「電機系憑什麼為二類榜首？」因為電機畢業工作和薪水都比較好嗎？

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。

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。

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）」！

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。

以研華科技為例，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。

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。

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。

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）。

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。

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。

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

這集來分享學生必學的 AI 工具與操作！

本來是想做寫作業的 AI prompt，但肯定會被罵翻……因此這次聚焦在如何用 AI 協助整理筆記、職涯探索、製作歷程檔案等事情上。

廢話不多說，讓我們開始吧 ！

最後，附上本支影片的學習懶人包：

如果你有更多想要學習的操作技巧，歡迎在下面留言跟我們敲碗～有其他想要看的 AI 測試或相關問題，也可以留言分享喔！

更多、更完整的內容，歡迎上泛科學院的 youtube 頻道觀看完整影片，並開啟訂閱獲得更多有趣的資訊！

• 作者／蘇士銓

我不確定這篇文章是否有用，也許大部分學生根本不需要其他人來建議他們如何選科系。

但我高三下時確實思考過這個問題，而且也是從高三下才開始思考，我大學應該選什麼科系？

我明白並非所有學生都是茫然的，一定有那些早在高一、甚至是國中，就已經確定並期許自己長大後的樣子會是什麼，並朝之邁前努力。不過也有高三下才開始思考這個問題的人存在。十八年的讀書時間，視線幾乎放在「國英社數自」，沒有看過其他東西。可能直到高三下，才注意到這個問題。

而這個時候，網路與現實就如雨後春筍般出現一大堆與之相關的提問與回答。如果你正在思考這個問題，不妨往下看看我的解法。

讀了 18 年的書，付出了那麼多，興致勃勃地，國中拚過會考選擇了高中，拚過學測選擇了大學，只因為在高三下沒有好好花時間做出抉擇，四年於社會上成為個興致缺缺的人，回過頭來不會後悔嗎？

如果當時能夠更聽從自己心中的聲音，思考更多，未來會不會更好？

我讀過一本名為《學生為什麼不喜歡上學？》的書，它是一本認知、教育及學習方面的心理學書籍，講解大腦是如何思考的。書中提到一個有趣的東西叫作「背景知識」，大概意思是說我們所知道的任何東西都能被稱作為背景知識，再透過它來理解「抽象概念」。

舉例來說，你解了一道「5cm × 10cm」手帕面積問題後，它會化成背景知識儲存在你腦裡。當你未來在計算「3km × 5km」居住地面積問題時，你之前所學的「背景知識：手帕面積」就能協助你解決這道題目，並使你了解「抽象概念：面積」。

既然如此，那為什麼我們不能運用高中所學之物，來解「大學科系選擇」這道題目？用自己這段時間讀的書，來替自己做決定呢？

從更多角度來看待，避免衝動下決定

不如就把選擇科系當作解題目吧。

解題目需要做到：仔細閱讀題目、尋找線索、整理線索、思考有沒有什麼「公式」可以套進去、開始計算、得到一個自己滿意的答案……

這樣做，哪怕你未來就讀那個科系可能會懊惱，但至少後悔的感覺會少了一點──因為那是你思考後選出來的。而非那種憑感覺哪間大學好就選擇哪間大學、父母老師建議什麼科系好就直接去讀什麼科系。

自己多思考、多參與、查資料、與父母師長討論，然後選出來的科系，哪怕將來發現自己不太適合，感覺也能好上許多。若是你憑一個老師/家長的意見就決定讀什麼，上大學後卻發現不太喜歡這個科系時，感覺恐怕不太好受。甚至可能把怨念投射在給你意見的那個人身上。

因此，我們得多思考、多和他人交談、獲取更多資料。

哪裡可以獲取線索及資料？哪些是我能用的

師長、父母、親戚、網路文章、學校網站、學長姐分享……

在這部分請容許我分享一下公視的「假新聞出沒！ 破解 媒體與牠們的產地」，只是個七分鐘的影片，你們可以看一下。

線索是資訊的一種，而判別資訊可不止在媒體識讀上才會用到。看完這個影片我們可以將其化作「背景知識」儲存起來後，然後拿著它所提供的「抽象概念」運用在這件事。

師長&家長提供的線索

你也許和某個老師關係最好，你是他的小老師或他是你的班導，當你困惑時第一直覺通常也會找他/她。

但你得注意你是否找到正確的人，比如去找英語文學系畢業並擔任英文老師問「資訊工程學系現況如何？」便是不恰當的，即使那個英文老師帶過好幾屆學生，期中大部分都去讀資工系，那也不是老師去讀，因此找錯人提問是愚蠢的。

