群眾人數，怎麼估比較專業？

• 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。

嘿，他們正在操控你的選票！

選舉不只是投票，更是一場宣傳技術大展。策略專家運用心理學，了解選民的需求和期望。造勢、辯論、掃街、情勒，萬式齊發。但這些招數真的有效嗎？一場造勢的成本，動輒百萬、千萬，如果只有死忠的會參加，不是把錢灑進水溝嗎？某些經典甚至老套的選舉策略，為何顛撲不破？請務必看到最後，因為看破所有招數背後原理的你，將左右這一場選舉！

造勢概念是怎麼來的？真的有效嗎？

造勢真的有助於選情嗎？

當然有，第一，造勢能鞏固鐵粉，拉進新支持者。造勢活動為粉絲們提供了一個聚集的場所，甚至，有些搖擺不定的選民可能也受到造勢現場的激情感染而入陣。

第二，造勢能影響媒體報導。當候選人舉辦造勢活動時，媒體通常會進行報導，甚至透過塑造「媒體框架」來帶風向，在增加曝光度的同時，塑造候選人的特定形象。關於框架塑造的詳細攻略，歡迎回去我們的這一集複習。

不過，看在旁人眼中，造勢看起來不過是把大家集合在一起，講講話罷了。但代誌絕對不是你所想的那麼簡單，這一切其實都是競選團隊安排好的心理圈套？

難道造勢是一個大型洗腦現場嗎？

當你在造勢場合中望著台上的候選人，他的一言一行彷彿散發出領導人魅力。看著看著，你可能也忘了他的政見是什麼，但不知道為什麼，就覺得他一定是一位好的領導者，能帶領我們走向未來。這稱作月暈效應，指的是人們看見他人的一個正面特質，卻延伸成對整個人全面的好印象，當然相反的負面印象也適用。這就像天空中只有月亮，但月亮周圍的夜空也被照亮，產生一圈光環，因此稱為月暈效應。

每個候選人肯定都有其優點與缺點，至少有些本事才能站上政治舞台。但無法否認的，造勢場合上不論是越大越好的舞台與造勢場所，還是將主角放在壓軸登場的特殊橋段，甚至搭配高亢激昂的音樂，營造出該總統候選人是天選之人的印象，都是要利用月暈效應讓我們越來越暈，提升對眼前候選人的好印象。

要不以偏蓋全有多難？

1977 年，社會心理學家理查德．尼斯貝特做了一個實驗。它將 118 名學生分成兩組，觀看同一個帶有口音的老師的上課錄影。雖然兩組學生看到的是同一個老師，但他們看到的片段，一個是充滿熱情、鼓勵學生回答問題的樣子；另一個是對學生提問顯得冷漠的樣子。

在看完影片後，尼斯貝特請學生評價對這個老師的外表、舉止、口音三者的喜好程度，結果三項的評分結果，冷漠組都低於熱情組。沒想到吧，行為表現也會影響到別人對你的外表評價哦。

這就是月暈效應。最重要的是，當尼斯貝特問到，你認為你對老師的個人喜好，是否影響了你對他其他特質的客觀評估時，不論哪一組的受試者，外表、舉止、口音三個都是以勾選「無影響」居多（圖表中中間最高的都是＂NO EFFECT＂）。顯然，大多數人都很難察覺自己正被片面印象，影響著對人的整體評價。

選舉造勢除了展現候選人的個人魅力，還能利用群眾的力量，拉進更多的支持者。

1848 年美國總統選舉期間，總統候選人扎卡里．泰勒利用樂隊花車來吸引民眾參與他的選舉集會，人們會喊著＂Jump on the bandwagon＂，意思就是跳上遊行中樂隊馬車，吸引更多人一起加入同樂。這句英文後來也衍伸出跟風、趕流行的意思。

泰勒之後成功贏下選舉，成為美國第 12 任總統。雖然這與他在美墨戰爭的經歷有關，但這種透過群眾帶動更多人的「從眾效應」，在此之後也被稱為「樂隊花車效應」。造勢或大型活動不僅能展現自己的支持者的數量，還能吸引那些沒有明確政治立場的選民，讓他們跟隨多數人的意見。

