 到 64 個核心；GPU 則具有上千、甚至上萬的核心。

結論

我們一看到《我愛科學》這本書，不需要一點一點地從左上到右下慢慢掃描,即可瞬間知道它上面有書名、出版社等，也知道它擺斜了。這種「平行運作」的能力不僅限於視覺，它也延伸到其它感官和認知功能。例如筆者在清華大學授課時常犯的一個毛病是：嘴巴在講，腦筋思考已經不知往前跑了多少公里，常常為了追趕而越講越快，將不少學生拋到腦後！這不表示筆者聰明，因為研究人員發現我們的大腦具有同時處理和解釋大量感官輸入的能力。

人工智慧是一種讓電腦或機器能夠模擬人類智慧和解決問題能力的科技，因此必須如人腦一樣能同時並行地處理許多資料。學過矩陣（matrix）的讀者應該知道，如果用矩陣和向量（vector）表達，上面所談到之座標轉換將是非常簡潔的（註五）。而矩陣和向量計算正是機器學習（machine learning）演算法的基礎！也正是獨立圖形處理單元最強大的功能所在！因此我們可以了解為什麼 GPU 會成為人工智慧開發的基石：它們的架構就是充分利用並行處理，來快速執行多個操作，進行訓練電腦或機器以人腦之思考與學習的方式處理資料——稱為「深度學習」（deep learning）。

黃仁勳在 5 月 22 日的發布業績新聞上謂：「下一次工業革命已經開始了：企業界和各國正與英偉達合作，將價值數萬億美元的傳統資料中心轉變為加速運算及新型資料中心——人工智慧工廠——以生產新商品『人工智慧』。人工智慧將為每個產業帶來顯著的生產力提升，幫助企業降低成本和提高能源效率，同時擴大收入機會。」

附錄

人工智慧的實用例子：下面一段是微軟的「copilot」代書、谷歌的「translate」代譯之「one paragraph summary of GPU and AI」。讀完後，讀者是不是認為筆者該退休了？

GPU（圖形處理單元）和 AI（人工智慧）之間的協同作用徹底改變了高效能運算領域。GPU 具有平行處理能力，特別適合人工智慧和機器學習所需的複雜資料密集運算。這導致了影像和視訊處理等領域的重大進步，使自動駕駛和臉部辨識等技術變得更加高效和可靠。NVIDIA 開發的平行運算平台 CUDA 進一步提高了 GPU 的效率，使開發人員能夠透過將人工智慧問題分解為更小的、可管理的、可同時處理的任務來解決這些問題。這不僅加快了人工智慧研究的步伐，而且使其更具成本效益，因為 GPU 可以在很短的時間內執行與多個 CPU 相同的任務。隨著人工智慧的不斷發展，GPU 的角色可能會變得更加不可或缺，推動各產業的創新和新的可能性。大腦透過神經元網路實現這一目標，這些神經元網路可以獨立但有凝聚力地工作，使我們能夠執行複雜的任務，例如駕駛、導航、觀察交通信號、聽音樂並同時規劃我們的路線。此外，研究表明，與非人類動物相比，人類大腦具有更多平行通路，這表明我們的神經處理具有更高的複雜性。這個複雜的系統證明了我們認知功能的卓越適應性和效率。我們可以一邊和朋友聊天一邊走在街上，一邊聽音樂一邊做飯，或一邊聽講座一邊做筆記。人工智慧是模擬人類腦神經網路的科技，因此必須能同時並行地來處理許多資料。研究人員發現了人腦通訊網路具有一個在獼猴或小鼠中未觀察獨特特徵：透過多個並行路徑傳輸訊息,因此具有令人難以置信的多任務處理能力。

註解

（註一）當讀者看到此篇文章時，其股票已一股換十股，現在每一股約在 $100 左右。

（註二）組裝或升級過個人電腦的讀者或許還記得「英偉達精視 256」（GeForce 256）插卡吧?

（註三）筆者於 1984 年離開清華大學到 IBM 時，就是參加了被認為全世界使用電腦時間最多的量子化學家、IBM「院士（fellow）」Enrico Clementi 的團隊：因為當時英偉達還未有可以在 GPU 上進行平行處理的軟體層，我們只能自己寫軟體將 8 台中型電腦（非 IBM 品牌！）與一大型電腦連接來做平行運算，進行分子動力學模擬等的科學研究。如果晚生 30 年或許就不會那麼辛苦了?

