地震專家因沒有看出地震前兆而被求處4年徒刑

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

為什麼台灣會像坐在搖搖椅上，總是時不時地晃動？這個問題或許有些令人不安，但卻是我們生活在這片土地上的現實。根據氣象署統計，台灣每年有 40,000 次以上的地震，其中有感地震超過 1,000 次。2024年4月3日，花蓮的大地震發生後，台灣就經歷了超過 1,000 次餘震，這些數據被視覺化後形成的圖像，宛如台北101大樓般高聳穿雲，再次引發了全球對台灣地震頻繁性的關注。

地震發生後，許多外國媒體擔心半導體產業會受影響，但更讓他們稱奇的是，台灣竟然能在這麼大的地震之下，將傷害降到這麼低，並迅速恢復。不禁讓人想問，自從 25 年前的 921大地震以來，台灣經歷了哪些改變？哪些地方可能再發生大地震？如果只是遲早，我們該如何做好更萬全的準備？

要找到這些問題的答案，最合適的地點就在一座從地震遺跡中冒出的主題博物館：國立自然科學博物館的 921地震教育園區。

下一個大地震在哪、何時？先聽斷層說了什麼

1999年9月21日凌晨1點47分，台灣發生了一場規模7.3的大地震，震央在南投縣集集鎮，全台 5 萬棟房子遭震垮，罹難人數超過 2,400 人。其中，台中霧峰光復國中校區因車籠埔斷層通過，地面隆起2.6公尺，多棟校舍損毀。政府決定在此設立921地震教育園區，保留這段震撼人心的歷史，並作為防災教育的重要基地。園區內兩處地震遺跡依特性設置為「車籠埔斷層保存館」和「地震工程教育館」。

車籠埔斷層保存館建於原操場位置，為了保存地表破裂及巨大抬升，所以整體設計不採用樑柱結構，而是由82根長12公尺、寬2.4公尺、重約10噸的預鑄預力混凝板組成，外觀為曲線造型，技術難度極高，屬國內外首見，並榮獲多項建築獎。而地震工程教育館保留了原光復國中受損校舍，讓民眾親眼見證地震的驚人破壞力，進一步強調建築結構與安全的重要性。毀損教室旁設有由園區與「國家地震工程研究中心」共同策劃的展示館，透過互動展示，讓參觀者親手操作，學習地震工程相關知識。

國立自然科學博物館地質學組研究員蔣正興博士表示，面積上，台灣是一個狹長的小島，卻擁有高達近4000公尺的山脈，彰顯了板塊激烈擠壓、地質活動極為活躍的背景。回顧過去一百年的地震歷史，從1906年的梅山地震、1935年的新竹-台中地震，到1999年的921大地震，都發生在台灣西部，與西部的活動斷層有密切關聯，震源位於淺層，加上人口密度較高，因此對台灣西部造成了嚴重的災情。

而台灣東部是板塊劇烈擠壓的區域，地震震源分佈更廣。與西部相比，雖然東部地震更頻繁，但由於人口密度相對較低，災情相對較少。此外，台灣東北部和外海也是地震多發區，尤其是菲律賓海板塊往北隱沒至歐亞板塊的隱沒地震帶，至沖繩海槽向北延伸，甚至可能影響到台北下方，發生直下型地震，這種地震因震源位於城市正下方，危害特別大，加上台北市房屋非常老舊，若發生直下型地震，災情將非常嚴重。

除了台北市，蔣正興博士指出在台灣西部，我們特別需要關注的就是彰化斷層的影響，該斷層曾於1848年發生巨大錯動。此外，我們也需要留意西南部的地震風險，如 1906 年的梅山地震。此兩條活動斷層距今皆已超過 100 年沒活動了。至於東部，因為存在眾多活動斷層，當然也需要持續注意。

我們之所以擔心某些斷層，是因為這些區域可能已經累積了相當多的能量，一旦達到臨界點，就會釋放，進而引發地震。地質學家通常會沿著斷層挖掘，尋找過去地震的證據，如受構造擾動沉積物的變化，然後透過定年技術來確定地震發生的時間點，估算出斷層的地震週期，然而，這些數字的計算過程非常複雜，需要綜合大量數據。

挑戰在於，有些斷層的活動時間非常久遠，要找到活動證據並不容易。例如，1906年的梅山地震，即使不算久遠，但挖掘出相關斷層的具體位置仍然困難，更不用說那些數百年才活動一次的斷層，如台北的山腳斷層，因為上頭覆蓋了大量沉積物，要找到並研究這些斷層更加困難。

儘管我們很難預測哪個斷層會再次活動，我們仍然可以預先對這些構造做風險評估，從過往地震事件中找到應變之道。而 921 地震教育園區，就是那個可以發現應變之道的地方。

