為什麼女人愛穿高跟鞋？

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

理解期望值，有助於分析賭場裡的大部分賭局，以及美國中西部和英國的嘉年華會中，常有人玩、但一般人比較不熟悉的賭法：骰子擲好運（chuck-a-luck）。

招攬人來玩「骰子擲好運」的說詞極具說服力：你從 1 到 6 挑一個號碼，莊家一次擲三顆骰子，如果三個骰子都擲出你挑的號碼，莊家付你 3 美元。要是三個骰子裡出現兩個你挑的號碼，莊家付你 2 美元。

假如三個骰子裡只出現一個你挑的號碼，莊家付你 1 美元。如果你挑的號碼一個也沒有出現，那你要付莊家 1 美元。賽局用三個不同的骰子，你有三次機會贏，而且，有時候你還不只贏 1 美元，最多也不過輸 1 美元。

我們可以套用名主持人瓊安．李維絲（Joan Rivers）的名言（按：她的名言是：「我們能聊一聊嗎？」），問一句：「我們能算一算嗎？」（如果你寧願不算，可以跳過這一節。）不管你選哪個號碼，贏的機率顯然都一樣。不過，為了讓計算更明確易懂，假設你永遠都選 4。骰子是獨立的，三個骰子都出現 4 點的機率是 1/6×1/6×1/6＝1/216，你約有 1/216 的機率會贏得 3 美元。

僅有兩個骰子出現 4 點的機率，會難算一點。但你可以使用第 1 章提到的二項機率分布，我會在這裡再導一遍。三個骰子中出現兩個 4，有三種彼此互斥的情況：X44、4X4 或 44X，其中 X 代表任何非 4 的點數。而第一種的機率是 5/6×1/6×1/6＝5/216，第二種和第三種的結果也是這樣。三者相加，可得出三個骰子裡出現兩個 4 點的機率為 15/216，你有這樣的機率會贏得 2 美元。

同樣的，要算出三個骰子裡只出現一個 4 點的機率，也是要將事件分解成三種互斥的情況。得出 4XX 的機率為 1/6×5/6×5/6＝25/216，得到 X4X 和 XX4 的機率亦同，三者相加，得出 75/216。這是三個骰子裡僅出現一個 4 點的機率，因此也是你贏得 1 美元的機率。

要計算擲三個骰子都沒有出現 4 點的機率，我們只要算出剩下的機率是多少即可。算法是用 1（或是100％）減去（1/216 +15/216 + 75/216），得出的答案是 125/216。所以，平均而言，你每玩 216 次骰子擲好運，就有 125 次要輸 1 美元。

這樣一來，就可以算出你贏的期望值（$3×1/216）+（$2×15/216）+（$1×75/216）+（–$1×125/216）＝$（–17/216）＝–$0.08。平均來說，你每玩一次這個看起來很有吸引力的賭局，大概就要輸掉 8 美分。

尋找愛情，有公式？

面對愛情，有人從感性出發，有人以理性去愛。兩種單獨運作時顯然效果都不太好，但加起來⋯⋯也不是很妙。不過，如果善用兩者，成功的機率可能還是大一些。回想舊愛，憑感性去愛的人很可能悲嘆錯失的良緣，並認為自己以後再也不會這麼愛一個人了。而用比較冷靜的態度去愛的人，很可能會對以下的機率結果感興趣。

在我們的模型中，假設女主角——就叫她香桃吧（按：在希臘神話中，香桃木﹝Myrtle﹞是愛神阿芙蘿黛蒂﹝Aphrodite﹞的代表植物，象徵愛與美）有理由相信，在她的「約會生涯」中，會遇到 N 個可能成為配偶的人。對某些女性來說，N 可能等於 2；對另一些人來說，N 也許是 200。香桃思考的問題是：到了什麼時候我就應該接受X先生，不管在他之後可能有某些追求者比他「更好」？我們也假設她是一次遇見一個人，有能力判斷她遇到的人是否適合她，以及，一旦她拒絕了某個人之後，此人就永遠出局。

