• 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。

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。

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？〉）

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。 ）