近在咫尺的AR新生活？淺談擴增/混合實境技術——2018春季展望

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

談到最近最火紅的遊戲，莫過於《Pokémon GO》了，每個人走在路上人手一機，許多人不顧天氣悶熱也要到戶外走走，台大校園內擠滿了人潮，堪稱我就讀五年來第一次看到的奇景。

但是，《Pokémon GO》會這麼火紅並不是沒有原因的。

作者按：

• 本篇文章當中所有試圖解釋《Pokémon GO》熱潮之心理學理論，皆為作者透過所學套用到該遊戲之上，並非針對《Pokémon GO》這款遊戲進行的心理學研究結果。
• 另外，由於本文作者對於神奇寶貝一詞有深厚的情誼（？），因此，在本文中大多還是採取神奇寶貝一詞而非寶可夢

為什麼爆紅的是 Pokémon GO，而不是其他遊戲？

單純曝光效果

對許多人而言，神奇寶貝是一個很熟悉的卡通，而根據心理學家塞瓊克（Zajonc）的研究發現，當我們重複接觸同一個刺激之後，我們會越來越喜歡這個刺激，無論這個刺激物是英文字、漢字（受試者為美國人）、畫作、人臉照片、聲音或是幾何圖形[1]。這樣的效應，在心理學上稱之為單純曝光效果（Mere Exposure Effect）──我們僅僅只是不斷地重複看到一個刺激，就會喜歡上這個刺激。也因為這樣，小時候就不斷被神奇寶貝「單純曝光」的我們，自然而然地就比較容易喜歡上《Pokémon GO》而非其他遊戲。

但是如果你曾看了某些教你如何追求異性的書，上面教你如何運用單純曝光效果，企圖透過製造各種巧遇來讓自己欣賞的異性（或同性）對自己產生好印象，請記得有一個例外，如果對方對自己的第一印象不好（initially dislike），那麼對方看你越多次反而會越討厭你[2]（註）。

擴增實境的設計與社會角色的認同

《Pokémon GO》透過擴增實境（Augmented Reality, AR），將虛擬的神奇寶貝結合到真實世界中，如此新奇的設計，我想是許多人會喜歡上這個遊戲的原因之一。

什麼是擴增實境呢？根據羅納德．阿祖瑪（Ronald Azuma）的定義，擴增實境包含了三大要素：將真實世界與虛擬世界結合（ Combines real and virtual）、 即時互動（Is interactive in real time）、三維度的互動環境（ Is registered in three dimensions）[3]。

透過擴增實境所塑造出來的「角色扮演」遊戲，或許讓玩家某種程度上地融入了童年卡通裡神奇寶貝訓練師這個虛擬的社會角色（social role），進入了一個全新的、半現實半虛擬的社會現實（social reality）中，並且跟著童年時的那個小智一起去收服神奇寶貝。不過，為什麼化身神奇寶貝訓練師這樣的角色扮演遊戲會如此的吸引人呢？其中一個原因，可能是角色扮演遊戲中包含了認同作用（identification）的成分。

認同作用是佛洛伊德所提出的自我防衛機轉（Self-defense Mechanism）當中的一種，最初的意思是：個體在潛意識中藉由同化他者的某部分或某特質，讓這些特質變成自己的一部分[4]；但在網路等虛擬世界出現之後，「虛擬角色」也被納入認同的對象之一，如過去就有研究者就曾經以青少年對於初音未來的角色認同進行相關研究[5]；而更進一步地，《Pokémon GO》採取了擴增實境的方式，結合了現實社會角色與虛擬角色，又將認同作用所涉及到的範疇向前推進了一步。（關於自我防衛機制，可以參考〈踢貓的故事──佛洛伊德與防衛機制〉。）

