專業工作者的兩個行銷關鍵字：公共財、犯錯────《知識內容寫作課》

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

俗話說：「人非聖賢，孰能無過」，不管是日常生活或工作場合，犯錯總是難以避免的。也因此，如何不要「一錯再錯」早已是當前工作場域要求的基本素養，也成為許多人自我砥礪的目標。

不過這種事總是說得比做得容易，有時候我們總是會因為各種狀況，例如精神不佳、有外務干擾，甚至是工作內容本身的複雜性而出錯。有些人會選擇靠咖啡因或能量飲料給自己一點「推力」，有些人則會覺得這是該吃下午茶的訊號（例如我），用熱量撫慰疲憊的身心。

上述提到的都不是什麼壞主意，只要注意「適時」與「適量」原則，我們當然可以選擇自己喜歡的方法。不過最近心理學界產出的新研究，倒是提供一種能讓大家能在低成本、低熱量的前提下提升工作效率，同時降低出錯頻率的方法。

那就是——冥想（meditation）。

欠缺科學證據的神秘技術：開放覺察冥想

先別急著左上離開。雖然冥想在一般社會大眾的印象中，大多跟「神秘學」、「靈修」脫不了關係，但其實它就跟同樣風評被害的「催眠」一樣，是心理治療常見的技術。不過這裡所說的冥想，並不是要讓你的靈體脫離、遊走各種異次元或微宏觀宇宙，而是幫助你聚焦，重新覺察那些一直被干擾的心理活動。心理治療中的冥想，與其說是在拓展視野，反倒更像是幫你清掃堆積在心裡的瑣碎，用更加清晰的視野去審視自我。

也因此，冥想在實際操作上又能被概分為「聚集專注冥想」（focused attention meditation，FAM）與「開放覺察冥想」（open monitoring meditation，OMM）。前者是聚焦在單一事物上，例如某種感官刺激或情緒，來讓自己維持在「當下」（present）的狀態。這也是所謂「正念」（mindfulness）的核心概念，讓我們藉由活在當下，對自己的身心狀態有更全面的掌控。

如果你想用更形象的方式了解 FAM，我會推薦你去看《深夜加油站遇見蘇格拉底》這部電影。雖然在真實世界中，FAM 沒辦法讓你變成無所不能的超人，但是在臨床研究中卻被證實具有提升注意力的效果，同時減輕作業過程中心智能量的損耗。如果你覺得在冥想後自己工作起來有如神助，那也只是因為阻礙消失，讓你真正的能力得以被發揮出來。

與 FAM 相對的 OMM，則是讓焦點發散，擁抱當下經驗的一切。包括理性與感性思考，以及自己有無覺察到的生理變化，這些都是可以在 OMM 中覺察到的心理活動。之所以要這樣「覺察」，是要消除主觀難免的狹隘視野，略過雜訊、用更加全面的觀點去看事情。例如當你在為了某項快到死線的工作，或是難解的人際衝突感到焦慮，OMM 便可以幫忙釐清狀況，讓你看見被埋藏在各種情緒底下的脈絡。

有趣的是，從機制上來看 FAM 跟 OMM 幾乎可以說是互斥的存在，一個是要引導注意力到單一事物上，另一個則是提醒自己不要太聚焦在單一事物上。然而這兩種冥想卻都在神經科學的研究中，被證實能夠抑制預設模式網路（default mode network，又稱反作業網路），減少大腦「空轉」、「分心」的時間。

只是，相較於能明顯觀測到腹內側前額葉（mPFC）與後扣帶皮層（PCC）的活動減少，以及背外側前額葉皮質（DLPFC）與視覺皮層等腦區活動增加的 FAM，不專注在任何特定刺激上的 OMM，很難在 fMRI 或其他腦活動觀測裝置中表現出顯著差異。雖然有部分研究指出 OMM 對預設模式網路的抑制效果足以跟 FAM 媲美，但目前仍需要更多數據來支持這個說法。

