Facebook上大家都在看，所以你就這麼相信了？

本文與 研華科技 合作，泛科學企劃執行

我們都看過那種影片，對吧？網路上從不缺乏讓人驚嘆的機器人表演：數十台人形機器人像軍隊一樣整齊劃一地耍雜技 ，或是波士頓動力的機器狗，用一種幾乎違反物理定律的姿態後空翻、玩跑酷 。每一次，社群媒體總會掀起一陣「未來已來」、「人類要被取代了」的驚呼 。

但當你關掉螢幕，看看四周，一個巨大的落差感就來了：說好的機器人呢？為什麼大街上沒有他們的身影，為什麼我家連一件衣服都還沒人幫我摺？

這份存在於數位螢幕與物理現實之間的巨大鴻溝，源於一個根本性的矛盾：當代AI在數位世界裡聰明絕頂，卻在物理世界中笨拙不堪。它可以寫詩、可以畫畫，但它沒辦法為你端一杯水。

這個矛盾，在我們常見的兩種機器人展示中體現得淋漓盡致。第一種，是動作精準、甚至會跳舞的類型，這本質上是一場由工程師預先寫好劇本的「戲」，機器人對它所處的世界一無所知 。第二種，則是嘗試執行日常任務（如開冰箱、拿蘋果）的類型，但其動作緩慢不穩，彷彿正在復健的病人 。

這兩種極端的對比，恰恰點出了機器人技術的真正瓶頸：它們的「大腦」還不夠強大，無法即時處理與學習真實世界的突發狀況 。

這也引出了本文試圖探索的核心問題：新一代AI晶片NVIDIA® Jetson Thor™ ，這顆號稱能驅動「物理AI」的超級大腦，真的能終結機器人的「復健時代」，開啟一個它們能真正理解、並與我們共同生活的全新紀元嗎？

為何我們看到的機器人，總像在演戲或復健？

那我們怎麼理解這個看似矛盾的現象？為什麼有些機器人靈活得像舞者，有些卻笨拙得像病人？答案，就藏在它們的「大腦」運作方式裡。

那些動作極其精準、甚至會後空翻的機器人，秀的其實是卓越的硬體性能——關節、馬達、減速器的完美配合。但它的本質，是一場由工程師預先寫好劇本的舞台劇 。每一個角度、每一分力道，都是事先算好的，機器人本身並不知道自己為何要這麼做，它只是在「執行」指令，而不是在「理解」環境。

而另一種，那個開冰箱慢吞吞的機器人，雖然看起來笨，卻是在做一件革命性的事：它正在試圖由 AI 驅動，真正開始「理解」這個世界 。它在學習什麼是冰箱、什麼是蘋果、以及如何控制自己的力量才能順利拿起它。這個過程之所以緩慢，正是因為過去驅動它的「大腦」，也就是 AI 晶片的算力還不夠強，無法即時處理與學習現實世界中無窮的變數 。

這就像教一個小孩走路，你可以抱著他，幫他擺動雙腿，看起來走得又快又穩，但那不是他自己在走。真正的學習，是他自己搖搖晃晃、不斷跌倒、然後慢慢找到平衡的過程。過去的機器人，大多是前者；而我們真正期待的，是後者。

所以，問題的核心浮現了：我們需要為機器人裝上一個強大的大腦！但這個大腦，為什麼不能像ChatGPT一樣，放在遙遠的雲端伺服器上就好？

機器人的大腦，為什麼不能放在雲端？

聽起來好像很合理，對吧？把所有複雜的運算都交給雲端最強大的伺服器，機器人本身只要負責接收指令就好了。但……真的嗎？

想像一下，如果你的大腦在雲端，你看到一個球朝你飛過來，視覺訊號要先上傳到雲端，雲端分析完，再把「快閃開」的指令傳回你的身體。這中間只要有零點幾秒的網路延遲，你大概就已經鼻青臉腫了。

