想太多的人比較自私嗎？

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

• 作者／蔡宇哲、潘怡格

小美：「好想吃雞排啊，但吃了就減不了肥了！」
小明：「好想耍廢啊，但明天就要考試了！」
小美：「天啊，生活中的誘惑真是太多了，怎麼辦？」

你是不是也常陷入這樣的天人交戰中呢？事實上，我們每天都會面臨許多誘惑，如果要抗拒這些誘惑，我們需要有強大的「自制力」，也就是抑制內心衝動的能力。

自制力對人們與社會來說非常重要，因為它可以幫助我們省錢、保持健康的生活方式、和平的解決激烈的爭論、以及達成自己的理想；相反的，若是缺少了這個能力，就有可能對自己與社會造成不利後果，例如：藥物濫用、犯罪、暴力等問題。

不過說來簡單，但是怎麼克服心中的小惡魔呢？

相信大家一定有過一種經驗，就是當自己陷入這樣的兩難時，心中好像會出現一個小天使告訴你：「忍一下就過去了」、「加油，再堅持一下」、「不行，我應該起床了！」。

許多人相信這種內心的聲音跟自我控制間有強大的連結，不過，若真如此，它是如何運作的呢？要怎麼跟自己對話才能有最好的效果呢？

我們用內在聲音就能控制自己？

心理學家愛莉賽爾‧杜利特（Alexa Tullett）想了解內心的聲音對自制力的影響，而她的作法是藉由阻隔內心的聲音，來看看人們的自我控制能力是否會變弱。

研究者邀來 37 位參與者，他們需要藉由電腦來完成一個測驗，研究者告訴他們：「當螢幕上出現黃色方框時，就要按下按鈕，若看到紫色方框時，就不能按下按鈕」。同時所有人會被隨機分成語音組與空間組，語音組在進行測驗時，必須一直複誦同一個單詞，例如：「電腦」；空間組則是需要在進行測驗時，用自己的非慣用手劃圈圈。

語音組因為一直在重複說話，因此就無法出現內在聲音，而空間組雖也會分心，但內在聲音還能運作。

這個測驗困難的地方在於黃色方框出現的機率高很多，這樣每個人按多了就會習慣要按鈕。但是當螢幕出現紫色方框時就不能按，所以就必須適時的克制自己不按下按鍵，這就是一種自我控制能力的展現。

結果發現，當語音組參與者不能運用內在的聲音去控制行為時，他們按錯或是錯過的比例都很高。

研究者認為人們可以運用內在的聲音來提醒自己不要犯錯，一旦內在聲音也沒有辦法提醒時，舉止就會變得比較衝動，而無法有效的控制自己的行為。

你試過在心裡跟自己對話嗎？從這個研究知道，這樣的自言自語具有很重要的作用，訓練我們的自我控制能力，來抵抗生活中的各種誘惑。

所以不妨在生活中保留一點時間讓自己跟自己對話，久了以後養成習慣，不只會更了解自己，也能夠更有自制力。

用對方法，我們也能提升自我控制力

我們要怎麼做才能保持高度的自我控制呢？以下提供幾點建議：

一、與自己對話

無論是疲累時告訴自己繼續堅持下去、還是半夜想吃一份炸雞排時，告訴自己別再吃了，亦或是快被別人激怒時，告訴自己不要爆發。當我們能夠習慣性傳遞訊息給自己，便能慢慢的訓練出高度的自制力，有意識的控制自己的行為。

二、擁有充足的睡眠

很多人可能都忽略了，睡眠對自制力的影響相當大。當處於缺乏足夠的睡眠（少於六小時）時，大腦的運作效率就會下降，這樣不僅使得自我控制能力不佳，連帶創造力與對抗壓力的能力也會減弱。

人們常會說睡眠不足的人比較容易生氣，就是這個道理，因為缺乏睡眠就難以控制自己的情緒反應。因此，不要輕易熬夜，擁有充足的睡眠，才能為自己的目標長期奮戰。

三、培養運動的習慣

規律的運動也是一個提高自我控制力的好方法，有研究指出每個禮拜運動三次，自制力就有明顯的提升。不要再幫自己找藉口了，每個禮拜固定一兩天去慢跑，或是跟朋友打打籃球，甚至只是多走路，都是很好的方式，對自己的健康也有幫助呢！

想要提升自我控制能力，傾聽內在的聲音只是其中一種執行的方式，重點是我們是否能一次又一次的付諸行動，成功抵抗誘惑。若可以把握住上面幾個要點，那麼就可以讓自己更有效率的完成目標，掌控自己的生活囉！

