給肩負未來的下一代：在課堂之外，如何和科學成為莫逆之交？──《科學素養》

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

• 撰文／詹遠至｜臺灣邏輯、方法論、科學與科技哲學學會助理、臺灣大學哲學系碩士生
• 校對／陳樂知｜臺灣大學哲學系副教授、臺大傳統與科學形上學研究中心執行長、臺灣邏輯、方法論、科學與科技哲學學會秘書長

我們所處的二十一世紀已是科學的時代，科學理論被視為宇宙的終極答案。在這個「科學至上」的時代，人文探求還如何可能？人文如何可以與科學攜手並進？以「人文」與「科學」之間的對話為主軸，臺灣邏輯、方法論、科學與科技哲學學會（LMPST Taiwan）於 2022 年 11 月 19 日在臺灣大學主辦了一場以《科學內外的人文可能》為題的論壇，邀請了國內哲學學者以及科學普及界的資深工作者擔任講者。

本活動主持人由鄭會穎教授（政治大學哲學系助理教授、政大現象學研究中心主任）擔任，受邀講者則包括陳竹亭教授（臺灣大學化學系名譽教授）、陳樂知教授（臺灣大學哲學系副教授、臺大傳統與科學形上學研究中心執行長、LMPST Taiwan 秘書長）、鄭國威先生（PanSci 泛科學知識長）與嚴如玉教授（陽明交通大學心智哲學研究所副教授兼所長）。

本論壇屬於 LMPST Taiwan 長期舉辦的《種種意識論壇》系列。除 LMPST Taiwan 以外，這一系列的論壇由政治大學現象學研究中心、清華大學實作哲學中心、臺灣大學哲學系、臺灣跨校意識社群、PHEDO 台灣高中哲學教育推廣學會、沃草公民學院共同合辦；贊助單位則為順奕有限公司。

科學為人文帶來危機？先論科學主義與自然主義

主持人鄭會穎教授點出了本論壇的核心議題後，陳樂知教授（臺灣大學哲學系副教授、臺大傳統與科學形上學研究中心執行長、LMPST Taiwan 秘書長）發表了他的觀點。

陳教授想要討論的是「就其理論本質而言，科學是否威脅人文」這個問題。陳教授首先談到一些人持有「科學主義（scientism）」的世界觀。科學主義認為，科學是唯一可以讓我們獲得知識的可靠方法。陳教授認為科學主義是一種自相矛盾的世界觀；原因在於科學主義本身並不是科學，並未被科學方法證明，它只是一個哲學理論。因此，科學主義身為一個哲學理論，它本身就是自己會排斥的對象。

回到核心問題，科學是否帶來了人文危機？陳教授的答案是否定的。他認為科學所帶來的其實不是科學主義，而是「自然主義（naturalism）」。自然主義認為，這個世界最根本、基礎的組成，就是自然科學理論認為存在的那些事物，例如粒子、力場、化學反應等。

陳教授認為科學所帶來的自然主義是現代世界觀的基礎；即使一些特定人士因為宗教背景等理由而不同意自然主義，其實也應該要同意例外情況相當有限。如果我們接受「自然主義」，而非「科學主義」，那麼科學本身根本就不會帶來人文危機。這是因為，自然主義只認為世界最根本的組成是科學所談論的事物，但是它並不認為我們只能透過科學方法來認識這些事物。

事實上，從科學世界觀的角度來說，人類也是自然的一員。人類作為一種自然生命體，出於其演化而來的結構，與生俱來就有各種世界互動、認識世界的方式，不限於科學方法。就此而言，人類會發展出的人文也是一種自然現象。因此，雖然人類後來發展出了「科學方法」這種較為優化的認識途徑，我們依然不能否定「人文方法」也是一種認識世界的可靠方法。

