推銷科學的過與不過

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

• 撰文／詹遠至｜臺灣邏輯、方法論、科學與科技哲學學會助理、臺灣大學哲學系碩士生
• 校對／陳樂知｜臺灣大學哲學系副教授、臺大傳統與科學形上學研究中心執行長、臺灣邏輯、方法論、科學與科技哲學學會秘書長

我們所處的二十一世紀已是科學的時代，科學理論被視為宇宙的終極答案。在這個「科學至上」的時代，人文探求還如何可能？人文如何可以與科學攜手並進？以「人文」與「科學」之間的對話為主軸，臺灣邏輯、方法論、科學與科技哲學學會（LMPST Taiwan）於 2022 年 11 月 19 日在臺灣大學主辦了一場以《科學內外的人文可能》為題的論壇，邀請了國內哲學學者以及科學普及界的資深工作者擔任講者。

本活動主持人由鄭會穎教授（政治大學哲學系助理教授、政大現象學研究中心主任）擔任，受邀講者則包括陳竹亭教授（臺灣大學化學系名譽教授）、陳樂知教授（臺灣大學哲學系副教授、臺大傳統與科學形上學研究中心執行長、LMPST Taiwan 秘書長）、鄭國威先生（PanSci 泛科學知識長）與嚴如玉教授（陽明交通大學心智哲學研究所副教授兼所長）。

本論壇屬於 LMPST Taiwan 長期舉辦的《種種意識論壇》系列。除 LMPST Taiwan 以外，這一系列的論壇由政治大學現象學研究中心、清華大學實作哲學中心、臺灣大學哲學系、臺灣跨校意識社群、PHEDO 台灣高中哲學教育推廣學會、沃草公民學院共同合辦；贊助單位則為順奕有限公司。

科學為人文帶來危機？先論科學主義與自然主義

主持人鄭會穎教授點出了本論壇的核心議題後，陳樂知教授（臺灣大學哲學系副教授、臺大傳統與科學形上學研究中心執行長、LMPST Taiwan 秘書長）發表了他的觀點。

陳教授想要討論的是「就其理論本質而言，科學是否威脅人文」這個問題。陳教授首先談到一些人持有「科學主義（scientism）」的世界觀。科學主義認為，科學是唯一可以讓我們獲得知識的可靠方法。陳教授認為科學主義是一種自相矛盾的世界觀；原因在於科學主義本身並不是科學，並未被科學方法證明，它只是一個哲學理論。因此，科學主義身為一個哲學理論，它本身就是自己會排斥的對象。

回到核心問題，科學是否帶來了人文危機？陳教授的答案是否定的。他認為科學所帶來的其實不是科學主義，而是「自然主義（naturalism）」。自然主義認為，這個世界最根本、基礎的組成，就是自然科學理論認為存在的那些事物，例如粒子、力場、化學反應等。

陳教授認為科學所帶來的自然主義是現代世界觀的基礎；即使一些特定人士因為宗教背景等理由而不同意自然主義，其實也應該要同意例外情況相當有限。如果我們接受「自然主義」，而非「科學主義」，那麼科學本身根本就不會帶來人文危機。這是因為，自然主義只認為世界最根本的組成是科學所談論的事物，但是它並不認為我們只能透過科學方法來認識這些事物。

事實上，從科學世界觀的角度來說，人類也是自然的一員。人類作為一種自然生命體，出於其演化而來的結構，與生俱來就有各種世界互動、認識世界的方式，不限於科學方法。就此而言，人類會發展出的人文也是一種自然現象。因此，雖然人類後來發展出了「科學方法」這種較為優化的認識途徑，我們依然不能否定「人文方法」也是一種認識世界的可靠方法。

接著，陳教授提及羅素（Bertrand Russell）對「熟知知識（knowledge by acquaintance）」以及「描述知識（knowledge by description）」的區分。熟知知識指的是我們透過直接的感受、互動與掌握所獲得的知識，描述知識則是理論性的知識。

陳教授認為熟知知識與描述知識不可被截然二分，兩者之間是程度上的差別。而人文學門的一些觀念就較為接近熟知知識，因為它們重視同理及感受。雖然如此，這一切都符合腦神經科學的描述，人文仍然是自然現象。另一方面，人文因此仍然是科學可以研究的對象，也需要科學的補充。人文學門自己也必須要了解，自己所研究的熟知知識其實也是自然現象，有其組成基礎與運作原理。

因此，科學可以幫助人文把熟知知識轉換為更精確的描述知識，並且為人文提供更精密的研究方法，以及協助其排除錯誤，比如排除人類先天認知系統的偏誤、漏洞等等。總結來說，科學與人文其實研究的是同一個自然界；科學非但不應帶來人文危機，還可以幫助人文研究走得更加長遠。

