打擊犯罪：我們是「黑暗騎士」？還是「黑暗」而已？

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

我們都不喜歡被欺騙，因為被騙除了心理上覺得受傷外，時常會伴隨著一些利益損失。個人被騙還算小事，一旦欺騙的狀況普遍在社會中出現，就會嚴重破壞人與人之間的信任與合作，進而影響到整個社會的穩定。因此人類社會發展出不少辨識與對抗欺騙者的手段，當然這個過程中，騙子也不斷發展出各種應對方法。但除了人類，動物之間也會為了自身利益進行欺騙。那牠們是如何對抗欺騙呢？近期發表在 Science Advances 上的研究就揭示了其中一種方法¹。

溝通與欺騙

聲音做為動物訊息溝通的一種方式，方便又快速，但這種方式也很容易被騙子利用。例如科學家們就發現，一些靈長類和鳥類會藉由發出假的警告聲來讓同類生物誤以為危險接近，進而離開該地區。這時，這些騙子就能獨享該地區的資源。

這種假的警告聲在同種生物間的欺騙效果非常有效，因為忽視警告聲的代價非常高。如果為了對抗騙子而選擇忽視警告聲，那一旦遇上真的危險很快就 GG 了，因此野生動物多半不會忽略任何警告聲。

那有甚麼辦法能對抗這種欺騙呢？以人類為例，如果有人重複欺騙行為，我們就會記住該人不值得信任，並且將的他的壞名聲告訴團體中的其他人，這樣其他人就知道他不可信任。另一種方式是施行懲罰，一旦發現欺騙的人我們便給予懲罰，讓他不敢再犯的同時，警告其他人最好也不要騙人。

但上述的這兩種方式並不太適合野生動物使用。首先你要被騙好幾次才能記住這個騙子不能相信。另外在懲罰騙子時，搞不好對方會反抗，你也會受傷。不論哪種方式，對生活在自然的野生動物來說，成本都頗高。

那怎樣的方式既能防止騙子，成本又最低呢？來自德國康斯坦茨大學與荷蘭瓦赫寧恩大學的研究者，根據對北噪鴉的研究，發現一種有效的方式¹。

北噪鴉的生活模式

北噪鴉 (Perisoreus infaustus) 是生活在歐亞大陸北部的鳥類，牠們偏好小型團體生活（通常由一對生育者和最多五隻其他北噪鴉組成），一個北噪鴉團體通常會生活在一個範圍為 0.5 – 1 平方公里的領地中，而這個領地對於提供團體成員食物資源非常重要。因此北噪鴉有著很強的領地意識，一旦有其他非團體的北噪鴉侵入領地，領地內的北噪鴉便會發起進攻，以肢體衝突的方式把入侵者趕走。

北噪鴉的主要天敵為老鷹，當團體內的成員在領地內發現老鷹接近，牠們便會發出警告聲，讓領地內的其他同伴趕緊去避難。然而，這種保命用的警告聲正是騙子可以利用的機會。

北噪鴉的鄰居也會發出警告聲來示意老鷹的接近，不過有時這並非善意的警告。這些鄰居的警告聲有時是為了欺騙領地內的團體成員，讓牠們誤以為老鷹接近，藉此讓團體成員離開去避難。而這時，這些騙子便能不費吹灰之力的入侵該領地，獨享食物資源。

正如前文所提到，忽略任何警告聲對動物來說都很危險，畢竟有時候鄰居發出的警告確實是真的。那北噪鴉究竟該如何對抗這種欺騙行為呢？這也是研究團隊所好奇的問題。

北噪鴉的防騙守則：只相信自己人！

為了觀察北噪鴉如何避免被騙，研究團隊設計了實驗。實驗進行前，研究人員會先錄製北噪鴉的警告聲，而這些警告聲有三個來源：自己團體內的前成員、領地附近的鄰居、從未遇過的陌生北噪鴉。

接著研究團隊會設置一個誘食器，吸引成年的北噪鴉單獨前來。研究團隊同時會在誘食器附近架設攝影機和喇叭，藉此來觀察北噪鴉在聽到不同來源的警告聲後，會有怎樣的反應與行為。

研究團隊首先發現，只要北噪鴉聽到警告聲，都會離開誘食器。這符合前面所說的，野生動物不會忽略任何警告聲。雖然北噪鴉聽到警告聲都會離開誘食器，但根據警告聲的來源不同，北噪鴉的反應時間也不同。