現實世界的互動，需要的是「即時反應」。任何網路延遲，在物理世界中都可能造成無法彌補的失誤 。因此，運算必須在機器人本體上完成，這就是「邊緣 AI」（Edge AI）的核心概念 。而 NVIDIA  Jetson 平台，正是為了解決這種在裝置端進行高運算、又要兼顧低功耗的需求，而誕生的關鍵解決方案 。

NVIDIA Jetson 就像一個緊湊、節能卻效能強大的微型電腦，專為在各種裝置上運行 AI 任務設計 。回顧它的演進，早期的 Jetson 系統主要用於視覺辨識搭配AI推論，像是車牌辨識、工廠瑕疵檢測，或者在相機裡分辨貓狗，扮演著「眼睛」的角色，看得懂眼前的事物 。但隨著算力提升，NVIDIA Jetson 的角色也逐漸從單純的「眼睛」，演化為能夠控制手腳的「大腦」，開始驅動更複雜的自主機器，無論是地上跑的、天上飛的，都將NVIDIA Jetson 視為核心運算中樞 。

但再強大的晶片，如果沒有能適應現場環境的「容器」，也無法真正落地。這正是研華（Advantech）的角色，我們將 NVIDIA Jetson 平台整合進各式工業級主機與邊緣運算設備，確保它能在高熱、灰塵、潮濕或震動的現場穩定運行，滿足從工廠到農場到礦場、從公車到貨車到貨輪等各種使用環境。換句話說，NVIDIA 提供「大腦」，而研華則是讓這顆大腦能在真實世界中呼吸的「生命支持系統」。

這個平台聽起來很工業、很遙遠，但它其實早就以一種你意想不到的方式，進入了我們的生活。

從Switch到雞蛋分揀員，NVIDIA Jetson如何悄悄改變世界？

如果我告訴你，第一代的任天堂Switch遊戲機與Jetson有相同血緣，你會不會很驚訝？它的核心處理器X1晶片，與Jetson TX1模組共享相同架構。這款遊戲機對高效能運算和低功耗的嚴苛要求，正好與 Jetson 的設計理念不謀而合 。

而在更專業的領域，研華透過 NVIDIA Jetson 更是解決了許多真實世界的難題 。例如

• 在北美，有客戶利用 AI 進行雞蛋品質檢測，研華的工業電腦搭載NVIDIA Jetson 模組與相機介面，能精準辨識並挑出髒污、雙黃蛋到血蛋 
• 在日本，為避免鏟雪車在移動時發生意外，導入了環繞視覺系統，當 AI 偵測到周圍有人時便會立刻停止 ；
• 在水資源珍貴的以色列，研華的邊緣運算平台搭載NVIDIA Jetson模組置入無人機內，24 小時在果園巡航，一旦發現成熟的果實就直接凌空採摘，實現了「無落果」的終極目標 。

這些應用，代表著 NVIDIA Jetson Orin™ 世代的成功，它讓「自動化」設備變得更聰明 。然而，隨著大型語言模型（LLM）的浪潮來襲，人們的期待也從「自動化」轉向了「自主化」 。我們希望機器人不僅能執行命令，更能理解、推理。

Orin世代的算力在執行人形機器人AI推論時的效能約為每秒5到10次的推論頻率，若要機器人更快速完成動作，需要更強大的算力。業界迫切需要一個更強大的大腦。這也引出了一個革命性的問題：AI到底該如何學會「動手」，而不只是「動口」？

革命性的一步：AI如何學會「動手」而不只是「動口」？

面對 Orin 世代的瓶頸，NVIDIA 給出的答案，不是溫和升級，而是一次徹底的世代跨越— NVIDIA Jetson Thor 。這款基於最新 Blackwell 架構的新模組，峰值性能是前代的 7.5 倍，記憶體也翻倍 。如此巨大的效能提升，目標只有一個：將過去只能在雲端資料中心運行的、以 Transformer 為基礎的大型 AI 模型，成功部署到終端的機器上 。

