地球只有一個，但很夠了@《富足：解決人類生存難題的重大科技創新》

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

• 本文轉載自科技大觀園，原文為《精準醫療在「準」什麼？——國家人體生物資料庫整合平臺黃秀芬執行長專訪》
• 作者 / 科技大觀園特約編輯｜何沁蓉

談到醫療，許多人想到的可能會是對相同疾病採用相同療法的傳統治療行為，但事實上隨著科技進步，醫療產業也正在出現變革，其中「精準醫療」便是近年來最熱門的話題之一．但精準醫療究竟在「準」什麼？對未來醫療產業又可能帶來什麼樣的影響？

為了解答這項問題，我們特別專訪到國衛院分子與基因醫學研究所研究員級主治醫師，同時也是國家級人體生物資料庫整合平台（NBCT）執行長，長年投入分子遺傳學及病理診斷研究的黃秀芬醫師。

什麼是「精準醫療」?

黃秀芬解釋，醫療行為最重要的是診斷必須正確，但過去很長一段時間裡，醫學都是仰賴前人經驗積累而成，要使用什麼藥、採用什麼療法都以經驗為主，對待所有人都沒有什麼不同。直到臨床試驗成為常態，大家才發現人都有不同的樣態，人種、甚至是居住地點的差異，都會影響人罹患疾病的可能，同時也會讓患有同樣疾病的人對治療行為出現不同反應。

2003 年人類基因組計劃（Human Genome Project）成果公布後，醫療界開始了解到人在基因上的個體差異，不同種族的基因突變率也不一樣，這讓醫生開始懂得從基因上做出辨別，選擇有同樣基因突變的病人參與臨床試驗才更能確認治療的有效性。

2004 年 EGFR 基因突變和肺癌標靶藥物療效的臨床研究成果發現，基因差異導致相同的藥物醫療未必有相同的療效，這更進一步深化了醫療界對基因研究的重視，加速標靶療法（Targeted Therapy）、個人化醫療（Personalized medicine）的研究探索，隨著醫療持續發展，這些針對個人基因來選擇最佳醫療決策的醫學模式有了更統整性的說法：精準醫療（Precision Medicine）。

• 延伸閱讀：精準醫療對抗「晚期肺腺癌」：標靶藥物可有效延壽並提升生活品質
• 延伸閱讀：血癌不再是不治之症！標靶藥物可有效控制多發性骨髓瘤——血癌專家劉嘉仁醫師專訪

只是不管精準醫療有多「準」，要想真正達成「針對基因進行醫療決策」的效果，事先瞭解群體基因特徵就成為不可或缺的基礎，而這也正是人體生物資料庫（Biobank）出現的原因。

BioBank 的「生物檢體」，幫研究者揪出致病因子！

人體生物資料庫主要儲存研究用的人體生物檢體，這些大量、多樣的檢體數據除了讓研究人員能從長期生活習慣、環境差異的比對中找出可能的致病因子，也能將特定病例與健康群體的情況進行對照研究，對醫學研究有相當大的助益。包含日本、美國、加拿大、冰島等國家，，都已成立公共人體生物資料庫，由於涉及倫理爭議，各國成立之初都遇到不少挑戰，而臺灣也是。

臺灣最早的人體生物資料庫，是 2003 年由中研院規畫成立的，隨著 2010 年政府通過《人體生物資料管理條例》，各大醫學中心也紛紛開設自家所屬的人體生物資料庫．然而因為其中一些使用率偏低、收案數目也不大，在無法與醫療資訊完善整合下，一直沒有達到很好的效果。

為了更妥善應用現有資源，活絡臺灣各家人體生物資料庫之間的合作，衛福部在 2019 年正式成立「國家級人體生物資料庫整合平台」，訂定一致性標準來提升檢體品質、臨床資料內容，盼藉此提升整體使用效能。因此，於分子病理診斷領域耕耘許久、長期負責國衛院人體生物資料庫的黃秀芬，順理成章的成為整合平台執行長的不二人選。

談及整合平台現況，黃秀芬表示，臺灣目前約有 35 家經衛福部核可的人體生物資料庫，而整合平台已成功與 31 家人體生物資料庫機構締約，包含臺大、長庚等各大醫療中心及國衛院都在名單當中。平台登錄的收案數已超過 51 萬例，同時數字還在持續增加。在嚴格的申請審查管控下，相信能在保障個資的同時提供給學術界更好的研究來源。

