懲罰的功用之一是幫助受害人原諒？

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

在網際網路發達的現代，私刑正義一直是社會議題值得被重視的一塊。當名人、演員、政治人物，甚至是個沒沒無聞的小卒犯錯時，許多人蜂擁到他們的社群媒體攻擊、肉搜、堵人等等，是一件值得被重視的議題。

在這一篇文章中，我將從一些心理學研究，探討「私刑正義」的可能成因，以及可能削減私刑正義的方式。

為什麼我們會想伸張正義？

人們對於不公平，似乎有著天生的敏感度。有一個德國萊比錫的研究團隊，就針對小孩子進行研究。他們讓小孩子看木偶劇場，有些木偶會對小孩子很親切，也就是所謂的好木偶，也有一些木偶會送小孩子禮物，再把禮物搶走，也就是所謂的壞木偶。

實驗者發現，當孩子看到好木偶被毆打時，他們會不開心；但是看到壞木偶被毆打時，則會雀躍不已。

實驗者好奇的是，我們是否願意花錢，來換取觀看壞人被打呢？他們在壞木偶要被懲罰的剎那，將布幕拉上，除非孩子交出手上的代幣，否則就無法繼續觀看。

結果，孩子們紛紛交出了手上的代幣，以求繼續觀看壞木偶被打^[1]。

然而，這篇實驗僅能解釋，當欺負我們的人跟被懲罰的人是同一個人時，我們先天就很樂見他們被懲罰，甚至是犧牲自己的利益也在所不惜。

但是，當我們只是袖手旁觀的第三者時，為何我們依然會希望伸張正義呢？神經心理學家 Lisa Barret 對此提出了解釋^[2]。

Lisa Barret 指出，人們的腦容量是有限的，正因為如此，我們不能等自己被攻擊了，才要求別人對這些人做出懲罰，而是希望「當和我們類似的人受到攻擊時，那些犯罪者能夠得到報應，以避免我們自身也受到攻擊。」

因此，當我們對某個人的受罰為之叫好時，肯定是因為他們所損害的他人利益，和我們自身有關。

這就是為什麼比起開車族、機車族，平常徒步走在街上的行人，對於警察針對行駛人行道的汽機車加強取締時，人們會更為振奮的緣故。

同情心，或許可以撫平報復心理

然而，並不是所有人，都能等待警察、法官等等來懲罰犯罪者，私刑正義的新聞我們可是時有所聞，例如先前一則疑似女兒被性侵後自殺，父親烙人抓人虐殺犯人的新聞，就在社會版面轟動一時。有些人為之叫好，但也有些人擔心「私刑正義」的嚴重性。

事實上，精神病學講師 James Kimmel Jr. 便曾指出，過度沉迷於私刑正義的結果，可能會導致「恐怖主義、復仇謀殺、幫派犯罪」等等的發生^[3]。

那麼，有什麼可以避免私刑正義呢？有一篇研究指出，也許同情心是一個可能的解決之道^[4]。

在這份研究中，實驗者招來了 44 名受試者，並將他們隨機分配到三種實驗情境中。在三種實驗情境裡，他們都必須要完成一份測驗，該份測驗是 20 題數學題，而他們都被安排坐在一男一女中間。

受試者不知道的是，那一男一女都是實驗者安排好的演員。

實驗開始了，在考卷發下去之前，女演員都會用眼藥水讓自己裝哭，並表示需要離開實驗。在實驗組裡面的女演員會裝作是得知哥哥得了癌症，自己卻要周末才能返家，此刻時在無法控制住自己的情緒；在控制組裡面，女演員則會裝作要趕著去看醫生，必須離開實驗室。

接著，受試者和男演員留在教室內，開始做那 20 題數學題，做了 4 分鐘，實驗者就會走過來，先收走受試者的問券，並檢查完答案後將答案卷用碎紙機碎掉，接著給他答對題數所應得的獎金。此時，實驗者會裝作身上的獎金不夠，必須要離開去拿獎金。