跨科際合作的需求，兼論「人類世」中的人文與科學走向

不同於陳樂知教授從哲學觀點出發，陳竹亭教授（臺灣大學化學系名譽教授）帶來的是他在教育方面的經驗。首先，陳教授介紹了他為台灣教育部主持的「科學人文跨科際人才培育計畫」，簡稱「SHS（Society-Humanities-Science）計畫」。

由於現代社會中的問題包含人文以及科學的面向，因此 SHS 計畫的主軸在於推動「跨科際教育（trans-disciplinary education）」。以往的教育先是學科主義，然後衍生出「多領域（multi-disciplinary）」或是「跨領域（inter-disciplinary）」，也就是由各學科各自探究共同問題，或是由兩個學科進行合作。

跨科際教育則有所不同，它以「真實世界的共同問題」為核心，直接打破學科之間的界線。只要是對解決真實世界的問題有幫助的知識，參與的學科，甚至政府、產業、民間的 NPO 或利害關係人都擔責分工合作進行知識生產、解決問題。

由於現代社會中的問題愈趨複雜、多元，且多樣，社會對科學界的要求也跟以往有所不同。科學家開始被要求具備社會意識及社會參與的能力，還有溝通與對話的能力；這些能力都是傳統的科學界非常缺乏的。有鑑於此，陳教授所主持的 SHS 計畫積極推動「問題導向的學習」、「系統思考」、以及「實用方法論上的創新」。他也提到，SHS 計畫的推動非常有賴於大學對本身社會角色的自覺與復興。

陳教授參與的另一個國科會計畫是「以社會需求為核心的跨領域研究計畫」。與 SHS 計畫相同，這個計畫也非常重視跨科際教育，並且認知到單靠科學知識無法解決真實世界的複雜問題。

那麼，人文究竟該扮演什麼樣的角色呢？陳教授討論到他撰寫的新書《丈量人類世》中的「人類世（anthropocene）」這個概念。「人類世」指的是一個新的地質紀元。在工業革命之後，人類文明成為影響地球環境與生態變遷的關鍵角色。因此，部分學者認為地球已經進入「人類世」這個地質紀元。

在人類世中，全球有非常多的變遷趨勢，其中一個就是：科學發展帶動理性價值的昂揚，其他的人性價值卻被輕忽。陳教授說，我們培養出了許多「職業科學家」。可是，在科技急速發展的同時，人類的科技文明卻缺乏方向感：我們正面臨物質文明與精神文明之間極大的不均衡。總而言之，他認為「人類的智能尚未學會如何掌舵文明巨輪的方向」。

最後，針對人文與科學應該要如何在人類世中發展，陳教授提出了他本人的看法。首先，科學研究的同儕審核程序需要人文專業學者的投入，也就是科學家不能閉門造車。再來，婦女應該要積極加入科學與科技事業的陣容，因為科學發展不能只由男性思維主導。

最後，未來教育的趨勢必須往跨科際的方向邁進，也就是人文與科學必須並重。如此一來，陳教授強調：「人文的啟發價值和社會重大需求必須挺身而出，為人類文明的永續承擔文明指南針的角色，與科學共同尋求世紀困境的解方。」

「科學實作哲學」帶來人文與科學的合作新可能

繼陳竹亭教授分享了跨科際教育發展的大方向後，嚴如玉教授（陽明交通大學心智哲學研究所副教授兼所長）則分享了她在科學人文互動的個案經驗。嚴教授身為一個哲學學者，卻在因緣際會下，走上了不同於普通學者每天關在辦公室做研究的路。她為了提升生醫背景的學生對哲學的興趣，也為了把哲學帶到課堂之外，推動了青銀共學。

嚴教授把社區中的長輩們請到大學的哲學課堂上，與大學生一起進行小組報告。這些生醫背景的學生們未來大多會從醫；因此，對未來將要在醫療院所工作的他們來說，與長輩互動是很好的練習。

嚴教授也針對與學生們未來在醫療場域會遇到的一些價值性思考，與哲學作出連結，讓學生們學習哲學能夠學以致用，對醫療過程有所幫助。舉例來說，她會帶領學生討論如何面對死亡、以及照護倫理等哲學議題。她認為，在學生未來的臨床工作上，這些哲學議題將派得上用場。

除了青銀共學外，嚴教授還以非常不同於傳統學者的方式，進行她個人的哲學研究。傳統哲學學者往往是埋首於書堆中，發展自己的理論；她則是親自到醫療院所中進行田野調查，去訪問醫生、護理師等第一線的人員。藉由直接了解醫療工作者在實作上遇到的困難，她試圖讓哲學能夠真正被實用。

