貓奴注意！喵星人石化開關的秘密——《真的假的！奇怪知識又增加了》

本文與 PAMO車禍線上律師 合作，泛科學企劃執行

走在台灣的街頭，你是否發現馬路變得越來越「急躁」？滿街穿梭的外送員、分秒必爭的多元計程車，為了拚單量與獎金，每個人都在跟時間賽跑 。與此同時，拜經濟發展所賜，路上的豪車也變多了 。

這場關於速度與金錢的博弈，讓車禍不再只是一場意外，更是一場複雜的經濟算計。PAMO 車禍線上律師施尚宏律師在接受《思想實驗室 video podcast》訪談時指出，我們正處於一個交通生態的轉折點，當「把車當生財工具」的職業駕駛，撞上了「將車視為珍貴資產」的豪車車主，傳統的理賠邏輯往往會失靈 。

在「停工即停薪」（有跑才有錢，沒跑就沒收入）的零工經濟時代，如果運氣不好遇上車禍，我們該如何證明自己的時間價值？又該如何在保險無法覆蓋的灰色地帶中全身而退？

薪資證明的難題：零工經濟者的「隱形損失」

過去處理車禍理賠，邏輯相對單純：拿出公司的薪資單或扣繳憑單，計算這幾個月的平均薪資，就能算出因傷停工的「薪資損失」。

但在零工經濟時代，這套邏輯卡關了！施尚宏律師指出，許多外送員、自由接案者或是工地打工者，他們的收入往往是領現金，或者分散在多個不同的 App 平台中 。更麻煩的是，零工經濟的特性是「高度變動」，上個月可能拚了 7 萬，這個月休息可能只有 0 元，導致「平均收入」難以定義 。

這時候，律師的角色就不只是法條的背誦者，更像是一名「翻譯」。

施律師解釋「PAMO車禍線上律師的工作是把外送員口中零散的『跑單損失』，轉譯成法官或保險公司聽得懂的法律語言。」 這包括將不同平台（如 Uber、台灣大車隊）的流水帳整合，或是找出過往的接單紀錄來證明當事人的「勞動能力」。即使當下沒有收入（例如學生開學期間），只要能證明過往的接單能力與紀錄，在談判桌上就有籌碼要求合理的「勞動力減損賠償 」。

300 萬張罰單背後的僥倖：你的直覺，正在害死你

根據警政署統計，台灣交通違規的第一名常年是「違規停車」，一年可以開出約 300 萬張罰單 。這龐大的數字背後，藏著兩個台灣駕駛人最容易誤判的「直覺陷阱」。

陷阱 A：我在紅線違停，人還在車上，沒撞到也要負責？ 許多人認為：「我人就在車上，車子也沒動，甚至是熄火狀態。結果一台機車為了閃避我，自己操作不當摔倒了，這關我什麼事？」

施律師警告，這是一個致命的陷阱。「人在車上」或「車子沒動」在法律上並不是免死金牌 。法律看重的是「因果關係」。只要你的違停行為阻礙了視線或壓縮了車道，導致後方車輛必須閃避而發生事故，你就可能必須背負民事賠償責任，甚至揹上「過失傷害」的刑責 。 

數據會說話： 台灣每年約有 700 件車禍是直接因違規停車導致的 。這 300 萬張罰單背後的僥倖心態，其巨大的代價可能是人命。

陷阱 B：變換車道沒擦撞，對方自己嚇到摔車也算我的？ 另一個常年霸榜的肇事原因是「變換車道不當」 。如果你切換車道時，後方騎士因為嚇到而摔車，但你感覺車身「沒震動、沒碰撞」，能不能直接開走？

答案是：絕對不行。

施律師強調，車禍不以「碰撞」為前提 。只要你的駕駛行為與對方的事故有因果關係，你若直接離開現場，在法律上就構成了「肇事逃逸」。這是一條公訴罪，後果遠比你想像的嚴重。正確的做法永遠是：停下來報警，釐清責任，並保留行車記錄器自保 。