921 後的 25 年

在園區服務已 11 年的黃英哲擔任志工輔導員，常代表園區到各地進行地震防災宣導。他細數 921 之後，台灣進行的六大改革。制定災害防救法，取代了總統緊急命令。修訂了建築法規，推動斷層帶禁限建與傳統校舍建築改建。組建災難搜救隊伍，在面對未來災害時能更加自主應對。為保存文化資產，增設了歷史建築類別，確保具有保存價值的建築物得到妥善照料。

最後，則是推行防災教育。黃英哲表示，除了在學校定期進行防災演練，提升防災意識外，更建立了921地震教育園區，不僅作為教育場所，也是跨部門合作的平台，例如與交通部氣象署、災害防救辦公室、教育部等單位合作，進行全面的防災教育。園區內保留了斷層線的舊址，讓遊客能夠直觀地了解地震的破壞力，最具可看性；然而除此之外，園區也是 921 地震相關文物和資料的重要儲存地，為未來的地震研究提供了寶貴的資源。

堪稱園區元老，在園區服務將近 19 年，主要負責日語解說工作的陳婉茹認為，園區最大的特色是保存了斷層造成的地景變化，如抬升的操場和毀壞的教室場景，讓造訪的每個人直觀地感受地震的威力，尤其是對於年輕的小朋友，即使他們沒有親身經歷過，也能透過這些真實的展示認識到地震帶來的危險與影響。

陳婉茹回憶，之前有爸媽帶著小學低年級的小朋友來參觀，原本小朋友並不認真聽講，到處跑來跑去，但當他看到隆起的操場，立刻大聲說這他在課本看過，後來便聚精會神地聽完 40 分鐘的解說。

除了每看必震撼的地景，園區也透過持續更新策展，邀請大家深入地震跟防災的各個面向。策展人黃惠瑛負責展示設計、活動規劃、教具設計等工作。她提到，去年推出的搜救犬特展和今年的「921震災啓示展」與她的個人經歷息息相關。921 大地震時的她還是一名台中女中的住宿生，當時她儘管驚恐，依舊背著腿軟的學姊下樓，讓她在策劃這些展覽時充滿了反思。

在地震體驗平臺的設計中，黃惠瑛強調不僅要讓觀眾了解災害的破壞力，更希望觀眾能從中學到防災知識。她與設計師合作，一樓展示區採用了時光機的概念，運用輕鬆、童趣的風格，希望遊客保持積極心態。二樓的地震體驗平臺結合六軸震動臺和影片，讓遊客真實感受921地震的情境。她強調，這次展覽的目標是全民，設計上避免了血腥和悲傷的元素，旨在讓觀眾帶著正向的感受離開，並重視防災意識。

籌備今年展覽的最大挑戰是緊迫的時間。從五月開始，九月完成，為了迅速而有效地與設計師溝通，黃惠瑛使用了AI工具如ChatGPT與生成圖像工具，來加快與設計師溝通的過程。

蔣正興博士說，當初學界建議在此設立地震教育園區，其中一位重要推手是法國地質學家安朔葉。他曾在台灣指導十位台灣博士生，這些博士後來成為地質研究的中堅力量。1999年921大地震後，安朔葉教授立刻趕到台灣，認為光復國中是全球研究斷層和地震的最佳觀察點，建議必須保存。為紀念園區今年成立20週年，在斷層館的展示更新中，便特別強調安朔葉的貢獻與當時的操場圖。

此外，作為 20 週年的相關活動，今年九月也將與日本野島斷層保存館簽署合作備忘錄（MOU），強化合作並展示台日合作歷史。另一重頭戲則是向日本兵庫縣人與自然博物館主任研究員加藤茂弘致贈感謝狀，感謝他不遺餘力，長期協助園區斷層保存館的剖面展品保存工作。

前事不忘，後事之師

盡力保存斷層跟受創校舍，只因不想再重蹈覆徹。蔣正興博士表示，921地震發生在車籠埔斷層，其錯動形式成為全球地質研究的典範，尤其是在研究斷層帶災害方面。統計數據顯示，距離車籠埔斷層約100公尺內，住在上盤的罹難率約為1%，而下盤則約為0.6%。這說明住在斷層附近，特別是上盤，是非常危險的。由於台灣主要是逆斷層活動，這一數據清楚告訴我們，在上盤區域建設居住區應特別小心。

2018年花蓮米崙斷層地震就是一個例證。

在921地震後，政府在斷層帶兩側劃設了「地質敏感區」。因為斷層活動週期較長，全球大部分地區難以測試劃設敏感區的有效性，但台灣不同，斷層活動十分頻繁。例如 1951 年，米崙斷層造成縱谷地震，規模達 7.3，僅隔 67 年後，在 2018 年再次發生花蓮地震，這在全球是罕見的，也因此 2016 年劃設的地質敏感區，在 2018 年的地震中便發現，的確更容易發生地表破裂與建築受損，驗證了地質敏感區劃設的有效性。

