你的一舉一動源自骨子裏的「内建程式」，還是代代相傳的學習？——從演化論談人類行爲研究

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

苦難與同理心：能激發出援助還是自我關注？

縱貫全文，我們持續主張，苦難演化得十分凸顯、讓我們不能不關注，而且它還得以在子代照護背景脈絡中激發行動。利他反應模型的這項原則，似乎與巴特森（Daniel Batson）和讓．德塞蒂（Jean Decety）以及其他人的普遍觀點互相衝突，後者主張苦難會阻礙援助。

根據同理心──利他行為假設，人們在感到溫暖、柔情、冷靜、關切和慈悲時，會專注關心他人的需求，並提供無私的援助；相反，當發愁、憂心、痛苦、不安和沮喪時，他們就會專注關切自己的需求，並只有在自己的苦難減輕時，才會提供幫助。舉個例子，當實驗室中的學生目睹某人受到痛苦的電擊時，表示感受同理心的觀察者，即便可以離開，也都會伸援，至於感到個人苦難的人，則較少提供幫助，除非他們被迫留下並繼續觀看痛苦的電擊。因此，人們有能力出於無私的原因提供幫助，但可以出於自私的動機行事，以緩解自己的苦難。

我們自己的研究有時確實會披露很棘手的苦難。例如，我們往往會複製出巴特森的發現，遭逢苦難的受害者有可能觸動觀察者的同理心以及負面反應。當人們觀看我們最悲苦醫院患者的錄影時，一部分參與者甚至還表示他們感到驚恐（亦即忐忑、憤怒、驚恐）。這種高度負面的反應還更加引人注目，因為參與者知道，這些是真正的重症病人或末期患者。

因此，當他人表達的苦難會引發多餘的、會感染的負面感受之時，嫌惡反應也就可能因此發生──特別當他們的問題看來很沒有道理或者難以解決。（舉例來說，一位護理師表示，「嗯，對這個問題她打算怎麼辦？」）不過還不算滿盤皆輸，因為比起對快樂的患者，一般人對苦難的患者會看出更多需求、感受更多同理心，並提供更多幫助。不過這種慷慨精神是有侷限的。

例如，倘若參與者必須坐下來陪伴患者，而不是只給他們幾塊錢並不做社交接觸，那麼他們就會提高協助快樂患者的相對偏好度。所以，即便苦難肯定帶來嫌惡的知覺和感受，它仍能成功傳達需求並激發反應，而這也正符合它的設計功能。

倘若我們思忖，在任意給定的情境中，利他反應模型的種種屬性如何權衡取捨，也就能預測這類複雜的關係。舉例來說，飛機上有小寶寶啼哭時，人們就會抱怨。這似乎自相矛盾，因為，我們理當演化來幫助那些身處苦難的寶寶。

啼哭的力量：無助者需求與觀察者情緒的博弈

然而，這種惱怒和模型相符，因為那些寶寶並不是其他乘客熟悉的或有感情紐帶的對象，他們多數人都相隔太遠，不會陶醉於寶寶的可愛模樣，也不知道是哪裡出了問題，所以幫不上忙。因此「飛機上有小寶寶啼哭」經典案例自然會惹人苦惱──這就證明了聲音很凸顯，激使我們去讓它平息──然而我們沒辦法產生同理心，也幫不上忙，因為欠缺界定親代照護的感情紐帶、熟悉度、專門知識和掌控權，況且社會規範告訴我們，不要去碰陌生人的寶寶，進一步約束自身的舉止。

碰到兒童虐待一類狀況時，這種衝突就變得更嚴重了，這時照護者會抽身或甚至攻擊、傷害他們應該保護的兒童。根據研究，由於苦難是如此明顯、有激勵性，而且不容忽視，於是當苦難或啼哭接連持續了好幾個小時或好幾天時，人們也就會變得非常煩躁，特別當沒有明確的解決方案之時（好比，由於寶寶罹患腹絞痛）。

人們必須接受培訓，並在這種情況下獲得支持而非遭受懲罰；他們應該能夠讓自己置身激烈情境之外，好讓自己冷靜下來，而且我們需要提供幫助，好讓照護者能夠休息片刻。釀成這種情況的起因，是由於人類演化出的本性是在相互支持的社會性團體生活中養育兒童，然而如今我們多數人所體驗的西方式工業化獨自育兒方式，卻已經與此脫節所致。

