為什麼寧願自己亂來，也不願看一下說明書？──2018 搞笑諾貝爾文學獎

本文與 威力暘電子 合作，泛科學企劃執行。

想像一下，當你每天啟動汽車時，啟動的不再只是一台車，而是一百台電腦同步運作。但如果這些「電腦」突然集體當機，後果會有多嚴重？方向盤可能瞬間失靈，安全氣囊無法啟動，整台車就像失控的高科技廢鐵。這樣的「系統崩潰」風險並非誇張劇情，而是真實存在於你我日常的駕駛過程中。

今天，我們將深入探討汽車電子系統「逆天改運」的科學奧秘。究竟，汽車的「大腦」—電子控制單元（ECU），是如何從單一功能，暴增至上百個獨立系統？而全球頂尖的工程師們，又為何正傾盡全力，試圖將這些複雜的系統「砍掉重練」、整合優化？

第一顆「汽車大腦」的誕生

時間回到 1980 年代，當時的汽車工程師們面臨一項重要任務：如何把汽油引擎的每一滴燃油都壓榨出最大動力？「省油即省錢」是放諸四海皆準的道理。他們發現，關鍵其實潛藏在一個微小到幾乎難以察覺的瞬間：火星塞的點火時機，也就是「點火正時」。

如果能把點火的精準度控制在「兩毫秒」以內，這大約是你眨眼時間的百分之一到千分之一！引擎效率就能提升整整一成！這不僅意味著車子開起來更順暢，還能直接省下一成的油耗。那麼，要如何跨過這道門檻？答案就是：「電腦」的加入！

工程師們引入了「微控制器」（Microcontroller），你可以把它想像成一顆專注於特定任務的迷你電腦晶片。它能即時讀取引擎轉速、進氣壓力、油門深度、甚至異常爆震等各種感測器的訊號。透過內建的演算法，在千分之一秒、甚至微秒等級的時間內，精準計算出最佳的點火角度，並立刻執行。

從此，引擎的性能表現大躍進，油耗也更漂亮。這正是汽車電子控制單元（ECU）的始祖—專門負責點火的「引擎控制單元」（Engine Control Unit）。

ECU 的失控暴增與甜蜜的負荷

第一顆 ECU 的成功，在 1980 年代後期點燃了工程師們的想像：「這 ECU 這麼好用，其他地方是不是也能用？」於是，ECU 的應用範圍不再僅限於點火，燃油噴射量、怠速穩定性、變速箱換檔平順度、ABS 防鎖死煞車，甚至安全氣囊的引爆時機……各種功能都交給專屬的 ECU 負責 。

然而，問題來了：這麼多「小電腦」，它們之間該如何有效溝通？

為了解決這個問題，1986 年，德國的博世（Bosch）公司推出了一項劃時代的發明：控制器區域網路（CAN Bus）。你可以將它想像成一條專為 ECU 打造的「神經網路」。各個 ECU 只需連接到這條共用的線路上，就能將訊息「廣播」給其他單元。

更重要的是，CAN Bus 還具備「優先通行」機制。例如，煞車指令或安全氣囊引爆訊號這類攸關人命的重要訊息，絕對能搶先通過，避免因資訊堵塞而延誤。儘管 CAN Bus 解決了 ECU 之間的溝通問題，但每顆 ECU 依然需要獨立的電源線、接地線，並連接各種感測器和致動器。結果就是，一輛汽車的電線總長度可能達到 2 到 4 公里，總重量更高達 50 到 60 公斤，等同於憑空多載了一位乘客的重量。

另一方面，大量的 ECU 與錯綜複雜的線路，也讓「電子故障」開始頻繁登上汽車召回原因的榜首。更別提這些密密麻麻的線束，簡直是設計師和維修技師的惡夢。要檢修這些電子故障，無疑讓人一個頭兩個大。

汽車電子革命：從「百腦亂舞」到集中治理

到了2010年代，汽車電子架構迎來一場大改革，「分區架構（Zonal Architecture）」搭配「中央高效能運算（HPC）」逐漸成為主流。簡單來說，這就像在車內建立「地方政府＋中央政府」的管理系統。

可以想像，整輛車被劃分為幾個大型區域，像是車頭、車尾、車身兩側與駕駛艙，就像數個「大都會」。每個區域控制單元（ZCU）就像「市政府」，負責收集該區所有的感測器訊號、初步處理與整合，並直接驅動該區的馬達、燈光等致動器。區域先自理，就不必大小事都等中央拍板。