嚴教授說，這樣的研究方法被稱為「科學實作哲學」。科學實作哲學作為一種研究方法，其實不單單適用於人文學門，也同樣適用於科學。非常理論性、艱深的基礎科學如果能夠走出象牙塔，了解社會的真實需求，便有機會與人文接軌。因此，不論是科學或人文學門，若研究者可以調整研究方法，從研究對象在實作上的細節出發，再轉而調整自己的理論，那麼科學與人文的互動、合作並非不可能。

科學素養對現代社會的重要性

最後進行分享的是科普媒體《PanSci 泛科學》的知識長鄭國威先生。鄭知識長首先釐清了「人文」的定義：他認為，「人文主義」認為人類可以靠自身的能力認識這個世界，而「人文學科」正是培養這種能力的學科。從這個定義來看，人文與科學根本就不是分開的；畢竟科學也是人類靠自身能力認識世界的方式之一。

鄭知識長提到，台灣的學生在國際學生能力評量計畫（PISA）中表現非常優異，世界排名名列前茅。然而，台灣的學生卻普遍缺乏自信，在失敗時容易產生自我質疑。

在學習的過程中，我們大致可以把人分為兩種：具有「定型心態」與具有「成長心態」的人。前者只重視結果、學習態度較消極，且容易受挫折打擊；後者則重視過程、學習態度較積極，且勇於面對挑戰。鄭知識長指出，具有定型心態的台灣學生似乎占多數。

鄭知識長在高中時也面臨相同的困境，他那時非常厭惡數學和理化，完全沒有學習他們的熱忱。他後來發現不止他是如此，有許多人也在學生階段就放棄了對科學的學習；這對台灣社會是個嚴重的現象。舉例來說，公投的題目許多都牽涉科學知識，放棄學習科學的公民要如何在這種公投中作出正確的判斷？這樣的考量促使他後來創辦 PanSci 泛科學。

鄭知識長認為，獲得成長心態最簡單的方式就是學會科學原則與方法，也就是用科學方法來面對日常生活中遇到的問題。而培養科學素養則需要承認自己對許多事的無知，且需要身處一個好的素養集體之中。最後，鄭知識長勉勵大家一起培養出「科學思辨力」，為本次的論壇畫下一個強而有力的句點。

• 本文轉載自 LIS情境科學教材

他是鄭國威，在社群網路上大家都叫他 Portnoy，是 PanSci 泛科學的共同創辦人。Portnoy 從關注媒體改革開始，一路走到成立全台最大科學網站社群。但你可能會很意外，鄭國威在國、高中時期也曾對數理非常排斥，最後選擇文組是為了逃避學不好的數理。直到在研究所接觸「啟發性」教學，才正式開啟鄭國威挖掘科學知識的興趣，以及創辦國內最大科普網站的動機。科學是生活，舉凡食、衣、住、行、育、樂，都可以看見科學的影子。鄭國威正透過網路平台、社群內容和實體線下活動，拉近你我與科學的距離。

關於 Portnoy 的求學歷程故事與教育觀點，邀請你一起往下閱讀>>>

曾是一位透過考試來定義自己的孩子

Ｑ：在國小、國中、高中有遇過什麼「有成就感」以及「特別挫折」的經驗？

鄭國威：我小時候其實是還滿擅長讀書，但到了國中，國一下學期我的數理科目成績一落千丈，一方面覺得學習受挫，自己的自尊心受到嚴重打擊。一方面因為我小學成績很好，因為還滿自傲的，所以變得有點無所適從，那是很複雜的情緒。後來就開始作弊，這段經歷我在很多演講場合都有分享過，國一下學期我竄改成績單，不想讓我的爸媽和我的同學感覺到我變成一個笨蛋，就一直偽裝和掩蓋事實，最後事情還是爆發，這段經歷是我學習上很大的挫折。

我唸研究所之前，都非常討厭數理科目。小時候我喜歡科學，是因為我很容易得到很好的成績，但是當我上了國中，成績不好、掌握不到學習方法，我開始自我懷疑，透過作弊逃避掩蓋沒有學好的事實。我並沒有思考如何讓自己更好，也因此抗拒數理學習，所以我選擇文組，我就是一個文科生，一直到大學唸讀的是外語系。

不過到了研究所，我有了新的學習狀態，因為選擇自己想要念的學科，學得比較主動積極，學習的步調也比較能自己控制。研究所的教法跟以前不太一樣，是很啟發性的教學法，漸漸找回我是「有能力去讀懂，可以學會很多東西的信心」。這段求學歷程對我現在做泛科學有很大的影響，我希望能讓更多跟我一樣國高中，特別是國中，因為數理不好放棄討厭科學的人，在長大後重新愛上科學、重新了解科學價值和重要性。

考試不是一張考卷而是一台體重機

Ｑ：您覺得「考試」的意義的是什麼?

