白日夢與創意

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

從惡夢到創意靈感的奇妙旅程

1987 年，美國塔夫茨大學醫學院（TuftsUniversitySchoolofMedicine）的恩尼斯特・哈特曼（ErnestHartmann）帶領了一項深入研究，比較了十二名終身受惡夢所擾的人、十二名夢境生動的人，和十二名既非惡夢受害者也不是夢境生動的人。每位受試者均接受了結構式訪談、心理測驗和其他措施，以評估他們的性格。研究人員發現，受惡夢困擾的人比起其他兩組受試者，具有更強烈的藝術和創作傾向。換言之，在夢中想像邪惡或危險力量的心智，清醒時也可用其豐富的想像力發揮創意。

惡夢曾為許多知名作家的作品提供靈感。聞名全球的恐怖小說作家史蒂芬・金（StephenKing）在飛機上睡著，夢見了一名瘋狂女子囚禁並殘害了她最喜愛的作家，結果成了《戰慄遊戲》（Misery）一書的靈感來源。

《鬼店》（TheShining）的構思也來自於一個夢。史蒂芬・金和妻子是一山中度假飯店僅有的兩位客人，當時飯店由於季節即將關閉。他在夜裡夢見自己三歲的兒子尖叫著跑過大廳，被消防水管追趕。他從惡夢中驚醒，滿頭大汗。史蒂芬・金回憶，當時他點了一支菸，望向窗外：「菸抽完時，這本書的架構已經在我的腦海裡成形。」

我們如何看待法國和其他處的史前洞穴壁畫及其他古代文物？世界各地所描繪的許多生物，都是人獸混合的動物形象，使得考古學家不禁心想，這些奇特的圖像是否可能是受到了夢境的啟發？惡夢既是人最容易記住的夢境，這些會不會是最早對惡夢的藝術描繪？我同意此種看法。我們有理由認為，說故事本身也許源自於分享夢和惡夢的渴望。

如何引導夢境來激發創意？

古埃及人建造了睡眠神廟，讓人可以在此處睡覺，希望能誘發夢境，幫助他們治癒疾病或做出重要決定。古希臘人也會去特殊的神殿祈禱，希望做一個能解決問題的夢。希臘人稱此作法為「孵夢」。現今研究顯示，孵夢不僅僅是建立在信仰上的古老方法，它背後有真正的科學依據。

研究人員發現，做夢的人可以透過暗示來影響夢境發展。雖說這不是萬無一失的過程，但他們發現，光是表達你想夢見某個人或特定主題的意圖，通常就能將夢境推向此方向。透過此種方式，我們也許能引導自己的夢境，來幫助激發創意、思考社交難題和考慮重大決定。哈佛大學夢境心理學家芭瑞特要求她的學生在睡前十五分鐘思考一個情感相關的問題。結果，半數學生表示，他們做了與此問題有關的夢。

由於夢境如此視覺化，所以，入睡時在腦海裡設想某個人、想法、地點或問題，將有助於你孵夢成功的機率。正如我們在關於惡夢的章節中所了解，我們可以運用意象預演療法改寫反覆出現的惡夢，重新編排夢境情節，使其變得無害，甚至給它更好的結局。這種方法聽來雖然簡單，但相信你也記得，研究也證明此法常常能成功幫助人們擺脫惡夢。孵夢也一樣，聽來雖像是一廂情願的想法，但嚴謹的研究已證實了此種方法引導夢境的效用。

MIT 前沿科技助力夢境設計

麻省理工學院媒體實驗室（MediaLab）的研究人員，一直致力於開發睡眠和夢境設計技術，希望藉此大幅提升創造力。研究裝置會感知受試者進入睡眠的情況，並提供口頭提示，詢問受試對象在想什麼，然後記錄對方的反應。如我們將在第8章所見，現今還有其他方法可利用感官來設計夢境內容。

正如我們探討如何減輕惡夢時的方法，你也可以在紙上寫下自己的意圖，放在床邊，或將希望夢見的事物相關圖片、物件放在床邊。這不僅僅是某種象徵儀式，而是人們見證能啟發他們夢境的有效方法，就好比我們將原料放進鍋裡，等待夢境以全新、意想不到的方式將它們混合。

當解決方案能在腦海以視覺呈現時，孵夢最容易成功，原因是視覺皮質在快速動眼睡眠期間十分活躍。睡前請回顧一下你想夢見的問題或主題，想像自己夢見了這個問題後醒來，然後在床邊的紙上寫下夢境。

芭瑞特的學生選擇了學術、醫療和個人方面的問題，並記錄哪些夢境為他們的問題提供了潛在的解決辦法。其中一名學生搬到了一間較小的公寓，無法找到不顯雜亂的家具擺放方式，結果他夢見將五斗櫃搬到客廳，這名學生實際嘗試了一下，果真有效。另一名學生在選擇麻州或其他地方的學術課程時陷入兩難，他夢見自己乘坐的飛機需要緊急降落，夢裡飛行員說降落在麻州太過危險，做夢的學生一想到這個夢，便意識到了選擇其他地方課程的決定。

