科學新聞糾察隊：「人類具10秒前預知能力？」

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

如何改變學生對犯錯的看法？

老師或家長能夠採取的行動當中，最有效的就是改變在孩子出錯和答錯時所表現的態度。最近我收到一個令我很感動的影片，是一位老師寄來的，這位老師參加過我的線上課程，而從這個學年開始，把錯誤的重要性和價值教給一班成績不好的學生。這班學生在一年之間改頭換面，讓自己從過去的失敗中重振，和數學重新建立興趣。

這個老師寄來的影片是這些學生的反響，在影片中，他們說到「錯誤可以增長大腦」這個觀念讓自己完全改變了。他們說，過去他們覺得自己是個失敗者，這種思維阻礙了他們進步，新來的老師給他們很多觀念和教法，讓他們擺脫長久以來對數學的恐懼，用新的態度跟數學打交道。如果我們讓學生知道錯誤是正面的，就能給他們一種如釋重負的解脫感。

如何重新定位錯誤？

在我開給老師和家長的線上課程中，我分享了關於錯誤的新觀念，也提出一個難題給大家當作課堂活動。我請上課的人設計一個新的活動，這個活動要能夠在教室或家裡重新定位「錯誤」這件事。

有位老師的回應我很喜歡，她告訴我她會在上課一開始，要學生把一張紙揉成紙團，然後一邊想著數學做錯時的感受，一邊朝黑板丟紙團。她請這些學生藉由丟紙團來發洩他們的感受─通常是挫折感。

接著，她要學生撿回自己的紙團，把它攤平，然後用色筆描出紙上所有的摺痕，這些紋路就代表他們的大腦增長。最後，她要這些學生把這張紙收進文件夾，保管一整個學年，隨時提醒他們錯誤的重要性。

幾年前我開始和金．哈莉維爾（Kim Halliwell）合作，她善於鼓舞學生，是維斯塔聯合學區（Vista Unified School district）的老師，我和該學區的一群老師已經密切合作兩年多，哈莉維爾也是其中一位。去年我去參觀哈莉維爾的教室，看到牆上貼滿學生畫的漂亮大腦圖畫，畫紙上寫滿了跟大腦成長和錯誤有關的正面訊息。

哈莉維爾向我解釋，他們先一起複習跟大腦成長有關的訊息，然後她要學生挑出自己最喜歡的部分，寫在自己的畫裡。

分享錯誤並了解錯誤帶來的好處

另外一個在課堂上讚揚錯誤的方法，是要求學生交功課，形式不拘─即使是測驗卷也行（但給學生做測驗的次數越少越好），然後老師再特別標出他們「最喜歡的錯」。老師應該跟學生分享，而且這些錯應該是觀念錯誤，而非數字算錯。

接下來老師還可以跟全班分享，同時讓大家討論錯誤是從哪裡產生的，以及為什麼是錯的。這也是加深重要觀念的好時機。有學生犯錯是好事，因為他們正處於努力認知的階段，他們的大腦在放電與增長。分享並討論錯誤也是有好處的，因為只要有一個學生犯某個錯，也會有其他人出同樣的錯，所以讓每個人都重新思考錯誤是非常有幫助的。

如果替學生的數學功課打分數（我在後面會討論到，這是毫無益處的做法），而且一犯錯就扣分，學生就會接收到對犯錯和數學學習很負面的訊息。若要灌輸成長型思維，傳達數學學習的普遍正面觀念，老師應該盡可能捨棄測驗和打分數；假如非得繼續測驗打分數，針對錯誤的地方就應該給一樣的分數或是更高分，同時附上一個訊息，指出這個錯是學習和大腦成長的絕佳機會。

透過一對一互動建立成長型思維

在課堂上公開重視錯誤雖然重要，但老師也必須一對一給予正面訊息。我的女兒剛開始上學的那幾年，老師給予的都是相當負面的回饋，讓她在很小的時候就產生僵固型思維。她四、五歲時患有聽力障礙，就因為這樣，老師認定她能力不足，所以給她做簡單的功課。當時她才四歲，但心裡非常明白，回家後問我為什麼老師給其他小朋友做的功課比較難。

我們知道，學生在學校會花很多時間弄清楚老師對他們的評價，所以我的女兒感覺得到她的老師不很看重她，正因如此，她開始相信自己很笨。但自從三年前，她進了一間很棒的小學就讀，這間學校的老師很快就發現她的僵固型思維，看出這種思維讓她退縮。現在她十二歲，整個人脫胎換骨，變得很喜歡數學。