認同作用從青少年時期便開始影響我們的發展，而且將會持續終生[6]。一些學者整合了 Erikson 對於自我認同（self-identity）的定義，認為認同有助於我們認清自己在社會當中的角色定位，知道自己的需求、愛惡與動機，並且依照這些對自我的了解，來追尋自己的人生目標[7][8]。認同又可以包含三個不同的層面[8]，我想從這三個層面來看我們如何對《Pokémon GO》遊戲中這個半真實半虛擬的角色產生認同：

一、個人認同

反映出我們內在的心理傾向，如我們的價值體系、生涯目標等等；如果從《Pokémon GO》來看，每個人對於這個遊戲角色的認同可能並不一樣，例如有些人想要和小智一樣收服所有神奇寶貝、打敗道館館主；有些人只以抓到皮卡丘為樂；而有些人只想將之當作生活中的小消遣等等。

二、社會認同

我們和外界環境互動之後所形塑出的認同感，如個人的聲譽、受歡迎的程度等等；從《Pokémon GO》這個遊戲來看，那麼我們周邊的人對於這個遊戲的熱衷程度，和對你在 Facebook 貼上你抓到皮卡丘的文等等的反應，將影響我們對這個遊戲角色的認同感。

三、集體認同

那些對我們而言重要的人（重要他人，significant others）和重要的團體（參考團體，reference groups）對於我們的期待和規範；如果從《Pokémon GO》來看，系上同學、辦公室同事、家人、好朋友或是伴侶等等對於這個遊戲的態度，都有可能形塑與改變我們對於這個遊戲角色的認同感。

除了前面提及的初音未來角色認同研究之外，過去也曾經針對虛擬遊戲角色認同進行研究，例如國內學者陳怡安便指出，在一個虛擬遊戲中，玩家只需要扮演好自己的角色，便能夠獲得快樂，進一步達成自我實現（self-fulfillment）的滿足[9]。除此之外，透過遊戲獲得尊重與肯定[10]、擺脫既定的性別與社會角色、打造出另一個全新的自我[11]、在同盟組織中分享共同的興趣、情感和經驗，以及建立友誼等人際關係，使我們獲得社會支持（social support）與歸屬感（sense of belonging）[12]，也是這類虛擬遊戲能帶給我們的成就與滿足。尤其《Pokémon GO》採取了現實與虛擬的結合的擴增實境設計，可能會讓這樣的連結變得更加緊密。

為什麼開始玩之後，我們就停不下來了？

又是操作制約在作祟！

如果每次丟球，都能夠成功收服神奇寶貝，這個遊戲或許就會無聊許多；但是有時候抓得到，有時候抓不到，讓訓練師們更執著於能不能收服神奇寶貝這件事，有時候丟到一半，還會讓它給逃走，這就更增加了我們想收服對方的慾望。

如果你曾經看過〈為什麼好人們能如此不求回報？原來都是操作制約在作祟！〉這篇文章，那麼你就會知道，原來這又是操作制約（operant condition）在搞鬼了[13]。簡單來說呢，就是我們會對於「收服神奇寶貝」這件事情產生一種開心的感覺，而有時候抓得到，有時候抓不到的設計，正是操作制約當中的變異比率（Variable-Ratio）設計，透過這樣的方式，比起每次丟球都能成功捕獲，更能夠增強玩家們繼續玩下去的動機。

大家都在玩，也是我們想玩的動機之一

看到社會周遭的朋友都在玩，不斷地在 Facebook 上面貼文洗版，其實也是一種單純曝光效果的展現，有可能會讓我們喜歡上這個遊戲。除此之外，樂隊花車效應（Bandwagon effect）、從眾效應（Conformity）與社會比較理論（Social comparison theory）也是我們在選擇下載這個遊戲的可能原因之一，以下我就稍微介紹一下這三個理論在心理學上經典的研究結果。

所謂的樂隊花車效應，指得就是「當越多人有著某些信念、想法、潮流的時候，我們越有可能跟隨這些潮流」[14] ，聽起來是一件很好理解的事情，不過跟隨潮流真的是一件好事嗎？或者它是一件壞事呢？其實這得看我們跟隨的是什麼樣的潮流。無論如何，就我自己的想法，我認為擁有自己為什麼選擇跟隨潮流，或是為什麼不跟隨潮流的理由，比起是否跟隨潮流是更為重要的事情。

