考試當前先玩再說？你需要內疚學習法

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

• 作者／楊期蘭（感謝沈奕超提供編輯建議）

「千萬不要低估職場中感受幸福的重要性：人一生中有很大一部分時間是在職場度過，那裡發生的事情對其他層面的生活有極大影響。」

— 《不公平的代價：破解階級對立的金權結構》—史迪格里茲

每天開工前都要在電腦前先滑一波 IG 或 FB 才能進入專注模式嗎？每天下班回到家後，腦海裡時不時還是閃過各種公事？關於怎麼在工作前快速進入狀況 (reattachment) 以及下班後脫離工作狀態 (detachment) 是許多人想追求的事。

相關研究指出這種讓大腦快速進入跟脫離工作模式的能力跟工作效率效率有關，越能在短時間收心進入專注模式以及工作後完全放鬆的人，工作表現也會提升²。

有不少人會採取寫待辦清單的方式來讓自己開啟工作的一天，並且透過劃掉待辦清單清單上的項目來讓自己結束一天的時候感到有成就感。

但除此之外，有沒有其他方式？

聊天機器人能幫我們收心跟放鬆？

聊天機器人除了像微軟小冰一樣陪我們閒聊、充當電商的客服回答客戶的問題或是擔任個人助理幫我們設定行事曆外，現在聊天機器人的業務範圍又更廣了。這篇發表在 2018 年人機互動研討會的研究想了解：

在工作場合中，聊天機器人會怎麼幫助上班族們上工前進入工作模式 (reattachment) 以及下班後脫離工作模式 (detachment)？

這篇來自 University of Waterloo, University of Michigan, University of California Irvine 以及微軟的研究團隊設計了一個聊天機器人，並邀請一家公司裡面的 34 位員工進行為期兩週的實驗。

第一週員工們就如同以往的工作，第二週開始，員工需要在每天上班工作前與下班前跟一個聊天機器人講話，而這個聊天機器人要做的事就是在大家開始工作前問員工：

「你想要繼續做OOO（報告、分析、投影片）嗎？」

「第一步要做什麼才能幫助你完成這件事？」

「你想要繼續有OOO（振奮、放鬆、投入）的感覺嗎？」

「如果你想要繼續有這種感覺，第一步要做什麼事比較好呢？」

而在幫助員工放鬆方面，聊天機器人會在員工下班準備離開公司前問員工：

「你今天做了什麼事？」

「明天你想做哪些事？」

「今天你對所有工作項目的感覺是什麼？」

「明天工作的時候你想擁有什麼感覺？」

聊天機器人讓員工更投入於工作！

研究人員分析了這些員工使用生產力工具軟體的時間，例如：使用 E-mail、Excel、Powerpoint、Word 等軟體的時間，並且請員工們時不時在工作期間回答他們當下的投入度、專注度以及放鬆程度，比較員工們第一週跟第二週的工作情況後。

結果發現當員工在上班前跟語音助理對話後，感覺自己生產力更高也更加投入於工作中，特別是在上工的第一個小時內，這些專注的感受特別強烈。

什麼……下班後還更能放鬆！？

接著，研究者分析員工下班後寄出的 E-mail 數量，發現下班前跟語音助理對話後，員工們在下班後寄出的 E-mail 數量比較少，表示員工們離開工作環境後比較不再想到與工作有關的事。

進一步分析也發現，如果參與實驗的部分員工本身就有一套想辦法讓自己脫離工作模式的方式的話，對這些人來說，聊天機器人幫助就不大；但針對那些先前沒有這些放鬆習慣的員工而言，跟聊天機器人對話就能幫助他們下班後更加放鬆。

聊天機器人帶給我們的反思

在這個實驗中，聊天機器人扮演的角色就像是有個朋友在跟我們聊天的過程中幫助我們回顧一天做了哪些事、在一天開始前先設定好工作目標。

在這些簡短對話的過程中，我們會開始反思自己應該怎麼規劃工作、該怎麼開始進行第一步、帶我們回顧一整天的工作感受，讓我們思考目前工作氣氛如何、可以如何更舒適。

其實拿掉了聊天機器人，你我都還是可以靠自己做到這件事。

試著從今天開始對自己做個小實驗，開始做事前先問自己一、兩個問題：「我今天要完成哪些事？」「要達成這個目標我需要先做什麼事？」，然後在一天工作告一段落後，試著問自己：「今天我完成了什麼事？」「完成這些事帶給我什麼感受？」試試看這麼做之後，對於自己工作的狀態有沒有什麼不同於以往的變化。