我的女兒念四年級的時候，仍然持著僵固型思維，有一次我和她在她的學校旁聽三年級生上課。老師把兩個數字問題寫在白板上，我的女兒答對一題，另一題答錯。當她發現自己答錯之後，馬上表現出負面情緒，說自己數學很差，連三年級生都不如。我便乘機傳遞很直接又重要的東西給她。

我說：「妳知不知道剛才發生了什麼事？妳答錯的時候，妳的大腦會增大，可是答對時腦袋裡什麼事也沒發生；大腦沒有增大。」這就是老師在學生犯錯時，可以跟他們進行的一對一互動。她瞪大眼睛看著我，我知道她明白了這個觀念的重要性。現在她上六年級了，已經是個很不一樣的學生：她欣然接受錯誤，肯定自己。有這種改變並不是因為教她更多數學或其他功課，而是教她要有成長型思維。

皮亞傑：「對學習來說讓心智模型產生不平衡狀態是必要的。」而錯誤能引發不平衡狀態。

在一九三○年代，世界頂尖的瑞士心理學家尚．皮亞傑（Jean Piaget）駁斥了「學習即熟記程序」的看法；他指出，真正的學習是需要去理解觀念如何結合在一起。他提到，學生的心智模型會規畫統整觀念的方式，當這些心智模型對學生來說有道理時，他們就處於平衡（equilibrium）狀態（可參考 Piaget, 1958 , 1970 等）。

當學生遇到新觀念時，他們會努力地把新的觀念放進現有的心智模型，但若是看起來放不進去，或是他們既有的模型需要改變，就會進入不平衡（disequilibrium）狀態。處於不平衡狀態的人明白新的資訊無法納入他們的學習模型，不過因為新資訊解釋得通，所以也沒辦法摒棄，於是他們就必須盡力更改模型。

不平衡的過程會讓學習者很不自在，但皮亞傑主張，不平衡狀態才能帶來真正的智慧。皮亞傑告訴我們，學習是從平衡狀態進入不平衡狀態的過程，在平衡狀態，一切觀念都融合得很好，而在不平衡狀態，則有新的觀念無法融入。皮亞傑指出，這個過程對於學習來說是必要的（Haack, 2011）。

重視錯誤、學會與不平衡狀態共處

在第 4 章談到數學演練和哪些演練形式有益、哪些無益的時候，我還會多加說明。現行數學教育的一大問題就是，學生接收到重複簡單的觀念並不會幫助他們進入關鍵的不平衡狀態。我們很清楚，能容忍模稜兩可的人會讓不平衡狀態更容易過渡到平衡狀態──這是我們必須給學生經歷更多數學上的模稜兩可與冒險的另一個理由。

針對錯誤與不平衡狀態的研究對數學課堂有極大的影響，不只是影響了處理錯誤的方式，還包括給學生的功課。如果我們希望學生犯錯，就必須給他們具挑戰性、有難度的作業，引發不平衡狀態。這種功課也應該要附帶與錯誤有關的正向訊息，讓學生在解決難題、犯錯及繼續下去時能夠覺得自在。

這對很多老師來說會是重大的轉變，因為他們目前在數學課上設計給學生的活動，是為了確保他們能夠順利完成，因而給學生一些通常能正確作答的問題。這就表示，學生並未充分施展能力，沒有獲得足夠的機會學習並讓大腦成長。

和杜維克一起參與工作坊的時候，我常聽到她告訴家長，要讓孩子知道：把功課做對並不是特別優秀的事，因為這表示他們不是在學習。

杜維克提到，假如孩子回家之後說他們在上課或小考時答對了所有的題目，家長應該要說：「噢，真是可惜，那表示你沒機會學到東西。」這雖然是個激進的回饋，不過我們有必要給學生強烈的訊息，去壓過他們經常在學校得到的想法──做得對最重要、正確是智力的表現。我和杜維克都企圖扭轉老師的目標，讓他們少重視正確成果，多重視錯誤。

本文摘錄自《幫孩子找到自信的成長型數學思維》， 2018 年 12 月，臉譜 出版

編按：本次事件感謝作者洪群甯和陳怡嘉等其他專家的指正，未來泛科學會優化留言系統以強化討論進行。此次的事件編輯部責無旁貸，未來若相關事件再次發生時，將會依循以下方式處理–

基於尊重作者的專業與觀點，我們不會在未徵得作者共識前把文章下架，如果文章有誤，與事實不符，我們會作出以下處理：

編輯部內部討論，判斷是否出錯。
發現錯誤，知會作者再查證。
要求作者修改文章，確認事實。
重新發表文章，文末註明修改原因。
在網頁及主要社群媒體帳號（如 Facebook ）公告已作出之修正。

我是洪群甯，一位正在學習心理學的碩士生，心中小小的願望是想藉由科普寫作推廣心理學，但是這條路總是在錯誤中學習……

身為科普文章應該有的樣子是…..