因此你得思考：你要問誰？他是這個系畢業的嗎？畢業幾年了？給的資訊會不會過期？他是否了解其他系？問他其他較為相近的科系問題是否合宜？他對其他科系了解多少？問「英語文學系」畢業的人「應用英語學系」相關問題可以嗎？問「英語文學系」的人「日語文學系」相關問題可以嗎？

學長姐提供的線索

如果是問學長姐，你甚至可以再想想：他是幾年級的？大一學長姐分享的內容可以相信的嗎，會不會偏向片面之詞？大四學長姐是不是了解更多？他在系上過得如何？學業成績九十和成績六十的學長對於同個科系的觀感會不會不同？

網路文章提供的線索

網路上的資料同樣如此，注意文章發佈的時間點，資訊會不會過期？注意該平台或網站背後的公司是否值得信賴，注意寫這篇文章的作者是不是有相關學經歷。

大學網站提供的線索

如果你是注重學校的，你可以去大專校院校務資訊公開平台上查你想要的消息：國際合作與交流、圖書館收藏統計、每學生平均經費、師生比……甚至是去大學學系的網站上查，看它們對於課程的介紹、課程表，師資陣容。

另外，我建議各位可以看一下學分表、教學計畫、授課計畫……總之就是希望你們找到你們關注的那個學系的課表，哪間大學的都可以，重點是學系課表，有大概了解後，再拿去找師長學長姐問問題：「這科系會學什麼」、「這大學學系網站上的課表裡有一堂課我很在意，你知道這堂課主要是在學什麼嗎？」做好功課後再去詢問他人意見還是比較恰當的。

整理，然後計算

拿一張有一面空白的廢紙，或是 excel 表格開起來，把你搜尋到的資料照類別打上去：師生比、交通距離、宿舍、境外交流數量……然後對比不同學校。

若是科系的部分：未來出路、薪資……甚至可以把你搜尋到的課程表內容打上去，對於你即將所學的內容，依你興趣或你感覺有多少實用性來進行評分。

在這部分，我想再提到「背景知識」、「抽象概念」這兩件事。先前我有提到，你所學之物將會化成「背景知識」儲存起來，並轉換成抽象概念，將來遇見類似的問題時能化成「抽象概念」來協助你理解、解題。

而在這個部分，若你在十八年的時間有讀一點點課外書、或是了解某領域相關知識，儲存一些「背景知識」進去你的腦海裡。那我非常建議你去看你所關注的科系的「課程表」，一定會有所收穫與了解，這會比你去聽某個學長姐的分享還要有用。

舉例來說，當你了解「骨科」「治療」這兩個詞與它們背後的含意時，那麼當你看見某科系課程表內有「骨科物理治療學」這一堂課，那你大概會了解這堂課會是在教什麼。

甚至你腦海中會浮現出「噢我曾經在 YouTube 上看過三個字有介紹過哪個籃球員做了什麼導致拉傷什麼肌肉」，哪怕你腦海所浮現的與課堂所教的相關性非常小，但在你學習時還是會有幫助──畢竟，那是一棵種子。在你未來四年學習時，說不定能幫助到你。

第二個則是可以用來比對，比如把「物理治療學系」「職能治療學系」的必修課程複製到 excel，刪掉實習、把課程（一）（二）（三）……刪掉，只保留（一），感覺相近的放一起，相異的分開，看看兩科系之間的差別。

左欄與右欄為「物治」與「職治」的課表，我把它從學系網站複製下來放到 excel 上重新排列過的。從課程內容上我們能明白哪些是相同課程、相異課程。這對你選科系時應該會有不小幫助。

你也可以把相近的科系複製到excel來比較，比如「英語學系」和「應用英語學系」。不過在那之前，我建議你先把課程表複製到word上，用「選取與取代」來整理一下。

最後，便是做決定

笨，就是得多讀書、多思考。

不要懶惰，只聽信他人之詞「XX 大學經費較多，比較好，你可以去讀」「OO 大學好像負債過多，別去讀」「這家大學老師比較好」……這些都比不上你上網去公開平台查，甚至是點進去那所大學那所科系的網站看資料。