（註四）補助個人電腦用的 GPU 品牌到 2000 年時只剩下兩大主導廠商：英偉達及 ATI（Array Technology Inc.）。後者是出生於香港之四位中國人於 1985 年在加拿大安大略省成立，2006 年被超微半導體公司收購，品牌於 2010 年被淘汰。超微半導體公司於 2014 年 10 月提升台南出生之蘇姿豐（Lisa Tzwu-Fang Su）博士為執行長後，股票從每股 $4 左右，上升到今天每股超過 $160，其市值已經是英特爾的兩倍，完全擺脫了在後者陰影下求生存的小眾玩家角色，正在挑戰英偉達的 GPU 市場。順便一題：超微半導體公司現任總裁（兼 AI 策略負責人）為出生於台北的彭明博（Victor Peng）；與黃仁勳及蘇姿豐一樣，也是小時候就隨父母親移居到美國。

（註五）或。

延伸閱讀

• 「熱力學與能源利用」，《科學月刊》，1982 年 3 月號；收集於《我愛科學》（華騰文化有限公司，2017 年 12 月出版），轉載於「嘉義市政府全球資訊網」。
• 「網路安全技術與比特幣」，《科學月刊》，2020 年 11 月號；轉載於「善科教育基金會」的《科技大補帖》專欄。

當你使用 Google 查資料時，是否曾經看過打著「看完這個我震驚了！」「知道這件事，讓全網都傻眼了！」這類吸睛標題的文章，點進去卻發現內容乏善可陳、錯誤百出甚至跟標題完全無關？這就是所謂「內容農場」文！

內容農場透過稿費低廉的寫手，在短時間內大量產生品質不穩定、缺乏資料來源，且內容缺乏價值的文章，用聳動標題吸引點擊，並在網站中插入一堆廣告，藉此將流量變現。

假如每次查資料，出現的搜尋結果都是內容農場的文章，讓人無法得到問題的真正解答，搜尋者的感受肯定糟透了。因此，Google 為了解決內容農場氾濫的問題，在 2011 年推出名為「熊貓」的演算法（Google Panda），以維護使用者的搜尋體驗。

什麼是熊貓演算法？從 2010 年開始說起

2010 年左右，內容農場大舉興起，隨便搜個關鍵字都可能會跑出帶有聳動標題、內容卻毫無意義的廢文。當時，一間名為 Demand Media 的網路公司突然竄起、擠進美國前二十大網路媒體中，靠的就是內容農場。

Demand Media 一天可以產出七千多篇品質低劣的文章、透過廣告把高流量轉成鉅額收入，甚至在 2010 年下半宣布申請公開募股。2011 年初，美國知名的網路媒體商業內幕（Bussiness Insider）發布一篇報導直指 Google 的搜尋引擎演算法已經「被摧毀」，顯見內容農場的猖狂。

2011 年 2 月，Google 宣布新演算法正式上線，此次更新為的是打擊內容品質低下或是對使用者來說價值極低的網站，直衝內容農場而來。隨後，Google 當時負責搜尋引擎的領頭人物之一 Amit Singhal 在採訪中表示內部稱呼這個演算法為「熊貓」 (Panda) 、取自其主要開發工程師 Navneet Panda 之名，熊貓演算法的名號就此廣為人知。

官方提到，熊貓演算法推出後有效影響了 11.8% 的查詢結果。2012 年初，洛杉磯時報報導 Demand Media 的營收虧損了 640 萬美金，正是受到熊貓演算法的衝擊；Demand Media 也在自家的前景報告中兩次提及 Google 演算法變化帶來的潛在風險，足見熊貓演算法對內容農場的「殺傷力」。

熊貓演算法的打擊對象

根據美國 SEO 權威網站 Moz 的整理，熊貓演算法主要打擊的低品質對象有這些類型：

• 內容農場
• 惡意抄襲、剽竊他人的原創內容
• 低可信度、高誤導性的內容
• 膚淺內容（Thin Content），也就是對使用者而言價值極低、毫無幫助的內容。例如在內文裡刻意堆一堆關鍵字，整體文章卻跟該關鍵字毫無關聯；大量轉載別人的文章或熱門論壇的討論、沒有自己的原創內容等。
• 為了塞廣告而打造的內容，廣告佔幅遠遠超過內文。
• 標題聳動，內容卻毫無相關的網站。例如標題寫「肯德基優惠券」，點進去卻根本找不到優惠券。
• 被使用者手動封鎖的網站。會讓使用者花時間和心力手動封鎖，極可能是內容品質真的太差勁。

