整形要像林志玲還是安潔莉娜裘莉？

• 作者／賴昭正｜前清大化學系教授、系主任、所長；合創科學月刊

我擔心人工智慧可能會完全取代人類。如果人們能設計電腦病毒，那麼就會有人設計出能夠自我改進和複製的人工智慧。 這將是一種超越人類的新生命形式。

——史蒂芬．霍金（Stephen Hawking）　英國理論物理學家

大約在八十年前，當第一台數位計算機出現時，一些電腦科學家便一直致力於讓機器具有像人類一樣的智慧；但七十年後，還是沒有機器能夠可靠地提供人類程度的語言或影像辨識功能。誰又想到「人工智慧」（Artificial Intelligent，簡稱 AI）的能力最近十年突然起飛，在許多（所有？）領域的測試中擊敗了人類，正在改變各個領域——包括假新聞的製造與散佈——的生態。

圖形處理單元（graphic process unit，簡稱 GPU）是這場「人工智慧」革命中的最大助手。它的興起使得九年前還是個小公司的 Nvidia（英偉達）股票從每股不到 $5，上升到今天（5 月 24 日）每股超過 $1000（註一）的全世界第三大公司，其創辦人（之一）兼首席執行官、出生於台南的黃仁勳（Jenson Huang）也一躍成為全世界排名 20 內的大富豪、台灣家喻戶曉的名人！可是多少人了解圖形處理單元是什麼嗎？到底是時勢造英雄，還是英雄造時勢？

在回答這問題之前，筆者得先聲明筆者不是學電腦的，因此在這裡所能談的只是與電腦設計細節無關的基本原理。筆者認為將原理轉成實用工具是專家的事，不是我們外行人需要了解的；但作為一位現在的知識分子或公民，了解基本原理則是必備的條件：例如了解「能量不滅定律」就可以不用仔細分析，即可判斷永動機是騙人的；又如現在可攜帶型冷氣機充斥市面上，它們不用往室外排廢熱氣，就可以提供屋內冷氣，讀者買嗎？

CPU 與 GPU

不管是大型電腦或個人電腦都需具有「中央處理單元」（central process unit，簡稱 CPU）。CPU 是電腦的「腦」，其電子電路負責處理所有軟體正確運作所需的所有任務，如算術、邏輯、控制、輸入和輸出操作等等。雖然早期的設計即可以讓一個指令同時做兩、三件不同的工作；但為了簡單化，我們在這裡所談的工作將只是執行算術和邏輯運算的工作（arithmetic and logic unit，簡稱 ALU），如將兩個數加在一起。在這一簡化的定義下，CPU 在任何一個時刻均只能執行一件工作而已。

在個人電腦剛出現只能用於一般事物的處理時，CPU 均能非常勝任地完成任務。但電腦圖形和動畫的出現帶來了第一批運算密集型工作負載後，CPU 開始顯示心有餘而力不足：例如電玩動畫需要應用程式處理數以萬計的像素（pixel），每個像素都有自己的顏色、光強度、和運動等, 使得 CPU 根本沒辦法在短時間內完成這些工作。於是出現了主機板上之「顯示插卡」來支援補助 CPU。

1999 年，英偉達將其一「具有集成變換、照明、三角形設定／裁剪、和透過應用程式從模型產生二維或三維影像的單晶片處理器」（註二）定位為「世界上第一款 GPU」，「GPU」這一名詞於焉誕生。不像 CPU，GPU 可以在同一個時刻執行許多算術和邏輯運算的工作，快速地完成圖形和動畫的變化。

依序計算和平行計算

一部電腦 CPU 如何計算 7×5+6/3 呢？因每一時刻只能做一件事，所以其步驟為：

• 計算 7×5；
• 計算 6/3；
• 將結果相加。

總共需要 3 個運算時間。但如果我們有兩個 CPU 呢？很多工作便可以同時（平行）進行：

• 同時計算 7×5 及 6/3；
• 將結果相加。

只需要 2 個運算時間,比單獨的 CPU 減少了一個。這看起來好像沒節省多少時間，但如果我們有 16 對 a×b 要相加呢？單獨的 CPU 需要 31 個運算的時間（16 個 × 的運算時間及 15 個 + 的運算時間），而有 16 個小 CPU 的 GPU 則只需要 5 個運算的時間（1 個 × 的運算時間及 4 個 + 的運算時間）！

