幼態特徵 vs. 真實需求：我們伸出援手的關鍵是可愛還是脆弱？——《利他衝動》

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

需求、弱勢與自主的微妙平衡

有個理由讓人們比較容易幫助弱勢受害者，那就是他們似乎更有可能接受並感激幫助時。真正無助的受害者不可能在沒有干預的情況下解決問題，然而倘若在公共場所有個陌生人並非明顯處於弱勢狀態，向他伸援就是種冒犯，這會貶損他的獨立性或自主權。弱勢屬性與年輕之間的自然關聯性也意味著，接受幫助的人，有可能會認為他們被視為脆弱的或有需求的，而這就讓他們感到受幫助者擺佈，或者被當成比較幼小、低下或權勢較弱的人。

判定人們是否真的需要幫助並希望你伸援是件困難得令人驚訝的事情。例如，一個酗酒或吸毒的人有可能需要幫助，卻不想接受；這個人甚至會因為你說要幫忙就對你惡意攻擊。想像一下，倘若前例中那個慢性成癮男孩是你的姪子。他有可能會向你討二十美元來購買日常用品。即便對你來講這不是什麼大錢，即便你因為愛他、希望他茁壯成長，也願意支付更大額資金來幫他住院復健，但眼前這二十塊錢，你仍有可能拒絕援助。

即便如此，你的姪子有可能並不想去復健；他只是想要有足夠的現金來度過一天。這些都是很複雜的情況。就這類事例，子代需求有許多屬性都可能促使人們湧現反應衝動（例如：弱勢、需求、年輕、愛），但如果成癮者不希望你伸援，或者不想要你偏好提供的那種協助，他就可能成為你精神上和財務上的負擔。

這些情況發生在灰色地帶，有些人寧願讓姪子自己解決問題或者落入「谷底」，另有些人則因為看他受苦太令人難過了，而支付他索求的任何金額。若是成癮者不再年輕，沒有表現改變的跡象，或者用那筆錢來進一步危害他的健康，人們就會傾向於默不作聲。因此，即便脆弱性和需求都清晰可見，倘若受害者不想接受幫助，而其他線索與反應相衝突，援助就可能不會隨之而來。

肢體殘障人士有可能在開門時遇上困難，即便他或她能夠完成這項工作，也寧願自己獨力完成。二十世紀時，美國男性被教導要為女性開門，視之為一種殷勤的表現。有些女性覺得接受這種幫助是受男性擺佈，因為這種援助似乎暗示女性是較弱、較無能或不如男性，即便援助的初衷是善意。

最近我面臨一個狀況，我看到一位坐輪椅的女性準備進入研討會會場時，考慮是否要為她開門，但這位女性似乎能夠應付，也習慣這種歷程，即便對她來講可能比較困難，而且要花更長的時間。幫助可能會奪去人們藉由自理事務所湧現的獨立自豪感受，讓他們感到受侵犯或「不如」他人。由於與我擦身而過的那位女性似乎並不是真正無助，我擔心我的援助有可能會惹怒她，於是我決定不介入。

我永遠不會知道那次援助會不會受到感恩，不過舉這個例子是為了顯示，人們會有一種衝動，想要幫助在我們看來正面臨困境又很脆弱的人。然而，在明顯需要和明確能力之間存有一處很大的灰色區域。我們對這些線索非常敏感，但當它們相互衝突之時，不確定性就會促使我們袖手旁觀。無論如何，當真正無助的個體需要緊急幫助時──就像那位癲癇發作後跌落地鐵軌道的年輕人──湧現幫助的衝動。

疲憊與忽視如何削弱援助衝動

慢性需求也可能在不同情況下削弱幫助衝動，好比當照護人員對他們看顧對象的需求習以為常，或者當他們感到心力交瘁，好比老人的配偶或體弱的親族，或者在機構工作的照護者。舉例來說，當有人患了像是阿茲海默氏症、帕金森氏症、多發性硬化症、肌萎縮性脊髓側索硬化症（“arterial” lateral sclerosis，這裡原文誤植，正確稱法為Amyotrophic Lateral Sclerosis, ALS）、腦性麻痺或癱瘓等疾病時，他們的弱勢屬性和協助需求就相當明確，但如果照護人員對這種需求習以為常，也不覺得很迫切，例如更換衣物或寢具、協助上廁所或洗澡等，這些需求仍然有可能被忽視。這類舉動對於健康的生活是必要的，不過嚴格而言倒不像把人拖離逼近的列車那般必須立即執行。因此，這些不那麼急迫的需求並不會觸發相同的反應衝動。