一旦被熊貓演算法判定為垃圾內容，就會受到懲罰、拉低該網頁在搜尋結果頁的排名。隨著排名下降，使用者依循關鍵字搜尋而點擊進來的自然流量當然也會瞬間盪到谷底；更嚴重者，甚至可能會直接消失在網路世界，再也無法被搜尋到。

不想被熊貓演算法懲罰，該怎麼做？

既然熊貓演算法是為了清掃低品質內容而生，遠離演算法懲罰的最好辦法就是產出優質內容。

什麼才是優質內容呢？Google 在其官方說明中已經給了解答：搜尋引擎的根本目標是要針對使用者的疑問，最有效率地找出相關答案。也就是說，搜尋引擎的本質是為使用者服務，對用戶來說實用、有價值的，就是高品質內容。

在判斷內容品質低劣與否時，使用者的操作數據是重要指標之一。Google 會從網頁的點擊率、跳出率、停留時間等數值，來評判人們是否喜歡這個網頁。此外，Google 亦從第三方聘請許多搜尋品質評分者（Google Quality Rater），從讀者的角度審查網頁內容的專業性、可信度等等，以衡量搜尋結果的品質。

由於內容農場空洞乏味、言不及義，很難通過這些考驗；由此也可看出，好的內容並非是要迎合演算法。事實上，只要能為使用者帶來幫助、受到青睞，自然會成為優質內容。

至於打造高品質內容的具體方式，Moz 所提出的「十倍內容法」（10 x Content）是很實用的技巧。在資訊爆炸、SEO 成為顯學的現在，「好」內容的競爭力已經不夠，必須要比搜尋結果排名第一的網站好上十倍、達到「極致好」，才有可能脫穎而出。例如，在文章中加入自己的親身體驗、數據研究、精美懶人包等等，都是實踐十倍內容法，創造與競爭對手不同的獨特性，進而打造出極優秀內容的好方法。

在撰寫內容之前，也可以參考當初 Google 在設計熊貓演算法時，所制定的 23 條基本問題。比如：「你是否信任這個網頁所提供的資訊？」、「這個網頁是否提供任何原創資訊、報告或數據？」、「這是一個你會想收藏或是分享、推薦給朋友的網頁嗎？」等等。假如你的內容能夠確實且良好地回答這些問題，正符合了「優質」的標準。

總結

多虧了熊貓演算法，比起 2010 年代初，內容農場出現在搜尋結果的頻率已減少許多、確實提升了整體搜尋體驗。

時至今日，熊貓演算法仍持續更新，以因應不斷變化的網路世界與層出不窮的低品質網頁。事實上，2016年時熊貓演算法被整合為Google核心演算法 (Core Algorithm)的一部分，雖然熊貓演算法不再是獨立存在的演算法，但其「打擊低品質內容」的精神仍被保留於核心演算法中。

無論演算法如何演變，打造優質內容都是遠離懲罰、經營 SEO 和爭取排名的不二法門；瞭解了熊貓演算法的來龍去脈和運作規則後，更有助於你往創造高品質內容的路上邁進！

資料來源

1. Google’s Search Algorithm Has Been Ruined, Time To Move Back To Curation
2. Finding more high-quality sites in search – Google Official Blog
3. TED 2011: The ‘Panda’ That Hates Farms: A Q&A With Google’s Top Search Engineers
4. Demand Media posts $6.4-million loss in fourth quarter – Los Angeles Times
5. Google Panda Update Costs Demand Media $6.4 Million In 4th Quarter?
6. Google Panda – Moz
7. Google 官方說明
8. How to Create 10x Content — Best of Whiteboard Friday – Moz
9. Google 搜尋中心
10. Google’s Panda Now Part of Its Core Ranking Algorithm

文／雷雅淇｜泛科學主編

當我們能改善傳播資訊的介質，從而去影響內容產生者，科學新聞就不會再是由無聊的新聞稿改寫、劣質的翻譯外電和一抄再抄未經證實的謠言，而會是一道道好吃好玩又有營養的美味佳餚。

