為什麼我們用line開群聊討論公事，總是有一句沒一句呢？

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

本文轉載自中央研究院研之有物，泛科學為宣傳推廣執行單位。

• 採訪撰文／劉韋佐、田偲妤
• 美術設計／蔡宛潔

熱心助人背後隱藏什麼樣的內心劇場？

臺灣民眾熱心公益，世界有目共睹，不論是日本 311 大地震、防疫物資捐贈，還是烏俄戰爭，都可見到臺灣人的無私捐獻。然而，當援助者數量遠多於待援者時，你依然願意慷慨相助嗎？中央研究院「研之有物」專訪院內社會學研究所江彥生研究員，以社會心理學剖析助人行為的群眾效應。經由「獨裁者遊戲」揭露「英雄／小卒效應」，到底多數人是樂於當慷慨的英雄？還是甘為保守的小卒？一起揭開助人行為的內心劇場吧！

搭公車時，目睹身邊的乘客受到他人無端騷擾，你會怎麼做？

1. 見義勇為，立即出手援助！
2. 深怕第一個出手反而招來麻煩，還是先觀察一下好了。
3. 當作沒看到，少一事是一事。

這樣的場景常在公共場合發生，多數人會忖量他人行為來評估是否出手助人，這正是社會心理學所關注的「旁觀者效應」（Bystander Effect）。面對單一的待援者時，作為一個旁觀者的「我」，往往會等待他人搶先一步伸出援手。或許是出於自利心態，也可能是「責任分擔」心理作祟，這樣的旁觀者效應在不同狀態下對助人行為的影響與衝突，引發社會心理學家想進一步探究人類社會行為的動機。

社會心理學（Social Psychology）是一門研究人類社會行為的學科，以科學方法研究在不同情境下，人們會採取的行動，以及這些行動所造成的後果。上述提到的旁觀者效應是社會心理學的經典案例，通常是數名援助者面對單一待援者會產生的現象，那麼若是單一援助者面對數名待援者，又會發生什麼樣的狀況呢？

來玩獨裁者遊戲，英雄、小卒現身！

江彥生提到，許多研究證據指出，當單一援助者面對數名待援者，這名援助者更願意展現「英雄氣概」，援助通常會給得很霸氣！但是，當有好幾名援助者面對單一待援者，此時似乎沒有展現英雄氣概的機會，若只能當「小卒」，那還是先等看看其他人會不會出手吧！

為了驗證上述心理狀態，江彥生借用行為經濟學（Behavioral Economics）中的「獨裁者遊戲」（Dictator Game）來設計實驗。實驗以匿名方式進行，先支付每位受試者新臺幣 200 元酬勞，再請受試者擔任援助者的角色。在絕對自由的情境下，觀察受試者會選擇獨享這 200 元，抑或將部分所得捐給其他待援者。

實驗結果顯示，手上握有酬勞的人或多或少都願意捐款。此外，江彥生也發現，比起面對單一待援者，若面對數名待援者時，受試者通常願意捐得更多。然而，當知道有其他握有酬勞的援助者時，受試者就不會這麼大方了，原因可能出自「責任分擔」心理，甚至可能在援助者之間產生社經地位的比較心態，不想因捐款而讓自己的經濟狀況趨於劣勢。研究結果與「英雄／小卒效應」可說是不謀而合。

慷慨英雄VS.保守小卒，選擇是「對稱」的嗎？

「英雄／小卒效應」獲得驗證後，江彥生更想進一步探究的是：在面對眾多援助者時，一個人所減少的慷慨度，比起面對眾多待援者所增加的慷慨度，是否相同？換句話說，助人行為的群眾效應是否對稱？

為什麼會談到「對稱」呢？原來在認知心理學（Cognitive Psychology）中，有一個著名的「不對稱理論」，源於 2002 年諾貝爾經濟學獎得主丹尼爾．康納曼（Daniel Kahneman）所提出的「展望理論」（Prospect Theory，或譯「前景理論」）。展望理論指出，「損失」所帶來的負面情緒，比起「獲得」的正面感受，人們更在意損失所帶來的影響。這說明了人類對於「得」與「失」的感受是不對稱的。

那麼英雄和小卒之間的助人行為會是對稱的嗎？在下列圖示中，援助者贈與待援者的金額為「縱軸」，而援助者與待援者的人數比例為「橫軸」。來看看受試者得知援助者和待援者的人數變化時，捐款行為會產生什麼樣的改變。

實驗結果顯示，當援助者的人數超過待援者時，贈與金額下滑的幅度（小卒效應），比起援助者少於待援者時，贈與金額上升的幅度（英雄效應），竟足足多出了一倍之多！

「小卒效應」是「英雄效應」的兩倍強！

換句話說，當我們發現自己當不了英雄，選擇「縮手」的程度反而更快！即便有當英雄的機會，「出手」也不盡然闊綽。

「英雄／小卒效應」不僅揭露人在面對弱勢者的心理變化，更能運用在線上捐款或募資活動的設計上。江彥生以「Kiva」平台為例，這是一個和全球微型貸款合作的網站，讓每個人都有機會捐款幫助他人，減緩貧窮問題。平台上的待援者會寫出自己的背景和財務需求，供援助者瀏覽後決定要給予多少經濟支援。若能利用上述的「英雄效應」，透過調整演算法，調配出最適當的瀏覽分配比例，應能激發援助者最大的英雄氣概，盡量不遺漏每一個需要幫助的人！