我們真的那麼容易被影響嗎？

1956 年，心理學家所羅門．阿希（Solomon Asch）進行了一個經典的從眾實驗，實驗設計本身很簡單，就只是詢問受試者右邊卡片的三條直線哪條和左邊的直線長度一樣。很明顯地，直線 C 就是正確答案。有趣的是，如果有受試者是和研究者請來的 6 位暗樁一起做實驗，並聽到他們都回答直線 A 才是和左邊的直線長度一樣，結果竟然發現超過百分之 75 的受試者都曾出現跟著錯誤回答的情況，說明人們會被無形的社會壓力影響而做出決定。

今年的搞笑諾貝爾獎，也正是頒給另一個 1969 年的經典從眾實驗。實驗發現，只要路上有一人抬頭，就會有 40% 的人會跟著模仿。當眼前有 5 個人一起抬頭，高達 80% 的人都會一起抬頭。

好的，你知道透過造勢和從眾心理，可以製造更多的支持者了，接下來，要怎麼確保這些支持者會出門投票，把這些人的票都催出來呢？

把票催起來！

拜票會提升投票率嗎？

記得，一定要出門投票！就算你再怎麼支持特定候選人，要是支持者不出門投票，他就永遠選不上。雖然拜票形式五花八門，但最終目的都是希望民眾能真的走出門，把自己手中的一票投給他，也就是動員投票，Get-out-the-vote （GOTV）。但這真的有效嗎？美國政治科學家哈洛德·戈斯內爾作為先驅，在 1927 年就使用統計分析來研究拜票是否能有效增加投票率，還出版了《投票：刺激投票的實驗》這本書。在其中一項實驗，他將提醒小卡寄到民眾的信箱提醒民眾投票，並在選舉後統計了有收到與沒收到提醒小卡的投票率。最後發現，有收到小卡的投票率從 47% 提升到了 57%，顯示拜票還真的能催出更高的投票率。所以呢，我們也會不斷提醒大家訂閱泛科學，想必一定會有好效果的，你說對吧？

勤跑基層、努力掃街有助於選情嗎？

為什麼候選人總是要走進街頭，一個一個地跟人握手呢？大家可能都有這個經驗，在學校時，是不是更容易和坐在旁邊的同學們更容易變成朋友？這種拉近物理距離，也會拉近心理距離的現象稱作「鄰近原則」（Proximity principle），彼此靠近的人們更容易建立人際關係，經常見面的人的關係也往往會更牢固。另外，根據心理學的解釋級別理論，我們對於對象的心理距離，會隨時間距離、空間距離、社會距離和假定距離而改變。距離的遠近，會影響我們是用抽象還是具體的解釋方式，也就是所謂的解釋水平。由於我們物理距離上相當靠近候選人，更可能讓我們覺得政治離我們很近，需要投入實際行動如投票來參與。

掃街時握手握得越多，握得越有感情，得票率可能越高嗎？

這看似簡單的一個肢體接觸，卻能影響著我們的大腦，增強彼此的社會連結，增加有利的互動。透過功能性核磁共振照影（fMRI），發現握手增加的親近友善行為與杏仁核（Amygdala）、顳上溝（Superior temporal sulcus）以及依核 （Nucleus Accumbens）活性上升有關。 此外，也有研究顯示溫和接觸會讓俗稱愛情賀爾蒙的催產素（Oxytocin）分泌上升。 催產素是哺乳動物大腦分泌的一種激素，能增強信任感並與他人產生社會連結。也就是說，握手也是有訣竅的，不是一股腦兒握好握滿就好。這裡我們就不特別介紹，如果想要我們介紹握手攻略，留言告訴我們吧！

呼，講到這邊就懂了吧。雖然你不會馬上變成選舉大師，但至少知道，這些選舉策略為什麼總是萬年不變。原來拉票、催票手段背後都經過許多理論支持跟實證驗證。

當然，心理學理論畢竟是理論，不是問題的所有解答。而且呈現的多是群體現象或趨勢，個體間還是存在差異。做為具有選舉權的公民，要投給誰，能不能客觀看待政見而不受到這些戰術的影響，還是只能問問自己。

歡迎訂閱 Pansci Youtube 頻道 獲取更多深入淺出的科學知識！

參考資料

• https://www.nber.org/papers/w28043
• https://deepblue.lib.umich.edu/bitstr…
• https://ethz.ch/content/dam/ethz/spec…
• https://direct.mit.edu/jocn/article-a…
• https://www.nature.com/articles/natur…
• https://www.health.harvard.edu/mind-a…
• https://www.frontiersin.org/articles/…

