【Gene思書齋】故意視而不見的大難時代

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

躁鬱症（Bipolar Disorder），正式名稱為「雙向情緒疾患」或「雙極性情感障礙」，是一種讓患者的情緒不受控制地在極度亢奮和極度低落之間擺盪的精神疾病。這樣的情緒變化不僅僅是短暫的起伏，而是持續多天、甚至數週的狀態，對於患者的生活、關係和工作會造成重大影響。

什麼是躁鬱症？

躁鬱症患者的情緒通常經歷兩個極端階段：躁期和鬱期。

在躁期，患者可能會感到無比的精力充沛、自信心爆棚，甚至會有過度樂觀和衝動的行為。然而，躁鬱症不僅僅是「情緒高漲」的表現，在躁期過後，患者往往會經歷嚴重的情緒低谷，進入所謂的鬱期。此時，他們會感到情緒低落、無力感、甚至有自我傷害的傾向。

近幾年大眾逐漸正視精神疾病的影響，許多名人也曾經公開分享他們的躁鬱症經歷，如歌手瑪麗亞．凱莉、演員小勞勃道尼。這些公眾人物的經歷讓我們看到了這種精神疾病的廣泛影響，以及如何對他們的創作、生活和心理造成衝擊。

躁鬱症的分類與盛行率

根據跨國研究，不論種族、性別或地區，躁鬱症的盛行率約為 1%，這意味著每 100 人中就有一人可能經歷過躁鬱症的發作。如果將所有的亞型計算在內，終生盛行率甚至可能高達 2.4%。躁鬱症的發病年齡通常集中在 20 至 30 歲之間，超過 70% 的患者在 25 歲前就會出現早期症狀。

躁鬱症依照症狀的不同，還可以分為不同的亞型。最常見的分類是第一型和第二型。第一型躁鬱症的特徵是患者會經歷完整的躁期，通常會影響患者的日常功能，甚至需要住院治療。而第二型躁鬱症的躁期則相對較輕，稱為「輕躁期」，但鬱期仍然會對患者的生活造成嚴重影響。

什麼是「躁期」和「鬱期」？

「躁期」和「鬱期」是躁鬱症的兩個主要特徵階段。

躁期： 許多人對「躁」字的理解常常會聯想到「暴躁」或「焦躁」，實際上躁鬱症的躁期，更多的是情緒高昂、亢奮的狀態。在輕躁期（Hypomania），患者會持續數天感到極度精力充沛，無論在工作還是生活中，表現得比平時更有自信和創造力。但問題是，這種情緒亢奮狀態不一定持續太久，躁期可能會逐漸惡化為狂躁期（Mania）。這時，患者的行為可能會變得極端，容易做出無法預測的決定，例如過度消費、縱情娛樂或進行不安全的行為。

鬱期： 在鬱期，患者的情緒和行為完全反轉。他們會感到無精打采、情緒低落，對任何事物都提不起勁。這時候，患者的日常活動變得困難，注意力和記憶力也會大幅下降，甚至有自我傷害或自殺的傾向。

從外界看來，躁期似乎是一個非常「高能」的狀態，但實際上，躁鬱症的危險之處正在於它的不穩定性。躁鬱症患者在躁期中無法控制自己的情緒與行為，即使感覺自己處於高峰狀態，這樣的「興奮」很可能會導致衝動行為，如不理智的財務決策或人際衝突。

如何應對躁鬱症？

躁鬱症不僅僅是情緒的擺盪，同時也會對患者的生活產生影響：

1. 無法控制的躁期時間：躁期的長度和強度不是患者能控制的，患者可能從精力充沛的狀態，轉變為難以收拾的混亂局面。
2. 鬱期的危險性：在躁期過後，進入鬱期的患者常常因為自責或對前期行為的後悔，而陷入更深的低谷，這增加了自我傷害的風險。
3. 生活質量下降：反覆發作的情緒擺盪讓患者難以享受生活，甚至對快樂的感受也會變得懷疑和恐懼。
4. 人際關係受損：情緒極端的變化會讓患者難以建立穩定的人際關係，這對於長期支持系統的建立是巨大的挑戰。
5. 大腦損傷：每次發作對大腦的損害都是不可逆的，長期下來，注意力、記憶力、甚至思考能力都會受到影響。

