有情人，一切盡在眼神中

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

理解期望值，有助於分析賭場裡的大部分賭局，以及美國中西部和英國的嘉年華會中，常有人玩、但一般人比較不熟悉的賭法：骰子擲好運（chuck-a-luck）。

招攬人來玩「骰子擲好運」的說詞極具說服力：你從 1 到 6 挑一個號碼，莊家一次擲三顆骰子，如果三個骰子都擲出你挑的號碼，莊家付你 3 美元。要是三個骰子裡出現兩個你挑的號碼，莊家付你 2 美元。

假如三個骰子裡只出現一個你挑的號碼，莊家付你 1 美元。如果你挑的號碼一個也沒有出現，那你要付莊家 1 美元。賽局用三個不同的骰子，你有三次機會贏，而且，有時候你還不只贏 1 美元，最多也不過輸 1 美元。

我們可以套用名主持人瓊安．李維絲（Joan Rivers）的名言（按：她的名言是：「我們能聊一聊嗎？」），問一句：「我們能算一算嗎？」（如果你寧願不算，可以跳過這一節。）不管你選哪個號碼，贏的機率顯然都一樣。不過，為了讓計算更明確易懂，假設你永遠都選 4。骰子是獨立的，三個骰子都出現 4 點的機率是 1/6×1/6×1/6＝1/216，你約有 1/216 的機率會贏得 3 美元。

僅有兩個骰子出現 4 點的機率，會難算一點。但你可以使用第 1 章提到的二項機率分布，我會在這裡再導一遍。三個骰子中出現兩個 4，有三種彼此互斥的情況：X44、4X4 或 44X，其中 X 代表任何非 4 的點數。而第一種的機率是 5/6×1/6×1/6＝5/216，第二種和第三種的結果也是這樣。三者相加，可得出三個骰子裡出現兩個 4 點的機率為 15/216，你有這樣的機率會贏得 2 美元。

同樣的，要算出三個骰子裡只出現一個 4 點的機率，也是要將事件分解成三種互斥的情況。得出 4XX 的機率為 1/6×5/6×5/6＝25/216，得到 X4X 和 XX4 的機率亦同，三者相加，得出 75/216。這是三個骰子裡僅出現一個 4 點的機率，因此也是你贏得 1 美元的機率。

要計算擲三個骰子都沒有出現 4 點的機率，我們只要算出剩下的機率是多少即可。算法是用 1（或是100％）減去（1/216 +15/216 + 75/216），得出的答案是 125/216。所以，平均而言，你每玩 216 次骰子擲好運，就有 125 次要輸 1 美元。

這樣一來，就可以算出你贏的期望值（$3×1/216）+（$2×15/216）+（$1×75/216）+（–$1×125/216）＝$（–17/216）＝–$0.08。平均來說，你每玩一次這個看起來很有吸引力的賭局，大概就要輸掉 8 美分。

尋找愛情，有公式？

面對愛情，有人從感性出發，有人以理性去愛。兩種單獨運作時顯然效果都不太好，但加起來⋯⋯也不是很妙。不過，如果善用兩者，成功的機率可能還是大一些。回想舊愛，憑感性去愛的人很可能悲嘆錯失的良緣，並認為自己以後再也不會這麼愛一個人了。而用比較冷靜的態度去愛的人，很可能會對以下的機率結果感興趣。

在我們的模型中，假設女主角——就叫她香桃吧（按：在希臘神話中，香桃木﹝Myrtle﹞是愛神阿芙蘿黛蒂﹝Aphrodite﹞的代表植物，象徵愛與美）有理由相信，在她的「約會生涯」中，會遇到 N 個可能成為配偶的人。對某些女性來說，N 可能等於 2；對另一些人來說，N 也許是 200。香桃思考的問題是：到了什麼時候我就應該接受X先生，不管在他之後可能有某些追求者比他「更好」？我們也假設她是一次遇見一個人，有能力判斷她遇到的人是否適合她，以及，一旦她拒絕了某個人之後，此人就永遠出局。

為了便於說明，假設香桃到目前為止已經見過 6 位男士，她對這些人的排序如下：3—5—1—6—2—4。這是指，在她約過會的這 6 人中，她對見到的第一人的喜歡程度排第 3 名，對第二人的喜歡程度排第 5 名，最喜歡第三個人，以此類推。如果她見了第七個人，她對此人的喜歡程度超過其他人，但第三人仍穩居寶座，那她的更新排序就會變成 4—6—1—7—3—5—2。每見過一個人，她就更新追求者的相對排序。她在想，到底要用什麼樣的規則擇偶，才能讓她最有機會從預估的 N 位追求者中，選出最好的。