而「中央政府」則由車用高效能運算平台（HPC）擔任，統籌負責更複雜的運算任務，例如先進駕駛輔助系統（ADAS）所需的環境感知、物體辨識，或是車載娛樂系統、導航功能，甚至是未來自動駕駛的決策，通通交由車輛正中央的這顆「超級大腦」執行。

乘著這波汽車電子架構的轉型浪潮中， 2008 年成立的台灣本土企業威力暘電子，便精準地切入了這個趨勢，致力於開發整合 ECU 與區域控制器（Domain Controller）功能的模組化平台。他們專精於開發電子排檔、多功能方向盤等各式汽車電子控制模組。為了確保各部件之間的溝通順暢，威力暘提供的解決方案，就像是將好幾個「分區管理員」的職責，甚至一部分「超級大腦」的功能，都整合到一個更強大的硬體平台上。

這些模組不僅擁有強大的晶片運算能力，可同時支援 ADAS 與車載娛樂，還能兼容多種通訊協定，大幅簡化車內網路架構。如此一來，車廠在追求輕量化和高效率的同時，也能顧及穩定性與安全性。

萬無一失的「汽車大腦」：威力暘的四大策略

然而，「做出來」與「做好」之間，還是有差別。要如何確保這顆集結所有功能的「汽車大腦」不出錯？具體來說，威力暘電子憑藉以下四大策略，築起其產品的可靠性與安全性：

1. AUTOSAR ： 導入開放且標準化的汽車軟體架構 AUTOSAR。分為應用層、運行環境層（RTE）和基礎軟體層（BSW）。就像在玩「樂高積木」，ECU 開發者能靈活組合模組，專注在核心功能開發，從根本上提升軟體的穩定性和可靠性。
   
2. V-Model 開發流程：這是一種強調嚴謹、能在早期發現錯誤的軟體開發流程。就像打勾 V 字形般，左側從上而下逐步執行，右側則由下而上層層檢驗，確保每個階段的安全要求都確實落實。
   
3. 基於模型的設計 MBD（Model-Based Design）： 威力暘的工程師們會利用 MatLab®/Simulink® 等工具，把整個 ECU 要控制的系統(如煞車)，用數學模型搭建起來，然後在虛擬環境中進行大量的模擬和測試。這等於在實體 ECU 誕生前，就能在「數位雙生」世界中反覆演練、預先排除設計缺陷，，並驗證安全機制是否有效。
   
4. Automotive SPICE (ASPICE) ： ASPICE 是國際公認的汽車軟體「品質管理系統」，它不直接評估最終 ECU 產品本身的安全性，而是深入檢視團隊在軟體開發的「整個過程」，也就是「方法論」和「管理紀律」是否夠成熟、夠系統化，並只根據數據來評估品質。

既然 ECU 掌管了整輛車的運作，其能否正常運作，自然被視為最優先項目。為此，威力暘嚴格遵循汽車業中一本堪稱「安全聖經」的國際標準：ISO 26262。這套國際標準可視為一本針對汽車電子電氣系統（特別是 ECU）的「超嚴格品管手冊」和「開發流程指南」，從概念、設計、測試到生產和報廢，都詳細規範了每個安全要求和驗證方法，唯一目標就是把任何潛在風險降到最低

有了上述這四項策略，威力暘確保其產品從設計、生產到交付都符合嚴苛的安全標準，才能通過 ISO 26262 的嚴格檢驗。

然而，ECU 的演進並未就此停下腳步。當ECU 的數量開始精簡，「大腦」變得更集中、更強大後，汽車產業又迎來了新一波革命：「軟體定義汽車」（Software-Defined Vehicle, SDV）。

軟體定義汽車 SDV：你的愛車也能「升級」！

未來的汽車，會越來越像你手中的智慧型手機。過去，車輛功能在出廠時幾乎就「定終身」，想升級？多半只能換車。但在軟體定義汽車（SDV）時代，汽車將搖身一變成為具備強大運算能力與高速網路連線的「行動伺服器」，能夠「二次覺醒」、不斷升級。透過 OTA（Over-the-Air）技術，車廠能像推送 App 更新一樣，遠端傳送新功能、性能優化或安全修補包到你的車上。