NVIDIA Jetson Thor 的誕生，將驅動機器人控制典範的根本轉變。這要從 AI 模型的演進說起：

1. 第一階段是 LLM（Large Language Model，大型語言模型）：
   我們最熟悉的 ChatGPT 就屬此類，它接收文字、輸出文字，實現了流暢的人機對話 。
2. 第二階段是 VLM（Vision-Language Model，視覺語言模型）：
   AI 學會了看，可以上傳圖片，它能用文字描述所見之物，但輸出結果仍然是給人類看的自然語言 。
3. 第三階段則是 VLA（Vision-Language-Action Model，視覺語言行動模型）：
   這是革命性的一步。VLA 模型的輸出不再是文字，而是「行動指令（Action Token）」 。它能將視覺與語言的理解，直接轉化為控制機器人關節力矩、速度等物理行為的具體參數 。

這就是關鍵！ 過去以NVIDIA Jetson Orin™作為大腦的機器人，僅能以有限的速度運行VLA模型。而由 VLA 模型驅動，讓 AI 能夠感知、理解並直接與物理世界互動的全新形態，正是「物理 AI」（Physical AI）的開端 。NVIDIA Jetson Thor 的強大算力，就是為了滿足物理 AI 的嚴苛需求而生，要讓機器人擺脫「復健」，迎來真正自主、流暢的行動時代 。

其中，物理 AI 強調的 vision to action，就需要研華設計對應的硬體來實現；譬如視覺可能來自於一般相機、深度相機、紅外線相機甚至光達，你的系統就要有對應的介面來整合視覺；你也會需要控制介面去控制馬達伸長手臂或控制夾具拿取物品；你也要有 WIFI、4G 或 5G 來傳輸資料或和別的 AI 溝通，這些都需要具體化到一個系統上，這個系統的集大成就是機器人。

好，我們有了史上最強的大腦。但一個再聰明的大腦，也需要一副強韌的身體。而這副身體，為什麼非得是「人形」？這不是一種很沒效率的執念嗎？

為什麼機器人非得是「人形」？這不是一種低效的執念嗎？

這是我一直在思考的問題。為什麼業界的主流目標，是充滿挑戰的「人形」機器人？為何不設計成效率更高的輪式，或是功能更多元的章魚型態？

答案，簡單到令人無法反駁：因為我們所處的世界，是徹底為人形生物所打造的。

從樓梯的階高、門把的設計，到桌椅的高度，無一不是為了適應人類的雙足、雙手與身高而存在 。對 AI 而言，採用人形的軀體，意味著它能用與我們最相似的視角與方式去感知和學習這個世界，進而最快地理解並融入人類環境 。這背後的邏輯是，與其讓 AI 去適應千奇百怪的非人形設計，不如讓它直接採用這個已經被數千年人類文明「驗證」過的最優解 。

這也區分了「通用型 AI 人形機器人」與「專用型 AI 工業自動化設備」的本質不同 。後者像高度特化的工具，產線上的機械手臂能高效重複鎖螺絲，但它無法處理安裝柔軟水管這種預設外的任務 。而通用型人形機器人的目標，是成為一個「多面手」，它能在廣泛學習後，理解物理世界的運作規律 。理論上，今天它在產線上組裝伺服器，明天就能在廚房裡學會煮菜 。

但要讓一個「多面手」真正活起來，光有骨架還不夠。它必須同時擁有強大的大腦平台與遍布全身的感知神經，才能理解並回應外在環境。人形機器人的手、腳、眼睛、甚至背部，都需要大量感測器去理解環境就像神經末梢一樣，隨時傳回方位、力量與外界狀態。但這些訊號若沒有通過一個穩定的「大腦平台」，就無法匯聚成有意義的行動。

這正是研華的角色：我們不僅把 NVIDIA Jetson Thor 這顆核心晶片包載在工業級電腦中，讓它成為能真正思考與反應的「完整大腦」，同時也提供神經系統的骨幹，將感測器、I/O 介面與通訊模組可靠地連結起來，把訊號傳導進大腦。你或許看不見研華的存在，但它實際上遍布在機器人全身，像隱藏在皮膚之下的神經網絡，讓整個身體真正活過來。

