到底該不該坦白自己對他的好感呢？

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。

怎樣才能讓夫妻的感情加溫且長長久久？研究證實，只要夫妻一起玩障礙競賽就會大有幫助！ 

實驗證明：墜入愛河可能比想像中簡單

一九八○年代末期，麻州克拉克大學（Clark University）的詹姆斯‧萊爾德（James Laird）與同仁刊登廣告，招募自願者參與一項罕見的實驗，探討第六感有沒有可能存在。他們安排互不相識的男女同時抵達實驗室，經歷一段特別的流程。研究人員解釋，兩位受測者做心電感應測試以前，必須先做默契培養練習。研究人員請受測者花點時間凝視對方的眼睛，然後再把他們帶到不同的房間，讓其中一人看幾張簡單的照片，請另一人用感應的方式猜測那些照片的性質。

研究結束後，萊爾德觀察他的資料，發現沒有證據顯示心電感應力。他覺得失望嗎？一點也不。事實上，這個研究和心電感應無關，所謂的心電感應測試只是一個幌子，他們的目的是想做愛情心理研究。

很多人認為墜入愛河是很複雜的事，視外表、個性、默契、機會等複雜的因素混合而定。不過，萊爾德有另一番看法，他懷疑這種獨特神祕的感覺可能很直接了當，或許有可能用幾個小心安排的時間點製造出來。他的假設很簡單，從日常生活即可明顯看出，相愛的人會花不少時間凝視彼此的雙眼。萊爾德想知道反過來是否也成立：讓兩人彼此凝視一會兒，是不是也有可能產生愛意？

一般而言，盯著陌生人瞧，頂多讓人覺得很怪或不禮貌，所以萊爾德必須編出可信的理由，讓人可以彼此凝視更久，所以他才會想出用心電感應測試做為幌子。受測者在不知情下凝視彼此的雙眼，那行為看起來就像他們覺得彼此有魅力一樣，萊爾德覺得這樣就足以激發愛意了。

假心電感應測試結束後，萊爾德請所有受測者評估他們對實驗伙伴有多少愛戀的感覺。驚人的是，資料證明萊爾德想得沒錯，受測者果然對新認識的伙伴有好感，覺得對方有吸引力。

這研究變成了解感情心理的一種創新方式。根據這種觀點， 不僅我們的想法與感覺會影響我們的行動，我們行動的方式也會反過來影響我們的想法與感覺。

增加新奇感，可以增加對彼此的吸引力

萊爾德不是唯一探索如何用這種方式幫助研究人員更了解人心運作的人，紐約州立大學石溪分校的艾隆與同仁做的另一個研究顯示，同樣的方法也可以讓夫妻變得更親近。感情的發展一開始通常充滿興奮，愛戀的雙方都很享受和新伙伴一起體驗生活的新鮮感。

但是快轉二十年後，往往會出現全然不同的情況，雙方都很熟悉彼此，生活變得平淡無奇。同樣的餐廳、同樣的度假地點、同樣的交談。雖然熟悉感令人放心，也讓人覺得無聊，不太可能讓人再像以往一樣怦然心動。

艾隆心想，如果凝視彼此的雙眼可以讓人產生愛意，讓老夫老妻這麼做，是不是也能讓他們感受到戀愛時期的興奮感，幫他們重燃愛火。也就是說，打破一成不變的婚姻生活，做點新奇好玩的事，也可以讓他們覺得彼此更有吸引嗎？在最初的實驗中，艾隆刊登報紙廣告，徵求夫妻參與實驗，探討「影響婚姻關係的因素」。

如何增加生活新奇感？一起玩障礙賽就好！

自願受測者到達實驗室時，他們就請每對夫妻做一份有關婚姻關係的問卷，並隨機把他們分成兩組。之後研究人員搬開所有桌椅，鋪上健身房用的墊子，開始做下一階段的研究。

研究人員給其中一半的夫妻一卷魔鬼氈，告訴他們即將參與一個比較奇怪的遊戲。如果那對夫妻一聽到說明就雙眼為之一亮，會心相視，研究人員就馬上拿走魔鬼氈，請他們離開。至於留下來的人，研究人員用魔鬼氈把一人的右手腕和配偶的左手腕綁在一起，也把他們的左右腳踝綁在一起。

研究人員忍住哼唱萊諾‧李奇〈Stuck On You〉（譯註：直譯是「黏上你」，亦即「戀上你」）一曲的衝動，在房間的中央放一個一米高的泡棉障礙，給每對夫妻一個大枕頭。每對夫妻都必須趴在地上，爬過障礙，到房間的另一端，再轉頭爬回障礙，再次跨過它，回到起點。

為了讓過程更有趣，他們必須隨時把枕頭夾在兩人身體之間（不准用手掌、手臂或牙齒），必須在六十秒內完成。為了不讓任一組失望，研究人員請受測者都拿下手錶（「我們不希望手錶在混亂中刮傷了」），假裝每個人都在限定時間內完成任務。

他們叫另一組的夫妻做比較平常的事，給其中一人一顆球， 請他趴下來，把球滾到房間中央，讓他的配偶在房間的另一邊觀看。球滾到中央時，兩人再交換角色，由另一人把球滾回起點。