在去年開始的新冠肺炎風暴中，國家級人體生物資料庫整合平台也發揮了功效。透過建立「臺灣新型嚴重特殊傳染性肺炎研究網及資料庫」，快速自全台合作醫療機構收集 COVID-19 陽性個案的檢體和資訊，除了提供了相關研究團隊做學術研究外，也因為能夠快速提供產業界開發檢測產品， 搶得上市的先機。

• 延伸閱讀：「從一種藥人人吃，到人人吃適合自己的藥！」Taiwan Biobank 助攻臺灣精準醫療

臺灣生技實力強，「精準醫療」大有可為！

對於精準醫療的未來發展，許多國際機構都斷言，精準醫療將是未來醫療產業的主要趨勢，而黃秀芬也同意這項看法。從疾病層面來看，癌症是全球第二大死因，而癌症也與後天造成的基因突變更為相關，因此也是現階段精準醫療研究主要投入的目標，包含廣達、Google、Microsoft 等大廠都紛紛宣布投入生技領域發展，正因為它們都知道那是下一個藍海。

黃秀芬認為，臺灣生技產業實力堅強，生物科技教育師資水準足夠，大數據、電子資訊研發領域上也具有許多專才，在發展精準醫療上可說具有許多優勢；不僅是精準醫療，近兩年影響全球的新冠肺炎風暴同樣也帶起「精準防疫」需求，可想見未來包含病理診斷在內的生技醫療業、製藥業、大數據、AI 領域都會需要更多相關人才協助。

但就像資訊產業希望也找到懂得設計的人才一樣，現在各產業都在追求跨領域人才，黃秀芬直言醫療產業也是類似情況。AI 技術正在逐漸走入醫療產業，許多大數據、AI 公司都希望和醫院合作，但兩個非常專業的領域都需要更了解彼此才能更好溝通，「你不用樣樣都很專業 ，但得能夠和不同領域專家交流合作。」

至於許多人擔憂的被 AI 取代工作，黃秀芬則認為，醫生的工作並沒有這麼容易被取代，AI 只是減輕簡單工作，像是協助細胞學檢查，讓醫生能把時間花費在需要更多專業能力的醫療作業，「就我所知，許多醫院仍非常需要病理科醫師的人才。」

給學子的職涯建議：有「興趣」最重要！

提到醫療界未來發展，黃秀芬話鋒一轉，也談起了她執教多年的感受。隨著時代變遷，最近幾年可以看到一些優秀學生不再將醫學系視為第一目標．面對這種轉變，她認為也不一定是件壞事。

黃秀芬指出，過去考醫學院主要是對生物有興趣，大學聯考甚至不用考物理，而現在因為考試制度的變革，數學和物理成績都要採計外，難度也遠比生物高，要想進入競爭激烈的醫學院各項成績都必須很優秀，因此通常考進醫學系的學生，就會是數學和物理都很好的人佔優勢，但在她看來，有時候這兩科很好的學生也不見得就適合讀醫學系。「因為醫學畢竟是和人有關的東西。」

許多物理數學很強的高材生，若原本對生物就缺乏興趣，加上醫學系課業相對繁重，許多醫學專有名詞需要靠背誦而不是推理運算，對這些學生而言相對無趣，常是為了家人或其他因素硬著頭皮學習，結果就是有些人會不適應，這種痛苦到了升至大三大四，要面對解剖和病理等龐大醫學名詞和要死記的內容時，就會更加顯現。

「很多人在大三要面臨大體老師突然就休學，有的人是先休息一年做好心理建設再回來面對．但也有些可能就不再回來。所以我覺得國高中生未來如果想走上醫學這條路，你要先想想是不是真的對生物很有興趣，當然有時候興趣也是慢慢培養的。」

「多方探索」，是定錨職涯方向的關鍵

黃秀芬以自身為例，表示她雖然堅定想走上病理醫師一途，但也曾猶豫過是否該選擇病理研究這條路。「臨床醫師最大成就感是來自病人」，她解釋，不論是治療或診斷，只要好好對待病人就能獲得感謝，相對之下，負責檢體檢驗、解剖大體的病理科醫師可以說是位居二線，基本上不會碰到病人，自然也不會得到來自病人的掌聲。

因為擔心自己未來會後悔，在臺大醫學系畢業後，黃秀芬還是選擇先進入長庚小兒科做了一年住院醫師，儘管面對家長、容易哭鬧的孩童都應對得宜，但出於對病理研究的熱情，她最終還是選擇回到病理研究奮鬥，而這一待就是 20 幾年。