但有了大腦、有了身體，接下來的挑戰是「教育」。你要怎麼教一個物理 AI？總不能讓它在現實世界裡一直摔跤，把一台幾百萬的機器人摔壞吧？

打造一個「精神時光屋」，AI的學習速度能有多快？

這個問題非常關鍵。大型語言模型可以閱讀網際網路上浩瀚的文本資料，但物理世界中用於訓練的互動資料卻極其稀缺，而且在現實中反覆試錯的成本與風險實在太高 。

答案，就在虛擬世界之中。

NVIDIA Isaac Sim™等模擬平台，為這個問題提供了完美的解決方案 。它能創造出一個物理規則高度擬真的數位孿生（Digital Twin）世界，讓 AI 在其中進行訓練 。

這就像是為機器人打造了一個「精神時光屋」 。它可以在一天之內，經歷相當於現實世界千百日的學習與演練，從而在絕對安全的環境中，窮盡各種可能性，深刻領悟物理世界的定律 。透過這種「模擬-訓練-推論」的 3 Computers 閉環，Physical AI (物理AI) 的學習曲線得以指數級加速 。

我原本以為模擬只是為了節省成本，但後來發現，它的意義遠不止於此。它是在為 AI 建立一種關於物理世界的「直覺」。這種直覺，是在現實世界中難以透過有限次的試錯來建立的。

所以你看，這趟從 Switch 到人形機器人的旅程，一幅清晰的未來藍圖已經浮現了。實現物理 AI 的三大支柱已然齊備：一個劃時代的「AI 大腦」（NVIDIA Jetson Thor）、讓核心延展為「完整大腦與神經系統」的工業級骨幹（由研華 Advantech 提供），以及一個不可或缺的「教育環境」（NVIDIA Isaac Sim 模擬平台） 。

結語

我們拆解了那些酷炫機器人影片背後的真相，看見了從「自動化」走向「自主化」的巨大技術鴻溝，也見證了「物理 AI」時代的三大支柱——大腦、身軀、與教育——如何逐一到位 。

專家預測，未來 3 到 5 年內，人形機器人領域將迎來一場顯著的革命 。過去我們只能在科幻電影中想像的場景，如今正以前所未有的速度成為現實 。

這不再只是一個關於效率和生產力的問題。當一台機器，能夠觀察我們的世界，理解我們的語言，並開始以物理實體的方式與我們互動，這將從根本上改變我們與科技的關係。

所以，最後我想留給你的思想實驗是：當一個「物理 AI」真的走進你的生活，它不只是個工具，而是一個能學習、能適應、能與你共同存在於同一個空間的「非人智慧體」，你最先感受到的，會是興奮、是便利，還是……一絲不安？

這個問題，不再是「我們能否做到」，而是「當它發生時，我們準備好了嗎？」

研華已經整裝待發，現在，我們與您一起推動下一代物理 AI 與智慧設備的誕生。
https://bit.ly/4n78dR4

本文轉載自中央研究院「研之有物」，為「中研院廣告」

• 採訪撰文｜莊崇暉、田偲妤
• 責任編輯｜田偲妤
• 美術設計｜蔡宛潔

不要再轉傳假訊息了！

「我家親戚群組又在 LINE 傳假訊息了！」這是常在年輕族群中聽到的抱怨，彷彿隨意散播謠言是長輩特有的行為，當你願意了解長輩的數位社交生活，將發現事實並非如此。中央研究院「研之有物」專訪院內民族學研究所李梅君助研究員，在研究 Cofacts 事實查核協作計畫時發現，臺灣民眾對公共議題的關注存在世代衝突，該衝突延伸至日常相處上，卻在事實查核的協作過程中看到正向溝通的曙光。究竟臺灣長輩發展出什麼樣的數位社交生活？如何應用第三方資訊與長輩溝通，甚至邀請長輩加入闢謠打怪行列？