冥想如何增進你的錯誤覺察能力？

為了能夠對 OMM 的效果與機制有更深入的了解，美國密西根州立大學的林博士（Yan-li Lin）與其同事找來 212 名沒有任何冥想經驗的女性進行實驗。半數受試者會在錄音的引導下進行 20 分鐘的 OMM，其餘控制組則會聽見語速、音調、時長皆相似的 TED 演講。在前置作業完成後，受試者會被要求完成一系列的埃里克森側翼測驗（Eriksen flanker task），在極短的時間內判斷眼前的複數圖案是否具有一致性。

由於圖形僅會出現 200 毫秒（0.2 秒），受試者沒有閒暇去仔細辨識每一個圖案，因此更能區分出「錯誤覺察」能力的高低，也就是能否辨識出「不協調的刺激」。雖然有先 OMM 的受試者在正確率與作答速度沒有顯著進步，但研究團隊卻觀測到錯誤關連正波（error positivity，Pe）的振幅變大，顯示即便是單次 20 分鐘的冥想就足以對人的大腦活動產生影響。

不要小看這個錯誤關連正波，它與錯誤關聯負波（error-related negativity，ERN）皆是大腦在認知到「錯誤」出現時會出現的特殊腦波，也被視為人類錯誤覺察能力的指標。換言之，林博士在實驗中提供的 20 分鐘 OMM 雖然不足以改變受試者的答題能力，但單從腦部活動來看，經過冥想的大腦確實對「錯誤」表現出更強的反應。會有這樣的落差，是因為大腦在「發現錯誤」跟「針對錯誤作出反應」之間還得經過許多步驟，需要更多練習才能反映出成效。

這不但是令人振奮的發現，更是學界少數有神經科學證據的 OMM 研究。林博士認為將來若能進行更長時間跨度的 OMM 研究，或許能觀察到更顯著、足以影響外顯行為的大腦活動變化，並從神經科學的角度去剖析背後的運作機制。

不過要注意的是，不管是 OMM 或 FAM 都只能提升我們對事物的敏銳度，更容易發現當前工作出了問題，而不是讓人「完全不會犯錯」。

在你感到失望之前，要知道犯錯是人之常情，只要不是毀滅性的大錯，日常工作的小偏差只要在當下做出修正，往往都不會有什麼負面影響。這也是 OMM 在自我激勵上的效果之一，用客觀的角度去接納自己犯錯的可能性，以免在真的出錯時因為過度焦慮無法及時反應，甚至是越弄越糟。

同樣的，很多時候我們犯錯並不是因為「能力不足」、「態度不佳」，而是有雜訊干擾了我們的大腦運作。例如太過心急要把報告寄出去，卻忘了檢查 email 附件是否正確，又或者是太焦慮要對上司做提案簡報，反而在關鍵時刻忘詞，這些只要靜下心來就能避免的問題，便是 OMM 可以提供幫助的地方。

當我們把焦點從外界移開，放到自己內在的身心活動，雖然觀測的重點還是「我」，但卻是用更加宏觀的視角去審視行為與環境之間的因果。唯有釐清知道自己正在經歷什麼、想要什麼，才能做出最好的判斷。很多人把冥想當成帶有神秘色彩的超自然儀式，但其實它最大的效用，是排除認知阻礙，給大腦能高效運作、不受瑣碎干擾的環境。

下次如果覺得生活諸事不順，或是陷入瓶頸，不妨給自己半個小時的冥想時間，讓大腦好好「排毒」一下。或許，你會因此看見全新的世界。

1. Fujino, M., Ueda, Y., Mizuhara, H., Saiki, J., & Nomura, M. (2018). Open monitoring meditation reduces the involvement of brain regions related to memory function. Scientific reports, 8(1), 1-10.
2. Hsieh, S., Li, T. H. & Tsai, L. L. (2010). Impact of monetary incentives on cognitive performance and error monitoring following sleep deprivation. Sleep, 33(4), 499-507.
3. Lin, Y., Eckerle, W. D., Peng, L. W., & Moser, J. S. (2019). On variation in mindfulness training: a multimodal study of brief open monitoring meditation on error monitoring. Brain sciences, 9(9), 226.

