各國審美觀的差異

• 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。

• 文／何崇瑋

為何美感會因人而異？

由內政部舉辦的「身分證明文件再設計」大起爭議，網路票選獲得將近十萬高票的作品沒有獲得評審的青睞，而評審選出的作品卻只獲得寥寥可數的 46 票，這讓許多人對「審美觀」產生質疑：「究竟是評審曲高和寡？還是大眾的美感有待討論？」

不過，在這快節奏的時代，大量資訊的出現分散了人們的注意力，這可能造成人們的對作品美醜喜好的票選只憑一眼就決定，就如作家盛浩偉所言：「網友比較可能先是單點式的（甚至少數有心人才會認真瀏覽全部作品），但評審卻先是全面式地接收」。難道大眾的審美就真的比較膚淺且不如評審嗎？

心理學上如何看人們的「審美」？

什麼樣的事物會讓人覺得美，心理學上有個著名的「審美流暢理論（Aesthetic fluency）」（Reber, Schwarz & Winkielman, 2004）。這理論非常「簡單直白」： 當觀賞者欣賞一事物時，如果大腦愈能順暢地解讀，觀賞者愈會覺得美。

因此，「美」是來自於大腦的認知處理歷程，當認知處理愈順暢時，觀賞者會感到愉悅進而感受到「美」。後人也研究發現，當圖形愈複雜、結構愈不對稱，大腦處理會愈不順暢，人會因而覺得圖形愈不美，反之亦然（Jacobsen, Schubotz, Höfel & Cramon, 2006）。在真實生活中也可以發現人們對對稱結構的著迷，就是因為大腦處理起來輕鬆順暢，如此才美。

此理論的精隨在於融合了對美的「客觀」與「主觀」：物品本身的特性會影響處理歷程順暢與否，例如對稱性；人過去的知識經驗也會影響事物解讀的處理歷程，因此才會有著「情人眼裡出西施」，不同人有著不同的美感。

當然，人的美感並非如「流暢理論」這麼簡單！

之後，有許多學者發現「審美流暢理論」並不能完美解釋人的審美。例如，按照「審美流暢理論」，人看到新事物時並不會感受到美，因為缺乏過去經驗，大腦無法順暢處理。但研究發現並非如此，人在欣賞新物品時也會感到美，且愈典型常見的事物也並不一定會覺得美（Blijlevens, Carbon, Mugge & Schoormans, 2012）。生活中也可以發現人們對新物品感受到美的例子，2007 年 Steve Jobs 展示第一代 iPhone 時，iPhone 的設計在當時並非手機的典型，人們卻望著 iphone 讚嘆它的美。相反的，人會看膩常見的事物，你會看著一塊常見的橡皮擦，然後欣賞著橡皮擦的美嗎？

因此後來有學者提出「審美流暢理論」的改版 ：「愉悅─興致的審美模型（Pleasure-Interest Model of Aesthetic Liking, PIA Model）」 （ Graf, & Landwehr, 2015），此理論認為人在觀賞物品前會有所預期（我要來投新身分證的票囉），而在觀賞時勢必會遇到與預期不符的情形（喔！這個身分證設計跟我想像的不一樣），也就是大腦在處理看到的訊息時有了不流暢感（disfluency），此不流暢感會「序列性地」經過兩階段的審美處理：

第一階段：主要是受到物體本身的整體特性所影響，人們看到物體的第一眼時，大腦就會「快速自動地」處理產生不流暢的訊息，大腦並沒有多餘的意識介入。此時的自動處理可能產生愉悅感（哇有我喜歡的粉紅色）或厭惡感（畫面怎麼會有噁心的蟲），這都是受到作品本身特性所影響。

第二階段：當人們想要更進一步想賞物品時，就會進入第二階段。此階段主要受到觀賞者的動機以及背景知識所影響，需要有意識地動用大腦的認知資源。如果人們能動腦順利解開謎題時，會因而產生興致；如果人們就算動腦也搞不懂所看到的東西是何物時，就會因此產生困惑。