現在就讓我們來看看為什麼稱 GPU 為「圖形」處理單元。圖一左圖《我愛科學》一書擺斜了，如何將它擺正成右圖呢？ 一句話：「將整個圖逆時針方向旋轉 θ 即可」。但因為左圖是由上百萬個像素點（座標 x, y）組成的，所以這句簡單的話可讓 CPU 忙得不亦樂乎了：每一點的座標都必須做如下的轉換

x’ = x cosθ + y sinθ

y’ = -x sinθ+ y cosθ

即每一點均需要做四個 × 及兩個 + 的運算！如果每一運算需要 10^-6 秒，那麼讓《我愛科學》一書做個簡單的角度旋轉，便需要 6 秒，這豈是電動玩具畫面變化所能接受的？

人類的許多發明都是基於需要的關係，因此電腦硬件設計家便開始思考：這些點轉換都是獨立的，為什麼我們不讓它們同時進行（平行運算，parallel processing）呢？於是專門用來處理「圖形」的處理單元出現了——就是我們現在所知的 GPU。如果一個 GPU 可以同時處理 10⁶ 運算，那上圖的轉換只需 10^-6 秒鐘！

GPU 的興起

GPU 可分成兩種：

• 整合式圖形「卡」（integrated graphics）是內建於 CPU 中的 GPU，所以不是插卡，它與 CPU 共享系統記憶體，沒有單獨的記憶體組來儲存圖形／視訊，主要用於大部分的個人電腦及筆記型電腦上；早期英特爾（Intel）因為不讓插卡 GPU 侵蝕主機的地盤，在這方面的研發佔領先的地位，約佔 68% 的市場。
• 獨立顯示卡（discrete graphics）有不與 CPU 共享的自己專用內存；由於與處理器晶片分離，它會消耗更多電量並產生大量熱量；然而，也正是因為有自己的記憶體來源和電源，它可以比整合式顯示卡提供更高的效能。

2007 年，英偉達發布了可以在獨立 GPU 上進行平行處理的軟體層後，科學家發現獨立 GPU 不但能夠快速處理圖形變化，在需要大量計算才能實現特定結果的任務上也非常有效，因此開啟了為計算密集型的實用題目編寫 GPU 程式的領域。如今獨立 GPU 的應用範圍已遠遠超出當初圖形處理，不但擴大到醫學影像和地震成像等之複雜圖像和影片編輯及視覺化，也應用於駕駛、導航、天氣預報、大資料庫分析、機器學習、人工智慧、加密貨幣挖礦、及分子動力學模擬（註三）等其它領域。獨立 GPU 已成為人工智慧生態系統中不可或缺的一部分，正在改變我們的生活方式及許多行業的遊戲規則。英特爾在這方面發展較遲，遠遠落在英偉達（80%）及超微半導體公司（Advance Micro Devices Inc.，19%，註四）之後，大約只有 1% 的市場。

事實上現在的中央處理單元也不再是真正的「單元」，而是如圖二可含有多個可以同時處理運算的核心（core）單元。GPU 犧牲大量快取和控制單元以獲得更多的處理核心，因此其核心功能不如 CPU 核心強大，但它們能同時高速執行大量相同的指令，在平行運算中發揮強大作用。現在電腦通常具有 2 到 64 個核心；GPU 則具有上千、甚至上萬的核心。

結論

我們一看到《我愛科學》這本書，不需要一點一點地從左上到右下慢慢掃描,即可瞬間知道它上面有書名、出版社等，也知道它擺斜了。這種「平行運作」的能力不僅限於視覺，它也延伸到其它感官和認知功能。例如筆者在清華大學授課時常犯的一個毛病是：嘴巴在講，腦筋思考已經不知往前跑了多少公里，常常為了追趕而越講越快，將不少學生拋到腦後！這不表示筆者聰明，因為研究人員發現我們的大腦具有同時處理和解釋大量感官輸入的能力。

人工智慧是一種讓電腦或機器能夠模擬人類智慧和解決問題能力的科技，因此必須如人腦一樣能同時並行地處理許多資料。學過矩陣（matrix）的讀者應該知道，如果用矩陣和向量（vector）表達，上面所談到之座標轉換將是非常簡潔的（註五）。而矩陣和向量計算正是機器學習（machine learning）演算法的基礎！也正是獨立圖形處理單元最強大的功能所在！因此我們可以了解為什麼 GPU 會成為人工智慧開發的基石：它們的架構就是充分利用並行處理，來快速執行多個操作，進行訓練電腦或機器以人腦之思考與學習的方式處理資料——稱為「深度學習」（deep learning）。