保險不夠賠？豪車時代的「超額算計」

另一個現代駕駛的惡夢，是撞到豪車。這不僅是因為修車費貴，更因為衍生出的「代步費用」驚人。

施律師舉例，過去撞到車，只要把車修好就沒事。但現在如果撞到一台 BMW 320，車主可能會主張修車的 8 天期間，他需要租一台同等級的 BMW 320 來代步 。以一天租金 4000 元計算，光是代步費就多了 3 萬多塊 。這時候，一般人會發現「全險」竟然不夠用。為什麼？

因為保險公司承擔的是「合理的賠償責任」，他們有內部的數據庫，只願意賠償一般行情的修車費或代步費 。但對方車主可能不這麼想，為了拿到這筆額外的錢，對方可能會採取「以刑逼民」的策略：提告過失傷害，利用刑事訴訟的壓力（背上前科的恐懼），迫使你自掏腰包補足保險公司不願賠償的差額 。

這就是為什麼在全險之外，駕駛人仍需要懂得談判策略，或考慮尋求律師協助，在保險公司與對方的漫天喊價之間，找到一個停損點 。

談判桌的最佳姿態：「溫柔而堅定」最有效？

除了有單據的財損，車禍中最難談判的往往是「精神慰撫金」。施律師直言，這在法律上沒有公式，甚至有點像「開獎」，高度依賴法官的自由心證 。

雖然保險公司內部有一套簡單的算法（例如醫療費用的 2 到 5 倍），但到了法院，法官會考量雙方的社會地位、傷勢嚴重程度 。在缺乏標準公式的情況下，正確的「態度」能幫您起到加分效果。

施律師建議，在談判桌上最好的姿態是「溫柔而堅定」。有些人會試圖「扮窮」或「裝兇」，這通常會有反效果。特別是面對看過無數案件的保險理賠員，裝兇只會讓對方心裡想著：「進了法院我保證你一毛都拿不到，準備看你笑話」。

相反地，如果你能客氣地溝通，但手中握有完整的接單紀錄、醫療單據，清楚知道自己的底線與權益，這種「堅定」反而能讓談判對手買單，甚至在證明不足的情況下（如外送員的開學期間收入），更願意採信你的主張 。

車禍不只是一場意外，它是認知、情緒、金錢與法律邏輯的總和 。

在這個交通環境日益複雜的時代，無論你是為了生計奔波的職業駕駛，還是天天上路的通勤族，光靠保險或許已經不夠。大部分的車禍其實都是小案子，可能只是賠償 2000 元的輕微擦撞，或是責任不明的糾紛。為了這點錢，要花幾萬塊請律師打官司絕對「不划算」。但當事人往往會因為資訊落差，恐懼於「會不會被告肇逃？」、「會不會留案底？」、「賠償多少才合理？」而整夜睡不著覺 。

PAMO看準了這個「焦慮商機」， 推出了一種顛覆傳統的解決方案——「年費 1200 元的訂閱制法律服務 」。

這就像是「法律界的 Netflix」或「汽車強制險」的概念。PAMO 的核心邏輯不是「代打」，而是「賦能」。不同於傳統律師收費高昂，PAMO 提倡的是「大腦武裝」，當車禍發生時，線上律師團提供策略，教你怎麼做筆錄、怎麼蒐證、怎麼判斷對方開價合不合理等。

