理工科系的學生比較沒有同理心？

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

苦難與同理心：能激發出援助還是自我關注？

縱貫全文，我們持續主張，苦難演化得十分凸顯、讓我們不能不關注，而且它還得以在子代照護背景脈絡中激發行動。利他反應模型的這項原則，似乎與巴特森（Daniel Batson）和讓．德塞蒂（Jean Decety）以及其他人的普遍觀點互相衝突，後者主張苦難會阻礙援助。

根據同理心──利他行為假設，人們在感到溫暖、柔情、冷靜、關切和慈悲時，會專注關心他人的需求，並提供無私的援助；相反，當發愁、憂心、痛苦、不安和沮喪時，他們就會專注關切自己的需求，並只有在自己的苦難減輕時，才會提供幫助。舉個例子，當實驗室中的學生目睹某人受到痛苦的電擊時，表示感受同理心的觀察者，即便可以離開，也都會伸援，至於感到個人苦難的人，則較少提供幫助，除非他們被迫留下並繼續觀看痛苦的電擊。因此，人們有能力出於無私的原因提供幫助，但可以出於自私的動機行事，以緩解自己的苦難。

我們自己的研究有時確實會披露很棘手的苦難。例如，我們往往會複製出巴特森的發現，遭逢苦難的受害者有可能觸動觀察者的同理心以及負面反應。當人們觀看我們最悲苦醫院患者的錄影時，一部分參與者甚至還表示他們感到驚恐（亦即忐忑、憤怒、驚恐）。這種高度負面的反應還更加引人注目，因為參與者知道，這些是真正的重症病人或末期患者。

因此，當他人表達的苦難會引發多餘的、會感染的負面感受之時，嫌惡反應也就可能因此發生──特別當他們的問題看來很沒有道理或者難以解決。（舉例來說，一位護理師表示，「嗯，對這個問題她打算怎麼辦？」）不過還不算滿盤皆輸，因為比起對快樂的患者，一般人對苦難的患者會看出更多需求、感受更多同理心，並提供更多幫助。不過這種慷慨精神是有侷限的。

例如，倘若參與者必須坐下來陪伴患者，而不是只給他們幾塊錢並不做社交接觸，那麼他們就會提高協助快樂患者的相對偏好度。所以，即便苦難肯定帶來嫌惡的知覺和感受，它仍能成功傳達需求並激發反應，而這也正符合它的設計功能。

倘若我們思忖，在任意給定的情境中，利他反應模型的種種屬性如何權衡取捨，也就能預測這類複雜的關係。舉例來說，飛機上有小寶寶啼哭時，人們就會抱怨。這似乎自相矛盾，因為，我們理當演化來幫助那些身處苦難的寶寶。

啼哭的力量：無助者需求與觀察者情緒的博弈

然而，這種惱怒和模型相符，因為那些寶寶並不是其他乘客熟悉的或有感情紐帶的對象，他們多數人都相隔太遠，不會陶醉於寶寶的可愛模樣，也不知道是哪裡出了問題，所以幫不上忙。因此「飛機上有小寶寶啼哭」經典案例自然會惹人苦惱──這就證明了聲音很凸顯，激使我們去讓它平息──然而我們沒辦法產生同理心，也幫不上忙，因為欠缺界定親代照護的感情紐帶、熟悉度、專門知識和掌控權，況且社會規範告訴我們，不要去碰陌生人的寶寶，進一步約束自身的舉止。

碰到兒童虐待一類狀況時，這種衝突就變得更嚴重了，這時照護者會抽身或甚至攻擊、傷害他們應該保護的兒童。根據研究，由於苦難是如此明顯、有激勵性，而且不容忽視，於是當苦難或啼哭接連持續了好幾個小時或好幾天時，人們也就會變得非常煩躁，特別當沒有明確的解決方案之時（好比，由於寶寶罹患腹絞痛）。

人們必須接受培訓，並在這種情況下獲得支持而非遭受懲罰；他們應該能夠讓自己置身激烈情境之外，好讓自己冷靜下來，而且我們需要提供幫助，好讓照護者能夠休息片刻。釀成這種情況的起因，是由於人類演化出的本性是在相互支持的社會性團體生活中養育兒童，然而如今我們多數人所體驗的西方式工業化獨自育兒方式，卻已經與此脫節所致。