2018 年臺灣地方選舉和公民投票讓存在已久的世代衝突瞬間引爆，面對韓流現象、同性婚姻、性平教育等議題，厭世代年輕人（1990 年代左右出生）和戰後嬰兒潮世代長輩（約 1946-1964 年出生）因經濟與社會生長背景的不同，常發生意見分歧而爭吵不休的情形。

在臺灣最多人使用的 LINE 即時通訊軟體中，出現不實謠言滿天飛的亂象，年輕人紛紛將矛頭指向長輩，批評長輩不先查核資訊真假就亂發文。

中研院民族所李梅君助研究員在研究 Cofacts 事實查核協作計畫時，發覺臺灣世代衝突問題的嚴重性。年輕人認定長輩就是假訊息的傳遞者，但事實上，許多年輕人也常在無意間互傳不實謠言。

「大眾常急著為長輩貼標籤，卻從來不去了解他們怎麼使用數位工具。這樣並無助於解決問題，只會加深彼此的誤會。」研究過程中逐一浮現的問題為李梅君指引出一條研究道路，從事實查核協作行動出發，逐步深入長輩的數位社交生活，探索緩解世代衝突、提升全民媒體素養的可能途徑。

「早安圖」的背後：長輩獨特的數位社交

從了解長輩的數位社交生活做起，應有助於促進不同世代的相互理解，李梅君選擇由長輩們發展出的「早安圖」文化來切入研究。

科技與生活的緊密結合讓人手一機成為常態，再加上疫情造成的人群接觸減少，讓人們日漸習慣將社交重心從實體轉往線上。越來越多長輩靠 LINE 群組維繫親友感情、接收外界資訊，每天一早發布的「早安圖」經常是長輩社交生活的起頭。

然而，早安圖一直有被汙名化的傾向，溫馨圖片配上吉祥文字的簡單排版被貼上具有長輩風格的標籤，甚至還被戲稱為「長輩圖」。李梅君與長輩相處後發現，早安圖的存在對於長輩的社交生活具有深刻意義。

首先，早安圖是長輩證明自己跟的上年輕人腳步的重要象徵！身為晚近才接觸手機、電腦的「數位移民」，長輩常因不會操作數位工具、又害怕晚輩覺得自己笨拙，而感到焦躁不安。因此，當自己好不容易學會用手機拍照、修圖、發早安圖，對長輩來說是自信心的累積，代表自己沒被時代淘汰。

此外，早安圖也是長輩與人互動的敲門磚。李梅君察覺，有些長輩在傳訊息時相當在意社交分寸，不像年輕人想到什麼就 LINE 一下朋友，反而擔心隨意發文會被當成不懂規矩的「老人」。因此，當與新朋友開啟話題時，他們會先禮貌性地試探，這時無害的早安圖就是最好的敲門磚，可以從對方回傳的字句、貼圖或已讀不回，判斷能否進一步交談。

如果我們願意深入體會早安圖對長輩的意義，你將發現早安圖是長輩表達「關懷」的重要媒介。

例如在不方便見面的疫情期間，許多長輩會互相分享充滿溫馨祝福的早安圖、早安短影片，當中包含一些身體保健資訊，即時表達對遠方親友的關心，也讓對方知道自己過的很好。

但是，伴隨著早安圖的問候，群組裡轉傳的文字與圖像影片卻可能含有具爭議性的農場內容，例如每天喝檸檬水可以防疫、常喝地瓜葉牛奶可以防癌等，讓以關懷為出發點的長輩成為散播謠言的代罪羔羊。為此，有越來越多公民團體開始號召民眾一起打擊假訊息，李梅君研究的 Cofacts 就是其中一個針對 LINE 假訊息亂象所發展的計畫。

聽到外面的聲音：「事實查核協作社群」打開群組封閉的大門

LINE 假訊息亂象一直是假新聞議題中非常難處理的一塊，因為 LINE 不像 Facebook、Twitter 或 Instagram 有審查下架機制，LINE 聊天室裡所有的對話都經過加密，就算檢舉了某用戶的言論，LINE 官方也難以遏阻資訊傳播。

