你為什麼要八卦李宗瑞？

• 作者／賴昭正｜前清大化學系教授、系主任、所長；合創科學月刊

我擔心人工智慧可能會完全取代人類。如果人們能設計電腦病毒，那麼就會有人設計出能夠自我改進和複製的人工智慧。 這將是一種超越人類的新生命形式。

——史蒂芬．霍金（Stephen Hawking）　英國理論物理學家

大約在八十年前，當第一台數位計算機出現時，一些電腦科學家便一直致力於讓機器具有像人類一樣的智慧；但七十年後，還是沒有機器能夠可靠地提供人類程度的語言或影像辨識功能。誰又想到「人工智慧」（Artificial Intelligent，簡稱 AI）的能力最近十年突然起飛，在許多（所有？）領域的測試中擊敗了人類，正在改變各個領域——包括假新聞的製造與散佈——的生態。

圖形處理單元（graphic process unit，簡稱 GPU）是這場「人工智慧」革命中的最大助手。它的興起使得九年前還是個小公司的 Nvidia（英偉達）股票從每股不到 $5，上升到今天（5 月 24 日）每股超過 $1000（註一）的全世界第三大公司，其創辦人（之一）兼首席執行官、出生於台南的黃仁勳（Jenson Huang）也一躍成為全世界排名 20 內的大富豪、台灣家喻戶曉的名人！可是多少人了解圖形處理單元是什麼嗎？到底是時勢造英雄，還是英雄造時勢？

在回答這問題之前，筆者得先聲明筆者不是學電腦的，因此在這裡所能談的只是與電腦設計細節無關的基本原理。筆者認為將原理轉成實用工具是專家的事，不是我們外行人需要了解的；但作為一位現在的知識分子或公民，了解基本原理則是必備的條件：例如了解「能量不滅定律」就可以不用仔細分析，即可判斷永動機是騙人的；又如現在可攜帶型冷氣機充斥市面上，它們不用往室外排廢熱氣，就可以提供屋內冷氣，讀者買嗎？

CPU 與 GPU

不管是大型電腦或個人電腦都需具有「中央處理單元」（central process unit，簡稱 CPU）。CPU 是電腦的「腦」，其電子電路負責處理所有軟體正確運作所需的所有任務，如算術、邏輯、控制、輸入和輸出操作等等。雖然早期的設計即可以讓一個指令同時做兩、三件不同的工作；但為了簡單化，我們在這裡所談的工作將只是執行算術和邏輯運算的工作（arithmetic and logic unit，簡稱 ALU），如將兩個數加在一起。在這一簡化的定義下，CPU 在任何一個時刻均只能執行一件工作而已。

在個人電腦剛出現只能用於一般事物的處理時，CPU 均能非常勝任地完成任務。但電腦圖形和動畫的出現帶來了第一批運算密集型工作負載後，CPU 開始顯示心有餘而力不足：例如電玩動畫需要應用程式處理數以萬計的像素（pixel），每個像素都有自己的顏色、光強度、和運動等, 使得 CPU 根本沒辦法在短時間內完成這些工作。於是出現了主機板上之「顯示插卡」來支援補助 CPU。

1999 年，英偉達將其一「具有集成變換、照明、三角形設定／裁剪、和透過應用程式從模型產生二維或三維影像的單晶片處理器」（註二）定位為「世界上第一款 GPU」，「GPU」這一名詞於焉誕生。不像 CPU，GPU 可以在同一個時刻執行許多算術和邏輯運算的工作，快速地完成圖形和動畫的變化。

依序計算和平行計算

一部電腦 CPU 如何計算 7×5+6/3 呢？因每一時刻只能做一件事，所以其步驟為：

• 計算 7×5；
• 計算 6/3；
• 將結果相加。

總共需要 3 個運算時間。但如果我們有兩個 CPU 呢？很多工作便可以同時（平行）進行：

• 同時計算 7×5 及 6/3；
• 將結果相加。

只需要 2 個運算時間,比單獨的 CPU 減少了一個。這看起來好像沒節省多少時間，但如果我們有 16 對 a×b 要相加呢？單獨的 CPU 需要 31 個運算的時間（16 個 × 的運算時間及 15 個 + 的運算時間），而有 16 個小 CPU 的 GPU 則只需要 5 個運算的時間（1 個 × 的運算時間及 4 個 + 的運算時間）！

