網路購物的評價機制，反而造成不理性的購物決策？

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

市場的公開資訊，真的能幫助消費者做出好決定嗎？

經濟學通常假設消費者主權可以使個人福利最大化：消費者會權衡各種機會，並選擇能夠最大化自己效用的選項。

但市場提供的資訊，是否足夠讓消費者最大化自己的福祉？消費者是否會臨時改變心意，喜歡上別的商品？消費者是否渴望擁有一些與當前選項不同的商品？餐點標示熱量有助減肥？

許多經濟學家覺得，企業藉由巧妙的廣告誘使消費者做出不明智的選擇；還有些經濟學家認為，消費者的確做出不明智的選擇，但過失應該算在他們自己頭上。本章稍後將討論這些行為經濟學家的論述。

多數經濟學家猛然意識到，現行市場其實並不缺乏資訊，公開且良好的資訊量非常大。許多製造商努力宣傳自家商品，甚至提供與其他廠牌的優劣比較及相對的價格訊息；聲譽良好的廠牌和在乎名聲的百貨業者，也間接提供優良品質商品的相關線索。這些都是市場行之有年的公開資訊。

數位革命使資訊量瞬間膨脹數倍。有了網路搜尋功能之後，人們不用走進商店就可以獲得充足的商品訊息。譬如我最近在尋找合適的行李箱，幾個購物網站提供了關於尺寸與重量的資訊、羅列產品的優缺點，還有先前買家對特定型號箱子的評論。

如果在Google搜尋中輸入「行李箱評價」，一下子就會跳出《消費者報告》（Consumer Reports）、《漫旅》（Travel + Leisure）、《好管家》（Good Housekeeping）、《今日美國》（USA Today）、《商業內幕》（Business Insider）、家電網（Wirecutter）、集點網（Upgraded Points）等提供的資訊。

資訊越多越詳細，真的越好嗎？

儘管可靠的資訊來源比比皆是，消費者仍舊無法窮盡所有資訊。經濟學家認為消費者的確「不應該追求完全的知情」，因為搜尋資訊與消費資訊都需要投入時間和金錢。

因此，對擁有部分資訊的消費者而言，只有未知資訊的預期價值超過獲取資訊的成本時，才值得追求更多資訊。另一方面，即使市場的競爭壓力迫使廠商提供大量的商品資訊，還是依然沒有揭露許多重要、與安全相關的訊息。

舉例來說，曾有廣告商建議布朗威廉森菸草公司（Brown and Williamson Tobacco Corporation）在宣傳旗下新商品時，強調新配方能降低引發心臟疾病的有害氣體，然而這項建議並未被接納。

一份內部文件顯示，該公司高層認為：「在特定有害氣體對心臟疾病的影響獲得政府證實且廣為人知之前，貿然在廣告中提及這種氣體並不具有策略性價值。」

由於廣告商極其堅持，該建議最終遭到菸草公司斷然拒絕。該公司認為，提及這些氣體只會適得其反，因為這麼做，反倒公開揭露吸菸對心血管的不良影響。

當市場競爭機制無法為消費者提供重要的資訊時，政府的干預才具有價值。政府公開揭露與吸菸相關的資訊，確實能降低一部分的吸菸率，也會促使廠商降低香菸中的焦油和尼古丁含量。企業有時也沒有測試自家產品的動機，因為他們發現：消費者不認為廠商的內部測試具有公信力。

——本文摘自《經濟學家眼中的世界 (40周年好評增修版)：一本讀懂經濟學的優劣與局限，剖析政府、市場和公共政策，探索人類的幸福》，2023 年 5 月，今周刊出版，未經同意請勿轉載。

過去也有多次政府發錢刺激消費的作法，但他們發的不是錢，而是有使用限制的「消費券」。

既然可以發錢，為什麼之前要發消費券呢？這次又為什麼要發現金？

從經濟學的角度來看，過往的消費券到底是什麼，與這次發現金的使用情境有什麼不一樣？

什麼是消費劵

對消費者來說，消費券就是被限定用途的紙鈔或者是折價券；但從政府的角度，或從經濟學的角度來看，消費券並非這麼簡單。在了解消費券前，要先有兩個概念：「經濟活動循環」及「景氣循環」。