在長年的努力耕耘之下，黃秀芬現在除了於國衛院擔任研究員級主治醫師，同時也是臺灣肺癌、肝癌研究領域的關鍵人物，截至目前已發表過多達 220 篇論文，也是 2004 年亞洲第一個發表 EGFR 突變研究團隊的帶領者。

對此黃秀芬謙虛的表示，她認為自己很幸運，求學過程中碰到許多教授都充滿熱忱願意傾囊相授，現在她在學校教書也是一樣的態度，就是希望年輕人未來能有更好的發展。對於正在探索職涯的學子，她也建議不需要給自己太多壓力，最重要的還是先確定自己對什麼領域有興趣，多方探索後再進行決定。

「我從年輕開始就沒有給自己設定很高的期望，為自己訂下的目標是 50 歲時能在自己擅長的領域裡成為專家，被他人認可的專家。在埋頭研究肝臟、肺臟病理數十年後，現在能被一些人這樣認同，我認為這就是一種成就。」

1. 國家級人體生物資料庫整合平台
2. 國家衛生研究院人體生物資料庫
3. 臺灣人體生物資料庫
4. 黃秀芬研究員級主治醫師 – 分子與基因醫學研究所
5. 國家級人體生物資料庫整合平台中央辦公室揭牌- 國衛院電子報

我是個悲觀的人，所以當我看見一本書的書名是「富足：未來比你以為的更美好」（此為英文版書名）的時候，你可以猜到，我其實是嗤之以鼻的。

因為興趣也因為工作的關係，我關注–有時也參與–橫跨國內外許許多多的人權、社會與科技議題，我看見不斷擴大的衝突跟總是重演的悲劇螺旋：戰爭、飢荒、腐敗、壓迫、背叛、冷漠……絕大多數的課題沒有被解決，反而變得更糟。日復一日的擔心，然後灰心，然後擔心，然後灰心……。我在寫這篇文章時，敘利亞戰火下斷手殘肢的屍體與柬埔寨金邊愛滋兒童枯瘦的病體在我的臉書上輪播著，中間穿插著「陌生人朋友」到北歐旅行的快樂照片，以及一個莫名其妙的三國App遊戲廣告。

我原本以為看完這本書之後，我的感想會是再次嗤之以鼻（我的鼻子真忙）地說「真是無藥可救的樂觀主義者！」但顯然我錯了。

可能跟許多人的感受不同，我認為本書作者之一Peter Diamandis—X Prize 與奇點大學創辦人–其實反而是我最認同的那種悲觀主義者；他認知現況有多麼糟糕，但他也清楚知道自己該做些甚麼來改變現況。對Diamandis來說，儘管這世界上的問題看似龐大到無法解決，但他那融合科學家與創業家的經驗與眼光告訴他：解決之道就在問題裡頭。為了讓科學家能夠聚集力量、獲得資源去挑戰不可能，他成立了 X Prize 基金會，要在重賞之下鼓勵智勇兼具者挺身而出；而為了培育更多像他一樣致力於解決十億人規模「大問題」的創業家與未來領袖，他創立了奇點大學，讓這些人共聚一堂，互相碰撞。這些大到即使是國家領袖都不敢想、也不面對的問題，都是他的守備範圍。

這讓我想起另一位多次登上TED的講者，學者與政治行動家 Lawrence Lessig。他在今年2月於TED 2013 演講最後提到：一位女士在他某次批評國會腐敗體制的演講之後回應「教授，你說服我這沒希望了，沒希望了，我們束手無策了」。Lessig原本不知道如何回應這種絕望，但他想像一位醫生跟他說「你六歲的兒子得了末期腦瘤，而你束手無策」。如果是你，你會甚麼都不做嗎？

不，我們還是會做，儘管徒勞無功的機率極高，但我們甚麼都願意去做。我認為這就是這本書要告訴我們的：人類的確面臨重大的挑戰，但同時，我們也首度擁有回應這些挑戰的科技。科技本身或許沒辦法改變甚麼，但是科技加上意志可以。我們的確只有一個地球，也沒人反對節約，但如果我們要讓數十億人不用再受飢荒、疾病、貧窮所苦，我們需要的是革命性的新能源技術、生物醫學、跟傳播科技。這本書討論了許多足以回答這些巨大問題的科技創新，當然，我們期待這些創新趕快變得過時、落伍，被更先進的科技取代，但這本書所揭示的契機，將會持續帶給所有悲觀者前行的勇氣。

