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

又到了大學多元入學的時節，備審資料與面試，是多元入學中能否錄取的關鍵，但是多數高中生不但缺乏經驗，更缺乏概念，以下分享一些相關的基本概念。

別搞錯狀況，高中生騙不到教授的

所有方式的多元入學，大學教師都是關鍵角色。有時候大學教授在社會上會成為被嘲笑的對象，例如很容易被詐騙之類的。確實，某些教授是生活白痴，離開自己專精的領域可謂一竅不通；但是

在本行的面試場子裡，高中生想騙過大學教師，基本上很難發生。

騙術高強到能騙過老師的高三生，不敢說沒有，但是非常非常少；可是自以為能騙過教授的小朋友和家長，恐怕超級超級多。高中生必需認知到的重要原則是：教授沒那麼好騙。  

再怎麼不濟的教授，面對來找自己面試的高三生，99.9% 都是絕對碾壓。也許小朋友潛能很高，但是多年經驗的差距，是很難彌補的。  

備審資料隱惡揚善，但是不能說謊

備審資料該怎麼準備，面試時要如何回答？每個系都有不同的取材標準（若是標準一致就不是「多元」入學了），愈符合標準的機會愈大，如果目標是錄取，就蒐集情報，找個條件最符合的系，放棄機率不大的選擇。這點乍看是廢話，但是其實相當重要，一開始是否選擇適合的目標，對於最終成功與否的影響很大。

備審資料和面試必需一起考慮，因為兩者皆代表一個人的不同面向，不該有明顯矛盾。例如備審資料自稱熱衷文學，口試時被問到喜歡什麼作品，卻無法回答課本以外的項目，這種狀況就大大不妙。必需做好準備，

備審資料寫什麼，如果口頭被問，就要答的出來。

備審資料的重點不是精美，在於能否幫助你展現優點。好的備審資料必需有明確的重點，讓評審認為值得考慮；不要寫一堆言不及義的成語、形容詞（孝順、友善、朋友多之類的），要明確表達出關鍵能力。這部分是許多高中生非常欠缺的知識。

誠實是重要的原則。誠實的意思，不是說有什麼缺點都要通通坦白，而是不能說謊。一項能力只是普通，就不要說成很厲害，只是略懂，就根本不應該有提到的機會。

可是真的沒有值得一提的專長怎麼辦？這有兩個可能，第一，真的沒有特定優勢，那麼這種學生本來就不是多元入學希望網羅的目標。第二，其實有專長自己卻不知道，這樣跟一無所長其實沒有太大的差別。

總之，還在爭取面試機會時，要審慎評估自己的優缺點，挑選適合的目標。面試時的原則是隱惡揚善，搭配備審資料，儘量發揮自己的優勢，隱藏劣勢，不過千萬不要想要詐騙。絕大部分高中生的水準不但騙不過教授，反而只會害自己被扣分。

話說回來，申請入學時都覺得前路兇險，不過考驗其實在錄取以後才開始。

• 本文轉載自新公民議會《高中生面試，能騙過大學教授嗎？》

延伸閱讀：

• 參加研討會，用海報展示你自己

本文亦刊載於作者部落格《盲眼的尼安德塔石匠》暨其 facebook 同名專頁。

文／謝伯讓的腦科學世界

回顧科學的歷史，我們可以發現一個有趣的現象：大部份曾經出現過的理論幾乎都是錯誤的，它們要不是已經被推翻、就是正在被推翻中。科學活動，其實就是不斷在新證據出現下修改或推翻舊理論的一個過程。

因此，在閱讀科學發現和吸收科學知識時，我們必須要帶著強烈的「懷疑精神」。任何讀到的科學發現，都有可能隱藏著實驗瑕疵；任何讀到的科學理論，也都可能在明天就被新證據推翻。

當我們在閱讀時，一定要帶著批判的懷疑態度，然後去思考每個實驗背後可能潛藏的混淆變因，只有在確信實驗過程都毫無錯誤下，才能暫時「假設」這項結果正確，然後進行下一步的結果解釋和推論。

誤推因果、另有他因、倒因為果

科學新聞和科普報導的文章越來越多，很多人看完後常常就只是「哇」的一聲感到新奇，然後就只能腦中一片空白，不知道該如何對自己專長以外的領域做出回應。對於自己不熟悉的領域內容，難道真的要等到補足了相關知識，才有辦法評論和思考嗎？

