相關、因果，傻傻分不清楚

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

本文轉載自中央研究院研之有物，泛科學為宣傳推廣執行單位。

• 採訪撰文／郭雅欣、簡克志
• 美術設計／蔡宛潔

因果關係怎麼研究？

在日常生活的經驗裡，我們往往習慣以主觀的角度來認定因果關係的存在，但在數理統計的協助下，因果關係可以擁有科學定義，並且可以驗證。中央研究院「研之有物」專訪院內統計科學研究所黃彥棕研究員，他的主要研究便是以數理統計的方式來探討因果關係（例如生物體的複雜機轉）。有了統計方法，人類也能接近上帝視角，找出因果關係的存在。

以數理統計驗證因果關係

我們絕大多數人相信「凡事必有因果」這句話，例如今天腹瀉，是因為昨天晚餐吃壞肚子；考試沒考好，是因為書念得不夠。但是仔細想想，造成今天拉肚子的原因，除了昨天的晚餐之外，還有沒有別的可能？影響考試成績的因素，除了書念得夠不夠之外，考試環境、考題難易度也都會影響。

所以，我們究竟該如何確定兩件事有因果關係？有沒有什麼科學方法，可以讓我們帶著十足的把握，說出「X 就是造成 Y 結果的原因」這樣的話語？

中研院統計所研究員黃彥棕，擅長以數理統計的方式來思考因果關係，除此之外他更進一步在數學上探討「X 透過何種機制造成 Y」，也就是所謂的「因果中介效應」。有興趣的讀者，可以參考「研之有物」之前專訪黃彥棕老師的文章〈喝酒臉紅易罹癌？小時候家裡窮會胖？統計學家黃彥棕來解答〉。

回到因果關係，黃彥棕說到：「因果關係是屬於上帝視角。」也就是說，兩件事之間究竟有無因果關係，理論上只有全知者才知道，而我們能做的，是以數理統計的方式，「從人類視角盡可能地逼近上帝視角，來判斷因果關係是否存在。」

何謂因果關係？

為什麼說「因果存在與否只有上帝才知道」？因果關係建立在「反事實」，如果有一個事實是「打疫苗，就不容易感染 COVID-19」，則我們必須驗證是否「不打疫苗，就容易感染 COVID-19」，這就是反事實。有了事實與反事實的比對，我們才能說「打疫苗」與「不易感染 COVID-19」有因果關係。

不過，除非有時光機或平行宇宙，否則我們不可能讓全世界的人打疫苗，並觀察感染情況；然後又讓全世界的人都不打疫苗，並再次觀察染病狀況。只有全知者才能同時觀察這兩個平行宇宙，得知因果關係。黃彥棕說，身處現實世界的我們，只能盡可能地逼近這個結果。

用數學語言來描述因果關係，最被廣泛使用的架構是由美國統計學家 Donald Rubin 提出的反事實結果（counterfactual outcome）或潛在結果（potential outcome）。值得一提的是，過去 Rubin 也曾與 2021 年諾貝爾經濟學獎得主 Joshua Angrist 和 Guido Imbens 共同發表重要論文〈使用工具變量確認因果效應〉。

以下我們就以疫苗和傳染病為例，以反事實架構來說明「X 導致 Y」的群體因果效應。先假設 X 為民眾施打疫苗與否（ 0：不打疫苗，1：打疫苗），而 Y 為得傳染病與否（0：不染病，1：染病），並使用期望值 E 來描述群體平均效應，詳細如下圖。

如果我們觀察到 E［Y（X＝1）］＝0.1，也就是有打疫苗的人染病機率是 10 %。那麼在反事實因果推論的基礎上，我們必須檢驗 E［Y（X＝0）］ 等於多少，也就是不打疫苗的染病機率。只要 E［Y（X＝1）］ ≠ E［Y（X＝0）］，就代表 X 和 Y 之間具有因果關係。