即便不記得自己的夢，它們也能影響你清醒時的想法。你也許會突然靈光一閃、腦海瞬間蹦出想法或沒來由地想到解決辦法，這些靈感很可能來自於我們的夢境。不論記不記得，我們每晚都會做夢，而我們的夢夜夜都在為我們從事創意工作。

——本文摘自《我們為何會做夢：睡夢中的大腦如何激發創造力，以及更好地改善清醒時的生活》，2024 年 11 月，悅知文化出版，未經同意請勿轉載。

台灣的 COVID-19 疫情，在今（2022）年四月急遽升溫，許多公司行號也再度實行遠端上班、分流上班，減少接觸以及染疫風險，許多染疫者、接觸者也必須居家隔離。任何需要跟人接觸的活動，都改以線上的方式進行。因此，視訊會議就成為了一個相對安全、又便利的新選擇。多虧了現代電腦、網路，和通訊軟體的發達，我們不必非得要面對面才能「見面」。

這樣遠端工作、開不完的視訊會議所帶來的結果是，我們必須整天盯著螢幕看，造成眼睛、精神上的疲勞。國外有人甚至發明了「視訊會議疲勞」（Zoom fatigue，或作 videoconference fatigue）一詞^[註一]來形容這種過多視訊開會造成身心疲乏的現象。而且，這種現象，不但在職場中出現^[註二]，就連線上課程也都讓學生覺得更疲累、難以專注、學習困難、焦慮感提升^[註三]。

為何會產生「視訊會議疲勞」？

為什麼「視訊會議疲勞」那麼普遍呢？Bailenson（2021）解釋，我們之所以會在視訊會議中更容易感到疲倦，主要是以下四個原因：^[註四]

1. 過多的眼神交流：在一般的面對面互動中，我們很少會靠一個人的臉那麼近來跟他說話，視線也不需要持續聚焦在一個人的臉上。尤其對於會議主講人來說，一次有那麼多雙眼睛直勾勾地盯著你看，大腦很容易進入一種過度激發（hyper-aroused）的狀態。
2. 看到自己在說話的畫面，讓你時時刻刻都在審視、評價自己：同樣地，在一般的面對面互動中，幾乎沒有人會一邊拿鏡子照自己，一邊跟別人說話，但這種不自然的狀況卻會在視訊會議中出現。一旦我們看得到自己的影像，難免會注意自己在鏡頭前好不好看，臉上有沒有沾到東西，表情和談吐是不是夠優雅、自信。一邊說話，還要一邊持續自我審查的過程，對大腦來說非常耗能。
3. 視訊會議限制了我們身體的活動空間：視訊會議進行期間，尤其是自己的鏡頭必須開啟時，我們基本上只能端坐在電腦前，眼睛直視螢幕，免得被誤認為是在分心、做別的事。身體要僵直地維持在這種狀態一到兩小時，屁股坐麻、手腳痠痛不說，大腦要控制身體維持姿勢也會變得疲乏。
4. 透過視訊來進行社交互動更為困難、費力：面對面互動的時候，任何語言的、非語言的社交訊息（例如眨眼和微笑）都可以即時被互動者接收，但在視訊會議時，難免會遇到畫面卡卡的、網路不順的狀況，這都使得訊息傳達更為費力、耗時。

當然，這些容易讓我們疲勞的因素，並不是無法可解。Bailenson 也提到一些簡單的方法，像是把視窗從全螢幕調整成讓你沒有壓迫感的大小、關掉自己的個人畫面、在會議與會議之間安排休息等，都能有效降低疲勞。

疲勞的問題或許是解決了，但另一個可以探討的問題是，視訊會議的成效和面對面開會一樣嗎？尤其針對需要創意發想的行業，哪種討論方式更有助於人們想出新穎的好點子？

發想創意提案，到底是面對面還是視訊比較好？

為了探討這個問題，一篇 2022 年刊登於《自然》（Nature）的研究^[註五]邀請了 300 名受試者，隨機分成兩兩一對，進行腦力激盪的作業。內容是花 5 分鐘跟夥伴討論「飛盤」有哪些非典型的用法或功能，再花 1 分鐘選出最有創意的答案。

在這些兩兩一組的受試者中，一半的受試者（75 對）被分配到「面對面互動組」，而另外 75 對則被分到「視訊互動組」。研究人員想知道，哪種形式的討論方式可以產出更多有創意的點子，還有，每個小組花一分鐘討論出來的最終方案，是不是最有創意的點子（用以判斷小組的決策準確度）。

研究人員除了記錄每個小組所產出的創意總數（想出幾種飛盤的新用法）之外，還邀請了兩位事先不知道研究假設的「裁判」，依據創意性和實用性評分受試者的點子。研究團隊將「有創意的點子」定義為「創意分數高於整體平均創意分數的點子。」

