康納曼生日｜科學史上的今天：3/5

• 作者／賴昭正｜前清大化學系教授、系主任、所長；合創科學月刊

我擔心人工智慧可能會完全取代人類。如果人們能設計電腦病毒，那麼就會有人設計出能夠自我改進和複製的人工智慧。 這將是一種超越人類的新生命形式。

——史蒂芬．霍金（Stephen Hawking）　英國理論物理學家

大約在八十年前，當第一台數位計算機出現時，一些電腦科學家便一直致力於讓機器具有像人類一樣的智慧；但七十年後，還是沒有機器能夠可靠地提供人類程度的語言或影像辨識功能。誰又想到「人工智慧」（Artificial Intelligent，簡稱 AI）的能力最近十年突然起飛，在許多（所有？）領域的測試中擊敗了人類，正在改變各個領域——包括假新聞的製造與散佈——的生態。

圖形處理單元（graphic process unit，簡稱 GPU）是這場「人工智慧」革命中的最大助手。它的興起使得九年前還是個小公司的 Nvidia（英偉達）股票從每股不到 $5，上升到今天（5 月 24 日）每股超過 $1000（註一）的全世界第三大公司，其創辦人（之一）兼首席執行官、出生於台南的黃仁勳（Jenson Huang）也一躍成為全世界排名 20 內的大富豪、台灣家喻戶曉的名人！可是多少人了解圖形處理單元是什麼嗎？到底是時勢造英雄，還是英雄造時勢？

在回答這問題之前，筆者得先聲明筆者不是學電腦的，因此在這裡所能談的只是與電腦設計細節無關的基本原理。筆者認為將原理轉成實用工具是專家的事，不是我們外行人需要了解的；但作為一位現在的知識分子或公民，了解基本原理則是必備的條件：例如了解「能量不滅定律」就可以不用仔細分析，即可判斷永動機是騙人的；又如現在可攜帶型冷氣機充斥市面上，它們不用往室外排廢熱氣，就可以提供屋內冷氣，讀者買嗎？

CPU 與 GPU

不管是大型電腦或個人電腦都需具有「中央處理單元」（central process unit，簡稱 CPU）。CPU 是電腦的「腦」，其電子電路負責處理所有軟體正確運作所需的所有任務，如算術、邏輯、控制、輸入和輸出操作等等。雖然早期的設計即可以讓一個指令同時做兩、三件不同的工作；但為了簡單化，我們在這裡所談的工作將只是執行算術和邏輯運算的工作（arithmetic and logic unit，簡稱 ALU），如將兩個數加在一起。在這一簡化的定義下，CPU 在任何一個時刻均只能執行一件工作而已。

在個人電腦剛出現只能用於一般事物的處理時，CPU 均能非常勝任地完成任務。但電腦圖形和動畫的出現帶來了第一批運算密集型工作負載後，CPU 開始顯示心有餘而力不足：例如電玩動畫需要應用程式處理數以萬計的像素（pixel），每個像素都有自己的顏色、光強度、和運動等, 使得 CPU 根本沒辦法在短時間內完成這些工作。於是出現了主機板上之「顯示插卡」來支援補助 CPU。

1999 年，英偉達將其一「具有集成變換、照明、三角形設定／裁剪、和透過應用程式從模型產生二維或三維影像的單晶片處理器」（註二）定位為「世界上第一款 GPU」，「GPU」這一名詞於焉誕生。不像 CPU，GPU 可以在同一個時刻執行許多算術和邏輯運算的工作，快速地完成圖形和動畫的變化。

依序計算和平行計算

一部電腦 CPU 如何計算 7×5+6/3 呢？因每一時刻只能做一件事，所以其步驟為：

• 計算 7×5；
• 計算 6/3；
• 將結果相加。

總共需要 3 個運算時間。但如果我們有兩個 CPU 呢？很多工作便可以同時（平行）進行：

• 同時計算 7×5 及 6/3；
• 將結果相加。

只需要 2 個運算時間,比單獨的 CPU 減少了一個。這看起來好像沒節省多少時間，但如果我們有 16 對 a×b 要相加呢？單獨的 CPU 需要 31 個運算的時間（16 個 × 的運算時間及 15 個 + 的運算時間），而有 16 個小 CPU 的 GPU 則只需要 5 個運算的時間（1 個 × 的運算時間及 4 個 + 的運算時間）！