本文轉載自中央研究院「研之有物」，為「中研院廣告」

• 採訪撰文｜何光塵
• 責任編輯｜田偲妤
• 美術設計｜蔡宛潔

勇敢與體制碰撞，卻在靈魂刻下傷痕

社運抗爭、維護人權的聲張，經常在民主社會發展歷程中刻下清晰的傷痕節點。每一場正面衝撞威權體制的社會運動，皆是由一張張充滿勇氣的臉孔譜成，但在運動結束後，有些抗爭者孤絕地忍受身心創痛。中央研究院「研之有物」專訪院內民族學研究所彭仁郁副研究員，同時也是「帶傷前行——社運抗爭者的創傷療癒可能」策展人，談談她如何深入帶傷者的心靈地景、探究療癒 / 遇的可能路徑。

走入中研院民族所博物館「帶傷前行——社運抗爭者的創傷療癒可能」特展現場，展場中迴盪著社運抗爭者「退回服貿」的吶喊聲，這段定時播放的錄音引導人們在聽覺感官上貼近事件現場情境，以察覺抗爭中「人的狀態」。

這些人是誰？他們到底經歷了什麼？

本次特展由中研院民族所彭仁郁副研究員策畫，展覽內容取材自 2014 年 3 月 18 日爆發的 318 公民運動，抗爭現場發生了臺灣解嚴以來最激烈的鎮壓事件。

最嚴重的鎮壓發生在佔領行政院行動的當晚，3 月 23 日晚上至 3 月 24 日凌晨（簡稱 323-324），鎮暴警察動用盾牌、警棍、水砲車攻擊手無寸鐵的靜坐群眾。多數抗爭者是出生在 80、90 年代的年輕人，在過往的生命經驗中從未遇過這樣的場景，一位抗爭者驚魂未定地說「雖然沒有死人，可是很震撼！」

這群經歷警察暴力鎮壓的抗爭者，她／他們生命各層面受到的衝擊，並未隨著社運退場、「出關播種、遍地開花」而結束，許多人在鎮壓行動中身心劇烈受創。心理的衝擊源自想像和現實之間的巨大落差，人們第一次感受到「警棍打在身上的劇痛」、「水砲車的劇烈衝擊會讓脊椎神經受損」。

有些人在之後數年持續進行身體的治療和復健，更多人長期面對原生家庭、人際關係、社會關係中，回憶、經歷與現實日常的矛盾。這些經驗並非單純以「創傷後壓力症候群 （PTSD）」類型化診斷就足以理解。

事實上，創傷的樣貌從來不是單一的。

因此，彭仁郁在展覽中呈現 7+n 位社運抗爭者的主體經驗，訴說有著幽微差異的創傷多重樣貌，反映出有別於主流精神醫學標準化、診斷化、病理化、去脈絡化的心理創傷觀點，並提出對照與批判。

另一方面，展覽更以社運抗爭者的受創主體經驗作為論述主軸和敘事起點，試圖探問從鉅觀視角出發、跨越時空地域的弔詭：在每一場人民對抗不義政權的行動中，掌權者皆以法之名施暴；反抗者卻為了捍衛更高層次的律法，置自身於險境。

反抗者不僅需面對來自國家的暴力，還需忍受周遭親友的不諒解、社會大眾的異樣眼光。在內外在分崩離析的孤絕裡，社運抗爭者又該如何找到療癒的可能？

聆聽帶傷者的記憶，與之同行

318 公民運動發生前後，一位紀錄片導演積極記錄社運歷程，實際接觸這群年齡介於 18 至 35 歲的年輕人。記錄過程中，導演敏銳地察覺，有人出現不斷哭泣、失眠、易受驚嚇等創傷反應，一幕幕社運現場的衝突場景會反覆入侵腦海。

於是這位導演找上研究心理創傷療癒的彭仁郁，希望為這群人提供協助與支持。與這群年輕人接觸、討論後，彭仁郁決定以團體帶領者、同行者、療癒者的角色，共同進行了數次團體對話，聆聽彼此的創傷主體經驗。由於團體成員都參與過佔領行政院行動，因此命名為「323-324 同儕團體」。

同儕團體成員分享的內容，啟發了彭仁郁進行「歷史創傷記憶的世代傳承、身分認同與社會實踐」研究計畫，試圖探索當代社運抗爭與政治創傷歷史記憶之間，是否存在某種象徵傳承。與不同背景 318 社運抗爭者的深度交流，成為這項研究的重要基礎。