接著，陳教授提及羅素（Bertrand Russell）對「熟知知識（knowledge by acquaintance）」以及「描述知識（knowledge by description）」的區分。熟知知識指的是我們透過直接的感受、互動與掌握所獲得的知識，描述知識則是理論性的知識。

陳教授認為熟知知識與描述知識不可被截然二分，兩者之間是程度上的差別。而人文學門的一些觀念就較為接近熟知知識，因為它們重視同理及感受。雖然如此，這一切都符合腦神經科學的描述，人文仍然是自然現象。另一方面，人文因此仍然是科學可以研究的對象，也需要科學的補充。人文學門自己也必須要了解，自己所研究的熟知知識其實也是自然現象，有其組成基礎與運作原理。

因此，科學可以幫助人文把熟知知識轉換為更精確的描述知識，並且為人文提供更精密的研究方法，以及協助其排除錯誤，比如排除人類先天認知系統的偏誤、漏洞等等。總結來說，科學與人文其實研究的是同一個自然界；科學非但不應帶來人文危機，還可以幫助人文研究走得更加長遠。

跨科際合作的需求，兼論「人類世」中的人文與科學走向

不同於陳樂知教授從哲學觀點出發，陳竹亭教授（臺灣大學化學系名譽教授）帶來的是他在教育方面的經驗。首先，陳教授介紹了他為台灣教育部主持的「科學人文跨科際人才培育計畫」，簡稱「SHS（Society-Humanities-Science）計畫」。

由於現代社會中的問題包含人文以及科學的面向，因此 SHS 計畫的主軸在於推動「跨科際教育（trans-disciplinary education）」。以往的教育先是學科主義，然後衍生出「多領域（multi-disciplinary）」或是「跨領域（inter-disciplinary）」，也就是由各學科各自探究共同問題，或是由兩個學科進行合作。

跨科際教育則有所不同，它以「真實世界的共同問題」為核心，直接打破學科之間的界線。只要是對解決真實世界的問題有幫助的知識，參與的學科，甚至政府、產業、民間的 NPO 或利害關係人都擔責分工合作進行知識生產、解決問題。

由於現代社會中的問題愈趨複雜、多元，且多樣，社會對科學界的要求也跟以往有所不同。科學家開始被要求具備社會意識及社會參與的能力，還有溝通與對話的能力；這些能力都是傳統的科學界非常缺乏的。有鑑於此，陳教授所主持的 SHS 計畫積極推動「問題導向的學習」、「系統思考」、以及「實用方法論上的創新」。他也提到，SHS 計畫的推動非常有賴於大學對本身社會角色的自覺與復興。

陳教授參與的另一個國科會計畫是「以社會需求為核心的跨領域研究計畫」。與 SHS 計畫相同，這個計畫也非常重視跨科際教育，並且認知到單靠科學知識無法解決真實世界的複雜問題。

那麼，人文究竟該扮演什麼樣的角色呢？陳教授討論到他撰寫的新書《丈量人類世》中的「人類世（anthropocene）」這個概念。「人類世」指的是一個新的地質紀元。在工業革命之後，人類文明成為影響地球環境與生態變遷的關鍵角色。因此，部分學者認為地球已經進入「人類世」這個地質紀元。

在人類世中，全球有非常多的變遷趨勢，其中一個就是：科學發展帶動理性價值的昂揚，其他的人性價值卻被輕忽。陳教授說，我們培養出了許多「職業科學家」。可是，在科技急速發展的同時，人類的科技文明卻缺乏方向感：我們正面臨物質文明與精神文明之間極大的不均衡。總而言之，他認為「人類的智能尚未學會如何掌舵文明巨輪的方向」。

最後，針對人文與科學應該要如何在人類世中發展，陳教授提出了他本人的看法。首先，科學研究的同儕審核程序需要人文專業學者的投入，也就是科學家不能閉門造車。再來，婦女應該要積極加入科學與科技事業的陣容，因為科學發展不能只由男性思維主導。