現在就讓我們來看看為什麼稱 GPU 為「圖形」處理單元。圖一左圖《我愛科學》一書擺斜了，如何將它擺正成右圖呢？ 一句話：「將整個圖逆時針方向旋轉 θ 即可」。但因為左圖是由上百萬個像素點（座標 x, y）組成的，所以這句簡單的話可讓 CPU 忙得不亦樂乎了：每一點的座標都必須做如下的轉換

x’ = x cosθ + y sinθ

y’ = -x sinθ+ y cosθ

即每一點均需要做四個 × 及兩個 + 的運算！如果每一運算需要 10^-6 秒，那麼讓《我愛科學》一書做個簡單的角度旋轉，便需要 6 秒，這豈是電動玩具畫面變化所能接受的？

人類的許多發明都是基於需要的關係，因此電腦硬件設計家便開始思考：這些點轉換都是獨立的，為什麼我們不讓它們同時進行（平行運算，parallel processing）呢？於是專門用來處理「圖形」的處理單元出現了——就是我們現在所知的 GPU。如果一個 GPU 可以同時處理 10⁶ 運算，那上圖的轉換只需 10^-6 秒鐘！

GPU 的興起

GPU 可分成兩種：

• 整合式圖形「卡」（integrated graphics）是內建於 CPU 中的 GPU，所以不是插卡，它與 CPU 共享系統記憶體，沒有單獨的記憶體組來儲存圖形／視訊，主要用於大部分的個人電腦及筆記型電腦上；早期英特爾（Intel）因為不讓插卡 GPU 侵蝕主機的地盤，在這方面的研發佔領先的地位，約佔 68% 的市場。
• 獨立顯示卡（discrete graphics）有不與 CPU 共享的自己專用內存；由於與處理器晶片分離，它會消耗更多電量並產生大量熱量；然而，也正是因為有自己的記憶體來源和電源，它可以比整合式顯示卡提供更高的效能。

2007 年，英偉達發布了可以在獨立 GPU 上進行平行處理的軟體層後，科學家發現獨立 GPU 不但能夠快速處理圖形變化，在需要大量計算才能實現特定結果的任務上也非常有效，因此開啟了為計算密集型的實用題目編寫 GPU 程式的領域。如今獨立 GPU 的應用範圍已遠遠超出當初圖形處理，不但擴大到醫學影像和地震成像等之複雜圖像和影片編輯及視覺化，也應用於駕駛、導航、天氣預報、大資料庫分析、機器學習、人工智慧、加密貨幣挖礦、及分子動力學模擬（註三）等其它領域。獨立 GPU 已成為人工智慧生態系統中不可或缺的一部分，正在改變我們的生活方式及許多行業的遊戲規則。英特爾在這方面發展較遲，遠遠落在英偉達（80%）及超微半導體公司（Advance Micro Devices Inc.，19%，註四）之後，大約只有 1% 的市場。

事實上現在的中央處理單元也不再是真正的「單元」，而是如圖二可含有多個可以同時處理運算的核心（core）單元。GPU 犧牲大量快取和控制單元以獲得更多的處理核心，因此其核心功能不如 CPU 核心強大，但它們能同時高速執行大量相同的指令，在平行運算中發揮強大作用。現在電腦通常具有 2 到 64 個核心；GPU 則具有上千、甚至上萬的核心。

結論

我們一看到《我愛科學》這本書，不需要一點一點地從左上到右下慢慢掃描,即可瞬間知道它上面有書名、出版社等，也知道它擺斜了。這種「平行運作」的能力不僅限於視覺，它也延伸到其它感官和認知功能。例如筆者在清華大學授課時常犯的一個毛病是：嘴巴在講，腦筋思考已經不知往前跑了多少公里，常常為了追趕而越講越快，將不少學生拋到腦後！這不表示筆者聰明，因為研究人員發現我們的大腦具有同時處理和解釋大量感官輸入的能力。

人工智慧是一種讓電腦或機器能夠模擬人類智慧和解決問題能力的科技，因此必須如人腦一樣能同時並行地處理許多資料。學過矩陣（matrix）的讀者應該知道，如果用矩陣和向量（vector）表達，上面所談到之座標轉換將是非常簡潔的（註五）。而矩陣和向量計算正是機器學習（machine learning）演算法的基礎！也正是獨立圖形處理單元最強大的功能所在！因此我們可以了解為什麼 GPU 會成為人工智慧開發的基石：它們的架構就是充分利用並行處理，來快速執行多個操作，進行訓練電腦或機器以人腦之思考與學習的方式處理資料——稱為「深度學習」（deep learning）。