為了便於說明，假設香桃到目前為止已經見過 6 位男士，她對這些人的排序如下：3—5—1—6—2—4。這是指，在她約過會的這 6 人中，她對見到的第一人的喜歡程度排第 3 名，對第二人的喜歡程度排第 5 名，最喜歡第三個人，以此類推。如果她見了第七個人，她對此人的喜歡程度超過其他人，但第三人仍穩居寶座，那她的更新排序就會變成 4—6—1—7—3—5—2。每見過一個人，她就更新追求者的相對排序。她在想，到底要用什麼樣的規則擇偶，才能讓她最有機會從預估的 N 位追求者中，選出最好的。

要得出最好的策略，要善用條件機率（我們會在下一章介紹條件機率）和一點微積分，但策略本身講起來很簡單。如果有某個人比過去的對象都好，且讓我們把此人稱為真命天子。如果香桃打算和 N 個人碰面，她大概需要拒絕前面的 37％，之後真命天子出現時（如果有的話），就接受。

舉例來說，假設香桃不是太有魅力，她很可能只會遇見 4 個合格的追求者。我們進一步假設，這 4 個人與她相見的順序，是 24 種可能性中的任何一種（24＝4×3×2×1）。

由於 N＝4，37％ 策略在這個例子中不夠清楚（無法對應到整數），而 37％ 介於 25％ 與 50％ 之間，因此有兩套對應的最佳策略如下：

（A）拒絕第一個對象（4×25％＝1），接受後來最佳的對象。

（B）拒絕前兩名追求者（4×50％＝2），接受後來最好的求愛者。

如果採取A策略，香桃會在 24 種可能性中的 11 種，選到最好的追求者。採取 B 策略的話，會在 24 種可能性中的 10 種裡擇偶成功。

以下列出所有序列，如同前述，1 代表香桃最偏好的追求者，2 代表她的次佳選擇，以此類推。因此，3—2—1—4 代表她先遇見第三選擇，再來遇見第二選擇，第三次遇到最佳選擇，最後則遇到下下之選。序列後面標示的 A 或 B，代表在這些情況下，採取 A 策略或 B 策略能讓她選到真命天子。

1234；1243；1324；1342；1423；1432；2134（A）；2143（A）；2314（A, B）；2341（A, B）；2413（A, B）；2431（A, B）；3124（A）；3142（A）；3214（B）；3241（B）；3412（A, B）；3421；4123（A）；4132（A）；4213（B）；4231（B）；4312（B）；4321

如果香桃很有魅力，預期可以遇見 25 位追求者，那她的策略是要拒絕前 9 位追求者（25 的 37％ 約為 9），接受之後出現的最好對象。我們也可以用類似的表來驗證，但是這個表會變得很龐雜，因此，最好的策略就是接受通用證明。（不用多說，如果要找伴的人是男士而非女士，同樣的分析也成立。）如果 N 的數值很大，那麼，香桃遵循這套 37％ 法則擇偶的成功率也約略是 37％。接下來的部分就比較難了：要如何和真命天子相伴相守。話說回來，這個 37% 法則數學模型也衍生出許多版本，其中加上了更合理的戀愛限制條件。

——本書摘自《數盲、詐騙與偽科學》，2023 年 11 月，大牌出版，未經同意請勿轉載。

催產素：讓你產生「愛」的感覺

2003 年，瑞典醫師克絲汀．烏納斯．莫柏格（Kerstin Uvnäs Moberg）出版了《催產素因子》（The Oxytocin Factor，暫譯），她在書中指出，催產素對人體的影響，正好和戰或逃（fight-or-flight）反應相反。

催產素不會讓我們感到厭倦和對陌生人警戒，而是會讓我們感到安全和信任。

莫柏格的理論是基於一些針對動物進行的研究，例如老鼠和田鼠（看起來很像可愛的倉鼠）。她發現如果在田鼠靠近目標配偶的時候對田鼠注射催產素，就可以操控田鼠選擇特定的配偶。

以人類來說，大多數的證據都可以佐證催產素會大幅影響人如何與彼此（甚至和動物）產生連結。例如，當我們撫摸狗的時候，科學家可以觀察到催產素濃度明顯上升，尤其是面對動物寶寶的時候，例如可愛的小狗爬到你腿上窩著。

想當然，新手媽媽抱著寶寶時，也同樣會出現催產素濃度上升的現象。從化學的角度來看，媽媽的愛多到一湧而出，以致於她體內的催產素飄升到驚人的程度，愛情分子可不是浪得虛名。