在這邊偷偷告訴大家一個不需要太多專業知識，也能夠輕鬆輔助思考、批判科學研究的口訣，就是「誤推因果、另有他因、倒因為果。」

例如，當有人說「研究發現喝母乳的小孩比較聰明」時，你就要先想想以上的口訣：

第一，是否「誤推因果」。原本的研究可能只是發現「喝母乳」和「小孩聰明」兩者相關，但報導有沒有錯說成前者「導致」後者？在大多數的相關性研究中，科學家可能只是把小孩分成「喝母乳」和「不喝母乳」兩群，然後發現「喝母乳」那一群小孩比較聰明。這種結果，就只是「發現相關性」而已，並沒有真的證明「喝母乳會導致小孩更聰明」。要證明因果關係，就必須要隨機找來兩組原本智商一樣的小孩，其中一組允許喝母奶，另一組不准喝，最後再比較喝母奶後的小孩智商是否提高比較多，這樣才能證明因果關係。這種「誤推因果」的報導方式，是科學新聞中最常見的謬誤。

第二，是否「另有他因」。例如，有沒有可能是因為比較聰明的媽媽剛好都偏好餵母乳，因此她們小孩的聰明根本是遺傳自媽媽，而不是因為喝母乳才變聰明？或者，餵母乳的媽媽可能剛好都比較有心力和時間照顧小孩，因此她們的小孩是因為備受照顧才變聰明？換言之，就是另有第三個因素（共因）導致了「喝母乳」和「小孩聰明」這兩個現象，而不是這兩個現象之間有因果關係。

第三，是否「倒因為果」。有沒有可能是因為聰明的寶寶本身就有喜歡喝母奶的偏好？例如，聰明的寶寶可能在媽媽想要停止餵奶時大聲哭鬧，因此使得媽媽不得不延長餵母奶的量和時間。若真如此，那結論就應該是「聰明的小孩喜歡喝母奶」，而不是「喝母奶才變聰明」。

一項好的研究，必須針對上述這類可能的「混淆變因」進行控制，並且仔細測試各種可能的因果關係，最後才能得到可信的結論。

又例如，當有報導說「吸食大麻導致低智商」時，你就要先注意，第一，媒體有沒有「誤推因果」，有沒有不小心把「吸食大麻和低智商有關」寫成「吸食大麻『導致』低智商」。第二，有沒有可能是「另有他因」，說不定是因為吸食大麻的人剛好也都會喝酒或有其他惡習，因此是其他惡習導致低智商，而不是大麻導致低智商。第三，有沒有可能「倒因為果」，其實是低智商的人才喜歡吸食大麻？

如果能夠把握這些原則，並在閱讀他人對某項實驗結果的解釋前就先自己作出分析、解釋和推論，那是最好不過。或許，你還可以因此想出不同的創新理論。

如果自己想不出來，也要在閱讀科學家對資料的解釋和推論時，進行徹底的反思和批判。同一組數據或發現，通常都會有超過兩種以上的可能解釋。有些科學家，只會提出其中一種。如果沒有帶著批判的態度去閱讀，很容易就會被牽著走。如此一來，就有可能會陷入意識形態的偏見，而無法客觀的看待科學發現與成果。

文／謝伯讓的腦科學世界（新書《都是大腦搞的鬼》作者。 ）

老實說我實在沒什麼資格推薦文章給要推甄大學的同學們；我既不會是面試官，而且就學過程因為平時成績都很差，以至於完全沒有機會藉由甄試升學。那麼我為什麼推薦這幾則文章給要甄試的同學呢？幾次指導高中科展，還有到高中演講的經驗，在和同學互動的過程常常發生這樣的對話－

我：「你是自然組？」
同學：「對。」
我：「你喜歡科學？」
同學：「對。」
我：「你覺得科學是什麼？」
同學：「……」
我：「好啦，那你喜歡什麼領域的科學？」
同學：「生物。」（舉例啦）
我：「那麼生物學讓你印象最深的部分是什麼？」
同學：「……」

以上對話如有雷同，那就是真的。或者當同學提到對「奈米」、「大氣」、「基因」……等等名詞感興趣，再問下去也是不知所云的答案，這樣實在很難讓人相信他對科目的認識跟興趣。

依我的淺見還有綜合身旁幾位大學老師的看法，本來就不可能要求一位高三生對於某個科學議題知道多少，所以甄試的重點反而是評量一位學生追求學問的潛力與動機。這樣說來，我想，一位讀過至少一學期物理、化學、生物、地科的高三生，能否正確解讀科學訊息，或者透過科學的眼光來看待生活中的任何事，才是同學該在甄選中展現的。因此，在這分享7則甄試前最好別錯過的文章。

1.