文 / 林澤民（轉載自nilnimest 的部落格）

從白衫軍到黑衫軍，台灣的公民運動已經不只一次地證明：它們能夠超越傳統政黨，在短短的幾天之內，動員數十萬人，和平地集會，向政府提出具體的政策要求，並在數小時之後和平離開。這種新型式的政治，可以稱為「快閃政治」（flash mob politics）。

快閃政治之所以可能，絕大部分是因為手機，網際網路，還有網路社群的普及，特別是在年輕人之間的普及。現代溝通科技，克服了傳統集體行動理論中的所謂「白搭」問題 （free-rider problem），把集體行動從多人「囚犯困局」變成為多人「協調賽局」。當溝通協調成本低而且容易，「臨界質量」（critical mass）便容易達到；而當參與人數超過臨界質量，參與比不參與會有更多的正收益，白搭問題就不存在了。這個過程，是不需要仰賴傳統政治力量來組織動員的；所有群眾運動所須的資源，包括資金、人力、科技、傳播、乃至於醫療、法律諮詢，均可以快速協調集結。群眾自發性協調的成功，表現於全新的、臨時起意的政治符號：白衫、黑衫、太陽花完全取代了傳統政黨的政治符號。

參與社會運動當然主要是追求理想，但傳統集體行動理論認為社會運動的目標是公共財（public goods），如果目標達成，即使未參加運動的人也能夠受益，而參加運動則常須付出重大代價，因此理性的個人，除非有參與才能享受得到的「選擇性利益」（selective benefits），通常會選擇白搭便車而不參與運動。這意味社會運動的參與是一個多人「囚徒困局」，而白搭是一個「優勝策略」，所有參賽者（也就是社會大眾）白搭是唯一的「納許均衡」，但是它不是一個「伯瑞多最佳結果」。

關於雙人囚徒困局，請參閱本系列前三篇文章：

• 金球的囚徒
• 電影【史密斯任務】中婚姻的囚徒
• 學生與政府的「墨西哥對峙」僵局

這裡簡略說明賽局理論的幾個重要概念：

• 優勝策略：不論其他參賽者採取何種策略對自己都是比較有利的策略。
• 納許均衡：沒有參賽者願意「單方面」改變策略的策略組合。
• 伯瑞多最佳結果：參賽者無法「同時」改進的賽局結果。

集體行動的多人囚徒困局，可以用下圖來表示：

上圖中，Y軸代表收益，X軸代表出了自己以外參與運動的人數，紅線代表不參與的收益，綠線代表參與的收益。這圖有四項特徵：

1. 紅線的起始點為零，這代表無人參與社會運動的現狀：不但自己不參與，別人也沒有人參與。穿過原點的水平黑線代表「原始狀態」。在原始狀態中，大家均只為自己著想，沒有人致力於公益，這是一種互相背叛的狀態，每個人的收益均為零。
2. 不論其他有多少人參與運動，對自己而言，不參與的收益總要比參與的收益來得高。這是因為不參與者不但可以和參與者同樣地享受社會運動的成果，而且不必付出代價。這也就是說，不論其他人參與或不參與，對於自己而言，不參與是優勝策略。
3. 紅線跟綠線均隨著參與人數（X）的增加而升高，也就是說不論自己參與與否，別人越多人參與，則自己的收益越大。如果自己想白搭而不參與，那麼參與者是「傻瓜」（sucker） ;如果自己也參與，那麼參與者是同志；不論傻瓜或同志當然都是越多越好，因為越多人付出，社會運動成功的機會越大，自己的收益也就也高。
4. 綠線隨著X的增加而升高時會高過於原始狀態：當傻瓜的人數多到一定程度時－假設為X＝K－傻瓜的收益會大於零，也就是比原始狀態還要來得好。當傻瓜的收益大於零，所有參與者便形成一個有存活機會的聯盟 （viable coalition）。這時雖然不參與還是比參與的收益要來得高，也就是白搭問題並未消失，但參與者至少可以說團結比一盤散沙要好。K＋1（除自己外另有K人參與）是參與者成為有存活機會聯盟的最少必要人數。