我父親晚年患上了帕金森氏症，一切事務都需要幫忙。由於他對東西的擺放位置和使用都碰上困難，好比找不到眼鏡、電視遙控器，或者需要把他的平板電腦重新連上網際網路，我們每天都得幫他處理許多日常事項。對他來說，這些問題都很重要，因為涉及他所能從事的僅存活動，好比看電視或在平板上閱讀新聞。

即便如此，這些事項的延續性和日常屬性，有時會讓我們感到不耐煩或延緩反應速度。提出這些幫助要求時，父親自己有時也會變得相當不耐煩，儘管我們理解他的殘疾、失控狀況，並需要這般頻繁的援助，仍然會使我們惱怒。儘管他很脆弱，而且我們非常愛他，但由於疲憊和缺乏急迫感，我們的幫助衝動受了抑制。

慢性需求會減弱幫助衝動，特別令人遺憾的是將親人安置在護理之家時所發生的事例，在那裡老年人虐待很常見，若非持續監督，要想根除是很困難的。就算生性關懷他人的人，對於他們所看護對象的例行（但真實的）需求仍會習以為常或感到嫌惡。照護者有可能在不斷被要求幫助下精疲力竭，特別是對於並不迫切或醒目的事項──肯定不像在圍觀群眾面前跳到地鐵列車前方那麼搶眼。

有些長期的援助確實非常引人不快。而且也幾乎沒有獎項或典禮來表彰那群無私更換尿盆、清洗骯髒床單或清潔浴廁的人。這些問題有可能對利他衝動造成限制，但如果我們理解並應用這個理論，則問題都是可以解決的。例如，在長期照護機構中，我們必須定期點出病人看事情的觀點，他們感到無助，遭貶抑、遺棄──而且有一天你也會像他們那樣。

讓愛取代衝動成為行動的理由

我們應該將援助牢牢地與一個時間表綁定，例如在特定時間提供藥物、餐點、沐浴和社交參與，從而完全避開對幫助動機的依賴。我們也可以對這樣的工作提供私下和公開的認可，無論那是多麼日常。當然了，對於這些必要卻極不愉快，而且至親家人無法在自家完成的工作，我們也有正當理由給付更高的薪酬。

有時照護者甚至還可以跟患者協商共同決定，例如照護者願意做或者能夠做什麼，以及應該花多長的時間。例如，現在我就能完全理解，為什麼我父親對於這些小問題會感到那麼沮喪，畢竟這些對他的生活品質至關重要。倘若我們當初就商量好，對這些要求的回應時間（好比十分鐘），而不是每次都回嘴，「好啦！我一下子就來！」或許我們就省下一些麻煩。我父親大可以參與有關他的照護的這類討論，不過當他真的想要某件事物時，他就很難克制自己（而多巴胺藥物治療還讓他變得更加衝動）。

拙劣的克制能力，實際上是另一種弱點，病人幾乎無法自我控制，這就是我們表現同理心和耐心的理由。但是在照護、悲傷和困惑的亂象當中，人們很難置身事外，理性判斷。根據利他反應模型，我們可以理解，這些情況如何與人類演化出的幫助衝動兩相衝突，於是就能更專注在我們對那個人的愛，並規劃一種反應，讓我們就算在沒有衝動的情況下，也能提供希望付出的慈悲照護。

——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。

在網際網路發達的現代，私刑正義一直是社會議題值得被重視的一塊。當名人、演員、政治人物，甚至是個沒沒無聞的小卒犯錯時，許多人蜂擁到他們的社群媒體攻擊、肉搜、堵人等等，是一件值得被重視的議題。

在這一篇文章中，我將從一些心理學研究，探討「私刑正義」的可能成因，以及可能削減私刑正義的方式。

為什麼我們會想伸張正義？

人們對於不公平，似乎有著天生的敏感度。有一個德國萊比錫的研究團隊，就針對小孩子進行研究。他們讓小孩子看木偶劇場，有些木偶會對小孩子很親切，也就是所謂的好木偶，也有一些木偶會送小孩子禮物，再把禮物搶走，也就是所謂的壞木偶。

實驗者發現，當孩子看到好木偶被毆打時，他們會不開心；但是看到壞木偶被毆打時，則會雀躍不已。

實驗者好奇的是，我們是否願意花錢，來換取觀看壞人被打呢？他們在壞木偶要被懲罰的剎那，將布幕拉上，除非孩子交出手上的代幣，否則就無法繼續觀看。

結果，孩子們紛紛交出了手上的代幣，以求繼續觀看壞木偶被打^[1]。

然而，這篇實驗僅能解釋，當欺負我們的人跟被懲罰的人是同一個人時，我們先天就很樂見他們被懲罰，甚至是犧牲自己的利益也在所不惜。

但是，當我們只是袖手旁觀的第三者時，為何我們依然會希望伸張正義呢？神經心理學家 Lisa Barret 對此提出了解釋^[2]。

Lisa Barret 指出，人們的腦容量是有限的，正因為如此，我們不能等自己被攻擊了，才要求別人對這些人做出懲罰，而是希望「當和我們類似的人受到攻擊時，那些犯罪者能夠得到報應，以避免我們自身也受到攻擊。」

