工作虛累累～檢查看看，你過勞了嗎？

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

邁向 2050 淨零轉型，當企業在面對客戶價值鏈要求時，導入 ESG 早已成為提升營運績效的重要指標。而「產品碳足跡」是企業在品質、價格、規格之外，貼近客戶價值鏈、爭取國際品牌廠青睞的重要關鍵。透過本文一起深入探討，如何有效率地開展產品碳足跡計算與報告領域。

本文轉載自宜特小學堂〈把握淨零轉型契機　用產品碳足跡提升 ESG 績效〉，如果您對半導體產業新知有興趣，歡迎按下右邊的追蹤，就不會錯過宜特科技的最新文章！

全球氣候變遷早已成為國際間重要環境議題，目前不同國家和地區具有針對碳足跡的要求和指南，例如：法國的 ADEME（環境和能源管理署）指南和日本的碳足跡計劃；而國際大廠（包含 Microsoft 及 Bosh 等車電大廠等）也積極推動供應商碳足跡管理，以降低整體供應鏈的碳排放，致力於實現其永續發展目標（Sustainable Development Goals，簡稱 SDGs）。臺灣也針對「2050 淨零轉型」提出四大策略及兩大基礎。

企業導入產品碳足跡可以幫助其成為客戶 ESG（Environmental, Social, and Governance）發展策略中重要合作夥伴，促進長期合作關係。然而，在企業開始進行碳足跡計算時，常常會面臨邊界設定、數據收集與量化等方面的各種問題，不知道該從何下手導致進展受阻。

宜特科技已有為數百家企業提供輔導服務的豐富經驗，成功協助客戶獲得多項增值認證，順利進入國際產業供應鏈。在本文中，我們將分享透過實例經驗，並深入探討如何有效率地開展產品碳足跡計算與報告領域，滿足客戶在 ESG 需求，從而幫助企業在國際供應鏈中保持競爭優勢！

產品碳足跡-基於生命周期評估（Life Cycle Assessment，簡稱 LCA）

碳足跡是一種特定的環境指標，用於量化某個活動、產品或服務在生命周期內，直接和間接產生的溫室氣體排放量，通常會以二氧化碳當量（CO_2e）來表示。而產品碳足跡是基於 ISO 14040  和 14044 所定義之系統化的方法，針對整個生命周期中對暖化的影響加以評估，這其中包括從原材料的獲取、製造、使用到最終處置的各個階段排碳量。

( 一 ) ISO 14040：生命周期評估原則與框架（Life Cycle Assessment-Principles and Framework）提供了 LCA 的總體框架和原則，涵蓋了 LCA 的基本概念、應用範圍和限制，以及進行 LCA 的基本步驟和程序。

( 二 ) ISO 14044：生命周期評估需求與準則（Life Cycle Assessment-Requirements and Guidelines）描述了 LCA 各階段的技術要求，包括數據收集、數據品質、影響評估方法和解釋結果的方法。ISO 14044 對 LCI（Life Cycle Inventory，生命周期清單）　的實施提供了全面指導和技術要求，LCI 作為 LCA 的一個關鍵階段，在 ISO 14044  的框架下進行，可以確保其數據的品質和結果的可靠性。常見 LCI 如下：

綜合上述 LCA 提供了一個全面的環境影響評估，可以幫助企業和決策者了解各種環境影響並進行綜合決策；LCA 涵蓋了多種環境影響指標（如暖化效應、臭氧層破壞、資源消耗、酸化效應、生態毒性等），而碳足跡是則聚焦於暖化效應。

產品碳足跡系統邊界設定：

設定產品碳足跡盤查範疇（Boundary）是準確量化碳足跡的關鍵步驟。此過程包括確定哪些生命週期相應階段、活動和排放源應被納入碳足跡計算，並據此推動相關減排措施。基於生命週期的產品碳足跡，通常會涵蓋以下幾個主要階段：

1. 原材料獲取：從自然資源中提取和加工原材料。
2. 生產：製造和裝配產品的過程。
3. 運輸和配銷：產品從生產地運輸到消費地的過程。
4. 使用：產品在其使用壽命期間的階段。
5. 最終處理階段：產品使用壽命結束後的處理，包括回收、再利用或廢棄處置。

