破除消費的迷思 – 別再成為資本主義的奴隸

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／陳品均｜雅文基金會聽語科學研究中心 助理研究員

星期一，聽起來是什麼顏色？

先別急著回答藍色，對某些人來說，這個答案可不是受到情緒經驗的影響，而是真實的色彩反應。

星期怎麼可能聽起來有顏色？事實上，根據研究大約有 4% 左右的人^[1]，在某個認知或感官接收資訊刺激後，另一種感覺或認知會同步自發的出現，並且具有特定規律，此反應與刺激本身並不一定相關，這些人被稱為聯覺者，擁有像是聽到聲音時，除了聲音的反應外，同時認知到了形狀或顏色等的特徵。

舉例而言，若一位聯覺者聽見 A，除了聲音 A 以外還自動產生了它是紅色的聯覺認知，則不論是在 Apple 或 Angel 中，A 對他而言都是紅色的，不會因為 Angel 比較常以白色的型態出現，便轉換成白色的 A。在學界，聯覺的發展和原因尚在探索中，有些研究指出可能與小時候接觸抽象觀念時的發展、遺傳以及大腦神經機制有關 ^[2、3] 。

隨著聯合反應的感官組成不同，聯覺者的異能經驗也五花八門

你能想像當單一感官接收某一訊息時，同時產生另一感官的不同認知是怎樣的經驗嗎？BBC 的科普節目《Horizon》其中一集< Derek Tastes of Earwax >記錄了數名聯覺者的跨感官連結經驗。其中，一名酒吧老闆兼有聽覺和味覺的聯覺，當他聽見各式各樣的詞彙時，宛如品嚐綜合風味豆，讓他飽嘗各種滋味^[4]。

另一名受訪者是聽覺及視覺的聯覺者，經實驗後科學家發現，若聽到數字或是月份日期時，這名受訪者的腦部除了聽覺區域外，視覺區域也會產生反應。特別的是，他本身是一名視覺障礙者。

感官認知上特別的連結，讓聯覺者所經驗的世界像是搭載了酷炫的特效般，使他們在藝術創作及記憶上屢有出色的表現，代表人物有：知名文學《蘿莉塔》作者 Nabokov^[5]、以引起聽眾共鳴聞名的音樂家 Olivier Messiaen、表現主義的經典畫家 Wassily Kandinsky 等。若想檢視自身是否為天選之人的聯覺者，除了自我覺察是否有異於常人的跨感官連結反應外，目前也有相關的測驗^[6]可以參考。

你我的「類聯覺」跨感官反應

若說聯覺是天生具有特別音感的人，那麼跨感官反應肯定就是音樂家們透過經驗累積產生的直覺判斷，兩者不盡相同、卻又有其類似之處。那麼，不具有聯覺的異能，我們難道只能認命當麻瓜了嗎？

別急，縱使不是聯覺者，普通人也多少會有類似聯覺的經驗，這樣的類聯覺稱作跨感官反應，往往在我們渾然不覺時，悄悄地舉辦同樂會，並影響人們的喜好、感知和行為等。

先來看看研究者們發現的有趣現象，請看這兩個形狀：

過去曾有研究者以 bouba 及 kiki 兩個虛構詞進行實驗，九成受訪者傾向認為雲朵狀的形狀是 bouba，尖銳的形狀則被認為是 kiki，即使這些受訪者其實並不認識兩個假詞，但基於聲音和形狀的特徵，卻讓多數人做出這樣的選擇^[7]。

後續研究者也繼續投入各式各樣以不同語言文化環境為背景、不同年齡階層為對象的研究，有趣的是，結果顯示此現象幾乎是跨語言、跨文化、跨地域存在的，甚至在少與外界互動的部落居民，或是尚未識字的幼兒身上，也有這類從聲音特徵影響其視覺形狀感知歸類的效應 ^[8、9、10]。除了虛構的詞彙以外，有些研究者使用真實存在的詞彙（如：Bob 及 Kirk），來對應圓潤及尖銳的剪影或人臉，最後也有相似的結果^[11、12]。

一般人的經驗和認知，往往加速催化感官間的互相影響

除了語言與形狀外，我們生活中還有許多感官互相影響的例子，來試試看下面這張圖，你聽見聲音了嗎？

瑞克搖（Rickrolled）的影片在 2019 年突破了 10 億次的 youtube 觀看次數^[13、14]，迷因化後大量的連結及有聲影片傳播，使得曾經的觀眾在看見這張圖時根據經驗，腦海中自然出現了＜Never Gonna Give You Up＞的旋律。