不過，這種美好願景也將帶來全新的挑戰：資安風險。當汽車連上網路，就等於向駭客敞開潛在的攻擊入口。如果車上的 ECU 或雲端伺服器被駭，輕則個資外洩，重則車輛被遠端鎖定或惡意操控。為了打造安全的 SDV，業界必須遵循像 ISO 21434 這樣的車用資安標準。

威力暘電子運用前面提到的四大核心策略，確保自家產品能符合從 ISO 26262 到 ISO 21434 的國際認證。從品質管理、軟體開發流程，到安全認證，這些努力，讓威力暘的模組擁有最高的網路與功能安全。他們的產品不僅展現「台灣智造」的彈性與創新，也擁有與國際大廠比肩的「車規級可靠度」。憑藉這些實力，威力暘已成功打進日本 YAMAHA、Toyota，以及歐美 ZF、Autoliv 等全球一線供應鏈，更成為 DENSO 在台灣少數核准的控制模組夥伴，以商用車熱系統專案成功打入日系核心供應鏈，並自 2025 年起與 DENSO 共同展開平台化量產，驗證其流程與品質。

毫無疑問，未來車輛將有更多運作交由電腦與 AI 判斷，交由電腦判斷，比交由人類駕駛還要安全的那一天，離我們不遠了。而人類的角色，將從操作者轉為監督者，負責在故障或斷網時擔任最後的保險。透過科技讓車子更聰明、更安全，人類甘願當一個「最弱兵器」，其實也不錯！

「這段時間，我們一直納悶控制的方法在哪裡……」
「沒想到就是我們自己。」

——《人生複本》 Blake Crouch

有沒有注意自己的日常用語會跟自己經常接觸的朋友們越趨接近？像是辦公室有人開始講：「是在哈囉？」身旁會也越來越多人在不經意間說出：「是在哈囉？」我們跟某個朋友聊天時，如果對方原本都沒有在用貼圖，但是突然有一天他/她開始用了貼圖，我們也開始跟著用貼圖來回應對方。

用語上的一致性 （lexical alignment / lexical entrainment）能夠讓人跟人之間距離更靠近，增加彼此的信任感。不僅在語言上，行為上一致性（姿勢、動作等）也能在兩個溝通越來越順暢的人們身上觀察到，而且人們在沒有察覺的情況下，對於那些語言與行為跟自己一致的人也展現較多好感。

語言一致性的涵蓋範圍廣泛，包含用詞選擇、腔調、語速，甚至是修辭結構。

舉例來說，當我們在跟朋友描述自己所在的位置時：「我在地下室一樓」此時，對方比較有可能回應「我在地下室二樓」，而不是「我在 B2」。

但人與人之間對話時的用語一致性跟語音助理設計有什麼關係呢？

無論與人或電腦對話，我們都會配合對方的用語

我們可以透過瞭解人跟電腦對話的時候，是否也會出現這樣的用語一致性。在這個實驗當中，研究者們會讓使用者分別跟三個不同的角色語音對話對話，分別是：

• 真人
• 較舊版本的電腦
• 較新版本的電腦

而且使用者們會明確地被告知即將對話者的身分。如果是舊版電腦，就會看到一個螢幕開機畫面上寫著是 1987 年的作業系統版本；如果對話的是新版電腦，就會在螢幕上看到 2003 年的作業系統版本。

接著，請使用者在實驗過程中分別跟三個不同的角色互相看著圖片描述一個物品，例如：看一張電燈的圖片。不過「電燈」的另一個稱呼也可以是「檯燈」，這時候研究者就讓他們輪流向對方說出照片裡的物品，進而讓研究者們分析使用者會不會因為對方用了某個詞彙，後續再看到同樣的圖片時也用同樣的詞彙。

結果發現，是的！使用者不但會配合另一個人的用詞方式，也會配合電腦的用詞。

即便使用者知道自己在跟電腦對話，當電腦一直用固定的詞彙描述圖中物品時，使用者的描述用詞也會配合電腦，就如同配合人一樣，用同樣的詞彙來描述物品。

但是這種用同樣詞彙的配合程度不同，當使用者知道自己在跟一個舊版本的電腦對話時，配合的程度就高於最新版本的電腦或是人類。也就是說，當我們知道電腦可能「比較笨」的時候，我們就更容易去配合它的用語。而這個效果透過很表面的知覺操弄就可以做到，就像實驗中讓使用者看到不同版本作業系統就會達到配合程度不同的效果。