與苦難不能激發援助的情況相反，只要觀察者理解狀況，能介入並對他們的反應抱持信心，那麼即便強烈的和嫌惡的苦難，也依然能夠促成援助。哺乳類動物的神經激素壓力反應之所以演化出現，並不是為了讓我們在工作壓力下能吃餅乾，這種反應的演化，是藉由調動交感和新陳代謝歷程，犧牲了消化和成長等較慢、長期的生理歷程所促成的即時行動。

我們的壓力系統經過演化，能在脅迫下最有效地快速反應，好比當觀察者受了壓力驅使，必須迅速採取行動來幫助某人──假定他們知道該怎麼做，也知道分寸。所以，即便苦難線索啟動你的壓力和自主神經系統，當我們無法行動時──強烈激情和不安找不到明確的出口之時──它們就會產生冷漠、紛擾或攻擊行為，因為這些狀態本身就是演化來激發行動。

人們面臨苦難時，若認為自己有可能遭人操控，也會感到矛盾。由於苦難會激發援助行為，人們有時會偽裝陷入苦難來誘發支持，這有可能讓開始懷疑受害者的觀察者感到困窘、惱怒、生氣或反感。舉例來說，赫迪便曾描述，像狨猿和檉柳猴這類合作養育後代的新世界猴，通常會與無助的寶寶分享食物，特別是當牠們乞求食物之時。

然而，當年輕個體年齡增長獨立生活，成年個體就比較不會與牠們分享食物，而這就會導致年輕個體以愈強烈並引人嫌惡的方式懇求乞討食物，有時訴諸偷竊。這種現象已經在著名的吸血蝠動物模型的利他行為研究中重複驗證，研究發現，成年蝙蝠較少與已經發育超越青少年階段，理當自給自足的蝙蝠分享血餐。

小寶寶確實很無助，起碼在嬰兒早期階段是如此，實在不能認為他們是藉由啼哭來「操控」照護者，起碼不像是幼童、較大兒童和成人那般以刻意的、邪惡的手法來操控。嬰兒有可能「使用」哭聲來激使照護者為他們提供食物、溫暖、撫慰或移除有害刺激物。這是他們溝通需求的僅有方式之一。這些需求有的並不是真的很緊急，不過即便是需求被動照護，好比身體撫慰，也可能影響嬰兒的長期健康和幸福。

例如，寶寶獨自被留在嬰兒床或汽車座椅時，通常就會放聲啼哭，因為他們喜歡照護者充滿愛心的溫暖擁抱。不過這些並不是必須立刻解決的急迫需求（而且就汽車座椅的情況，這說不定正是拯救他們的要素）。

即便寶寶使用哭泣來激使我們幫助他們，我想我們都同意，他們並不是刻意密謀對付任何人，而且他們的要求也相當合理──特別是在面對相當惱人的現代裝置之時。因此，寶寶哭聲的真情實意、毫不誇張，未加操控的性質，提供了一種促成行動的誘發刺激，而且就算出自成年人，我們也依然遵從。

苦難的演化功能：從激發行動到引發嫌惡

人們對於苦難哭聲的音質非常敏感，能區分反映出不同需求的哭聲，好比需要接觸、肚子餓了和疼痛。因此在醫院接受腿部注射的新生兒，所引發的同情比較多，超過在圖書館因無法帶回家的玩具，半哀鳴半啼哭的十八個月大的兒童。後面這樣的哀鳴和啼哭，會讓觀察者感到非常煩躁，他們甚至還可能覺得小孩是在操控而惱火，特別當目標是要取得玩具火車或更多金魚餅乾等獎賞時。然而，聽到新生兒為真正的需求而啼哭時，人們確實會心生同情，這樣的哭聲比較溫和、有規律，並暗示了脆弱的、幼態的、受苦受難和有援助需求的理想組合。

苦難不是單一事物。苦難有多樣化形式和背景脈絡，其中有些有激勵作用，另有些沒有。不過倘若我們從照護無助新生兒的背景脈絡來理解苦難，模式便自然浮現。真正的苦難，肇因於嚴重的急迫狀況，而需要觀察者提供力所能及之幫助的困境是有激勵作用的，而當觀察者不熟悉或沒有形成感情紐帶、不知道該怎麼辦、力有未逮，幫不上忙，或者感覺受了操控，這時苦難就可能引人嫌惡，也不太可能激發援助。