心理學上有另一個和樂隊花車效應類似的名詞──從眾效應，所謂的從眾效應，指得是遵從團體規範當中的態度、信念與行為[15]。從眾效應和樂隊花車效應的差別在於，從眾的環境是一個「特定團體」，而樂隊花車效應的環境則是「整個社會潮流」。從從眾效應的觀點來看，我們可以將 Facebook 上面的朋友圈、你的實驗室夥伴、辦公室同事們視為同一個團體，那麼當這個團體當中有越多人在玩《Pokémon GO》的時候，我們跟著玩的可能性就越大。

由於從眾效應比起樂隊花車效應，更限定於一個團體之內，我們更有可能必須要表態自己的立場，也就更有可能受到團體壓力的影響，而決定跟隨其他人的意見。畢竟即使今天社會上有再多的人在玩《Pokémon GO》，你也可以做自己的事情不要管他們；但是當你班上同學都在玩，並且拉著你陪他們一起去抓怪的時候，你就得表態說「其實我沒有很想玩」；而表態這一件事情，就有可能遭受到比較多的壓力。

或許你不跟著玩《Pokémon GO》所遭受的壓力不會那麼大，但是在一些情況之下，我們不跟著團體態度，就有可能遭受極大的壓力。例如索羅門．阿希（Solomon Asch）的這個比較實驗：

索羅門安排了 6~8 個男性大學生進入實驗室裡進行一場實驗。事實上，這 6~8 個人之中，只有一個是真正的受試者，其他人都是索羅門的助手。在實驗進行的時候，所有成員會為著一個會議桌，而實驗者在每一回合裡，會出示兩張卡片，其中一張是標準線段卡，上面畫有一條直線；另一張卡片則是比較線段卡，上面畫有三條不同長度的直線（如下圖）。每個人必須依序回答比較線段卡上面的直線，哪一條和標準線段卡上的直線一樣長。而真正的受試者，總是被安排在倒數第一、倒數第二的順序回答。而其他的實驗助手，會在 18 次的實驗當中，有 12 次一致地回答出一個不正確的答案。實驗者的目的是要觀察，當其他所有人都回答明顯錯誤的答案時，受試者是否也會迫於團體壓力，而跟著回答錯誤的答案呢？結果發現，總共有 74% 的受試者，至少在一個回合當中屈服於群眾壓力；所有受試者在 37% 的回合中，屈服於其他人的答案，跟著回答了錯誤的選項[16]。

而社會比較理論，或許也可以說明我們為什麼會玩《Pokémon GO》的一部份原因。社會比較理論，是由美國的心理學家里昂．費斯汀格（Leon Festinger）所提出的[17]：在我們對於自身狀況不確定時，我們會透過和他人比較自己的能力和選擇，來確定自己在社會上的定位。而《Pokémon GO》就提供了我們這樣一個比較的平台，當我們抓到稀有的神奇寶貝時、成功成為某個道館的道長時、收集完所有神奇寶貝時、將等級練得比身旁的朋友都還要高時，我們便能夠得到一種優越感（self-enhancement）[18]，而這些成就感也是促使我們一直玩下去的可能理由之一。

致謝

• 本篇文章關於認同作用的段落，部分參考了國內學者林雅容的論文[19]改寫而成，特此感謝。

註解

1. 如何扭轉不好的第一印象，背後還有很多複雜的心理學研究，但不在本文討論的範圍；除此之外，實驗室中研究發現的單純曝光效果能否推估到實際生活情境，還是一個值得討論的問題，畢竟實際生活情境和看卡通不一樣，我們和其他人還有其他的言語與肢體互動，並不是僅僅單純地「看」對方而已。