完成生命週期設定後，需要進一步定義產品系統的邊界，包括哪些過程和活動應該納入盤查範疇。例如對於包材，應涵蓋包材的生產、製程中的能源消耗以及廢棄包裝的處理等完整階段，以供後續執行數據分配，如下圖所示：

若屬於 B2C 產品將涵蓋上述完整五個階段，而 B2B 產品則只包含上述前兩階段；下圖是 B2C 產品碳足跡的案例。

量化產品碳足跡：依據 ISO14067 產品碳足跡來量化要求與指引

ISO 14067 提供了關於如何量化產品碳足跡的詳細指引，產品碳足跡計算基於「活動數據」與「排放係數」，下圖為相關案例。

( 一 ) 如何蒐集活動數據

基於生命週期的不同階段，說明如下：

  1. 原材料階段

• 原材料（包含輔材與包材）使用量：每種原材料的數量和重量。
• 原材料製造過程的排放：包括從自然資源提取和加工過程中的溫室氣體排放。
• 運輸數據：原材料從提取地點到加工廠的運輸距離和運輸方式（如貨運、海運等）。

  2. 生產階段

• 能源消耗：生產過程中使用的電力、燃料（如天然氣、汽柴油）等能源的消耗量。
• 製程排放：生產過程中直接排放的溫室氣體（如化學反應產生的排放）。
• 廢棄物管理：製造過程中產生的固體廢棄物、廢水和廢氣的處理過程中，涉及燃燒、分解等清理方式之處理量。

  3. 運輸和分銷階段

• 運輸距離和方式：產品從生產地到消費地的運輸距離和運輸方式。
• 運輸工具的能源消耗：運輸過程中運輸工具的燃料消耗量和類型。

  4. 使用階段

• 使用過程中的能源消耗：產品在使用過程中消耗的能源（如家電使用的電力，車輛使用燃料等）。

  5. 最終處理階段

• 廢棄物處理方式：產品生命終期（End of Life）不同處理方式（如焚燒、掩埋）對應之處理量。

( 二 ) 蒐集與應用排放係數

藉由排放係數（Emission Factors，簡稱EF）可將活動數據（如能耗、材料使用等）轉換為溫室氣體排放量。ISO 14067 提供了量化產品碳足跡相關指引，幫助企業有效地收集和應用排放係數。以下是收集和使用排放係數的步驟和建議：

1.選擇排放係數來源

• 官方資料庫：使用來自政府和國際組織的標準化排放係數，例如： United States Environmental Protection Agency（EPA）的排放係數資料庫、European Environment Agency（EEA）的排放係數、國際能源署（IEA）的能源數據以及台灣碳足跡資料庫。
• 供應商提供的一手數據（Primary Data）：來自供應商自行盤查的數據。
• 第三方商業資料數據：市售第三方商業數據庫和工具，如 Ecoinvent（Simapro）和 GaBi。

2.評估和選擇排放係數

• 地理相關性：確保排放係數與產品生產和使用的地理位置相關。例如，電力生產的排放係數在不同國家或地區可能差異很大。
• 時間相關性：使用最新的排放係數數據，因為技術更新可能會影響排放量。

 3.應用排放係數

• 計算流程標準化：在計算產品碳足跡時，應建立標準化計算流程來應用排放係數，確保一致性和可比性。
• 善用軟體工具：使用專門 LCA 軟體工具來管理和應用排放係數，如 SimaPro、GaBi 等。
• 數據整合：將排放係數整合到產品碳足跡的計算公式中，與活動數據（如能源使用、材料消耗等）相結合，以計算總的溫室氣體排放量。

確保碳足跡量化數據品質

ISO 14067 對數據品質管理提出了明確的要求，以確保產品碳足跡量化準確性和可信度。以下是 ISO 14067 對數據品質管理的主要要求：

1. 數據品質的評估指標

• 代表性（Representativeness）：數據應該反映真實的情況，包括地理範圍、時間範圍的相關性。
• 一致性（Consistency）：應使用一致的方法和假設來收集和處理數據，確保不同數據集之間的可比性。
• 可靠性（Reliability）：數據應該來自可信的來源，並經過適當的驗證。
• 精確度（Accuracy）：數據應該盡可能準確，減少誤差。
• 完整性（Completeness）：數據應該包含生命週期各階段重大排放，確保碳足跡計算的全面性。
• 可追溯性（Traceability）：數據來源和處理方法應該可追溯至原始單據，以便審查和驗證。