本文為《富足：解決人類生存難題的重大科技創新》一書推薦序。該書為PanSci 2013年8月選書。

編按：如果我們說，知道如何控制意識的人，不管發生什麼事都能保持愉快，那就太天真爛漫了。不然而許多研究的結果都告訴我們，懂得尋找「心流」的人，不管處在什麼景況，即使是在絕望之中，也能夠感受到樂趣。

當個自得其樂的人

外在力量並非決定逆境能不能轉變成樂趣的關鍵。健康、富有、強壯、有權有勢的人，不見得比生病、貧窮、柔弱、受迫害的人更能控制自己的意識。能在生命中找到樂趣的人，與被生命擊垮的人，兩者最大的差別是他們受了哪些外在因素影響，以及他們怎麼看待這些因素——究竟是把挑戰當威脅，還是當成行動機會。

「自得其樂的自我」指的是很容易將潛在威脅轉換成有樂趣的挑戰、懂得維持內在和諧的人。這樣的人不會覺得無聊，也很少感到焦慮，不論發生什麼事都樂於投入，大部分時間都處於心流。自得其樂的人也可以說是「擁有自成目標」，他們的目標大多發自內心，不像多數人是依生理需求與社會的傳統制約決定的。自得其樂的人會按著經驗來訂目標，所以目標大多符合自身狀況。

自得其樂的人可以將原本可能形成精神熵的經驗轉換成心流。因此，要發展出這樣的自我很簡單，只要依循心流模式便是。簡單說明如下：

首先來設立目標

想要經歷心流，首先必須有明確目標做為努力方向。自得其樂的人面對抉擇時——不管是大至結婚、就業，小至週末怎麼過、在牙醫候診室怎麼打發時間，都可以處之泰然、不慌亂。

目標的選定與對挑戰的認知有關。如果我決定學網球，就必須學會發球、反手拍、正拍，還要訓練體力與反應。事情也可能反過來進行：我喜歡將球打過網的感覺，所以決定學打網球。不管哪一種情形，目標與挑戰是互通的。

一旦經由目標與挑戰定義了行動體系，運作所需技能也就明確了。如果我打算辭掉工作，改經營度假中心，就應該去學飯店管理、財務、挑選營業地點等。當然，方向也可以反過來：發現自己具備的技能可以在特定目標有所發揮——我決定經營度假中心，因為我發現自己的條件很適合。

發展技能時，要非常留心這些行動的結果——對回饋進行監控。想要成為好的度假中心經營者，我必須正確評估借貸銀行會怎麼看待我的創業計畫，還必須知道什麼措施可以吸引客人。如果沒有隨時留意當中的回饋，很可能會和行動體系脫節，技能不再進步，效率也不如從前。

自得其樂跟不懂自得其樂的人最大的差別，是前者決定追求的目標是自己選的，不是隨機的，也不是外來力量逼他做的決定。這樣的事實有兩個看似相反的結果。

一方面，因為這個決定是自己做的，所以會格外努力，所有行動都很確實，並由內在控制。另一方面，因為是自己的決定，所以可以隨時視情況調整目標。這麼看來，自得其樂的人表現出來的行為，除了比較容易貫徹到底，也比較有彈性。

必須要全心投入

選擇行動體系後，具有自得其樂個性的人會全心投入他所做的事。不管是開飛機環繞地球，或是晚餐後洗碗，他都能全神貫注。

要做到這一點，一個人必須在行動機會與本身具備的技能間取得平衡。有些人一開始對自己的期許有點不切實際，例如想在二十歲之前成為百萬富翁之類的。一旦希望破滅就變得沮喪，並因為精神能量都浪費在追求未果的事上，整個人意志消沉。

另一個極端，是因為對自己的能力沒有把握，所以自我設限。他們寧可選擇保守而無關緊要的目標，讓複雜性的成長停留在最低層級。然而，要確實參與行動體系中，一個人必須在環境條件與個人能力間取得適當平衡。

舉例來說，一個人走進一間擠滿人的房間，決定「加入派對」，也就是說，他想要盡可能多認識些人，同時希望能玩得開心。如果是缺乏自得其樂性格的人，很可能因為無法主動與人攀談，便退到角落去，希望有人注意到他；或是，他可能會過分聒噪或太搶風頭，因不當而虛假的熱情讓人退避三舍。