• 延伸閱讀：用 12 堂課提升科學思辨力，更新現代人必備的生存演算法！

從那則未看先分享的科學報導說起

今（2016）年 6 月，The Science Post 刊登了一篇標題為〈研究指出：70% 的 Facebook 用戶在看科學報導時，只看標題就留言評論〉（Study: 70% of Facebook users only read the headline of science stories before commenting）[1]，光是標題就已經令內容生產者們難過得心碎，更諷刺的是：這篇文章的內文其實是內容產生器捏造的假內容，而它卻居然有超過五萬次的分享[2][3]。

把鏡頭轉到棚內：《泛科學》在 2015 年的愚人節時，於 Facebook 上分享了一篇玩笑的科學報導〈治痔瘡，請把衛生紙對折兩次！〉[4]，本篇文章在當時就有在內文中非常明顯地標註這是愚人節的玩笑；但觀看讀者的反應後卻意外地發現，相信這是真的科學研究的也不在少數。於是，我們之後寫了非常認真地痔瘡文來贖罪[5]。

這兩個有趣的事件，也讓我們一窺一些人們現在對於資訊的處理習慣：容易相信權威、「專家」下的結論，就算是閱讀文章就會看到的明顯錯誤，還是會有人未讀先分享；當然也有一定比例發現真相的讀者，是在拿著這支釣竿釣其他的魚。在 ACM SIGMETRICS 期刊一篇「真」的研究 Social clicks: What and whogets read on Twitter? [6]，研究人員統計發現在 Twitter 上有 59% 的連結沒有被點擊就被轉推，也就是說這些人沒有閱讀過內容就把它分享出去了，而且是大部分的資訊都如此。

你可能覺得你是那些會把內容看完真心覺得不錯才真情推薦給親朋好友的閱聽人，但試想我們每天會接觸到多少的資訊？真的有辦法每一則都好好吸收然後處理嗎？這些資訊又是怎樣送到你我的面前？又是誰決定它重不重要？在這看似容易實則更難傳播內容的時代，需要有邏輯、有脈絡的科學新聞，但在這艱困的傳播環境中它可以生存嗎？

臺灣沒有科學新聞嗎？

翻開新聞，會發現在主流媒體當中也不是沒有科學新聞，雖然時不時會有讓人哭笑不得的新聞出現：用溫度計當尺來量雪的高度[7]、臺北高雄只要 15 分鐘的「光速」高鐵[8]、激素鳳梨吃太多人也會性早熟[9]、用睪丸進食的人齒怪魚和謙虛的苔蘚[10]⋯⋯。當我們苦笑過後，更應該要想的是：這樣理應很容易發現基本理論錯誤的科學新聞，怎麼還是經過了層層關卡而出現在你我面前；臺灣科學新聞的產製過程中，是不是遇到了什麼困難？

「科學是一個很長的故事，但新聞在意的卻僅在快門的一瞬間。」[11]

主流媒體面臨巨大的市場壓力，報導科學新聞吃力又不討好；況且，臺灣的記者大多不是理工科背景出身，要自行跨過科學新聞的高門檻談何容易，更別說還要追求效率、時效性和滿足娛樂性[12]。我們常會搖頭嘆息臺灣的科學新聞怎麼總是「謠言、外電、新聞稿」[10]；但在設備、資源投入有限，臺灣媒體無法自製科學報導的情況下，轉譯無需額外付費的外電和國外媒體、現成的新聞稿，就變成科學新聞的來源[11]；但又因為有科學背景的新聞從業人員較少，報導出來的科學新聞就會有關係錯置、忽略過程、便宜行事⋯⋯等情況發生[11]。

科學新聞產製過程困難的問題，也導致我們的科學新聞很「偏食」；想想你在看新聞的時候最常看到那種主題？馬上浮現在腦中的就是某某研究說吃什麼會導致什麼疾病、那裏有地震和颱風生成、有個很酷很棒的科技產物或許未來上市會改變我們的生活⋯⋯。不論是報紙或是電視，科學新聞有很大的比例都是醫療類型的報導，其次是地球航太和科技工程[13]。然後你也會發現，報導的大多是科學活動中的下游產物，這些內容已經有實際的產品或是對一般人的日常生活有影響力，那些還在實驗室建構中的科學理論的上游理論和中游研發的科學新聞，比例甚少[12]。

