Loading [MathJax]/extensions/tex2jax.js

2

10
1

文字

分享

2
10
1

天天朝九晚五心好累?明明五小時就夠啦!

Peggy Sha/沙珮琦
・2021/07/09 ・3155字 ・閱讀時間約 6 分鐘

在疫情期間,你的工時有沒有跟著調整,或者直接 WFH 了呢?在疫情逐漸趨緩的狀況下,不少企業已經開始思考回歸一周五天進辦公室那種朝九晚五的生活了,嗚嗚嗚,到底為什麼要一週工作五天啊,我只想躺著也有錢賺啊(等等)

Corona Working From Home GIF by MOODMAN
疫情影響下,許多人的工作型態或工時受到改變。圖/GIPHY

嘿嘿,你想問的問題,各種人資專家也想問,欸欸,那個,一週工作四天不好嗎?一天工作三小時不好嗎?說不定這樣員工還更有效率呢!

有影嘸影?所以說,到底工作幾個小時最好?

一天八小誰說的?工業革命惹的禍!

說到這減少工時嘛,我們首先得來看看咱們原本的工時到底是怎麼來的,其實,這一切都是福特汽車公司的陰謀!(指) 

工業革命之後,在廠房工作成了大多數勞工的日常,一開始呢,大家一週可是要工作六天的,只有禮拜天因為信仰的關係,定為了休息日。(上帝都休,你敢不休?)

-----廣告,請繼續往下閱讀-----

到了 20 世紀,由福特領頭的一些廠商提出了「一週五天、一日八小」這種工作方式,為什麼呢?因為週休二日能讓員工有更多機會花錢,花錢幹嘛呢?花錢買我們的產品啊!這些消費有助經濟成長、不會降低生產力,還非常適合輪班制度,一日三班就能讓生產線永遠不斷,於是乎,這制度就沿用了下來。

1913年福特汽車生產流水線。圖/wiki

神啊!讓我少工作一天吧!

問題是,現在可都 21 世紀了啊!我們為什麼還要用這種工時系統呢?英國的工會聯盟(Trade Union Council, TUC)就發話了,他們在工作環境改善報告中提出,如果大家可以選擇的話,有八成的人都希望可以少工作一天。

但想歸想,如果真的變成每週上四天班,又會如何呢?

來自奧克蘭大學商學院(University of Auckland Business School)的高級講師 Helen Delaney 便曾在 2018 年試驗了這件事,實驗的對象主要來自一間紐西蘭信託公司「Perpetual Guardian」中的員工。

結果發現,唉呀,這少工作一天可真是好處多多啊,不僅工作效率依舊,團隊合作跟工作的投入程度都增加了。另一方面,為了在四天內做完所有工作、好好享受假期,有不少員工會嘗試運用創新的小技巧來提高工作效率,像是將流程自動化啦、改變會議方式啦、加裝新的 app 啦等等。

-----廣告,請繼續往下閱讀-----

不過呢,這種轉變也不是全無壞處的,有些人就覺得只有四天能工作,會讓他們的壓力暴增,也有些人會在四天內加班,等於是總工時沒啥變化,花在工作上的時間還是一樣多。

Hard Work GIF by memecandy
工時減少一天後,有人為了享受假期而提高工作效率,也有人感覺壓力增加。圖/GIPHY

一天只要上五小,快樂工作沒煩惱?

好吧,既然工作四天壓力大,那讓我們換一下,一樣工作五天,但工時稍微少一咪咪怎麼樣?矽谷智庫的資深顧問方洙正(Alex Soojung-Kim Pang)非常推崇這種概念,還為此出了一本書《用心休息》。

他認為,比起工作超長時間,很多成功人士更著重於提高每天的高度專注時間,(簡單來說就是重質不重量啦XD),他們一天基本花費 4~4.5 個小時高強度工作,進而達到他們的目標。

哇塞,一天只要五小時是不是聽起來很讚?加州的電商「Tower Paddle Boards」跟德國數位顧問公司「Rheingans」也覺得聽起來很讚,所以他們嘗試用了這種方式。

-----廣告,請繼續往下閱讀-----

Tower Paddle Boards 早在 2015 年就採取了每天工作五小時的制度,員工從早八一路工作到下午一點,中間完全不休息,時間到就打卡走人。結果怎麼樣呢?公司的 CEO──Stephan Aarstol 表示非常滿意,因為員工們都很想要擁有悠閒的下午,會自己在時間內加倍努力地工作,最後甚至讓產能增加了 50%!