當警告聲來自團體內的前成員，北噪鴉立刻就會離開誘食器；若警告聲是來自鄰居或陌生個體，北噪鴉則會稍微觀望一下再離開。這顯示北噪鴉似乎比較相信社會關係比較近的個體所發出的警告聲。為了驗證這個想法，研究團隊又進行下一個實驗。

這次他們測試北噪鴉在聽到警告聲離開誘食器後，會花多久時間才回來，而這個實驗的結果和上面的實驗完全相反。當北噪鴉聽到鄰居或陌生個體的警告聲而離開後，很快就會回到誘食器上；但如果是聽到團體內前成員的警告聲，則會花更多時間觀察，然後才會回到誘食器上。

綜合以上的結果，研究團隊認為北噪鴉確實有對抗欺騙手段的簡易方法：只相信社會關係較近的個體，也就是「自己人」。

方言的形成

這個結果讓研究人員確認了，北噪鴉能辨識並長期記住團隊成員（包含離開團體 2 ～ 3 年的前成員）的警告聲。根據聲紋測試，不同來源的警告聲確實有所不同，但北噪鴉究竟是如何辨識這些差異、又是在生長過程中的何時記住這些差異，仍有待研究。

另外這個實驗也證實了，光有熟悉不足以產生信任。北噪鴉每天都會接觸到鄰居，對鄰居們是非常熟悉的。但是聽到鄰居警告聲的反應，竟然和聽到陌生個體的反應幾乎是一樣的。為甚麼呢？因為鄰居為了獲取資源，施行欺騙的機率較高，但北噪鴉又不能忽視任何警告聲，所以成本最低的防詐騙方式，就是只信任同團體成員所發出的警告，並對該警告予以高度重視。

研究團隊認為這個方式和人類有相似之處，想想在我們的生活中，比起每天都遇到的鄰居，我們更願意相信和自己同團體的人（這邊的團體不只有親緣關係，宗教信仰、社團活動也都是）。而為了避免被欺騙，團體也會發展出專屬語言來對抗，而方言就是一種專屬語言。方言顯示了人類語言的多樣性，團體也可用方言來識別自己人，因此研究團隊認為形成方言的底層動力，很大機率就是為了對抗騙子所產生的。

雖然這個想法有一定的道理，不過要驗證這個想法，就需要生物、社會、人類和語言學家共同研究，才能一窺其中的可能了。雖然方言的形成仍有待研究，但這篇研究所揭示的簡易防詐騙手段，即使在複雜的人類社會中，似乎也是一個實用且成本低的好方法呢。

參考資料

1. Cunha FCR, Griesser M. Who do you trust? Wild birds use social knowledge to avoid being deceived. Sci Adv. 2021 May 28;7(22):eaba2862.

且讓我們先問個假設性的問題：如果你在捷運站遇到偷兒「拿」走了你的錢包，你會希望只拿回錢包？或是還希望「復仇」一下？

新的研究指出，你的答案取決於偷兒是否比你好野（有錢）。

根據大多數的經濟理論，自我利益是人類行為的主要動力，然而，研究指出我們時常犧牲自己的利益去懲罰騙子。舉例來說，經典的經濟學實驗──最後通牒遊戲（ultimatum game）──互不認識的甲乙兩人被帶進了一個房間，甲擁有一筆錢，他可以隨意比例的把這筆錢分給乙，只要乙接受這筆錢，兩人就可以各自拿錢離開；但要是乙不接受，甲就會失去所有，乙也一無所得。這個的結果顯示，乙不會淡然接受任意金額，寧可兩敗俱傷，也拒絕過低比例的金錢分享。

1999年，瑞士經濟學家Ernst Fehr與Klaus Schmidt將乙這樣的反應稱為「厭惡不公平（inequity aversion）」，他們假設這樣的行為對合作與喊價叫賣是不可或缺的，且與想報復心態，或社會學家口中的「互惠原則（reciprocity）」是不相同的。然而Fehr說，要把厭惡不公平與互惠兩者的動機在實驗中拆解並不簡單，「這是一個研究多時仍得不到一個完滿答案的問題。」

針對這個問題，倫敦大學學院的演化生物學家Nichola Raihani與哈佛大學的Katherine McAuliffe有了新的實驗，去探討是我們懲罰騙子的動機為何。這個研究由線上找來了560名志願受試者，透過簡單的線上遊戲做實驗，兩人為一組，其中一人被指定當騙子，另一人則是被騙的。每組人被隨機分派至三種情境之一：第一種情境是，騙人者原本擁有的錢比被騙者顯著的還少，騙人者可以選擇去「偷」被騙者20分錢，但即使如此他的財富還是遠不及被騙者；第二種情境是，騙人者與被騙者原本擁有的錢不相上下，當騙人者偷被騙者20分錢，兩人的財富則會均等；只有在第三種情況，當騙人者偷被騙者20分錢後，騙人者的財富會高過於被騙者。