延伸閱讀

1. Zajonc, R.B. (December 2001). “Mere Exposure: A Gateway to the Subliminal”. Current Directions in Psychological Science. 10 (6): 224.
2. Swap, W. C. (1977). “Interpersonal Attraction and Repeated Exposure to Rewarders and Punishers”. Personality and Social Psychology Bulletin. 3 (2): 248–251.
3. R. Azuma, A Survey of Augmented Reality Presence: Teleoperators and Virtual Environments, pp. 355–385, August 1997.See P.356.
4. 樊雪春、樊雪梅、涂冠如、樊蓉(2009)《諮商輔導學辭典》。五南出版。p.96
5. 曾增恩(2014)青少年對虛擬偶像「初音未來」的認同歷程與迷文化之研究。國立臺北教育大學課程與教學研究所學位論文。
6. Ashford, J. B., Lecroy, C. W. ＆ Lortie, K. L.著，張宏哲、林哲立編譯， 1999，《人類行為與社會環境》，臺北：雙葉書廊。
7. 張春興（1983）《青年的認同與迷失》。臺北：臺灣東華。
8. 陳坤虎、雷庚玲、吳英璋（2005）〈不同階段青少年之自我認同內容 及危機探索之發展差異〉。《中華心理學刊》，47 卷，3 期，249-268。
9. 陳怡安（2002）〈資訊遊戲的魅力〉。《資訊社會研究》，3 期：183-214。
10. 翟本瑞（2002）《連線文化》。高雄：復文圖書出版社。
11. 陳淑惠（2000）〈網路沉迷現象的心理病理之初探：台灣大學生網路 沉迷傾向的性別差異〉。行政院國家科學委員會補助專題研究計 畫成果報告（NSC89-2511-S-002-010-N）。
12. 李君如、楊棠安（2005）〈線上遊戲玩家表現與其人格特質之研究─ 以「天堂」為例〉。《高雄師大學報》，19 期：85-104。
13. Ferster, C.B., & Skinner, B.F. (1957). Schedules of reinforcement. New York: Appleton-Century-Crofts.
14. Colman, Andrew (2003). Oxford Dictionary of Psychology. New York: Oxford University Press. p. 77.
15. Cialdini, R. B., & Goldstein, N. J. (2004).Social influence: Compliance and conformity. Annual Review of Psychology, 55, 591–621.
16. Asch, S. E. (1955). “Opinions and Social Pressure”. Scientific American. 193 (5): 31–35.
17. Festinger L (1954). “A theory of social comparison processes”. Human relations. 7 (2): 117–140.
18. Wood, J. V. (1989). “Theory and research concerning social comparisons of personal attributes.”. Psychological Bulletin. 106 (2): 231–248.
19. 林雅容(2009)自我認同形塑之初探：青少年、角色扮演與線上遊戲。亞洲大學社會工作學系。資訊社會研究(16).p.197-229

文／曹盛威 | 國立交通大學教育所科學教育組

擴增實境，指得是將虛擬物件投射至現實中的技術，像是「遊戲王」中的立體影像裝置（去年已有神人完成決鬥盤與投影系統），或是去年的 IKEA 型錄，不過這只是一部份。

擴增實境的物件不一定是 3D 立體影像（只是最多人用，也較有互動性），其原始概念是在你眼前加入現實中沒有且可以即時互動的虛擬訊息，比如上面的血量、防禦、時間，或是將準星對到隊友身上跑出隊友的相關資訊。

前些日子一度爆紅的 google glass 已能讓擴增實境在真實世界中顯示虛擬訊息，但還有一個功能並不完善，那就是直接在真實物體上顯示正確的虛擬訊息。以CS的遊戲畫面來說，就是我們還無法讓準星（鏡頭）對準隊友（真實物體）後正確顯示相關資訊（虛擬物件）。