李梅君提到：「雖然 LINE 群組相當封閉，在臺灣卻已具有極大的公共性。」很多群組都涉及公共議題的討論，並累積千百人以上的成員，一旦有人惡意散播不實謠言，在缺乏查核機制的情況下，後果可能不堪設想。

因此，自 2016 年起，公民科技社群 g0v 臺灣零時政府的成員推出「Cofacts 真的假的 – 訊息回報機器人與查證協作社群」，邀請民眾主動回報在 LINE 上發現的可疑訊息，再由來自各領域的編輯志工進行事實查核，撰寫有助判斷訊息真假的回應。之後只要有民眾發出相似問題，機器人便會從資料庫中找出相關回應供民眾參考。收到回應的民眾如有不同看法，也可以補充新的回應。

你可能會好奇，當今的「人工智慧」（AI）已可查核假訊息，為何 Cofacts 還在仰賴編輯志工這樣的「工人智慧」？李梅君指出，目前的 AI 僅可以偵查大規模的操弄訊息來源，或者評估影像有無修圖造假。當前要用 AI 來判讀文字內容的真偽還相當困難，因為一則文字訊息通常真假資訊參雜，當中還包括個人意見或情緒用詞，很難明確判定是真是假。

因此，Cofacts 的編輯志工除了指出訊息錯誤之處，也會提醒該則訊息是否含有個人意見，有助民眾從封閉的 LINE 群組接收外界聲音，進而創造一處可以參與討論的公共空間，共同思考謠言是什麼、怎麼跟謠言對話。

和時間賽跑 艱辛的闢謠之路

不過該計畫也有艱辛之處，由於需仰賴大量人力進行事實查核，Cofacts 經常面臨闢謠速度趕不上謠言散播的問題。根據統計，Cofacts 的 LINE 目前有 42 萬名好友，過去 10 週每週傳來約 650 則新謠言；目前登記的編輯志工大約有 2,600 多人，但每週會固定回應訊息者只有 20 人上下，平均澄清一則謠言要花 20 至 30 分鐘。

李梅君分享實際參與事實查核的心得：「一開始你可能很熱血地上線回應訊息，但回應了一、二天後，可能會逐漸失去參與感，畢竟你只是一個沒支薪的志工，而且很多謠言看了又很令人痛苦，還要耐著性子花 30 分鐘回應。」

因此，為了維持志工夥伴的參與熱情，Cofacts 每個月都會辦一次聚會，藉由分組競賽活動，讓志工們培養共同打怪的向心力，也可相互交流查核經驗、結交志同道合的朋友。

至於使用 Cofacts 釐清謠言的民眾又有何回饋呢？李梅君聽過一些年輕志工分享參與事實查核的原因，主要是想透過 Cofacts 的第三方資訊與長輩對話。雖然不確定長輩能否接受，卻可盡量避免家人之間發生正面衝突。

根據李梅君的觀察，在政治議題上，純粹處理謠言無法真正化解世代衝突，因為謠言只是表現形式之一，背後牽涉每個人不同的價值觀與政治立場，需仰賴更多對話空間的產生。

不過，在疫情期間，與防疫相關的健康資訊則明顯受到不同世代的共同關注，Cofacts 的使用人數因此大幅成長，其中增加最多的就是 50 歲以上的使用者。因為健康資訊較不受政治立場影響，再加上全民必須共同面對疫情威脅，世代衝突的問題自然較少。

公民團體的辛勤奔走 努力提升全民媒體素養才是真正的關鍵

ChatGPT 等生成式 AI 問世後，未來可能會出現更多人為操作的假圖文，或是誤信 AI 偏差回覆等狀況。面對上述危機，李梅君認為：

應對關鍵在於，大眾是否具備足夠的「媒體素養」與「思辨能力」去判讀網路訊息。

可惜這在我們過去的教育裡並不受重視，直到近幾年教育部才開始在 108 課綱下推動「媒體素養教育」，要求在不同年級與學科中融入媒體素養課程。例如資訊課會介紹社群媒體用演算法投放廣告的邏輯；理化課會教學生分辨並思考「偽科學」的成因；國文課則透過閱讀不同文本培養思辨能力。

