各國審美觀的差異

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

• 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？

• 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.