因此，當我們對某個人的受罰為之叫好時，肯定是因為他們所損害的他人利益，和我們自身有關。

這就是為什麼比起開車族、機車族，平常徒步走在街上的行人，對於警察針對行駛人行道的汽機車加強取締時，人們會更為振奮的緣故。

同情心，或許可以撫平報復心理

然而，並不是所有人，都能等待警察、法官等等來懲罰犯罪者，私刑正義的新聞我們可是時有所聞，例如先前一則疑似女兒被性侵後自殺，父親烙人抓人虐殺犯人的新聞，就在社會版面轟動一時。有些人為之叫好，但也有些人擔心「私刑正義」的嚴重性。

事實上，精神病學講師 James Kimmel Jr. 便曾指出，過度沉迷於私刑正義的結果，可能會導致「恐怖主義、復仇謀殺、幫派犯罪」等等的發生^[3]。

那麼，有什麼可以避免私刑正義呢？有一篇研究指出，也許同情心是一個可能的解決之道^[4]。

在這份研究中，實驗者招來了 44 名受試者，並將他們隨機分配到三種實驗情境中。在三種實驗情境裡，他們都必須要完成一份測驗，該份測驗是 20 題數學題，而他們都被安排坐在一男一女中間。

受試者不知道的是，那一男一女都是實驗者安排好的演員。

實驗開始了，在考卷發下去之前，女演員都會用眼藥水讓自己裝哭，並表示需要離開實驗。在實驗組裡面的女演員會裝作是得知哥哥得了癌症，自己卻要周末才能返家，此刻時在無法控制住自己的情緒；在控制組裡面，女演員則會裝作要趕著去看醫生，必須離開實驗室。

接著，受試者和男演員留在教室內，開始做那 20 題數學題，做了 4 分鐘，實驗者就會走過來，先收走受試者的問券，並檢查完答案後將答案卷用碎紙機碎掉，接著給他答對題數所應得的獎金。此時，實驗者會裝作身上的獎金不夠，必須要離開去拿獎金。

在實驗組中，實驗者離開之後，男演員會自己把答案卷碎掉，並在實驗者回來後，告訴對方「為了省時間，我自己對了答案，結果 20 題全對，我要領取 20 題的獎金。」並真的順利將獎金領走。

在控制組當中，男演員不會碎掉答案紙，而是表示自己比受試者多對了一題，然後領走獎金。

給予受試者報復機會

實驗者接著讓受試者有機會調配味覺測試的材料，並且讓受試者得知，這瓶材料將會讓作弊的男演員喝下，且對方不會知道是他調的。同時受試者也會知道，男演員超級怕辣。

透過這三種情境測試，實驗者想觀察兩件事情：

1. 受試者是否會因為對方作弊，而想要懲罰對方？
2. 受試者是否會因為剛剛另一位成員因哥哥癌症離去，而產生同情心（compassion），進而原諒作弊者的行為？

同情心可能會讓我們心軟

結果發現，在控制組裡面，受試者平均加入了 2 公克多的辣椒醬，而在實驗組裡面，受試者平均加入了將近 10 公克的辣椒醬，可見受試者對於報復作弊者，是確實會付諸行動的。

問題來了，這些受試者如果先前受到另一位演員的影響，是否會減少加入辣椒醬的量？如果是的話，這也表示，我們會因為自身的同情心，而減少對其他人的報復舉動。

研究結果顯示，同情心確實會有這樣的作用。參與到同情心實驗組的受試者，確實加入了較少的辣椒醬，只有平均約 3 公克左右，和控制組差不多。

這樣的研究結果顯示了，也許同情心，真的能讓我們更加寬容地看待這個社會，不再那麼執著於懲罰受試者。

不過，實驗者也特別強調，本篇研究的「同情對象」和「我們想報復的對象」是不同人。如果是同一個人的話，我們會有什麼舉動，其實是值得再進一步探討的。

1. Natacha Mendes et al., ‘Preschool children and chimpanzees incur costs to watch punishment of antisocial others,’ Nature Human Behaviour, vol. 2, 2018, pp. 45-51.
2. Lisa Feldman Barrett, How Emotions Are Made: The Secret Life of The Brain, Macmillam, London,2017,p.73.
3. K.M. Carlsmith et al.., ‘The paradoxical consequences of revenge’, Journal of Personality and Social Psychology, vol.95(6), pp.1,316-24.
4. Condon, Paul & Desteno, David. (2011). Compassion for one reduces punishment for another. Journal of Experimental Social Psychology.