黃仁勳在 5 月 22 日的發布業績新聞上謂：「下一次工業革命已經開始了：企業界和各國正與英偉達合作，將價值數萬億美元的傳統資料中心轉變為加速運算及新型資料中心——人工智慧工廠——以生產新商品『人工智慧』。人工智慧將為每個產業帶來顯著的生產力提升，幫助企業降低成本和提高能源效率，同時擴大收入機會。」

附錄

人工智慧的實用例子：下面一段是微軟的「copilot」代書、谷歌的「translate」代譯之「one paragraph summary of GPU and AI」。讀完後，讀者是不是認為筆者該退休了？

GPU（圖形處理單元）和 AI（人工智慧）之間的協同作用徹底改變了高效能運算領域。GPU 具有平行處理能力，特別適合人工智慧和機器學習所需的複雜資料密集運算。這導致了影像和視訊處理等領域的重大進步，使自動駕駛和臉部辨識等技術變得更加高效和可靠。NVIDIA 開發的平行運算平台 CUDA 進一步提高了 GPU 的效率，使開發人員能夠透過將人工智慧問題分解為更小的、可管理的、可同時處理的任務來解決這些問題。這不僅加快了人工智慧研究的步伐，而且使其更具成本效益，因為 GPU 可以在很短的時間內執行與多個 CPU 相同的任務。隨著人工智慧的不斷發展，GPU 的角色可能會變得更加不可或缺，推動各產業的創新和新的可能性。大腦透過神經元網路實現這一目標，這些神經元網路可以獨立但有凝聚力地工作，使我們能夠執行複雜的任務，例如駕駛、導航、觀察交通信號、聽音樂並同時規劃我們的路線。此外，研究表明，與非人類動物相比，人類大腦具有更多平行通路，這表明我們的神經處理具有更高的複雜性。這個複雜的系統證明了我們認知功能的卓越適應性和效率。我們可以一邊和朋友聊天一邊走在街上，一邊聽音樂一邊做飯，或一邊聽講座一邊做筆記。人工智慧是模擬人類腦神經網路的科技，因此必須能同時並行地來處理許多資料。研究人員發現了人腦通訊網路具有一個在獼猴或小鼠中未觀察獨特特徵：透過多個並行路徑傳輸訊息,因此具有令人難以置信的多任務處理能力。

註解

（註一）當讀者看到此篇文章時，其股票已一股換十股，現在每一股約在 $100 左右。

（註二）組裝或升級過個人電腦的讀者或許還記得「英偉達精視 256」（GeForce 256）插卡吧?

（註三）筆者於 1984 年離開清華大學到 IBM 時，就是參加了被認為全世界使用電腦時間最多的量子化學家、IBM「院士（fellow）」Enrico Clementi 的團隊：因為當時英偉達還未有可以在 GPU 上進行平行處理的軟體層，我們只能自己寫軟體將 8 台中型電腦（非 IBM 品牌！）與一大型電腦連接來做平行運算，進行分子動力學模擬等的科學研究。如果晚生 30 年或許就不會那麼辛苦了?

（註四）補助個人電腦用的 GPU 品牌到 2000 年時只剩下兩大主導廠商：英偉達及 ATI（Array Technology Inc.）。後者是出生於香港之四位中國人於 1985 年在加拿大安大略省成立，2006 年被超微半導體公司收購，品牌於 2010 年被淘汰。超微半導體公司於 2014 年 10 月提升台南出生之蘇姿豐（Lisa Tzwu-Fang Su）博士為執行長後，股票從每股 $4 左右，上升到今天每股超過 $160，其市值已經是英特爾的兩倍，完全擺脫了在後者陰影下求生存的小眾玩家角色，正在挑戰英偉達的 GPU 市場。順便一題：超微半導體公司現任總裁（兼 AI 策略負責人）為出生於台北的彭明博（Victor Peng）；與黃仁勳及蘇姿豐一樣，也是小時候就隨父母親移居到美國。