在實驗組中，實驗者離開之後，男演員會自己把答案卷碎掉，並在實驗者回來後，告訴對方「為了省時間，我自己對了答案，結果 20 題全對，我要領取 20 題的獎金。」並真的順利將獎金領走。

在控制組當中，男演員不會碎掉答案紙，而是表示自己比受試者多對了一題，然後領走獎金。

給予受試者報復機會

實驗者接著讓受試者有機會調配味覺測試的材料，並且讓受試者得知，這瓶材料將會讓作弊的男演員喝下，且對方不會知道是他調的。同時受試者也會知道，男演員超級怕辣。

透過這三種情境測試，實驗者想觀察兩件事情：

1. 受試者是否會因為對方作弊，而想要懲罰對方？
2. 受試者是否會因為剛剛另一位成員因哥哥癌症離去，而產生同情心（compassion），進而原諒作弊者的行為？

同情心可能會讓我們心軟

結果發現，在控制組裡面，受試者平均加入了 2 公克多的辣椒醬，而在實驗組裡面，受試者平均加入了將近 10 公克的辣椒醬，可見受試者對於報復作弊者，是確實會付諸行動的。

問題來了，這些受試者如果先前受到另一位演員的影響，是否會減少加入辣椒醬的量？如果是的話，這也表示，我們會因為自身的同情心，而減少對其他人的報復舉動。

研究結果顯示，同情心確實會有這樣的作用。參與到同情心實驗組的受試者，確實加入了較少的辣椒醬，只有平均約 3 公克左右，和控制組差不多。

這樣的研究結果顯示了，也許同情心，真的能讓我們更加寬容地看待這個社會，不再那麼執著於懲罰受試者。

不過，實驗者也特別強調，本篇研究的「同情對象」和「我們想報復的對象」是不同人。如果是同一個人的話，我們會有什麼舉動，其實是值得再進一步探討的。

1. Natacha Mendes et al., ‘Preschool children and chimpanzees incur costs to watch punishment of antisocial others,’ Nature Human Behaviour, vol. 2, 2018, pp. 45-51.
2. Lisa Feldman Barrett, How Emotions Are Made: The Secret Life of The Brain, Macmillam, London,2017,p.73.
3. K.M. Carlsmith et al.., ‘The paradoxical consequences of revenge’, Journal of Personality and Social Psychology, vol.95(6), pp.1,316-24.
4. Condon, Paul & Desteno, David. (2011). Compassion for one reduces punishment for another. Journal of Experimental Social Psychology.

• 作者： 喬登．彼得森 (Jordan B. Peterson)
  譯者： 劉思潔, 何雪綾

喬登•彼得森是多倫多大學心理學教授、臨床心理學家，前哈佛大學心理學系教授。主要研究異常心理、社會心理，以及人格心理學。《生存的12條法則》討論我們該如何改變現況，建立生命的架構、過得更好。本文摘自 法則 05：別讓孩子做出令你討厭他們的事。

管教不只懲罰一招，還有獎勵可用

現代父母很怕兩個經常並列的詞：管教與懲罰。

這兩個詞令人想起監獄、士兵、納粹的長筒靴等畫面。事實上，管教與暴虐或懲罰與酷刑之間的距離，是很容易跨越的，因此管教和懲罰一定要小心拿捏。父母會害怕並不足為奇，但這二者都有其必要，在運用時可能是無意識或有意識，也可能用得拙劣或妥善，但不可能完全避免。

用獎勵來管教並非不可能。實際上，獎勵良好表現可能非常有效。最著名的行為心理學家史金納（F. B. Skinner）便大力提倡這個方法，他是這方面的專家。

史金納教鴿子玩乒乓球，不過牠們只是用喙部啄著球來回滾動，雖然表現得不好，但以鴿子來說算是相當不錯。史金納甚至訓練他的鳥兒在第二次世界大戰期間導航飛彈，稱為「鴿子計畫」（後來稱為「生控計畫」）。他的研究成果卓越，直到電子導航系統問世，他的心血才遭到淘汰。

