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

• 文／雞湯來了特派員 林威廷
• 校稿／雞湯來了 陳世芃
• 製圖／雞湯來了 黃珮甄、雞湯來了實習生 翁欣容
• 編輯／雞湯來了 蕭子喬

自從 COVID-19 疫情爆發，戴口罩已成為日常生活的新常態。口罩遮住了人們大部分的臉，讓彼此看不到完整長相，更看不到豐富的臉部表情。究竟，這是否對人與人之間的互動有深遠的影響？

更值得注意的是，臉部表情屬於肢體語言的一部份，是言語溝通之外，辨識與表達情緒相當重要的管道。各級學校教師和照護中心人員，為了避免傳播病毒，多會戴上口罩。

然而，在這種環境下成長，年紀還小且對於情緒辨識還在初步學習中的幼兒，是否會因此失去與人正常互動和判斷情緒的機會呢？對於他們情緒辨識的發展，又有什麼影響呢？

「口罩是否會影響幼兒判斷他人情緒」一題，雞湯來了綜整多篇研究，發現西方相關研究較多，而結果其實眾說紛紜。許多研究藉由不同實驗設計，不同切入視角、樣本對照，便得出了不同結果。不過，我們也因而從中歸納出幾個關於口罩新生代幼兒情緒發展的重要發現。

關鍵發現 1｜年齡發展階段：3-5 歲最受口罩影響

2021 年 5 月一組研究團隊發表一篇研究，他們測試「3-5 歲幼兒」、「6-8 歲兒童」和「成人」三個群體判斷人臉情緒的正確率：他們準備了不同情緒的人臉，將人臉的照片後製放上口罩，讓這三群人判斷情緒。

結果發現：不同年齡層的群體中，「3-5 歲幼兒」面對戴或沒戴口罩的人，回答對方情緒的「答對與否」比例差距最大，可說上述三種對象中最受口罩遮臉影響的群體。研究也推論，因為「3-5 歲幼兒」判斷情緒的主要來源仍是臉部表情；6 到 8 歲兒童和成人，則較懂得運用其他情境線索來判斷情緒。

關鍵發現 2｜容易被混淆的情緒：生氣與難過

另一篇 2021 年 11 月的研究，從 9 間照護中心招募 276 位 3-6 歲的幼兒， 讓他們判斷 15 個演員所拍的 90 張人臉照片的情緒。這些幼兒判斷「照片中沒戴口罩的人之情緒」正確率為 70.6%，若將照片換成戴上口罩的人，這些幼兒判斷的正確率仍為 66.9%！

特別的是，有約 25% 無法區分生氣和難過這兩種情緒，占了辨識情緒錯誤之中的多數，可見對於幼兒而言，「生氣」和「難過」在臉部表情上有許多相似的特徵，如何進一步區分情緒，是可以進一步討論的課題。

關鍵發現 3｜表情之外的辨識來源：聲音的判斷力

其實在疫情之前，2019 年就有研究團隊關注過幼兒的情緒判斷能力。他們不只關心臉部表情，也關注聲音。他們讓 313 位就讀幼兒園的 3-6 歲幼兒：分別透過觀察「臉部表情」和「聽聲音」來判斷情緒。

結果發現：觀察「臉部表情」的視覺判斷正確率最高達 8 成，但以「聽聲音」聽覺判斷的正確率只有 5-6 成。由此可知，對於幼兒而言，視覺很可能比聽覺更容易判斷情緒。

研究也進一步分析，發現觀察「臉部表情」時，「開心」的情緒比起「生氣和難過」更容易透過視覺判斷出來；但若只有「聽聲音」的話，悲傷的情緒比較容易被察覺。

幼兒情緒教育可以怎麼做？疫情之下把握可控的 2 個安心實踐

由上述的幾項研究結果，我們可以發現兩個重點：

1. 喜怒哀樂，判斷各種情緒的難易度不同：
   幼兒判斷不同情緒的能力程度是有差異性的，差異性的原因可能來自於年齡，或者為情緒的不同性質，比如說幼兒最容易辨識開心，但容易混淆難過與生氣。
2. 除了表情，還有多種判斷情緒的來源：
   判斷情緒的依據不只有臉部表情，肢體、聲音語調、各種情境線索也能幫助我們判斷情緒。