然而，不同於聯覺，若沒有經驗累積，跨感官的反應便無法被觸發，以上圖為例，即便觀看次數如此驚人，對於未曾接觸過此影片的人而言，由於缺乏經驗和認知的累積，在看見該張圖片時，理所當然也無法產生相對的聲音反應。

將跨感官反應置入在行銷中的策略，現正流行中！

在大量接收資訊的生活中，我們不自覺地累積了許多感官經驗，成為由單一感官啟動與其他感官同步作用的引線。行銷高手們從中嗅出了商機，精明的將消費者們不由自主產生的跨感官反應也算進了商業行銷的一環。如：某知名咖啡品牌在過去曾進行一項實驗，將兩杯一樣的咖啡配以不同的音效提供給不知情的消費者。前一杯搭配液體沖入便宜咖啡杯、攪拌，模仿沖泡即溶咖啡的聲音，另一杯則在播放磨豆聲、蒸氣聲以及倒進陶瓷杯的聲響後，再次提供給消費者，結果發現在不同的聲音所營造的環境氛圍下，同樣的兩杯咖啡，人們覺得後一杯更加濃醇香，並願意為之付出更高的金額^[15]。

近年熱門的 ASMR 亦是味覺和聽覺的跨感官應用，若想了解更多，別錯過之前的專欄文章﹤加點「聲音調味料」，享受聽覺與味覺的極致饗宴吧！﹥。

下次若覺得某張圖片有聲音、光看某部電影的宣傳海報就起雞皮疙瘩，或是外帶的咖啡沒有內用的美味，也許就是跨感官反應悄悄影響了你的感覺。最後，讓我們回到一開始的問題，星期一聽起來是什麼顏色的？不論是不是藍色的，何不試試透過 GIF 圖和親朋好友無聲地分享你震耳欲聾的情感吧！ 

1. Simner, J., Mulvenna, C., Sagiv, N., Tsakanikos, E., Witherby, S. A., Fraser, C., Scott, K., & Ward, J. (2006). Synaesthesia: The prevalence of atypical cross-modal experiences. Perception, 35(8), 1024–1033. https://doi.org/10.1068/p5469 
2. Bankieris, K., & Simner, J. (2015). What is the link between synaesthesia and sound symbolism? Cognition, 136, 186–195. https://doi.org/10.1016/j.cognition.2014.11.013
3. Freeman, E. D. (2020). Hearing what you see: Distinct excitatory and disinhibitory mechanisms contribute to visually-evoked auditory sensations. Cortex, 131, 66–78. https://doi.org/10.1016/j.cortex.2020.06.014
4. BBC. (2014, September 17). Science & Nature – Horizon. BBC.
5. Eagleman, D. (2023, September 6). Wednesday is Indigo Blue. David Eagleman. https://eagleman.com/books/wednesday-is-indigo-blue/
6. Eagleman, D. M., Kagan, A. D., Nelson, S. S., Sagaram, D., & Sarma, A. K. (2007). A standardized test battery for the study of Synesthesia. Journal of Neuroscience Methods, 159(1), 139–145. https://doi.org/10.1016/j.jneumeth.2006.07.012
7. Ramachandran, V. S., & Hubbard, E. M. (2001). Synaesthesia–a window into perception, thought and language. Journal of consciousness studies, 8(12), 3-34.
8. Ozturk, O., Krehm, M., & Vouloumanos, A. (2013). Sound symbolism in infancy: Evidence for sound–shape cross-modal correspondences in 4-month-olds. Journal of Experimental Child Psychology, 114(2), 173–186. https://doi.org/10.1016/j.jecp.2012.05.004
9. Styles, S. J., & Gawne, L. (2017). When does Maluma/takete fail? Two key failures and a meta-analysis suggest that phonology and phonotactics matter. I-Perception, 8(4), 204166951772480. https://doi.org/10.1177/2041669517724807
10. Ćwiek, A., Fuchs, S., Draxler, C., Asu, E. L., Dediu, D., Hiovain, K., Kawahara, S., Koutalidis, S., Krifka, M., Lippus, P., Lupyan, G., Oh, G. E., Paul, J., Petrone, C., Ridouane, R., Reiter, S., Schümchen, N., Szalontai, Á., Ünal-Logacev, Ö., Winter, B. (2021). The bouba/kiki effect is robust across cultures and writing systems. Philosophical Transactions of the Royal Society B: Biological Sciences, 377(1841). https://doi.org/10.1098/rstb.2020.0390
11. Barton, D. N., & Halberstadt, J. (2017). A Social Bouba/Kiki Effect: A bias for people whose names match their faces. Psychonomic Bulletin &amp; Review, 25(3), 1013–1020. https://doi.org/10.3758/s13423-017-1304-x 
12. Sidhu, D. M., Pexman, P. M., & Saint-Aubin, J. (2016). From the bob/kirk effect to the Benoit/éric effect: Testing the mechanism of name sound symbolism in two languages. Acta Psychologica, 169, 88–99. https://doi.org/10.1016/j.actpsy.2016.05.011
13. BBC. (2021, July 29). Rick Astley rolls into a billion YouTube views. BBC News. https://www.bbc.com/news/technology-58011677
14. BBC. (2018, September 10). Rick Astley on the Rickroll meme that made him an online legend. BBC Scotland. https://www.bbc.co.uk/programmes/articles/5D3ZmWf1hJmCxCc5Vn0sS64/rick-astley-on-the-rickroll-meme-that-made-him-an-online-legend
15. Jones, R. (2021)。跨感官心理學：解鎖行為背後的知覺密碼，改變他人、提升表現的生活處方箋 (陳松筠譯)。商周出版。