最後，未來教育的趨勢必須往跨科際的方向邁進，也就是人文與科學必須並重。如此一來，陳教授強調：「人文的啟發價值和社會重大需求必須挺身而出，為人類文明的永續承擔文明指南針的角色，與科學共同尋求世紀困境的解方。」

「科學實作哲學」帶來人文與科學的合作新可能

繼陳竹亭教授分享了跨科際教育發展的大方向後，嚴如玉教授（陽明交通大學心智哲學研究所副教授兼所長）則分享了她在科學人文互動的個案經驗。嚴教授身為一個哲學學者，卻在因緣際會下，走上了不同於普通學者每天關在辦公室做研究的路。她為了提升生醫背景的學生對哲學的興趣，也為了把哲學帶到課堂之外，推動了青銀共學。

嚴教授把社區中的長輩們請到大學的哲學課堂上，與大學生一起進行小組報告。這些生醫背景的學生們未來大多會從醫；因此，對未來將要在醫療院所工作的他們來說，與長輩互動是很好的練習。

嚴教授也針對與學生們未來在醫療場域會遇到的一些價值性思考，與哲學作出連結，讓學生們學習哲學能夠學以致用，對醫療過程有所幫助。舉例來說，她會帶領學生討論如何面對死亡、以及照護倫理等哲學議題。她認為，在學生未來的臨床工作上，這些哲學議題將派得上用場。

除了青銀共學外，嚴教授還以非常不同於傳統學者的方式，進行她個人的哲學研究。傳統哲學學者往往是埋首於書堆中，發展自己的理論；她則是親自到醫療院所中進行田野調查，去訪問醫生、護理師等第一線的人員。藉由直接了解醫療工作者在實作上遇到的困難，她試圖讓哲學能夠真正被實用。

嚴教授說，這樣的研究方法被稱為「科學實作哲學」。科學實作哲學作為一種研究方法，其實不單單適用於人文學門，也同樣適用於科學。非常理論性、艱深的基礎科學如果能夠走出象牙塔，了解社會的真實需求，便有機會與人文接軌。因此，不論是科學或人文學門，若研究者可以調整研究方法，從研究對象在實作上的細節出發，再轉而調整自己的理論，那麼科學與人文的互動、合作並非不可能。

科學素養對現代社會的重要性

最後進行分享的是科普媒體《PanSci 泛科學》的知識長鄭國威先生。鄭知識長首先釐清了「人文」的定義：他認為，「人文主義」認為人類可以靠自身的能力認識這個世界，而「人文學科」正是培養這種能力的學科。從這個定義來看，人文與科學根本就不是分開的；畢竟科學也是人類靠自身能力認識世界的方式之一。

鄭知識長提到，台灣的學生在國際學生能力評量計畫（PISA）中表現非常優異，世界排名名列前茅。然而，台灣的學生卻普遍缺乏自信，在失敗時容易產生自我質疑。

在學習的過程中，我們大致可以把人分為兩種：具有「定型心態」與具有「成長心態」的人。前者只重視結果、學習態度較消極，且容易受挫折打擊；後者則重視過程、學習態度較積極，且勇於面對挑戰。鄭知識長指出，具有定型心態的台灣學生似乎占多數。

鄭知識長在高中時也面臨相同的困境，他那時非常厭惡數學和理化，完全沒有學習他們的熱忱。他後來發現不止他是如此，有許多人也在學生階段就放棄了對科學的學習；這對台灣社會是個嚴重的現象。舉例來說，公投的題目許多都牽涉科學知識，放棄學習科學的公民要如何在這種公投中作出正確的判斷？這樣的考量促使他後來創辦 PanSci 泛科學。

鄭知識長認為，獲得成長心態最簡單的方式就是學會科學原則與方法，也就是用科學方法來面對日常生活中遇到的問題。而培養科學素養則需要承認自己對許多事的無知，且需要身處一個好的素養集體之中。最後，鄭知識長勉勵大家一起培養出「科學思辨力」，為本次的論壇畫下一個強而有力的句點。