然而，實務上打完疫苗的人不可能再回復到沒打疫苗的狀態，因此我們沒有辦法再次對同一群母體樣本做實驗來驗證因果關係，僅能退而求其次，「盡量貼近」因果關係。那麼，要怎麼做呢？

有反事實的對照，才有因果關係。

逼近神的因果視角

如果我們把全世界的人分成兩半，其中一半打疫苗、另一半不打疫苗，然後用打疫苗的那一半代表一個宇宙（事實），不打疫苗的代表另一個宇宙（反事實），不就創造出兩個平行宇宙了嗎？

這是一種很直觀的逼近方法，但若要讓一半的人能夠代表一整個宇宙，則有一個重要的前提：這兩個宇宙裡的人是隨機分配的，也就是這兩群人在各個層面都很相似，例如年齡、性別、健康狀況甚至政治傾向等，以專業術語來說就是必須具有可互換性（exchangeability）。藥廠在做疫苗人體實驗時，就必須以非常嚴謹的方式讓受試者盡可能達到隨機分配，才能得到「疫苗是否有效」的科學結果。

不過，在大多數狀況下，我們很難做到隨機分配。舉例來說，臺灣開放施打 COVID-19 疫苗後，截至 2021 年 10 月 29 日為止，有將近 1700 萬人施打第一劑疫苗，但我們不能把這 1700 萬人視為有打疫苗的宇宙，而另一群沒打疫苗的 600 萬人視為沒打疫苗的宇宙，因為打不打疫苗是人民自由選擇的結果，有很多因素會影響個人選擇，例如比較有健康意識，或是比較年輕、不擔心副作用的人，可能就比較傾向打疫苗。

即使統計結果顯示出打疫苗的人，感染 COVID-19 的比例真的比較低，我們也很難分辨是因為打疫苗，還是他們本來就比較年輕？或本來就比較健康？「這是所謂的『觀察型研究』，容易出現因果推論謬誤的原因。」黃彥棕說。

然而，我們可以用數理統計的方式逼近真實的因果效應，例如控制年齡、健康狀況——兩方都取 50～60 歲的年齡層，並且都是沒有心血管疾病的人等。黃彥棕說：「我們依據自己的背景知識，知道有哪些因素會影響隨機性，然後使用統計的方式，把它們抓出來做控制。」

理論上統計學家可以把所有可能造成偏誤的因子都舉出來，透過一層層地篩選、限縮，最後得出許多個小小的族群，讓隨機性成立。

之後，透過每一組小小的隨機族群（例如年齡 50～60 歲、沒有心血管疾病、男性、具健康意識……等，統稱為 C），讓 Y 的發生和特定條件 C 之下的 X 群體無關，我們就可以得到逼近兩個平行宇宙的資料（有打疫苗、沒打疫苗），最後再把各族群的結果加權平均回來。就可以貼近上帝視角的因果效應。

以數學語言來說，就是讓條件期望值（E［Y｜X＝x , C＝c）］）的計算透過加權平均等同於反事實結果之期望值（E［Y（X＝x）］）的效果。我們沒有時光機，無法透過事實／反事實結果之期望值檢驗全體打疫苗和不打疫苗的因果關係（E［Y（X＝1）］ ≠ E［Y（X＝0）］ 嗎？）；但是我們可以透過各種條件的篩選和限縮，去計算每個具備可互換性小群體的條件期望值，最後加權平均回來，檢視打疫苗與得病與否的因果關係（∑_c E［Y｜X＝1 , C＝c］＊P（C＝c） ≠ ∑_c E［Y｜X＝0 , C＝c］＊P（C＝c）嗎？），這才是實務上的作法。