即便不是工作狂，我們每個人的一生中也有大半時間是在工作場合中度過，如何讓工作的過程更加有意義、有樂趣、更享受，應該能讓我們每天過得更充實愉快。

讓聊天機器人成為工作上的好夥伴！

如果你是對聊天機器人有興趣的開發者或設計師，也許可以思考的是要如何針對不同的使用者客製化適合他們的收心跟放鬆對話，例如透過每個使用者不同的工作作息與習慣，設計不同的收心與放鬆策略。

另一方面，也可以思考要如何才能讓聊天機器人幫助使用者反思或提醒使用者工作中有趣的部分，像是讓機器人問使用者：「今天工作中有什麼有趣的部分嗎？」，帶領使用者思考這份工作對他的意義，幫助使用者反覆思考工作中每件事的意義與樂趣。

註：本篇是擷取原始論文中部分內容搭配筆者想分享的概念所架構而成，部分研究細節與討論並未完全呈現，鼓勵有興趣的讀者直接參考原文深入了解細節。本篇目的在於讓讀者了解人機互動領域中如何設計語音助理。內文並非逐字翻譯，亦不能取代原文¹。

參考文獻

1. Williams, A. C., Kaur, H., Mark, G., Thompson, A. L., Iqbal, S. T., & Teevan, J. (2018, April). Supporting workplace detachment and reattachment with conversational intelligence. In Proceedings of the 2018 CHI Conference on Human Factors in Computing Systems (p. 88). ACM.
2. Volman, F. E., Bakker, A. B., & Xanthopoulou, D. (2013). Recovery at home and performance at work: A diary study on self–family facilitation. European Journal of Work and Organizational Psychology, 22(2), 218–234.

本文轉載自人機共生你我它

文/黃誠熙（Sky Huang），目前為UCLA材料系博士候選人

我們都有這樣的經驗，在工作、學習的時候會一邊想著玩樂的事情；雖然身體還坐在桌前，心已經飛到窗外遊玩去了，非常沒有工作效率。又或者，有時受不了誘惑，跑出去玩樂了半天，一回到書桌前，內心感到無比內疚，反而激發起破表的效率，快速完成工作。

這是相當普遍的現象，有死線（deadlines）當前時會更為明顯，效率值無限上升。在心理學上也有相當多的研究，尤其在死線前的效率提升方面。例如說，有時候人們在面對deadline的時候，會為自己設置另一個「自己的死線」（self-imposed deadlines），以防止自己拖延而超過實際上的死線。心理學家發現，雖然這樣有助於提升在死線前的工作成效，但是增進效率的效果並沒有外部死線來得強烈（很可以理解，錯過外部的deadlines就要被炒魷魚拉，錯過自己設定的deadline只是有點沮喪而已）[1]。

然而，這邊想跟大家討論的不是心理學的部分，而是如何使用數學來增進工作效率！更精確地說，如何使用「內疚學習法」來增進工作效率。

內疚學習法顧名思義表示當你學習的時候，是處在內疚的狀態，也就是說，為了增進學習效益，在學習之前先花一段時間玩樂，玩樂結束後會覺得很內疚，因此學習效果大增，比一邊念書一邊想著玩樂效果還要好。筆者自己本身在考升大學考試時發現了這個現象，但同時也發現，要是花太多時間玩樂，雖然內疚值會累積很高，效率非常好，但是因為玩樂佔去的時間太多，剩餘時間太少，無法將效率轉成實際效果。因此，內疚值累積和學習時間必須要取得良好的平衡，才能發揮內疚學習法的最大效益。

下面我們用數學來推論內疚學習的最佳解。首先，我們知道唸書的時間是隨著玩樂的時間線性的遞減，譬如說，假如我們總共可以唸書的時間是8小時，花了3小時玩樂，那就剩下5小時可以唸書。如果我們把總共唸書的時間等比縮放（rescale）變成1，而玩樂時間是t，則剩下可以唸書的時間就是(1-t)。

（編按：注意喔！以下是數學的推論，並非心理學研究）

接下來要知道的就是：讀書效率如何因玩樂時間的增加，內疚值的累積而增加。當我們知道效率隨玩樂時間的變化eff(t)之後，即可計算總學習成效，也就是f(t) * (1-t)，事實上效率函數應該是兩個時間的函數，一個是玩樂花費的時間t，一個是當開始唸書之後效率隨時間T的變化，因此為f(t， T)，而真正的讀書效率為積分。這邊假設開始唸書之後的效率為一定值，因此積分可以簡化為f(t) * (1-t)。

效率成長的變化曲線沒有一定的樣子，因此必須使用假設的模型。下面使用兩個假設來計算最佳的玩樂時間。

讀書效率正比於玩樂時間（反比於剩餘讀書時間）

假設讀書效率 eff(t)= a + bt

（如下圖，綠線為剩餘學習時間，紅線為效率變化）

• t為玩樂時間
• a是基本的讀書效率（沒有使用內疚學習法）
• b則是效率隨玩樂時間增加的斜率

由於(1-t) 為剩餘可以用來學習的時間，最後學習成效是時間 * 效率，即表示：

學習成效f(t) = eff(t) * (1-t) = (a + bt) * (1-t)

