Loading [MathJax]/extensions/tex2jax.js

0

0
0

文字

分享

0
0
0

以貌取人是天性?

科景_96
・2011/02/10 ・428字 ・閱讀時間少於 1 分鐘 ・SR值 439 ・四年級

Original publish date:Mar 13, 2009

編輯 John C. H. Chen 報導

 

以貌取人是人的天性嗎?瑞士的兩位經濟學家用了一個簡單的實驗來驗證。

瑞士University of Lausanne的兩位經濟學家要驗證對外貌的喜好是不是會直接轉換到選票,所以他們將2002年法國議員選舉的候選人照片選了57組,每組兩張,各有當選人跟第一高票落選人的照片。他們將這些照片拿給兩個不同的受試族群。第一組是684位大學生,問他們看了照片後,選出他們覺得比較有能力的人。另一組是681位五到十二歲的兒童。研究人員將候選人的照片放入電腦遊戲中,然後要兒童看了候選人的照片後,決定”要選哪一位當自己那艘船的船長”。

-----廣告,請繼續往下閱讀-----

研究結果發現,大學生跟兒童分別有60%與64%的比率選擇了勝選的候選人,這個比例遠高於隨機選擇的50%,因此這項結果顯示單純只看外貌的話,外貌與選票具有正相關。而且另外一個有趣的事實是,兒童與成人根據外貌作判斷的能力差不多。

所以下次選戰到了的時候,或許候選人可以考慮到幼稚園做民調,看看是不是能夠爭取小朋友的認同。

 

原始論文
Predicting Elections: Child’s Play!
John Antonakis* and Olaf Dalgas參考來源:

-----廣告,請繼續往下閱讀-----
文章難易度
科景_96
426 篇文章 ・ 7 位粉絲
Sciscape成立於1999年4月,為一非營利的專業科學新聞網站。

0

1
0

文字

分享

0
1
0
拆解邊緣AI熱潮:伺服器如何提供穩固的運算基石?
鳥苷三磷酸 (PanSci Promo)_96
・2025/05/21 ・5071字 ・閱讀時間約 10 分鐘

-----廣告,請繼續往下閱讀-----

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。

-----廣告,請繼續往下閱讀-----

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。

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。/ 圖片來源:MotionArray

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)」!

-----廣告,請繼續往下閱讀-----

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。

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。

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。/ 圖片提供:研華科技

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。

-----廣告,請繼續往下閱讀-----

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。

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。/ 圖片來源:MotionArray

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)。

-----廣告,請繼續往下閱讀-----

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。

-----廣告,請繼續往下閱讀-----

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。

-----廣告,請繼續往下閱讀-----
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。/ 圖片提供:研華科技

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

-----廣告,請繼續往下閱讀-----
-----廣告,請繼續往下閱讀-----
文章難易度

討論功能關閉中。

2

12
1

文字

分享

2
12
1
「腦海中的自我」與真實的你差很大?——心像準確度與「自尊狀態」高度相關
Bonnie_96
・2021/12/09 ・2008字 ・閱讀時間約 4 分鐘

「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。

圖/Pexels

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?

-----廣告,請繼續往下閱讀-----

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。

-----廣告,請繼續往下閱讀-----

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!」

在數據收集的初級階段,每個參與者的臉都被拍成了護照式的照片。(a)在髮際線周圍裁剪,去除無關的特徵。 (b)參與者在隨機產生的面孔之間進行選擇,以創建他們覺得看起來像自己的「自畫像」面孔。 隨後填寫問卷。(c)測量他們的人格特質(BFI-10)和自尊狀態(SSES)。在數據收集的第二階段,向 112 位評估者展示參與者的真實面孔和 「自畫像」面孔 。(d)評估者使用 BFI-10 來評估他們對兩張臉的每個個性特徵的感知程度。 參考資料

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。

-----廣告,請繼續往下閱讀-----

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……。

-----廣告,請繼續往下閱讀-----

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。

圖/GIPHY
  • 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
-----廣告,請繼續往下閱讀-----
所有討論 2
Bonnie_96
21 篇文章 ・ 33 位粉絲
喜歡以科普的方式,帶大家認識心理學,原來醬子可愛。歡迎來信✉️ lin.bonny@gmail.com

0

0
1

文字

分享

0
0
1
連小孩也以外表決定第一印象
cleo
・2014/03/08 ・941字 ・閱讀時間約 1 分鐘 ・SR值 513 ・六年級

-----廣告,請繼續往下閱讀-----

iStock_000010280186Small

新研究指出孩童與成人相同,都以外表來判斷某人的性格特徵。哈佛大學的心理科學家Emily Cogsdill博士表示,即使是三歲的孩童也以一個人的外表來判斷可信任度及能力。此外,研究也顯示孩童們的判斷有非常高的一致性。

研究顯示,以貌取人的傾向自從幾乎沒什麼社會經歷的孩提時代就已經開始。科學家知道,即使只有短暫照面過,成人總是會以外表評斷某人。但是這個傾向是長期生活經驗累積的結果,或是一個自幼年就存在的基本衝動?專家們仍不明白。

Cogsdill及研究團隊表示:「若成人及孩童以貌取人的傾向是隨著成長才逐漸發生,那就可以推論這個傾向需要長期的社會經驗累積才能達到成年時期的狀態的。假如孩童以貌取人傾向的程度與成人相同的話,則表示這個以外表判斷性格特徵的傾向則是生命早期就已存在的社會認知能力。」

為了驗證這個想法,研究團隊找了99位成人及141位3~10歲的孩童,來判斷由電腦所產出的臉孔的可信度(好人/壞人)、支配度(強勢/不強勢)、及能力(聰明/不聰明)。在看了一組臉孔後,實驗參與者被問了像是「你/妳覺得哪個人感覺人很好?」的問題。

-----廣告,請繼續往下閱讀-----

不出所料,成人認為某些臉孔具備某些特定的性格特徵,孩童組也出現相同的實驗結果。

3~4歲孩童判斷的一致性只比7歲組差了一點,但歲數較大的孩童所做的判斷則多與成人組相近。這顯示以貌取人的傾向很有可能為是成長發展的結果。

總體來說,比起其它兩項特徵,孩童似乎在評斷可信度上較有一致性。這表示孩童可能會特別注意一個人的神情,比方這個人感覺是正向或是負向的。

重點是,實驗結果並未說明孩童做出的性格特徵判斷是否正確。結果只顯示不論正確性,孩童與成人都將某些臉孔與特定性格特徵連結在一起。

-----廣告,請繼續往下閱讀-----

以臉孔判定性格的傾向到底是何時出現,目前還不清楚,如果讓更年幼的孩童進行相同的臉孔判斷實驗後,或許能找出答案。究人員表示:「若以貌取人的傾向如結果所示,在早期發展就已經出現,那麼即使是嬰兒也會把臉孔與特定的行為特徵(像是親社會性的行為)連結在一起。」

哈佛大學的心理學教授Mahzarin Banaji博士提到,她與研究人員的下一步就是要檢視年歲累積的社會經驗是如何影響認知的。

 

原文來源:PSYCH CENTRAL- Even Children’s First Impressions Are Based on Appearance「5  MARCH 2014]

資料來源:心理科學協會- Young Children Form First Impressions From Faces

-----廣告,請繼續往下閱讀-----
-----廣告,請繼續往下閱讀-----
cleo
49 篇文章 ・ 1 位粉絲
是個標準的文科生,最喜歡讀的卻是科學雜誌。一天可以問上十萬個為什麼。