史金納格外仔細地觀察他訓練的動物如何執行這些動作。牠們只要做出與他的目標接近的行為，就會立刻得到一個大小適度的獎勵，不至於太小而無足輕重，也不至於太大而消減日後獎勵的價值。

這種方法也適用於兒童，而且效果非常好。假設你希望家裡的幼兒幫忙擺設餐桌，這是很實用的技能。如果他做得到，你會更喜愛他，對他（脆弱）的自尊也有幫助。

好，你把預定要達成的行為拆解成幾個部分，其中一項就是從櫥櫃拿一個盤子放在餐桌上。但這個動作可能還是太複雜，或許孩子幾個月前才剛學會走路，仍然搖搖晃晃，不太可靠。所以你一開始訓練時，先拿一個盤子給他，再讓他交還給你，之後你就輕撫他的頭。

你可以把這變成一個遊戲：左手拿盤子，交換到右手，繞過背後轉一圈，把盤子交給他，接著你後退幾步，這樣他就必須走幾步才能交還給你。訓練他成為端盤子大師，別讓他一直笨手笨腳。

觀察與鼓勵，足以形塑出任何行為

你可以用這樣的方法教任何人：第一步，先弄清楚你想要什麼，然後像老鷹一樣觀察身邊的人。最後，每當你看到任何事情稍微更接近你想要的結果，就撲過去（跟老鷹一樣精準，要記得）送出獎勵。你女兒進入青春期之後就非常沈默，你希望她能多開口講話，你的目標就是「比較願意聊心事的女兒」。

有一天早上吃過早餐，她講了一則學校的趣事，這就是你給予關注的絕佳時機，這就是獎賞，停止發簡訊並仔細聆聽，除非你不希望她日後再告訴你任何事。

父母的介入若是能讓孩子高興，顯然就能夠且應該用來形塑孩子的行為。這個道理也適用於丈夫、妻子、同事和父母親。但史金納是現實主義者，他注意到使用獎賞有其難度，觀察者必須耐心關注，直到觀察目標自發地表現出期望的行為，然後才增強。

這需要大量的時間和等待，這就構成了問題。另外，史金納也必須先讓動物挨餓到只剩正常體重的四分之三，動物才會對食物獎賞有足夠的興趣，才會真的關注。但這些並不是純粹正面取向的唯一缺點。

成長過程總有傷害

負面情緒就像正面情緒，也會幫助我們學習。我們需要學習，因為我們很愚蠢，很容易受傷，然後可能會送命，這可不是好事，也令我們痛苦（否則我們就會尋死，然後就沒命了）。就算死亡只是可能發生，我們也不會感到舒服。我們向來如此。可見負面情緒帶來的不愉快可以保護我們。

我們感到受傷、害怕、羞愧、厭惡，所以我們會避開傷害。而且我們很容易受到這些感受的影響。實際上，我們因失落而產生的負面情緒，會大於同樣程度的收穫所帶來的正向感受。痛苦比快樂更深刻，焦慮比希望更強烈。

情緒（正面和負面）有兩種截然不同的變形。

滿意（嚴格來說是飽足）讓我們知道自己做得很好，希望（嚴格來說是誘因式酬賞）表示令人愉快的事即將來到。

痛苦傷害我們，所以我們不會重複做出造成個人損傷或社會孤立的舉動（寂寞嚴格來說也是某種形式的痛苦）。

焦慮使我們遠離帶來傷害的人和不好的地方，讓我們不必感到痛苦。這些情緒都必須相互平衡，並在適當脈絡下審慎判斷，但也都是我們生存與蓬勃發展所必需。因此，如果沒有用盡一切可用的東西幫助孩子學習，就是在傷害他們。可用的東西也包含負面情緒，只是應該以最仁慈的方式運用。