像是倉庫人員,本來每個包裹要包他個五分鐘,工時一改變,他們只需要不到三分鐘就能包好,在時間限制下,大家會開始使用創造性思考來增加產能。

90S Spin GIF by GIFt Delivery
縮短每日工時後,員工主動在時間內加倍努力地工作。圖/GIPHY

又能午睡又能高效產出,這應該是完美工作法了吧?嗯……也不全是。從 Rheingans 公司的結果看來,這方法還是有些缺點的。

雖然五小時工作法在 Rheingans 公司裡依然正常發揮,提升了效率、讓員工能在工作/生活間取得平衡,但是,對於公司氛圍來說,卻是有害無益,畢竟,大家都忙著工作,誰有空陪你喝咖啡講屁話,久而久之,團隊文化、員工歸屬感等等,就在無形中被犧牲掉了。

-----廣告,請繼續往下閱讀-----

五小時特權,不是人人能擁有

除了上面這種願意第一線嘗試的公司之外,有些學術研究也有類似的發現,像是英國雷丁大學亨利商學院(University of Reading’s Henley Business School)策略人資管理的副教授 Rita Fontinha 便在自己的研究中指出:縮短工時雖然有助於提升員工的生活品質與團隊成效,但也會帶來許多壓力。有趣的是,有些員工雖然加了很多班,卻對自己的工作十分滿意。因此,綜合考量各個情況,Fontinha 認為,公司其實應該給員工多一點工作時間調配的彈性。

牛津大學賽德商學院(University of Oxford’s Saïd Business School)副教授 Jan-Emmanuel de Neve 的研究也得到了類似的結論,那就是,雖然一天只工作五小時能提高效率跟員工的幸福感,但效率提升也可能被要求做更多工作(慣老闆你懂的),那原本的幸福也變得不幸福了嗚嗚。

除了工作時幸不幸福、快不快樂這種奢侈的煩惱,有些阻礙更「實際」一點,像是工廠生產線、電話客服等等需輪班的職位,其實還是用八小時制更方便一些;此外,有些工作不需要高度專注,也不要求你多有創意,這種機械化的工作,也較適用原本的八小時班制。

Line Production GIF
工廠生產線與客服等比較機械式的工作,八小時制的工時更便於排班。圖/GIPHY

所以說,到底怎樣工作比較好啦?

唉呦,說來說去都是有利有弊,到底怎樣最好?你或許可以參考利物浦的行銷公司「Agent」的方式,他們 2016 年時曾在《BBC》的邀請下,施行了每天工作六小時的實驗,也碰到了上面說到的難題。

-----廣告,請繼續往下閱讀-----

後來,他們便改用新式的「兩短三長」工作法,給員工一些彈性,讓他們自己從一週裡面挑出兩天縮短工時,四年多來,看起來成效依然不錯,算是目前看起來 CP 值最高的工時分配方法。

