20秒看出是不是個好人

本文由 鼎新數智 與 泛科學 共同規劃與製作

你有沒有想過，當 AI 根據病歷與 X 光片就能幫你診斷病症，或者決定是否批准貸款，甚至從無人機發射飛彈時，它的每一步「決策」是怎麼來的？如果我們不能知道 AI 的每一個想法步驟，對於那些 AI 輔助的診斷和判斷，要我們如何放心呢？

馬斯克與 OpenAI 的奧特曼鬧翻後，創立了新 AI 公司 xAI，並推出名為 Grok 的產品。他宣稱目標是以開源和可解釋性 AI 挑戰其他模型，而 xAI 另一個意思是 Explainable AI 也就是「可解釋性 AI」。

如今，AI 已滲透生活各處，而我們對待它的方式卻像求神問卜，缺乏科學精神。如何讓 AI 具備可解釋性，成為當前關鍵問題？

黑盒子模型背後的隱藏秘密

無法解釋的 AI 究竟會帶來多少問題？試想，現在許多銀行和貸款機構已經使用 AI 評估借貸申請者的信用風險，但這些模型往往如同黑箱操作。有人貸款被拒，卻完全不知原因，感覺就像被分手卻不告訴理由。更嚴重的是，AI 可能擅自根據你的住所位置或社會經濟背景給出負面評價，這些與信用風險真的相關嗎？這種不透明性只會讓弱勢群體更難融入金融體系，加劇貧富差距。這種不透明性，會讓原本就已經很難融入金融體系的弱勢群體，更加難以取得貸款，讓貧富差距越來越大，雪上加霜。

AI 不僅影響貸款，還可能影響司法公正性。美國部分法院自 2016 年起使用「替代性制裁犯罪矯正管理剖析軟體」 COMPAS 這款 AI 工具來協助量刑，試圖預測嫌犯再犯風險。然而，這些工具被發現對有色人種特別不友好，往往給出偏高的再犯風險評估，導致更重的刑罰和更嚴苛的保釋條件。更令人擔憂的是，這些決策缺乏透明度，AI 做出的決策根本沒法解釋，這讓嫌犯和律師無法查明問題根源，結果司法公正性就這麼被悄悄削弱了。

此外，AI 在醫療、社交媒體、自駕車等領域的應用，也充滿類似挑戰。例如，AI 協助診斷疾病，但若原因報告無法被解釋，醫生和患者又怎能放心？同樣地，社群媒體或是 YouTube 已經大量使用 AI 自動審查，以及智慧家居或工廠中的黑盒子問題，都像是一場越來越複雜的魔術秀——我們只看到結果，卻無法理解過程。這樣的情況下，對 AI 的信任感就成為了一個巨大的挑戰。

為什麼人類設計的 AI 工具，自己卻無法理解？

原因有二。首先，深度學習模型結構複雜，擁有數百萬參數，人類要追蹤每個輸入特徵如何影響最終決策結果，難度極高。例如，ChatGPT 中的 Transformer 模型，利用注意力機制（Attention Mechanism）根據不同詞之間的重要性進行特徵加權計算，因為機制本身涉及大量的矩陣運算和加權計算，這些數學操作使得整個模型更加抽象、不好理解。

其次，深度學習模型會會從資料中學習某些「特徵」，你可以當作 AI 是用畫重點的方式在學習，人類劃重點目的是幫助我們加速理解。AI 的特徵雖然也能幫助 AI 學習，但這些特徵往往對人類來說過於抽象。例如在影像辨識中，人類習慣用眼睛、嘴巴的相對位置，或是手指數量等特徵來解讀一張圖。深度學習模型卻可能會學習到一些抽象的形狀或紋理特徵，而這些特徵難以用人類語言描述。

深度學習模型通常採用分佈式表示（Distributed Representation）來編碼特徵，意思是將一個特徵表示為一個高維向量，每個維度代表特徵的不同方面。假設你有一個特徵是「顏色」，在傳統的方式下，你可能用一個簡單的詞來表示這個特徵，例如「紅色」或「藍色」。但是在深度學習中，這個「顏色」特徵可能被表示為一個包含許多數字的高維向量，向量中的每個數字表示顏色的不同屬性，比如亮度、色調等多個數值。對 AI 而言，這是理解世界的方式，但對人類來說，卻如同墨跡測驗般難以解讀。