沒有資源投入讓優質的科學新聞產製困難，劣質的科學新聞讓閱聽人沒有好的典範可以閱聽和傳播，導致需求不被看見而資源難以投入；我們有可能打破這樣的惡質循環嗎？

讓科學新聞向上循環？請你跟我這樣做

1. 對眼前的資訊充滿質疑，沒有誰是全知全能的專家。

比起過往我們多從報紙、電視或是書本中接受資訊的時代，網路讓我們乍看之下有了更多主動的選擇；但社群平台、搜尋引擎等仍利用演算法決定什麼樣的資訊應該送到我們的面前，而且更不著痕跡，甚或是讓我們被過濾氣泡[13] 包圍而不自覺。我們真的有辦法抬頭挺胸大聲地說：所有資訊都是我們選擇而來，並且知道它的重要性和意義嗎？

而不管是在網路或是新聞中，很多事情我們都習慣信任所謂的「專家」替我們下結論，但這是極其危險的。先不論那些不管什麼事件都會被記者詢問任何意見的「專家」或是「網路觀察家」，在這專業極其細分的時代，沒有人能看得到事件的所有全貌，專家既使學有專精，但面對這個複雜的世界，沒有人能解答所有的問題。所以不要停止對眼前的資訊產生質疑，尤其是當你覺得它似乎有些陷阱，某些內容觸動了你內心的警鈴，或是有個「專家」告訴你他知道所有的事。

2. 奪回自己知的權利，拒絕對資訊做出膝跳反應

如果不能相信專家，又不能親信眼前看到的資訊，那我們該怎麼辦？盡自己的力量，試著層層解剖那些令人質疑的資訊吧！新聞常會把事情講得簡單：有毒的物質就該「零檢出」，致癌物超標就是對人體有害。但科學是複雜的，零檢出取決於你的檢測方法和儀器，致癌物超標也不等同於一定致癌。在面對被簡單處理的資訊時，別急著馬上「認同請分享」的公告周知，先停下來想想看，或是試著找找相關資訊，你會發現它跟你第一次看見時的樣貌有些不一樣。

3. 持續監督、不停傳播，好的壞的都不要只有自己知道

經過質疑、查找的不斷反覆練習，當我們越來越有「判讀力」，越來越不能接受眼前被斷章取義、誇大不實、下錯結論的惡質資訊時，該怎麼辦？不要只是笑完然後慶幸自己沒有上當，持續監督那些散播劣質內容的來源、並不停地將你知道的告訴身旁的人吧！

物質的傳遞需要介質，而謠言能不脛而走通常是盲目擴散居多。當我們能改善傳播資訊的介質，從而去影響內容產生者，科學新聞就不會再是由無聊的新聞稿改寫、劣質的翻譯外電和一抄再抄未經證實的謠言，而會是一道道好吃好玩又有營養的美味佳餚。

• 延伸閱讀：用 12 堂課提升科學思辨力，更新現代人必備的生存演算法！

參考資料：

1. SP Team (2016, April). Study: 70% of FACEBOOK users only read the headline of science stories before commenting. The Science Post.
2. 阿咖（2016 年6 月）。你也被這篇文騙到了嗎？「 70% 網友只看標不看內文」。地球圖輯隊。
3. Dewey, C (2016, June). 6 in 10 of you will share this link without reading it, a new, depressing study says. Washington Post.
4. Mo（2011 年4 月）。治痔瘡，請把廁紙疊兩次！果殼網。
5. 蔣維倫（2015 年6 月）。如坐針氈，讓你有「痔」難伸的痔瘡。泛科學。
6. Gabielkov, M., Ramachandran, A., Chaintreau,A., & Legout, A. (2016). Social clicks: What and who gets read on Twitter? ACM SIGMETRICS/IFIP Performance2016.
7. 糗！記者溫度計錯當尺 網友笑翻（2014年2 月）。自由時報。
8. 有美國最新的超級高鐵逼近光速的八卦嗎？（2016 年5 月）。批踢踢實業坊。取自科學新聞解剖室（2015 年4 月）。
9. 激素鳳梨吃太多，恐致孩童性早熟？泛科學。
10. 顏聖紘（2016 年8 月）。從「用睪丸進食的魚」到「謙虛的苔蘚」， 臺灣媒體缺的不只翻譯人才。鳴人堂。
11.  黃俊儒（2014）。別輕易相信！你必須知道的科學偽新聞。臺北市：時報出版。
12.  林艾潔、黃靜蓉（2014）。科學新聞之資源基礎觀點分析：以臺灣主流媒體為例。傳播與社會學刊，28 ，23–61。
13.  張郁敏（2013）。什麼樣的科學新聞內容會受新聞媒體青睞？報紙與電視科學新聞媒體顯著性之決定因素初探。新聞學研究，117 ，47-88。
14. 新媒體世代（2015）。誰該為Facebook的「過濾氣泡」現象負責？泛科學。