或許，在口罩還是一種日常必須之時，我們可以多著眼於其他「可控」的因素，例如引導孩子判斷情緒的多元方法，從聲音、其他肢體語言等判斷；又或者更進一步和孩子透過故事或案例，討論生氣與難過的的差異，嘗試學習更多口罩日常的情緒辨識之道。

大人可以透過繪本共讀的方式，討論繪本中的角色在故事中的情境中「產生了什麼情緒」、「為什麼會產生這樣的情緒」。共讀討論時，不只從圖片中角色的表情，還可以從書中角色的肢體動作、其他角色的反應等多元脈絡，練習判斷角色的情緒類型和產生原因。

甚至，我們可以進一步在日常生活中，引導孩子正視自己的情緒、接納並以合適的方式表達情緒。同時引導幼兒觀察目前身處的情境，例如現在是什麼場合、現場的人們在做什麼、我應該如何表現等等。

相關推薦：繪本推薦與引導孩子情緒的方法

延伸閱讀：雞湯來了

1. Covic, A., von Steinbüchel, N., & Kiese-Himmel, C. (2020). Emotion Recognition in Kindergarten Children. Folia phoniatrica et logopaedica : official organ of the International Association of Logopedics and Phoniatrics (IALP), 72(4), 273–281.
2. Gori, M., Schiatti, L., & Amadeo, M. B. (2021). Masking Emotions: Face Masks Impair How We Read Emotions. Frontiers in psychology, 12, 669432.
3. Schneider J., Sandoz V., Equey L., Williams-Smith J., Horsch A., Bickle Graz M. (2022) The Role of Face Masks in the Recognition of Emotions by Preschool Children. JAMA Pediatr. 176(1): 96-98.

• 文／雞湯來了特約作者陳家容
• 校稿／雞湯來了張芷晴、陳世芃
• 製圖／雞湯來了實習生翁欣容
• 編輯／雞湯來了蕭子喬

「我們賣的是曖昧」－《華燈初上》蘇慶儀

在《華燈初上》日式酒店裡，天天上演男歡女愛、販售戀愛感。這樣既令人心動，又飄移不定的關係，雖然維持著巧妙的平衡，卻也讓彼此的情感多了一分「危險」。　

時代瞬移至今，就像是新興戀愛型態「Situationship」——是由「situation，情況、狀況」+「relationship，戀愛關係」而來的。Situationship 常見於兩人在像戀愛般的情境裡，但又沒有正式對外宣告兩人在談戀愛。因此「Situationship」有別於「Relationship」，似乎要在特定情境／狀況下，彼此才像擁有這段關係。

知名美妝KOL丹妮婊姐曾在自己的 YouTube 頻道中提出「約聘伴侶關係」概念來形容這樣的關係：有約會、談心、親密接觸，曖昧情感油然而生，但從來沒有一句「你是我的誰」的許諾。如同職場上的約聘人員，工作內容跟正職一樣，但是福利跟保障通通都沒有。說到底，Relationship 之於 Situationship，差別就在於「名份」的有無。

「不要對我有所期望，因為我給不了你」－《華燈初上》江瀚

危險的平衡？Situationship 在愛情中缺乏什麼元素？

心理學大師羅伯特．史坦伯格（Sternberg, R. J）提出愛情三角理論（Triangular Theory of Love），認為愛情是由親密（Intimacy）、激情（Passion）、承諾（Commitment）三元素所組成。這三個元素分別透過不同的浪漫組合，衍伸出七種愛情類型（如下圖）。

• 親密
  一段關係中若擁有「親密」，表示兩人在一起時，能感覺到彼此是親近的、有連結的，但又保有界限的，且明確感受到自己是喜歡與對方在一起的。
• 激情
  若擁有「激情」，表示兩人相處時，著重於身體接觸、生理的相互吸引，以及享受性的契合。
• 承諾
  若擁有「承諾」，代表兩人對於現在及長遠計畫有共識，能相互扶持，往共同目標前進。

上圖左側的「浪漫之愛」，只有「親密」與「激情」，沒有「承諾」。近似於「缺乏承諾、社會規範與社會期待」的 Situationship——既可以像朋友一樣分享瑣事、又可以像戀人一般激情。

如同劇中的多情劇作家江瀚，他對待每段感情的態度始終如一，當兩人相處時，他總是享受當下、認真對待、細心呵護，因此他從不覺得虧欠對方；但江瀚從不親口許諾，也從不主動確認關係的行為，反而成為對方不安、焦慮的主因。