（註五）或。

延伸閱讀

• 「熱力學與能源利用」，《科學月刊》，1982 年 3 月號；收集於《我愛科學》（華騰文化有限公司，2017 年 12 月出版），轉載於「嘉義市政府全球資訊網」。
• 「網路安全技術與比特幣」，《科學月刊》，2020 年 11 月號；轉載於「善科教育基金會」的《科技大補帖》專欄。

「回想一下你昨天晚餐吃了些什麼？」此時，你的腦海是不是開始浮現各種餐點的圖像，像是大阪燒、泡麵等等。而這就是心理學當中的「心像」（Mental Image）概念。但是如果問大家說，「回想你長什麼樣」，你出現的畫面會是什麼呢？這也成為研究者超好奇的事。

以前我們都曾在課堂中畫自畫像，看看旁邊繪畫技巧超厲害的同學，畫得有夠像。但再看看自己手中那張，內心只會驚恐地想說：這到底是誰？！

事實上，畫在紙上的自畫像，完全取決於個人的繪畫技巧。但是出現在我們腦海中的，基本上就可以忽略有沒有高超繪畫技巧的因素，而是與我們對自我的「心像」構成有關。

其實你的「心像自拍」，跟你只有 87 分像……

於是實驗開始！修但幾勒，你一定會問說，我腦中浮現的畫面，是要怎麼「實體」呈現出來？

英國班戈大學（Bangor University）和倫敦大學（ University of London）的心理學家就開發了一種方法，能夠簡單地讓你把腦海中的「自畫像」（或是自拍）形象化。

他們隨機給參與者兩張不同人臉，讓你選出「最接近自己長相」的那張。就在這不斷重複「人臉二選一」數百次後。實驗者就會將參與者選出所有「最接近自己長相」的照片全部綜合、平均起來，就變成每個人腦海中獨特的「自拍」。

照理來說，如果參與者都選出「最接近自己長相」的照片，那麼最終出現的那張會趨近「我們真實的長相」，對吧？！

但是，結果告訴我們只有87分像啊……因為最後呈現的照片，是會選出一張和自己長得不太一樣的人臉。

對自我的看法，會強烈影響心中的自我形象

所以，為什麼我們腦海中的自畫像，會和真實的自己長得不一樣呢？其實，這和我們內心如何看待自己、覺得自己是什麼樣的人，有很大的關係。

在讓參與者不斷經歷「人臉二選一」的實驗後，實驗者讓他們都填寫人格特質和自尊相關的問卷，來了解在他們心中自己是什麼樣子的人。結果，非常有趣地是，「你覺得自己是什麼樣的人，會影響你如何想像自己的外表！」

研究發現，參與者對自己的看法和信念，會強烈地影響他們如何對自己的外表想像。也就是說，如果參與者認為自己是一個外向的人，那麼他們在腦中浮現自己的臉，會比在其他人面前看起來更自信和善於社交。

你一定也聽過，不管是面試或是約會等，千萬記得一定要留下好的「第一印象」。而這和心理學中的初始效應（primacy effect）有關。因為在一開始所得到的資訊，往往會比後來得到的有更大的影響。

身為論文作者之一馬諾斯‧察基里斯（Manos Tsakiris）就解釋，「當我們看到一張新的臉時，其實在不到幾秒的時間，我們就已經根據我們所接收到的資訊，形成對某個人的印象。」

重點來了，不論對方所形成的第一印象是否正確，它都會影響我們對別人的看法。而同樣地，這件事情也反映在這項實驗中，因為我們對自己的印象，會影響我們在腦海中是如何看待自己的。

臉只有 87 分像……那身材呢？

如果說想像和真實的自己，長得不一樣。那我們對自己想像中的身材，也會有落差嗎？

在另個實驗中，繼續利用「身材二選一」的方式，最後會形成一張你所有「最接近自己身材」的照片全部綜合、平均起來。結果，這張在參與者腦海中「想像的身材」還是明顯長得不一樣啊……。

同樣，參與者對自己身材的態度和信念，會強烈地影響我們對於身材的想像。值得注意的是，對自己的外表或身材，有負面情緒或態度的人，傾向會覺得自己的身材比真實的自己要胖很多。

我們對於自己的外貌和身材的想像，大多時候和「真實的自己」其實會有落差。而會造成差距的因素，就是和我們的內心怎麼看待自己有很大的關係。

而實驗者也提到，希望這項研究未來能夠幫助到身體畸形恐懼症（body dysmorphic disorder, 主要指患者會過度關注自己的身材和外表等缺陷，並過度誇張的臆想、甚至出現強迫行為等）等臨床中的評估。