之後，當被騙者有機會支付10分錢來懲處騙人者時，有趣的事情發生了！Raihani說，在前兩種情境，被騙者付錢來懲罰騙人者的比例大約相同。這也包含一些「基本上行為糟透了（baseline horrible behavior）」的被騙者，即使騙人者在遊戲過程中根本沒有「偷」他的錢，照樣懲罰騙人者。然而，當騙人者在「偷」被騙者之後，財富明顯的高過被騙者時，被騙者願意付錢來懲處騙人者的比例則是前兩種情境的兩倍以上。Raihani說：「這個結果令我們很驚訝，我以為會有相反的結果。」這篇研究刊載在《生物通訊（Biology Letters）》上，結果支持了是公平感，而非為了以牙還牙的報復心理，促使我們懲處騙人者。

「還不能這麼快下結論！」新墨西哥州聖菲研究所的行為為科學家Herbert Gintis家宣稱，這個實驗的設計使得被騙者根本無法報復，「人們懲處的是一個不好的意圖。儘管兩人配對是透過電腦隨機任意安置，但所有被騙者都知道，扮演騙人者的那個陌生人是被安排好有意要來『偷』錢的。想要說明究竟互惠原則是不是動機的因子之一，應該加入控制組，也就是騙人者應該不使用真人，而由電腦控制。」

而Fehr則比較正面著評估這個問題，「我說了這個不公平理論，所以我當然喜歡這個實驗結果。」他笑者說，「這個資料看起來不賴，而且說明了人們決定要不要懲罰他人，與彼此的財富是否均等有很大的關係。」不過他同意Gintis的說法，這個結果並不能說明互惠的部分，如果試著改用電腦當騙人者也能做出一樣的結果，「那將是非常有力的證明。」

原文網址：Science Now：Punishing Cheaters: Are We the Dark Knight—Or Just Dark? [2012-07-17]

• 作者／湯姆．巴特勒－鮑登（Tom Butler-Bowdon）；譯者／王曼璇

在《一次讀懂哲學經典》這本書中，作者湯姆•巴特勒－鮑登想要透過五十本哲學經典，帶領讀者認識哲學世界中啟發不同世代人們的各種觀點和思想。本文中我們轉載了關於《鬼扯連篇》的介紹。

二〇〇五年，一本只有六十七頁的書意外躍上暢銷書之列，它似乎挖掘出美國及英國發動第二次波斯灣戰爭中大眾對此的恐慌，而它的訊息也在特定事件之外得到共鳴。

哈里．法蘭克福，一名普林斯頓大學的道德哲學教授說，我們周遭圍繞著屁話，但我們看不出這是什麼，所以我們需要一個放屁理論。

放屁與欺騙哪裡不一樣？

法蘭克福問，是否放屁就和「鬼扯」一樣。

一九八五年馬克斯．布萊克（Max Black）所著之《鬼扯連篇》（The prevalence of Humbug），定義鬼扯是「欺騙的錯誤陳述，欺騙的成分較少，主要是裝腔作勢的話語或舉動，大多是某人自己的想法、感覺、態度。」

放屁與鬼扯相似，都是故意誤導的企圖，但沒有徹底的謊言。

放屁也是一種裝腔作勢，是有意識地扭曲人看清情勢的錯誤陳述。

因此，鬼扯與放屁都是意圖創造我正在思考或相信某事的印象，即使我沒有站出來實際地說出口。在這個差距中，即使我沒有說謊，不信任感也會出現。鬼扯的主要目的不是透過改變「事實」，創造不同的現實，而是讓別人對說話者有不同的看法。

舉例來說，大型政治演說的目的不是述說世界實際的樣貌，真正的目的是讓演說者看起來就像個愛國、高尚的人，甚至是道德捍衛者。

法蘭克福的結論是，鬼扯並沒有捕捉到放屁的真正本質。他引用美國詩人朗費羅（Longfellow）的詩句解釋：「藝術的往昔時光／工匠無不細心雕琢／每分每秒無微不至／因為上帝無所不在」，一個固守舊風的工匠不會做出讓人印象深刻的事？恰恰相反，他們會確保每個細節都是精確的，沒有人可以找出他們工作的痕跡。反之，粗製濫造的物品都是放屁，過程中沒有顧慮到時間、工匠、照護的細節，一切都希望得到短期效應，只有製造者因此受惠，品質和耐久性都不在考量之內。