在過去的20年裡，921地震教育園區不僅見證了台灣在防災教育上的進步，也承載著無數來訪者的情感與記憶。每一處地震遺跡，每一項展示，都在默默提醒我們，那段傷痛歷史並未走遠。然而，我們對抗自然的力量，並非源自恐懼，而是源自對生命的尊重與守護。當你走進這座園區，感受那因地震而隆起的操場，或是走過曾經遭受重創的教室，你會發現，這不僅僅是歷史的展示，更是我們每一個人的責任與使命。

來吧，今年九月，走進921地震教育園區，一起在這裡找尋對未來的啓示，為台灣的下一代共同築起一個更堅固、更安全的家園。

延伸閱讀：
高風險？ 家踩「斷層帶、地質敏感區」買房留意
「我摸到台灣的心臟！」法國地質學家安朔葉讓「池上斷層」揚名國際
百年驚奇－霧峰九二一地震教育園區｜天下雜誌

我們發現在足球賽中，只要知道一個簡單的訊息（主隊過去的獲勝機率超過一半），預測力就會明顯好過隨便亂猜。如果再加上第二個簡單的訊息（勝負紀錄較佳的隊伍會略占優勢），可以再進一步提升預測力。除此之外，你可能還想收集其他訊息，像是四分衛最近的表現、球隊有沒有傷兵、明星跑衛的花邊新聞，但這些資訊對預測的幫助不大。換句話說，預測複雜系統這件事依循著「收益遞減定律」：第一個訊息很有幫助，但很快就找不到有幫助的其他訊息。

對於某些事件，我們當然會非常計較預測的準確性，像是投放線上廣告或投資高頻交易（HFT），可能一天內就要預測數百萬、數十億次，而且金額相當龐大。投入極大心力與費用、運用最精細的運算模型來開發複雜的預測方式，在那種情況下或許值得。但在其他商業領域，例如製作電影、出版書籍到發展新技術，只需要一年預測數十次、頂多數百次，而且這不過是整個決策過程中的一部分。這時，我們只要借助相對簡單的方式，就可以讓預測臻至完善。

預測時，不該只根據一人的意見就做決定——尤其是你自己的意見。雖然人們善於察覺與特定問題相關的因素，卻往往不會評估因素之間的相對重要性。譬如，預測電影的首映週末票房時，你可能會認為一些變項都是高度相關，例如製作費、宣傳費、上映廳數、試映會評價。沒錯。但我們要如何權衡「評價不優」與「額外行銷預算：一千萬美元」之間的比重？這沒有一定答案。同樣，在決定分配行銷預算的方法時，要如何判斷多少人會受到網路或雜誌廣告影響，又有多少人會從親朋好友那邊聽到產品訊息？我們也不清楚。唯一知道的是，這些因素都可能相關。

你可能會以為，精準判斷應該是專家的強項。但正如泰特洛克的試驗結果，專家在量化預測上的表現，其實跟普通人一樣糟糕，甚至可能更糟。然而，我們依賴專家之所以會成效不彰，不是因為專家的預測力跟一般人沒兩樣。問題在於，我們通常一次只會諮詢一位專家（否則何必找專家）。但我們應該要綜合多人的意見（無論是專家或非專家）再取平均值。至於要如何達成？這其實沒那麼重要。

儘管預測市場有各種花俏的噱頭與技術，表現也比民調這類簡單方式好一點，但這種微小差異，還不如採用某種方式簡單綜合許多觀點再取平均。或者，我們也可以直接根據歷史數據，評估各項因素的相對重要性——這實際上就是統計模型在做的事。我必須再強調一次，雖然複雜模型可能會比簡單模型好一點，但兩者的差異小到幾乎沒有差別。到頭來，模型跟群眾所能達到的預測目的都一樣。第一，這兩種預測方式都要靠人為判斷，確認哪些因素與預測相關。第二，兩者皆需要估計、權衡那些因素的相對重要性。正如心理學家羅賓．道斯所言：「訣竅在於，找到要注意的變項，然後知道如何加入它們。」

只要一直使用這個訣竅，一段時間後，就會知道哪一些預測的失誤率較小，哪一些較大。舉例來說，當你要預測一個事件的結果，假如其他條件都相同，那越早做預測的失誤率就越大。不管你用什麼方法預測電影票房，在「剛開拍」時會比「上映前幾週」時要難得多。同樣，如果你想預測尚未上市的新產品銷量，那準確度可能不會高過預測已上市的產品。

你無法解決這個問題，唯一能做的只有：使用其中一種方式，或甚至結合幾種方式，就像我們研究預測市場時的方法，然後隨時觀察、記錄預測的表現。我在第 6 章開頭也提過，一般人通常不習慣追蹤自己的預測。我們做了大量預測，卻很少回頭檢視自己對了幾次。然而，留意並記錄預測成效或許才是最重要的事，唯有如此，你才能知道準確度是多少，進而知道自己預測的可信度。

——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。