有感情後，催產素濃度會快速上升

研究人員也注意到，當成人對彼此有感情，催產素濃度會快速上升。以女性來說，催產素分子濃度會在前戲的時候開始升高。

有證據顯示，通常如果性行為過程比較長，人會覺得與伴侶比較有連結，即使真正的交合還沒開始。從化學的角度看來，這是因為有更多催產素分子從人體內湧出。

女性在高潮之後，會馬上迎來第二次的催產素高峰。從生理的角度分析，這是為了讓我們可以與伴侶形成穩固的連結，以應對懷孕的狀況。女性的身體是出於直覺而且無意識地有這樣的行為，目的是協助鞏固兩人之間的連結。

相對地，男性不會迎來第二次催產素高峰，而是在各式各樣的性興奮過程中，都會大致呈現催產素升高的狀態，最後在高潮過後回復穩定。

研究人員認為男性沒有第二次催產素高峰，是因為從生理的角度而言，男性沒有與伴侶形成穩固連結的理由，畢竟他們不會懷孕。

愛情激素實驗：催產素對人體的影響

我最喜歡的愛情激素實驗之一，是以一大群處於一對一關係中的異性戀男性為實驗對象。研究人員會用醫療鼻腔噴霧把催產素噴入這些男性的鼻子，然後再向他們介紹一位極有魅力的陌生女性。

研究人員會先請實驗中的男性等待幾分鐘，這是為了讓催產素可以確實與催產素受器形成鍵。（別忘了催產素是大型肽分子，所以需要一點時間才能抵達目標位置，並且與受器結合。）當研究人員確信鍵已經形成，就可以開始實驗了。

首先他們一次介紹一位男性給那位美麗的女性認識，接著觀察雙方所站的位置有多靠近。

針對這些處於一對一關係的男性蒐集資料之後，研究人員又找來一群單身男性。他們再次執行催產素鼻腔噴霧的實驗，然後——讓這些單身男子接受觀測。

和先前一樣，研究人員測量了男性和陌生美人之間的物理距離，想知道是否有辦法確認催產素分子對人體的影響。

研究人員發現整體而言，比起單身男性，非單身男性與美麗女性之間的距離至少多出了十到十五公分。當然，實驗難免會有離群值，不過這項研究（尤其）顯示出，男性體內的催產素會使得伴侶之間的連結明顯更穩固。

所以，下次你老公要去單身派對之前，記得往他鼻子噴一點催產素，再給他一個大大的吻，然後其他的就交給化學吧。

——本文摘自《完美歐姆蛋的化學》，2022 年 12 月，日出出版出版，未經同意請勿轉載。

文/ Jesse Bering
譯/Ivyp

對於高跟鞋的作用，最流行​​的觀點就是「高跟鞋是男權社會用來限制女性行動的產物」，不過這個觀點可能並不完全正確。首先，高跟鞋最早並不是專門為女性設計的，而是男性騎馬時用的鞋。另外，長久以來，人們都認為男性擇偶時偏好腳小的女性，而這一觀點最近遭到了質疑——來自加州大學洛杉磯分校的人類學家丹尼爾·費斯勒（Daniel Fessler）說：「從演化角度來說，男性應該會偏向選擇腳大的女性，因為她們站得穩，在孕期不容易跌跤，因此能夠提高後代的安全性。」事實上，在未受西方文化影響的男權社會中，男性的確是更青睞腳大的女性。

經常穿高跟鞋會讓原本正常的腳產生錘狀趾、拇囊炎、長滿繭子和雞眼；還會導致腳踝骨折，引起慢性下背部疼痛甚至是膝關節炎。既然高跟鞋可以讓腳看上去顯小，並且男性不會被腳小而不穩定的女性吸引，那麼高跟鞋究竟有什麼好，能讓女性冒著健康危險去穿呢？

來自英國朴茨茅斯大學的心理學家保羅·莫里斯（Paul Morris）和同事們發現，女性穿高跟鞋時的走路姿態能夠讓她們更有「女人味」，屬於一種超常刺激（supernormal stimulus） （譯註：比正常的自然刺激更能有效地釋放動物某一特定行為的刺激）。