以上說了這麼多的工時調整方法,你最中意哪一種呢?唉,說了這麼多,也得老闆同意才行對吧,身為社畜的我,還是先洗洗睡好了。

  1. Bellet, C. S., Neve, J. D., & Ward, G. (2019). Does Employee Happiness Have an Impact on Productivity. SSRN. DOI: 10.2139/ssrn.3470734
  2. Fontinha, R., Easton, S. & Van Laar, D. (2019). Overtimeand quality of working life in academics and non-academics:the role of perceived work-life balance. ResearchGate. DOI: 10.1037/str0000067
  3. Delaney, H. Perpetual Guardian’s 4-day workweek trial: Qualitative research analysis. 4 Day Week Global.
  4. Taylor, M. (2021). The perfect number of hours to work every day? Five. WIRED.
  5. PRIDAY, R. (2018). The science behind the success of a four-day working week. WIRED.
  6. Cobie, N. (2021). Forget a four-day work week. How about seven? WIRED.
  7. Wiginton, K. (2021). Your ability to focus may be limited to 4 or 5 hours a day. Here’s how to make the most of them. The Washington Post.
  8. Elegant, N. X. (2020). ‘The old ways of working are outdated’: Unilever is experimenting with a 4-day workweek. Fortune.
  9. A future that works for working people. TUC.

-----廣告,請繼續往下閱讀-----
文章難易度
所有討論 2
Peggy Sha/沙珮琦
69 篇文章 ・ 390 位粉絲
曾經是泛科的 S 編,來自可愛的教育系,是一位正努力成為科青的女子,永遠都想要知道更多新的事情,好奇心怎樣都不嫌多。

0

0
0

文字

分享

0
0
0
拆解邊緣AI熱潮:伺服器如何提供穩固的運算基石?
鳥苷三磷酸 (PanSci Promo)_96
・2025/05/21 ・5071字 ・閱讀時間約 10 分鐘

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。

-----廣告,請繼續往下閱讀-----

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。

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。/ 圖片來源:MotionArray

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)」!

-----廣告,請繼續往下閱讀-----

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。

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。

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。/ 圖片提供:研華科技

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。

-----廣告,請繼續往下閱讀-----

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。

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。/ 圖片來源:MotionArray

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)。

-----廣告,請繼續往下閱讀-----

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。

-----廣告,請繼續往下閱讀-----

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。

-----廣告,請繼續往下閱讀-----
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。/ 圖片提供:研華科技

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

-----廣告,請繼續往下閱讀-----
-----廣告,請繼續往下閱讀-----
文章難易度

討論功能關閉中。

0

101
2

文字

分享

0
101
2
時間與空間的顛覆!如何用簡單的方式了解「相對論」?——《物理角色圖鑑》
azothbooks_96
・2024/09/16 ・2086字 ・閱讀時間約 4 分鐘

時間不再絕對?牛頓與愛因斯坦的時間觀差異

川村老師,請用簡單的方式告訴我「相對論」是什麼?

圖/《物理角色圖鑑》

老師:狹義相對論源自相對性原理(Principle of relativity,指物理定律〔Physical law〕適用於所有以等速直線運動的物體) 與光速恆定原理。根據這個理論,時間是相對的,依不同觀察者而有所差異。牛頓力學中的時間是絕對的,愛因斯坦則認為,可依不同的觀察者位置對時間進行不同定義。

圖/《物理角色圖鑑》

老師:之前在討論「力」時,也提過離心力。離心力是「慣性力」的一種,慣性力指物體在加速運動時感受到的與加速方向相反的力。置身在沒有窗戶的電梯中,當電梯向上加速,電梯內的人會受到向下的慣性力(譯注:因看不到外面,使得他無法判斷電梯的運動情況)。若加速度為 g,物體質量為 m,則物體所受慣性力為 mg,與在地面所受的重力 mg 相同。愛因斯坦無法區別這兩種 mg 的差異,所以視為等效。但無論慣性力的方向為何,物體都會往向量合成後的視重力場方向掉落。

時間在任何地方都固定不變嗎?

世界上最快的速度是光速。物體的移動速度若接近光速,它的時間進程就會變慢。也就是說,在接近光速的太空船上,時間會變得悠長。而且,接近光速的物體長度會朝行進方向收縮。

物體只要具有質量,即使在靜止狀態依然擁有能量(其能量 E mc2,稱為靜止能量(Rest energy)。

-----廣告,請繼續往下閱讀-----

提到光的運動,我們已經知道光的路徑會彎曲。

1919 年,天文學家觀測到恆星發出的光線在經過太陽附近時被偏折,這種現象稱為「重力透鏡效應」(Gravitational lens),有助於了解黑洞等宇宙中質量分布的情況。此外,天體物理學家也觀測到時間的延遲。簡而言之,接近地面的時鐘行進速度會比高處的時鐘慢,GPS 也是依據這種效應來進行校正。

