「擁抱變化」，是美國同婚倡議成功的關鍵——《造局者：思考框架的威力》

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

科學這門事業並非價值中立，個別科學家也不是。沒有任何人可以真正做到價值中立，當科學家這樣講自己，人們會覺得他們虛偽，因為那是不可能的。除非他們是白痴學者或超級天真，不然就是不誠實。然而誠實、開放和透明又被認為是科學研究的核心價值。科學家怎麼可能同時做到誠實，又說他們沒有自己的價值觀？如果科學家要堅守誠信，同時卻讓大眾誤解他們的角色（就算不是故意的），這會讓他們的事業出現根本的矛盾。

可能有人會反駁，科學家並不是說他們沒有自己的價值觀，只是不會允許這些價值觀影響到科學工作。這種論述不可能證明對或錯，但社會科學研究和一般常識都顯示這不太可能。這就把我們帶到下一個問題，不知為何長久以來都沒有人認真討論一件事，但它卻是許多美國人不信任科學的核心因素：要說科學是價值中立的，多少是在說它沒有價值，至少除了創造知識以外沒有其他價值，而這很容易就變成在說科學家沒有價值信念。當然不是這樣，但如果科學家不願意討論他們的價值觀，就會給人一種印象，認為他們的價值觀有問題，所以才需要遮遮掩掩，或認為他們根本就沒有價值信念。你會相信一個沒有價值信念的人嗎？

我在第二章提出了一個問題：忽視科學主張但最終發現它是對的，風險是什麼？相比之下，相信一個錯誤的科學主張，風險又是什麼？回答這個問題必須仰賴價值。我和康威合著的《販賣懷疑的人》提到，氣候科學所引起的爭辯，幾乎都是價值上的爭辯。很多有影響力的人物在一九八○和一九九○年代相信，政府干預市場的政治風險是如此之大，超越了氣候變遷的風險，因此他們懷疑、蔑視，甚至否認後者的科學證據。這些立場由自由主義智庫繼承，得到共和黨支持，演變成共和黨支持者很多都否認氣候變遷，只是有些積極、有些消極；然後再演變成很多質疑「大政府」的人都懷疑氣候變遷，包括商人、長者、福音派基督徒、住在美國鄉下的人。

即使氣候變遷的證據不斷累積，懷疑論者還是堅稱，就算氣候真的有在變遷，情況也不會太嚴重，或者不是「我們造成的」。因為如果事情真的很嚴重而且是我們造成的，那我們就應該採取行動，可能需要政府以某種方式管制。如此一來，否認氣候變遷逐漸變成美式生活的常態，先是否認證據，最終否認事實。這個問題非常嚴重，但是對於氣候變遷否認者秉持的價值，不能一網打盡說是錯的。

我們可以討論大政府和小政府的優缺、市場管制不足或過度管制的風險，但任何這類討論都（至少在某種程度上）是從價值出發。如果要開誠布公討論這個話題，就必須討論我們的價值觀。不同的人面對同樣的風險，可能有不同的想法，不代表他們就是愚笨或腐敗。人為氣候變遷的科學證據很清楚，疫苗不會導致自閉症很清楚，使用牙線有益健康也很清楚。但價值觀導致許多人拒絕接受證據指出的事情。

回到剛才的問題：你會相信一個沒有價值信念的人嗎？答案當然是不會，這種人是反社會人格。你也不會相信那些擁抱你所厭惡的價值的人。但如果你認為，某個人的價值觀起碼部分與你相似，就算不盡相同，你可能就比較願意聽聽他的想法，接受他說法的一部分。因此，無論價值中立是否能讓一個主張在知識論上比較站得住腳，可以確定的是它在現實中沒有用，不能以此確保溝通、建立信任的連結。

科學寫作的主流寫法不只試圖隱藏作者的價值觀，也把他們的人性一同抹煞了。價值觀隱藏、情緒不得伸張、避免使用形容詞，甚至連「我」這個字都無形中禁止了，即便論文只有單一作者也一樣。理想的科學論文寫得好像作者沒有價值觀或感覺，甚至好像作者根本不是人，這都是為了表現出客觀。

科學家可能覺得根本沒辦法讓否認氣候變遷和相信地球年紀是 6000 年的人相信他們。或許這是真的。我曾經公開表示對於要如何跟千禧世代交流感到非常絕望，他們之中有些人聽信末世論，認為世界就要毀滅了，幹麻還擔心氣候變遷？但當我陷入絕望，隔天幾位記者就告訴我怎樣才能透過基督教價值和教導打動這些人。他們建議我從價值觀下手，社會科學研究也支持這種想法。

結論

科學家壓抑自己的價值觀，堅持科學是價值中立的，這是一條歧路。他們認為人們如果相信科學沒有價值觀，就會相信他們，但這是錯的。

墨頓顯然這樣想，但他可能是錯的，或許反過來才是對的。原因如下：

政治與社會觀念保守的基督徒、自由主義者、共和黨人拒絕相信演化論和人為氣候變遷，大部分分析都聚焦在科學家與這些人之間的價值衝突。但我相信，驅動大多數科學家的價值觀，還是和大多數美國人的價值觀有重疊之處，包括多數的保守派和宗教信徒。近來有一些科學家開始公開聲明他們的價值觀，我認為部分原因是，他們深信這些價值觀確實得到廣泛接納，可以作為信任連結的基礎。 我認為他們是對的。