現在就讓我們來看看為什麼稱 GPU 為「圖形」處理單元。圖一左圖《我愛科學》一書擺斜了，如何將它擺正成右圖呢？ 一句話：「將整個圖逆時針方向旋轉 θ 即可」。但因為左圖是由上百萬個像素點（座標 x, y）組成的，所以這句簡單的話可讓 CPU 忙得不亦樂乎了：每一點的座標都必須做如下的轉換

x’ = x cosθ + y sinθ

y’ = -x sinθ+ y cosθ

即每一點均需要做四個 × 及兩個 + 的運算！如果每一運算需要 10^-6 秒，那麼讓《我愛科學》一書做個簡單的角度旋轉，便需要 6 秒，這豈是電動玩具畫面變化所能接受的？

人類的許多發明都是基於需要的關係，因此電腦硬件設計家便開始思考：這些點轉換都是獨立的，為什麼我們不讓它們同時進行（平行運算，parallel processing）呢？於是專門用來處理「圖形」的處理單元出現了——就是我們現在所知的 GPU。如果一個 GPU 可以同時處理 10⁶ 運算，那上圖的轉換只需 10^-6 秒鐘！

GPU 的興起

GPU 可分成兩種：

• 整合式圖形「卡」（integrated graphics）是內建於 CPU 中的 GPU，所以不是插卡，它與 CPU 共享系統記憶體，沒有單獨的記憶體組來儲存圖形／視訊，主要用於大部分的個人電腦及筆記型電腦上；早期英特爾（Intel）因為不讓插卡 GPU 侵蝕主機的地盤，在這方面的研發佔領先的地位，約佔 68% 的市場。
• 獨立顯示卡（discrete graphics）有不與 CPU 共享的自己專用內存；由於與處理器晶片分離，它會消耗更多電量並產生大量熱量；然而，也正是因為有自己的記憶體來源和電源，它可以比整合式顯示卡提供更高的效能。

2007 年，英偉達發布了可以在獨立 GPU 上進行平行處理的軟體層後，科學家發現獨立 GPU 不但能夠快速處理圖形變化，在需要大量計算才能實現特定結果的任務上也非常有效，因此開啟了為計算密集型的實用題目編寫 GPU 程式的領域。如今獨立 GPU 的應用範圍已遠遠超出當初圖形處理，不但擴大到醫學影像和地震成像等之複雜圖像和影片編輯及視覺化，也應用於駕駛、導航、天氣預報、大資料庫分析、機器學習、人工智慧、加密貨幣挖礦、及分子動力學模擬（註三）等其它領域。獨立 GPU 已成為人工智慧生態系統中不可或缺的一部分，正在改變我們的生活方式及許多行業的遊戲規則。英特爾在這方面發展較遲，遠遠落在英偉達（80%）及超微半導體公司（Advance Micro Devices Inc.，19%，註四）之後，大約只有 1% 的市場。

事實上現在的中央處理單元也不再是真正的「單元」，而是如圖二可含有多個可以同時處理運算的核心（core）單元。GPU 犧牲大量快取和控制單元以獲得更多的處理核心，因此其核心功能不如 CPU 核心強大，但它們能同時高速執行大量相同的指令，在平行運算中發揮強大作用。現在電腦通常具有 2 到 64 個核心；GPU 則具有上千、甚至上萬的核心。

結論

我們一看到《我愛科學》這本書，不需要一點一點地從左上到右下慢慢掃描,即可瞬間知道它上面有書名、出版社等，也知道它擺斜了。這種「平行運作」的能力不僅限於視覺，它也延伸到其它感官和認知功能。例如筆者在清華大學授課時常犯的一個毛病是：嘴巴在講，腦筋思考已經不知往前跑了多少公里，常常為了追趕而越講越快，將不少學生拋到腦後！這不表示筆者聰明，因為研究人員發現我們的大腦具有同時處理和解釋大量感官輸入的能力。