   2. 管控數據品質

• 內部稽核：定期進行內部查核，評估數據品質，確保數據的準確性和可靠性。
• 外部驗證：在必要時，進行外部驗證，確保數據和碳足跡計算結果的可信度。

   3. 執行數據敏感度分析

• 碳足跡的敏感度分析是確保碳足跡計算結果的可靠性和準確性的重要步驟。敏感度分析有助於識別和理解不同參數對碳足跡數據的影響，從而幫助決策者進一步優化產品環境表現。
• 執行方式為識別在碳足跡計算中使用的所有主要參數（能源消耗、材料用量、排放係數）等。選擇那些對結果有較大影響或存在較大不確定性的變量進行分析。
• 執行方式為單因素分析（逐一改變每個變量，在保持其他變量不變的情況下，逐一調整每個變量的值，計算並記錄每次調整後的碳足跡結果）或多因素分析（同時改變多個變量，評估這些變量之間的交互作用及其對碳足跡結果的綜合影響）。
• 根據敏感度分析結果，提出具體的改進方案，例如替換高碳排放材料、提高能源效率等。

 4. 持續改善和更新

• 持續改進：定期檢討和改進數據收集和處理流程，採用最新的技術和方法，提高數據品質。
• 數據更新：根據最新的技術、方法和排放因子，定期更新數據，確保碳足跡計算的準確性。

ISO 14067 對數據品質管理的要求涵蓋了數據收集、評估、管控、改進的各個方面。通過遵循這些要求，企業可以確保其產品碳足跡計算的數據是準確、可靠和透明的，從而提高碳足跡報告的可信度和科學性。

碳足跡與產品環境宣告（Environmental Product Declaration）：

產品碳足跡和產品環境宣告（Environmental Product Declaration，簡稱 EPD）是兩個相關但不同的概念，它們都提供產品的環境衝擊資訊，以幫助企業與消費者做出更可持續的選擇。

產品環境宣告是根據 ISO14025 國際標準所編制的技術文件，提供產品在生命周期內的環境影響資訊。EPD 基於生命周期評估（LCA）數據，可申請第三方認證。產品碳足跡通常是 EPD 中的一部分數據，尤其是在全球變暖潛勢（GWP）方面。EPD 包含了更廣泛的環境影響數據，而碳足跡專注於溫室氣體排放，相關範例如下：

產品碳足跡和產品環境宣告（EPD）兩者都是評估和傳達產品環境影響的重要工具。產品碳足跡專注於溫室氣體排放，而 EPD 則提供全面的環境影響資訊。兩者結合使用，可以幫助企業和消費者做出更可持續的選擇，推動環境保護和可持續發展。除了 ISO14067 外，溫室氣體議定書（GHG Protocol）也提供了計算產品碳足跡的詳細指導方針和方法。

自 2011 年起，宜特透過經濟部技術處科技專案「產品碳足跡與節能減碳資訊服務平台暨工具開發計畫」，積累輔導國內指標企業導入碳足跡的豐富經驗。我們認為，供應商碳排占比與減量機會，都是彰顯「產品環境績效」之關鍵，這正是導入碳足跡的重要目的之一。

因此供應商實地盤查至關重要，尤其針對排放貢獻占較大的本土供應商，宜特已定義出約 30 種盤查指標，企業可利用相關數據，偕同供應商建構減碳價值鏈。

我們輔導的客戶中包含全球知名代工龍頭廠、半導體設備製造廠、IC 設計廠商、光電業、電子元器件製造業、電子系統廠、傳產等國內上市櫃公司。在 ESG 輔導方面，亦有協助溫室氣體盤查、產品碳足跡、氣候相關財務揭露建議（TCFD）及 SBTi （科學基礎減量目標倡議，Science Based Targets Initiative）與 ISO 50001 能源管理與節能等相關輔導服務。

本文出自 宜特科技。

框架問題理應提醒我們，我們只要自動腦補就一定會犯錯。我們確實向來如此。不過「人類」這個對象不同於 AI 研究人員開發的機器人或電腦，並不會讓我們訝異到必須被迫改寫思考時的整個心智模式。相反地，一旦我們知道答案，就似乎總能找出先前被忽略、後來明顯相關的面向，就像拉扎斯菲爾德假想的《美國士兵》讀者——他們在事後發現，每一個對立的結果都同樣理所當然。