科學文獻有必要更明確地釐清，苦難何時會促使人們走向困難處境，何時則會讓他們遠離，並拿包含利他反應模型屬性的情境（好比受害者與觀察者存有感情紐帶、呈幼態模樣、明顯受苦受難，並需要觀察者力所能及的即時幫助）來與不包含這些屬性的情境進行比對。這些研究將能讓我們就現實世界對苦難之反應範圍方面達成更完整的認識，這類反應並不總是充滿同情，但確實會產生比自我關注更多的可能結果。

——本文摘自《利他衝動：驅策我們幫助他人的力量》，2024 年 11 月，知田出版，未經同意請勿轉載。

搖擺舞的祕密：蜜蜂如何用舞步傳遞築巢地點？

蜜蜂已經存續 3000 萬年。牠們經歷了多個冰河時代、數以千計的環境災難、大大小小源源不斷的掠食者，以及地球歷史上最具破壞性生物的到來：人類。

蜜蜂一生中最重要的決定，就是選擇牠們的家。我稱之為「決定」，因為這就是個決定：這似乎遵循一個過程，可能需要數小時甚至數天，而蜂群中的每隻蜜蜂似乎都有發言權。不同於進食、交配或戰鬥，對蜜蜂來說，選擇一個家，似乎是一個刻意又「深思熟慮」的過程。

蜜蜂是高度社會性的生物，生活在數以千計的蜂群中，彼此之間距離非常靠近。蜂巢裡通常有一個由工蜂餵養和保護的女王蜂，這些工蜂全都是不育的雌蜂 。一個蜂群通常在冬季結束時分裂成幾個蜂群（swarm）。每一個蜂群都需要找到一個新家來建造蜂巢，扶養工蜂幼蟲，並為下一個冬天建造儲藏蜂蜜的蜂房。

因此，當蜜蜂創造一個新的蜂群時，牠們最重要的任務是找到合適的築巢地點以建立蜂巢。牠們的家需要一個空腔體積，來容納足夠的蜂蜜以度過整個冬天。此外，入口需要離地面夠高，以防止地面上的掠食者瞄準蜜蜂。入口也應該很小，以確保隱蔽性和溫暖，以便蜂巢免受極端強風等惡劣天氣因素的影響。

那麼，蜜蜂如何選擇建蜂巢的地方？牠們會跳舞。

假設各位決定研究蜜蜂如何選擇築巢地點，那麼將會觀察到這樣的情形。當來自母蜂群的蜜蜂分裂成一小群時，幾十名偵察員會朝向不同的方向飛去，查看方圓5公里內適合的築巢地點。當偵察員遇到一個吸引牠的地點時，牠會回到蜂群並表演搖擺舞，向姊妹們傳達該地點的距離、方向和品質（雄蜂是懶惰鬼，牠們不做任何事；牠們唯一的工作就是使女王受孕）。舞蹈的持續時間與到新地點的距離成正比，蜜蜂搖擺的角度代表牠們相對於太陽向外飛行的角度，搖擺的強度（舞蹈次數）表示新地點的品質。

由於偵察兵已經飛越了一大片區域，所以牠們會向蜂巢夥伴宣傳許多相距甚遠的地點。蜂群中的蜜蜂跟隨各種偵察員的腳步，檢查廣泛分散的地點，然後返回蜂群進行搖擺舞。

因此一開始，偵察員會宣傳幾個可能的築巢地點，似乎試圖將牠們的同伴招募到每個選定的地點，這看起來是一個相當混亂的場景。然而，幾個小時或幾天後，所有蜜蜂都開始跳舞，只支持一個地點。一旦達成共識，蜂群就會飛到選定的位置。但是，其實蜂群是沒有領袖的（女王蜂只是一部繁殖機器，完全依賴工蜂提供食物和福利）。因此，我們會得出一個（正確的）結論，築巢地點的選擇是由所有蜜蜂參與的民主過程完成的。

一旦觀察到這種現象，各位可能會問以下一些問題：這種幾乎百分之百共識的民主過程，是如何運作的？

從混亂到共識：蜂群如何民主選擇完美地點

正如我之前提到的，蜜蜂需要選擇一個高品質的地點來確保牠們的生存。但不明顯的是，如果牠們可以有多個高品質的地點供選擇，牠們幾乎總會選出一個最好的地點。這些挑剔的蜜蜂不會接受「夠好」的選項。當科學家在蜜蜂的飛行範圍內，人為創造一些良好的築巢地點時，他們發現蜜蜂幾乎總是聚集在最好的地點。更令人驚訝的是，蜜蜂很少先找到最佳築巢地點；但一段時間過後，即使蜜蜂發現最佳地點的時間比其他稍差的地點晚得多，最終還是會達成共識選擇最佳地點。