——本書摘自《用心理學發現微幸福》，2019 年 11 月，幼獅文化出版。

今年 5 月 5 日，俄羅斯航空一架客機在莫斯科謝列梅捷沃國際機場（Sheremetyevo International Airport）上起火燃燒，造成 41 名旅客死亡。在這一起意外裡，有空姐卡薩特金娜（Tatyana Kasatkina）協助將許多人踹出飛機逃生，事後獲得許多媒體的報導。但在同一個場合，也發生了許多人為了拿行李而阻礙他人逃生，讓許多人逃避不及的悲劇。

究竟，為什麼有些人在災難時會協助逃生，有些人卻自私自利呢？一篇關於大規模災難的訪談研究，或許可以對這件事情窺知一二。

這篇名為《每個人都自私自利？關於大規模災難倖存者團結行為的比較研究（Everyone for themselves? A comparative study of crowd solidarity among emergency survivors ）》，是由三名英國學者 John Drury 、Chris Cocking 與 Steve Reicher 所完成的，研究者希望回答：人們在急難狀況時，哪些因素會影響他們的行為？讓他們像那些拿行李的旅客一樣自私自利嗎？或者會像這名空姐一般幫助他人呢？

受試者從何而來？

這篇研究中，收集了 21 名來自 11 場大規模意外的倖存者，共 11 男 10 女，他們被納入的標準有三個：這場災難牽涉到許多人；所有人共同面臨死亡威脅；儘管時間有限，但人們知道自己有逃出生天的可能。

這 11 場大規模意外與訪問對象分別是：

• 1988 年木星號沈船事件 (Sinking of the Jupiter)：4 名受訪者，一對老師夫妻，兩名女學生
• 1991 年大洋號沈船事件 (Sinking of the Oceanos)：1 名女性受訪者
• 1989 年希爾斯堡慘劇 (Hillsborough (UK) football stadium disaster)：3 男 1 女
• 2001 年迦納足球場驚逃事件 (Ghana football stadium ‘stampede’，1名女性受訪者）
• 1985 年布拉德福德球場火災 (Bradford (UK) football stadium fire，1名男性受訪者）
• 1971 年麻薩諸塞州索尼斯塔飯店火災 (Fire at Sonesta Hotel, Cambridge, Massachusetts)：1 名男性受訪者
• 1983 年哈洛德百貨公司炸彈事件 (Harrods bomb)：1名男性受訪者
• 2002 年胖男孩瘦海灘派對 (Fatboy Slim beach party)：1名男服務員、1名女服務員，2名女粉絲
• 2001 年金絲雀碼頭緊急疏散事件 (Canary Wharf (UK) emergency evacuation)：1男1女
• 2002 年法蘭克福大樓緊急疏散事件 (Frankfurt tower block emergency evacuation)：1名女性受訪者
• 2003 年格蘭瑟姆火車意外 (Grantham (UK) train accident)：1名男性受訪者

所有受訪者中，除了木星號的夫妻彼此認識之外，其他人都是彼此互不認識的。

研究者詢問受訪者三大類的問題：

1. 行為：對事情的反應、人們經過多久開始對事件有所回應並撤離現場、撤離的難易度、其他人做了什麼、人們有互相合作嗎、有沒有人自私自利？
2. 想法感受：你對於事件如何發生有何想法、你能描述你的情緒嗎、你的情緒有多強烈、你覺得你的情緒感受是可控的嗎、你覺得有其他人在恐慌之中嗎、他們都怎麼做？
3. 身分認同：您如何描述與您一起撤離的人？你對他們感覺如何？你覺得你和他們是一體的嗎？

在完成訪問之後，他們將受訪者的回應編碼，並進行後續的研究。

研究結果發現，當一個人受到災難威脅時，是否能夠和旁人產生一體感，是一個人會自私自利或是互助合作的關鍵。

在此研究中，受訪者分成高一體感組（high-identification）與低一體感組（low-identification），在這 21 個人當中，有 12 個人被歸類為高一體感組，另外 9 個人則被歸類於低一體感組。

然而，一體感是怎麼形成的呢？當然，有一些事件在事發之前，就已經有一體感的產生了，例如足球場災難或海灘派對，來到這裡的人本身就已經具有參加同一個活動的一體感了。但是，隨著災難的發生，那種迫在眉睫、生死交關的感覺，卻也有助於一體感的形成──確實，在高一體感組的人當中，他們回報了較多關於「我感受到威脅」的內容，同時也表示他們感受到較多「彼此共處在同一個威脅之下」的感受（如下表一）。