也許我們原本預期自己中了樂透之後會超級開心，結果中獎之後，卻發現自己很鬱悶，這個預測顯然很糟糕。但當我們意識到自己預測錯誤時，同時也獲得新的資訊，例如那些突然出現要借錢的親戚。於是我們會心想，如果早點知道這些資訊，就可以正確預測未來的幸福狀態，也許就不會去買樂透彩了。

因此，我們沒有質疑自己預測未來幸福程度的能力，反而只是認為我們漏掉了一些重要的東西，並且確保自己不再犯相同錯誤。然而我們卻一錯再錯。事實上，無論對於他人行為的預測失準了多少次，我們總是可以用當時未知的事情做為辯解。透過這種方式，我們掩蓋了框架問題，一再說服自己下次會做好，卻永遠都不明白我們真正錯在哪裡。

這種行為模式在動機與金錢報酬的關係中最為明顯，也最難消除。例如，實施金錢獎勵制度顯然能提升員工表現，而且數十年來，職場上大幅出現以績效為基礎的薪資制度，最具代表性的就是高階主管薪酬與股價掛鉤。

當然，員工在意的顯然不只薪水，還有內在的愉悅感、認同感，以及在個人職涯上的成長與晉升等因素，這些都會影響工作表現。

在其他條件都相同的情況下，適當的金錢獎勵可以提升個人表現——這似乎理所當然。然而，多年來有多項研究顯示，薪酬與工作表現之間的關係，實際上的複雜程度讓人難以想像。

舉個例子，最近我跟雅虎（Yahoo!）的同事梅森（Winter Mason）進行了一系列網路實驗。我們給予受試者不同的薪資，並要求他們執行各種簡單的重複性工作，例如：按照正確的時間順序排列一組車流照片，或是在矩形網格上，找出隱藏在一堆英文字母中的英文單字。

所有受試者都是在亞馬遜土耳其機器人（Amazon’s Mechanical Turk）這個外包網站上招募而來，這個網站是亞馬遜公司於二○○五年推出，原先是用來找出重複的庫存商品。現在有數百家企業使用土耳其機器人進行「群眾外包」（crowd-source），處理五花八門的各種任務，像是標示圖片中的物品、描述新聞報導的觀點，或是判斷兩種說法中哪一個比較清楚。這個網站也是招募心理學實驗受試者的一個有效方法，就像心理學家多年來在大學校園裡張貼廣告那樣，不過土耳其機器人網站的「託客」（turkers）完成一件任務的報酬通常只需要幾美分，只占了研究經費的一小部分。

我們的實驗總共納入數百位受試者，完成了數萬件任務。有些受試者完成一件任務只能得到 1 美分的酬勞，例如整理一組圖片、找出一個單字。但是，有些受試者完成相同任務卻會得到 5 美分或 10 美分。這在工資上是相當大的差異，要知道，美國電腦工程師的平均時薪只有聯邦最低工資的六倍，所以你可以預期這個工資差異會對受試者的行為產生強烈影響。

結果確實如此。我們付的錢越多，受試者離開實驗之前完成的任務就越多。我們還發現，不管工資多少，分配到「簡單」任務（每一組有兩張圖片需要歸類）的人，比分配到中等或困難任務（每一組有三至四張）的人完成更多任務。換句話說，這些都符合常理。

但接下來的問題是：雖然存在上述差異，我們發現這群受試者的工作品質，也就是歸類圖片的準確度，並不會因為工資不同而下降，即使只有正確完成才能拿到酬勞。

該如何解釋這個結果？我們並不十分確定。在受試者完成任務之後，我們問了一些問題，包括他們認為自己的工作該得到多少報酬。有趣的是，他們的回答與工作難度無關，而是取決於獲得的工資。平均而言，每件任務得到 1 美分的受試者，認為自己該得到 5 美分。得到 5 美分的認為自己該得到 8 美分，而得到 10 美分的則認為自己該得到 13 美分。

換句話說，不論他們實際上得到多少（還記得有些受試者的工資是別人的十倍嗎），每個人都覺得工資過低。大家在直覺上會認為，給予金錢獎勵就能夠提升員工的動機，但這個實驗告訴我們，即使是非常簡單的工作，工作動機也會因爲員工的權利意識提升而大幅減弱。

——本文摘自《超越直覺》，2024 年 01 月，一起來出版，未經同意請勿轉載。