• 本文轉載自 LIS情境科學教材

他是葉丙成，台大電機教授，也是線上遊戲學習平台 PaGamO 和實驗教育機構「無界塾」的創辦人，葉丙成老師的求學經歷建中、台大、留美、當教授，完美符合了傳統價值對於菁英人才的期待，而直到葉丙成到美國求學、當上台大教授後，他才一再體會到著眼「好成績」將錯失生命許多彌足珍貴的探索機會，於是他展開中年叛逆，成為力推台灣「翻轉教育」的先行者，讓更多台灣孩子有機會比他更早一步擁抱不被成績綁架、有所熱情的人生。

葉丙成的人生故事和教育觀點，邀請你一起往下閱讀>>>

成為病態的考試機器，失去對世界的好奇心

Ｑ：可以和我們分享葉丙成老師自己的求學歷程嗎？

我從小在教授宿舍長大，唸的是台科大後面的公館國小，除了去美國讀書之外，建中是我讀過最遠的學校。

在我們居住的環境裡大多都是教授父母，大家難免會比較小孩的成績，我從小就一直在「因著成績被肯定」的狀態長大，成績很好但我完全沒有學習的熱忱和好奇心，我知道自己是在應付考試，也很會應付考試，那其實是一種很病態的價值觀，我差不多在高中就已經失去對世界的好奇心，看到新東西、沒碰過的東西，我反而會覺得很煩又要花時間去搞懂。

考贏別人得到師長的肯定是唯一的追求，但到了美國唸博士之後發現其實根本沒有人在 care 考試和成績排名，在派對上面我只能用傅立葉（專業知識）跟同學開話題，根本沒人想鳥我，我才看見自己的貧乏。

現在在台大教書，看到這些孩子，也常常覺得成績好、會應付考試，某種程度是背負一種詛咒，不是因為成績好選擇更多，而是在追求成績的過程，我們根本不知道自己要什麼，看不到自己真的有熱情的地方，時間就一直流掉，焦慮就一直擴大，變得沒有靈魂。

非結構化學習才能培養孩子面對未知世界的能力

Ｑ：有了前述的反思，現在葉丙成老師怎麼帶自己的兩個兒子 ？

對我而言我完全不在意他們的成績，只要他們保有對世界的好奇心、熱情，有個人特質的魅力，願意去探索任何事我都是支持。

有些爸媽會因為小孩數學考 98 分而打小孩，罵小孩怎麼能因粗心而少那 2 分，但沒有什麼應不應該，說真的數學考 100 分也不代表他長大就會變成人才，數學只要懂就好，考 80 分和 100 分其實沒有差，最怕的是他不懂。

我比較在意的是孩子有沒有「非結構化學習」（unstructured learning）的能力，當孩子對一件事情感興趣，願意花時間蒐集資料，把來龍去脈搞清楚，最後建構出他對這件事情的知識體系，這就是非結構化學習。這個能力是非常重要的訓練，未來不管他做什麼，都可以很快的進入狀況。

從小到大，我們在學校學的都是結構化的學習（structured learning）有課本和教材，非結構化學習的能力很難訓練，只能靠常常實作來建構，但我們通常很少有機會鍛鍊孩子這個能力。

有一次我家兒子他晚上 11 、 12 點還不睡，我問他在幹什麼，他說很喜歡老師養的貓咪，想做一張貓吉拉吃人的卡片送老師，所以在學 Photoshop 看能怎麼做出來，我沒有阻止他，繼續忙自己的事情，沒想到忙一忙凌晨 3 點兒子還沒睡，但他已經用 Photoshop 做出一張還滿漂亮的卡片了！通常遇上這種情況，大部分的爸媽可能會質問孩子為何浪費時間弄一隻貓，但對我而言能自己學會而且做出來比考 100 分來得更重要。