圖/《物理角色圖鑑》
圖/《物理角色圖鑑》

時間

牛頓力學中的「時間」(也就是我們一般理解的時間)和相對論中的時間大異其趣。牛頓在《自然哲學的數學原理》(Philosophiæ Naturalis Principia Mathematica,1687)中,假設空間是均勻平坦的;從過去到未來,在任何地方都平均延伸。在牛頓力學中,全宇宙的時間一致。

但相對論否定了這一點。

-----廣告,請繼續往下閱讀-----
圖/《物理角色圖鑑》

光速恆定原理指出,光的速度是固定不變的。這種狀況下,空間中不同地點發生的兩件事,對某個觀測者來說是同時發生,但對另一參考系的觀測者而言則非同時發生。也就是說,時間的前進速度並非在任何地方都相同。因此,時間和空間不能視為各自獨立的兩回事,應該一體化,視為四維空間(時空,Spacetime)。

不過,這是指物體移動速度接近光速時的情況。日常生活中,使用過去的時間觀不會有任何問題。

黑洞

黑洞(Black hole)是一種天體,因為密度極高,重力極強, 不只物質,連光都會被吸進去,無法逃逸。天體是宇宙中所有物體的總稱,具體來說,指太陽、恆星、行星、星團、星雲等。從相對論來看,黑洞周圍空間是扭曲的。照以下方式想像應該會比較容易理解:

把重物放在一大塊展開的薄橡皮布上,放置處就會凹下去,而這塊凹陷會影響到周圍。同樣的,黑洞所在之處會發生猛烈的空間扭曲,經過附近的天體會被極強的重力吸引,落入其中,連光也難逃魔掌。

-----廣告,請繼續往下閱讀-----

銀河系有許多黑洞,但具體數字不詳。2019 年,一個跨國研究計畫團隊首次拍攝到黑洞的「影子」,掀起一陣討論熱潮。

——本文摘自《物理角色圖鑑:用35個萌角色掌握最重要的物理觀念,秒懂生活中的科普知識》,2024 年 9 月,漫遊者文化,未經同意請勿轉載。

-----廣告,請繼續往下閱讀-----

討論功能關閉中。

azothbooks_96
55 篇文章 ・ 21 位粉絲
漫遊也許有原因,卻沒有目的。 漫遊者的原因就是自由。文學、人文、藝術、商業、學習、生活雜學,以及問題解決的實用學,這些都是「漫遊者」的範疇,「漫遊者」希望在其中找到未來的閱讀形式,尋找新的面貌,為出版文化找尋新風景。

0

2
3

文字

分享

0
2
3
大家都認為自己值得更多的薪水!給你更多錢會提升工作表現嗎?——《超越直覺》
一起來
・2024/05/02 ・1949字 ・閱讀時間約 4 分鐘

-----廣告,請繼續往下閱讀-----

框架問題理應提醒我們,我們只要自動腦補就一定會犯錯。我們確實向來如此。不過「人類」這個對象不同於 AI 研究人員開發的機器人或電腦,並不會讓我們訝異到必須被迫改寫思考時的整個心智模式。相反地,一旦我們知道答案,就似乎總能找出先前被忽略、後來明顯相關的面向,就像拉扎斯菲爾德假想的《美國士兵》讀者——他們在事後發現,每一個對立的結果都同樣理所當然。

也許我們原本預期自己中了樂透之後會超級開心,結果中獎之後,卻發現自己很鬱悶,這個預測顯然很糟糕。但當我們意識到自己預測錯誤時,同時也獲得新的資訊,例如那些突然出現要借錢的親戚。於是我們會心想,如果早點知道這些資訊,就可以正確預測未來的幸福狀態,也許就不會去買樂透彩了。

