流行文化談哲學，通俗與專業如何聯手成為哲學普及小夥伴？

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

• 作者 / 陳瑞麟｜中正大學哲學系教授，對於理解我們生存的自然與社會世界有高度的興趣，相信理解世界最好的方式是結合哲學與科學。

什麼是「科學哲學」？哲學家心中的科學哲學，與科學家心中的科學哲學是一樣的嗎？想了解科學哲學，首要的問題就是「科學是什麼」，為此我們需要一個分類人類活動的認知理論，再建立一個科學哲學理論，才能完整地回答這個問題。而在 19 世紀前，科學和哲學尚未分家，科學就是自然哲學；到了 20 世紀後，也仍有許多科學家對哲學深感興趣，並將其科學／自然哲學思考寫入科普著作中，展現他們的科學哲學思考。

筆者是個科學哲學的專業研究者，每年都會在哲學系開設相關課程，也經常有理工與社會科學系的同學來選修。根據經驗，歷來修過這堂課程的同學大致有兩種反應：一種在課業表現上優於哲學系同學；另一種則逐漸地消失在課堂上。

我沒有機會調查後者的反應，但我猜測可能是教學內容與他們預先期待的有所落差，也許他們心目中的科學哲學不是哲學系課堂所授的模樣？

你心中的科學哲學是什麼？

或許科學哲學有兩種？一種是哲學家的科學哲學，另一種是科學家的科學哲學。兩者的思想並非截然不同，而是密切相關，只是關注的重點略有不同。

科學家透過測量、觀察、實驗、數學、模擬、計算等各種科學方法，發現自然的定律或機制，並建立科學假說與理論來認識與理解我們生存的世界。

然而，這些科學方法通常運作在抽象符號或數量上，它們表示什麼意義？揭示了什麼樣的世界實況 （reality）？科學家必須提供說明與詮釋，而他們的詮釋構成自然哲學的傳統。

哲學家一方面想認識與理解我們生存的世界，另一方面則對科學家的活動與詮釋深感好奇，雙重興趣使他們採取比較迂迴的路線。

那便是透過閱讀、分析、反思，比較過去與現在科學家的種種理論、思想、活動來了解科學，從而認識、理解並反思科學所揭示與詮釋的世界，甚至進一步建立哲學家自己的世界觀，形成了今天所謂的「科學哲學」。

哲學家的科學哲學

科學哲學的首要問題是「科學是什麼」，其反面則是「科學不是什麼」，兩者共同蘊涵了「科學與非科學」的區分。

很多科學家十分在意非科學的從業者，例如占星者或算命者，偽稱自己的行業是科學，因此如何分辨科學與偽科學就成了科學哲學的一個核心任務。

哲學家波普（Karl Popper） 用「可否證性」 （falsifiability） 來定義「科學性」，主張能被否證的理論或假設才有資格成為科學。

但我們又該如何否證一個科學假設呢？只要找到一個反例就行了，例如「所有生物體都由細胞構成」的假設，會被一個「不是由細胞構成的生物體」否證。

然而，做為科學性定義的「可否證性」本身會不會有反例？就像我們似乎無法找到反例，以否證宇宙起源的大霹靂 （Big Bang） 假說？反過來說，如果現代占星家承認自己的預測可以否證，是否就可以被列入「科學」的行列之內？

事實上，我們很難透過一個簡單的定義來回答「科學是什麼」。

回答任何「 X 是什麼」的問題總是免不了分類系統的建立，例如在科學上我們想回答「現代智人 （homo sapiens） 是什麼」就得了解關於「人種、人屬、人科」的分類與相關理論。

回答「科學是什麼」的問題亦然，我們甚至需要一個「分類人類活動的認知理論」，並建立一個科學哲學理論，才能完整地回答這個問題。波普的可否證性也不是一個簡單的定義，而是一個系統性的否證論。

科學進展到現在已經發展出一個龐大的系統，包含大量形形色色的知識，諸如假說、理論、定律、模型等，以及產生那些知識的種種方法和工具，還有建立與應用知識的活動或實作，概括了探索、說明、解釋、預測、實驗、模擬、干預、控制、改造等，並構成一個複雜而長遠的歷史，發生過革命性的變遷。