人工智慧是一種讓電腦或機器能夠模擬人類智慧和解決問題能力的科技，因此必須如人腦一樣能同時並行地處理許多資料。學過矩陣（matrix）的讀者應該知道，如果用矩陣和向量（vector）表達，上面所談到之座標轉換將是非常簡潔的（註五）。而矩陣和向量計算正是機器學習（machine learning）演算法的基礎！也正是獨立圖形處理單元最強大的功能所在！因此我們可以了解為什麼 GPU 會成為人工智慧開發的基石：它們的架構就是充分利用並行處理，來快速執行多個操作，進行訓練電腦或機器以人腦之思考與學習的方式處理資料——稱為「深度學習」（deep learning）。

黃仁勳在 5 月 22 日的發布業績新聞上謂：「下一次工業革命已經開始了：企業界和各國正與英偉達合作，將價值數萬億美元的傳統資料中心轉變為加速運算及新型資料中心——人工智慧工廠——以生產新商品『人工智慧』。人工智慧將為每個產業帶來顯著的生產力提升，幫助企業降低成本和提高能源效率，同時擴大收入機會。」

附錄

人工智慧的實用例子：下面一段是微軟的「copilot」代書、谷歌的「translate」代譯之「one paragraph summary of GPU and AI」。讀完後，讀者是不是認為筆者該退休了？

GPU（圖形處理單元）和 AI（人工智慧）之間的協同作用徹底改變了高效能運算領域。GPU 具有平行處理能力，特別適合人工智慧和機器學習所需的複雜資料密集運算。這導致了影像和視訊處理等領域的重大進步，使自動駕駛和臉部辨識等技術變得更加高效和可靠。NVIDIA 開發的平行運算平台 CUDA 進一步提高了 GPU 的效率，使開發人員能夠透過將人工智慧問題分解為更小的、可管理的、可同時處理的任務來解決這些問題。這不僅加快了人工智慧研究的步伐，而且使其更具成本效益，因為 GPU 可以在很短的時間內執行與多個 CPU 相同的任務。隨著人工智慧的不斷發展，GPU 的角色可能會變得更加不可或缺，推動各產業的創新和新的可能性。大腦透過神經元網路實現這一目標，這些神經元網路可以獨立但有凝聚力地工作，使我們能夠執行複雜的任務，例如駕駛、導航、觀察交通信號、聽音樂並同時規劃我們的路線。此外，研究表明，與非人類動物相比，人類大腦具有更多平行通路，這表明我們的神經處理具有更高的複雜性。這個複雜的系統證明了我們認知功能的卓越適應性和效率。我們可以一邊和朋友聊天一邊走在街上，一邊聽音樂一邊做飯，或一邊聽講座一邊做筆記。人工智慧是模擬人類腦神經網路的科技，因此必須能同時並行地來處理許多資料。研究人員發現了人腦通訊網路具有一個在獼猴或小鼠中未觀察獨特特徵：透過多個並行路徑傳輸訊息,因此具有令人難以置信的多任務處理能力。

註解

（註一）當讀者看到此篇文章時，其股票已一股換十股，現在每一股約在 $100 左右。

（註二）組裝或升級過個人電腦的讀者或許還記得「英偉達精視 256」（GeForce 256）插卡吧?

（註三）筆者於 1984 年離開清華大學到 IBM 時，就是參加了被認為全世界使用電腦時間最多的量子化學家、IBM「院士（fellow）」Enrico Clementi 的團隊：因為當時英偉達還未有可以在 GPU 上進行平行處理的軟體層，我們只能自己寫軟體將 8 台中型電腦（非 IBM 品牌！）與一大型電腦連接來做平行運算，進行分子動力學模擬等的科學研究。如果晚生 30 年或許就不會那麼辛苦了?