本文摘自《科學研習》月刊第 55 卷第 10 期，2016 年 10 月號。

• 文／世新大學新聞系助理教授 陳秀鳳
  本文轉載自新興科技媒體中心，原文為《「多工」與「趕工」生態：臺灣媒體與科學新聞的距離》

科學是個很長的故事，媒體要的卻只是快門的一瞬間

「一個國家級科研單位召開記者會，記者姍姍來遲，發佈會上，大部分記者忙著埋頭抄新聞稿打字趕即時，因為無法專心聽簡報，簡報完畢，沒提出太多問題，記者會也匆匆結束。」隨著媒體開放，在市場導向下，這是科學（科技）線資深記者李宗祐，與我分享的日常觀察。

科學傳播研究裡有一句名言是：「科學是個很長的故事，媒體要的卻只是快門的一瞬間。」；這句話某種程度說明了「科學」與「媒體」原本就是本質上十分悖離的兩種文化，因此要將這兩種文化結合地很好，需要付出很大的努力與成本。¹

然而，在現今社群媒體蓬勃、網路眾聲喧嘩下，臺灣媒體處於眼球競爭²的生態中，加上新聞報導網路化、即時化、破碎化，使得第一線記者處於「多工」與「趕工」的狀態，多數記者在來不及思考，也缺乏挖掘新聞企圖心的情況下，變成只能拍照、抄新聞稿。就如資深科學記者李宗祐所說：「除非發佈單位本身很會寫新聞稿，否則記者抄寫的新聞，可讀性不高，點閱率也偏低。」

一則科學新聞不論是探討的題材、角度、資料的蒐集，與受訪者的溝通、採訪與後製的技能，它所需要的人力、物力與時間都比一般新聞更多，不是非科學新聞所能比擬。同時，科學家與記者間的認知差異也需要溝通。以電視媒體為例，記者必須能將科學內容轉換、詮釋、編輯、結合影像與聲光，使科學新聞更加豐富而吸引人。但是在當前講求收視率、投資報酬率、以及網路速食新聞的環境中，電視新聞要如何採製科學新聞？首先必須瞭解科學家與記者之間的認知差異。

歐洲聯盟執行委員會（European Commission）在出版的「傳播科學：科學家的致勝寶典」³中歸納出以下六點：

1. 新聞記者一如公眾輿論，期待科學提供肯定的答案；但科學主要就是要提出問題與疑義，再嘗試作出解答。
2. 記者努力找出故事中的感性層面，而科學家則力求中立客觀。有時科學家認為激情只是譁眾取寵，也有時這只是行銷故事的「調味料」。
3. 記者尋找結果，即使是暫時性的、片段性的、或者有些激情的結果。但科學家們寧願在實驗室裡仔細的反覆驗證，極少出來大喊「我發現了！」。
4. 記者喜歡撰寫「科學家獨自達成革命性發現」的故事。但科學家卻認為科學是具累積性與合作性的事業，即使是牛頓也承認他的成功是「站在巨人的肩膀上」。
5. 記者尋找對立性，科學家尋求共識性。科學家認為，精確就是代表著遵循權威性一致說法，記者則認為具差異性的言論，才能帶來完整的故事。
6. 記者來去匆匆，因為有不斷逼近的截稿日期，而且必須要填滿指定篇幅，不論報導是文字或是數分鐘的電視播出，無論如何都須要帶著採訪成果回去。相反的，科學家的進度是依據研究自然推展。

因為前述六項認知的差異，使得科學新聞的產製面臨一般新聞採製不會發生的問題，科學新聞也被歸為「冷門路線」，在平面媒體多半被視為副線，在電子媒體則根本沒有主跑這條路線的記者。尤其新媒體興起，原本的紙媒多轉向經營數位部門、主打網路即時新聞，一天只發行一次的報紙反成為副產品。以蘋果日報為例，報紙本身已經沒有配置記者，每日的新聞是從數位部門檢選編輯而成。中國時報、聯合報雖仍有報紙記者編制，但人數已不若網路數位部門，而且多半一人多工，寫稿、拍照、攝影，還要同時拚即時新聞。