史金納知道威脅和懲罰可以遏阻令人厭惡的行為，正如獎勵會強化理想的行為。現代人一想到會阻礙兒童走上自然發展的假想原始路徑，就嚇呆了，連要討論純粹正面取向的管教技巧也有困難。但假使兒童的行為不必經過塑造，在長大成熟之前就不會有如此漫長的自然發展時期，只會一蹦出子宮就打算買賣股票。兒童也無法完全避免害怕和痛苦。

他們又小又脆弱，對世界沒什麼認識，即使是學走路這麼自然的事，也會一再受到世界的重擊，更別提跟手足、同儕及不配合又固執的大人相處時，難免會經歷受挫、被拒絕。

因此，最基本的道德問題並不是如何保護孩子完全免於不幸和失敗，讓孩子永遠不會經歷任何害怕或痛苦，而是如何極大化學習，讓孩子以最低的成本獲得有用的知識。

本文摘自《生存的12條法則：當代最具影響力的公共知識分子，對混亂生活開出的解方》，2019 年 5 月，大家出版

根據阿德萊德大學（the University of Adelaide）進行的一項心理學研究發現，當一個人對另一個人做了不對的事，如果給予加害者某種形式的懲罰，通常有助於受害者原諒加害者。

Peter Strelan博士在阿德萊德大學心理學院一直在研究寬恕，力圖更好地理解人們如何解決個人衝突。

Strelan博士和他的同事發現，在各種不同的情況下 – 從粗心大意的朋友、犯法的行為（criminal offender）、到陷入困境的私人關係 – 當加害者已經受到某種方式的懲罰時，受害者會更願意原諒。

要讓原諒真的發生，必須讓受害者對加害者的負面反應用正面的反應取代。過程中對於加害者對受害者所做的壞事，要能夠得到正確的處理與建設性的回應（不是報復），讓雙方以一個適合的方式解決整個事件。

Strelan博士說，許多人發現要原諒那些做錯了的人很難。那是因為當你被傷害的時候會感到無助，而寬恕別人這種想法也會使得受害人感到無助。如果受害者知道加害者接受了某種形式的懲罰，受害者會覺得比較有力，不再感到無助，因而更能夠原諒。

Strelan博士認為，雖然正義與寬恕往往被認為是對立的，但研究發現，能夠懲罰加害者的受害者往往更能夠原諒並開始過自己的生活。

處罰可以採取許多不同的形式，包括讓加害者被「沉默對待」（silent treatment），這本身就是一種非常強大的心理懲罰；或者在觸犯法律的情況下，法庭將加害者判處一個合理的刑罰，使正義得以伸張；這些都可能足以讓一些受害者能夠原諒。

正義得以伸張，或是讓加害者得到報應，是很重要的一件事。但在人際關係上，懲罰不應該是極端或報復性的，否則不僅無助於修復關係，還有可能使事情變得更糟。

筆者按：在台灣的文化中，往往看到受害者家屬與/或受害者要求加害者道歉，尤其是當受害者已經死亡時，加害者的道歉似乎成了關鍵。這個道歉的過程，通常牽涉到加害者或加害者的家屬到受害者的家中致意，是否也是一種懲罰的過程？在靈堂（公開場合）上香、下跪磕頭，是否也是一種公開認罪/接受懲罰的行為？筆者不是心理學家，也不是社會學家，但是類似的行為也可以在新幾內亞的部落中看到（請參考Jared Diamond的「昨日世界」）。或許這就是為何之前洪仲丘事件時，軍方的人前往上香時被發現在「偷笑」，以及最近北捷事件受害者告別式時，加害人（的家屬）都沒有出現顯得如此的令人憤慨。除此之外，在私人關係中的衝突，由於常常不會涉及到法律，使得所謂的「適當的懲罰」通常也不會被執行，於是當大衝突發生後，造成被害的一方往往很難原諒加害的一方了。

參考資料：Punishment plays important role in forgiveness. ScienceDaily [June 18, 2014]

轉載自Miscellaneous999