如果我們想徹底了解「科學是什麼」，就得探討上述各個主題，也就是科學知識的本質、科學方法的本質、各種科學活動的特性、科學的歷史演變等，其相應的名目就是「科學方法學」、「科學知識論」、「科學實作的哲學」、「科學史的哲學」等，這一切構成了「科學哲學」這門領域的內容。在這方面，國內已經有不少紙本書籍與線上文章能供讀者參考，可見文末的資訊欄。

進行哲學思考的科學家

在 19 世紀之前，科學和哲學尚未分家，科學就是自然哲學。

專業的科學哲學也是建立在 19 世紀末如馬赫 （Ernst Mach） 、龐加萊 （Henri Poincaré） 、杜恩 （Pierre Duhem） 等科學家手上，然後在 20 世紀上半葉發展成一門專業，至今已有 100 多年的歷史。

雖然今日多數在思考、談論、教學、研究科學哲學的人是哲學家，但這並不意味科學家沒有貢獻。 20 世紀之後仍有許多科學家對哲學深感興趣，他們經常將自己的科學／自然哲學思考寫在其科普著作中，形成一個深厚的傳統，例如：

• 海森堡 （Werner Heisenberg） 的《物理學與哲學》（Physics and Philosophy: The Revolution in Modern Science）
• 薛丁格 （Erwin Schrödinger） 的《生命是什麼？》（What Is Life?）
• 莫納德 （Jacques Monod） 的《偶然與必然》（Chance and Necessity: Essay on the Natural Philosophy of Modern Biology）
• 道金斯 （Richard Dawkins） 《自私的基因》（The Selfish Gene）
• 維爾澤克 （Frank Wilczek） 《萬物皆數》（A Beautiful Question: Finding Nature’s Deep Design）和《物質之輕》（The Lightness of Being: Mass, Ether, and the Unification of Forces）
• 葛林 （Brian Greene） 的《眺望時間的盡頭》（Until the End of Time: Mind, Matter, and Our Search for Meaning in an Evolving Universe）

然而對於專業科學家來說，他們更感興趣的是「世界的起源」、「物質的起源」、「生命的起源」、「心智／意識的起源」、「語言的起源」、「宗教信仰的起源」等在傳統上屬於形上學 （metaphysics）^[註]的問題，他們企圖透過各個相關的科學理論推論並回答。

不管答案的依據是什麼，他們的思想和論述都超出了科學的界限，進入哲學的層次，換言之，科學家此時在作科學哲學、科學形上學。

臺灣的科學哲學

其實臺灣同樣也有科學家在進行哲學書寫，例如天下出版社「科學文化」書系的幾位策劃人林和、李國偉、周成功等寫作的科普譯書導讀，又如物理學家高涌泉的《科學人：非物理不可》與他在《科學人》雜誌中的長期專欄「形上集」，以及免疫學家楊倍昌更偏向學術性的科學哲學作品《變遷：生醫實驗室的知識拼圖》，並與臺灣的科學哲學家對話。

筆者相信這些臺灣的科學家，在「科學家的科學哲學」上，已經提供可資學習的典範，期待透過《科學月刊》的引介，臺灣未來有年輕一代的科學家走上哲思之道，持續發展本土科學家的科學哲學。

註解

• 哲學的核心部門，研究最根本與最抽象的「存在」、「實在」、「世界」、「時空」、「範疇」、「物質」、「心智」、「個體」、「共性」等概念的哲學。

尋找更多科學哲學的資訊

筆者已經在網路上刊過一些介紹性的文章，以下分成三部分提供資訊，希望有興趣的讀者能按圖索驥，以探索更多科學哲學內容。

一、關於科學與偽科學的區分問題

• 陳瑞麟，〈【科哲絮語】占星學的巫術性與科學性〉，《想想副刊》， 2018 年 4 月 29 日。
• 陳瑞麟，〈【科哲絮語】怎樣才算是科學？或者，一門學問的科學性程度有多高？〉，《想想副刊》， 2018 年 11 月 4 日。
• 陳瑞麟，〈第三問  如何寫自然哲學與科學史？科學編史方法學的問題〉，《人類怎樣質問大自然》，八旗文化， 2020 年。

二、科學哲學的理論與歷史：

• 陳瑞麟，《科學哲學：理論與歷史》，群學， 2010 年。
• 陳瑞麟，《科學哲學：假設的推理》，五南， 2017 年。
• 陳瑞麟，《人類怎樣質問大自然》，八旗文化， 2020 年。
• 陳瑞麟，〈當代科學哲學的發展〉，哲學新媒體， 2021 年。
• 線上《華文哲學百科》「科學哲學」部分現有的每個詞條。