參考資料

• Maister, L., De Beukelaer, S., Longo, M. R., & Tsakiris, M. (2021). The Self in the Mind’s Eye: Revealing How We Truly See Ourselves Through Reverse Correlation. Psychological Science. https://doi.org/10.1177/09567976211018618

• 文／雞湯來了實習生蔡加柔
• 校稿／雞湯來了陳世芃、張芷晴、榮淑媚
• 製圖／雞湯來了特派員黃子芸
• 編輯／雞湯來了蕭子喬

單身靠實力，結婚就靠大數據－《戀愛是科學》

「先將設立的理想型條件列出來，然後用電腦分析、引用大數據配對、清查身家背景，最後再簽訂婚前協議，進而快速鎖定「需要」的而非「想要」的伴侶，是避免浪費彼此時間的相親模式。」這是《戀愛是科學》女主角顏霏主張的戀愛 SOP，在劇中 ，她開設一間名為「戀愛科學婚姻仲介所」的公司，藉由大數據的分析，會員配對成功率達到八成之高。

如果這間公司真實存在，你想要加入嗎？你同意她提出「婚姻就是找一個適合你的合夥人」的說法嗎？

我們的匹配指數－「愛情」等於「合適」嗎？

當「勝女」如同「剩女」

「三高女」為何是婚姻市場釘子戶？

劇中年齡高、薪資高、學歷高的「三高女」卓乃慧，是一位事業有成的霸道女總裁，卻因為年齡偏大、學歷高又個性強勢等等所謂「死亡組合」，導致沒有願意與她牽手的對象，最後到戀愛科學婚姻仲介所尋求協助，並有了出乎意料的發展。

有一種好，是朋友都是為你好。有一種幸福，是別人覺得你幸福！

我稱它為亞洲壓力。－《戀愛是科學》

相較於乃慧清楚知道自己想要的對象，學歷必須在碩士以上，另外一位林小姐是朋友陪伴而來的。朋友打著幫她尋找幸福的名號，花了半小時洋洋灑灑地列了一堆條件，但是這樣真的是林小姐想要的嗎？

以上兩位角色其實有個共同點，就是她們為自己設下「十分明確且詳細的前提」，無論是否這些條件出自門當戶對的文化或是他人意見。這時我們可以思考一個被討論已久的議題：究竟我們要選擇的是「我愛的人」還是「適合我的人」？換個角度來看，這個問題本身便是感性與理性之間的角逐。

系統的誤差值－當感性破解大數據

系統不會出錯，幫我配對出來的，一定都是條件、能力、價值觀各方面都相當適合我結婚的對象，可是系統它不會知道誰能讓我心情好， 誰會逗我笑。－《戀愛是科學》

我才不管什麼大數據，我 27歲，我選妳。就算妳離過婚，我都選妳。－《戀愛是科學》

儘管使用科學輔助，與乃慧設立條件相差甚遠的有福，仍然走進乃慧的心。劇中的另一對，男主角王軒宇也突破大數據，無視一切不利條件也鍾情於女主角顏霏。他們的情感都是突破大數據的存在，確實稱不上理性，而這又是為什麼呢？

事實上，儘管科學上確實能部分證實，我們的心動軌跡有跡可循，但至今依然沒有任何理論或是學者，能完整詮釋愛情的全貌。或許你也曾發現，無論再怎麼理性抉擇，你的暗戀對象或是伴侶，可能依然與你在心裡設定的理想型不太相同，究竟為何「直覺的喜歡」有時會讓人忽略所謂公認的「客觀擇偶條件」呢？學者曾證實，這樣莫名的吸引力其來有自。

當愛來臨時－５大吸引力來源

人類皆是感性與理性的綜合體，所以要做到完全拋卻感性是近乎不可能的。因此劇中除了女主角顏霏使用的科學數據相親法之外，仍有許多「不可測因素」悄然牽動著每位角色的情感，其中，就包含許多「吸引力來源」。以下統整幾項研究，與大家分享超乎理性、多半來自潛意識的五項吸引力來源：

來源 1｜時常遇見的「熟悉感」

學者曾在大學課程進行調查，發現在學期結束後，同學與座位附近的同學較有機會成為朋友、建立親密連結。另外一位研究者也在麻省理工學院學生宿舍，詢問一群學生的大學生活中三位親密好友，結果顯示 65% 來自同一棟宿舍。