因此,我們沒有質疑自己預測未來幸福程度的能力,反而只是認為我們漏掉了一些重要的東西,並且確保自己不再犯相同錯誤。然而我們卻一錯再錯。事實上,無論對於他人行為的預測失準了多少次,我們總是可以用當時未知的事情做為辯解。透過這種方式,我們掩蓋了框架問題,一再說服自己下次會做好,卻永遠都不明白我們真正錯在哪裡。

圖/envato

這種行為模式在動機與金錢報酬的關係中最為明顯,也最難消除。例如,實施金錢獎勵制度顯然能提升員工表現,而且數十年來,職場上大幅出現以績效為基礎的薪資制度,最具代表性的就是高階主管薪酬與股價掛鉤。

-----廣告,請繼續往下閱讀-----

當然,員工在意的顯然不只薪水,還有內在的愉悅感、認同感,以及在個人職涯上的成長與晉升等因素,這些都會影響工作表現。

在其他條件都相同的情況下,適當的金錢獎勵可以提升個人表現——這似乎理所當然。然而,多年來有多項研究顯示,薪酬與工作表現之間的關係,實際上的複雜程度讓人難以想像。

舉個例子,最近我跟雅虎(Yahoo!)的同事梅森(Winter Mason)進行了一系列網路實驗。我們給予受試者不同的薪資,並要求他們執行各種簡單的重複性工作,例如:按照正確的時間順序排列一組車流照片,或是在矩形網格上,找出隱藏在一堆英文字母中的英文單字。

所有受試者都是在亞馬遜土耳其機器人(Amazon’s Mechanical Turk)這個外包網站上招募而來,這個網站是亞馬遜公司於二○○五年推出,原先是用來找出重複的庫存商品。現在有數百家企業使用土耳其機器人進行「群眾外包」(crowd-source),處理五花八門的各種任務,像是標示圖片中的物品、描述新聞報導的觀點,或是判斷兩種說法中哪一個比較清楚。這個網站也是招募心理學實驗受試者的一個有效方法,就像心理學家多年來在大學校園裡張貼廣告那樣,不過土耳其機器人網站的「託客」(turkers)完成一件任務的報酬通常只需要幾美分,只占了研究經費的一小部分。

-----廣告,請繼續往下閱讀-----
圖/envato

我們的實驗總共納入數百位受試者,完成了數萬件任務。有些受試者完成一件任務只能得到 1 美分的酬勞,例如整理一組圖片、找出一個單字。但是,有些受試者完成相同任務卻會得到 5 美分或 10 美分。這在工資上是相當大的差異,要知道,美國電腦工程師的平均時薪只有聯邦最低工資的六倍,所以你可以預期這個工資差異會對受試者的行為產生強烈影響。

結果確實如此。我們付的錢越多,受試者離開實驗之前完成的任務就越多。我們還發現,不管工資多少,分配到「簡單」任務(每一組有兩張圖片需要歸類)的人,比分配到中等或困難任務(每一組有三至四張)的人完成更多任務。換句話說,這些都符合常理。

但接下來的問題是:雖然存在上述差異,我們發現這群受試者的工作品質,也就是歸類圖片的準確度,並不會因為工資不同而下降,即使只有正確完成才能拿到酬勞。

該如何解釋這個結果?我們並不十分確定。在受試者完成任務之後,我們問了一些問題,包括他們認為自己的工作該得到多少報酬。有趣的是,他們的回答與工作難度無關,而是取決於獲得的工資。平均而言,每件任務得到 1 美分的受試者,認為自己該得到 5 美分。得到 5 美分的認為自己該得到 8 美分,而得到 10 美分的則認為自己該得到 13 美分。

-----廣告,請繼續往下閱讀-----

換句話說,不論他們實際上得到多少(還記得有些受試者的工資是別人的十倍嗎),每個人都覺得工資過低。大家在直覺上會認為,給予金錢獎勵就能夠提升員工的動機,但這個實驗告訴我們,即使是非常簡單的工作,工作動機也會因爲員工的權利意識提升而大幅減弱。

——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。

-----廣告,請繼續往下閱讀-----

討論功能關閉中。