問題來了，要怎麼知道我們是否窮舉了所有可能造成偏誤的因子？我們的確不知道，只有上帝知道，這是個假設，而且是個很難驗證的假設。

「在控制了年齡、性別、健康狀況等條件的情況下，我們希望可以讓隨機性成立。」

黃彥棕的研究讓因果關係在嚴謹的數學架構下，得以辨證、溝通，而不是只仰賴直觀的思考。因果的存在變得更加科學化，而這也使因果的探討可以進入更深的層次。

被競爭結果和時間擾亂的因果關係

更進階的因果探討層次，是將時間因素考慮進來。黃彥棕以「B 型肝炎」造成「肝癌」，然後導致「死亡」為例，若想探討這三者間的因果關係時，會發生一個問題，那就是有 B 型肝炎的人，有可能容易因猛爆性肝炎而直接死亡，而這樣的個案在統計上，因為他並沒有得到肝癌，而對「肝癌」這個中介因子造成了「保護」的效果。

「這就是肝癌和死亡這兩個競爭結果造成的影響，而這個競爭關係又會隨著時間推移而改變。肝癌、死亡有時間進程關係，一旦 B 型肝炎患者因猛爆性肝炎死亡了，他就不可能再得肝癌。」更清楚地說，B 型肝炎患者可能還「來不及」得肝癌，就因猛爆性肝炎直接跳到死亡。在界定 B 型肝炎與肝癌之間的因果關係時，這樣的結果會造成偏誤。

黃彥棕將時間因素考慮進來的方法，是把整個時程切割成非常多小段，在每個小段創造一個反事實架構，也就是分析每一位在某小段時間活著的 B 型肝炎患者，把他們分成已得到肝癌及還沒得到肝癌，並考慮這兩組患者在下一個瞬間死亡的可能性，再將這些結果積分起來，得到在隨機過程架構之下的平行宇宙們。

「我等於是在每一個瞬間都製造多個平行宇宙（無 B 肝／無肝癌、無 B 肝／有肝癌、有 B 肝／無肝癌、有 B 肝／有肝癌）出來，這樣做可以避免前面說的蓋牌效應。但你可以想像我所得到的平行宇宙數量……嗯，就跟《奇異博士》看到的差不多。」

「我認為我在這領域的部分貢獻，或許是提出了這樣一個會隨著時間推移的反事實架構。」黃彥棕說。他的論文發表出來後不久，也引起了期刊的興趣，邀請了相關領域的許多專家，探討他所提出的因果模型。

研究因果的動機

談起對因果關係研究的動機，黃彥棕說，以前在醫學系實習時，會看到開同樣的藥給病人，有些病人會好，有些人不會。這種「不確定性」開始讓他覺得好奇。他說：「我可以接受事情就是會有隨機性，但還是很想搞清楚這樣的不確定性是怎麼來的。」

最近，黃彥棕也發現許多人會把「預測」和「因果」搞混，尤其是現在人工智慧（AI）發展出的預測模型表現愈來愈好，有些做 AI 預測模型的人，會誤以為能夠用預測表現良好的模型，來得到因果關係。

舉例來說，一個模型可以透過一個人是否抽菸，來預測他得肺癌的機率，也可以透過一個人身上是否攜帶著打火機，來預測肺癌機率。「但我們知道抽菸與肺癌有因果關係，而帶打火機與否應該是不會造成任何增加肺癌風險的生物效應的。」黃彥棕說。

「抽菸」與「帶打火機」都能成為 AI 模型預測肺癌時採用的因子，但顯然並非代表它們與肺癌都有因果關係。黃彥棕接著說：「雖然預測未必需要因果關係，但是，決策就需要因果關係的支持。若要降低肺癌風險，政府較合理的做法是下令禁菸，而不是禁打火機。但要看到因果是比較困難的，它先天上的限制使它難以驗證，這個挑戰也是因果推論的迷人之處。」

最後，黃彥棕切身感受到因果關係的重要性，尤其是藥廠研發藥物或是臨床醫學等領域的應用。而他在反事實架構上考慮時間因素的突破，讓因果推論的知識又更往前推進。反事實因果推論的數學模型，讓人類能夠有深刻的思考，去檢視深藏在直觀表面之下的因果性與相關性。