治療與日常應對方法

對於躁鬱症的治療，藥物和心理治療是兩個不可或缺的部分。穩定情緒的藥物，如鋰鹽，是控制躁鬱症的重要工具。鋰鹽自 20 世紀開始就被廣泛用於躁鬱症的治療，能有效減少躁鬱症的復發風險。如果患者正處於躁期，醫生還可能會使用抗精神病藥物來幫助控制症狀。

除了藥物治療，心理治療同樣重要，特別是在症狀穩定後，透過心理治療，患者可以學習如何識別躁鬱症復發的早期徵兆，以及如何調適壓力和情緒。

如何支持身邊的躁鬱症患者？

身為躁鬱症患者的家人或朋友，了解如何在不同的情緒階段支持患者是關鍵。在躁期時，避免硬碰硬，而是試著將患者的注意力引導到安全的活動上；在鬱期時，提供非批評的陪伴，讓患者感受到被理解與支持。

躁鬱症是一種需要長期管理的疾病，但這並不意味著生活的希望就此消失。許多躁鬱症患者在接受治療後，依然能過著豐富充實的生活，並在自己的專業領域中發揮才華，擁有幸福的人生。

《莊子．齊物論》勞神明為一，而不知其同也，謂之朝三。何謂朝三？狙公賦芧，曰：「朝三而暮四。」眾狙皆怒。曰：「然則朝四而暮三。」眾狙皆悅。名實未虧，而喜怒為用，亦因是也。是以聖人和之以是非，而休乎天鈞。

以上是一個大家耳熟能詳的成語「朝三暮四」的原始出處，用來比喻人的心意不定、反覆無常，也可用在比喻事物變化無定。但你知道這個成語的故事也描述了行為經濟學中人們常見的認知偏誤嗎？

這個故事是這樣的，有一位養猴人告訴他的猴子們說：「我決定每天早上給你們三升橡樹果實，下午給你們四升橡樹果實。」然而，猴子們卻很不滿意，覺得早上的份量太少。於是，養猴人說：「好吧，那我們改成早上給四升，下午給三升。」聽到這個消息，猴子們都很高興，以為早上的份量增加了。

事實上，「朝三暮四」和「朝四暮三」只是改變了早上和晚上給予食物的量，但猴子們卻以為獲得了更多。這個故事要給我們啟示是，人以自我中心的眼光看待事物，沒有固定不變的準則。或許「朝三暮四」和「朝四暮三」的現象一般人聽起來覺得有點離譜，應該是猴子們太笨才會有如此愚蠢的行為。但事實上，人類許多不理性的行為從旁觀者來看其實和那些猴子差不多，而這些和我們的認知偏誤有關。

展望理論與框架效應

在「朝三暮四」和「朝四暮三」的故事中，猴子們對橡樹果實分配的滿意度，完全是受到訊息的框架影響，可以發現雖然總量沒有改變，但因為參照點改變，他們態度就改變了。在早上給四升，下午給三升的情境下，因為早上比較多，這對他們來說是一種增加，因此他們感到滿意。但相對的，在早上給三升，下午給四升的情境下，猴子們認為早上怎麼變少了，因此對他們來說這是一種損失，因此感到憤怒不滿意。

猴子們會出現這樣的反應和框架效應（Framing Effect）有關。框架效應是一種認知偏誤，指人們在面對邏輯意義上相同訊息時，根據訊息的呈現方式會產生不同的反應或評價。這代表著訊息的表達方式能夠影響我們的決策和判斷，就彷彿我們的思考被侷限在框架內。

框架效應的概念是建立在心理學家阿莫斯．特沃斯基（Amos Tversky）與丹尼爾．卡尼曼（Daniel Kahneman）在 20 世紀 70 年代和 80 年代的研究，他們在行為經濟學和決策理論有許多貢獻，並證實了人們會因為認知偏誤而產生不理性的判斷。

1979年，他們提出一種描述性模型，用來解釋人們在面對風險和不確定性時做出的選擇。當時的主流經濟學認為人的決定都是理性的，但他們提出的展望理論（Prospect Theory）挑戰了傳統的期望效用理論，證實人們在處理損失和收益時表現出不對稱的行為。

展望理論發現人們對於遭遇損失時的痛苦感受要大於同等數量的收益所帶來的快樂感受，稱作「損失厭惡性 (loss aversion)」，這狀況也和猴子們的表現是相似的，對於損失感到非常不滿意。這凸顯了個人的決策和評估是受到選擇和訊息呈現方式的影響。