施律師表示，他們的目標是讓客戶在面對不確定的風險時，背後有個軍師，能安心地睡個好覺 。平時保留好收入證明、發生事故時懂得不亂說話、與各方談判時掌握對應策略 。

從違停的陷阱到訂閱制的解方，我們正處於交通與法律的轉型期。未來，挑戰將更加嚴峻。

當 AI 與自駕車（Level 4/5）真正上路，一旦發生事故，責任主體將從「駕駛人」轉向「車廠」或「演算法系統」 。屆時，誰該負責？怎麼舉證？

但在那天來臨之前，面對馬路上的豪車、零工騎士與法律陷阱，你選擇相信運氣，還是相信策略？ 先「武裝好自己的大腦」，或許才是現代駕駛人最明智的保險。

PAMO車禍線上律師官網：https://pse.is/8juv6k 

為什麼貓這麼喜歡貓薄荷呢？

原來是貓薄荷裡的荊芥內脂導致貓咪吸了貓心大悅，不住翻滾、流口水、打呼嚕。

但是，貓薄荷不是對所有貓都有用。不到六個月的小貓似乎不會有反應，而且有的貓喜歡，有的貓不喜歡……咦，這還和遺傳有關係嗎？

想要同時驅蚊，又讓貓貓情不自禁饞你身子嗎？那你一定要試試貓薄荷！

荊芥內脂不只會讓貓咪快樂似神仙，也會活化蚊子體內的受體蛋白，接觸到的蚊子會產生搔癢和刺痛感。哈哈小蚊子，你也來嘗嘗癢癢痛痛的痛苦！

給你的貓貓來點刺激的快樂草吧！

延伸閱讀

人類必恭必敬稱家貓為「主子」，並自貶為「奴才」。陛下身體微恙，一團絨毛癱軟，表情內斂，叫貓奴如何揣測上意？懷疑牠受苦，便心急如焚。幾乎上演《還珠格格》裡，人家紫薇說沒事，爾康卻捨不得的虐心互動。貓咪說不定覺得：「……有這麼多人關心我，我已經不痛了……」人類仍在一邊：「可是，我好痛！」^[1]

在治療人類時，醫護人員會用視覺類比量表（Visual Analogue Scale）、臉譜疼痛量表（Wong-Baker faces pain scale）或 FLACC 量表^[註] 等工具，來評估患者疼痛的狀況。前二者靠病人自我評估，以數字或表情，象徵由舒適無恙，漸進到痛徹心扉的程度差異。 FLACC 則是醫護觀察嬰幼兒或無法言語溝通者，就其身體不適產生的行為變化來計分。^[2] 儘管每個人敏感的程度不同，至少單一病患前後的得分，能相互對照出疼痛是否得到緩解，或者更加惡化。因此，這些量表均可視為有效測量疼痛的方法。

問題是有口難言，又行徑鬼祟的貓咪怎麼辦？人貓猜心的瓊瑤戲碼，自古不斷重演，沒完沒了。

直到有天，獸醫們看不下去了…

貓咪苦臉量表

2017 年的時候，加拿大蒙特婁大學 Paulo Steagall 副教授以及他的團隊，招募了一票被送急診的病貓。在得到飼主同意後，他們比較疼痛的病貓、服用止痛藥的病貓，還有健康貓咪的表情舉止，研發出「貓咪苦臉量表」（Feline Grimace Scale），並將結果發表於 2019 年的《科學報告》（Scientific Reports）。^{[3, 4]} 其中列出幾個徵兆，可依級別給分，就此將貓咪的疼痛量化：

耳朵姿態（ear position）：貓耳的尖角向外分開，並略為朝後旋轉。^{[3, 5]}

_{圖／參考資料 5}

瞇眼程度（orbital tightening）：上下眼瞼之間的空隙，小於眼睛的寬度，或是完全緊閉。^{[3, 5]}

_{圖／參考資料 5}

口鼻緊繃（muzzle tension）：口鼻（即臺語所謂「喙管」的部位）由圓轉扁，而呈橢圓形。^{[3, 5]}

_{圖／參考資料 5}

觸鬚變化（whiskers change）：觸鬚從平常放鬆的圓弧，撐直且稍微向前。^{[3, 5]}

_{圖／參考資料 5}

頭部位置（head position）：原本處於全身最高處的貓頭，降至低於肩膀，並往下垂。^{[3, 5]}

_{圖／參考資料 5}

貓臉疼痛辨識技術

目前受惠於物種專屬苦臉量表的，除了貓，還有鼠、兔、馬、羊、豬和貂等動物。受過訓練的獸醫，能精準判讀牠們的表情，用這些工具，來評估牠們的疼痛指數。隨著科技的進步，到了 2022 年《科學報告》期刊再次關懷貓咪的痛楚時，另一群科學家拿出「貓臉辨識技術」，試圖取代專業的肉眼觀察。^[6]