這兩種策略都不可能成功，也不可能玩得開心。但是懂得自得其樂的人進入房間後，會先將注意力從自己轉到派對，也就是他希望融入的「行動體系」。他會觀察參加的人，試著猜測哪個人可能跟他志同道合，然後開始與這個人談論他認為兩個人都會喜歡的話題。如果得到的回饋是負面的——交談顯得無聊，或是對方覺得不投機——他會試著換個話題，或是另覓談話對象。唯有行動與行動體系提供的機會相稱時，當事人才能完全投入其中。

專注的能力愈強，就愈容易投入行動體系。注意力無法集中的人思緒游移不定，生活只能任憑各種一閃即過的刺激擺布，鮮少遇見心流。非出於自願的分心，是無法控制注意力最明顯的徵兆。令人不解的是，很少人願意花力氣改善自己的注意力。集中精神看書有困難時，不是設法提升專注力，而是將書本扔到一旁，改看起電視，因為看電視所需的注意力少，而不連貫的剪輯、插播的廣告與通常很愚蠢的內容等等，只會讓注意力更加渙散。

注意當下發生的事

注意力可以使人投入，也唯有不斷傾入注意力，才能讓人保持投入狀態。運動員都知道，比賽中只要稍微閃神，就可能一敗塗地。重量級的拳王冠軍如果沒注意到對手的一記上勾拳，就可能被擊倒。籃球員如果受觀眾的吶喊聲影響而分心，要進球就難了。同樣的陷阱也威脅著參與各種複雜體系中的所有人，唯有不斷投入精神能量，才能保持置身其中的狀態。不願意專心聆聽孩子說話的父母，會壞了彼此的互動；心不在焉的律師會輸掉官司；而心神不定的外科醫生賠上的，會是病人的生命。

自得其樂的人，簡單的說，就是擁有持續投入的能力。自我意識這個最容易使人分心的原因，在他們身上不構成問題。因為他不擔心自己表現得如何，也不在意別人怎麼看他，而是全心投入自身目標。一個人投入得夠多時，會將自我意識從意識中排除，有時則是反過來，由於缺乏自我意識，才能深深投入。自得其樂性格的組成元素是互為因果的——設立目標、發展技能、培養專注力、放下自我意識這四個，不管從哪一個開始都可以，因為心流一旦開始，其他元素也會跟著實現。

把注意力放在互動關係，而不是自我身上，會得到看似矛盾的結果。當事人雖然不再覺得自己是獨立個體，卻感到自我變得更加強大。藉由將精神能量投注於包含自己在內的體系，自得其樂的人可以超越自我極限。藉著與體系結合，讓自我脫胎換骨，成就更高的複雜性。這就是為什麼在愛過後失去，好過從來沒愛過。

處處以自我為中心的人可能比較有安全感，但是與願意將注意力投注在周遭事物、參與當中的互動的人相比，這種總是以個人利益為出發點的人就顯得匱乏了。

我去芝加哥市政廳前廣場，參加為畢卡索的巨型戶外雕塑舉行的揭幕儀式時，剛好站在一位擅長處理個人傷害的律師旁。揭幕演說沒完沒了，我發現他的表情十分專注，口中喃喃自語。我問他在想什麼，他說他在估算如果有小孩攀爬雕像而受傷，市政府要花多少錢才能擺平官司。

我們要說這位律師真幸運，能夠將周遭所有事都轉換成與他的技能相關的問題，所以總是處於心流呢？還是為他只知道專注在自己熟悉的事物上，忽略了這件事在美學、市政及社會上的意義，錯失成長契機，而感到遺憾呢？或許兩種解讀方式都沒有錯。但是長期來看，井底觀天必定有所限制。即使是最受推崇的物理學家、藝術家或政治家，如果只對自己有限的角色感興趣，遲早會變成空洞無聊、不懂得生活樂趣的人。

學習樂在當下

自得其樂的自我——懂得設立目標、培養技能、留心回饋、做事專注而投入的人——即使客觀環境惡劣，仍然可以從中找到樂趣。有能力控制心靈的人，可以讓任何事都成為樂趣來源。夏日的一陣微風、映在高樓玻璃帷幕上的一朵白雲、談一筆生意、看小孩與狗嬉戲、喝一杯水，都足以滿足人心、豐富生活。