框架效應也對風險決策產生影響。當同一風險以不同方式呈現時，人們的反應可能有所不同。例如，若醫師說手術有「10% 會失敗」，病人可能傾向認為風險較高，而不用接受手術；但如果使用手術有「90% 成功率」的描述，病人可能會認為風險較低，而願意接受手術治療。

雖然在「朝三暮四」的故事中，猴子們並不用考量收益獲得的機率來做出相對應的風險決策，但事實上，科學家們會使用猴子作為實驗動物，紀錄他們的行為以及特定腦區神經細胞反應來了解人們行為決策的本質，並幫助我們未來規劃更完善的經濟學理論來制定國家政策。

初始效應與錨定效應

除了框架效應，心理學的初始效應和錨定效應的結合也能解釋猴子「朝四暮三」而感到滿意的原因。

初始效應（Primacy Effect）是指在記憶和印象形成過程中，人們對於最早接收到的訊息更容易保持和記憶，並且更重視和注意這些訊息，而對整體印象具有更大的影響力。這可能是因為在一開始時，人們的注意力和認知資源是最充沛的，所以他們對於最早接收到的訊息進行更深入的處理和編碼，導致這些訊息更容易被記憶。

從「朝三暮四」例子來看，因為初始效應的關係，早上的橡樹果實數量對猴子來說印象可能更深刻。也因為如此，猴子們只關心早上獲得的數量而可能忽略下午的數量。猴子們進而將早上的橡樹果實數量當作錨點，過度偏重此訊息。當飼主把早上的數量從三升增加為四升，猴子們就以為獲得較多，並非常高興。反之，若早上只給三升則猴子誤以為減少，並非常生氣。猴子們的問題是，他們忽略了真正重要的是一整天獲得的橡樹果實總量，而不是只有早上的數量。

這樣過度依賴最初呈現的訊息並將其錨定的現象也稱作錨定效應（Anchoring Effect），和框架效應一樣屬於認知偏誤的一種。最早也是由心理學家阿莫斯．特沃斯基（Amos Tversky）與丹尼爾．卡尼曼（Daniel Kahneman）觀察到並將其理論化。

1974 年，他們撰寫的不確定狀況下的判斷：啟發式和偏差（Judgment Under Uncertainty : Heuristics and Biases）一書中，首次提及錨定概念並分享了一個實驗。他們要求受試者在 5 秒內計算 1 × 2 × 3 × 4 × 5 × 6 × 7 × 8，或者 8 × 7 × 6 × 5 × 4 × 3 × 2 × 1。

由於受試者沒有足夠的時間計算完整的答案，他們必須在進行了幾次乘法運算後做出預估。當序列以較小的數字開始（1 × 2 × 3 × 4 × 5 × 6 × 7 × 8），他們給出的答案中位數估計值為512；而當序列以較大的數字開始時（8 × 7 × 6 × 5 × 4 × 3 × 2 × 1），中位數估計值為 2,250（而正確答案是 40,320）。

這說明了，只因為兩個序列的數字大小排序不同，則讓受試者產生了不同的錨點，進而估算出不同的答案，雖然兩序列的估計值都離正確答案有段距離，但可以發現以數字較小為開頭的序列估算出較小的可能答案。

結論

「朝三暮四」這個寓言讓我們知道人世間沒有永恆不變的道理，不同的準則和觀點之下會產生不一樣想法。莊子希望人們能超越人世間紛擾，回歸自然，在自然的境界中找到永恆不變的道理。也就是原文中提到「休乎天鈞」的境界，齊物論的核心思想。

框架效應的存在顯示了人們對訊息呈現方式的敏感度和評價的相對性。這提醒我們在面對決策時要謹慎思考，並注意訊息的呈現方式對我們的判斷和行為的影響。

參考資料

• 朝三暮四 [正文] – 成語檢視 – 教育部《成語典》2020 [進階版] (moe.edu.tw)
• 展望理論 – 維基百科，自由的百科全書 (wikipedia.org)
• 框架效果 – 維基百科，自由的百科全書 (wikipedia.org)
• 初始效應 – 維基百科，自由的百科全書 (wikipedia.org)
• 定錨效應 – 維基百科，自由的百科全書 (wikipedia.org)
• TverskyKahneman1974.pdf (ubc.ca)