延伸閱讀

• Huang, Y. T. (2021). Causal mediation of semicompeting risks. Biometrics, 77(4), 1143–1154.
• Jaeger, D. A. (2021, October 19). Nobel economics prize winners showed economists how to turn the real world into their laboratory. The Conversation. Retrieved May 18, 2022.
• 黃彥棕（2021）。〈淺談因果：是宗教，是哲學，也是科學〉，《中研院訊》。
• 簡鈺璇（2020）。〈補習有用嗎？反事實分析的發現可能和你想的不一樣〉，《科技大觀園》。
• 林婷嫻（2019）。〈喝酒臉紅易罹癌？小時候家裡窮會胖？統計學家黃彥棕來解答〉，《研之有物》。
• 黃彥棕（2019）。〈因果中介模型〉，《自然科學簡訊》，31(1): 24-28。

• 作者／史坦利．萊斯 (Stanley A. Rice)；譯者／李延輝

在日本，有些人會做森林浴，也就是沐浴在森林的香氣中。這種作法一般認為可以降低血壓，並減少唾液中壓力激素皮質醇的數量。有些研究者將壓力減少歸功於揮發性化學物質，例如樹木釋放的單松烯（monoterpenes）。

這讓我們與所有科學中最重要的觀念之一面對面：相關不等於因果。

兩個變數可能互有關係，例如高血壓和缺少單松烯，以及低血壓和存在單松烯。但這並不是說單松烯會降低血壓。我們的大腦會有偏見，將相互關係解釋為因果關係，可以說是不經思考就這樣做。可能在森林裡真正發生的是其他因素讓人放鬆。單松烯並不是人們到森林裡唯一感受到的事物。在其他所有方面，他們都很放鬆。沒有忙碌的時間表、沒有噪音、沒有其他人，只有陰影和沙沙的聲音。

愛德華．威爾遜（Edward O. Wilson）可能是世界上最知名的科學家，他率先稱心靈感受到身處自然中的快樂為熱愛生命（biophilia）。這也是一種偏見：大家預期在森林中感到放鬆。喔，還有單松烯。研究人員注意到這個問題。他們在受控條件下，對實驗室老鼠餵食單松烯，並發現和對照組相比，牠們會產生和人類類似的生理效應。

統計分析本身無法解決這項問題。統計方法可以計算相關係數，告訴你是否顯著，但僅止於此。所以雖然《新英格蘭醫學雜誌》（New England Journal of Medicine）於 2012 年刊登了一篇論文，聲稱吃巧克力會讓你變聰明（噢，我們不都這樣希望嗎！），但作者看到的是虛假相關。較聰明的人做的很多事和他人不同，顯然其中包括吃巧克力在內。

多重因果關係 vs. 階層式因果關係

人在森林裡會因為多重原因而放鬆，其中一種可能是揮發性化學物質。這是多重因果關係的一個例子。還有另外一種方式造成結果可能有一種以上的原因。這些原因可能以階層方式彼此互為因果，而這就是階層式因果關係（hierarchical causation）。

假設有人拿槍要射你，你很自然就會說那個人要射你。但你也可以說槍要射你，或者子彈要射你，或化學及物理定律（將爆炸的動力加在子彈上）要射你。要是上帝真的掌管自然定律，你甚至可以說上帝要射你。這就是各階層的原因。這聽起來有點像〈這是傑克蓋的房子〉。

你知道的，就是歌詞像下面這樣的兒歌：「傑克蓋的房子裡有麥芽，麥芽被一隻老鼠吃了，老鼠被一隻貓咬死了，貓又被一條狗追了，這就是追貓的那條狗。」這似乎很異想天開，但容我提醒你，數十億的產業可能就建構在階層式因果關係刻意扭曲的結果上。