臉部校正

臉部校正是建立辨識系統的要務。先調整貓臉的特徵（landmarks，即照片上標有號碼的黑點），讓它們在空間中對齊，減少幾何上的變異，方便接下來的步驟進行。原則上，校正後的貓臉必須：^[6]

1. 在畫面正中央；
2. 旋轉直到雙眼的連線呈水平；
3. 尺寸都約略相同。

_{圖／參考資料 6 ，figure 1}

模型１：特徵基準（landmark-based）

在找到貓臉的特徵後，依據「貓咪苦臉量表」的觀察部位，將貓臉特徵（黑點）分為：左眼、右眼、額頭與耳朵，以及口鼻和觸鬚，四個區塊向量。然後，多加一些貓鼻子的照片，進行「資料擴增」（data augmentation），^[6] 彌補原始資料的不足，以強化機器學習。^[7] 不過，團隊事後發現，這次的資料擴增，成效不彰。^[6]

_{圖／參考資料 6 ，figure 3}

處理這些照片的計算模型，是一種叫做「多層感知器」（Multi-Layer Perceptron）的人工神經網路（artificial neural network）。^[6] 就像人的神經系統，有好多神經元相互連結，將輸入的資料從上一層送到下一層，經過多層運算後再輸出。^{[8, 9]}

模型２：深度學習（deep learning）

研究團隊把大量沒有標註特徵的貓照，在校正角度和尺寸後，餵給 ResNet50 。^[6] 這是一種有五十層的深度學習模型，早已預先訓練好怎麼逐層辨識貓咪的輪廓、曲線及其它識別特徵。^[10] 套用該模型的同時，還要進行實驗需要的特定調整，例如：加上「痛」與「不痛」的分類標籤。^[6]

貓的痛，AI 有多懂？

上述兩個模型的實測，在判讀貓咪是否疼痛時，都有超過 72% 的準確率，算是相當不錯的成果。不過，在完全替代人工判讀之前，可能還要擴建訓練辨識系統的資料庫。因為當初請來的照片模特兒，是 29 隻準備接受卵巢子宮切除術的短毛母貓，年紀約幾個月到一歲多。拿牠們術前、術後，以及使用止痛劑前後的照片來訓練 AI ，雖然是個不錯的點子，但無法代表多元的貓咪社群。^[6] 將來的實驗，若能涵蓋其他性別、年齡和品種，相信貓咪們會覺得更加窩心。

備註

FLACC 量表： FLACC 是臉（face）、腿（legs）、活動（activity）、哭（cry）與  安撫（consolability）的縮寫。每個項目依觀察到的狀態，給 0 到 2 分，總分最高 10 分。^[2]

參考資料

1. 瓊瑤經典台詞》小時候看超感動，長大看卻啼笑皆非的 7 大經典場景（風傳媒，2020）
2. Pain assessment and measurement (The Royal Children’s Hospital Melbourne, 2019)
3. Evangelista MC, Watanabe R, Leung VSY, et al. (2019) ‘Facial expressions of pain in cats: the development and validation of a Feline Grimace Scale’. Scientific Reports, 9, 19128.
4. Me-owch — could resting cat face tell us about kitty’s pain? (CBC, 2020)
5. Feline Grimace Scale – Practice your pain assessment skills using the FGS! (Université de Montréal, 2019)
6. Feighelstein M, Shimshoni I, Finka LR, et al. (2022) ‘Automated recognition of pain in cats’. Scientific Reports, 12: 9575.
7. 2021 iThome 鐵人賽－DAY21 資料正規化與資料增強（Data Normalization & Data Augmentation）（IT邦幫忙，2021）
8. 2019 iT 邦幫忙鐵人賽－06. 深度學習的架構分析：多層感知器（IT邦幫忙，2019）
9. 神經網路（IBM，2020）
10. 何謂遷移學習?（NVIDIA，2019）