2005年諾貝爾經濟學獎得主湯瑪斯‧謝林 （Thomas Schelling） 在 《微觀動機與宏觀行為》（高一中譯，臉譜出版社）一書中，把符合以上特徵的人際競合關係界定為多人囚徒困局。根據賽局理論，這樣得困局中，理性的參與者沒有人會參與，也就是原始狀態是納許均衡；可是雖然它是一個穩定的狀態，它卻不是伯瑞多最佳結果，因為當參與人數超過K時，不論參與者或不參與者的收益都超過原始狀態的收益，也就是原始狀態是一個大家均可以同時改進的狀態。分析至此，我們可以看出：作為一種集體行動的社會運動是一個困局，因為在原始狀態中，沒有人願意單方面行動，可是社會上所有人卻有同時改善收益的可能性，大家只能徒呼負負而一籌莫展。這不但是一個困局，也是一個「性格決定命運」的希臘悲劇。事實上，所謂「公有地的悲劇」（tragedy of the commons）正是一種多人囚徒困局。

既然社會運動本質上是多人囚徒困局，那麼為什麼世界上會有那麼多成功的社會運動？這是因為在一些條件下，社會運動的多人囚徒困局可以改變成為多人協調賽局。如下圖：

這圖中，綠線的斜率超過紅線，也就是參與收益的邊際效益高過不參與收益的邊際效益：每增加一個參與者，參與者所增加的收益超過不參與者所增加的收益。如此當參與者的數目大到一定程度時－假設為V－綠線終於和紅線黃金交叉而使得參與者的收益超過不參與者的收益了。當參與者的人數超過V點，參與反成了優勝策略。這個V點，便是所謂的臨界質量。當臨界質量達到了，即使自私自利的人都會覺得參與是合算的選擇了。

這個圖所代表的多人賽局沒有無條件的優勝策略，卻有兩個納許均衡：大家都不參與的原始狀態和大家都參與的遍地開花狀態。前者（紅線的最低點）仍然不是伯瑞多最佳狀態，而後者（綠線的最高點）卻是。至於那一個納許均衡能夠被實現就要看臨界質量能不能達到了。

為何成功的社會運動參與收益要比不參與收益有更高的邊際效應？這是因為參與者在社會運動目標的公共財之外另有參與誘因。這些誘因只有參與者才能擁有，而且它們隨著參與人數的增加而增加。這種誘因在許多情況下是存在的：當參與的人多了，參與的代價通常會降低，除了人多好辦事之外，因為參與運動觸犯法律被公權力用暴力驅離或逮捕的可能性也會減小；而且參與的規模越大，越能吸引媒體和一般社會大眾的關注，成功的可能性越高；此時參與者人人心情舒暢，意氣風發，對於能夠在歷史洪流中扮演一個角色而感到驕傲，對於能夠改變世界更有功效感及權力感。此外，參與者彼此之間的同志感情，嘉年華會似的氣氛，甚至於在運動受挫，威權政府鐵腕鎮壓之時的相互支持，相濡以沫等等，均能增加參與社會運動堅持不退的選擇性誘因。

丹尼斯‧鍾 （Dennis Chong）在其名著《集體行動與民權運動》（Collective Action and Civil Rights Movements，University of Chicago Press）一書中曾很精闢地分析：在上述多人協調賽局的框架之下，有三個條件可以促使參與收益的期望值高於不參與收益的期望值; 也就是這三個條件能激勵理性參賽者參與社會運動：第一、參與的代價要低；第二、選擇性的參與誘因要高；第三、參與人數超過臨界質量的機會要大。