〈若不重新設計斗篷，蝙蝠俠恐摔死〉

如果你都算得出一條鐵鍊在桌上往下墜的加速度，或者那塊你從沒見過實體的木頭需要多大的力才能推動，那麼蝙蝠俠滑翔的速度大概也難不倒你，反正蝙蝠俠就跟考卷上那些鐵鍊、鐵球、木塊、滑輪、小車一樣都不存在。要是當你在享受電玩、電影、動漫的同時，還能用課堂上的所學來解析劇情設定，有什麼比這還更能證明你超愛科學？

同場加映〈立體機動裝置是有多給力？－進擊的物理學〉

2.

〈寶傑，你說說看鈉有多恐怖？〉

上過化學課又有專心聽課沒偷玩神魔的同學，大概就不會像電視節目一樣說什麼鈉離子會炸毀人體細胞。面對生活中來自不同管道的資訊，只要回憶上過的生物課、物理課、化學課內容，就能初步判斷這些資訊正確性。在解讀這些資訊之後，下一步就是你願不願意、或知不知道如何向不懂的人解釋了－假如面試官或者你爸媽問：「為什麼鈉離子不會像鈉金屬一樣產生劇烈反應？」你會怎麼回答？

3.

〈相關不等於因果〉

雖然課堂上對於科學研究法或者邏輯沒有太多著墨，但這卻是非常重要的概念－甚至比知識更重要。其中一個常見的結論陷阱，就是錯把兩個有相關的現象，直接認為彼此互為因果。這篇簡短卻有力地提醒我們在解讀科學現象時，不要犯了這樣的錯誤。

4.

〈地震規模變變變？〉

讀書到半夜，突然一陣天旋地轉，可能不是太操勞，而是環太平洋地震帶又發威了。雖然高中地科（地球科學）的課堂時數遠不及其他科目，不過搞懂「規模」、「震度」應該已經是一種常識了；中央氣象局發佈的震度有7級，代表的是各地感受到的搖晃程度，「規模」則是一個無單位實數，代表地震釋出的能量。推薦各位同學務必認識一下這個和生活息息相關的資訊。

更多關於地震淺顯易懂的文章，可以參考專欄作者潘阿樹的「擁抱自然」。

5.

〈基礎科學為什麼重要？〉

「什麼是科學？」，我常常聽到像是「讓人類生活更好」、「解決人類重大問題」之類的答案。這些答案忠實地反映出早先東方對西方科學順道帶來船堅砲利的看法。科學其實沒這麼強大，只是一種發自於人類天生對自然環境的好奇罷了，這也是為什麼有許多燒大錢的科學研究，像是大型強子對撞機、太空計劃。（可以參考〈燒大錢的大科學研究，應該嗎？〉）

為了達成某個目的或者解決某個問題，應該屬於「工程」；「工程」求得是目的而未必要理解自然運行背後的機制，好比科學家還沒完全搞懂空氣動力學，但每天卻有上千班客機起降；推薦觀看有趣的影片「飛機上為什麼不能用手機」。建議同學該搞懂他感興趣的到底是「科學」還是「工程」，才能進一步選擇出適合自己的大學系所。

同場加映：〈科技部殺了台灣科學研究？〉

6.

〈為什麼人有兩個鼻孔？〉

這個看似刻意找碴的問題，其實背後卻有大學問。生活中有很多習以為常的現象，都值得用科學的方式來解答，只看你有沒有這種好奇心與獨到的眼光。

同場加映：〈為什麼會有夫妻臉？〉、《不腦殘科學》

7.

〈面試前，讓我們翹個腳吧！〉

推薦這篇，不要真的希望同學在面試前真的翹個腳，但可以表現得比較有自信，會讓心理、生理都變得更能應付複雜及有壓力的環境，增強表現。文末Amy Cuddy在TED的演講也很值得一看。

同場加映：〈睡眠習慣不佳與學業成績低落有關〉、蔡宇哲老師分享考生的睡眠攻略

最後祝所有要甄試的同學順利，希望大家在通過甄試後還能保有對科學的好奇心，經常來逛逛PanSci呀～

什麼？你說你是社會組，以後要考大傳系，這篇跟你無關？台灣的科學傳播的未來可不能缺你呀。（推薦一讀〈為什麼我們需要科學新聞？〉）