與苦難不能激發援助的情況相反，只要觀察者理解狀況，能介入並對他們的反應抱持信心，那麼即便強烈的和嫌惡的苦難，也依然能夠促成援助。哺乳類動物的神經激素壓力反應之所以演化出現，並不是為了讓我們在工作壓力下能吃餅乾，這種反應的演化，是藉由調動交感和新陳代謝歷程，犧牲了消化和成長等較慢、長期的生理歷程所促成的即時行動。

我們的壓力系統經過演化，能在脅迫下最有效地快速反應，好比當觀察者受了壓力驅使，必須迅速採取行動來幫助某人──假定他們知道該怎麼做，也知道分寸。所以，即便苦難線索啟動你的壓力和自主神經系統，當我們無法行動時──強烈激情和不安找不到明確的出口之時──它們就會產生冷漠、紛擾或攻擊行為，因為這些狀態本身就是演化來激發行動。

人們面臨苦難時，若認為自己有可能遭人操控，也會感到矛盾。由於苦難會激發援助行為，人們有時會偽裝陷入苦難來誘發支持，這有可能讓開始懷疑受害者的觀察者感到困窘、惱怒、生氣或反感。舉例來說，赫迪便曾描述，像狨猿和檉柳猴這類合作養育後代的新世界猴，通常會與無助的寶寶分享食物，特別是當牠們乞求食物之時。

然而，當年輕個體年齡增長獨立生活，成年個體就比較不會與牠們分享食物，而這就會導致年輕個體以愈強烈並引人嫌惡的方式懇求乞討食物，有時訴諸偷竊。這種現象已經在著名的吸血蝠動物模型的利他行為研究中重複驗證，研究發現，成年蝙蝠較少與已經發育超越青少年階段，理當自給自足的蝙蝠分享血餐。

小寶寶確實很無助，起碼在嬰兒早期階段是如此，實在不能認為他們是藉由啼哭來「操控」照護者，起碼不像是幼童、較大兒童和成人那般以刻意的、邪惡的手法來操控。嬰兒有可能「使用」哭聲來激使照護者為他們提供食物、溫暖、撫慰或移除有害刺激物。這是他們溝通需求的僅有方式之一。這些需求有的並不是真的很緊急，不過即便是需求被動照護，好比身體撫慰，也可能影響嬰兒的長期健康和幸福。

例如，寶寶獨自被留在嬰兒床或汽車座椅時，通常就會放聲啼哭，因為他們喜歡照護者充滿愛心的溫暖擁抱。不過這些並不是必須立刻解決的急迫需求（而且就汽車座椅的情況，這說不定正是拯救他們的要素）。

即便寶寶使用哭泣來激使我們幫助他們，我想我們都同意，他們並不是刻意密謀對付任何人，而且他們的要求也相當合理──特別是在面對相當惱人的現代裝置之時。因此，寶寶哭聲的真情實意、毫不誇張，未加操控的性質，提供了一種促成行動的誘發刺激，而且就算出自成年人，我們也依然遵從。

苦難的演化功能：從激發行動到引發嫌惡

人們對於苦難哭聲的音質非常敏感，能區分反映出不同需求的哭聲，好比需要接觸、肚子餓了和疼痛。因此在醫院接受腿部注射的新生兒，所引發的同情比較多，超過在圖書館因無法帶回家的玩具，半哀鳴半啼哭的十八個月大的兒童。後面這樣的哀鳴和啼哭，會讓觀察者感到非常煩躁，他們甚至還可能覺得小孩是在操控而惱火，特別當目標是要取得玩具火車或更多金魚餅乾等獎賞時。然而，聽到新生兒為真正的需求而啼哭時，人們確實會心生同情，這樣的哭聲比較溫和、有規律，並暗示了脆弱的、幼態的、受苦受難和有援助需求的理想組合。

苦難不是單一事物。苦難有多樣化形式和背景脈絡，其中有些有激勵作用，另有些沒有。不過倘若我們從照護無助新生兒的背景脈絡來理解苦難，模式便自然浮現。真正的苦難，肇因於嚴重的急迫狀況，而需要觀察者提供力所能及之幫助的困境是有激勵作用的，而當觀察者不熟悉或沒有形成感情紐帶、不知道該怎麼辦、力有未逮，幫不上忙，或者感覺受了操控，這時苦難就可能引人嫌惡，也不太可能激發援助。

科學文獻有必要更明確地釐清，苦難何時會促使人們走向困難處境，何時則會讓他們遠離，並拿包含利他反應模型屬性的情境（好比受害者與觀察者存有感情紐帶、呈幼態模樣、明顯受苦受難，並需要觀察者力所能及的即時幫助）來與不包含這些屬性的情境進行比對。這些研究將能讓我們就現實世界對苦難之反應範圍方面達成更完整的認識，這類反應並不總是充滿同情，但確實會產生比自我關注更多的可能結果。