不只用詞，在句子結構上也會配合語音助理

除了看字彙選擇是不是會有一致性，研究者們也發現當請使用者分別跟另一個真人、另一個發出機器音的語音助理、另一個擬人聲的語音助理對話，無論和誰對話，使用者自己的句子結構都會有配合對方的傾向。

研究者們邀請使用者向三個不同的角色互相描述圖片中的畫面，從中我們可以發現兩個不同的描述方式：

• 左圖：「大明給小王一張卡片」＝「大明把卡片給小王」；
• 右圖：「一個藍色的圓圈」＝「一個圓圈是藍色的」。

接著讓使用者分別跟三個角色輪流描述多長不同的圖片給對方聽。結果發現，如果對方一直用「A 把（物品）給 B」或是「形容詞 + 名詞」這種結構來描述圖片的話，自己後續描述圖片的方式也會趨向這個方式。

所以，無論跟自己對話的是人，或是機器音的語音助理，還是擬人聲的語音助理都有同樣的效果。

利用人們「一致性」本能，互動設計讓語音助理更好用

從我們與語音助理的互動經驗中可以發現，只要語音助理無法辨識我們說出來的內容，就無法給出符合期待的回應，所以自然語言處理（Natural language processing, NLP）的專家們持續發展語音辨識的技術。然而在新技術尚未推出之前，我們其實可以從人機互動的角度來修正語音助理的設計。

以本次回顧的系列研究的結論來說，人會隨著溝通對象而改變語言使用習慣，包含用語、句構。尤其當人認為電腦越不聰明時，配合程度越強。因此，設計師們不妨根據現有技術，先讓語音助理講出一些簡單的句子結構來開啟對話，再引導使用者也使用相似的簡單結構來回覆，而不是一定要專注在設計出能夠進行複雜對話的語音助理。

例如：當我們透過 Hey, bot 喚醒語音助理後，先讓語音助理說出：「嗨，下指令」這個簡單的句子結構，進而引導使用者說出：「好，播音樂」。

從系統設計角度來看，這麼做能在一開始就讓使用者在不知不覺中說出系統比較容易辨識的指令。就像我們在跟小小孩對話的時候，當他對我們說：「我要車車～」的時候，自己也會很自然的回應：「車車給你～」。

如此一來，使用者就不會因語音助理辨識錯誤而太失望了，不是嗎？

延伸閱讀

• 語音助理在不同情境下的設計考量
• 我們應該要設計「對話」還是設計「系統回應」？

感謝沈奕超、張元嘉提供編輯建議

參考資料

1. Cowan, B. R., Branigan, H. P., Obregón, M., Bugis, E., & Beale, R. (2015). Voice anthropomorphism, interlocutor modeling and alignment effects on syntactic choices in human-computer dialogue. International Journal of Human-Computer Studies, 83, 27-42.
2. Branigan, H. P., Pickering, M. J., Pearson, J., McLean, J. F., & Brown, A. (2011). The role of beliefs in lexical alignment: Evidence from dialogs with humans and computers. Cognition, 121(1), 41-57.

• 作者：楊期蘭

路人：「聽起來就是在設計 APP 啦～」

同系的朋友：「好像是在做網路通訊吧，還是多媒體那種，常常需要找人來試用他們的系統。」

社會科學專家：「人機互動真的有在讀理論嗎？我看實驗都做得不是很嚴謹欸，人的行為很複雜，不是幾行數字就可以解釋清楚的。」

資訊領域專家：「人機互動做的東西感覺我們都做過了啊，而且技術都很成熟也商品化了，再說你們的研究方法怎麼樣本數都這麼少？沒有大數據支持、資料處理方式看起來也是靠人力沒有自動化？怎麼不用自然語言處理技術處理訪談資料？樣本這麼少或根本沒有數字很難讓人相信你們的結果欸。」

當身邊有在做「人機互動研究」的人時，大家會不會有類似的疑惑？好奇他們到底在做什麼？

而自己就是在做「人機互動研究」的人，多少會被問到類似的問題：「人機互動到底是在做什麼？」特別是當對方來自某個學科背景，在聽完人機互動研究後經常因為覺得學科間部份重疊性而帶著自己的有色眼鏡來評斷人機互動研究。

這次要透過上、下兩篇，用面對 20 種不同背景的聽眾來解釋人機互動在做什麼，一方面為好奇的讀者們解惑；另一方面想跟同為人機互動研究的讀者們一起討論到底怎麼向不同類型聽眾溝通比較合適。