過去也有多次政府發錢刺激消費的作法，但他們發的不是錢，而是有使用限制的「消費券」。

既然可以發錢，為什麼之前要發消費券呢？這次又為什麼要發現金？

從經濟學的角度來看，過往的消費券到底是什麼，與這次發現金的使用情境有什麼不一樣？

什麼是消費劵

對消費者來說，消費券就是被限定用途的紙鈔或者是折價券；但從政府的角度，或從經濟學的角度來看，消費券並非這麼簡單。在了解消費券前，要先有兩個概念：「經濟活動循環」及「景氣循環」。

在最簡單的經濟行為流程裡，我們看的是「家計部門」與「廠商」，也就是消費者與生產者之間的互動。「家計部門」需要買各式各樣的產品維持生存或生活品質，「廠商」則提供這些產品，這兩者組成了「產品市場」；「廠商」為生產商品所需的勞動力，就由「家計部門」提供，形成了「勞動市場」或是「生產要素市場」。

將上述概念再加入相反的資金流向，如：購買產品的消費支出、提供勞動力的薪水所得等，就可繪製成「經濟活動循環圖」。

而在一次的「景氣循環」中，會分別經歷擴張期與收縮期；根據國家發展研究院的定義，每個時期所持續時間的至少為 5 個月，走完一次循環則需至少 15 個月。

在擴張期中會先經歷探底復甦，接者是穩定成長，最後來到高峰繁榮期；在這之後就會進入收縮期，開始經濟衰退，直到觸底復甦進入新循環。

舉一個不遠的經濟衰退案例，那就是 2008 年全球金融危機。當時由於美國房地產市場崩潰，房價急劇下跌，許多人失去了房屋資產，造成負債問題；導致消費者信心下降、消費減少，進而使生產減少。此外，由於銀行與金融機構資產負債問題激增，使得貸款停止，造成資金不流動；這麼一來企業也必須減少生產，進而裁員、倒閉，失業率隨之攀升。 

有了「經濟活動循環」和「景氣循環」概念，我們可以幫消費券下個定義了：就是透過增加家庭的消費支出，來復甦產品市場；通常在經濟衰退時使用。也就是說，消費券是政府發給我們的消費工具，希望再補點錢把廠商的庫存清光，增加消費來維持市場穩定，避免持續經濟衰退。

發消費券與現金的成效

那麼，直接發錢跟消費券的功能一樣嗎？發現金也會刺激消費，但消費券刺激的力道理論上會再強一些。

由於消費券在設計上會「排除基本必須開支」，這麼一來便會減少用於「消費替代」的機會，像是水電費、勞健保費、或是繳稅跟罰金，而消費券的各種優惠跟加碼活動，都激勵我們花超過原本支出的錢。另外，「限時用完」、「不找零」、「排除儲值跟預付類消費」都是消費券的關鍵設計，目的就是要在短時間內激發經濟流動性。