試想，AI 協助診斷疾病時，若理由是基於醫生都無法理解的邏輯，患者即使獲得正確診斷，也會感到不安。畢竟，人們更相信能被理解的東西。

打開黑盒子：可解釋 AI 如何運作？我們要如何教育 AI？

首先，可以利用熱圖（heatmap）或注意力圖這類可視化技術，讓 AI 的「思維」有跡可循。這就像行銷中分析消費者的視線停留在哪裡，來推測他們的興趣一樣。在卷積神經網絡和 Diffusion Models 中 ，當 AI 判斷這張照片裡是「貓」還是「狗」時，我需要它向我們展示在哪些地方「盯得最緊」，像是耳朵的形狀還是毛色的分布。

其次是局部解釋，LIME 和 SHAP 是兩個用來發展可解釋 AI 的局部解釋技術。

SHAP 的概念來自博弈，它將每個特徵看作「玩家」，而模型的預測結果則像「收益」。SHAP 會計算每個玩家對「收益」的貢獻，讓我們可以了解各個特徵如何影響最終結果。並且，SHAP 不僅能透過「局部解釋」了解單一個結果是怎麼來的，還能透過「全局解釋」理解模型整體的運作中，哪些特徵最重要。

以實際的情景來說，SHAP 可以讓 AI 診斷出你有某種疾病風險時，指出年齡、體重等各個特徵的影響。

LIME 的運作方式則有些不同，會針對單一個案建立一個簡單的模型，來近似原始複雜模型的行為，目的是為了快速了解「局部」範圍內的操作。比如當 AI 拒絕你的貸款申請時，LIME 可以解釋是「收入不穩定」還是「信用紀錄有問題」導致拒絕。這種解釋在 Transformer 和 NLP 應用中廣泛使用，一大優勢是靈活且計算速度快，適合臨時分析不同情境下的 AI 判斷。比方說在醫療場景，LIME 可以幫助醫生理解 AI 為何推薦某種治療方案，並說明幾個主要原因，這樣醫生不僅能更快做出決策，也能增加患者的信任感。

第三是反事實解釋：如果改變一點點，會怎麼樣？

如果 AI 告訴你：「這家銀行不會貸款給你」，這時你可能會想知道：是收入不夠，還是年齡因素？這時你就可以問 AI：「如果我年輕五歲，或者多一份工作，結果會怎樣？」反事實解釋會模擬這些變化對結果的影響，讓我們可以了解模型究竟是如何「權衡利弊」。

最後則是模型內部特徵的重要性排序。這種方法能顯示哪些輸入特徵對最終結果影響最大，就像揭示一道菜中，哪些調味料是味道的關鍵。例如在金融風險預測中，模型可能指出「收入」影響了 40%，「消費習慣」占了 30%，「年齡」占了 20%。不過如果要應用在像是 Transformer 模型等複雜結構時，還需要搭配前面提到的 SHAP 或 LIME 以及可視化技術，才能達到更完整的解釋效果。

講到這裡，你可能會問：我們距離能完全信任 AI 還有多遠？又或者，我們真的應該完全相信它嗎？

我們終究是想解決人與 AI 的信任問題

當未來你和 AI 同事深度共事，你自然希望它的決策與行動能讓你認可，幫你省心省力。因此，AI 既要「可解釋」，也要「能代理」。

舉例來說，當一家公司要做一個看似「簡單」的決策時，背後的過程其實可能極為複雜。例如，快時尚品牌決定是否推出新一季服裝，不僅需要考慮過去的銷售數據，還得追蹤熱門設計趨勢、天氣預測，甚至觀察社群媒體上的流行話題。像是暖冬來臨，厚外套可能賣不動；或消費者是否因某位明星愛上一種顏色，這些細節都可能影響決策。