在傳統社會中，這三個條件並不是那麼容易滿足，但在網路和手機等移動型溝通工具普及的今日，情況已大不相同。首先，網路及手機使得溝通協調組織動員的成本大幅降低，參與者也能很容易獲得社會運動的資訊，包括運動的目標、策略、戰術、和現狀。其次，由於社群網路的普及，參與者容易表達意見並獲得回應，彼此之間容易便能結成緊密的社群網絡，互相分享，互相激勵，使得表達性的參與收益大幅提高。最後，資訊的便捷讓參與者容易估計參與社會運動的人數以及達成臨界質量的可能性。其實，社群網路很可能讓參與者所認知的臨界質量從所有參與人數大幅降低至所屬網路社群的參與人數；也就是只要自己社群朋友有足夠的人數參與運動，自己便可能受到從眾效應（bandwagon effect）的影響而形成參與收益高於不參與收益的判斷。果真如此，臨界質量的達成便容易多了。

傳統的集體行動理論在時代跨入21世紀就已經落伍了。2001年一月馬尼拉的愛得薩 （EDSA：Epifanio de los Santas）大道上薈集了一百多萬黑衫軍，在四天之內，便推翻了貪腐的菲律賓總統艾斯特拉達 （Joseph Estrada）。黑衫軍凝聚的動力，來自於一則只有十幾個英文字母的手機簡訊：“Go 2 EDSA, Wear blck”（「赴愛得薩，穿黑衫」）。這場所謂愛得薩革命及類似由手機媒介的集體行動事件，引起了美國學者 Howard Rheingold 的注意而在2002年出版了一本深具前瞻性的著作：《智慧型群眾》（Smart Mobs）。此書探討移動型通訊工具如何能夠克服傳統經濟學所揭示的囚徒困局、公有地的悲劇、以及集體行動的白搭問題。書名中Mobs一字實具雙關用意：它不但指無組織的群眾，也同時指涉手機等移動型溝通工具。簡言之，手機克服了大規模群眾運動中溝通及協調的問題，它能凝聚無組織的群眾在同一目標之下達成集體行動。這個過程，是不需要仰賴傳統政治力量來動員的。

關於手機和集體行動的關聯，請見〈都是手機惹的禍：手機與公民1985行動〉。

快閃政治會導致傳統政黨的式微，這點國民黨跟民進黨應該都已經體驗到了，快閃政治也會帶來新的政治人物，但快閃出現的政壇新人不一定能持久亮麗，例如去年的白衫軍和這次的黑衫軍便有不同的領導人。值得觀察的是快閃政治是否會把台灣政治變成一種「馬上辦政治」（politics on demand）：當總統支持度低落，政府施政不符民意，公民運動便立刻以快閃來要求政府改變？還有，當快閃變成常態，台灣的傳統政黨將如何因應？

作者：林澤民
台大電機系畢業，美國明尼蘇達大學政治學博士，現任教於美國德州大學奧斯汀校區政府系。林教授今年（2014）五月中至六月底將於台大政治系開授總時數 36小時的「理性行為分析專論」課程。七月下旬並將於中央研究院政治學研究所參與政治學研究方法訓練營的教學工作。林教授的中文部落格多為文學、藝術、政 治、及文化評論。網址: http://blog.udn.com/nilnimest/article

相關報導：

• 入聯返聯公投 藍綠都沒撈到好處
• 學運「賽局」 政府、學生沒贏家？

專業工作者造勢時，切記兩個關鍵詞，專業工作者可以用專業方式創造的行銷活動。

接下來要跟大家介紹當你開始利用使用者反饋時，要記住的兩個關鍵詞。第一個關鍵詞就是「公共財」，第二個則是「犯錯」。

打造「公共財」

公共財的概念，簡單來說就是打造出來之後，大家都可以利用的。

舉例來說，公園就是一種公共財，馬路也是一種公共財，或許有人或組織擁有某些馬路，但是大家都可以用馬路。通常，會需要像是政府或是慈善公益組織這樣的單位，才會比較願意去創造公共財。