三、科學家的科學哲學：

• 陳瑞麟，〈科學家的哲學思考，探討世界起源的科普書寫──《眺望時間的盡頭》〉，故事 StoryStudio ， 2021 年。
• 林義宏，〈科普能改變文化？中正陳瑞麟破解科普書籍暢銷秘訣〉，人文・島嶼， 2021 年。

• 〈本文選自《科學月刊》2021 年 8 月號〉
• 科學月刊／在一個資訊不值錢的時代中，試圖緊握那知識餘溫外，也不忘科學事實和自由價值至上的科普雜誌。

• 作者／嚴振邦

編按：從 2014 年的太陽花學運，到近日香港的反送中事件，在資訊發達且自由的社會裡，民眾得以自主發起各式訴願活動來表達心聲，而在情況越演越烈甚至影響到一般民生生活時，政府似乎無法再繼續沉默，並且有必要來回應民眾的疑慮，但是…當政府的政策與民意不符時，政府有權禁止這些反對者發聲嗎？更甚者，政府可以派出大批警力來「維持秩序」嗎？

是他先動手的！那些「動手」的人有沒有正當性？

• 有人說，示威者先出手，「作賊喊抓賊」，甚至有警察因而受傷，警察還手絕對無可厚非，合情合理。
• 也有人說，送中條例合理與否，人人可以有不同判斷，但先撇開這個不論，示威者非法佔路和衝擊，卻是鐵一般的事實，警察唯有以武力清場，合情合理。
• 有人說，警察也是「餬口飯吃」，上司要求動用武力，前線警察也沒有選擇，跟隨命令，合情合理。

這裡有很多哲學思考的空間。先出手的，就一定不合理嗎？你還手就一定沒有問題嗎？很多人已經指出，就算可以還手，還手用的武力也應該是按比例的。我打了你一下，你總不能打我一百下吧？我用長傘打你，你總不能近距離用槍射頭吧？也有很多人指出，示威者某甲打過你，你卻把所有示威者﹙甚至包括站在老遠的人﹚也當成一樣，然後對其他所有示威者都用同等武力，總是不合理吧？

而哲學上更重要的是，示威者的衝擊和警察的打人，真的可以看成一樣的行為嗎？

先不論警察和示威者的裝備相差多遠，攻擊時的威力根本完全不對等，更重要的是，他們用上武力的原因一樣嗎？示威者想做的，是捍衛自己應該擁有和本身擁有的自由，他們才會想佔路和衝立法會。事實上他們的目的根本就不是要警察受傷。只不過因為警察阻止他們的自保，他們才要用上一定武力。

換個角度來看，那警方為何動用武力呢？他們用上武力是因為他們要維護法律、社會秩序，所以要出手打示威者。他們根本出於完全不同的原因而用上武力，我們可以不理會他們的動機，就簡單地說他們都是「打人」嗎？

不自由毋寧死？能不能替自由「正當防衛」？

如果有人衝過來想傷害我，從而搶我的財產，於是兩個人互打起來，你會說「先不論搶人財產是對是錯」，大家都是動用武力嗎？不會吧。用武力來搶人東西是不對的，而用武力來保護自己的財產當然沒有問題啊。同樣道理，我們又怎能說「先不論送中條例是否合理，先出手打人就是不對」呢？如果這條例真的不合理地嚴重損害市民的個人自由，示威者因為要自保想衝進立法會，並因而用上了一定武力，會不會比警察基於要「維護法律和社會秩序」而用武力合理呢？

你想想，一個連個人基本自由都不能保障的國度、一個個人可以隨時要面對不公平審訊的地方，法律和社會秩序還有意義嗎？人類這樣的生活會幸福嗎？顯然並不。如果一套社會秩序並不能讓人有尊嚴地活，一套社會秩序會大大地侵害個人自由，一套社會秩序容許未經人民授權的政府肆意剝奪個人的權利，那麼社會秩序本身並沒有多大意義，我們更不應純粹為了秩序要保護這套秩序。秩序的價值在於保護人民，不應該為了保護秩序而傷害人民。

若然個人的基本自由和保障明顯更重要，那示威者就有一定理由用最低程度的武力去捍衛自己將要失去的自由和權利。而這武力的合理之處，更體現在示威者已用盡和平、非暴力、體制內外的所有方法，去捍衛自己的基本權利和自由。示威者並不是一開始就用上武力，而是在這自我保護的過程中慢慢升級，最後在無計可施而且後果十分嚴重的情況下才訴諸最低程度的武力。這樣的話，抗爭中用上的武力不一定不合理。