為了了解穿高跟鞋讓女性更有魅力的原因，莫里斯的團隊設計了一個稱作「光點顯示（point-light display）」的實驗方法。他們選取了12名不同年齡和體型的女性作為實驗對象，在她們身上可以用來分辨步行姿態的重要部位貼上夜光點，這些部位包括外踝、股骨大轉子、髂前上棘等。這些女性都是穿高跟鞋的老手，她們在黑暗中根據指示在跑步機上以正常步伐走動，第一次穿平底鞋，第二次則穿6厘米高的高跟鞋。用攝像機在她們的正面進行錄像，隨後，這些錄像被隨機地呈現給30位（15名男性和15名女性）二十幾歲的觀察者，他們會對這些女性走路姿勢的性感程度打分。

在對數據進行分析的過程中，莫里斯和同事們發現，錄像裡穿高跟鞋的女性比穿平底鞋的獲得的評分要高得多。而在研究中，研究者們僅僅是告訴了觀察者用這些光點來判斷女性走路時的性感程度，而並沒有明確指出其中是否有人穿了高跟鞋。所以這些觀察者全然不知他們到底看的是什麼，也不知道實際上只有12個實驗對象，每人進行兩種情況的錄像，而並非不同的24個人。在這種情況下，每個實驗對象在穿高跟鞋的情況下都比穿平底鞋獲得了更高的評分。

而即使是在有可能影響評分的因素存在的情況下，「高跟鞋性感女郎效應」還是獲得了成功。比如，雖然身體質量數（BMI）較高的女性得分整體上低於BMI較低的女性，但體格魁梧的女性穿高跟鞋時也獲得了比自身穿平底鞋時更高的得分。

然而，這些發現並沒有回答我們最初的問題。現在我們知道女性穿高跟鞋時的吸引力與她們的走路姿態相關，不過到底是什麼讓這種步態格外妖嬈呢？莫里斯和同事認為，這還是與性吸引有關。早在上世紀80年代，就有研究發現，市場上超過一半的色情雜誌封面女郎都近乎裸體穿著高跟鞋。到現在，女性吸引力與高跟鞋之間的聯繫還伴隨著我們。在世界的許多角落，女性的鞋櫃裡一定會有一雙高跟鞋，穿高跟鞋會讓女性覺得自己更迷人。同樣，許多父母不讓女兒在成熟之前穿高跟鞋也是同樣的原因。

為了進一步研究性感高跟鞋背後的生理原因，研究者們對實驗對象穿高跟鞋和平底鞋走路時的各個特徵進行了測量，包括邁步的時長、頻率、步長、膝蓋曲度、髖部曲度等。另外，他們隨機找了120位觀察者（82名女性和38名男性）觀看第一項實驗中的24個錄像中的一個，觀察者們需要判斷錄像中的實驗對象是男性還是女性，而他們並不知道錄像中出現的全都是女性。

這是一個簡單但巧妙的實驗設計，研究者們預測觀察者們會更傾向於錯誤地將穿平底鞋的實驗者鑑定為男性，實驗證實了他們的猜想。研究者們寫道：「當女性穿高跟鞋時，步伐會更小更快，走路時膝蓋和髖部的彎曲程度都較小，而胯骨的旋轉和傾斜程度增大。」也就是說，女性穿高跟鞋時走路更女性化，因此可以讓她們看上去更有女性氣質。就像大胸的女性一樣，穿高跟鞋也會讓人錯誤地認為她的生育能力更強。

研究者們認為，穿高跟鞋對於女性來說有某種有效的回報，能讓她們不顧一切健康隱患去穿高跟鞋。雖然時尚潮流都是一時興起，但高跟鞋幾個世紀以來能在各種不同文化中持續流行，正因為它能與人類擇偶過程相協調。比如，墊肩不再流行的原因就是這種風格與幾千年來演化出的人類本能不符，因為人們會覺得肩膀寬厚的女性太男性化，所以對一般異性戀男性來說，這一點都不吸引人。這項研究也為演化與文化之間的複雜聯繫提供了更多可參考內容。（編輯：球藻怪）

參考文獻：

1. Morris, Paul H., et al. “High heels as supernormal stimuli: How wearing high heels affects judgements of female attractiveness.” Evolution and Human Behavior 34.3 (2013): 176-181.

圖片來源：keepcalm-o-matic.co.uk