今年三月我在泛科學當實習編輯，當時寫了一篇文篇「排整齊讓你感覺對了」試圖去描述為何有些人會有想把東西排整齊的行為，但文中僅是推論卻沒有引用「科學」證據，這完全是犯了科普大忌呀。

泛科學作為一個努力推廣科學知識給予大眾的網站，所撰寫的科普文也一定是要有幾分證據說幾分話，而這也是科普文的核心價值，引用自維基百科對「科普作品」的定義：

科普作品的角色主要充當專業科學論文與大眾文化之間的橋樑。生產這類作品的主要目的是要用淺白的言辭去交代準確的科學數據和研究，令大眾更容易領會這類資訊。

定義看來科普作品的核心就是要準確地傳遞科學研究結果，而科學結果是經過大家熟知的步驟：【觀察-提出問題-參考文獻提出假說-做實驗-是否能驗證假說】；也就是說科學知識要能被科學界承認，不僅是觀察現象提出問題假說，還需要進一步做實驗證明自己所提出的假說是可信的，甚至是能夠被後人重現複製做出來。

因此作為一位科普人，要撰寫一篇好文章的是需要大量文獻研究佐證，作者就像是科學與大眾間的橋樑，負責幫大眾閱讀該領域的過去、現在與未來，然後將脈絡裡清楚之後再以淺白的口文去述說，這也是泛科學大多數作者致力於方向；而有時候作家可能因為閱讀的量少了些、翻譯能力差了點，或求快出文章就偏頗地寫出不符合該領域共識的論調。

但我當時卻屬於 — 誤把自我推論當作科普文撰寫，只先在腦中猜想可能造成排整齊背後的原因，好比是否為視覺處理的緣故？或是控制感讓我們想要排整齊？卻沒有充分地查找資料驗證，然後將想法兜在一起就寫出文章，時任心理文實習編輯的我便將文章po上網，造就了這場害人又害己的恐怖錯誤（跪）。

第一時間的讀者指正

在泛科學網站中，每篇文章的背後都有讀者留言的欄位，讀者的回應與建議時常讓該文作者有不一樣的見解，甚至當遇到留言者是該領域同好時，其內容就更夠幫助這篇文章被闡述得更好。

其實在刊登文章的當時，就有該專業領域的讀者反應與疑慮（連結），目前為美國耶魯認知心理學博士候選人陳怡嘉，也很明確地指出「排整齊讓你感覺對了」一文並沒有引用相關/直接研究來佐證；而在這一天上萬人瀏覽的科普網站中，這文章的負面影響是讓讀者接收錯誤資訊，誤以為這就是排整齊背後的「答案」。

當時我僅做了「修正文章」但這又是另一場悲劇，因為「為何人會排整齊」這問題根本沒有直接研究證據沒有答案；修正只是又做了另一番推論罷了，最恐怖核心的問題依舊沒有解決，那就是「還是沒有科學證據」！

時至今日事隔半年，因台大校訊訪問了泛科學這起爭議又再度被提起，離開了泛科學的實習編輯變成了一位正職學生的我，才漸漸明白原來錯誤一直都在只是我始終沒看開。

科普人應有的責任….

身為一位推廣科學的科普人理應嚴謹地拿出證據說話，卻因我一時腦殘把推論幻想文當科普文，而生出了這號稱科普文卻絲毫沒科學成分的文章，這一點確實是我怠忽職守科普人的角色。

「抱歉我失職了，但今後我會記取教訓更嚴謹！」原本的錯誤資訊也已經不知道散播了多遠；無論如何我都會面對並承認這場錯誤，將這次經驗作為往後寫科普的教訓，未來時時提醒自己用更謙卑更嚴謹的腦去看待科學，以及背後能使其言之有物的證據們。

畢竟科普寫作的一小步，是可能毀掉或成就科學領域的一大步！