讓孩子贏在十八歲之前，卻犧牲時間養成足以面對未來的關鍵能力

Ｑ：葉丙成老師覺得什麼是學習過程中應該具備的關鍵能力？

108 課綱在講的就是培養台灣小孩變成終生學習者，有自主學習能力的人，過去台灣教育把學生訓練成「搜尋引擎」，孩子不斷地寫評量和考古題，考試考很高的分數，但遇到不同的題型就不知道怎麼辦，如果下一代都不敢創新，只想著搜尋既有的解法，那台灣的未來很令人擔憂。

素養就是「運用知識解決真實世界問題的能力和態度」，「知識」、「能力」、「態度」三者加在一起才會擁有素養。台灣教育過分強調學習知識，孩子可能很會解困難的數學題，但你請他們在生活中利用簡單的數學解決問題，他不一定可以解決真實世界的問題，這些知識只是拿來考試用而已。

我很歡 LIS 創辦人嚴天浩說的一句話，意思大概是：「科學教育的本體不是科學的知識；科學是一種思考的方式。」這句話太精彩，一語道破許多人對科學的錯誤看法！

我們小時候常看到的「十萬個為什麼」這類的書，那是最糟糕的。爸媽買這種書給孩子，孩子博學強記，結果大人問什麼科學問題，孩子都能快速講出答案，爸媽就覺得自己孩子是小天才。孩子也以為知道所有科學相關問題的為什麼、能快速回答各種關於科學的問題，就是學科學，這簡直錯得離譜！

就像天浩說的，學科學真正重要的，是學會科學家面對問題的思考方式：如何觀察、如何提出假設、如何設計實驗來驗證假設、如何修正自己的假說……，這一連串的過程，才是科學教育最重要的，人家問什麼都能快速答得出來 Google 網站就做得到了。

期待台灣教育成為亞洲國家的教育典範

Ｑ：葉丙成老師對台灣教育的建議與期待？

很多孩子在教育上遇到的狀況，是家長選擇造成的結果，只要放過自己的小孩，讓他快快樂樂的長大，我覺得就已經會減少很多問題，很多孩子壓抑自己的七情六慾，變得膽小慎微，失去創造性。

我最近跟一些高中生在聊，雖然他們也很想跟我聊，但我們唯一能約的時間是禮拜五晚上的十點，因為六日他們要補習，平日晚上補到九點多要回家準備明天上學，你看這個社會把孩子逼到這個樣子。

我希望我們這些對教育很有熱情的人，比方說家長、中小學高中大學、體制內教育和體制外教育的老師，看可以怎麼把各個不同領域的力量串起來，更加速改變整個台灣社會對教育的看法。讓台灣的小孩能夠在亞洲有相對開放鬆綁的教育，我認為是很有機會的，這是接下來十年想和大家一起努力的目標！

響應本次「LIS 第二季大科學計劃」，葉丙成老師分享給我們的大科學人宣言：

❛❛ 有科學的思維，才能看出誰在胡扯  ❜❜  —— 葉丙成

邀請您一同成為各行各業中的大科學人，您的捐款將支持「科學公益教材」的穩定開發，一起 支持台灣科學教育，讓孩子從小開始像「科學家一樣思考」，帶著自信長大成為各行各業中「 永保好奇」、「邏輯思辨」的大科學人！

【LIS 大科學計畫 ✦ 第二季】｜暖心上線 ▸▸▸▸▸▸▸
❛ 教育不只是老師的事，這是我們的任務，下一個世代的科學史，現在就得開始寫起！ ❜
募資倒數 30 天，尚缺 60 萬元定期定額製作啟動金
每月 523 小額捐款，支持全台十萬名孩子都期待的科學教材 https://bit.ly/3VbX9Eb
＃參與募資成為大科學人，＃解鎖泛科學贈送的神祕好禮
關注 LIS 最新消息歡迎加入 FB 社團「LIS大科學人製造所」