黃仁勳在 5 月 22 日的發布業績新聞上謂：「下一次工業革命已經開始了：企業界和各國正與英偉達合作，將價值數萬億美元的傳統資料中心轉變為加速運算及新型資料中心——人工智慧工廠——以生產新商品『人工智慧』。人工智慧將為每個產業帶來顯著的生產力提升，幫助企業降低成本和提高能源效率，同時擴大收入機會。」

附錄

人工智慧的實用例子：下面一段是微軟的「copilot」代書、谷歌的「translate」代譯之「one paragraph summary of GPU and AI」。讀完後，讀者是不是認為筆者該退休了？

GPU（圖形處理單元）和 AI（人工智慧）之間的協同作用徹底改變了高效能運算領域。GPU 具有平行處理能力，特別適合人工智慧和機器學習所需的複雜資料密集運算。這導致了影像和視訊處理等領域的重大進步，使自動駕駛和臉部辨識等技術變得更加高效和可靠。NVIDIA 開發的平行運算平台 CUDA 進一步提高了 GPU 的效率，使開發人員能夠透過將人工智慧問題分解為更小的、可管理的、可同時處理的任務來解決這些問題。這不僅加快了人工智慧研究的步伐，而且使其更具成本效益，因為 GPU 可以在很短的時間內執行與多個 CPU 相同的任務。隨著人工智慧的不斷發展，GPU 的角色可能會變得更加不可或缺，推動各產業的創新和新的可能性。大腦透過神經元網路實現這一目標，這些神經元網路可以獨立但有凝聚力地工作，使我們能夠執行複雜的任務，例如駕駛、導航、觀察交通信號、聽音樂並同時規劃我們的路線。此外，研究表明，與非人類動物相比，人類大腦具有更多平行通路，這表明我們的神經處理具有更高的複雜性。這個複雜的系統證明了我們認知功能的卓越適應性和效率。我們可以一邊和朋友聊天一邊走在街上，一邊聽音樂一邊做飯，或一邊聽講座一邊做筆記。人工智慧是模擬人類腦神經網路的科技，因此必須能同時並行地來處理許多資料。研究人員發現了人腦通訊網路具有一個在獼猴或小鼠中未觀察獨特特徵：透過多個並行路徑傳輸訊息,因此具有令人難以置信的多任務處理能力。

註解

（註一）當讀者看到此篇文章時，其股票已一股換十股，現在每一股約在 $100 左右。

（註二）組裝或升級過個人電腦的讀者或許還記得「英偉達精視 256」（GeForce 256）插卡吧?

（註三）筆者於 1984 年離開清華大學到 IBM 時，就是參加了被認為全世界使用電腦時間最多的量子化學家、IBM「院士（fellow）」Enrico Clementi 的團隊：因為當時英偉達還未有可以在 GPU 上進行平行處理的軟體層，我們只能自己寫軟體將 8 台中型電腦（非 IBM 品牌！）與一大型電腦連接來做平行運算，進行分子動力學模擬等的科學研究。如果晚生 30 年或許就不會那麼辛苦了?

（註四）補助個人電腦用的 GPU 品牌到 2000 年時只剩下兩大主導廠商：英偉達及 ATI（Array Technology Inc.）。後者是出生於香港之四位中國人於 1985 年在加拿大安大略省成立，2006 年被超微半導體公司收購，品牌於 2010 年被淘汰。超微半導體公司於 2014 年 10 月提升台南出生之蘇姿豐（Lisa Tzwu-Fang Su）博士為執行長後，股票從每股 $4 左右，上升到今天每股超過 $160，其市值已經是英特爾的兩倍，完全擺脫了在後者陰影下求生存的小眾玩家角色，正在挑戰英偉達的 GPU 市場。順便一題：超微半導體公司現任總裁（兼 AI 策略負責人）為出生於台北的彭明博（Victor Peng）；與黃仁勳及蘇姿豐一樣，也是小時候就隨父母親移居到美國。