這些數據來自不同部門和來源，龐大的資料量與錯綜關聯使企業判斷變得困難。於是，企業常希望有個像經營大師的 AI 代理人，能吸收數據、快速分析，並在做決定時不僅給出答案，還能告訴你「為什麼要這麼做」。

傳統 AI 像個黑盒子，而可解釋 AI （XAI）則清楚解釋其判斷依據。例如，為什麼不建議推出厚外套？可能理由是：「根據天氣預測，今年暖冬概率 80%，過去三年數據顯示暖冬時厚外套銷量下降 20%。」這種透明解釋讓企業更信任 AI 的決策。

但會解釋還不夠，AI 還需能真正執行。這時，就需要另一位「 AI 代理人」上場。想像這位 AI 代理人是一位「智慧產品經理」，大腦裝滿公司規則、條件與行動邏輯。當客戶要求變更產品設計時，這位產品經理不會手忙腳亂，而是按以下步驟行動：

1. 檢查倉庫物料：庫存夠不夠？有沒有替代料可用？
2. 評估交期影響：如果需要新物料，供應商多快能送到？
3. 計算成本變化：用新料會不會超出成本預算？
4. 做出最優判斷，並自動生成變更單、工單和採購單，通知各部門配合執行。

這位 AI 代理人不僅能自動處理每個環節，還會記錄每次決策結果，學習如何變得更高效。隨時間推移，這位「智慧產品經理」的判斷將更聰明、決策速度更快，幾乎不需人工干預。更重要的是，這些判斷是基於「以終為始」的原則，為企業成長目標（如 Q4 業績增長 10%）進行連續且動態地自我回饋，而非傳統系統僅月度檢核。

這兩位 AI 代理人的合作，讓企業決策流程不僅透明，還能自動執行。這正是數智驅動的核心，不僅依靠數據驅動決策，還要能解釋每一個選擇，並自動行動。這個過程可簡化為 SUPA，即「感知（Sensing）→ 理解（Understanding）→ 規劃（Planning）→ 行動（Acting）」的閉環流程，隨著數據的變化不斷進化。

以偉勝乾燥工業為例，他們面臨高度客製化與訂單頻繁變更的挑戰。導入鼎新 METIS 平台後，偉勝成功將數智驅動融入業務與產品開發，專案準時率因此提升至 80%。他們更將烤箱技術與搬運機器人結合，開發出新形態智慧化設備，成功打入半導體產業，帶動業績大幅成長，創造下一個企業的增長曲線。

值得一提的是，數智驅動不僅帶動業務增長，還讓員工擺脫繁瑣工作，讓工作更輕鬆高效。

數智驅動的成功不僅依賴技術，還要與企業的商業策略緊密結合。為了讓數智驅動真正發揮作用，企業首先要確保它服務於具體的業務需求，而不是為了技術而技術。

這種轉型需要有策略、文化和具體應用場景的支撐，才能讓數智驅動真正成為企業持續增長的動力。

還在猶豫數智驅動的威力？免費上手企業 AI 助理！ 企業 AI 體驗 現在使用專屬邀請碼《 KP05 》註冊就享知：https://lihi.cc/EDUk4 訂閱泛科學獨家知識頻道，深入科技趨勢與議題內容。 立即免費加入

本文由 環境部 委託，泛科學企劃執行。 

政策環評是什麼，跟一般環評差在哪？

隨著公共建設的規模越來越大，傳統的環境影響評估（EIA），難以應對當今層層疊疊的環境議題。當我們評估一項重大政策時，只看「單一開發案」已經不夠，就像評估一棵樹，卻忽略了整片森林。因此，政策環境影響評估（SEA）應運而生，它看樹，也看森林，從政策的角度進行更全面的考量與評估。

與只專注於「單一開發案」的個案環評不同，政策環評更像是一場全面性的檢視，強調兩個核心重點：「整合評估」與「儘早評估」。簡單來說，這不再是逐案評估的模式，而是要求政府在制定政策時，就先全面分析可能帶來的影響，從單一行為的侷限中跳脫，轉而聚焦在整體影響的視角。無論是環境的整體變化，還是多項行為累計起來的長期影響，政策環評的目的就是讓這些潛在問題能儘早浮現、儘早解決。