在得到學習效率函數之後，我們只要求得f（t）的最大值，就可以知道最佳玩樂時間，可以得到最好的讀書成果。求最大值的方法之一為將f(t)對時間微分=0，即為：d f(t)/ dt =0

可以求得必須花多少時間玩樂學習效益才會最大化。這個方程式的解為：

t = 0.5 – a/2b

a和b都必須是正數（a為沒有使用內疚學習法的學習效率，為正；b為使用內疚學習法時效率隨玩樂時間的上升斜率，為正。）

檢視這個式子，我們可以知道因為時間永遠為正數，若是t<0，表示內疚學習法為沒有效率的學習方式，因此只有當0.5 – a/2b大於零時，才可以使用內疚學習法，最終我們可以得到 b > a（小提醒：a為基本學習效率，表示沒有使用內疚學習法的學習效率；b為效率隨玩樂時間上升的斜率）。這表示如果花費所有唸書時間來玩樂時，在最後一瞬間準備要唸書時，念書效率可以提升為基本學習效率的兩倍時，則內疚學習法是有效的。

結論：先做一個實驗，假設你把所有時間拿來玩樂，你必須要保證在花掉幾乎所有時間玩樂之後，你的內疚值累積足夠讓讀書效率提升到原本的2倍，你才可以考慮使用內疚學習法。而內疚學習法的最佳化效率為：把0.5-a/2b的時間拿來玩樂，剩下的時間唸書，也因此若是玩樂的時間超過所有時間的一半，那一定不是有效率的內疚學習法。

當讀書效率的增加有極限值

在實際狀況下，效率是會受限於學習的人的學習能力、科目的難度…等等，因此，隨著玩樂時間上升，效率值的提升不會一直線性上升，而是有一個極限值，效率的增加就會慢慢趨於緩和並逼近最大效率值。下圖為在此假設下念書效率隨玩樂時間t的變化：

我們可以用一樣的方法最大化eff(t) * (1-t)來求得最佳玩樂時間（可以使用exp函數來描述，eff(t)= A – a*exp(-bt)，然後再次使用df(t)/dt=0 求解最佳玩樂時間。但是此數學處理有點複雜，有興趣的讀者可以自行研究。）。

結論：當有一效率最大值時，整體最佳玩樂時間會比上述第一種模型來得少（從圖形中觀察可得知）。而可實行內疚學習法的狀況會越來越嚴苛。最佳的玩樂時間長度將會大幅遠離整體時間一半的附近，而趨向更小的值（1/4或是更小）。

另外一個要考慮的因素是快樂指數。我們會發現，若是太過內疚，譬如說太接近deadline還沒有把作業做出來，會產生焦慮的心情，進而影響工作效率，並減低內疚學習法的效果；但是另一方面來說，玩樂也會帶來快樂，進而提升工作效率。在考慮快樂指數後，最佳化變得更加困難。唸書成效函數可以寫成：

f(t)= H(t) * G(t) * (1-t)

• H(t)：快樂指數
• G(t)：內疚指數
• (1-t)：玩樂之後剩餘的唸書時間

三個函數分別作圖如下：

最終結論：

適當的玩樂對於學習成效是有好的幫助的；然而，過量的玩樂將導致學習成效低落（恩，或許大家早就知道了） 。而最佳的玩樂時間必須遠小於整體時間的一半，至於實際的最佳玩樂時間長度則決定於個體產生內疚的程度以及內疚心理造成效率提升的程度。

在心理學上，大致上還是視「拖延」為不好的行為，在此前提下研究人類為什麼會拖延，以及如何可以避免拖延行為發生。這邊筆者則是從數學模型提供另一個角度，讓大家思考拖延、玩樂行為對於整體成效的提升/降低，以及玩樂/學習的比例分配。

參考資料：

1. Dan Ariely and Klaus Wertenbroch， Psychological Science 13， 3 (2002) 

編按：此為《drawdown 反轉地球暖化100招》最終章，作者提出一些「明日新亮點」，期待可以減緩全球暖化的現象。

生質能源效率低落：高耗能的能量轉換過程

數十年來，一群科學家致力以人造樹葉取代自然光合作用並且直接從大氣之中創造燃料，能量則來自陽光。

收益很明顯。幾乎所有能源都來自太陽，其中大部分源自於光合作用。（我們取得能源的形式，包括由植物而來的食物，以及植物的衍生物，例如石油、瓦斯、泥炭、煤、木頭與乙醇）。