要得出最好的策略，要善用條件機率（我們會在下一章介紹條件機率）和一點微積分，但策略本身講起來很簡單。如果有某個人比過去的對象都好，且讓我們把此人稱為真命天子。如果香桃打算和 N 個人碰面，她大概需要拒絕前面的 37％，之後真命天子出現時（如果有的話），就接受。

舉例來說，假設香桃不是太有魅力，她很可能只會遇見 4 個合格的追求者。我們進一步假設，這 4 個人與她相見的順序，是 24 種可能性中的任何一種（24＝4×3×2×1）。

由於 N＝4，37％ 策略在這個例子中不夠清楚（無法對應到整數），而 37％ 介於 25％ 與 50％ 之間，因此有兩套對應的最佳策略如下：

（A）拒絕第一個對象（4×25％＝1），接受後來最佳的對象。

（B）拒絕前兩名追求者（4×50％＝2），接受後來最好的求愛者。

如果採取A策略，香桃會在 24 種可能性中的 11 種，選到最好的追求者。採取 B 策略的話，會在 24 種可能性中的 10 種裡擇偶成功。

以下列出所有序列，如同前述，1 代表香桃最偏好的追求者，2 代表她的次佳選擇，以此類推。因此，3—2—1—4 代表她先遇見第三選擇，再來遇見第二選擇，第三次遇到最佳選擇，最後則遇到下下之選。序列後面標示的 A 或 B，代表在這些情況下，採取 A 策略或 B 策略能讓她選到真命天子。

1234；1243；1324；1342；1423；1432；2134（A）；2143（A）；2314（A, B）；2341（A, B）；2413（A, B）；2431（A, B）；3124（A）；3142（A）；3214（B）；3241（B）；3412（A, B）；3421；4123（A）；4132（A）；4213（B）；4231（B）；4312（B）；4321

如果香桃很有魅力，預期可以遇見 25 位追求者，那她的策略是要拒絕前 9 位追求者（25 的 37％ 約為 9），接受之後出現的最好對象。我們也可以用類似的表來驗證，但是這個表會變得很龐雜，因此，最好的策略就是接受通用證明。（不用多說，如果要找伴的人是男士而非女士，同樣的分析也成立。）如果 N 的數值很大，那麼，香桃遵循這套 37％ 法則擇偶的成功率也約略是 37％。接下來的部分就比較難了：要如何和真命天子相伴相守。話說回來，這個 37% 法則數學模型也衍生出許多版本，其中加上了更合理的戀愛限制條件。

——本書摘自《數盲、詐騙與偽科學》，2023 年 11 月，大牌出版，未經同意請勿轉載。

長久以來，生物學家一直都在探討為什麼斑馬會有如此奇怪的黑白斑紋，直到他們談話的當下，卡羅依然在探究這個問題。他告訴梅林，其中最早出現、最廣為人知也令人意外的推測，是認為這些斑紋其實是斑馬的保護色。斑馬身上的黑白條紋毛色能夠擾亂掠食者（如獅子、鬣狗）的視線，讓牠們看不清楚斑馬的輪廓，也可以讓斑馬的身影融入周遭聳立的樹木之間，又能夠在斑馬跑動時讓其他動物感到視線模糊。

但梅林對這些說法抱持著存疑的態度，她回想自己當初的反應：「我那時候表情應該很怪。我對他說：『大部分的肉食性動物都是在夜晚獵食，而且牠們的視覺根本不如人類靈敏，因此很有可能根本看不到那些斑紋。』」提姆這時驚訝地忍不住脫口而出：「什麼？」

斑馬紋隱身術

人類視覺處理細節的能力幾乎比其他任何動物都來得好；梅林也發現，正是因為這種特別敏銳的視力，人類才成了少數能夠看見斑馬條紋的物種。她和卡羅找了個光線明亮的日子，計算出擁有絕佳視力的人類能夠在一百八十二公尺左右之外的距離就分辨出斑馬身上的黑白條紋，獅子則得拉近到八十二公尺左右的距離才看得出來，鬣狗更是要到四十五公尺左右的距離才看得清楚。一旦到了掠食者最常打獵的黃昏或清晨時分，牠們則得再拉近約莫一半的距離才能看見斑馬身上的紋路。

所以梅林的想法沒錯：斑馬身上的條紋不可能是牠們用來匿蹤的保護色，因為掠食者都得靠得很近才看得到這些紋路，然而假如真的距離這麼近，這些天生的獵人早就聽見或聞到斑馬的蹤跡了，實在無需仰賴視力。在肉食動物與斑馬平時間隔的距離之下，這些紋路其實根本都融成了一片灰濛濛的顏色；對正在打獵的獅子來說，斑馬看起來跟驢子其實也沒什麼不同。