在上集，我們已經先從生活會遇到的對象解釋起；這篇下集會從面對不同學科背景的朋友開始解釋：人機互動是什麼？

11.  對正要選系的高中生：

目前在台灣的大學部跟研究所都還沒有一個系所稱作人機互動學系，但是因為人機互動是一個沒有領域分界的學科知識（但是有一套專屬的研究方法論），所以在任何科系裡都有可能將某一個科系的學理知識或方法論挪用到人機互動的研究上。

人機互動顧名思義有包含人的部分跟機器、系統的部分，因此在無論你/妳對人感興趣或對電腦比較感興趣，只要選的科系能夠讓你/妳對這兩個其中一個有很深入了解，未來都很有機會直接把所學跟人機互動研究結合在一起。

12. 對人文藝術背景的朋友：

人機互動是去探究科技如何對人類產生不同層面的影響，像是如何透過科技來進行藝術創作，進而引發人去反思；如何將文本數位化讓使用者有更多不同於以往的新互動，產生新的閱讀、欣賞體驗；如何運用科技作為媒介來輔助創作者創作、分享作品、擴大與欣賞者的互動等，都會有人機互動的成分在其中。

13. 對自然科學背景的朋友：

人機互動是一門運用科學研究方法了解人類如何使用電子系統的學科。人機互動跟自然科學相同地方在於兩個學科都會提出研究問題、提出假說、進行實驗，最後得到不同於以往的新發現來回答研究問題，透過可被重複驗證的方式來了解某個現象，這個現象在自然科學領域就是「自然現象」，而在人機互動領域就是人類行為如何受系統影響，或是系統的什麼新設計幫助了人類。而不同於自然科學之處在於人機互動研究對象是「人與機器」的這個組合，而自然科學則是研究自然界的純物質。

14. 對生物醫學背景的朋友：

人機互動與生物醫學領域部分相同之處在於研究對象都是人，而人機互動領域除了了解人以外，多加入了設計系統的部分。就應用層面來說，了解醫護人員、生醫專家如何在緊急繁忙醫療現場使用生醫系統或是醫院內部資訊系統，並透過科技來輔助醫療行為進行、如何設計好的溝通媒介來促進醫病之間溝通等，就是部分人機互動研究在解決的事。

最近為了找到對抗新冠病毒的疫苗，除了生物醫學科學家之外，群眾外包也被視為其中一個嘗試找到新型蛋白質結構的方式，透過遊戲化的互動設計，讓不同觀點的群眾可以投入共同解決科學領域難解的問題，突破一些專家盲點。怎麼設計一個好的群眾外包機制來讓公民參與科學，也是人機互動領域的一個研究主題之一。

15. 對社會科學背景的朋友：

人機互動與社會科學領域部分相似之處在於我們都以人當作研究對象，也同樣會根據不同研究問題分別透過微觀與鉅觀角度來分析人類行為。「人」是人機互動領域的主角，因此人機互動借用了許多社會科學長期對於人類行為了解所建立的理論，藉此引導系統設計的方向，像是心理學對於個體的認知優勢與限制的理論、傳播學對於人際溝通時語言行為使用的了解、社會學對於個體與社會結構如何相互影響的理論、人類學告訴我們不同文化下人類形成的不同慣習等，這些對於人類社會豐富的了解都是人機互動研究需要的基礎。

人機互動研究想達到的目標之一就是去了解：當人與科技互動時，人類會有什麼新的行為發生、會如何被賦能；同時並提出科技對人類社會可能帶來的利與弊，藉此引導政策制定方向或科技系統設計方向。

16. 對工程背景的朋友：

人機互動是了解人如何使用機械或電子系統的學科，與工程領域相似的地方在於兩者都需要先定義問題，並設計出能解決問題的最佳系統；不同之處在於人機互動在系統設計的環節中多把「使用者」納入設計考量，所以在評斷系統效能的時候，除了比較不同系統之間的表現 (performance) ，也同時需要評量使用者使用系統的表現。