美國槍枝遊說就為美國境內好幾億的槍支辯護（估計數字從兩億到三億不等），聲稱「槍不會殺人，人才會」。當然，沒有人會說槍從櫃子裡跑出來殺人。人才會用槍殺人。

複雜因果關係：熊出沒，快逃？

現實由複雜的階層式和多重因果關係層層組成。

想像一下一個在路上遇到熊的健行者。接下來會發生什麼事？熊會攻擊嗎？還是會轉身離開？攻擊會致命，還是只是造成輕傷？有諸多因素同時在起作用。

• 有些因素和個人相關。

遇到熊的時候，那個人在做什麼？還有其他人在場嗎？那個人或那些人對熊採取什麼行動？有可以嚇跑熊的東西嗎？

• 再來就是和熊有關的因素。

熊接下去會做什麼取決於物種（黑熊可能比灰熊危險性低）、性別、情緒、饑餓狀態、個別行為模式（顯然有些熊精神失常）、附近有多少其他的熊、熊之前是否遇過人類、面對人類經驗好壞、熊在自己的族群是主宰者還是順從者、熊是否看到或聞到人等等。如果是母熊，牠有沒有小熊反應會很不一樣。

• 另外還有環境因素：反應可能取決於棲息地、時節、一天當中的時間等。

當然，你沒有時間去思考這些問題。有些人說遇到熊的時候，你應該讓自己看起來塊頭大一點，但這只會讓熊認為有更大塊的肉等著牠吃。

冬天往南方遷徙的鳥兒都不遷徙了？

幾乎到處都可以找到多重因果關係。舉例而言，全球暖化造成溫帶的冬天較暖，帶來的結果之一就是候鳥物種中有許多種類的鳥，現在因為冬天較短、較暖而待在家園。但那不是唯一的原因。

過去，鳥類必須在冬天遷徙才能找到食物，但現在成千上萬的人有餵鳥器。或許有些鳥停止遷徙並不是因為冬天變暖，也是因為有了餵鳥器。餵鳥器不太可能對鳥類遷徙產生重大影響，因為它們能提供的食物明顯少於整個鳥類族群所需。但餵鳥器是一些鳥停止遷徙的多重原因之一。

所以誰是因，誰是果？真相到底是什麼？

最後，有時候很難區別哪個因素是因、哪個是果。究竟何者為因、何者為果可能對世界關係重大。

大家都知道，人口成長率高的國家貧窮問題也很嚴重。（這並不是說這些國家很貧窮。它們可能有一小群富裕的上層階級，但許多人很貧窮，導致多數人覺得心安的平均富裕程度。）順理成章的假設是：人會貧窮是因為小孩太多。但如果真是這樣，人類未來將會一片黯淡。

要是你把食物和醫藥給了窮人，他們就會有更多小孩，最後你們貧窮的程度就會一樣，只是多了更多窮人。想解決貧困問題的方法最後只會製造更多貧困。這是經濟學家肯尼斯．博爾丁（Kenneth Boulding）所說的「完全悲觀的定理」。

但要是扭轉因果關係，說貧窮造成高出生率呢？這一開始聽起來很荒謬，但設想一個住在鄉下的家庭，他們沒有任何經濟保障，健康也堪慮。假如這種家庭只有兩個小孩，兩個可能都會死掉。在較多小孩的家庭中，有可能其中一個小孩會找到好工作，提供資源給整個家庭。

要是這聽起來還是很不可思議，那就思考一下自然淘汰的問題，本書之後有一章就在討論自然淘汰。自然淘汰會獎賞個人而非團體。人口過多的國家可能會很貧困，但自然淘汰會有利於在競爭遊戲中獲勝的個人（及家庭）。如果真是這樣，提供食物和醫藥實際上就會造成出生率下降，因為父母會選擇生少一點小孩。（這也預設社會中可以這樣選擇，例如有節育措施。）

——本文摘自泛科學 2020 年 5 月選書《像科學家一樣思考》，2020 年 4 月，商周出版。