人類其實視力超好的？

動物的視覺敏銳度以單位視角週期數（cycles per degree）為測量單位——這個概念剛好可以用剛剛的斑馬條紋來做例子。各位伸出手臂並豎起大拇指，你的指甲大約可以代表一單位視角；以你的手臂為距並涵蓋四周三百六十度的距離範圍來說，各位應該可以在指甲上畫了六十至七十條黑白條紋的情況下，依然辨識得出黑白條紋之間的區別。因此人類視覺敏銳度的單位視角週期數便約為六十至七十；目前的最高紀錄是來自澳洲的楔尾鵰（Aquila audax），牠們的視覺敏銳度之高，單位視角週期數高達一百三十八。

楔尾鵰擁有動物世界中最細的光受體，這也使牠們的視網膜裡可以密密麻麻地塞滿大量光受體；有了這些細窄的感光細胞，楔尾鵰敏銳視力的畫素大約是人類的兩倍，也因此可以在大約一點六公里之外的距離看見小小一隻大鼠。

然而老鷹和其他猛禽卻是少數視覺比人類敏銳得多的物種。感官生物學家愛倫諾．凱福斯（Eleanor Caves）搜羅了上百種動物的視覺敏銳度，發現人類的視力幾乎超越了所有物種。除了猛禽以外，就只有其他靈長類動物的視覺敏銳度能與我們比肩了。

各種動物的視覺敏銳度以單位視角週期數表示如下：章魚為四十六、長頸鹿為二十七、馬為二十五、獵豹為二十三，視力表現還算不錯；而獅子卻只有十三，僅略高於人類法律中定義為全盲的單位視角週期數：十。然而其實除了上述物種之外，大部分動物的視覺敏銳度都低於人類視為全盲的門檻，其中包括半數的鳥類（令人意外的是，蜂鳥和倉鴞都在此行列之中），大部分的魚類與所有昆蟲；例如蜜蜂的單位視角週期數竟只有一，這也就表示你伸出去的那隻大拇指在蜜蜂眼裡就代表著一個畫素，至於拇指上畫的其餘細節在牠們眼中都是一團模糊。另外還約有百分之九十八的昆蟲視力比這還要更弱。

凱福斯說：「人類真的很怪。我們的其他任何感覺根本連摸都摸不到可以稱為頂尖的邊，卻唯獨在視覺敏銳度上傲視群雄。」矛盾的是，人類雖有優良的視力，卻也因此失去了能夠欣賞其他環境界的視野，因為「我們以為自己看得到的，其他物種一定也能看見；認為那些對人類來說顯而易見顯眼的事物，對其他動物來說也一定難以忽視。但實際上卻並非如此。」凱福斯如此說道。

——本文摘自《五感之外的世界》，2023 年 8 月，臉譜出版，未經同意請勿轉載。

只因在人群中多看了一眼，那是你的眼神，回眸一笑百媚生……………..

從第一眼看到你，到形成對你的第一印象，我用了100毫秒。為了達到這個速度，能在尋找優質交配對象的競賽中更快、更準、更狠，我花了150萬年讓大腦養成了快速鎖定高帥富、白富美的技能，眼線、耳環、假指甲還沒來得及出馬的時候，一個眼神已經鎖定了大局。

人具有解讀眼神的天賦，從嬰兒時期就顯露出來。出生2-5天的嬰兒就可以判斷眼神是否注視著自己。4個月大的嬰兒已經可以區分直視和游移的眼神。 9-18個月他們就能看出眼神透露出的深層含義。隨著年齡的增長，我們越來越在乎別人的眼神，對於直視我們的面孔總是更加印象深刻，而閉著眼睛或看著別處 的臉則更容易被我們忘記。這個現象隨著年齡的增長而愈發明顯。

眼神洩露了心靈的焦點。中世紀前，人們認為是眼睛發出的光使我們看見了物體。現在的認知科學家也用眼動儀測量注意力的改變，因為眼睛是不會騙人的。注意力到哪裡，眼神就跟到哪裡。

微笑的眼神，最具吸引力

英國阿伯丁大學瑪利亞•梅森（Malia Mason）等人製作了一系列動態圖，一種是眼神先直視再移開，另一種是先看別處再直視。而表情不發生任何變化。參與者並不知道實驗的真實目的，只是給每個面孔打分，並且單純以為這是一個測量男女審美差異的實驗。結果出來了，同樣的面孔眼神從看別處到直視時會顯得更有魅力。這可能是因為這讓實驗參與者感到自己成為了面孔注意的焦點，而不是被對方失去興趣。