「我們兩個，不就是安慰彼此寂寞的人嗎？」－《華燈初上》江瀚

近年新冠肺炎疫情加速交友軟體發展、速食愛情崛起、許多伴侶被迫長時間遠距離，激起更多不安。反而讓始於「孤單」而相聚的 Situationship 萌芽，又因為進入 Situationship 的門檻低，不在乎天長地久，只在乎曾經擁有；不需對彼此負責，且保有自由。因此，有越來越多人在不知不覺中，正陷入這模糊、不安或懷疑的浪漫關係。

• 現象 1｜對方的未來規劃中並沒有你
  不只是討論未來規劃，就連日常約會、看電影都經常是一時興起，對方幾乎不會主動規劃約會。對於感情的未來規劃，通常不會正面回應、或只是含糊敷衍帶過。

• 現象 2｜對話膚淺缺乏真誠
  每當想了解對方時，都像隔了一道牆。儘管已經相處很久，但凡是關於私事，仍不願意更深入分享，話題總是停留在表面，彷彿是剛認識的新朋友，很可能排斥聊家人、聊心事也只是點到為止。

• 現象 3｜推辭或迴避見到家人、朋友的場合
  凡是朋友聚會、家庭活動，都會避免讓你出席。模糊不清的關係，不只是你，就連對方也很難向家人、朋友介紹這段關係。

• 現象 4｜自己並沒有那麼在乎對方
  愛情或多或少都會有「佔有慾」，但在這段關係中，即便有如戀人般親暱，仍然會將心思放在其他人身上，並不是那麼在乎對方。

【簡易測驗】一分鐘測驗我的 Situationship 指數

較接近上述情境的學術名詞為「關係模糊」。當兩人「長期」未界定關係、關係模糊時，會使兩人對經營感情產生焦慮感、不安感，進而帶來低自尊、高壓力、提高物質濫用，以及憂鬱症狀的可能性。

透過下方的關係模糊量表，可以快速檢核，是否正處於這曖昧又模糊不清的感情狀態：

我適合 Situationship 嗎？如何解套?

「不需要的關係，就不必繼續糾纏下去」－《華燈初上》蘇慶儀

Situationship 最理想的狀態是「不給彼此壓力與束縛」。在滿足這個前提下，若雙方都同意，並沉浸於這段關係帶來的愉悅，那麼大概不會為人詬病。

雖然 Situationship 能減輕短暫的寂寞感，滿足可甜可鹹的戀愛感，但是，長期維持這種「想摸又摸不著」的朦朧關係，其實並沒有辦法真正地投入與付出感情。若總是擔心跨越禁區（如：任何確認關係的舉動）、害怕破壞現在的美好（如：導致關係疏離的狀況），將無法完整了解對方，感受不到真正的愛。

還記得測驗第 4 題嗎？「我希望未來能和對方有穩定的關係發展」，試著問問自己未來生涯的期望是什麼？在對兩人關係重新定義的過程中，先確定自己想要什麼！若你正嘗試從 Situationship 解套，可以先試試以下 2 個做法：

建議 １ 愛要大聲說｜

能夠在戀愛中，培養愛人與愛己的能力是一件重要的事！因此，誠實地問自己：是否想要和對方好好經營感情? 如果是，就請找個安靜的地方，誠摯地、清楚地與對方表態自己的感覺與期待。

建議 ２ 從愛情故事提取養分｜

即使對方不願意與你共同經營這段感情，也無需指責、批判對方，仍然將這個經驗當作人生的一個愛情故事，記取優點、拾起教訓，作為下段感情的養分。

「人生啊，誰沒有大大小小的傷痕，那些過去也是我們現在的一部分」－《華燈初上》中村先生

我的心 你放在哪裡
或許你 根本就不在意
錯把承諾當有趣
－ [ 好不容易 Finally ]（戲劇《華燈初上》片尾曲）／告五人

• 延伸閱讀：【金鐘55】《我們不能是朋友》在愛裡，你是什麼模樣？ —劇中人物的愛情風格
• 延伸閱讀：《華燈初上》關係糾葛剖析專區

• Sternberg, R. J. (1986). A triangular theory of love. Psychological review, 93(2), 119.
• James-Kangal, N. (2020). Development and Initial Validation of the Relational Ambiguity Scale (Doctoral dissertation, University of Cincinnati).