除此之外，政策環評還像是一個大型的協商平台，以永續發展為最高指導原則，公開整合來自不同利益團體、民眾與各機關的意見。這裡，決策單位不再只是單純的「評分者」，而是轉為「協調者」或「仲裁者」，協調各方的意見看法在這裡得到整合，讓過程更具包容性。

政策環評並沒有所謂的「否決權」，而是側重意見的蒐集與整合，讓行政機關在政策推動時，能更全面地掌握各方意見。政策環評旨在建立系統化、彈性的決策評估程序（包含量化、特徵化等評估方式），也廣納社會面或民眾滿意度等影響因子，把正式與非正式的作法一併考量進去。再來，決策程序中能層層檢討、隨時修正，也建立了追蹤機制和成效評估標準（如環境殘餘效應、累積效應等），透過學習來強化決策品質與嚴謹度。就像一場球賽，隨時根據變化、調整策略。

這樣的制度設計，就非常適合離岸風電這類規模大、跨區域、影響層面廣泛的能源政策評估，讓我們可以在政策推動初期就想到整個工程對環境、產業發展與社會的諸多影響，也為後續政策執行奠定更穩固的基礎。

離岸風電為何需要的是政策環評？

離岸風電是能源轉型的重要策略之一，但這不是只在某塊空地上架幾個風車，而是要在廣闊的大海中進行大規模建設，牽涉的不僅是發電，還涉及海洋保育、航空交通、水下文化資產等議題，更與當地漁民的權益息息相關。

這樣的大型離岸風電工程，因海洋環境的風險和不確定性極高，很容易讓人擔心生態影響。如何在海洋生態保護和綠能發展之間找到平衡點？這就需要政策環評的把關，從多方檢視這些複雜的挑戰，確保政策推行既能穩妥，又能達成發電目標。

2016 年 3 月，經濟部自願提出「離岸風電區塊開發政策評估說明書」，是臺灣首次針對再生能源政策所進行的政策環評。根據這份評估說明書，政府將採分期公告、逐年檢討的方式，每三年開放 0.5~1 百萬瓩（GW）的電量額度鼓勵業者投入開發。當時環保署（現為環境部）歷經九個月召開 2 次意見徵詢會議，蒐集環評委員、專家學者、相關機關、民眾等意見，最終於同年 12 月的環評委員會作出徵詢意見。這些協商和檢討的過程，讓政策「名正言順」，得以充分顧及各方利益與生態平衡。

共通性環境議題與因應對策

在「離岸風電區塊開發政策評估說明書」中，環評會議盤點了開發過程中共通的環境議題。

首先，對於海洋生態保育的重點，特別是對中華白海豚的保護。環評會要求風機基座必須距離白海豚棲地1公里以上，以減少對其生態的干擾。實際上，這項規範在後續的實務執行中更為嚴格，例如，福海二期示範風場已退縮到 2.5 公里外，臺電二期風場甚至退到 4.2 公里外，顯示政策環評確實發揮了實質作用。此外，針對施工期間的聲音干擾，要求施工需有 30 分鐘以上的打樁緩啟動時間，並限制聲量不得超過 180 分貝等。

針對鳥類保育，政策環評也訂立了具體規範。其中，包括風機之間必須留設 500 公尺以上的鳥類穿行廊道，並在施工期間避開每年 11 月至隔年 3 月的候鳥過境期。同時，為確保這些措施確實生效，工程方也被要求設置「鳥類活動監測系統」，持續追蹤、評估風場對鳥類的影響。

此外，環評會也確立了「先遠後近」的開發原則，要求優先開發較單純的航道外側區塊，待累積足夠經驗及相關資料後，再進行近岸區域的開發。這項原則考量了近海生態系的複雜性，也顧到養殖漁業的漁民權益，展現出政策環評在平衡發展需求與環境保護上的價值。