研究成果涵攝了精神分析理論與社會心理真實的辯證，例如 318 公民運動成功佔領的立法院，意外成為哲學家 Michel Foucault 所說的「異托邦」，或是英國精神分析學家 Donald Winnicott 提出的：一個暫時寄託所有理想願景和創造力的「過渡空間」。

但過渡空間畢竟是過渡，雖然在社會運動現場，抗爭者得以按下日常生活的暫停鍵，辯論未被深入討論過的社會議題。運動結束後，卻往往帶著未竟的願景、夥伴關係的衝突和撕裂、自身存在意義的質疑、面對集體情境的問號，或者身體的傷，回到恍如隔世的日常。

放下專業身分，與受害者並行

323-324 同儕團體進行的出發點，正是透過精神分析聆聽方法，站在「同為人」的位置，創造受創主體發話（enunciation）的「療癒 / 遇」空間。

彭仁郁憶起在法國進行田野研究期間，申請參與法國民間成立的「國際亂倫受害者協會」（AIVI）與受害者並肩工作的經驗。申請加入時，該團體以非常嚴謹的書面、面談過程確保她「不是以專業工作者的身分，而是以成員的角色參與」。

這個親身歷程讓她深刻體會到，身為同行者的「療癒 / 遇」與身為專家進行「治療」的差別。

事實上，亂倫受害者的創傷樣貌相當多元，每一位受害者的主體經驗都有細微差異，如果只以精神疾病診斷標準來看待，細微的創傷主體經驗經常在逐項「症狀」打勾的過程中，受到遮蔽和忽略。許多嚴重而未被看見的創傷就這樣被診斷為憂鬱症、焦慮症、邊緣型人格等疾患。

尤其是社運抗爭者在運動結束後，面臨了主體經驗上的巨大斷裂。社會運動的現場震撼與日常生活彷彿是兩個世界。一位同儕團體成員表示：「我回到生活，遇到弱勢、遇到信仰、教會，我發現這個世界上有非常多人，他們其實是兩個世界，我沒有辦法平衡。所以我現在覺得我有處在逃避的狀態。」

正因如此，在 323-324 同儕團體中，即便身為有多年臨床和學術訓練的精神分析師，彭仁郁依然選擇以一個「人」的身分，放下專業角色，以自身經驗與因社運而受創的主體同在，並在其中探索受創者自身所處，卻未必能看見的心靈地景。

並不是非 A 即 B ——非二元的創傷經驗

彭仁郁提到，對於「帶傷的主體經驗」，我們的想像經常掉入二元對立。「帶傷的人可能同時有 A 和 B 兩面，有一面很溫暖，另一面很黑暗。」

另一種二元想像是，一方面覺得如果沒有傷就是沒事，所以如果我沒事就不需要幫助；有事的人才需要幫助，所以有事的人是軟弱的。這樣的二元想像不只出現在帶傷者身上，也會出現在他周圍的人身上。

實際上，受傷的人不一定是軟弱的受害者。受傷的人也可以是倖存者、倡議者。而倡議者、社會運動者可能也會帶傷。

彭仁郁提出「帶傷前行」的概念，正是因為這樣僵固的一刀切二元想像，無論出現在社會群體面對帶傷者的態度，或是帶傷者看待自己內在感受的態度，都創造出「一直跟自己打架」的狀態。

帶傷前行的同時，可以知道自己的傷而不否認傷的存在，讓療癒與行動可以並存，是展覽希望帶給眾人的思考向度。

看見抗爭者的傷痕與足跡

走進「帶傷前行」展覽的三大展區，第一展區「傷痕密碼」在大片玻璃櫥窗上若隱若現 11 組數字：318、228、64、928、323-324……分別代表國內外 11 場著名的社會運動。

站在巨大的玻璃櫥窗前，觀看一個個數字密碼，就像從鉅觀的視角窺見改變歷史的社會運動，以及國家暴力烙下的集體印記拼圖。觀看陳設在玻璃櫥窗後的歷史照片，則像是記憶一般有著距離感，無法伸手觸及，卻又清晰可見。

第二展區「反叛的想像共同體」則以 7 座展台訴說 7 位 318 公民運動抗爭者的故事。每位抗爭者皆以難以辨識身分的匿名代號呈現，展台上的文字以第一人稱方式陳述，並附上一件令敘事主角印象深刻的物件。