（註四）補助個人電腦用的 GPU 品牌到 2000 年時只剩下兩大主導廠商：英偉達及 ATI（Array Technology Inc.）。後者是出生於香港之四位中國人於 1985 年在加拿大安大略省成立，2006 年被超微半導體公司收購，品牌於 2010 年被淘汰。超微半導體公司於 2014 年 10 月提升台南出生之蘇姿豐（Lisa Tzwu-Fang Su）博士為執行長後，股票從每股 $4 左右，上升到今天每股超過 $160，其市值已經是英特爾的兩倍，完全擺脫了在後者陰影下求生存的小眾玩家角色，正在挑戰英偉達的 GPU 市場。順便一題：超微半導體公司現任總裁（兼 AI 策略負責人）為出生於台北的彭明博（Victor Peng）；與黃仁勳及蘇姿豐一樣，也是小時候就隨父母親移居到美國。

（註五）或。

延伸閱讀

• 「熱力學與能源利用」，《科學月刊》，1982 年 3 月號；收集於《我愛科學》（華騰文化有限公司，2017 年 12 月出版），轉載於「嘉義市政府全球資訊網」。
• 「網路安全技術與比特幣」，《科學月刊》，2020 年 11 月號；轉載於「善科教育基金會」的《科技大補帖》專欄。

間接互惠的要件之一：聊八卦

間接互惠（indirect reciprocity）的概念認為，受益者並不是直接回報給同一位利他的施恩者，而是會把恩惠轉給其他人。A 幫助 B，B 再幫助 C，C 再幫助 D，依此類推。於是，恩惠就能在社群裡傳出去，遲早也能回到 A 身上。種下的因，總有一天能得到最後的果。

而且這還能談到下一個層次：如果有個 Z，在 A 幫助 B 時，親眼見證了這件事，發現 A 是個慷慨的好人，他也會因為想和 A 建立關係，所以願意幫助 A。於是，就算這兩個人無法符合直接互惠所需要的「後會有期」條件，也能因為整個群體的利他行為而受益。樂於助人，自己就更可能得到幫助，至於那些不想幫助別人、只想貪小便宜的人，則是可能遭到懲罰或受到排擠。像這樣的間接互惠，是人類一種格外複雜的合作形式，需要兩項其他動物都辦不到的條件。

第一項條件是，不管互動雙方的行為是慷慨是自私，除了需要有目擊者親眼看到，還必須能把這項寶貴的資訊，分享到整個群體共有的資料池。也就是說，社群成員得愛聊八卦才行。如果大家都能知道某個人不值得信任、總是只接受別人幫助卻都不回報，等到下次這個人又碰上麻煩，社群成員就不會再伸出援手。

英文有句諺語說「騙子發不了財」（cheats never prosper），但不能說完全正確：騙子常常在短時間內還是能得逞，特別是在那些規模比較大、大家彼此比較不認識的社群；只是遲早仍然會東窗事發，讓自己名聲掃地。所以，想讓間接互惠的機制不被那些只想貪小便宜的人搞垮，聊八卦就是一個關鍵的必備條件，而且無論是營火旁、或是茶水間，人類實在是哪裡都能聊。事實上，相較於其他靈長類動物是用理毛之類的活動來建立關係，人類是以閒嗑牙、聊八卦取代了這些活動。

像這樣把個別成員的行為，拿來在社群裡大談特談（就像是一個由閒聊建立起的社群網路），就會打造出一套名聲系統，可用來判斷適不適合試著和某個人合作。某人對待他人慷慨大方，就能建立良好的名聲；老愛占別人便宜，也就會惡名遠揚，讓人知道以後可得敬而遠之。行為友善的人，其他人在未來幫助他們的機率也會比較高，於是在天擇的機制裡就能占點上風。所以說到頭來，仍是演化塑造了人類的心理，讓我們在意自己的名聲，聊八卦就成了確保大家別心存僥倖的機制。

在一個會聊八卦的社會裡，生活的第一守則就是要小心自己做的事；或者更重要的是，要小心自己做的事給別人的觀感。於是，人類社會也就成了一個人人都在猜測別人想法的社會——須推斷別人的動機與態度，評估自己的行為在他人眼中的樣貌，好維護自己在外的名聲。我們所謂的「良心」就是這樣的產物之一：內在的這股聲音，警告我們可能有人在看，要我們想想別人可能的觀感，好讓自己免受社會的制裁。