法蘭克福提到一段費妮雅．帕斯卡（Fania Pascal）與他的朋友維根斯坦的回憶，費妮雅在醫院進行扁桃腺手術時，維根斯坦打電話給她，她對維根斯坦說，手術後她覺得自己就像「被車輾過的狗」，維根斯坦不以為然地說：「妳根本不知道被車輾過的狗是什麼感覺。」維根斯坦的重點並不是狗的感覺，而是一個語言分析學者認為帕斯卡並沒有善用語言，她既沒有好好地陳述自己的感覺，也不能知道狗的感覺。雖然維根斯坦的反應的確太大，法蘭克福卻運用這個故事，更新他的放屁定義：這不是單純徹底的謊言，經常也不是謊言，而是不關心事物是否為真。

騙子跟屁話藝術家的不同在「公牛時段」中（一群男人聚在一起談論女人、政治、運動或車子等等），目的並不是為了揭露或陳述任何偉大的真理，談論這些只是為了開心，就像這個動詞「說屁話」，可以只是顯露一個人個性的方式（遠離對某個主題下結論或承諾的世界）。這或許是個聰明的方法，然而，這種自我意識的桌邊對談，沒有人關心真理，就成為一個人存在的方式。想要好好地生活，我們就需要真相，有些人光說不練時，我們就會被激怒。

法蘭克福說：「說謊是極端專注的行為。」這種行為可與工藝元素相關，因為我們必須對所知的事實及公認的道德創造不信任。因此，騙子「為了發明謊言，讓我們認為他知道的是真相」。

反之，一個人想要在生活中透過說屁話的方式擁有更多的自由，他們不需要根據事實編造謊言，比起「建構一個故事」，他們說出來的話甚至不需要與事實或虛構有關。他們有更多的創造力，比較恰當的比喻是藝術，而不是工藝。屁話藝術家不需扭曲或改變事實，因為他們支持或證明自己要做的事，以自己的方式編撰自己，成為自己的主人，不像騙子或誠實的人，說屁話的人一點都不關心事實，事實只有在能幫助他們「逃脫懲罰」時才變得重要。有鑑於此，法蘭克福說：「比起謊言，屁話才是真實的最大敵人。」

哪來這麼多屁話啊？

法蘭克福承認，我們無法說現在的屁話是否比以前多，但肯定的是現在的屁話「不可否認地多」。其中一個原因是，我們許多人被迫談論所知不多的事。民主政體中，我們被期待對各種政治議題有自己的意見，所以我們建議大家避免說「不知道」。此外，我們活在相對的世界中，可以辨別及孤立真理的信念本身就很可疑，揭露什麼是正確的理想，已被真誠的理想取代：

「個人已不是將尋求一般世界的精確表達為首要目標，反而轉為嘗試提供自己的誠實表述，確信現實沒有與生俱來的天性，人們希望辨別事物的真相，而致力於讓自己的本性成為真實。」

雖然法蘭克福並沒有提到他，但我們可以說這種特殊的廢話起源於哲學家蒙田，蒙田非常坦然地說，事實上他對世界所知甚少，所以只好回頭檢視他確實知道的事物：自己。法蘭克福指出這個觀點中的瑕疵：我們不能一邊說我們有對自己正確、真實的觀點，同時又說其他事情沒什麼可說的。反之，我們是越了解這個世界，越可能揭露自身的真相。

總評

謊言會讓人震驚或驚呼，但我們會接受它，畢竟它與人類的本性一致。然而屁話，特別是它從個體擴展到組織、政府，就是不正當的行為，是人性的腐敗。拒絕「真理的權威」，接受販售或編織故事會導致如希特勒、柬埔寨共產主義者波布（Pol Pots）這類狂人崛起，他們渲染歷史，讓它看起來如此迷人，因而吸引百萬追隨者。

屁話很重要，所以才發展為放屁論，法蘭克福為哲學做出重大貢獻。當然，也有人以別種方式寫作這類主題：例如說，哲學家沙特給我們「本真性」概念，但這是另一本冗長、艱澀的書中提到的概念。如果有更多哲學家可以用通俗的用語，寫一本非常簡潔的書，例如《放屁》，他們對一般人的影響力必會增加許多。