我們來做個小實驗，請你一起來觀賞下面這張圖。

是不是讓你產生了興致呢？乍看之下是個白雪公主（第一階段審美），但白雪公主好像有哪裡不一樣（不流暢感），仔細一看就發現原來還有福爾摩斯（第二階段的審美產生興致）。

值得注意的是，如果從頭到尾與預期相符，大腦完全流暢地處理看到的訊息，人就會因此感到無聊。因此，審美並非能讓大腦處理愈流暢愈好，而是要有適當的難度，讓大腦有適當的不流暢感。例如，畫面的「複雜度」會影響著人們的審美，不會太單調又不會太複雜的畫面最會讓人感到賞心悅目（Güçlütürk., Jacobs & Lier, 2016）。

如何用「審美理論模型」解釋票選行為？

前面提到大眾可能膚淺地只憑一眼就進行票選，確實有不少研究證實人會有快速審美的現象。例如，研究者呈現一網頁畫面給受試者看，但只短短呈現 50 毫秒。在這短短 50 毫秒之內，根本還沒仔細看清且還尚未親手操作，就已對網頁外觀產生美醜的印象，就算研究者把畫面呈現時間延長到十倍，其印象評分也與只呈現 50 毫秒一樣（Lindgaard, Fernandes, Dudek & Brown, 2006）。而這種快速審美也會影響後續決策，當人們覺得網站的外觀吸引力愈高，也會覺得網站愈容易使用，對其的信任程度也愈高（Lindgaard, Dudek, Sen, Sumegi, & Noonan, 2011）。此現象不僅止於觀看使用者介面，人對第一次見到的陌生人也是如此（Willis & Todorov, 2006）。

因此，如果網友是快速瀏覽就決定要投票給哪件作品，並沒有花更多的心思欣賞每件作品時，可能就只是讓自己快速審美這些作品。不過如果按照剛介紹的「愉悅─興致的審美模型」，就可發現這種快速審美是因為審美只停留在第一階段，並沒有過多的意識介入。在第一階段，人的確會看一眼就自動地對物品本身的特性評論美醜，但如果是願意花心思去欣賞（例如我想真實了解這件作品），讓自己進入第二階段的審美，說不定就會發現作品在第一階段審美時所沒發現的「美」。

總而言之，的確有可能有些網友的投票是受限於時間緊迫或其他因素，只憑第一印象去投票。但這不是大眾的美學素養膚淺，只是沒有花心思靜下心來好好欣賞而已。

說完了心理學對審美的看法，可以怎麼解讀「新身分證」評審與大眾美感上的不同呢？

剛剛提到的審美模型，有一點很重要：人的背景知識會影響審美。

因此，評審與大眾選出來的作品不一樣就不是一件奇怪的事了。研究也的確發現，「受過美術訓練的專家」與「沒受過美術訓練的一般人」會因為背景知識的不同而有不同的審美觀：一般人覺得抽象畫比較不美，但覺得繪有具體事物的具象藝術比較美；反觀專家不僅覺得具象畫美，抽象畫也會覺得美。研究甚至還發現，「觀賞作品時的生理反應」與「觀賞者對作品『美』的評分」無關，反而是「背景知識」與「『美』的評分」呈現正相關（Van Paasschen, Bacci & Melcher, 2015）。

這時我們來看獲得評審青睞的「新身分證」，請各位想像自己是評審，進入審美第二階段來好好欣賞。此時可以發現，設計獎的新身分證背景有許多「抽象線條」，完全與上述提到的研究一致：專家覺得抽象畫美而生手覺得抽象畫不美。這時你是不是能理解評審為什麼會喜歡這件作品，而大眾比較無感了嗎？

再來我們來看網友票選第一的「新身分證」，可以發現背景有非常具象的圖案──山脈。這時你是不是可以理解為何此件作品相較於設計獎的作品，比較會受到大眾的青睞了呢？

綜合上述，從心理學的角度可以發現，人的審美是有不同階段，而且會受到背景知識所影響的。因此評審或是大眾審美觀有所不同都是正常的，並沒有誰好誰壞的問題，不會有人故意選一件自己覺得不美的作品。這時，您是不是對這次的事件有了不同角度的理解了呢？

