這樣聊天讓「愛情地圖」常保更新：由《我們不能是朋友》失溫的感情長跑談起

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

我們每個人，都和生命中重要的人們，有著不同程度的依附關係。而分手後與前任的聯繫，更是有可能剪不斷理還亂，依附系統不會那麼快就善罷甘休的！分手後如果跟前任保持互動，對於生活或情緒是好事嗎？跟依附又有怎麼的關聯呢？本篇文章就要來介紹我研究論文的主題！

在此感謝眾位填寫量表的人，以及教授們的協助，我的畢業論文終於產出來了。這一篇論文的主題，可想而知圍繞在依附理論，而且還出現了前所未見的分手後與前任依附關係的調查！

有些人可能會直覺反應：分手後，還與前任有所聯繫，聽起來不是怪怪的嗎？別著急，在國外的文獻上早就發現，有許多人在分手之後還會和對方當朋友，甚至是繼續維持著性愛的關係。

但國內呢？很抱歉，在我做這篇研究之前，國內的資料數是 0。所以，欲知國內情況如何，請看下面敘述分解！

分手後能不能繼續聯絡，與「交往時」的逃避程度有關？

交往時的依附風格，會影響「分手後會不會持續聯繫」。我們無法鐵口直斷說事情就是這樣，只能說在研究結果上，有著這樣的傾向。

在我的研究中，用了所謂的 ANOVA，透過分手後的關係類型，來回推交往時的依附分數是否有所差異。由於我的樣本收集的緣故，因此懂研究方法的人就知道，這不能推論說交往時的依附風格會影響分手後的關係類型。用個簡單一點的比喻就是：

我今天走進一座果園，A 果園的橘子比較多，B 果園的芒果比較多，但我不能保證說，A 果園的土壤一定比較適合種橘子，B 果園的土壤比較適合種芒果。（聽不懂統計方法的就跳過這句話吧！）

總而言之就是呢，我把分手後與前任的關係分成了四種：

• 無聯繫型：在分手之後，彼此幾乎或完全不再有聯絡。
• 被迫聯繫型：當事人無意願繼續連繫，但因為一些外力因素（如上課、社團），使得彼此被迫有所交集。
• 分手後友誼型(post-dissolutional friendship)：在分手之後，彼此成為普通朋友。
• 似戀關係型：分手後彼此的互動仍然和情侶很類似，例如會接吻、牽手、擁抱、做愛等等。

在我收集到的樣本裡面，有 494 人和前任毫無聯繫，87 人屬於被迫聯繫，還是朋友的高達 161 人，而似戀關係的也有 20 人。

結果呢，根據分析發現，不同分手後的類型，在交往的時候，他們的焦慮分數平均值分別是：3.45、3.36、3.43、3.78，在統計上不具有顯著的差異。

看到這邊，你或許會想問：「欸～不是應該交往的時候越焦慮，分手之後越會去跟對方勾勾迪嗎？怎麼分手後有聯繫的人，焦慮分數和沒有聯繫的一樣呢？」這是因為，你要勾勾迪，也要對方願意配合你演出啊！如果只有你單方面想跟對方保持聯絡，對方卻不想的話，那也連絡不下去啦！

至於不同分手後類型的人，在交往時的逃避分數，就有明顯的差異了：無聯繫型的平均逃避分數是 3.15，被迫聯繫型是 3.26，分手後友誼型是 2.74，似戀關係型是 2.50，很顯然的，前面兩組看起來就比後面兩組高。

如果精確一點的用事後比較來看，確實，無聯繫型跟被迫聯繫型的逃避分數，都比分手後友誼型跟似戀關係型來得更高。也就是說，老子、老娘在交往的時候就越不想跟你親近、越是逃避，分手後自然就不會想跟你做朋友或糾纏不清啦！

唉！俗話說的好，交往是兩個人的事情，分手是一個人的事情，分手後能不能聯繫下去，也得雙方都願意才行！

排除分手時間超過一年的結果：還是一樣

欸～等等，我剛剛好像忘了說一件事情，這份問卷裡面，與前任分手時間的範圍居然有 0 個月到 104 個月啊！天啊，有些人分手不到一個月，心還在淌血的寫我這份問卷，有的人分手 104 個月……那就是快 9 年了，這樣的資料真的準嗎？順便提一下平均數跟標準差吧，這群人平均分手了 24.74 個月，標準差則是 22.42 個月。