哲學家──哈里．法蘭克福

法蘭克福出生於一九二九年，一九五四年在約翰．霍普斯金大學（Johns Hopkins University）取得博士學位。先在耶魯大學（Yale University）、洛克菲勒大學（Rockefeller University）任教，後在普林斯頓大學取得教職，在該校擔任道德哲學教授直到二〇〇二年。他的學術興趣領域包括笛卡爾哲學中的理性及真理、自由意志決定論議題（特別是對道德責任的暗示）、同理心及愛。其他著作包括一九八八年《事關己者》（The Importance of What We Care About）、二〇〇四年《愛的理由》（The Reasons of Love）、二〇〇六年《真話》（On Truth）、二〇〇六年《認真待己、好好做人》（Taking Ourselves Seriously and Getting It Right）。《放屁》最早出版於一九八六年文學季刊《拉里坦》中。

——本文摘自《一次讀懂哲學經典》，2019 年 6 月，時報出版

且讓我們先問個假設性的問題：如果你在捷運站遇到偷兒「拿」走了你的錢包，你會希望只拿回錢包？或是還希望「復仇」一下？

新的研究指出，你的答案取決於偷兒是否比你好野（有錢）。

根據大多數的經濟理論，自我利益是人類行為的主要動力，然而，研究指出我們時常犧牲自己的利益去懲罰騙子。舉例來說，經典的經濟學實驗──最後通牒遊戲（ultimatum game）──互不認識的甲乙兩人被帶進了一個房間，甲擁有一筆錢，他可以隨意比例的把這筆錢分給乙，只要乙接受這筆錢，兩人就可以各自拿錢離開；但要是乙不接受，甲就會失去所有，乙也一無所得。這個的結果顯示，乙不會淡然接受任意金額，寧可兩敗俱傷，也拒絕過低比例的金錢分享。

1999年，瑞士經濟學家Ernst Fehr與Klaus Schmidt將乙這樣的反應稱為「厭惡不公平（inequity aversion）」，他們假設這樣的行為對合作與喊價叫賣是不可或缺的，且與想報復心態，或社會學家口中的「互惠原則（reciprocity）」是不相同的。然而Fehr說，要把厭惡不公平與互惠兩者的動機在實驗中拆解並不簡單，「這是一個研究多時仍得不到一個完滿答案的問題。」

針對這個問題，倫敦大學學院的演化生物學家Nichola Raihani與哈佛大學的Katherine McAuliffe有了新的實驗，去探討是我們懲罰騙子的動機為何。這個研究由線上找來了560名志願受試者，透過簡單的線上遊戲做實驗，兩人為一組，其中一人被指定當騙子，另一人則是被騙的。每組人被隨機分派至三種情境之一：第一種情境是，騙人者原本擁有的錢比被騙者顯著的還少，騙人者可以選擇去「偷」被騙者20分錢，但即使如此他的財富還是遠不及被騙者；第二種情境是，騙人者與被騙者原本擁有的錢不相上下，當騙人者偷被騙者20分錢，兩人的財富則會均等；只有在第三種情況，當騙人者偷被騙者20分錢後，騙人者的財富會高過於被騙者。

之後，當被騙者有機會支付10分錢來懲處騙人者時，有趣的事情發生了！Raihani說，在前兩種情境，被騙者付錢來懲罰騙人者的比例大約相同。這也包含一些「基本上行為糟透了（baseline horrible behavior）」的被騙者，即使騙人者在遊戲過程中根本沒有「偷」他的錢，照樣懲罰騙人者。然而，當騙人者在「偷」被騙者之後，財富明顯的高過被騙者時，被騙者願意付錢來懲處騙人者的比例則是前兩種情境的兩倍以上。Raihani說：「這個結果令我們很驚訝，我以為會有相反的結果。」這篇研究刊載在《生物通訊（Biology Letters）》上，結果支持了是公平感，而非為了以牙還牙的報復心理，促使我們懲處騙人者。

「還不能這麼快下結論！」新墨西哥州聖菲研究所的行為為科學家Herbert Gintis家宣稱，這個實驗的設計使得被騙者根本無法報復，「人們懲處的是一個不好的意圖。儘管兩人配對是透過電腦隨機任意安置，但所有被騙者都知道，扮演騙人者的那個陌生人是被安排好有意要來『偷』錢的。想要說明究竟互惠原則是不是動機的因子之一，應該加入控制組，也就是騙人者應該不使用真人，而由電腦控制。」

而Fehr則比較正面著評估這個問題，「我說了這個不公平理論，所以我當然喜歡這個實驗結果。」他笑者說，「這個資料看起來不賴，而且說明了人們決定要不要懲罰他人，與彼此的財富是否均等有很大的關係。」不過他同意Gintis的說法，這個結果並不能說明互惠的部分，如果試著改用電腦當騙人者也能做出一樣的結果，「那將是非常有力的證明。」

原文網址：Science Now：Punishing Cheaters: Are We the Dark Knight—Or Just Dark? [2012-07-17]