（註五）或。

延伸閱讀

• 「熱力學與能源利用」，《科學月刊》，1982 年 3 月號；收集於《我愛科學》（華騰文化有限公司，2017 年 12 月出版），轉載於「嘉義市政府全球資訊網」。
• 「網路安全技術與比特幣」，《科學月刊》，2020 年 11 月號；轉載於「善科教育基金會」的《科技大補帖》專欄。

框架問題理應提醒我們，我們只要自動腦補就一定會犯錯。我們確實向來如此。不過「人類」這個對象不同於 AI 研究人員開發的機器人或電腦，並不會讓我們訝異到必須被迫改寫思考時的整個心智模式。相反地，一旦我們知道答案，就似乎總能找出先前被忽略、後來明顯相關的面向，就像拉扎斯菲爾德假想的《美國士兵》讀者——他們在事後發現，每一個對立的結果都同樣理所當然。

也許我們原本預期自己中了樂透之後會超級開心，結果中獎之後，卻發現自己很鬱悶，這個預測顯然很糟糕。但當我們意識到自己預測錯誤時，同時也獲得新的資訊，例如那些突然出現要借錢的親戚。於是我們會心想，如果早點知道這些資訊，就可以正確預測未來的幸福狀態，也許就不會去買樂透彩了。

因此，我們沒有質疑自己預測未來幸福程度的能力，反而只是認為我們漏掉了一些重要的東西，並且確保自己不再犯相同錯誤。然而我們卻一錯再錯。事實上，無論對於他人行為的預測失準了多少次，我們總是可以用當時未知的事情做為辯解。透過這種方式，我們掩蓋了框架問題，一再說服自己下次會做好，卻永遠都不明白我們真正錯在哪裡。

這種行為模式在動機與金錢報酬的關係中最為明顯，也最難消除。例如，實施金錢獎勵制度顯然能提升員工表現，而且數十年來，職場上大幅出現以績效為基礎的薪資制度，最具代表性的就是高階主管薪酬與股價掛鉤。

當然，員工在意的顯然不只薪水，還有內在的愉悅感、認同感，以及在個人職涯上的成長與晉升等因素，這些都會影響工作表現。

在其他條件都相同的情況下，適當的金錢獎勵可以提升個人表現——這似乎理所當然。然而，多年來有多項研究顯示，薪酬與工作表現之間的關係，實際上的複雜程度讓人難以想像。

舉個例子，最近我跟雅虎（Yahoo!）的同事梅森（Winter Mason）進行了一系列網路實驗。我們給予受試者不同的薪資，並要求他們執行各種簡單的重複性工作，例如：按照正確的時間順序排列一組車流照片，或是在矩形網格上，找出隱藏在一堆英文字母中的英文單字。

所有受試者都是在亞馬遜土耳其機器人（Amazon’s Mechanical Turk）這個外包網站上招募而來，這個網站是亞馬遜公司於二○○五年推出，原先是用來找出重複的庫存商品。現在有數百家企業使用土耳其機器人進行「群眾外包」（crowd-source），處理五花八門的各種任務，像是標示圖片中的物品、描述新聞報導的觀點，或是判斷兩種說法中哪一個比較清楚。這個網站也是招募心理學實驗受試者的一個有效方法，就像心理學家多年來在大學校園裡張貼廣告那樣，不過土耳其機器人網站的「託客」（turkers）完成一件任務的報酬通常只需要幾美分，只占了研究經費的一小部分。

我們的實驗總共納入數百位受試者，完成了數萬件任務。有些受試者完成一件任務只能得到 1 美分的酬勞，例如整理一組圖片、找出一個單字。但是，有些受試者完成相同任務卻會得到 5 美分或 10 美分。這在工資上是相當大的差異，要知道，美國電腦工程師的平均時薪只有聯邦最低工資的六倍，所以你可以預期這個工資差異會對受試者的行為產生強烈影響。

結果確實如此。我們付的錢越多，受試者離開實驗之前完成的任務就越多。我們還發現，不管工資多少，分配到「簡單」任務（每一組有兩張圖片需要歸類）的人，比分配到中等或困難任務（每一組有三至四張）的人完成更多任務。換句話說，這些都符合常理。