沒關係，那我就把所有分手超過 12 個月的人全部刪掉，再重新跑一次，看看結果會不會有所不同吧！

結果發現，刪掉了分手超過 12 個月的資料之後，比例上幾乎沒有變化嘛！

好，沒關係，我們再來看看分手後的關係類型跟交往時的焦慮分數與逃避分數有沒有關係呢？

分析顯示，焦慮分數還是沒有顯著差異，而逃避分數有著顯著差異。無聯繫、被迫聯繫、分手後友誼、似戀關係的平均值分別為 3.05、3.23、2.66、2.59，前三者的逃避平均差異就沒有篩選前的數據那麼顯著了，而似戀關係和前兩者則沒有顯著結果。當然，如果用嚴謹一點的統計來看，14 個人的似戀關係組，樣本過小，要顯著本來就有一定的困難度，所以參考價值也就沒有那麼高嘍。

同性戀和異性戀的差異？

啊，說到這裡，好像又該討論一件事情：樣本包含同性戀和異性戀，這兩者會不會有所差異？

在我收到的樣本之中，有 663 名異性戀，99 名同性戀（更精確的來說，應該說是前任是同性或異性）。四種類型對應到同異性戀的人數與平均數如下表：

有些謠傳認為同性戀的關係比較糾纏不清，結果事實上卻顯示：所有的似戀關係都來自於異性戀呀！

結果顯示，不同分手後關係類型，在交往時的逃避分數上有所差異；至於同性戀／異性戀，則不會影響逃避分數的差異的啦！

以後別做朋友？分手後做朋友真的會過得比較差嗎？

如果只是把研究問題放在交往時的依附關係與分手後的關係類型，這篇論文未免也太無聊。

事實上，我更好奇的是，分手之後跟對方當朋友，到底好不好？我相信這也是許多人的困惑：既然有 20% 的人在分手後和對方做了朋友，那麼周興哲苦苦相勸要我們「以後別做朋友，朋友不能牽手」不就白搭了嗎？（誤）

那就來看看，不同分手後關係類型的人，在情緒適應與生活適應上的差別吧！

咦，適應就適應，還有分情緒適應跟生活適應的喔？

是阿，情緒適應指的是「經歷分手事件之後，各式負面情緒出現的頻率」，得分越高代表情緒適應越差（邏輯上應該要再做轉換，姑且讓我偷懶吧）。

而生活適應指的則是「在經歷分手之後，能夠回歸日常生活、如平時一般面對日常生活的程度，或是將生活重心轉移至感情之外的其他層面的程度」，生活適應得分越低，代表在經歷分手後，在生活中適應得越好。

好吧，就讓我們來看看分手後的情緒適應吧：

從統計結果可以看到，分手後和對方斷絕聯繫的人，情緒適應的平均分數是 2.78、被迫聯繫的人則是 3.04、分手後做朋友的人是 2.83、分手後和對方勾勾迪的人則是 3.77。很明顯的，似乎只有似戀關係的人，在情緒適應上來得比較差！在經過事後比較之後，也確實顯示了前三者的情緒適應沒有顯著差異，但前三者都比似戀關係適應得來得更好。

所以說，周興哲，你錯了！分手後也是可以好好做朋友的！

再來看看生活適應吧！生活適應呈現了同樣的結果：

前三者的生活適應沒有顯著差異，但前三者都比似戀關係適應得來得更好。

所以，周興哲，你又錯了！分手後也可以做朋友的，只要不是曖昧不明的關係，做朋友跟斷絕聯絡可以過得一樣好的！

分手後維持聯繫，依附關係差在哪？

不過，事情沒有這麼簡單。為了針對那些分手後還有聯繫的人，與前任之間的關係品質到底如何，於是我創造出世界上第一個奇妙的名詞：「分手後依附關係」。既然依附量表可以以爸爸為對象、媽媽為對象、朋友為對象、曖昧關係為對象、伴侶為對象，那又有甚麼原因不能以「前任伴侶的現行互動狀況為對象呢？」

於是啦，我就讓這些分手後和對方仍然有聯繫的人，填了所謂的「分手後依附關係量表」，來看看他們之間到底發生了什麼事情。

純友誼與似戀關係差在哪？

首先，我們先來看看，分手後純友誼跟分手後勾勾迪之間，他們的「分手後依附關係」有何差別吧！

首先先看他們在分手之後，與對方互動的焦慮程度。在那些分手後和前任是普通朋友的人身上，他們的焦慮程度只有 2.20 分，但和前任仍然類似於情侶的人，則有 3.22 分，有著顯著的差異存在。也就是說，分手後和對方維持聯繫的人，如果你在聯繫的過程中，對對方的焦慮感越高，你就越有可能跟對方糾纏不清！

比較有趣的是，還記得前面說的嗎？這些人在交往時的焦慮分數相差不大──前者是 3.43 分，後者則是 3.78 分，是沒有顯著差異的。

但是，如果把交往時的焦慮分數，與分手後的焦慮分數，丟到皮爾森相關來跑的話，卻會發現兩者之間居然高達 0.437 的相關，且相關的顯著性高達.00，也就是說，那些交往時越焦慮的人，分手後與對方維持聯繫時，也會是高焦慮的那群人！