——本文摘自《人類文明：生物機制如何塑造世界史》，2024 年 05 月，天下文化出版，未經同意請勿轉載。

「欸欸你知道嗎隔壁班的雅婷又換一個男朋友了啦，而且看起來比她大很多歲耶！」

「我同事的弟弟的老公的姊姊的小孩，最近考上醫學系但又說他不想當醫生啦，現在的小孩吼⋯⋯」

你是個喜歡八卦的人嗎？根據維基百科上面的定義，八卦一般指的是閒言閒語、對他人說長道短，也常被用來代稱為演藝圈的小道消息、緋聞等。但如果讓我對八卦做名詞釋義的話，大概就是「關心身旁朋友身體健康感情糾葛工作學業順不順利」這種與朋朋間的正向交流（眨眼比心）。

身為一位喜歡與朋朋交流八卦的人，資訊的正確性就很重要了。但要怎麼知道這個八卦內容是真是假？今年（2022）搞笑諾貝爾和平獎用數學模型告訴你答案：人們傾向對想合作的人說真話，對不願為伍的人說假話。

講八卦到底有什麼幫助？

「我絕對不可能得到諾貝爾獎，這大概是我最接近諾貝爾獎的一次！」今年和平獎的得獎研究來自一個跨國合作團隊，成員之一的艾希特大學（University of Exeter）管理學教授 Kim Peters ，在接受澳洲科普媒體 COSMOS 訪問時說到。

在研究領域中，「八卦」的定義其實非常廣泛，只要我們跟他人聊到當事者，而那個當事者恰好不在現場的時候，就會被認定是在講八卦——這幾乎是我們每天都在做的事！但講八卦到底有什麼幫助？Kim Peters 說明，八卦其實可以幫助我們更了解社會環境。例如誰該相信、誰又是個騙子，這也對我們在社會互動中選擇跟哪些人合作、做出哪些行為而言相當重要，可以幫助人們更適應社會生活。

讓我們回到研究內容，雖然八卦對人們的社會生活來說很重要，但我們要怎麼在這個真真假假的花花世界中，知道八卦的內容是真、是假？為了分辨出八卦的真假、哪些人會對你說真話，研究團隊以經濟學中的訊號理論（signaling theory）、適應性相互依賴（fitness interdependence）為基礎設計了一個新的分析模型。

用訊號理論當基礎建立一個分析模型

先來談談什麼是訊號理論。假設今天有A、B兩個人要進行交易，A就會對B釋出一部分自己商品的內容，讓交易能夠順利完成；若是將交易的物品換成「資訊」的話，資訊提供者A就會對資訊接收者B說出這項資訊的一部分內容，以最大化自己最終能得到的效益。而「誠實訊號」（honest signaling）模型，則是用來分析在什麼條件下這種效益最大化可以導致誠實均衡（honest equilibrium），也就是B從A那邊獲取可靠的資訊後，可以反過來幫助A得到更多的效益。由於要完成一個八卦的最小單位是三個人——發出訊息的八掛者、接收者、被談論的目標，若是想分析真、假八卦與人際互動之間的關係，就不能直接挪用訊號理論。

為了建立分析模型，團隊還需要另一個理論基礎——適應性相互依賴，描述了生物體之間的相互影響。生物體之間適應性相互依賴的高低，能以利害關係指數（stake index, s）表示，這項指數能顯示一個人的適應度變化與另一個人適應度變化的相關程度。例如A、B兩個人共同工作以維持生計，那麼彼此之間的福祉就會取決於另一個人是否做得好。正適應性相互依賴（s>0）顯示個體對彼此的生存、繁衍有正面影響；負適應性相互依賴（s<0），則代表個體對彼此的生存、繁衍為負面影響；當然也可能有不存在適應性相互依賴（s=0）的情況產生，表示個體對彼此的生存、繁殖沒有任何影響。

結合訊號理論與適應性相互依賴，團隊假設八卦者會選擇一種八卦策略（說真話、說假話）以最大化他們的效益。而八卦者要選擇說真話、假話，又會取決於八卦者與接收者、目標之間之間的適應性相互依賴程度，這些原因共同組成了八卦三元組（gossip triad，圖一）。