這 7 個年齡介在 20 至 30 歲之間的社運抗爭者，有靠打工養活自己的大學生、不同領域背景的研究生、前職業軍人、原住民等不同身分。閱讀展台上的第一人稱自述，如同走入每一個人的人生，了解一個人走上街頭的原因、抗爭過程中遭遇的困境，以及運動結束後，抗爭如何在日常生活中延續。

回憶時光機——在不同時空下與創傷者交流

第三展區以「再整合、再詮釋的療癒可能性」為主題，設計了一處名為「療遇時光機」的空間，外圍以柔軟布幔圍繞，內部擺設軟骨頭座椅，前方放置三台卡匣式隨身聽。你可以坐進這個舒適隱密的空間、戴上耳機，聆聽模擬 323-324 同儕團體聚會的錄音。

這是一個透過傾聽讓主體發話的時空，邀請觀眾靜下心來聆聽這段長達 73 分鐘的錄音，彷彿在一個安全的時空容器裡，成為 323-324 同儕團體的一員。在同儕團體交流的過程中，每位成員既是闡述獨特受創經驗的個體，也透過不同觀點的分享和互相扶持成為團體的共同建構者。

在彭仁郁的陪伴下，每位社運抗爭者述說他們在原生家庭、求學過程、抗爭現場及社運結束後的感官經驗及創傷記憶，講到激動處的聲調起伏、恐懼啜泣帶著情緒渲染力，讓人彷彿身歷其境，深刻感受社運創傷者的心靈地景。

例如有多位成員眼見同伴被警察攻擊，自己卻無能為力，甚至毫髮無傷的脫身，內心充滿無盡的愧疚。面對自責不能保護他人者，成員們肯定他在社運過程中的關懷與付出，引導他轉向思考，其實錯不在己，真正造成傷害的是扭曲的國家體制。

透過展覽帶領觀眾回顧與理解

步出展場前，身旁的牆面上貼著許多觀眾留下的觀展感想，當中包含對整起事件的反思、個人經驗的分享，或是想與這群社運抗爭者說的話。這是彭仁郁對來訪者的邀請，透過收集眾人的反饋，一起創造更多交互敘事和理解的可能。

彭仁郁更計畫在 2024 年、也就是 318 公民運動滿十週年之際，綜合呈現觀眾的反饋，並計畫邀請詩人、歌手或劇團一起透過創作，帶大家回顧十年前那段血淚交織的街頭歲月。

訪談的最後，我們請教彭仁郁老師，有哪一句話適合送給帶傷前行者？「別再跟自己打架了。」對於帶傷者的同理與不捨盡在其中。

從太陽花學運、香港佔中到令人緊張的選前週末，「參與人數有多少？」往往在政府與公民、鄉民、暴民兩方產生拉鋸。雖然警方估計的人數是柯營公告的五折，柯文哲仍表示「沒什麼好吵的，票投出來最重要」。不過另一位阿文對人數估計的差異表示「相信警方專業」，我剛好在太陽花學運後投入群眾人口的估計研究，藉此機會，與各位就這個問題本身，討論一下目前的方法是否具有明顯的瑕疵？如何更「專業」？

大多數的人口估計方法，都運用一個簡單的小學公式：

人數＝面積×密度

也就是說要有精準的估計，在面積、密度的評估上就不能馬虎。然而每一場活動有最熱鬧和最外圍的地區，警方忽略活動的外圍區域，只算了活動最「熱鬧」的區塊，其中最主要的原因是警方想要用一個「平均密度」去估算（例如：3人/平方公尺，或者2人/平方公尺），因此相對人數稀疏的外圍地區，當然就無法算進來囉。

姑且不挑剔警方畫的範圍是否精準，我們注意到，太陽花學運時警方採用的平均密度也是3，這個3為什麼這個好用，一點依據都沒有嗎？其實是有的，而且已經使用近半世紀。1967年美國柏克萊大學新聞系教授雅各（Herbert Jacobs）對示威人潮進行人工估計，得到了這個約略的數字，此後「雅各法」廣泛的被使用。

為什麼我們只能用一個或兩個平均密度去估計呢？最主要的理由是，「全面評估密度分布耗費大量人力、成本，所以乾脆採用以一概全的平均密度。」可是熱鬧區和外圍區的人口密度差距極大，即便都在熱鬧區，因為大家的姿勢、體型，或其他臉書大神也無法解釋的偶然原因，真實地表的人群密度是很不均勻的。如果說不確定性這麼大，那警方採用2還是3，衍伸出20萬和30萬人的差距，實在很難苟同阿文說的專業呀。