——本文摘自《利他衝動：驅策我們幫助他人的力量》，2024 年 11 月，知田出版，未經同意請勿轉載。

***溫馨提醒，本文有小強畫面，請斟酌觀看***

周星馳的唐伯虎點秋香上映後，讓小強成為蟑螂的代名詞，但你看到小強的瞬間，是順手將它解決，還是尖叫著逃跑呢？

台灣曾做過調查——不做調查也知道，蟑螂絕對是大家最討厭的害蟲第一名。美國甚至做過大規模調查，有超過四分之一的美國人表示自己最討厭的害蟲就是蟑螂，是第二名蜘蛛的兩倍之多！

所以，若要幫全人類找一個共同的敵人，蟑螂肯定算得上是一個。

但過去的日本節目中，卻發現北海道人竟然不怕蟑螂，難道他們都是勇者嗎？或是我們能從他們身上找到克服蟑螂恐懼的方法？

恐懼源自於未知？北海道人為什麼不怕蟑螂

你是不是光想到蟑螂的外表，就覺得全身起雞皮疙瘩？

面對蟑螂還能如此淡定，甚至能覺得牠們可愛的北海道人，別說你不敢相信，一群演化心理學家也是覺得匪夷所思，開始針對這些人做起了研究。

演化心理學就如字面上的意思，是將達爾文演化論套用到現代人的心理特質上，試圖以天擇的角度解釋許多無法解釋的人類心理現象。

例如近年來被診斷率越來越高的注意力不集中與過動症，也就是所謂的 ADHD，在演化心理學看來其實不是需要治療的「病」，而是環境變化太大導致的適應不良。想像一下，如果你是上萬年前生活在野外的人類，每天都必須在山林裡一邊躲避猛獸、一邊想辦法靠打獵與採集獲取食物。

在這種環境下，眼觀四面、耳聽八方，且隨時保持能戰能跑的機動性，反而都是生存必須的特質，自然會成為演化過程中被保留下來的心理特質。隨著人類社會在近幾百年快速進步，我們不需要再去當高風險的獵人，但那些經年累月刻印在基因裡的特質還來不及被汰換掉，反而讓這些天生的獵人無法適應現代生活。

同樣的道理，演化心理學認為人類對蟑螂的莫名恐懼，其實是來自於大腦主動識別並排斥潛在威脅的生存機制。在醫療資源匱乏的過去，隨便受個傷、生個病都有可能是致命的，人類只能戰戰兢兢，想辦法避開任何可能會傷害到自己的東西。這讓我們在無法辨別敵友時，會本能地戒備未知的東西。

即使從生態系的角度出發，同時兼具環境清道夫與許多動物主要食物來源的蟑螂，是維持自然平衡不可或缺的益蟲。但在無法感受到牠們好處的普通人眼裡，經常出沒於被我們視為髒亂、有害健康的垃圾與廚餘堆的蟑螂身上，只會被貼滿很髒，甚至是有害的負面標籤，當然不可能有好印象。

我猜這時有些觀眾心中閃過了「那又如何」、「我就討厭蟑螂啊」的念頭，但千萬別小看這份理所當然。雖說蟑螂因為生存與繁衍力強，被人類刻意撲殺這麼多年都還沒有要絕跡的意思，但其他昆蟲就沒那麼幸運了。由於人類對昆蟲，特別是只占大約10%的害蟲抱有負面觀感，使得這些小生物常在生態保育的討論中被冷落，甚至就這樣默默絕種，在地球生態系中留下無法彌補的缺口。久而久之，嘗到苦果的還是人類自己。

話說回來，既然演化心理學表明恐懼來自於未知，那只要我們學到關於這些昆蟲的正確知識，就能扭轉刻板印象了，對吧！那麼看完泛科學，想必你就能擺脫對小強的恐懼！

——雖然我很想這樣說，但很可惜，事情沒這麼簡單。還記得北海道人的訪問嗎？按照演化心理學，這些從來見過蟑螂本螂的北海道人，既然對蟑螂完全陌生，那麼應該不會有這麼正向的反應。就算不覺得被威脅，至少也該有點基本的戒備才是啊？