為了減少實驗題目造成的偏誤，並增加受試者總數，團隊接著找了另外 302 位受試者參與類似的實驗流程，但是腦力激盪的題目改成：討論「泡泡紙」有哪些非典型的用法或功能。

根據這 602 位受試者的結果顯示，「面對面互動組」想出的平均點子總數是 16.77 個，不但在統計上顯著多於「視訊互動組」的 14.74 個，「面對面互動組」也產出更多被評定為有創意的點子，平均有 7.92 個創意點子，相較於「視訊互動組」平均只有 6.73 個創意點子。

在小組的決策準確度方面，研究人員發現，「視訊互動組」選出的最有創意點子，似乎比較符合裁判對其的創意性評分；也就是說，「視訊互動組」的決策準確度較「面對面互動組」高。可是，這樣的差距，在控制了每組所想出的點子數量後，就消失了。

以「實地實驗」驗證研究結果

上述的研究發現都是在實驗室情境下的結果，真實世界的互動也會有這樣的差異嗎？

為了驗證這一點，研究團隊在芬蘭、匈牙利、以色列、葡萄牙、印度等五個國家，都進行了實地實驗（field experiments）^[註六]。實驗最終邀請到 1490 位工程師，隨機分派成為兩兩一組，以 45 到 60 分鐘的時間討論出可以向公司提案的新點子，並在所有想到的點子中，選出一個他們自認最有創意的想法。

這些實地實驗的結果都驗證了一開始在實驗室的發現。在五個國家的研究數據均顯示面對面互動比視訊討論更有助於發想更多有創意的點子；而視訊討論則能提高決策準確度。

為什麼在面對面討論時，人們較能想到更多有創意的點子？

研究也針對這些現象的原因作出探討。首先，在實驗室進行實驗的過程中，「面對面互動組」和「視訊互動組」的受試者在腦力激盪時，手邊都有筆電或平板，提供他們紀錄或視訊。研究人員事先安裝了 OpenFace 眼動追蹤軟體在這些 3C 產品上，透過電腦或平板的前鏡頭，測量受試者的視線動態，目的是為了得知受試者在跟夥伴討論時，視線多常放在實驗夥伴、手邊作業和實驗室環境。

眼動追蹤的結果發現，「視訊互動組」的受試者在過程中，花更多時間注視螢幕上的實驗伙伴，而且比較不常環顧實驗室四周。至於視線關注手邊作業的時間，兩個組別間並沒有差異。事後的分析更發現，花越長時間環顧環境周遭的人，他們想到的點子越多！

另一方面，為了再次確認受試者到底放多少注意力在四周環境上，研究人員在做實驗室佈置時，也特地放置了五個常見於心理學實驗室的物品（抽屜櫃、文件夾、紙箱、音響喇叭、鉛筆盒）和五個不常見於實驗室的物品（人體骨架海報、巨大盆栽、一籃檸檬、藍色的碗、瑜珈球的盒子），目的是，受試者做完腦力激盪之後，要他們畫出實驗室的擺設。結果顯示，能夠記得越多「不常見物品」的受試者，想到的創意點子就越多！

所以，我們該怎麼用注視時間和對環境的記憶，去解釋「面對面討論的人有更多創意想法」這件事？研究團隊認為，在視訊面談的情境中，我們的注意力會聚焦在螢幕上，同時也限縮了我們認知處理的廣度，阻礙「創意發想」這種需要發散性思考的活動。

當然，疫情中，以視訊會議取代面對面接觸，主要是防疫考量。我們不得不以遠端的方式互動、開會。但如果未來疫情趨緩，我們有得選擇工作模式的時候，不妨優先把面對面開會的機會留給需要發揮創意的事情，或時不時提醒自己從電腦桌前站起來動動筋骨，幫大腦伸個懶腰！

註解與參考資料

• 註一：雖然叫 Zoom fatigue，但不限於使用 Zoom 平台進行的視訊會議。
• 註二：Riedl, R. (2021). On the stress potential of videoconferencing: definition and root causes of Zoom fatigue. Electronic Markets, 1-25.
• 註三：Peper, E., Wilson, V., Martin, M., Rosegard, E., & Harvey, R. (2021). Avoid Zoom fatigue, be present and learn. NeuroRegulation, 8(1), 47-47.
• 註四：Bailenson, J. N. (2021). Nonverbal Overload: A Theoretical Argument for the Causes of Zoom Fatigue. Technology, Mind, and Behavior, 2(1).
• 註五：Brucks, M. S., & Levav, J. (2022). Virtual communication curbs creative idea generation. Nature, 1-5.
• 註六：實地實驗（field experiments）是指在真實生活環境中，實驗者操控獨立變項，以測量其對依變項的因果關係。實地實驗雖然不能像實驗室實驗一樣嚴謹控制環境，但其研究發現的可類推性（generalizability）較高，也就是可以應用在現實生活的程度可能會較高。