我認識的大部分科學家都想要預防疾病、促進人類健康、透過創新和發現來強化經濟、保護美國與全世界美麗的大自然。前共和黨議員殷格利斯講得很有說服力，他談到他和海洋生物學家一同造訪大堡礁，他們肩並肩站著，欣賞珊瑚礁周邊生物撼人的美麗。殷格利斯了解到一件事：他看到「創造」，科學家看到「生物多樣性」，但他們實際上看到的、在意的、珍惜的，是同一件事。

我好喜歡這個故事，因為多數人至少都在某方面珍愛自然。不同背景的美國人都曾造訪國家公園和森林，去健行、釣魚、露營、開車、攝影、漫遊、抱怨，雖然從事不同活動，但美景與體驗帶來了共同的喜悅。儘管如此，我們對人類與自然世界的關係，確實有不一樣的想法。有些人想要在冬日的黃石公園騎雪上摩托車，有些人想要安靜休養。幾乎所有美國人都說他們相信自由，然而我們對這個詞的理解卻嚴重分歧，也很難同意該把哪一類自由看得最重要。柏林有句名言：狼的自由可能代表羊的死亡。同意「自由」這個詞意義並不大。

宗教歷史學家普羅特勞指出，猶太人、天主教徒和新教教徒都相信十誡，但是版本差距之大，令人吃驚。例如天主教放棄了不可崇拜偶像，而猶太教與新教徒堅守此道。天主教因此少了一條戒律，只剩九條很奇怪，於是他們把最後一條一分為二，變成第九條是不可貪圖鄰人之妻，第十條是不可貪圖其他東西。儘管如此，美國人中超過 70% 都信奉這三個宗教，他們都還是認同不可殺人、偷竊、通姦或做偽證，也相信我們應該崇拜唯一真神、不可妄稱神的名、守安息日、孝敬父母。伊斯蘭教也同意這些，只是比這三個宗教更加強調慈善：課（zakat），也就是施捨，是五大支柱之一。不過，看看 zakat 這個字和希伯來文中的 tzedakah 多麼相似，tzedakah 代表慈善施予，是猶太生活的道德義務。慈善也是基督教的核心價值，虔誠的摩門教徒會繳納什一奉獻。

在很多政治議題上我們意見相左，但我們的核心價值大部分都重疊。釐清這些我們都同意的部分，並解釋它們和科學研究的關聯，我們就有機會克服盛行的懷疑論與對科學的不信任，尤其是因價值受到衝擊而產生的不信任。

We have been authorized by Princeton University Press to use this conten. 該內容由普林斯頓大學出版社授權使用

——本文摘自《為何信任科學：科學的歷史、哲學、政治與社會學觀點》，2024 年 04 月，貓頭鷹出版，未經同意請勿轉載。

人類如何發展成多元族群？

自從三十萬年前智人在非洲現身，多元化便幫助人類適應非洲各地不同的環境。這期間大部分時候，適應成功漸漸產生更好的獵人和採集者，使食物供給增加，人口明顯上升。

之後每個人可享有的生存空間和自然資源減少，早在六萬至九萬年前的某個時間，智人開始大規模出走非洲大陸，尋找更多肥沃的生存土地。由於這種外移過程有連續性，便自然產生一種相關：定居的地方離非洲越遠，人口多元化就越低。智人離開非洲越遠，其社會的文化、語言、行為、體格多元化程度就越低。這種現象反映著連續始祖效應（serial founder effect）。

什麼是「連續始祖效應」？

假設有個島上，住著五種主要品種的鸚鵡：藍、黃、黑、綠、紅，牠們在島上適應存活的能力相當。當颱風來襲，有幾隻鸚鵡被吹到很遠的荒漠小島。這一子群鸚鵡不太可能涵蓋所有五個品種。假定牠們以紅、黃、藍居多，不久滿布新島上的幼雛將遺傳牠們的毛色。於是新島上形成的鸚鵡群就不及原棲息地的多樣化。要是後來又有很小一群鸚鵡，從第二島移往第三島，這一群的多樣化更不及前二島。所以只要鸚鵡從母島移出的速度快過原島上可能產生突變的速度，則牠們（相繼）移得越遠，就越不多樣。

人類移出非洲也是類似模式。起先有一群人離開非洲，定居在附近肥沃地帶，他們只帶走非洲母體人口多樣化的一部分。等這群最早的移民成長到新環境無法支撐他們再擴大，便會有一群人離開，去尋找別的處女地，定居在更遠的地方，其多元化將更低。人類向非洲以外散布，以致各洲都有人類蹤跡的這段期間，同樣的過程一再重複：人口增加，新群體再移出，去追尋更綠的草地，但多樣化僅及母體人口的一部分。