同一時間，如果示威者使用武力的理由夠強的話，警察只因要「維護法律和秩序」就用上武力還擊，就不一定是合理之事。而如果用上的武力是不合比例地大，那就更加不合理。

人之初性本善？或許每個人都有「平庸的邪惡」

這些問題，其實每一個有權力者都需要思考，而這包括了每一個前線警察。你拿著槍和棍，就代表著你拿着權力。沙特 (Jean-Paul Sartre) 說人理論上是絕對自由的，你總可以向任何東西說不，也可以向原本自己已下的決定說不﹙就正如每個警察總可以抗令、可以辭職一樣﹚。

當然人所處的環境、團體、制度都限制着我們的思考，使我不一定能完全行使這自由。但如鄂蘭 (Hannah Arendt) 所說，邪惡的事往往不是由大奸大惡的人做出來，而是由每一個平凡人所成就。世上的確可能有些大奸大邪之徒，但更多的惡卻因每一個你和我只跟隨制度和制度內的主流想法而出現。

鄂蘭厲害之處，在於她不僅指出很多惡事都不是由大奸大惡之人做出來，更重要的是，她分析平凡人做出惡事時的現象。她看到二戰大屠殺負責人艾希曼 (Adolf Eichmann) 接受審訊時，不僅展現出他某意義來說也是個平凡人，更重要的是，艾希曼同時展現出，他完全不明白這事情有多嚴重，也不明白為甚麼其他人不明白也不同情他曾做之事。這種與其他人溝通的隔閡，顯示艾希曼困於納粹黨的意識形態，而不能從根本之處反思整套意識形態，所以他不能明白其他人，也不能明白為甚麼在這意識形態以外的人不明白他。

所以這種惡，反映的就不只是人會對制度和權威盲目服從，而更是對所屬團體主流意識型態欠缺反思。很多時我們會看到一整個紀律團體完全不明白其他人為甚麼批評他們，不明白自己做的為甚麼是錯事。因為團體從來都易於生出一套意識形態，令人難以反省，而紀律團體重於紀律和齊一，要從根本之處反思整個團體的主流思識，有的空間只會更少。

我們要做的，是嘗試真正的獨立思考，嘗試離開自己所屬的位置、團體去思考，盡量避免惡的出現，盡量避免惡因我沒有從根本之處思考而出現。﹙當然，這提醒也同樣適用於持不同立場的你我他。﹚

惡法亦法？當法律與道德衝突時，要聽誰的？

說到這裡，容許我多提一個問題作結。支持警察動武者，大多會認為示威者一動用任何武力就是非法，而警察因為看到示威者違法動武而用上武力就是合法。但我不禁要反問，在一個不民主的政體內，法律規定警察作為唯一可以合法使用武力的團體﹙當然還有軍隊﹚，我們有道德理由要遵守嗎？

在民主政體內，一條法律，透過人民的同意而通過，我自然有遵守的理由。這可說是我們同意了的法律啊﹙或至少是透過我同意的機制來立的法律﹚。如果在非民主政體中，有些法律本身可以達至更高的道德價值，那麼我們可能也有遵守的需要。就如同我們在非民主政體中還是有道德理由遵守法律不去殺人。

但那賦予警察權力使用武力對付人民的法例，又是否能達至其他道德價值，使得我們有道德理由遵守？如果獨裁政權立了法，確立了只有警察才能使用武力，然後再用這法律中唯一容許使用武力的團體以武力來壓迫人民，達到政權想要獲得的政治利益，那我們還有道德理由要遵守這條法律嗎？這讓做的話，不就等同於認可政權以唯一合法的武力來欺壓人民？在政權用警察的武力來確立自己的管治地位和政治利益時，人民用一點武力自保，還是不可以嗎？

在這背景下，我們可以看得更清楚，在這不民主的地方，還說警察是「政治中立」，根本就只是空談。若然政權要立的法真的是危害市民的自由和基本權利，警察可以合法使用武力的權力，根本就是政權的最大武器，警察也成了政權最大的幫兇。

• 本文轉載自《好青年荼毒室》，原文標題為〈警察的武力「天公地義、理所當然」嗎？對警察武力的哲學反思〉。