在最簡單的經濟行為流程裡，我們看的是「家計部門」與「廠商」，也就是消費者與生產者之間的互動。「家計部門」需要買各式各樣的產品維持生存或生活品質，「廠商」則提供這些產品，這兩者組成了「產品市場」；「廠商」為生產商品所需的勞動力，就由「家計部門」提供，形成了「勞動市場」或是「生產要素市場」。

將上述概念再加入相反的資金流向，如：購買產品的消費支出、提供勞動力的薪水所得等，就可繪製成「經濟活動循環圖」。

而在一次的「景氣循環」中，會分別經歷擴張期與收縮期；根據國家發展研究院的定義，每個時期所持續時間的至少為 5 個月，走完一次循環則需至少 15 個月。

在擴張期中會先經歷探底復甦，接者是穩定成長，最後來到高峰繁榮期；在這之後就會進入收縮期，開始經濟衰退，直到觸底復甦進入新循環。

舉一個不遠的經濟衰退案例，那就是 2008 年全球金融危機。當時由於美國房地產市場崩潰，房價急劇下跌，許多人失去了房屋資產，造成負債問題；導致消費者信心下降、消費減少，進而使生產減少。此外，由於銀行與金融機構資產負債問題激增，使得貸款停止，造成資金不流動；這麼一來企業也必須減少生產，進而裁員、倒閉，失業率隨之攀升。 

有了「經濟活動循環」和「景氣循環」概念，我們可以幫消費券下個定義了：就是透過增加家庭的消費支出，來復甦產品市場；通常在經濟衰退時使用。也就是說，消費券是政府發給我們的消費工具，希望再補點錢把廠商的庫存清光，增加消費來維持市場穩定，避免持續經濟衰退。

發消費券與現金的成效

那麼，直接發錢跟消費券的功能一樣嗎？發現金也會刺激消費，但消費券刺激的力道理論上會再強一些。

由於消費券在設計上會「排除基本必須開支」，這麼一來便會減少用於「消費替代」的機會，像是水電費、勞健保費、或是繳稅跟罰金，而消費券的各種優惠跟加碼活動，都激勵我們花超過原本支出的錢。另外，「限時用完」、「不找零」、「排除儲值跟預付類消費」都是消費券的關鍵設計，目的就是要在短時間內激發經濟流動性。

反過來說，發現金不像消費券，有明確的優惠活動可以刺激我們亂花錢，在沒有使用期限跟排除開支項目的情況下，這些錢還可以自由分配到每個月的日常支出裡；假如沒有多花一些錢，發的現金將不會幫助消費增長。

新冠疫情影響下，美國在 2020 年普發現金：成人發 1200 美元、兒童 500 美元，年底再加碼 600 美元，2021 年又發 1400 美元。根據美國聯準會紐約分行研究，截至 2020 年 6 月底，民眾取得的現金補助中，有 36% 為儲蓄、35% 償還債務，僅 29% 用於消費，民眾甚至表示，在收到 2021 年的補助金後，會花更多錢去還債。

而日本則於 2021 年底，向全民普發 10 萬日圓的特別定額給付金，日本 Money Forward Lab、早稻田大學與澳洲昆士蘭大學的共同研究研究指出，給民眾的給付金中，只有 6％ 到 27% 用於消費，其中非日常用品的支出沒有明顯改變。

那消費券的成效呢？根據經濟部對 2020 發放的振興三倍券評估成效，考量印製、宣傳與行政，包含發給我們的 2000 元，總成本為 510.5 億元，以領取率接近 100% 來計算，大約就是 2300 萬人去攤這 510.5 億，政府在每一個人身上花約 2220 元，而每人平均消費了 5785 元；等於政府花 1 元能換來 2.6 元的消費，是有效果的。

不過由於使用情境不同，不好將日美發放的現金與我們的振興券相比較。

日美發放的是「紓困金」，目的是幫助人民度過難關；針對這些「紓困金」得用社會投資報酬率（SROI）來考慮，也就是衡量投入資源，所得到「非財務面」的回饋與報酬，例如社會安全、社會價值等。