然而，想要擁有這樣的掌控權，需要決心與紀律配合。最優體驗不是享樂主義，或貪圖安樂的結果，輕鬆放任的態度不足以抵禦生活中的混沌。就像《心流》這本書一開始說的，想要讓隨機事件化為心流，就必須培養拓展能力的技能，使自己變得更強大。心流可以驅使人發揮創意，成就不凡。

不斷精進的技能帶來的樂趣，更是推動文化進化的力量。不論是個人或文化，都會因此邁向更高的複雜性。在體驗中創造秩序，得到的獎賞是推動演化的能量——為我們的後代子孫鋪路，讓繼我們而起的他們更具複雜性，也更有智慧。
但是想要將生活的全部變成一場心流體驗，光懂得控制一時的意識狀態是不夠的；還得有整體的目標，讓日常生活中的每一件事都變得有意義才行。

如果一個人只是從一個心流活動跳到另一個心流活動，中間缺少連結，那麼來到人生盡頭往回看時，就不容易看出過去這些日子、這些事的意義何在。對於想要獲得最優體驗的人，心流理論要給大家的最後一項任務，是在所做的每一件事上創造和諧；在這個任務中貫穿所有目標，將人生整合成單一件心流活動。

——本文摘自《心流：高手都在研究的最優體驗心理學》，2019 年 3 月，行路出版。

我是個悲觀的人，所以當我看見一本書的書名是「富足：未來比你以為的更美好」（此為英文版書名）的時候，你可以猜到，我其實是嗤之以鼻的。

因為興趣也因為工作的關係，我關注–有時也參與–橫跨國內外許許多多的人權、社會與科技議題，我看見不斷擴大的衝突跟總是重演的悲劇螺旋：戰爭、飢荒、腐敗、壓迫、背叛、冷漠……絕大多數的課題沒有被解決，反而變得更糟。日復一日的擔心，然後灰心，然後擔心，然後灰心……。我在寫這篇文章時，敘利亞戰火下斷手殘肢的屍體與柬埔寨金邊愛滋兒童枯瘦的病體在我的臉書上輪播著，中間穿插著「陌生人朋友」到北歐旅行的快樂照片，以及一個莫名其妙的三國App遊戲廣告。

我原本以為看完這本書之後，我的感想會是再次嗤之以鼻（我的鼻子真忙）地說「真是無藥可救的樂觀主義者！」但顯然我錯了。

可能跟許多人的感受不同，我認為本書作者之一Peter Diamandis—X Prize 與奇點大學創辦人–其實反而是我最認同的那種悲觀主義者；他認知現況有多麼糟糕，但他也清楚知道自己該做些甚麼來改變現況。對Diamandis來說，儘管這世界上的問題看似龐大到無法解決，但他那融合科學家與創業家的經驗與眼光告訴他：解決之道就在問題裡頭。為了讓科學家能夠聚集力量、獲得資源去挑戰不可能，他成立了 X Prize 基金會，要在重賞之下鼓勵智勇兼具者挺身而出；而為了培育更多像他一樣致力於解決十億人規模「大問題」的創業家與未來領袖，他創立了奇點大學，讓這些人共聚一堂，互相碰撞。這些大到即使是國家領袖都不敢想、也不面對的問題，都是他的守備範圍。

這讓我想起另一位多次登上TED的講者，學者與政治行動家 Lawrence Lessig。他在今年2月於TED 2013 演講最後提到：一位女士在他某次批評國會腐敗體制的演講之後回應「教授，你說服我這沒希望了，沒希望了，我們束手無策了」。Lessig原本不知道如何回應這種絕望，但他想像一位醫生跟他說「你六歲的兒子得了末期腦瘤，而你束手無策」。如果是你，你會甚麼都不做嗎？

不，我們還是會做，儘管徒勞無功的機率極高，但我們甚麼都願意去做。我認為這就是這本書要告訴我們的：人類的確面臨重大的挑戰，但同時，我們也首度擁有回應這些挑戰的科技。科技本身或許沒辦法改變甚麼，但是科技加上意志可以。我們的確只有一個地球，也沒人反對節約，但如果我們要讓數十億人不用再受飢荒、疾病、貧窮所苦，我們需要的是革命性的新能源技術、生物醫學、跟傳播科技。這本書討論了許多足以回答這些巨大問題的科技創新，當然，我們期待這些創新趕快變得過時、落伍，被更先進的科技取代，但這本書所揭示的契機，將會持續帶給所有悲觀者前行的勇氣。

本文為《富足：解決人類生存難題的重大科技創新》一書推薦序。該書為PanSci 2013年8月選書。