參考資料：

• Blijlevens, J., Carbon, C. C., Mugge, R., & Schoormans, J. P. (2012). Aesthetic appraisal of product designs: Independent effects of typicality and arousal. British Journal of Psychology, 103(1), 44-57.
• Graf, L. K., & Landwehr, J. R. (2015). A dual-process perspective on fluency-based aesthetics: the pleasure-interest model of aesthetic liking. Personality and Social Psychology Review, 19(4), 395-410.
• Güçlütürk, Y., Jacobs, R. H., & Lier, R. V. (2016). Liking versus complexity: decomposing the inverted U-curve. Frontiers in human neuroscience, 10, 112.
• Jacobsen, T., Schubotz, R. I., Höfel, L., & Cramon, D. Y. V. (2006). Brain correlates of aesthetic judgment of beauty. Neuroimage, 29(1), 276-285.
• Lindgaard, G., Dudek, C., Sen, D., Sumegi, L., & Noonan, P. (2011). An exploration of relations between visual appeal, trustworthiness and perceived usability of homepages. ACM Transactions on Computer-Human Interaction (TOCHI), 18(1), 1.
• Lindgaard, G., Fernandes, G., Dudek, C., & Brown, J. (2006). Attention web designers: You have 50 milliseconds to make a good first impression!. Behaviour & information technology, 25(2), 115-126.
• Reber, R., Schwarz, N., & Winkielman, P. (2004). Processing fluency and aesthetic pleasure: Is beauty in the perceiver’s processing experience?. Personality and social psychology review, 8(4), 364-382.
• Van Paasschen, J., Bacci, F., & Melcher, D. P. (2015). The influence of art expertise and training on emotion and preference ratings for representational and abstract artworks. PloS one, 10(8), e0134241.
• Willis, J., & Todorov, A. (2006). First impressions: Making up your mind after a 100-ms exposure to a face. Psychological science, 17(7), 592-598.

文/劉以安

編/洪群甯

對自己的外表不滿意，夢想著能變更帥或是耀眼動人嗎?相信大家或多或少都曾經懷抱這樣的想法。但是，長的平凡真的就錯了嗎？研究指出，人們會傾向於信任那些長相平凡，而非擁有被大眾判斷為「有吸引力」臉龐的對象。

較早期的研究曾表示：經過軟體疊加而成的平均臉孔，比單一張特殊臉孔更有吸引力（可以參考〈整形要像林志玲還是安潔莉娜裘莉？〉一文）；但是心理學家蘇菲兒（Carmel Sofer）教授和他的研究團隊卻發現事情可能沒有這麼簡單。他們認為，一個人的臉孔除了反映出有多少吸引力外，還包含了這個人有多值得被信賴。

為了驗證這個假設，研究團隊進行了一項新的實驗：研究人員將一組共92名長相普通之女性臉孔，用軟體合成出一張「大眾臉」；另外把12 名長相出色的女性臉孔合成出了一張「最具有吸引力」的臉。接著他們再將這兩張臉孔依據不同比例混合，創造出9張界於「平凡」和「具有吸引力」之間的臉孔。最後為了避免出現潛在性別差異，只邀請女性參與者觀看並評量這共11張臉，以九點量表來評量這些臉孔（1代表非常不吸引/不可信任；9代表非常吸引/可信任），每位參與者各要重複進行看與評量三次。

結果發現越「大眾典型（typical）」的臉孔越容易使人信任，但是卻不一定最具吸引力的。那為什麼還是有些研究顯示，由多臉平均而成的臉蛋具有吸引力呢？蘇菲兒教授認為，這是因為先前的研究忽略了「可信度」與「吸引力」這兩個變項的關聯，並且將他們混為一談。

除了上述實驗，在另外一組實驗也得出了相同的結果。研究人員發現，平凡臉孔和可信度的關聯不會因為在合成臉孔時使用了少數特殊面孔而改變；同時，使用不同軟體進行合成的動作也不會改變研究結果。

蘇菲兒教授表示：會有這樣的研究結果可能是因為平凡的臉孔讓人感到熟悉；使我們覺得自己與該人屬於同一個文化。因此，新的問題產生了！當我們出國旅行面對不同種族的居民時，這個研究成果還會成立嘛？此外，臉部情緒是否會影響他人對你的信任程度呢？教授笑著說：這就是接下來的實驗了，大家敬請期待。

總之，別再抱怨自己有一張在人群裡無法被認出的大眾臉了，因為它可是能帶來他人對你的信任喔！

參考資料：

1. People trust typical-looking faces most  [Science Daily , December.16,2014]
2. Sofer, C., Dotsch, R., Wigboldus, D. H., & Todorov, A. (2014). What Is Typical Is Good The Influence of Face Typicality on Perceived Trustworthiness.Psychological science, 0956797614554955.