搞笑諾貝爾經濟學獎

那這次台灣發現金的目的到底是什麼呢？假設是要振興經濟，應該不是個好方法。若用社會投資報酬率來看，不少人提出更該把要拿來發的 1800 億用於投資科學技術研究、大學經費或減免高等教育學費，而非普發 6000。

讓我們回顧 2022 年搞笑諾貝爾經濟學獎，研究團隊以每隔五年會獲得「政府資金」補助，並在模型裡設計了好幾種情境，除了把經費徹底平均分配的普發式外，還有只補助過去表現好的人的菁英式，一部分重點補助菁英，剩下再普發的折衷式，以及最後一個亂槍打鳥樂透式。每一式再加入補助金額高低變化，總共有 18 種方案。

延伸閱讀：
【2022 年搞笑諾貝爾經濟獎】不想努力的我，把運氣點滿就對了

透過這個人生遊戲模組，若以研究定義的成功率來看，折衷式的其中一種方案讓「高能力族群」的成功率從沒有補助的 32.05% ，一口氣提高到 94.82%，其結果最好，但也是所有方案中最貴的；相較之下，如果採取普發式的其中一種方案，成功率也可以達到 94.40%，政府花費還低了將近一半。

若不只看成功率，而是看政府每花一塊錢能增加多少高能力族群成功率的效率來判斷，竟然還是普發式的方案結果最好，能用最少的花費，就讓成功率提升到 69.48%！表現最差的方案，都是菁英式，其中只把錢給過往表現前 10% 的極端菁英方案，效率只有最佳普發方案的 1/25。

研究者也提到，在真實世界中，折衷式方案一方面人人有獎，一方面也給表現較好的人鼓勵，可能產生激勵效果，讓所有人都更加努力，發揮更大的整體效果。

再回到一開始討論的，現在政府有一筆多出來的錢，而預期目標是讓人民的生活過得更好，這筆錢該直接給民眾，還是執行特定的菁英投資政策呢？若是按照搞諾經濟學獎，就是直接普發！（難道政府裡也有和我們一樣熱愛搞笑諾貝爾獎的好捧油？XD）

然而，不管是從經濟學基本原理、過往發現金跟消費券的效益評估，還是搞笑諾貝爾經濟學獎的人生遊戲模型，其實都無法替普發 6000 還稅於民的政策效果背書，一時半刻也很難看出效益。

說到這裡，6000 元你打算怎麼花呢？

歡迎訂閱 Pansci Youtube 頻道 獲取更多深入淺出的科學知識！

使用網購的人越來越多，大家都習慣了這個更透明、自在的購物環境：不管想不想買某樣東西，都先看看網友評價怎麼樣再說。評價數多不多？好評有多少？視窗瀏覽一遍，一件商品的好壞在我們心中也有了拿捏。

然而在一項發表於《心理科學》（Psychological Science）的研究［1］卻顯示，消費者看待商品評價的方式，可能會導致大家做出不理性的購買決定。本項研究的第一作者是史丹佛大學心理系博士後德里克・包威爾（Derek Powell）。

評價多、評價少，跟好評多不多哪個比較有影響？

這個研究發現：

人們在網購中過於看重一件商品有沒有足夠多的評價數，而相對看輕這件商品的評分有多高。

换句話说，在相同的條件下，消費者更加青睞銷售量可觀的「熱銷款」（儘管評價數多，但評分卻可能較低），而不願為那些「叫好不叫座」的商品打開荷包。

然而，商品評價數與其質量好壞其實並無直接關係。相反的，一個擁有大量評價的低分商品，跟一個僅有少量評價的低分商品相比，品質反而「低」得更為穩定一些。因此，過於看重評價數，可能會讓我們買到一件糟糕的商品。

「爆款」和「好評」，消費者喜歡哪一個？

在開始實驗之前，研究者先從亞馬遜網站上收集了 356619 件商品的共計 15655439 條評價，這些商品主要來自手機、電器、餐廚、健康與美容四個類别。

通過分析這些現實中的數據，研究者完成了兩項工作。首先，他們證明了一件商品的流行度（即評價數）與其本身的品質和消費者滿意度（即評分）之間沒有什麼關係。其次，通過傅立葉建模的方式，研究者推算出了一個理性的消費者在不同的評價數和評分基礎上「應該」做出什麼樣的決策。這樣，他們就為可能出現的不同實驗结果提供了一個可供比照的標準。

