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。

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

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

• 作者 / Wen-Jing Lin
  前職能治療師。現為認知神經科學博士。 興趣是閱讀科學文獻。 認為散播知識是科學家回饋社會的方法之一。

從去年（2016）的美國總統大選之後，美國社會開始強烈關注「假新聞」這項議題。不過台灣的大家似乎更早就遭受假新聞的荼毒，算是走在世界潮流的前沿吧？（該覺得驕傲嗎這……）不過，大家在什麼情況下會去執行「事實查核」（fact checking）呢？應該是在對新聞內容感到有所懷疑的時候吧。但是啊，研究發現，當我們知道有其他人也在讀這些可疑的新聞時，進行事實查核的可能性就會降低。

別人也在看？有夥伴我們就不在乎真假

這個研究發表在《美國國家科學院院刊》，研究者以一系列八個實驗來告訴大家一件事——人們一旦覺察到其他讀者的存在，進行事實查核的意願便會降低。不過只要提醒人們回想自己的責任與義務，便有機會抵消這個負面效果！

主要的實驗流程是這樣的：實驗參與者必須登入某新聞網站並在上面閱讀三十多個新聞標題，但這些標題有真有假，參與者的工作便是決定哪些標題是真的哪些標題是假的。每答對一題得一分，但若答錯一題也會被扣一分，最終的分數會被換算成金錢，發放給參與者。選項有三個，除了「真」和「假」之外，還有「事實查核」這第三個選項。如果參與者在某一題選了「事實查核」這個選項，那他就可以在實驗結束時得知這一題的正確答案。

參與者被分成兩組，其中一組人在登入新聞網站後，會見到自己的名字顯示在網頁角落，在此將這組稱之為「單獨」組。另一組人在登入後，除了自己的名字外，還會看到另外 102 個其他在線使用者的名字，稱之為「群體」組。就這樣，這個操弄很簡單吧？但是這樣竟然對參與者選擇〔事實查核〕的意願產生了影響。不管在哪個實驗中，「群體」組的參與者選擇「事實查核」的比例都比「單獨」組還要低。而且不管選擇「事實查核」可以加分或會被扣分，結果都是一樣的。

只要小小提醒，我們便會提高警覺

接下來的實驗更神奇了。研究者把原本的「新聞網站」改成「Facebook」，也就是讓參與者在Facebook的介面上讀這些新聞標題並判斷真偽。結果當介面換成 Facebook 這種社交網站之後，「單獨」組選擇「事實查核」的比例竟然降得跟「群體」組一樣低。是不是因為 Facebook 這種社交網站，不管怎樣都會給人「總是會有誰也在看吧」的感覺呢？

中間還有好幾個實驗，這邊先略過不談，不過我想提一下最後一個實驗。因為研究者發現，一般而言警覺性（vigilance）比較高的人，似乎比較不容易因為身處群體中就疏於事實查核。

是以在最後一個實驗中，研究者想知道人們的警覺，是不是造成「群體」組事實查核比例較低的原因之一，於是便要求參與者在開始讀新聞之前，先回想自己過去和現在的職責、義務與責任（duties, obligations, and responsibilities）。這麼一做，果然讓「群體」組選擇「事實查核」的比例增加到跟「單獨」組一樣高！

所以囉，大家以後記得提醒自己，在社群網站上看新聞的時候要特別提高警覺，想清楚、再決定要不要按讚分享喔！

參考文獻

• Jun, Y., Meng, R., & Johar, G. V. (2017). Perceived social presence reduces fact-checking. Proceedings of the National Academy of Sciences, 114(23), 5976–5981.

本文轉載自哇賽心理學《等等，你確定這不是假新聞嗎？》

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。