儘管有移民改變方向，這顯而易見，不過這種移居模式的影響是，離開非洲來到西亞的人群不像原本在非洲的人口那樣多樣化，其後代又繼續向東移往中亞，最後來到大洋洲和美洲，或是向西北移往歐洲，多其樣性也越來越比不上留在原地的人。解剖學上的現代人類，從非洲的搖籃向外擴張，為世界各地文化、語言、行為、形體多元化的程度不同，刻下深刻且不可磨滅的印記。

這種與非洲離得越遠、人口整體多元程度就降低，部分反映在較遠的在地民族基因較不多樣化上。根據對二百六十七種不同人口做基因多元化的比較測量，這些人口大都可找出原屬的本土族群和地理上的發源地。結果很明顯，距東非最近的本土族群基因最多樣化。多樣化最低的是中南美洲的本土族群，他們從陸路移出非洲的距離最長。多元化與移出東非的距離成負相關，這種模式不僅出現在各大洲之間，在各洲內部也是如此。

體質與認知人類學領域提供更多這種證據。研究人體體型的特徵，比方與牙齒特徵、骨盆特徵、產道形狀相關的骨骼架構，以及研究文化特徵，例如不同語言的基本詞語單位（「音素」〔phonemes〕），都證實有源自東非的連續始祖效應存在；同樣是距東非越遠，體形和文化特徵的多樣化越低。

人口多元化表現的形式是多方面的，若要適當探究整體多元化程度對國家經濟繁榮的影響，當然需要比基因學家和人類學家所提供的更廣泛許多的測量標準。此外，這標準也需要獨立於經濟發展的程度之外，以便用於評估多元化對國家財富的因果效應。這會是什麼樣的測量標準呢？

測量人類多樣性的標準是什麼？

測量人口多元化慣用的標準，往往只擷取人口中族裔或語言群體的比例代表。這類標準因此有二大缺點；一是某些族裔和語言群體的關係較密切。由等比例丹麥人和瑞典人組成的社會，或許不如由等比例丹麥人和日本人組成的社會那麼多元。另一缺點是，族裔和語言群體的內部也不盡然完全同質。全由日本人組成的國家與全由丹麥人組成的國家，多元化程度不見得相同。事實上，族裔團體內在的多樣性通常比不同群體間的多樣性要大上十倍。

因此要全面測量一國人口的整體多元化，至少應當再多加二個多元化的面向。一是族裔或次民族群體內在的多元化，如美國的愛爾蘭裔和蘇格蘭裔人口。其次是比對任一組族裔或次民族群體之間的多元化程度，例如，比起美國的愛爾蘭裔和墨西哥裔人口，愛爾蘭裔和蘇格蘭裔的文化較為相近。

鑑於移出東非的距離與可觀察特質的多元化之間存在緊密的負相關，這個遷徙距離可用於代表地球上每個地方的歷史多元化程度。我們依據各地人口的祖先與遷徙出非洲的距離有多遠，可以建構推算今日各國人口整體多元化的指數，列入考量的包括 (1) 國內各次群體的祖先人數多寡；(2) 依據各次群體的祖先走出東非時遷徙的距離，來推測其多元化；(3) 每一次群體配對後，由兩方祖先和地理發源地的遷徙距離來推算多元化程度。

這樣用統計學測量來推算多元化水準有二大優點。一是史前遠離非洲有多遠，顯然完全與當今的經濟繁榮水準無關，所以這種測量法可用於估計多元化對生活水準的因果效應。其次是如上文所強調，有越來越多體質與認知人類學領域的證據顯示，遠離非洲的遷徙距離深深影響到許多表現在身體及行為上的特質的多元化；所以我們有把握，用這種測量法推算的多元化類別會產生社會結果。

要是用這種指數測量多元化不精準（採隨機方式進行），原因比方說是未能適當考量各洲的內部移民，則根據統計學理論，我們多半會因此否定、而非確認多元化影響經濟繁榮的假設。也就是說，如果我們犯錯，是因為過於謹慎。

人口特質多元性和能不能賺大錢有關係！？

最後很重要的一點是，我們是針對個別社會的特徵測量多元化。這測量的是某一社會的人口特質有多少不同種類，無論這些特質是什麼，或是不同社會間有什麼差別。因此它不會、也不能用於暗示某些特質比別的特質對經濟成功更有利。反而它可以掌握到某個社會的人口特質多元化，對經濟繁榮有何潛在影響。事實上，把地理與歷史干擾因子納入考量，遠離非洲的遷徙距離本身似乎並未影響全球各地如身高體重等特徵的平均水準。它主要是影響群體中的個人與平均水準的差異。

有了這強有力的測量法可測定每一群人口的整體多樣性，我們終於可以探究數萬年前遠離非洲的大出走，以及它對人類多元化的影響，是否如此源遠流長，以致居然還能左右當前的全球生活水準。

———本書摘自《人類的旅程》，2022 年 10 月，商業周刊，未經同意請勿轉載。