但接下來的問題是：雖然存在上述差異，我們發現這群受試者的工作品質，也就是歸類圖片的準確度，並不會因為工資不同而下降，即使只有正確完成才能拿到酬勞。

該如何解釋這個結果？我們並不十分確定。在受試者完成任務之後，我們問了一些問題，包括他們認為自己的工作該得到多少報酬。有趣的是，他們的回答與工作難度無關，而是取決於獲得的工資。平均而言，每件任務得到 1 美分的受試者，認為自己該得到 5 美分。得到 5 美分的認為自己該得到 8 美分，而得到 10 美分的則認為自己該得到 13 美分。

換句話說，不論他們實際上得到多少（還記得有些受試者的工資是別人的十倍嗎），每個人都覺得工資過低。大家在直覺上會認為，給予金錢獎勵就能夠提升員工的動機，但這個實驗告訴我們，即使是非常簡單的工作，工作動機也會因爲員工的權利意識提升而大幅減弱。

——本文摘自《超越直覺》，2024 年 01 月，一起來出版，未經同意請勿轉載。

2024 年總統大選，你決定好要投給誰了嗎？

或許有人心中已有答案，有人則還在猶豫。但你可能從沒和這些候選人碰過面講過話，甚至可能沒加入任何政黨。那你想過，你是怎麼決定要將票投給誰的呢？

大部分的人都是透過網路、電視、廣播以及報刊，來認識每一位看似陌生又熟悉的參選人。但不知不覺地，你可能早就落入媒體的框架中，認為螢幕中的他就是你心目中的首選。

很遺憾地告訴你，泛科學也是媒體。因此，你也早就陷入泛科學的鏡花水月之中啦！不過，本篇也會告訴你逃離媒體框架的方法，但你又真的會想逃離嗎？

什麼是框架？媒體怎麼製造框架？

先來看看這張照片，裏頭有一位美國大兵和一名戰俘，你看到這張相片時的感受是什麼呢？我看到的是一個和平的畫面，即使對方是戰俘，美國大兵仍主動餵敵方俘虜喝水，把對方當人看。

但事實真的是如此嗎？其實這張照片是被截取過的，還調整了色調，在美聯社的報導中，完整的照片是這張。旁邊還有一位士兵拿著槍抵著俘虜的頭。我想和平感應該完全消失了吧？

如果你以為故事只到這邊，那就錯了。當大家都在譴責有心人士故意只擷取半邊，刻意誤導群眾時。有網友發現把照片放大，可以看到槍口處很模糊，但俘虜本身的輪廓卻相當清楚，說明兩者的景深不同，很可能槍口並沒有抵在俘虜頭上，而是在一段距離外將槍口指向地面。

若這是事實，就有可能是攝影師刻意透過借位的方式，來拍出一張聳動具有話題性的照片。可惜的是，事實的真相，或許只有現場當事人才知道了。這種大眾只能乖乖被媒體牽著鼻子，隨著片面資料，根據視角不同出現 180 度又 180 度的髮夾彎，你我應該都似曾相識。

在大眾傳播學領域的術語中，這稱為新聞框架（News Framing），指的是新聞媒體通過改變報導問題，來影響人們的態度和行為，說白話一點就是「選擇性報導」。

此概念源自於人類學家格雷戈里．貝特森（Gregory Bateson）在 1954 年的一篇論文：遊戲與幻想的理論（A Theory of Play and Fantasy）。在論文中，他提到框架是一組互動訊息的空間和時間邊界，奠定了人們在社會科學領域使用框架概念的基礎。到了 1974 年，歐文．高夫曼 (Erving Goffman) 在框架分析：經驗組織論（Frame analysis: An essay on the organization of experience）一書中，解釋人們如何在他們的經歷中建構和組織意義，正式將框架的概念帶到跨領域學科，並持續受到後人關注。至今約 50 年的時間，該書引用次數已超過 4 萬次，相當驚人，也是我讀傳播研究所時最喜歡的理論。

除了新聞的畫面材料外，標題也是塑造框架的一大利器。當人們閱讀標題時，就會提前預期內容與標題主旨是相同的。若有不合適的標題，又或是出現在錯誤位置的標題，也容易讓讀者產生錯誤的聯想，甚至造成刻板印象或是種族歧視。

你現在看到的是美國《人物》雜誌在 911 事件 10 周年所發行的紀念刊物，專題關於 10 位在出生前父親就因 911 事件死亡的孩子。雜誌標題是「9/11 的孩子」，配圖是一張白人女孩的照片。