從美國影集疑犯追蹤（person of interest）正打得火熱，可以想像現代社會監視器普及的程度，很多資工領域的研究開始運用監視器畫面，鑽研特定範圍內的人口估計，他們的做法簡單來說，就發展用各種影像分析方法，計算一張影像中的人數（例如運用影像pixel的R、G、B數值，挑選出影像中人佔面積，或者從影像的輪廓推估人數）。隨著這種方法發展蓬勃，一張影像中人數估計的精準度可以達到很高的水準，但是如果要用來估計大規模的群眾人口，會有兩個致命性的問題：

第一個是資料取得，政府不會給暴民監視器影像。

第二個是方法本身的限制，就算計算出每張影像的人數，沒有監視器的地方怎麼辦？

今年太陽花學運的330遊行的人數爭議，我開始想，群眾的力量（Crowd sourcing）加上地理學的空間分析專長，或許可以解決這個難題，因此向網友大大們蒐集了上千張的照片，此外，邦吉空拍工作室也提供了一些空拍畫面。我用簡單的分析流程，來說明這份研究如何進一步精確估算人口密度分布：

第一步：資料蒐集

網友的平面照片可以取代監視器畫面，只要有人在的地方，就有機會取得那個地方的影像，比監視器遍布的範圍更廣，資料的共享性也更高，這份研究挑選了其中下午4點左右的照片，避免人口分布隨時間變化的問題。此外，我們還是會遇到影像不連續的問題，也就是說，照片再多，也不可能100%遍布所有地區，因此我們需要4點時大範圍的空照圖，來處理這個問題。

第二步：資料分析

物件導向影像分析軟體（Object-based Analysis）有別於傳統的pixel-based的影像分析軟體，除了可以用影像中pixel的RGB數值來進行分析，還能夠考量到物件的幾何形狀、相對位置等，幫助我們更精確地計算出人臉數。如此一來，如果我們有十張照片，這些照片有紀錄拍攝的座標，就可以找到十個空間位置的人口密度。

到此為止，我們還無法將這些「點」密度，推廣到大範圍「面」的人口密度。

因此，我們需要第二種資料：空照圖。空照圖因為拍攝的距離較遠，不足以讓我們點出畫面中到底有幾個人，但是用影像分析軟體，可以挑出人所在的範圍。有了這筆資料，我們就可以用地理資訊系統（GIS）軟體，將景福門地區切成網格狀，以空間分析的軟體工具，算出每個格子有多少 % 是人，這個比例就是每個格子的相對的人口密度。

第三步：空間推估

最終的結果呼之欲出，我們在GIS中將網友照片得到的點密度，以及空照得到的相對面密度疊合在一起，找出兩者的迴歸關係：

公式中的i代表某一點所在的格子，B0和B1是截距和斜率，透過已知的樣本可以找到這兩個係數，如此一來，其他未知絕對密度的格子，就可以套用這個關係式求得絕對密度了。

這份研究以景福門為示範的研究區，結果發現，所有格子的平均密度為3.41（每平方公尺），一個標準差的範圍內，人口密度甚至高達4.37，若援引批踢踢網友繪製的330太陽花遊行總面積147,216平方公尺來計算，警方以3人作為密度就足足低估「六萬多人」。更遑論這次警方以「感覺」決定部分地區的人口密度僅為2人。

有了群眾的力量，就能利用上述的方法很快找到真實地表上的不均勻密度，專業的人數估計是可能的，只是這邊所指的「專業」，可能與連勝文所瞭解到的有所不同。

當然，目前這個成果有一些限制，例如我只處理了單一時段的人數，無法代表活動的總參加人數；此外，也有一些研究針對動態（人會移動的，而非靜坐的）的遊行人數發展統計方法。我認為這些難題都可以被群眾的力量解決，關鍵是「社運的當下是否有足夠的相片上傳」。

有鑑於此，目前預計進行的任務是：

1. 建立一個可供上傳照片的平台（網站或APP），建立拍照SOP，例如：拍攝角度的示範、開啟座標定位功能等。
2. 其次是精進影像分析的品質，主要的問題是如何估算平面照片的影像深度。

若有相關領域的朋友對這個議題有興趣，歡迎一起討論、合作！