17. 對資訊背景的朋友：

人機互動是一門了解人怎麼跟資訊系統互動的學科，與電腦科學相同的地方在於兩者都是為了解決一個問題設計出一套最佳的演算法或是資訊系統，並且用量化方法來比較不同算法或是系統的效能；不同之處在於人機互動研究者在設計演算法與資訊系統需要將使用資訊系統的人也納入設計考量中，因此在比較系統效能時，除了透過「數字」比較系統效能外，也會有部分不能數值化的比較參數，原因在於使用系統的使用者包含了「可被數值化」與「不可被數值化」的部分，可被數值化的部分就跟資訊系統的評量方式一樣，可以透過比較數字大小看出差異，但不可被數值化的部分就需要透過其他研究方法來了解，也就是「質化」分析方式，才能告訴我們資訊系統對人產生了什麼影響、背後隱含的意義是什麼。

18. 對設計背景的朋友：

人機互動就是在透過科技解決問題的學科，與設計領域相同之處在於兩者都是透過「設計」某個實體或虛擬的東西來解決問題，設計學門的設計範疇非常多元廣泛，但人機互動則是將目標放在設計「人與科技物之間的互動」的範疇內。

19. 對做使用者經驗 (UX) 的朋友：

人機互動是了解使用者如何跟各種不同的科技物、數位系統或網路互動的學門。使用者經驗研究涵蓋的範圍很豐富多元，只要有人的地方就會產生經驗，而這些經驗不一定需要在有科技物的情況下發生，像是人在傳統市場採購的經驗、人們在某個場所共同經歷一個活動的經驗等，使用者經驗可以包含使用科技物的經驗也可以不包含；而人機互動與使用者經驗重疊的部分在於人機互動也需要了解人的經驗，但不同之處在於它是企圖了解：人如何使用科技物、人際關係怎麼被科技物影響、科技如何影響人等，解決問題的範疇是在「人與科技物互動」之中。

20. 對其他也是在做人機互動的朋友：

人機互動廣義來說就是人與運算系統的互動，但在人機互動研究的大傘下又有許多不同的子主題，詳細請參考，不同子領域有各自著重的研究貢獻，有些著重於新奇的互動設計、有些則將重點放在系統設計、而又有一些是把重點放在了解這些使用社群科技系統下的人們或是特殊情境。每個子主題的共通點就是包含了「人」與「運算系統」這兩個成分。對筆者而言，科技在人機互動中扮演的角色是「賦能」 (empower) 而非取代人類，科技設計目的是為了讓人完成原本做不到的事、產生原本無法實現的人際交流，使得人在物理上、心理上都比以往更有能量。

你/妳的定義是什麼？

看完了 20 種不同的人機互動解釋，可以看出無論解釋的對象是誰，

人機互動共通的內涵就是去了解並設計人與機器之間的互動機制。

人機互動的定義絕對不是只有這些，根據不同對象的需求、談話的目的，就會有不同的定義，而且不同背景的人即便看到同一個詞彙，解讀跟思考方向都不同。就像「人工智慧」這個詞，有人看到後想的是數學模型、有人是演算法、有人是應用情境、有人是倫理議題，無論從哪個角度看都有其道理，但若想展開討論，我們需要確認雙方都是在對某個詞彙有同樣定義情況下討論，否則就只能各說各話、耍耍嘴皮子。

人機互動因為研究主題包含「人」與「科技」，因此除了自己發展出屬於這個學門的理論外，也會奠基於其他學門不斷累積的知識，像是社會科學對人的認識、工程科學科學在電腦科學技術的發展，相互融合來產出人機互動的研究成果。不同學門在主題選擇上、方法上、研究結果上多少會有重疊的部分，學門的定義到底該涵蓋那些概念，最後還是回歸到某個所屬的科學社群共同想解決的問題是什麼。

定義是由人建構出來的，不同科學社群想解決的問題不同，定義跟切入點就會有所不同，這些定義也可能隨著時空背景推移跟著調整，找 10 個在做人機互動的研究者來分享，也很有可能會產出 10 個不同的版本。一個詞彙的定義很多元，端看我們想跟誰說、目的是什麼。

各位讀者同意這（上）、（下）兩篇提到的人機互動解釋嗎？同意的話，有什麼想補充嗎？不同意的話，覺得哪裡可以更好？找機會跟我們交流討論吧！

延伸閱讀：

到底什麼是人機互動？二十種向朋友解釋人機互動是什麼的說法（上）【親友篇】

• 感謝沈奕超、張元嘉、陳美伶、黃振瑋、王邦任提供編輯建議

本文轉載自人機共生你我它，原文為〈【科系篇】到底什麼是人機互動？二十種向朋友解釋人機互動是什麼的說法（下）〉