反過來說，發現金不像消費券，有明確的優惠活動可以刺激我們亂花錢，在沒有使用期限跟排除開支項目的情況下，這些錢還可以自由分配到每個月的日常支出裡；假如沒有多花一些錢，發的現金將不會幫助消費增長。

新冠疫情影響下，美國在 2020 年普發現金：成人發 1200 美元、兒童 500 美元，年底再加碼 600 美元，2021 年又發 1400 美元。根據美國聯準會紐約分行研究，截至 2020 年 6 月底，民眾取得的現金補助中，有 36% 為儲蓄、35% 償還債務，僅 29% 用於消費，民眾甚至表示，在收到 2021 年的補助金後，會花更多錢去還債。

而日本則於 2021 年底，向全民普發 10 萬日圓的特別定額給付金，日本 Money Forward Lab、早稻田大學與澳洲昆士蘭大學的共同研究研究指出，給民眾的給付金中，只有 6％ 到 27% 用於消費，其中非日常用品的支出沒有明顯改變。

那消費券的成效呢？根據經濟部對 2020 發放的振興三倍券評估成效，考量印製、宣傳與行政，包含發給我們的 2000 元，總成本為 510.5 億元，以領取率接近 100% 來計算，大約就是 2300 萬人去攤這 510.5 億，政府在每一個人身上花約 2220 元，而每人平均消費了 5785 元；等於政府花 1 元能換來 2.6 元的消費，是有效果的。

不過由於使用情境不同，不好將日美發放的現金與我們的振興券相比較。

日美發放的是「紓困金」，目的是幫助人民度過難關；針對這些「紓困金」得用社會投資報酬率（SROI）來考慮，也就是衡量投入資源，所得到「非財務面」的回饋與報酬，例如社會安全、社會價值等。

搞笑諾貝爾經濟學獎

那這次台灣發現金的目的到底是什麼呢？假設是要振興經濟，應該不是個好方法。若用社會投資報酬率來看，不少人提出更該把要拿來發的 1800 億用於投資科學技術研究、大學經費或減免高等教育學費，而非普發 6000。

讓我們回顧 2022 年搞笑諾貝爾經濟學獎，研究團隊以每隔五年會獲得「政府資金」補助，並在模型裡設計了好幾種情境，除了把經費徹底平均分配的普發式外，還有只補助過去表現好的人的菁英式，一部分重點補助菁英，剩下再普發的折衷式，以及最後一個亂槍打鳥樂透式。每一式再加入補助金額高低變化，總共有 18 種方案。

延伸閱讀：
【2022 年搞笑諾貝爾經濟獎】不想努力的我，把運氣點滿就對了

透過這個人生遊戲模組，若以研究定義的成功率來看，折衷式的其中一種方案讓「高能力族群」的成功率從沒有補助的 32.05% ，一口氣提高到 94.82%，其結果最好，但也是所有方案中最貴的；相較之下，如果採取普發式的其中一種方案，成功率也可以達到 94.40%，政府花費還低了將近一半。

若不只看成功率，而是看政府每花一塊錢能增加多少高能力族群成功率的效率來判斷，竟然還是普發式的方案結果最好，能用最少的花費，就讓成功率提升到 69.48%！表現最差的方案，都是菁英式，其中只把錢給過往表現前 10% 的極端菁英方案，效率只有最佳普發方案的 1/25。

研究者也提到，在真實世界中，折衷式方案一方面人人有獎，一方面也給表現較好的人鼓勵，可能產生激勵效果，讓所有人都更加努力，發揮更大的整體效果。

再回到一開始討論的，現在政府有一筆多出來的錢，而預期目標是讓人民的生活過得更好，這筆錢該直接給民眾，還是執行特定的菁英投資政策呢？若是按照搞諾經濟學獎，就是直接普發！（難道政府裡也有和我們一樣熱愛搞笑諾貝爾獎的好捧油？XD）

然而，不管是從經濟學基本原理、過往發現金跟消費券的效益評估，還是搞笑諾貝爾經濟學獎的人生遊戲模型，其實都無法替普發 6000 還稅於民的政策效果背書，一時半刻也很難看出效益。

說到這裡，6000 元你打算怎麼花呢？

歡迎訂閱 Pansci Youtube 頻道 獲取更多深入淺出的科學知識！