然而，社會上多數人沒有上過相關課程，很多還是不太熟悉數位工具的長輩，幸好現在有 Cofacts 以及多家臺灣公民團體在做媒體素養教育。他們主動走進長輩的生活圈，教長輩怎麼使用手機、如何確認訊息真假，甚至鼓勵長輩善用發早安圖的習慣，成為謠言破除推手。

李梅君目前的研究正在觀察這些公民團體怎麼採取行動。例如 NGO 組織「假新聞清潔劑」會前進廟口、菜市場或老人服務中心等長輩聚集地，舉辦街頭宣講活動。在宣講過程中，一開始不會直接跟長輩講假訊息，因為假訊息在臺灣的脈絡裡很容易被導向敏感的政治議題，誤以為要聊網軍。

因此，宣講的切入點通常會先問長輩是不是常收到詐騙訊息？接著，志工會分享一些受騙案例，例如有人買了網路一頁式廣告的保養品，結果臉爛掉；或是吃了來路不明的保健食品，最後弄壞身體。藉由生活化、無政治立場、令人感同身受的案例，讓長輩意識到學會辨別訊息真假很重要！

另一個事實查核的組織「MyGoPen｜麥擱騙」會製作一則則精美的謠言澄清圖文，吸引長輩像發早安圖一樣，將這些闢謠圖文大量轉發到各個群組。如此一來，長輩本身既可釐清謠言，還可幫助更多長輩遠離詐騙，更證明自己擁有不輸給年輕人的知識與能力。

「我覺得這是很令人感動的事情，因為這個題目很難，可是有很多人願意用不同的角度去介入，而且大部分都是志工。」李梅君有感而發的說。

臺灣長期被國際視為境外假訊息泛濫的國度，如今一個提升全民媒體素養的生態圈正在形成，因假訊息而延伸出的世代衝突問題有待長時間相互理解溝通，但公民社群的力量讓人們看見改變的契機。

延伸閱讀

• 中研院民族所李梅君老師個人網頁
• Mei-chun Lee (2022). “Checking Facts by a Bot: Crowdsourcing Facts through LINE Chatbot in Post-Truth Taiwan.” Current Anthropology.
• Sam Robbins, Mei-chun Lee (2022). “Elderly Care: Taking the Good Morning Image Seriously.” A Broad and Ample Road.
• 【g0v 演講】 「沒有人」的運動：黑客、鄉民、與資料行動主義

使用社群媒體後，你變得更快樂還是更憂鬱？

想知道更多資訊的時候，你可能會上網搜尋。有時候是為了資訊的工具價值，比如透過 Google 地圖確認 A 地到 B地 的路線；腳踝扭傷時，也可以從網路上搜尋到應變的實用資訊；又或是並非真的出於任何用途，只覺得知道某些事很有趣，像是忽然想了解流行音樂歷史。你當然完全可以這樣做。

我們身邊有許多資訊都是一些抽象的概念，其中部分資訊卻可能和你切身相關。比如依據某些基本事實可以推斷你的預期壽命；某些資訊可以了解你的健康風險、未來「錢」景，甚至是個性。比起 10 年前，我們現在能得到的資訊更為詳盡正確，再過 10 年，肯定能夠知道得更多。

這章要談的內容很多，不妨開頭就先提示最大的重點：

研究顯示，整體而言，臉書會讓人變得比較不開心，而且可能感到憂鬱、更為焦慮，也對生活變得更不滿意。

我並不打算危言聳聽，事實上這些影響並不大。然而，它們的確存在。

而與此同時，有些人明明已經停用臉書、也感受到幸福感明顯增加，卻又非常想要重新打開臉書。實際上他們要求要得到一大筆錢才願意放棄臉書。這是為什麼？我們雖然無法確定，但一項合理的解釋是，使用臉書的體驗，包括帶來的資訊，並不會讓人變得更快樂，但還是有它的價值。