《戀愛是科學》劇中，在沁藍送了 27 次宵夜之後，軒宇對她漸漸產生情感，可見情感連結或多或少與「熟悉感」相關。但在現實生活要注意的是，勇敢追愛和死纏爛打往往只有一線之隔喔！

相關推薦：《當男人戀愛時》啥款 ㄟ告白 ㄟ成功？論告白與追求的務實策略

來源 2｜價值觀念具「相似感」

心理學家 Heider 提出的平衡理論指出，人會追求平衡的認知，例如相似的價值觀、意見、政治傾向等。其他學者也在研究中指出，伴侶婚後價值觀的相似性，對於關係滿意度的影響非常大！

然而這也不能過度追求。例如顏霏的客戶 Jason，就堅持他的對象必須熟讀金庸的武俠小說，因為他希望有人能一起討論感興趣的事物。儘管我們認同伴侶間是需要相似感的，但是太過在意相同，反而會讓關係終止。

來源 3｜本能追求的「安全感」

人類會因為過往經驗、個人性格等種種原因，漸漸影響對於感情中安全感的需求，進而影響擇偶。因此討論戀愛關係時，我們常提及三種親密依附類型：焦慮型、逃避型、安全型。簡單來說，容易缺乏安全感者多屬於焦慮型，逃避型的人則傾向封閉心房，並且注重隱私與關係界線，至於安全型，則是普遍認為的理想類型。

男主角軒宇和他的前女友沁藍，前者就偏向逃避型、後者則偏向焦慮型。軒宇始終不善於表達心意，而沁藍缺乏安全感，這也成為他們分開的致命傷。

相關測驗：你的安全感是哪一種愛情依附風格？

相關連結：老天爺啊！另一半總是說自己沒安全感，我該怎麼辦？

來源 4｜能被喜歡的「認同感」

我們容易被「表現出喜歡我們自己」的對象吸引。社會心理學者觀察進行快速約會（speed-Dating）的雙方並進行訪談後，部分受訪者表示，若感受到對方對自己有興趣，那麼自身會容易被對方吸引。

《戀愛是科學》角色裡，並沒有明顯的感情線來自於此。但我們能觀察到，顏霏在之前將軒宇視作小弟弟，在得知軒宇之前暗戀過自己之後，才轉換想法慢慢地察覺自己的心意。

來源 5｜直觀感受上的「容貌」

亞里斯多德曾表示：「美貌是勝過任何介紹信的推薦函。」以生物本能來說，不可否認我們會被美麗的人事物吸引，可能是偏好對稱的五官、大眼睛等。然而每個世代的審美也都有變化，每個人看待容貌條件的想法都不同，最重要的是，有意識的思考容貌對於自己的意義即可。

相關連結：臺灣人的8大愛情風格

幸福的交叉點－戀愛是「感性」與「理性」的交匯

有一些爸媽的觀念也是很奇怪，小時候學生時期不讓小孩談戀愛， 但是長大後卻直接催婚，這不是很不符合邏輯嗎？就等於是從來不考模擬考，就直接學測一樣恐怖。－《戀愛是科學》

所以，選擇伴侶之時除了考慮種種條件，最為重要的其實是回歸自我本身。勇於面對心裡的真實情感，梳理清楚這樣的吸引力從何而來、程度為何。

像是劇中的大數據聯誼法，近乎是絕對理性且公認可靠的存在。然而，這樣的客觀條件僅是輔助我們的工具，我們依然要依靠探索與自主思考。如此尋找出結合感性與理性的交匯之處，很可能就是一段幸福關係的起點！

相關連結：現在的孩子都在談什麼戀愛？

參考資料

• 林奕丞（2015）。夫妻間依附類型配對組合、休閒興趣的相似程度與婚姻滿意度之關係。國立政治大學輔導與諮商碩士學位學程研究所碩士論文。
• 劉文琴（2006）。夫妻性格的相似性及互補性與婚姻滿意度及親密度的關係。佛光大學心理學研究所碩士論文。
• Festinger, L. (1950). Informal social communication. Psychological Review, 57, 271-282.
• Eastwick, P.W., Finkel, E.J. (2008). An in-depth speed-dating exploration of sex differences in romantic partner preferences and the disconnect between stated and in-vivo preferences.