接下來我們看另一本雜誌的封面，這是美國《新聞週刊》2010 年 1 月份的刊物。標題是「賓拉登的孩子」，下方列了許多與恐怖攻擊相關的文章，配圖則是一張黑人男孩的照片。

當這兩張封面圖分別出現時，我們只會被斗大的標題吸引，預設「9/11 的孩子」可能會有感性的被害者故事，而「賓拉登的孩子」可能會有較多恐怖攻擊相關的內容。

但不知不覺中，大腦可能將圖片與標題做聯結，產生看到白人小女孩就等於天真無辜，看到黑人小男孩就等於具有潛在暴力風險的錯誤印象。

或許雜誌的編輯們當初都沒注意到這背後的隱含的種族歧視，但更進一步來說，這也為其他媒體提供了機會，可以將這兩張圖放在一起，創造另一個框架來證明美國存在隱性的種族歧視。沒錯，就像是我現在正在做的事。

從這兩個例子就可以看出，媒體總是能善用心理學的手法，讓我們的大腦不知不覺中掉入陷阱，只看見媒體想讓你看見的事。

但為什麼，我們總是輕易落入這種框架中呢？

為什麼我們常落入框架之中？認知偏誤如何影響決策？

從框架概念延伸出的框架效應是一種認知偏誤的現象，指的是人們會根據選項的描述來進行決策，思考和決策就像是受限在框架內。

「框架效應」起源於 1979 年，當時心理學家阿莫斯·特維斯基和丹尼爾．康納曼，正在研究人類是否會因為情境不同做出不理性的決策。透過實驗和嚴謹的數學模型，他們提出提出前景理論（Prospect theory），理論認為，不同人對於獲利和損失發生的機率高低，在心理感受上是不同的，也導致人們往往做出「不理性」的風險決策。這項研究成果讓丹尼爾‧康納曼在 2002 年獲得諾貝爾經濟學獎。

在一個情境中，當你可以用不同的陳述方式來呈現邏輯結論相同的狀況時，框架效應就有可能發生。想像一下，有一位病人正在糾結是否該動手術，而醫師告訴他，手術後一個月內的存活率是 90%，那麼大概大部分的病人都會同意執行手術。但如果醫師和病人說的是，手術後一個月內的死亡率是百分之 10%。那可能會有更多的病人選擇拒絕手術。

我們的大腦發生了什麼事？為什麼總是掉進框架之中？包括框架效應在內的認知偏誤都和行為決策有關，並涉及很複雜的認知歷程以及行為變化，很難用一兩個神經迴路完全解釋。但目前認為認知偏誤與大腦前額葉以及邊緣系統的連結有關。

媒體帶風向還有另一個關鍵，就是他們知道如何吸引你的注意力。聳動的標題，配上血腥暴力色情且超乎常理的內容總是能獲取讀者注意力，激發人類的原始慾望跟恐懼。這些由內在深層動機產生的注意力，和大腦的神經傳導物質多巴胺有關。多巴胺刺激大腦的獎賞迴路，控制我們被與生存有關的初級獎賞吸引（Primary rewards）例如食物、性、母愛。

講到這邊，我們已經知道我們有多容易掉入框架，接下來最重要的問題，就是我們究竟有沒有辦法，逃離這個框架？

要怎麼打破框架？我們有辦法逃離這些限制嗎？

很難，但不是不可能。不用擔心，我們先分別從觀眾和媒體的角度來談談。

從觀眾的角度出發，我們獲取知識的方式，已經從以前的閱讀整本書籍，變成看 10 分鐘的統整影片、圖文懶人包，或是請 AI 直接回答。這不只是大家常說的「現代人專注力下降」，其中一個原因，還包含我們前面提過的，我們的大腦被設計成很容易切換注意力投注的對象。越短越有重點的東西越能吸引注意力，也成為了網路短影音興起的流量密碼。

此外，比起生硬的教科書或是科學理論，讀者對有趣且具故事性的題材更有興趣。但說到這了你也肯定知道，框架更容易從主觀修飾跟挑選過的故事中誕生，而不是那些客觀且全面的科學理論。當然啦，科學研究也有 cherrypicking 跟過度詮釋甚至造假的問題，這我們之後再談。