眼神不同於其他面部表情和肢體語言，僅僅是一個直視的眼神就可以激活一個腦區：大腦腹側紋狀體（ventral striatum），這是一個預測獎勵和懲罰的腦區。隨著眼神的移走，腹側紋狀體的活躍消失。對於這些臉本身，這一腦區則沒有顯示出任何變化。腹側紋狀體的多巴胺能神經元在預感到將要獲得獎勵的時候會活躍，獎勵沒有實現，活躍就會消失。

直視的眼神喚起了我們對面容的注意，這並不意味著你直勾勾地盯著他就能讓他「上鉤」。阿伯丁大學的本尼迪克特•瓊斯（Benedict Jones）等人發現，直視的面孔只有伴隨著微笑才會提升吸引力，而即使是美麗的面孔，直視時不伴隨著微笑，吸引力也不會增加。這個現象在同性身上比較不 明顯。這應該與可獲得性有關。心理學家詹姆斯•香蒂（James Shanteau）就曾經提出一個吸引力公式：

值得擁有程度=外表吸引力×被接受的可能性

美麗的面容只能遠觀，當他面帶微笑地直視自己的時候，才彷彿在說：「來吧，你值得擁有。」

直視的力量

眼神是一種天然的語言。一個眼神就可以傳遞信息、引導互動、控制行為。如果你走在馬路上掉了東西，甚至不需要口頭求助，被你近距離凝視的人通常會很自覺地伸出援手。談話時凝視對方不說話就表示該對方說了。而談話時注視著對方說話，會得到更高的評價。

直視的目光更被信賴。在法庭上，能夠直視陪審團的證人提供的證詞更容易被認為是真話。在過海關、安檢時，逃避目光接觸的人最容易被懷疑。

直視的目光顯示出更強的競爭力。面試中80%的時間直視面試官的人比15%的給面試官留下更好的印象。簡歷中提供直視前方的照片也會讓人感到更渴望 這份工作，應該得到更多報酬。在一個酷似「中國好聲音」的研究中，幾個演員扮演的領隊分別來說服參與者加入自己的隊伍，排除其他因素後，參與者更願意選擇直視他們的領隊。

喜歡一個人時，男人會變得話多，凝視少；女人會話少，凝視多。雖然克里斯•克萊恩科（Chris Kleinke）這個研究並沒有得到廣泛承認，但是可以相信的是，相互凝視越多，越能增強彼此的好感。

有時候不知道怎麼開口，有時候張口就錯，有時候沒有共同語言，有時候一說話就吵架……言語的溝通總是伴隨著信息的扭曲，一個眼神勝過千言萬語。

參考文獻

[1]Adams, R., & Kleck, R. (2003). Perceived gaze direction and the processing of facial displays of emotion.. Psychological science : a journal of the American Psychological Society / APS, 14(6), 644-647.

[2]Adams, R., & Kleck, R. (2005). Effects of direct and averted gaze on the perception of facially communicated emotion.. Emotion (Washington, D.C.), 5(1), 3-11.

[3]CA Conway, BC Jones, LM DeBruine & AC Little (2008). Evidence for adaptive design in human gaze preference. Proceedings of the Royal Society of London B, 275(1630): 63-69. doi:10.1098/rspb.2007.1073

[4]Jones., Feinberg., Claire, A., Conway., Anthony, C., Little., et al. (2006). Integrating Gaze Direction and Expression in Preferences for Attractive Faces. Psychological Science, 17(7), 588-591.

[5]Kampe, K., Frith, C., Dolan, R., & Frith, U. (2001). Psychology: Reward value of attractiveness and gaze. Nature, 413(6856), 589-589.

[6]Kleinke, C. (1986). Gaze and eye contact: a research review.. Psychological Bulletin, 100(1), 78-100.

[7]Mason, M., Tatkow, E., & Macrae, N. (2005). The Look of Love: Gaze Shifts and Person Perception. Psychological Science, 16(3), 236-239.

[8]Smith., Alastair, D., Hood., Bruce, M., Hector., & Karen. (2006). Eye remember you two: gaze direction modulates face recognition in a developmental study. Developmental Science, 9(5), 465-472.

[9]Willis, J., & Todorov, A. (2006). First impressions: Making up your mind after a 100-ms exposure to a face. Psychological Science, 17, 592–598.

本文首發於果殼網(guokr.com)「心事鑑定組主題站」《有情人，一切盡在眼神中》

轉載自 科學松鼠會，作者：0.618