新一代的審查機制：達成能源轉型及環境保護雙贏

為提升環評效率並確保審查品質，環境部參考過去離岸風電審查經驗，制定「風力發電離岸系統開發行為環境影響評估初審作業要點」，建立了全新的二階段審查機制。

這套新機制分為兩個階段。第一階段，就像「初步檢查」，由環境部依照檢核表進行初審，並由環評審查委員會執行秘書邀集 2-5 位環評委員進行初審，通過第一階段初審之業者，可取得經濟部遴選資格，其初審結果有效期為兩年，必要時可申請展延一年。接著進入「第二階段」，開發單位檢附目的事業主管機關核配的容量證明文件等資料，提供更詳細的環境影響說明書以進行實質審查。

檢核表明確規範了 15 大項審查事項、112 項檢核項目，涵蓋開發案的全生命週期。

在工程面，包含風機及海上變電站基礎設置、海域電纜路線規劃、陸域設施工程等硬體設施的規範。其中，風機基礎設置必須避開海岸保護區、河口、潮間帶等環境敏感區域，且須進行地震危害度分析。海域電纜部分，除特殊情形外，埋設深度至少須達 1.5 公尺，且不得跨越中華電信海底電纜 1 公里的範圍。

環境保護上，檢核表則對施工噪音管制訂立了明確標準。舉例來說，打樁期間警戒區 750 公尺範圍內的水下噪音不得超過 160 分貝，且必須全程採用最佳噪音防制工法。同時，每個開發案或聯席審查的風場，同一時間內只能進行一支基樁施作，而日落前一小時到日出前也不得啟動新的打樁作業。

環境監測計畫更是檢核表中的重點，分為「施工前、施工期間、營運期間」三階段，每個階段都規定了詳細的監測要求（包括海域底質監測、水下噪音監測、鯨豚目視監測等）。以鯨豚監測為例，每年需執行20趟次，四季中每季至少執行 2 趟次。此外，所有監測數據都必須上傳至環境部「環保專案成果倉儲系統」（https://epaw.moenv.gov.tw/）供各界查閱。

這套標準化的審查機制不僅解決了「同一風場可能有多家廠商重複調查或審查」的資源浪費，也透過明確的檢核項目，讓開發單位在規劃階段就能掌握更具體的環境保護要求。不僅如此，該機制亦確保了環境保護標準前後一致，避免不同案件之間標準不一。

結語

透過新的審查機制，環境部正積極推動再生能源開發案的環評審查作業，在提升行政效率之餘，也確保環境影響評估的品質，支持臺灣的離岸風電開發及國家能源轉型政策，也做好把關。藉由標準化檢核表和二階段審查制度，期待能在推動能源轉型的同時落實環境保護。

為確保制度能持續精進，環境部每半年至一年會進行制度檢討，並持續公開所有環評書件於「環評書件查詢系統」（https://eiadoc.moenv.gov.tw/eiaweb/）。此外，環評會議召開前一週，也必須在指定網站公布開會訊息，讓民眾能申請列席旁聽或發表意見。透明化措施一方面展現了政府推動永續發展的決心，另一方面也確保全民能共同參與監督離岸風電的發展過程。未來，這套制度將在各界的檢視與建議中持續完善，為臺灣的永續發展貢獻心力，發揮環評作業的最大效益。

苦難與同理心：能激發出援助還是自我關注？

縱貫全文，我們持續主張，苦難演化得十分凸顯、讓我們不能不關注，而且它還得以在子代照護背景脈絡中激發行動。利他反應模型的這項原則，似乎與巴特森（Daniel Batson）和讓．德塞蒂（Jean Decety）以及其他人的普遍觀點互相衝突，後者主張苦難會阻礙援助。

根據同理心──利他行為假設，人們在感到溫暖、柔情、冷靜、關切和慈悲時，會專注關心他人的需求，並提供無私的援助；相反，當發愁、憂心、痛苦、不安和沮喪時，他們就會專注關切自己的需求，並只有在自己的苦難減輕時，才會提供幫助。舉個例子，當實驗室中的學生目睹某人受到痛苦的電擊時，表示感受同理心的觀察者，即便可以離開，也都會伸援，至於感到個人苦難的人，則較少提供幫助，除非他們被迫留下並繼續觀看痛苦的電擊。因此，人們有能力出於無私的原因提供幫助，但可以出於自私的動機行事，以緩解自己的苦難。