隨後，研究者招募了 138 名成年受試者，讓他們在一系列配對商品之間評估自己更願意買哪一件。其中一件商品只有較少的評價數（大約 25 個），評分在 2.7～4.6 分之間波動；另一件商品則有大量的評價（大约 150 個），並且它的評分在一半的情况下要高於評價少的商品，而在另一半的情况下則評分更低。

研究者關心的是，受試者在評價數與評分各異的商品之間會如何選擇。结果發現，受試者對評價數多的商品存在很明顯的偏好。

當兩個配對商品的評分都較高時（4.6 分），受試者選擇評價數多的商品的概率接近 95％。這一结果比較符合我們的直覺，那些評價好銷量又多的商品，我們確實更願意購買它們。

但有趣的是，如果兩個商品的評分都很低（2.7 分*），受試者仍然有接近 90％的概率會選擇評價數多的那一個。

• 注：研究者分析了亞馬遜上的真實數據，發現不同類别商品的平均評分在 3.73～4.10 之間波動，其中手機類 3.73 分，電器類 3.92 分，餐廚類 4.09 分，健康與美容類 4.10 分。因此，2.7 分是一個比較低的評分。

然而，「由 150 個評價得到的低分」與「僅由 25 個評價得到的低分」，雖然評價都不高，卻有著本質區别。依據统計學原理，前者由於樣本量大，因此所得到的是一個非常穩定的「差評」；而後者由於樣本小，「差」的结果有可能只是誤差導致。換句話说，基於大量消費者評價的差評商品，一定會很差；而基於少量消費者評價的差評商品，則可能很差也可能還行。

然而更糟糕的情況是，相比於 2.7 分的低分商品，一件商品只要評價數足夠多，哪怕評分更低（2.4 分），受試者還是會有超過 40％的概率選擇它。可見，消費者在網購中對爆款的偏好是較為明顯的。

人們為什麼熱愛「爆款」？

在整個實驗中，傅立葉模型對受試者行為的擬合度只有 0.17，也就是說，他們在實驗中的實際表現，與模型所得到的「利益最大化」的答案相去甚遠。

包威爾認為，消費者是受到社會線索的影響，才會變得像羊群一樣跟從同伴的選擇，而這些線索就是一件商品有多少人評價。社會學習理論表明，人們會有意無意地通過觀察、模仿其他人的行為，來幫助自己解決問題。

社會學習不僅能讓我們在短時間內快速獲得較為可靠的解決方案，還能在一定程度上規避環境中可能存在的風險［2］。

這是一種「不學而能」的能力，也有深刻的進化意義［3］。因此，人們做決策時的第一直覺是跟著其他人走，這麼做是一個相對安全的選項。而選擇少有人走的路所產生的焦慮感，也會驅使人們調轉方向跟著其他人走。

消費者在網購中所表現出的偏好評價數的傾向，便是社會學習的结果。他們會將流行（評價數多）的商品視為「好」商品，而忽視評價數對於消費決策的真正用處——衡量一件商品評分的穩定性：評分所基於的評價數越多，那麼這個商品的評分則越穩定。

因此，下次剁手時，先把自己從對評價數的執著中解救出來，而要同時考慮評價數與評分這兩個指標。一個評價數多且評分高的商品，自然是極好的；但一個評價數多卻評分低的商品，也有可能是實實在在的糟糕。

參考文獻

1. Powell, D., Yu, J., Dewolf, M., &Holyoak, K. J. (2017). The love of large numbers: a popularity bias in consumer choice. Psychological Science, 28(10), 1432-1442.
2. Bandura, A. (2000). Social learning theory. Journal of Human Behavior in the Social Environment, 1(1), 33-52.
3. Castro, L., & Toro, M. A. (2004). The evolution of culture: from primate social learning to human culture. Proceedings of the National Academy of Sciences of the United States of America, 101(27), 10235-10240.

本文版權屬於果殼網（微信公眾號：Guokr42），原文為〈網購達人們，别被評價數衝昏了頭〉，禁止轉載。如有需要，請聯繫sns@guokr.com。