那公共財在我們寫作與打造個人品牌的過程中扮演什麼樣的角色呢？其實，公共財就是大家都需要，可是平常是沒有人願意主動去做的事情、去整理提供的資料。

所以，因為沒有人做，我們就可以透過提供公共財的方式來行銷造勢。

當你有專業知識想要分享，如果你只是一味地分享自己的專業知識的話，會顯得太過單調，你必須要讓自己有部分內容變得具有公共財的屬性。

這跟前面提到的使用者反饋有關係，透過我們前面講到的邀請創作、共同策展等方式，你可以把內容變成更具有公共財的屬性。

舉例來說，像是邀請使用者一起建立常見問題資料庫，或去請你的讀者一起盤點既有的網路資源，不管你是哪個專業領域，你都可以想想：如果有些資料被好好的整理出來，會不會對大家都比較方便？

這件事情若實現，不是只對你有幫助，也不是只對你的讀者有幫助，而是對大家都有意義，甚至是對你的競爭對手都有意義。試著去找出這些事情，打造這樣的公共財。

你愈願意去提供這樣的公共財，在你的讀者社群心目當中，你就是一個更值得信任的角色，幫助你的知識品牌有效的造勢。

第一個關鍵詞，就是公共財。去找到那些對所有人都有幫助的，即使那些是對對手有幫助的，都沒關係，你可以邀請讀者一起來建立，整理出這樣的公共財，並且把他們分享出來。

那要怎麼找到適合的切入點呢？盡量朝「串連整理」、「協助聚集」的方向去想，大家缺的不是你去犧牲自己、奉獻給大家，而是要有人帶頭把事情啟動、讓每個人都能參與，最後把任務完成。

「犯錯」是件好事

第二個關鍵詞就是犯錯。

犯錯？為什麼要犯錯呢？對做專業知識傳播的我們來說，最要不得的不就是犯錯嗎？當然，這樣講也沒錯，我們盡量不要犯錯，但是我們也必須承認，我們一定都會犯錯。

那麼犯錯的時候，我們該怎麼辦？千萬要有一個正確的心態，就是犯錯是件好事。

犯錯是件好事？犯錯怎麼會是好事呢？其實應該說，我們在知道要避免犯錯，而且願意用各種方式來避免犯錯的情況之下，我們也要心知肚明，我們總會犯錯，這時候的犯錯，其實可以變成一件用來造勢的好事。

當我們已經夠認真避免，但還是免不了犯錯的時候，就代表我們獲得一個機會，來跟我們的社群進行一場深入溝通。

社群可能會發現你的錯誤、你的競爭對手可能會發現你的錯誤、一些陌生鄉民、酸民或路人可能會發現你的錯誤，當他們發現你犯錯時，他們可能會告訴你、會批評你、會調侃你，但總歸來說，他們總會更有動力用各種方式讓你知道他們的存在。

也就是說，這個錯誤，現在變成一個讓大家把目光投注到你身上的機會。

為什麼犯錯是個好機會呢？因為這就是一個讓大家看你、讓大家跟你產生互動的時機，很多時候我們在經營社群，或者說想要把我們的內容傳得更遠的時候，最在乎的就是「沒有人跟我互動」。尤其很多專業的知識，因為實在太高深，有時候讀者會覺得互動真的很難，或是當你的形象實在太高冷，感覺不容易對話，但是當你犯錯時，這些隔閡會被打破，其實就是創造大量互動的最好機會！

千萬記得，不是故意去犯錯，刻意搞負面事件行銷，而是在認真製作內容的情況之下，我們還是會犯錯，但我們要接受犯錯這件事情，並且把我們的犯錯視為一個好機會。犯錯之後，盡快坦承自己的錯誤，盡快修改。讓大家知道，你未來寫作以及跟讀者互動過程當中，會如何去避免這些錯誤，對這時看著我的許許多多人展現我的態度、提供我的解決方法。

犯錯時，大家都看著你，正是你用來證明自己夠專業、可被信任、可溝通。這是建立品牌形象最好時刻。

你要利用犯錯的機會，讓大家知道你是一個能夠從錯誤學習，能夠自我改善的「成長」品牌，這件事情是非常非常重要的，唯有如此，犯錯才可以是一次造勢的機會。

兩個關鍵詞，一個是公共財、一個是犯錯，請大家牢牢記住了。

本文摘自《知識內容寫作課──寫一篇真材實料的網路爆紅好文章》，創意市集 出版。