然後去問第一、第二個老師、親戚、學長姐。然後自己在思考，整理，做表格，然後決定，替你未來抉擇。不要因為這幾個禮拜，而後悔四年。

哪怕你說做錯決定，那就轉系、轉學。但那又何談容易，你能因這數禮拜而怠惰、選自己不滿意的科系。那轉學轉系又能好起來嗎，轉到自己滿意的？不如多找資料，多思考，拓展你的資料來源的管道。

盲目地聽從某一個觀點，而不聽或看其他有悖於這個觀點的言輪與資料，就直接下決定，我不知道有沒有什麼比這個還可怕。

我們時常提到獨立思考，甚至於 108 課綱也一遍又一遍不厭其煩地提到，但獨立思考這件事，並非什麼特別的思考方式，而是一個很簡單的防止跟風及盲從。

我文中提到兩次「背景知識」，也是要靠閱讀來獲得的。如果你的「背景知識」儲存量足夠多的話，那麼在閱讀大學課程表時就能夠隱約猜到這堂課會教什麼。在未來就讀這科系四年時會有幫助。甚至是現在對比其他科系資料時就有幫助了。

最後最後，不管最後選擇了什麼科系，都要保持獨立思考的能力。我們終究會離開校園，但不應該離開閱讀。

除了認真學習課內選修內容外，也希望大家能多閱讀。泛科學上的文章、報導者上的文章、故事、法律白話文運動……這些都可以，甚至找幾本書來看，比如提到「背景知識」「抽象概念」的《學生為什麼不喜歡上學》，如果看完覺得不錯，還能看《萬萬沒想到：用理科思維理解世界》，如果你覺得這些偏理科都太硬，那麼試試《正義：一場思辯之旅》，探討社會各種議題，這些都能夠增加你的「背景知識」。

如果看選修課內書再加上課外書會讓你太累的話，也可以先從網路上的 YouTube 短影片開始看起，比如志祺七七、台灣吧、超級歪……盡量增加自己的「背景知識」儲存量。

奧美集團有過這麼一則廣告，廣告部分內容如下：

「我害怕閱讀的人，在他們面前，我就像一個透明的人，蒼白的腦袋無法隱藏。

我所擁有的內涵是什麼？不就是人人都能脫口而出、遊蕩在空氣中最通俗的認知嗎？就像心臟在身體的左邊，春天之後是夏天，美國總統是世界上最有權力的人。

而閱讀的人在知識裡遨遊，能從食譜學論及至管理學，八卦週刊講到社會趨勢，甚至一隻空中躍下的貓，都能讓他們對物理學侃侃而談^註1。

我害怕閱讀的人，他們的生命毫不封閉，不缺朋友的忠實，不缺安慰者的的溫柔，甚至連相互較勁的對手，都不缺乏。

他們翻開書，便時而讚歎、時而激辯、有時會獲得勸導與慰藉。一本一本的書，就像一節一節的脊椎，穩穩支持著他們。

我害怕閱讀的人，我祈禱他們不知道我的不安，免得他們更容易地擊垮我，甚至連打敗我的意願都沒有。

我害怕閱讀的人，他們知道無知在小孩身上才可愛，而我已經是大人了。

我害怕閱讀的人，他們懂得生命太短，而人總是聰明得太晚。

我害怕閱讀的人，他們的一小時，就是我的一生。

我害怕閱讀的人，尤其是──還在閱讀的人。」

願我們保持獨立思考，不盲從不跟風，能夠畫出一條屬於自己的線，走上屬於自己的道路，長成自己想長的樣子。

延伸閱讀：

1. 如何擁有好棒棒記憶力？背景知識是關鍵——《學生為什麼不喜歡上學？》
2. 大腦動不起來，是因為你不知道該如何思考！ ——《學生為什麼不喜歡上學？》
3. 你以為你在推理？背景知識是思考運作的源頭——《學生為什麼不喜歡上學？》

註解

1. 原廣告內容為「一支空中躍下的貓，都能讓他們對建築防震理論侃侃而談」，我把它修改成「對物理學侃侃而談」。

參考資料

1. 《學生為什麼不喜歡上學？：認知心理學家解開大腦學習的運作結構，原來大腦喜歡這樣學》
2. 假新聞出沒！破解媒體與牠們的產地
3. 大專校院校務資料公開平台