一篇發表於 2021 年的日本研究，正是想探討這個落差。研究團隊分析過往研究，發現「增加昆蟲相關知識」與「減輕恐懼」之間似乎沒有必然的關聯。而且，與出身郊區的人相比，從小生活在都市的人對於昆蟲竟然普遍有著較強、也較難改變的昆蟲嫌惡。

深入研究後，才發現，原來連怕不怕蟑螂這種事都得要看出身的。

都市化—嫌惡假說

在針對13,000名日本人進行調查後，研究團隊提出了「都市化—嫌惡假說」。此假說以都市化為起點，拆解出兩條人類培養對昆蟲嫌惡感的路徑。

你不該出現在我家！由破壞安全感引發的厭惡

首先，由於都市化導致自然環境縮減，無法適應都市環境的昆蟲大量減少，相對的，像蟑螂、蒼蠅、蜘蛛等適應良好的昆蟲，數量不可避免地會增加，也更容易出現在室內環境裡。對我們來說，穩固的牆壁與天花板會帶來與外界隔絕的安全感。因此，當有不請自來、侵門踏戶的東西出現，除了對昆蟲本身的厭惡，我們對所處環境原有的信任也跟著崩塌了。

回想一下，上次在家裡或辦公室茶水間看到蟑螂，就算當下就把它消滅了，在接下來的一段時間內，是不是會到處疑神疑鬼，總覺得某些角落或通風管裡藏著一支蓄勢待發的蟑螂大軍，準備趁你不注意時再出來嚇你一跳？

同樣的，就算不是在你家，而是外出用餐時在餐廳裡看見蟑螂，基於恨烏及屋的情感連結，你對於餐廳的信任感也跟著下降，甚至激動一點當場走人也有可能。但換個場景，假如你今天是在馬路上看見蟑螂，或許還是會覺得害怕、覺得噁心，但反應很可能不會像在家裡這麼大。

這便是都市化—嫌惡假說第一條路徑強調的重點。在都市化程度高的環境裡「室內」跟「室外」的界線變得分明，因此當有不該存在的東西出現，我們的反應也會更強烈。

因為不熟，所以討厭？

至於都市化—嫌惡假說的第二條路徑，是延續演化心理學裡，人們對於不了解的事物會產生恐懼的觀點。但比起針對單一種昆蟲，都市化—嫌惡假說發現，都市化環境會普遍降低其居民接觸大自然的頻率。就算是出生於郊區環境的人，在都市生活久了也會喪失這股熟悉感，甚至開始對大自然出現排斥心理。

同樣的，今天即便你是個都市小孩，只要到郊外生活夠久，而且自發地去接觸自然環境，那份對昆蟲的恐懼便會在洪水療法下逐漸被減敏感。說不定某天你會跟北海道人一樣，開始欣賞蟑螂的可愛之處喔！

從「害怕蟑螂」看見早期教育

除了解釋了我們對蟑螂的厭惡，都市化—嫌惡假說其實也點出了現代社會一個很重要的議題，那就是在現代科技的干擾下，我們接觸真實世界的頻率正在下降，無形中也失去不少珍貴的「經驗」。

我們的大腦仰賴經驗法則才能運轉，想學習新技能、建立穩固的知識結構，都需要持續且頻繁地暴露在特定刺激下。讀書、背講義是一種刺激，與人社交締結關係是一種刺激，走出戶外接觸山林也是一種刺激，任何一種刺激少了，我們就會錯過發展相應能力的機會。

就好像最近幾年特別被重視的語言教育、科學教育、情感教育，甚至是平權與美感教育，其實都是在努力把握小孩子學習的黃金期，讓他們盡早接觸到足夠的相關刺激，打下扎實基礎。這在教育心理學叫做「早期暴露」(early exposure)，這個理論反對只把重心放在學齡後與學校教育的傳統觀念，認為父母在學齡前給予孩子多元化刺激同樣重要。

不需要花大錢上才藝班，平時多帶孩子出門走走，或是準備不同的課外讀物與嗜好，都是很好的新奇刺激，不單能增進大腦發展，還可以培養認知彈性，讓他們在未來遇到未知事物時能保持好奇心、積極自發地去吸收新知，而非縮在固有觀念裡。

這個乍看很冷門、沒什麼了不起的研究，其實衍生出來的意義可是與我們息息相關。就好像我們常說在家裡看到一隻蟑螂，代表看不見的地方還有十隻。怕不怕蟑螂事小，因為享受現代科技的便利而錯失與真實世界互動的經驗，才是最得不償失的。

歡迎訂閱 Pansci Youtube 頻道 獲取更多深入淺出的科學知識！