在分析模型中套入四種不同的依賴關係

在模型建立好之後，團隊透過四種遊戲分析八卦者與目標、接收者之間不同的適應性相互依賴關係：

1. 獵鹿遊戲：共同合作，接收者與目標互利
2. 雪堆遊戲：共同合作，但只對接收者有利
3. 幫助遊戲：共同合作，但只對目標有利
4. 懲罰遊戲：有懲罰代價，以背叛為主的遊戲

實驗時，八卦者會決定對接收者說真／假八卦，接收者則會在遊戲中與目標互動。而透過模型分析，團隊發現八卦者能得到的效益以及他決定說真話／假話，將會取決於他與接收者、目標之間的相互依賴關係是正向或負向：

1. 當八卦者與接收者、目標的整體適應度相互依賴關係為正，這項合作對接收者、目標都有利時，八卦者會傳遞真的訊息（獵鹿遊戲）
2. 在對接收者有利的情況下，若八卦者與接收者的相互依賴關係比較高，那麼八卦者會傳遞真的消息（雪堆遊戲）
3. 在對目標有利的狀況中，當八卦者與目標的相互依賴關係比較高，則八卦者也會傳遞真的消息（幫助遊戲）
4. 由於懲罰會降低接收者與目標的效益，如果八卦者與接收者、目標的整體相互依賴關係為負，八卦者也會選擇誠實（懲罰遊戲）

若將上面的結果講得白話一點，你可以想成：

• 果果、千千、梅梅是好朋友（整體相互依賴關係高），如果千千跟果果說：「梅梅玩遊戲課金花了快十萬！」的八卦時，千千說的話大概是真的 ʕ •ᴥ•ʔ
• 可可跟安安很好（相互依賴關係高），但可可超討厭花花（相互依賴關係低），當可可跟安安說：「欸花花昨天上完廁所沒洗手！」的八卦時，就有可能是可可在說謊 ಠ_ಠ

所以說八卦真的有助於世界和平嗎？

Kim Peters 表示，人們「說謊」是為了幫助盟友、傷害競爭對手。當你是八卦訊息的接收者時，你跟八卦者的之間關係、八卦者與被談論者之間的關係是正向或負向，將決定他說的是真話還是假話。這項模型解釋了人們為什麼會選擇分享真／假八卦，而其實我們在生活中也常直覺性的應用這個概念去分辨話題內容的真假。

所以這項研究真的能幫助世界和平嗎？「我是覺得這有點誇大了啦！」Kim Peters 笑著說。雖然八卦有助於人們的社會生活、維持社會的良好運作，但畢竟也不是每個人都喜歡被他人在背後議論（尤其是那些假消息）。此外，我們也要注意談論八卦可能對他人帶來的影響。在未來，當有人跟你分享他人的負面訊息時更要記得採取保留態度，以避免自己被錯誤的訊息欺騙，而後又將假消息傳播出去！

參考資料

• Honesty and dishonesty in gossip strategies: a fitness interdependence analysis
• Gossiping for Peace: 2022 Ig Nobel prize winners, or losers?

「跪求『李宗瑞.rar』！」鄉民在網上搜尋載點，關鍵字爆紅，不過大部分人倒也不是想看淫慾照，如果你家隔壁的老王自拍可能也勾引不了你的興趣，大家多半只是好奇新聞裡的文字描述在照片上是怎麼呈現的，究竟為什麼，我們這麼八卦？

倫敦大學學院的神經科學家John Hardy認為，八卦其實自古就有，古時在小村莊聚落的社會，彼此都熟識彼此，而能成功的領導人與人之間的複雜政治的人，就有比較好的優勢有「繁衍機會」，也就是大家的八卦對象。而現在的地球村，這樣的訊息需求來源就是八卦媒體。

而我們對於名人和政客的錯誤行為之所以特別感興趣，是那個彼此都熟識的古社會進化迄今的殘留物，我們的大腦也設計來吸收這些八卦來滿足「最原始的發展需求」（primal evolutionary need），像是誰跟誰「睡」了之類的。