研究人員已經證明，蜜蜂在評估築巢地點的品質方面有著絕對的標準。牠們搖擺舞的活力轉化為跳舞的次數，代表特定場地的品質。蜜蜂需要 15 分鐘到 1 小時來評估一個潛在的地點。牠會檢查空腔的外部，並花很多時間在裡面四處走動和短途飛行。如果蜜蜂在第一次檢查時發現築巢地點很理想，就會回到蜂群中，用搖擺舞來宣傳該地點。如果另一隻蜜蜂跟著牠來到這個地方，當這隻蜜蜂回到蜂群時，她會跳（持續時間和強度）幾乎完全相同的搖擺舞。蜜蜂有一個評估巢穴品質的通用標準。

所有蜜蜂在選擇築巢地點時，都有一致的興趣。牠們的共識是經過一段時間才建立的，因此，最後所有蜜蜂都只支持一個地點，而這幾乎總是最好的地點。但是，共識是如何達成的？

最初，科學家們假設蜜蜂偵察員將舊巢的地點與新地點（其他跳舞的偵察員把牠找來新地點）進行比較。如果她發現新地點的品質比較高，就會不再支持舊的地點，並更積極地跳舞以表示對新地點的肯定，但事實證明這是錯的。大多數蜜蜂只會前往一個築巢地點，很少有蜜蜂會前往 2 個以上的地點。

湯瑪斯．西利（Thomas Seeley）和其他人的艱苦研究揭示了建立共識過程背後的奧祕，只有兩個要素。首先，正如我們已經知道的，蜜蜂會為了一個品質更好的地點而跳更多舞；第二，蜂群中的蜜蜂會隨機跟著在跳舞的蜜蜂，以探索新的地點。

但是，這兩個簡單的行動如何導致對最佳地點近乎百分之百的共識？

簡單卻高效：蜜蜂如何以數學模型找到最佳家園

假設有3名偵察員，牠們評估 3 個可能的新築巢地點— A、B 和 C —品質各不相同。假設地點 A 是最好的，地點 C 是最差的。在評估了地點 A 之後，第一個偵察員返回蜂群並跳了 20 次舞。第二個偵察員評估地點 B 並跳了 10 次舞。最後，第三名偵察員在評估地點 C 後，只跳了 5 次。

讓我們假設蜂群中有 100 隻蜜蜂在等待牠們的偵察姊妹回來。請記住，牠們會隨機跟隨任何一隻跳舞的蜜蜂，然後去探索令這隻蜜蜂興奮的地方。由於第一隻蜜蜂的舞蹈占了 57%（20 ÷ 35），因此蜂群中的 100 隻蜜蜂有 57 隻會跟著第一隻蜜蜂。按照同樣的邏輯，29 隻蜜蜂會去評估地點 B，只有 14 隻蜜蜂會評估地點C。當這 100 隻蜜蜂回到蜂群時，會發生什麼事？

來自地點 A 的 57 隻蜜蜂每隻跳 20 支舞＝1140 支舞

來自地點 B 的 29 隻蜜蜂每隻跳10支舞＝290 支舞

來自地點 C 的 14 隻蜜蜂每隻跳 5 支舞＝70 支舞

因此，地點 A 現在貢獻了蜜蜂表演的舞蹈循環總數的 76%（1140÷1500），而第一輪為 57%。在下一輪中，蜜蜂隨機跟著任何一隻跳舞的姊妹。因此 76% 的等待蜜蜂會去探索地點 A。

如果這個過程繼續下去，就會發現對最佳地點 A 的應援將繼續暴增—在第三輪中，按照同樣的邏輯，對地點 A 的支持度將增加到 88% —直到幾乎所有蜜蜂都只支持地點 A 為止。

各位是否像我第一次讀到這個過程時一樣感到目瞪口呆？大家了解這是什麼情況嗎？蜜蜂要做出一個非常複雜且充滿挑戰的決定。但牠們卻利用一個非常簡單的過程：為一個更好的地點而更加努力地跳舞，並隨機跟著一隻跳舞的姊妹。

——本文摘自《跟達爾文學投資：取經大自然，從物競天擇脫穎成為市場贏家！》，2024 年 10 月，今周刊出版，未經同意請勿轉載。