表一、低一體感與高一體感兩組受訪者感受到「個人受到威脅」與「群體共同受到威脅」比例之比較

如果從這邊來做推斷的話，或許在莫斯科失事的那架飛機裡，那些自私自利的人，正是沒有感受到自己和他人是一體的，其原因可能在於，他們並未感覺到自己身在威脅當中，或者沒有感覺到自己與他人共處在同一個威脅之下。因為在這一篇研究裡，研究者發現，共同面對死亡的命運感，會塑造出彼此的一體感。

那麼，高一體感和低一體感的人，又會有什麼樣的行為區別呢？研究者檢驗了兩類變項：

1. 幫助他人（help）與自私（personal selfishness）
2. 對環境的秩序感受：包含「有秩序且冷靜的」（order and calm）、「情緒控制」（control of emotions）、「集體恐慌」（mass panic）、「個人恐慌」（individual panic）、「規範」（rules）、「角色」（roles）、 失禮/有禮（dis/courtesy）

結果如下表二與表三，大體上來說，在幫助他人的層面上，高一體感的人，比較會描述到他人互助合作、他人幫助自己、我幫助其他人之類的句子；而低一體感的人，則比較難感受到他人對自己的幫助，比較會認為他人是自私的。

表二 低一體感與高一體感兩組受訪者的自私與助人行為比較

數字表受訪者如此宣稱的百分比，括號內表實際人數。此處的受訪者有低一體感組 9 人（5 男 4 女），高一體感組 12 人（6 男 6 女）。

而在描述守秩序層面時，高一體感的人比較會形容整個場面是有秩序的、情緒自制的、僅有少數人恐慌、人們遵循日常規範、場面是有禮貌的，而低一體感的人，則比較會說出其他人彼此互動自私、眾人是恐慌的、彼此是無禮的這樣的句子（見表三）。

表三 兩組受訪者對於場面的感受描述

數字表受訪者如此宣稱的百分比，此處的比較低一體感組有 9 人，高一體感組有 12 人。

簡單來說，莫斯科那些忙著拿行李的人，他們除了感受不到自己和他人的連結感之外，也可能感受不到彼此的善意，認為場面是混亂的、彼此都很自私自利，而且彼此都是無禮的。

不過呢，這一篇研究沒有提到的是，有沒有可能是因為「這些人的特質本來就樂於助人」，所以「他們自然也會做出助人行為，並且具有一體感」？這可能是這篇研究中，有所不足的地方。

如何在慌亂之中，製造一體感？

然而，這一篇論文沒有提到的是，我們有沒有可能在慌亂之中，讓每個人意識到彼此的一體感，進而讓人們願意互助合作呢？

如果從旁觀者效應（Bystander Effect）的概念來看，若要增加每個人意識到自己有責任相互幫助、屬於團體的一員可能性，增加每個人的責任歸屬感，會是一個可行的方式。在旁觀者效應的論述之下，當每個人都覺得「有其他人會去協助這件事情」，便會減少每個人的責任歸屬，這在心理學上稱為「責任分散（Diffusion of responsibility）」。

那麼，實際一點的作法便是，若是大規模災難發生時，若能有人跳出來指揮、協助每個人意識到「彼此處於同一個災難情境中，每個人都有責任協助彼此」，增加彼此的「一體感」，便回應了前述所說的：高一體感組的人當中，他們回報了較多關於「我感受到威脅」的內容，同時也表示他們感受到較多「彼此共處在同一個威脅之下」的感受。

在這樣的情境下，人們互助合作的可能性便會提高。因此，在大規模災難發生時，村長、里長、機長、活動工作人員等一些較具有權力位階的人，若能夠協助彼此意識到彼此合作的重要性，便比較有機會讓民眾通力合作。當然，這些活動人員或管理人員，如果能在平時就做好災害應變的訓練，實際在發生大規模災難時，便也比較有可能做出有效的指揮行為。

當然，也不一定要是原本就具有權力位階的人跳出來，如果你我都能夠適時出聲，提醒每個人通力合作的重要性，相信也能有效減低災害發生時，每個人責任歸屬感低落的情況。

如果你喜歡我的文章，歡迎追蹤粉專 Psydetective-貓心

• Drury, J., Cocking, C., & Reicher, S. (2009). Everyone for themselves? A comparative study of crowd solidarity among emergency survivors. British Journal of Social Psychology, 48(3), 487-506.

如果你喜歡我的文章，歡迎追蹤粉專 Psydetective-貓心