科學新聞重要，卻難產

過去中國時報曾經相當重視《科學》（Science）《自然》（Nature）等期刊的報導（其中以太空天文及疫病領域的相關議題較受讀者青睞），但隨著媒體開放百家爭鳴，點閱率日降，加上報紙版面有限，科學新聞不容易採寫、讀者又是小眾，互動性不強，於是高互動、又容易取得的網路鄉民言論，逐漸取代紙媒的呈現方式。聯合報教育版於 2005 年底曾推出「新聞中的科學」專欄，在各類新聞中選出與科學、生活新知相關的主題，由資深記者聯合執筆，這是國科會（今科技部）經費支援的科普計畫之一，多年來亦養成一群固定的小眾讀者。可惜的是，隨著計畫結束，「新聞中的科學」專欄終無以為繼。在電視媒體方面，近年經營有成、頗具口碑的民視新聞台每週六上午播出的「科學再發現」，以及台視新聞「發現科學」單元，收視狀況雖差強人意，但最近也都因為補助停止而陸續結束。

儘管社會普遍承認科學傳播的重要性，從國科會時代開始即持續補助媒體產業於科學新聞與科普節目的製作，惟因科學新聞的產製涉及複雜的專業知識和採製技能，不論是平面或是電視媒體，基於商業和收視考量，常忽略其發展，或是採取畏懼和抗拒的態度。再加上新聞記者，尤其是電視記者多半是文科背景，對於科學新聞採訪製作通常採取排拒態度，科學新聞的產量算是極為少數之作。除非有政府經費挹注，或者媒體決策者的支持，否則難以長期耕耘。

茲舉 2013 年我在電視新聞實務界服務時，曾受命製作一系列臺灣能源專題為例。印象深刻的是，當時曾與科學顧問們「雞同鴨講」了好幾個星期，雙方無法理解彼此的專業語言和需求，最後有賴轉譯者居中溝通，我才能開始召集記者說明並分派任務。在這過程中，遭到多數記者和主管的抗拒，理由不外乎是「太難做了」、「做了民眾也不會懂、不想看」、「沒有畫面」、「受訪者不好約」，甚至是「沒有收視率」，這個說服與教育記者的過程是辛苦的。由於是第一次嘗試科學新聞，我因此要求挑選較有經驗且畫面構思能力較強的記者參與。

對於陌生的科學新聞，被挑中者多半是「高能力」、「低意願」的記者，在約訪或拍攝過程中，只要遇到問題，例如：科學家不願受訪、台電不給拍畫面、有些畫面現在拍不到等等，都得出面協調找出解決或替代方案，整個過程耗盡心力，收視回饋卻未必對等，若非高層主管政策支持，根本不可能完成。

同樣的情況也發生在平面媒體上，在即時新聞時代，科學新聞的「市場性」比不上一般新聞，在媒體組織裡自然被歸為冷門路線，此時主管是否重視、記者有沒有企圖心就是一大關鍵。然而現實狀況是，過去科學新聞受重視的紙媒年代，認真跑科學新聞的記者，如今多半不是已經退休，就是退到第二、三線；而少數認真跑科學新聞的年輕記者，正因為有衝勁肯挖新聞，很快就被調到「比較有前途」的財經或政治線，於是科學新聞幾乎只剩下可讀性不高的通稿。⁴

因應新媒體挑戰，科技新聞透過圖文呈現，雖明顯提高吸睛效果，卻也因高度專業，相對其他新聞，製作更費時費力，成本也較高，面臨媒體寒冬，逐漸被邊緣化。聯合報曾嘗試以圖表故事呈現科技新聞，卻因好題材可遇不可求，無法滿足新聞追求的時效性，最後不了了之。在這樣的生態下，目前平面媒體偶有科學新聞佳作者，有的是由個別特約記者執行之，例如，蘋果日報開放外界提案，提案人獲通過後取得一定經費才開始採訪製作。