鄭國威：我們對「考試」其實都有錯誤的認識，可能是環境造成的錯誤認識，讓我們覺得沒有達到「某個成績」就是不好，也漸漸讓教育體制走向「考試領導教學」的模式。我覺得考試應該像是「量體重」，因為想要有健康的身體，我們會去量體重，但不會因為沒有達到幾公斤，就覺得自己錯了。

「測量的過程」是讓我們了解我們「目前的狀態」是什麼，考試應該是這樣的價值，是一種幫助我們了解現況的方式，每個考核的結果，並不代表我們是怎麼樣的人，反而是讓大家知道自己現在的狀態，進而能思考下一步應該做什麼。

如果環境能幫助學生了解考試的意義，考試還是很有價值的。

科學素養的第一步是勇敢地承認自己並不知道

鄭國威：小時候所遇到的學習挫折，可能都來自「學習要展現出我知道，考試也要展現出我知道」，其實科學的起源就是來自於「我不知道」。對於我不知道這件事情，應該要感到越來越興奮和期待，並且往更多的「我們不知道」去尋找，而不是一直證明自己是全知的。

我們活在複雜多變的時代，需要知識來建構安全感，我們很難避免這種一直覺得自己需要知道的狀態，自己要很快給出答案的衝動。當我們重新理解科學的價值，就會了解到：「其實這個世界並不缺一個人去唐突、武斷地說自己知道什麼，而是缺乏更多承認自己不知道什麼的人」。

如果不是現在的自己覺得自己會在哪裡

Ｑ：如果可以回到學生時代的某一個時間點， 你最想對那時候的自己說什麼？或是做什麼不一樣的決定？

鄭國威： 所有的過去都塑造了現在的自已，如果可以我不希望變動什麼。我們都看過科幻電影，想回到過去改變缺憾，但所有科幻故事都告訴我們結果會很糟糕（笑），所以我不想做這 樣影響時間線的事情。

 這樣的假設有太多可能，可能是多元宇宙，可能是昆蟲、微生物，或可能我死掉了！ 每個人的哲學觀會選擇要怎麼去回答這個問題，但如果是我的哲學觀，我會選擇不要為過去的 事情後悔，接受這些事情，我只活在這個時間線，我就好好活下去，不去期待別的時間線的自己。

成為孩子的知識共同體「以身作則」

Ｑ：我們知道你還有一個角色就是家長，可以跟我們分享你的教育觀嗎?

鄭國威：很多人會問我是否給我女兒菁英教育、科學素養教育，但我唯一的原則是「成為她可以參考的知識共同體」，也就是「以身作則」這四個字。講比較完整是當我的孩子遇到猶豫、遇到挫折，她痛苦了，她能想想生活中遇到這個情況「她的爸爸會怎麼做」，這是我能給她最好的教養。如果我希望她養成閱讀習慣，我會天天閱讀，如果我希望她喜歡大自然、喜歡科學，那我自己就會去喜歡，從自己先做起。如果我希望孩子常常跟我分享學校的事情，我就要先分享我工作發生的事情，這是我唯一掌握的原則。

聽到鄭國威的分享，讓我們想到世界上最有名的科學家之一理查費曼，他的父親是費曼的科學啟蒙老師。「將科學融入生活」是費曼父親的教育理念，尤其注重小費曼「科學思維」的培養。費曼的父親以身作則，給小費曼各式的實例和討論，激勵小費曼對所有科學領域的興趣和熱忱。

響應本次「LIS 第二季大科學計劃」， 鄭國威分享給我們的大科學人宣言：

❛❛ 科學的第一步，承認自己對許多事情都不知道 ❜❜ ── 鄭國威

這句話也呼應著科學素養的重點不在於考試考高分，而是質疑與發問精神的培養，擁有獨立思 辨、實事求事、問題解決的能力，這正是 LIS 情境科學教材正在努力的方向！ 

邀請您一同成為各行各業中的大科學人，您的捐款將支持「科學公益教材」的穩定開發，一起 支持台灣科學教育，讓孩子從小開始像「科學家一樣思考」，帶著自信長大成為各行各業中「 永保好奇」、「邏輯思辨」的大科學人！

【LIS 大科學計畫 ✦ 第二季】｜將於928教師節暖心上線 ▸▸▸▸▸▸▸

❛ 教育不只是老師的事，這是我們的任務，下一個世代的科學史，現在就得開始寫起！ ❜

每月小額捐款，就能支持全台十萬名孩子都期待的科學教材：https://bit.ly/3rdbOlE