研究人員假設多數夫妻不會有很多機會一起爬過泡棉障礙， 所以那經驗應該滿新奇有趣的，那是給他們機會一起達成目標，並從罕見的新觀點觀看彼此。概念上來說，這就像他們初次見面時，比較令人興奮的經驗。相反的，另一組是對照組，他們做的事情比較平凡無奇，也沒有合作效果。

實驗結束後，他們請所有夫妻填寫幾份問卷（其中包括一份名稱很不浪漫的問卷〈浪漫愛情徵狀核對表〉），評估的項目包括配偶讓他們「心動」與「滿心歡喜」的程度。誠如預期，爬過大型泡棉障礙的夫妻對彼此的愛意比完成滾球任務的夫妻還深。只花幾分鐘一起做新奇有趣的活動，似乎產生了意想不到的效果。

在上述結果的鼓勵下，艾隆與研究團隊又重複了一次實驗， 不過這次他們是以不同的方式衡量婚姻的滿意度。研究結束時， 研究人員拍下每對夫妻閒聊下次假期規畫或如何裝修家裡的影片，然後請另一組研究人員觀察影片，仔細計算影片裡夫妻任一人反對對方的次數。結果顯示，綁魔鬼氈的夫妻做出較多的正面評論。

艾隆的研究再次證明，我們的行為會大幅影響我們的思考與感覺。就像凝視陌生人可以讓雙方互相產生吸引力一樣，進行和熱戀時期有關的活動，也可以幫人重新點燃過去的熱情。

根據這個研究，想要常保感情的熱度，可能只要靠一卷魔鬼氈、一大塊泡棉障礙和開放的心胸就夠了。

同場加映：了解對方想要什麼

最近我做了一次大規模的網路調查，探討浪漫舉動的心理。我和作家瑞秋‧阿姆斯壯（Rachael Armstrong）合作設計一份問卷，裡面列了許多不同的浪漫敘述，例如「另一半辛苦工作一天後，幫他放滿一盆溫熱的洗澡水」、「對方感到冷時，脫下自己的外套幫他披上」、「突然帶另一半去某個刺激的地方共度週末」。

那份調查總共吸引一千五百多位來自英美的網友完成問卷，研究結果有助於透露浪漫背後不為人知的心理。女人常抱怨男人不夠浪漫，但調查結果也確認她們的懷疑嗎？ 

我們請女性閱讀那份清單，指出他們的伴侶多常做那些浪漫舉動，結果頗令人失望。55% 的女性表示，她們辛苦工作一天回家後，另一半從來沒幫她們放過洗澡水。45% 表示她們覺得冷時，另一半從來沒脫下外套讓她們禦寒。53% 表示另一半從來沒有突然帶她們去度意外的週末。這些客觀的數據證實了長久以來女性覺得男性不夠浪漫的抱怨，但是這些失望數據可能是什麼因素造成的？ 

在另一部份的調查中，我們請男性受訪者閱讀浪漫清單，用一到十來評分他們做任一舉動時，女性覺得有多浪漫。我們也請女性受訪者用一到十評分，如果另一半做任一浪漫舉動時，她們覺得有多浪漫。結果顯示，連最簡單的舉動男性都會大幅低估它的浪漫程度。

例如，只有 11% 的男性覺得「告訴她，她是你見過最棒的女人」非常浪漫，但有 25% 的女性覺得那很浪漫。同樣的，只有 8% 的男性覺得「女人辛苦工作一天後，幫她放洗澡水」很浪漫，但有 22% 的女性覺得那很浪漫。幾乎每一項浪漫舉動都得出同樣的結果，這顯示男性不願做浪漫的舉動可能不是因為懶惰或不體貼，而是因為他們低估了女性對浪漫舉動的觀感。

那份調查的結果也透露了女性覺得最浪漫與最不浪漫的舉動，剛好可以為有心求愛的男性提供一點指南。以下列出十大浪漫舉動，以及認為那舉動非常浪漫（給十分）的女性比率： 

1. 蒙上她的眼，給她一個驚喜（40%）。
2. 突然帶她到某個地方共度意外週末（40%）。
3. 為她寫首歌或寫一首詩（28%）。
4. 告訴她，她是你遇過最棒的女人（25%）。
5. 她辛苦工作一天後，幫她放洗澡水（22%）。
6. 傳給她一則浪漫簡訊或電子郵件，或在家裡留一張浪漫的紙條（22%）。
7. 幫她準備床前早餐（22%）。
8. 她感到冷時，脫下外套幫她披上（18%）。
9. 送一大束花或一盒巧克力到她上班的地方（16%）。
10. 幫她把最愛的音樂編集在一起（12%）。

有趣的是，有逃離現實與意外驚喜的舉動最受女性青睞，之後是反映體貼的舉動，明顯偏物質享樂的舉動則殿後。科學證明，關於浪漫，最重要的或許是心意。

——本文摘自《怪咖心理學之 59 秒的練習，靠表情、姿勢和小動作，輕鬆翻轉工作與人生！、社區裡的用藥悲劇與重生》，2023 年 4 月，漫遊者文化出版，未經同意請勿轉載。