曾任中國時報 20 年科技記者的李宗祐，在離開報社成為自由工作者後，去年就向蘋果日報提案，經過 2-3 個月的採訪，分別完成「極端氣候下農損創新高」⁵與「原能會怠惰害3命—輻射檢驗師集體癌亡」⁶的科學調查報導。至於常態性的報導，目前多藉由與研究單位合作企劃，例如，中國時報與國家實驗研究院、中央研究院、工業技術研究院等單位合作，每週六的教科文版，推出以生活醫學科學為主軸的科普文章。平面媒體或藉由這種方式，或開放外界提案，進行科學新聞的採製或合作，而這也是現行媒體生態下比較可行的方式。

如何拉近媒體與科學新聞的距離？

未來，傳統紙媒只會愈來愈萎縮，網媒百家爭鳴，內容農場盛行，科學記者培養不易、科學新聞的採製耗時費力，大眾媒體要再出現主跑科學新聞的記者，或科學新聞版幾乎不太可能。只能期待由分眾媒體，例如泛科學、科技報橘等網路媒體接手，當然，它的觸及範圍就不太可能是全民，而是對科學有興趣的分眾。

至於電視，對於缺乏科學素養者，其實是更容易拉近他們與科學之間距離的媒體，惟同樣礙於人力與收視率，大多數電視台新聞部採訪中心均未設有科學組、甚至是科學記者。因此長久以來，科學新聞幾乎付之闕如，即使有，也多半是報紙或網媒先有報導，電視記者臨時代班「抄」出來的。臺灣的科學傳播如果要在現階段的電視新聞環境中掙脫出來，在實務上，我建議至少必須思考以下先決條件：

一、科學家方面

• （一）要組成有願意常態性跟電視記者接觸的科學家群，這群科學家具有一定程度的口語訓練，可以用生活化的語言跟記者說科學故事，或甚至到新聞現場現身說法。
• （二）電視是影音媒體，觀眾以視覺為主，任何科學家如果要發布科學新聞，最好能先為電視記者設想到「畫面」的問題。
• （三）提供給電視記者的新聞參考稿，最好就能從生活化、具像化的敘事著手，換句話說，等於是先幫記者找出「新聞切入點」，如此一來，科學新聞被編輯台採用的機率也會比較高。

二、電視台方面

• （一）在觀眾普遍不滿現今瑣碎、深度不夠、重覆的電視新聞內容下，電視台新聞部門應思考設立科學新聞組，不但可以和其他頻道產生區隔，也可以成為新聞特色，讓觀眾多一個選擇。
• （二）電視台在招聘記者時，可思考記者背景的多樣性，讓有科學背景者擔任科學記者，而在新聞收視競爭激烈的情況下，容許科學記者可以有較充裕時間產製新聞。
• （三）如果前面兩項條件都具備了，建議新聞部門可以建立科學顧問人才庫，讓科學記者在尋找題材和企畫及製作專題時，能有先期的了解與準備。

若科學家與電視記者能夠有以上的共識，電視記者產製的科學新聞至少不會「難看」，如此一來，比較不會有「影響收視率」、「觀眾看不懂」的疑慮；長期經營下來，科學新聞甚至可以和其他頻道明顯區隔，成為新聞頻道的品牌，當然人力物力和經費的投資，就要看主事者有沒有這樣的眼界和魄力了。

註釋及參考資料

1. 黃俊儒（2014）。〈科學傳播中「確定」與「不確定」的敘事：以莫拉克風災之系列報導為例〉，《科技醫療與社會》19：73-116。
2. 眼球競爭的生態：由於新聞媒介眾聲喧嘩，令人眼花撩亂，所以媒體需要爭奪讀者注意力點閱率。
3. 關尚仁（譯）（2010），Giovanni Carrada.（原著）（2006）。《傳播科學：科學家的致勝寶典》。臺北：臺灣科普傳播事業催生計畫統籌與協調中心。頁41-48。（原書名：Communicating Science: A Scientist’s Survival Kit. Luxembourg: Office for Official Publications of the European Communities.）
4. 政府、學術單位或企業發布的官方新聞稿，即使發給不同媒體，內容卻都相同，稱為新聞通稿。
5. 從報社退役的資深科技記者李宗祐，以特約記者身份向蘋果日報提案，花費一個月時間採訪的專題：乾旱殺戮 最暖冬天 農委會輕忽 農損13億創新高
6. 從報社退役的資深科技記者李宗祐，以特約記者身份向蘋果日報提案，花費三個月時間採訪的專題：《蘋果》踢爆 原能會怠惰 害3命 輻射檢驗師集體癌亡