我們自己的研究有時確實會披露很棘手的苦難。例如，我們往往會複製出巴特森的發現，遭逢苦難的受害者有可能觸動觀察者的同理心以及負面反應。當人們觀看我們最悲苦醫院患者的錄影時，一部分參與者甚至還表示他們感到驚恐（亦即忐忑、憤怒、驚恐）。這種高度負面的反應還更加引人注目，因為參與者知道，這些是真正的重症病人或末期患者。

因此，當他人表達的苦難會引發多餘的、會感染的負面感受之時，嫌惡反應也就可能因此發生──特別當他們的問題看來很沒有道理或者難以解決。（舉例來說，一位護理師表示，「嗯，對這個問題她打算怎麼辦？」）不過還不算滿盤皆輸，因為比起對快樂的患者，一般人對苦難的患者會看出更多需求、感受更多同理心，並提供更多幫助。不過這種慷慨精神是有侷限的。

例如，倘若參與者必須坐下來陪伴患者，而不是只給他們幾塊錢並不做社交接觸，那麼他們就會提高協助快樂患者的相對偏好度。所以，即便苦難肯定帶來嫌惡的知覺和感受，它仍能成功傳達需求並激發反應，而這也正符合它的設計功能。

倘若我們思忖，在任意給定的情境中，利他反應模型的種種屬性如何權衡取捨，也就能預測這類複雜的關係。舉例來說，飛機上有小寶寶啼哭時，人們就會抱怨。這似乎自相矛盾，因為，我們理當演化來幫助那些身處苦難的寶寶。

啼哭的力量：無助者需求與觀察者情緒的博弈

然而，這種惱怒和模型相符，因為那些寶寶並不是其他乘客熟悉的或有感情紐帶的對象，他們多數人都相隔太遠，不會陶醉於寶寶的可愛模樣，也不知道是哪裡出了問題，所以幫不上忙。因此「飛機上有小寶寶啼哭」經典案例自然會惹人苦惱──這就證明了聲音很凸顯，激使我們去讓它平息──然而我們沒辦法產生同理心，也幫不上忙，因為欠缺界定親代照護的感情紐帶、熟悉度、專門知識和掌控權，況且社會規範告訴我們，不要去碰陌生人的寶寶，進一步約束自身的舉止。

碰到兒童虐待一類狀況時，這種衝突就變得更嚴重了，這時照護者會抽身或甚至攻擊、傷害他們應該保護的兒童。根據研究，由於苦難是如此明顯、有激勵性，而且不容忽視，於是當苦難或啼哭接連持續了好幾個小時或好幾天時，人們也就會變得非常煩躁，特別當沒有明確的解決方案之時（好比，由於寶寶罹患腹絞痛）。

人們必須接受培訓，並在這種情況下獲得支持而非遭受懲罰；他們應該能夠讓自己置身激烈情境之外，好讓自己冷靜下來，而且我們需要提供幫助，好讓照護者能夠休息片刻。釀成這種情況的起因，是由於人類演化出的本性是在相互支持的社會性團體生活中養育兒童，然而如今我們多數人所體驗的西方式工業化獨自育兒方式，卻已經與此脫節所致。

與苦難不能激發援助的情況相反，只要觀察者理解狀況，能介入並對他們的反應抱持信心，那麼即便強烈的和嫌惡的苦難，也依然能夠促成援助。哺乳類動物的神經激素壓力反應之所以演化出現，並不是為了讓我們在工作壓力下能吃餅乾，這種反應的演化，是藉由調動交感和新陳代謝歷程，犧牲了消化和成長等較慢、長期的生理歷程所促成的即時行動。

我們的壓力系統經過演化，能在脅迫下最有效地快速反應，好比當觀察者受了壓力驅使，必須迅速採取行動來幫助某人──假定他們知道該怎麼做，也知道分寸。所以，即便苦難線索啟動你的壓力和自主神經系統，當我們無法行動時──強烈激情和不安找不到明確的出口之時──它們就會產生冷漠、紛擾或攻擊行為，因為這些狀態本身就是演化來激發行動。