身為觀眾的我們也很難為，總是被迫透過有限的資訊在有限的時間內做出決定，沒有接觸框架外的機會。舉例來說，如果告訴你一杯 600 毫升的大杯飲料要 100 元，你可能覺得很貴。此時如果告訴你中杯飲料 90 元，但容量只有一半的 300 毫升，你可能就會覺得：「欸，買大杯好像滿划算的。」殊不知不論是 90 或是 100，都遠遠高於市場價格。這就是有名的錨定理論，選舉時也是同樣的道理，就像大家說的「爛是比較出來的」或是「從裡面挑一個比較不爛的」，如果你覺得 B 候選人比 A 候選人還要爛很多，我們就會說服自己 A 候選人好像不錯。

講完讀者視角，我們換個角度，從媒體出發。框架往往是媒體刻意製造的，而讀者就像是受困在城牆內的人民，想要逃離，門都沒有。眾所皆知，放眼國內外，許多媒體都具有財團背景，因此媒體有可能會偏頗報導來為金主謀求利益。就算沒有背後金主直接下指導棋，媒體也明白暴力、血腥、煽情、炒作，與有話題性的假新聞有市場，因此故意誇大或扭曲事實來提高收視率／曝光點閱率也相當常見，被演算法控制的 YouTube 或臉書粉專、IG、Tiktok 帳號更是如此。

既然接觸外在資訊就會被潛移默化，那要逃離框架，我們只能放棄觀看任何媒體了嗎？恰恰相反，可以看看楚門，或是尼歐，或是炭治郎，即使他們身處在虛假的世界中，卻因為好奇、懷疑與不放棄追隨真相，最終脫離了那個禁錮自身的牢籠。

當然，我也不知道我們是不是身處在外星人的社會實驗中。但至少，我們可以透過以下方式來突破偏誤的框架：多看些沒有被濃縮的書籍資料、請教專家、勇於提出假說與不同立場的人討論、交換意見，以及最重要的——永遠保持好奇、開放與健康的質疑，這不只是對外來的資訊，對自己的立場跟態度更是如此，如此便能大幅降低資訊過於偏頗而出現錯誤的機會。

歡迎訂閱 Pansci Youtube 頻道 獲取更多深入淺出的科學知識！

就像諾貝爾物理獎與化學獎的得主是科學家，照理說，諾貝爾經濟學獎也應該是頒給經濟學家。不過，2002 年的得獎者之一，來自以色列的康納曼教授卻是位心理學家，他連一門經濟學課都沒修過。那他為什麼能得獎呢？頒獎頌詞是這麼說的：

「將心理學研究獲得的洞見整合到經濟學中，特別是關於人們在不確定的情況下如何判斷與作決策。」

是的，康納曼最大的貢獻就在於打破經濟學中「理性經濟人假設」的迷思，他透過各種心理學實驗證明，人們並非總是經過客觀的理性分析才決定該怎麼做，反而往往聽從本能的直覺反應。例如：

・定錨效應

先入為主的資訊，即使與要判斷的事件無關，也會成為基準點，影響你的決定。（他們讓學生轉輪盤得到一個數字後，再請他們估算聯合國裏面非洲國家的數量，結果轉到輪盤數字大的學生平均的估計值就是比較高。商人漫天起價就是這個道理）

・展望理論

他們發現雖然是同樣的輸贏金額，但輸的痛苦感覺卻比贏的快樂感覺強烈兩倍，因此當不確定未來輸贏時，我們會傾向規避損失。（所以當需要錢得賣股票時，一般都會先賣有賺錢的，而不肯賣套牢的股票。）

・框架效應

同樣的情境，用不同的表達方式來描述，就會誘導你做出不同的選擇。（猴子朝三暮四的成語故事就是典型例子。）

還有許多著名的認知偏誤也都是由康納曼與合作多年的學術夥伴特沃斯基 (Amos Nathan Tversky) 一起發現的。只可惜特沃斯基英年早逝，無緣獲獎；康納曼就感傷的表示這個諾貝爾獎應該與他一起分享的。

雖然康納曼被譽為行為經濟學之父，但他始終自認是心理學家。的確，認知心理學因為他而發揚光大，他的這些研究不只改變了經濟學，也對醫學、政治、社會學等領域提供了嶄新的觀點與深刻的洞見。

本文同時收錄於《科學史上的今天：歷史的瞬間，改變世界的起點》，由究竟出版社出版。