光合作用看似簡單：水、陽光、吸收二氧化碳並排出碳水化合物與氧氣。然而，單憑自然光合作用想要滿足世界對於能源日漸增長的需求，則是不可行的。

為了生產生質燃料而種植玉米、白楊或是柳枝稷，就能源效率而言，不利條件顯而易見。植物能毫不費力地轉換陽光，但是如果要將光子轉化為可使用的儲存能源，效率值僅 1％。

以玉米為例，農夫必須以石油供能的拖曳機犁地、使用除草劑抑制雜草、以打穀機收割作物，並以卡車將作物載運至好幾英里外加工。玉米在加工廠內被研磨成泥，與酶和阿摩尼亞混合，煮熟以殺死細菌，液化後放入酵母發酵數日，將糖分轉化為乙醇。接著蒸餾並且分離物質。固體被分離出來，液體進入分子篩。二氧化碳被截取並且出售給飲料製造商。添加變性劑使它無須被課稅且無法飲用，接著進入儲存槽，之後被放入油罐車載往精煉廠，然後加入汽油之中。

業界稱之為再生燃料，實際上是過度延伸再生燃料的定義。

因為整個過程相當依賴柴油、石油、汽油、電力與補助。計算下來，以玉米為基底的乙醇，生產的能源只比製造過程所需能源多出一些。如果把使用土地時產生的排放、地下水的耗費、生物多樣性的喪失以及氮肥的衝擊計算進去，對於大氣層是否有益，就有爭辯的空間了。玉米最符合效益的用途是作為人們飢餓時的主食，而不是作為推動跨界休旅車的乙醇。

試想如果可以略過農場、肥料、拖曳機、卡車、加工廠與補助，無論你與水源身處何方，都可以直接從水與二氧化碳中製造燃料。這就是丹尼爾．諾賽拉（Daniel Nocera）20 多年前發起人造葉計畫的目標。

擺脫能源效率不佳窘境：人造葉計畫

諾賽拉是哈佛大學能源科學的教授。 1980 年代早期，身處加州理工學院研究所的他便致力研究將水分離為氫與氧。他的計畫是想促進氫經濟。

該科技的原始版本使用矽片，其中一面鍍有鎳鈷催化劑，當矽片放入水中後，將在其中一面的表層產生氫，另一面產生氧。早期媒體讚揚並誇大該科技可能的影響。諾賽拉預言該科技將對窮人有益。他表示氫氣可以用來煮飯，或是藉由燃料電池轉化為電力。但是一罐氫氣對於窮人有什麼用？沒有⋯⋯除非他們有燃料電池，而這是一項昂貴的科技。科技上的突破卻在經濟上沒有可利用性。

氫氣是世界上最輕的物質，如鬼火般稍縱即逝。雖然 1 磅氫蘊含的能量比汽油多 3 倍，但是要取得 1 磅氫的過程相當棘手，並且需要高壓槽與壓縮機等設備。要生產足夠 1 個家庭使用的能源，需要 1 個膠合板大小的矽片，以及 3 個浴缸大小的儲存槽。

諾賽拉專注於如何提供窮人平價的能源，卻很少想過窮人可以如何生產電力。儘管如此，他下定決心要想出一種人人都能享用的能源與科技，他將這個概念比喻為 1970 年代的「死忠粉絲」（Deadhead）。死之華樂團（e Gratefal Dead）在數十年前就提出音樂共享這個最終摧毀產業的概念。該樂團允許並且鼓勵人們錄製他們的演唱會，至今仍有網站致力分享與交換這些歌曲。這樣的概念有可能適用於能源科技嗎？

諾賽拉認為如此。

他相信專注於那些對最貧困之人有益的科技，受益最多的將是整個社會。許多年來，他回應質疑的方式，就是指出如果投入人工光合作用的金錢與投資於電池的一樣多，突破將來得更快。

突破確實發生了。 2016 年 6 月 3日，諾賽拉與他的同事潘蜜拉．席爾瓦（Pamela Silver）宣布，他們結合了太陽能、水與二氧化碳，成功製造出蘊含高能量的燃料。他們採用兩種催化劑，從水中免費製造出氫，用於餵養能合成液態燃料的鉤蟲貪銅菌（Ralstonia eutropha）。用純二氧化碳餵養這種細菌，過程將比光合作用有效率 10 倍。如果二氧化碳取自空氣，效率也多出 3 至 4 倍。

直到最近，諾賽拉持續關注從無機化合物中產生氫氣。他與哈佛團隊不將氫視為提供給人類的能源，而是用來餵養細菌的能量原料，因此朝向原始目標邁進了一大步：利用太陽與水製造便宜的能源。對了，還有細菌。也許經濟上可行的人工光合作用，到頭來也不是完全人造的。

——本文摘錄自《drawdown 反轉地球暖化100招》，2019 年 1 月，聯經出版