人們面臨苦難時，若認為自己有可能遭人操控，也會感到矛盾。由於苦難會激發援助行為，人們有時會偽裝陷入苦難來誘發支持，這有可能讓開始懷疑受害者的觀察者感到困窘、惱怒、生氣或反感。舉例來說，赫迪便曾描述，像狨猿和檉柳猴這類合作養育後代的新世界猴，通常會與無助的寶寶分享食物，特別是當牠們乞求食物之時。

然而，當年輕個體年齡增長獨立生活，成年個體就比較不會與牠們分享食物，而這就會導致年輕個體以愈強烈並引人嫌惡的方式懇求乞討食物，有時訴諸偷竊。這種現象已經在著名的吸血蝠動物模型的利他行為研究中重複驗證，研究發現，成年蝙蝠較少與已經發育超越青少年階段，理當自給自足的蝙蝠分享血餐。

小寶寶確實很無助，起碼在嬰兒早期階段是如此，實在不能認為他們是藉由啼哭來「操控」照護者，起碼不像是幼童、較大兒童和成人那般以刻意的、邪惡的手法來操控。嬰兒有可能「使用」哭聲來激使照護者為他們提供食物、溫暖、撫慰或移除有害刺激物。這是他們溝通需求的僅有方式之一。這些需求有的並不是真的很緊急，不過即便是需求被動照護，好比身體撫慰，也可能影響嬰兒的長期健康和幸福。

例如，寶寶獨自被留在嬰兒床或汽車座椅時，通常就會放聲啼哭，因為他們喜歡照護者充滿愛心的溫暖擁抱。不過這些並不是必須立刻解決的急迫需求（而且就汽車座椅的情況，這說不定正是拯救他們的要素）。

即便寶寶使用哭泣來激使我們幫助他們，我想我們都同意，他們並不是刻意密謀對付任何人，而且他們的要求也相當合理──特別是在面對相當惱人的現代裝置之時。因此，寶寶哭聲的真情實意、毫不誇張，未加操控的性質，提供了一種促成行動的誘發刺激，而且就算出自成年人，我們也依然遵從。

苦難的演化功能：從激發行動到引發嫌惡

人們對於苦難哭聲的音質非常敏感，能區分反映出不同需求的哭聲，好比需要接觸、肚子餓了和疼痛。因此在醫院接受腿部注射的新生兒，所引發的同情比較多，超過在圖書館因無法帶回家的玩具，半哀鳴半啼哭的十八個月大的兒童。後面這樣的哀鳴和啼哭，會讓觀察者感到非常煩躁，他們甚至還可能覺得小孩是在操控而惱火，特別當目標是要取得玩具火車或更多金魚餅乾等獎賞時。然而，聽到新生兒為真正的需求而啼哭時，人們確實會心生同情，這樣的哭聲比較溫和、有規律，並暗示了脆弱的、幼態的、受苦受難和有援助需求的理想組合。

苦難不是單一事物。苦難有多樣化形式和背景脈絡，其中有些有激勵作用，另有些沒有。不過倘若我們從照護無助新生兒的背景脈絡來理解苦難，模式便自然浮現。真正的苦難，肇因於嚴重的急迫狀況，而需要觀察者提供力所能及之幫助的困境是有激勵作用的，而當觀察者不熟悉或沒有形成感情紐帶、不知道該怎麼辦、力有未逮，幫不上忙，或者感覺受了操控，這時苦難就可能引人嫌惡，也不太可能激發援助。

科學文獻有必要更明確地釐清，苦難何時會促使人們走向困難處境，何時則會讓他們遠離，並拿包含利他反應模型屬性的情境（好比受害者與觀察者存有感情紐帶、呈幼態模樣、明顯受苦受難，並需要觀察者力所能及的即時幫助）來與不包含這些屬性的情境進行比對。這些研究將能讓我們就現實世界對苦難之反應範圍方面達成更完整的認識，這類反應並不總是充滿同情，但確實會產生比自我關注更多的可能結果。

——本文摘自《利他衝動：驅策我們幫助他人的力量》，2024 年 11 月，知田出版，未經同意請勿轉載。