那麼，我們再來看看交往時的逃避分數和分手後的逃避分數是否有關連性吧！如果把交往時的逃避分數，與分手後的逃避分數，丟到皮爾森相關來跑的話，會發現兩者之間居然高達 .485 的相關，且相關的顯著性高達 .00，也就是說，交往時越逃避的人，分手後若與對方維持聯繫，也恰巧會是分手後越逃避的人！

而總結上面的這些話來說，當你在分手後與對方維持聯繫，若你的焦慮越高、逃避越低，你們的聯繫就越有可能變成勾勾迪的關係；反之，則比較有可能真的當普通朋友。

分手前的依附關係，將影響你的分手適應

但是，與前任有所聯繫，到底會對分手適應造成什麼樣子的影響呢？

前面提到，如果你是屬於普通朋友的聯繫，那麼你的情緒適應跟生活適應程度，和沒有在聯繫的人相比，是沒有差別的。但是，與前任有所聯繫這件事情，其實代表著你和她之間依然存在著某種羈絆，只要有羈絆在，就一定會有依附關係。

於是，我把依附量表改寫成適合測量受試者分手後與對方的互動情形的形式，來測量他們在分手後的依附關係，是否會影響分手調適呢？或是只有交往時的依附關係，能夠預測他們的分手調適？

透過回歸分析，可以發現，如果是會和前任做朋友的人，交往時的焦慮程度會影響分手後的調適情形（β=.555，p<.001，△R²=.334），但交往時的逃避程度則不會。這代表說，交往的時候越是焦慮，分手後的情緒適應會越差。但我的研究重點並不是交往時的依附分數，而是分手後的依附情形。

根據統計結果顯示，分手後和對方做朋友的人，他們和前任互動的焦慮程度如果越高，那她們在分手後的情緒適應會越差（β=.473，p<.001），而與前任互動的逃避程度如果越高，他們的情緒適應也會越差（β=.132，p=.035），整體而言，分手後的焦慮與逃避程度，在預測分手後情緒適應的模型當中，增加了 0.181 的解釋率。

至於在分手後的生活適應上，交往時的焦慮分數，對於生活適應不具有顯著的預測力；但交往時的逃避程度越高，反而越能預測分手後的生活適應越好（β=.221，p=.011，△R²=.067）。這一點蠻有趣的，其中可能的原因是，交往的時候本來就比較獨來獨往的逃避依附，在分手之後要恢復日常作息是比較容易的；不過，我的重點依然不在這裡，而是分手後的依附情形。

迴歸分析顯示，分手後與對方互動上越是焦慮的人，他們的生活適應也會越差（β=-.288，p=.001，△R²=.070），但分手後的互動逃避程度則沒有影響，也就是說，如果妳在分手後和對方做朋友，那麼，如果你和對方的關係依然很焦慮的話，那麼你要恢復日常作息的可能性就越低。

看不懂上面的統計沒關係，總結來說就是，如果你在分手後和前任做朋友，也不一定是件壞事，而是得看你和她做朋友之後，你和她的互動關係，焦慮程度與逃避程度有多高：如果越焦慮，那你就會有比較多的負面情緒，也比較難回歸日常生活；如果越逃避，你要恢復日常生活步調的可能性也會比較低。

因此，分手後想要調適自己的心情與回歸日常生活作息，並不一定得和對方切斷關係，做朋友，也可以是一個選擇，但得看你是不是純友誼。如果是純友誼的話，那得看你的焦慮程度與逃避程度有多少，你在分手後和對方做朋友時，你們的互動關係，依然會影響到你的分手適應。

如果你喜歡我的文章，歡迎追蹤粉專 Psydetective-貓心

文／雞湯來了蔡季葦
校稿／雞湯來了張芷晴、陳世芃
編輯／雞湯來了蕭子喬

電視劇《我們不能是朋友》中，女主角周惟惟與黎皓一談分手時說：「我們兩個今天會分手、會取消婚約，純粹是因為我們之間有很大的問題，跟褚克桓（男主角）沒有關係。」雖然惟惟與皓一之間確實越來越多問題，但有追這部劇的人應該都看得出來，周惟惟受褚克桓的影響可大了。從一開始三不五時質問她與皓一的「人生計畫」、想盡各種方法接近，到後來使用暖男溫柔攻勢、各種悉心陪伴，對於這些，難道周惟惟都沒有一絲心動過嗎？