無知並不是幸福，而很多人都感受到這一點。人們需要知道自己在意的資訊，這是因為喜歡、甚至珍視一種和重要的人之間產生連結的感覺。

若須付費才能使用社群媒體，會怎樣？

重要的是，我們必須強調，社群媒體的功能不僅僅是提供資訊，至少不是我在這裡反覆強調的揭露資訊的意義。你會使用臉書，可能是為了和家人或朋友聯繫，也可能是為了改善荷包或健康。但無論如何，社群媒體的一大重點在於資訊傳遞，雖然這個概念要比我目前所談的更為廣泛。

而這裡的核心問題是：社群媒體究竟多值錢？

在社群媒體上，大部分的資訊是免費的，至少表面上你無須付費；或許可以說你仍需要付出注意力或個資等等。臉書和推特這些企業是從廣告獲得收益，但有鑑於相關爭議不斷，也有人認真討論起將這些平台及其服務的商業模式改成付費使用。

除此之外也有些偏理論的探討，主要關注在如何評估這些平台的經濟價值。要是民眾必須付費才能使用臉書，情況會變得如何？而民眾又願意花多少錢成為用戶？

這些答案會透露出一些重要的資訊，讓我們知道社群媒體與一般資訊所擁有的價值。而回答這些問題，也有助於了解一些更基本的問題：如何計算經濟上的價值；知道某些消費決定可能只是表面工夫；了解傳統經濟指標與實際民眾福利有何差距（請見第二章）。此外，這些答案也會進一步影響政策與法規。

要你放棄使用 FB ，可能比要你付費使用來得更難？

行為經濟學特別感興趣的一個問題，就是「支付意願」和「願意接受金額」間可能出現的巨大落差。

以臉書為例，如果我們想知道它能為我們帶來多少福利，究竟該問民眾願意為此付出多少錢，抑或該問要給他們多少錢才會願意放棄使用臉書？許多研究都探討過稟賦效應（endowment effect）的現象，也就是被要求放棄某樣商品時所要求的價格，會遠高於他們當初獲得這些商品時支付的費用。

稟賦效應目前還有爭議，至少在適用的領域、來源與程度上仍未有定論。我們可能會想知道，使用社群媒體願意付出的費用，是否大於不使用社群媒體所得到的費用？如果是的話，傳統論點又能否提出說明？

另一個同樣常見、甚至是更基本的問題，則是涉及支付意願或願意接受金額的衡量與民眾福利。我在前面也提過，在經濟學中，要是談到民眾擁有某樣商品時的福利效果，往往是以民眾願意付出多少錢來使用那件商品作為衡量。

當然，「願意付出多少錢」也是現實市場的衡量標準。但請回想一下，要提出這項金額，事實上也就是做出預測：預測該商品會對自己的福利造成什麼樣的影響。

這個問題乍看不難，尤其當談到自己熟悉的商品（鞋子、襯衫、肥皂）；但換做是從未使用過的商品，回答起來也就沒那麼簡單。對於一項從未擁有過的商品，哪知道能帶給自己多大的福利效果，以及可以換算成多少錢？

對許多人而言，臉書、推特、Instagram 等平台都是再熟悉不過的社群媒體，而且有著豐富的使用體驗。但出於某些我們馬上會討論到的原因，社群媒體用戶就是很難估算這些平台可以換算的金錢價值。

只要看看民眾提出使用社群媒體願意付出的金額，就會了解在尋求資訊上，「願意付出的金額」和民眾得到的福利效果似乎並不對等；同時值得進一步研究其中的福利效果究竟是什麼。

在這種時候，「願意付出的金額」只反映出部分的福利效果，還可能只反映一小部分。我們必須找出反映效果不佳的實際原因，並且嘗試找出更能呈現福利效果的方式。而我在這裡的目標，就是希望推進這項任務的進展。

——本文摘自《資訊超載的幸福與詛咒》，2022 年 8 月，天下文化 ，未經同意請勿轉載。