為什麼不行？人與機器在辨識物體上的差異

心理學將人辨識物體的方式分為「由下至上」與「從上到下」這兩種模式（注意，接下來的敘述富有無聊的哲學意味）。

「由下至上」指的是我們先是辨認出各種「特徵」，根據這些特徵進行辨認，這是一種被動的處理方式（也可以說，較為客觀）。例如：看到一個有著四條腿、毛茸茸還搖著尾巴又汪汪叫的東西，我們便能說這是一條狗。

「從上到下」則反過來，透過「情境」採取主動詮釋的方式（較為主觀），依據內心的期望來對接受的訊息進行解釋。比如在吧台上，擺著兩大罐開過的高粱以及一整排裝滿透明液體的 shot glass，你馬上認定這透明液體就是高粱，但實際上你並沒有足夠多的資訊來辨認；如果把 shot glass 換成平常的玻璃杯，旁邊也沒有任何高粱酒瓶，你或許就會認為這只是一杯白開水。

辨認就是識別出「特徵」與「情境」這兩件事。對人來說，辨識是兩種過程交互進行的結果，但對機器就不是這麼一回事了，機器只有識別「特徵」的能力。因此同一物體只要看起來不一樣（換個角度或是光源不一樣），機器就會有判別上的困難。

解決方法－識別碼與機器學習

在 IKEA 的型錄影片中，我們可以看到使用者將 IKEA 型錄放在地上，device 偵測型錄並顯示相對應的虛擬物件，這就是「識別碼」的概念（QR Code、二維條碼、RFID 等技術）。既然機器只能辨識「特徵」，就為現實物體安上一個機器能夠明確辨識的識別碼，這樣問題就迎刃而解了！

不過這樣的方法治標不治本，主因是「想要在哪裡顯示虛擬物件，就要在那裡找到 QR Code」，想一下賽亞人偵測戰鬥力時，還要跟對方說「抱歉我找不到你的 QR Code」，實在是很不直覺又不帥氣阿！

但識別碼仍當前是解決辨識問題最常使用的方法，不只是電腦容易判讀，對人來說也容易製作。識別碼的相關技術也還在持續發展中，比如用紅外線感應的隱形識別碼，可以讓真實物體不會再有醜醜的條碼。

而另一個方法是讓機器也能搞懂複雜情境的能力，這涉及到已經被科幻小說寫到爛的人工智慧。而在工程領域，「機器學習」正是嘗試讓機器也能玩閱讀空氣的跨領域學科，但不要忘了機器基本上還是只有辨識「特徵」的能力，機器學習只是將複雜的真實情境簡化成機器能辨識的特徵。

所以該如何讓機器進行學習？其實跟人的學習一樣，不外乎是從經驗中（數據）找出共通點，並作為之後判斷的標準。比如說你跟朋友約見面，朋友經常晚十分鐘才到，那下次約見面時你就會去衡量自己要不要準時赴約，如果把他寫成機器邏輯，那會是「跟別人約見面要準時，但如果是你朋友的話，可能要晚十分鐘才對。」（如果對這部分有興趣，可以參考深度學習──人工智能的現在與未來）。

是最後一哩路？還是走不完的一哩路？

Microsoft HoloLens。圖／flickr @Microsoft Sweden

擴增實境從提出至今也過了二十年，許多成像與體感操作技術都在突飛猛進，但在辨識技術上卻沒飛的那麼快，這也使得擴增實境的運用大多還是在娛樂媒介上面，像今年 E3 展上，Microsoft 開發的 hololens，把 Minecraft 的世界直接投影在會場上並用體感進行操作；但在日常生活中，辨識技術的不足將使得擴增實境的便利性不佳，如果帶 google glass 還要找商品條碼才能看到價格，我為什麼不直接看櫃子上的價格告示牌呢？

人類技術能不能突破機器辨識上的落差，成為這最後一哩路最重要的關鍵，究竟這真的是最後一哩路，還是走不完的一哩路，還有待那些資料科學家們來為我們解答。

（本文由科技部補助「新媒體科普傳播實作計畫－智慧生活與前沿科技科普知識教育推廣」執行團隊撰稿）

責任編輯：鄭國威
審校：陳妤寧