澳洲女性雜誌《新點子》主編Kim Wilson同意John Hardy的看法，我們看八卦雜誌是為了知道誰有影響力誰沒有，也因為我們天生就被這類「新鮮事」感到好奇。她說：「現在你旅遊到世界各國，都可以和別人討論妮可基嫚、布蘭妮，或安潔莉娜瓊麗的八卦，這實在很不可思議！這已經變成了社交話題，當你不知什麼時，你要不是聊天氣，不然就是聊名人。」而根據他們的銷售歷史，當八卦主題是名人的愛情、婚姻與他們產子的消息時，都特別熱賣。

雪梨大學性別文化研究所副教授Catherine Driscoll說，八卦雜誌熱賣的這些愛情、婚姻與他們產子的主題，被當作了我們認為別人怎麼生活的範例，「這些關聯著我們如何做選擇，即便我們選擇不生育，或依舊單身。這些彷彿是認知什麼是合乎道德的圭臬與我們面對社交所該做的選擇，所以我們讀這些故事，然後知道社會價值觀期許我們怎麼做。這全都是為了學習，學習如何在這個世界生存。」

不過在八卦這整件事來說，媒體時常在報導時連帶傷害了一些人，他們可能與事件相關，但非肇事者，因為八卦媒體傳播，民眾的轉手，因而被以訛傳訛。東北大學的研究者Lisa Feldman Barrett發表在去年的《科學》的研究顯示，聽到八卦言論，會改變你對八卦對象的觀感，甚至改變你怎麼「看」他。

Barrett的實驗先讓受試者看幾張臉，每張臉都與不同的八卦言論配對，有的是正面的八卦，像是「幫助老太太提雜貨」，有的是負面的八卦，像是「把椅子扔向同學」。接著他們讓受試者的左右眼呈現不同的畫面，其中一眼是看到的是剛剛被八卦的面孔，另外一眼看到的是一棟房子。

這樣雙眼看到不同的畫面的實驗稱為「雙眼競爭實驗」（binocular rivalry paradigm），因為我們的大腦一個時間只能處理一個畫面，所以他會無意識的傾向選擇注意較重要的那個畫面。受試者在雙眼競爭實驗時，需要做按鍵反應，當他有意識地看到「臉孔」就按一個鍵，有意識地看到「房子」就按另一個鍵。研究結果發現，當受試者有意識地接收到負面八卦的臉孔，受試者會盯著他看的時間比較長。Barrett說：「八卦不僅影響我們對人的言論，還影響了我們怎麼『看』他。」

也許八卦媒體的初衷是好的，或也許我們能期許八卦能夠回到單純「揪出是誰不公不義或違背社會善良風氣」的初衷，而不是掀別人的底，八卦則會是社會正向的力量之一。根據UC Berkeley今年五月發表在《Journal of Personality and Social Psychology》的研究顯示，八卦別人的錯誤行為––就是所謂的「利社會八卦（prosocial gossip）」––可以使人壓力減緩。他們的實驗量測受試者的心跳，發現當如果受試者看著別人玩遊戲作弊，心跳會變得劇烈，但如果此時有個機會可以草草地寫下他們作弊的事實便能減緩。

別再跪求『李宗瑞.rar』啦！即使李宗瑞的行為負面，但連續幾天媒體忘我甚至忽略台灣其他時事的狂報李宗瑞新聞，想必這不會是個「利社會八卦」，甚至傷害了一些女性；而看了照片，你的心跳只會加速吧……

※資料來源：

• John Hardy. (21 July 2011). Read all about it: Why we have an appetite for gossip. New Scientist
• Stephanie Gardiner. (3 Aug 2011). The science of gossip: why do we?. The Sydney Morning Herald
• Anderson, et al. (17 June 2011). The Visual Impact of Gossip. Science
• Jon Hamilton. (3 Aug 2011). Psst! The Human Brain Is Wired For Gossip. NPR
• Valerie Ross. (18 Jan 2012). Go Ahead and Gossip—Science Says It’s the Right Thing to Do. Discover Magazine Blog
• Matthew, et al. (18 Jan 2012). The virtues of gossip: Reputational information sharing as prosocial behavior. Journal of Personality and Social Psychology

編修註記：2012/8/21/20:00  新增第4.5段