人際關係是需求與付出的交換過程

從社會交換論的角度來看，伴侶是否能維持感情或分手，端看他們在這段關係中的「付出」與「獲得」是否讓彼此都能滿意，就如同經濟學中的「成本」與「酬賞」。若獲得的遠比付出的還多，當然是求之不得；但若付出多於獲得，則可能覺得吃虧，甚至想要分手。例如，兩人非常相愛、彼此依靠，也很少吵架，可能就比較不會想分開；相對地，如果兩人常常吵架、一方得不到關係而另一方不想付出，最後可能就以分手收場。

可是在現實中，你我身邊可能也曾出現類似的例子：平常看起來都好好的，怎麼就突然分手／離婚了？或是：明明就常吵架、不開心，卻在一起很久都沒分開！家庭研究學者 Lewis 與 Spanier 提出了「婚姻品質與穩定交換模型」來解釋這樣的情況：他們認為，會影響伴侶決定是否維持關係的因素包含四個：「關係滿意程度」、「關係緊張程度」、「替代選擇的吸引力」與「關係解組的阻礙」。

• 關係滿意程度：伴侶間的愛、依賴與信任等正向關係
• 關係緊張程度：伴侶間的衝突、緊張等負向關係
• 替代選擇的吸引力：選擇單身或是其他對象的吸引力
• 關係解組的阻礙：投注的時間成本、社會觀感、人際壓力

在「婚姻品質與穩定交換模型」中，「關係滿意程度」與「關係緊張程度」在Ｘ軸施予影響，而「替代選擇的吸引力」與「關係解組的阻礙」在Ｙ軸作用（如圖）。

四個因素會在伴侶關係中有不同程度的影響，箭頭越長代表作用力越大，使這對伴侶有不一樣的關係樣貌：

鶼鰈情深型：「關係滿意程度」高、「關係解組的阻礙」高

伴侶之間關係品質好也很穩定，較不容易分開。

見異思遷型：「關係滿意程度」高、「替代選擇的吸引力」高

伴侶之間關係雖然不錯，但外在可能有太多其他吸引力，所以關係不太穩定。

貌合神離型：「關係緊張程度」高、「關係解組的阻礙」高

伴侶之間關係不好，但可能因為分開會有不好的影響（例如擔心他人眼光等等），而選擇穩定的維持關係。

勞燕分飛型：「關係緊張程度」高、「替代選擇的吸引力」高

伴侶關係不好且外在有很多更好的吸引力，這種關係非常容易結束。

在《我們不能是朋友》中，周惟惟和黎皓一剛開始感情還算不錯，但因為生活中出現了變化，使得兩人之間有很多不開心和衝突，好巧不巧褚克桓又在同一時間出現在惟惟的生活中，在她需要的時候給予陪伴和支持，這些點點滴滴的互動或許都讓惟惟在不知不覺中增加對克桓的好感，「替代選擇的吸引力」越來越高，所以關係越不穩定。

而褚克桓和高子媛這對，在劇情一開始關係似乎就不是太好，但克桓為了守著他要照顧子媛和子婷姊妹倆的承諾，所以一直沒有把分手說出來，直到周惟惟的出現，讓他的「替代選擇的吸引力」增強，所以關係更容易結束。

褚克桓：「我喜歡你，和不愛子媛，這是兩回事，最多，就是你給我勇氣處理這件事情。」

——對克桓來說，惟惟就是他的「替代選擇」，是他面對自己情感的主要動力。

或許周惟惟一直以來都對自己的情感壓抑，不願承認自己已經動心的事實，但她會與黎皓一會分手，除了倆人感情本身有很多沒有溝通的問題之外，褚克桓的存在也的確使惟惟察覺到原本的感情出現了問題、自己的感受出現變化；她會與黎皓一會分手，或許褚克桓不是主要原因，但多少會有一點關係。

愛情不是損益平衡，仍須彼此「互惠」

有人覺得用酬賞、成本來比較關係的好壞是一件過於理性的事，談感情比談金錢還要有更多複雜的因素。然而，不管是在研究還是現實生活中，我們都能觀察到，如果一個人覺得總是只有自己在付出，而沒有得到對方的回應，心裡的不公平感受會越來越多（延伸閱讀：只要「你好就好」的愛情真的好嗎？從《我們不能是朋友》解答「為愛犧牲」的三個問題），當你得不到對方的愛時，你也多少會考慮是否該繼續花時間和心力在他身上。

若能給彼此多一點體諒、多一些關心和問候，或許都能讓心裡多更多溫暖。

參考資料

• 周麗端、吳明燁、唐先梅、李淑娟（1999）。婚姻與家人關係。新北：空大。
• Spanier, G., & Lewis, R. (1980). Marital Quality: A Review of the Seventies. Journal of Marriage and Family, 42(4), 825-839. doi:10.2307/351827

本文轉載自「雞湯來了」《我們不能是朋友》為什麼穩定交往中，還是會對別人心動？ —從「婚姻品質與穩定交換模型」來解答