想當社會心理學家？你必須先是個好導演

社會心理學家常常遊走在不同的社群之間，藉由精心設計的實驗，發掘人性的各種衝突與複雜層面。江彥生談到，一名社會心理學家要對組織或社群互動感興趣，關注人格、社會影響力，以及群體的行為狀態。除此之外，你還需具備設計實驗的想像力。

江彥生笑著說，做實驗的時候覺得自己好像導演！設計實驗有點像在編寫劇本，要先在腦海中沙盤推演角色可能的行為舉止，思考如何讓角色之間產生互動。接著還要讓角色投入實驗情境，然後觀察這些人在情境中的反應。

正統的社會學像是紀錄片，而社會心理學就像電影，透過劇本的編寫，設計一個實驗情境，觀察個人或群體的互動關係、心理反應，以科學研究分析其中的因果關係。

江彥生的研究室有佔滿整片牆的黑板，上頭用粉筆畫了許多圖式及演算公式，是在反覆推敲不對稱助人行為等研究計畫所留下的思考軌跡。面對我們習以為常的日常情景，江彥生卻以銳利的眼光探究每個行為背後更深層的心理狀態。雖然自嘲是「談話殺手」，但在訪談之間，卻處處顯露江彥生對研究的熱情，藉由剖析當前複雜的社會系統，讓我們更了解芸芸眾生難以言說的內心劇場。

延伸閱讀

• Chiang, Y-S., Hsu, Y-F. (2019). The asymmetry of altruistic giving when givers outnumber recipients and vice versa. JOURNAL OF ECONOMIC PSYCHOLOGY 73, 152-160.
• 江彥生（2021）。【專欄】英雄氣短，小卒氣長？淺談助人行為的群眾效應。中研院訊。

作者／潘怡格　主編／蔡宇哲（哇賽心理學 創辦人兼總編輯）

你相信嗎，在人多的地方發生需要旁人救助緊急事件時，很有可能比在人少或只有一位旁觀者的情況下更難獲得幫助，這是為什麼？

1964 年，美國紐約街頭發生了一件駭人聽聞的事件，一名叫凱蒂．吉諾維斯（Kitty Genovese）的女子在街道上被男子刺殺三次，期間總共有 38 位目擊者聽到她的呼救聲而亮起房內的燈，查看外頭發生什麼事，卻沒有人真正站出來制止歹徒，甚至沒有人報警，凱蒂最後因此死亡。

這起命案震驚了美國社會，報章媒體更是以「38 人目擊謀殺發生卻沒有報警，皇后區女性被殺事件反映的冷漠無情震驚警界！」的標題來描述這起泯滅人性的凱蒂案。

事隔多年，這起事件被揭發部分情節是人為捏造，並沒有 38 位目擊者那麼多，凱蒂也只有被刺殺兩次而不是三次，期間有人報警只是不被警方受理，凱蒂更沒有當場死亡，而是因為重傷送醫後才不治身亡。雖然事件並不完全真實，但是它的轟動引起了很多人的注意，學者們開始探討為什麼會有這樣的現象，也有社會心理學家著手研究這個問題。

實驗：「旁觀者效應」旁觀的人越多，我們越不常出手協助？

當時紐約大學的約翰．達利（John Darley）與哥倫比亞大學的比博．拉坦納（Bibb Latane）兩位社會心理學家，對這起事件感到興趣，他們認為並不是因為紐約人冷漠而發生了這樣的悲劇，這當中一定涉及了一些心理歷程，因此他們設計了一系列的研究實驗，看一般人在什麼情境下會幫助他人，而在什麼情境下不會伸出援手。

其中一項研究是他們請參與者到長廊上的一間房間裡，因為實驗談論的內容涉及隱私及尷尬問題，所以每個人都會單獨待在一個房間內，避免面對面交談。每位參與者都有耳機跟麥克風，但麥克風只有在輪到自己的時候才會被打開，且一旦有一個麥克風被打開，其他的都會被關閉，因此他們之間無法進行溝通。而這其實是為了方便播放事先錄好的錄音內容，讓他們誤以為確實在和另一間房的人進行對談。

實驗的安排有一對一的組合，也有六人大團體和三人小團體的組合。輪到其中一位參與者發言時（實際上是播放錄音帶），他說自己很難適應在紐約的生活，尤其是學業，也提到自己有嚴重的癲癇，在壓力很大或者考試時較常發作。等到下一次輪到這位參與者發言，他會癲癇發作，講話開始結結巴巴，對其他人求助，聽起來像是遇到了困難。

這個狀況就是實驗安排的情境，如果是你遇到了這樣的情況，你會怎麼做呢？一般人也許覺得自己一定會馬上衝出房間求助，但實驗結果發現並非完全如此。

達利與拉坦納發現，影響人們是否會給予幫助的因素中，最重要的就是「團體人數」的多寡，在場涉及的人數越多，就越不會立即行動援助。在實驗中，以為只有自己知道對方癲癇狀況發生了，也就是一對一組合裡有 85% 的人會立即求助；三人小團體中的比例稍微低了一些，但也有 62%；而六人大團體中竟然只有 31% 的人站出來！

這個結果正是符合了旁觀者效應（Bystander Effect）：越多的旁觀者在場，會降低受害者被幫助的機率。

為什麼會發生這種結果呢？當發生緊急事情時，如果只有你跟受害者，你不伸出援手就會使他陷入危險，甚至有可能喪失生命，那你就會有很強的責任感。但如果除了自己還有許多人在現場，責任感會被分散，每一個人的責任感變得比較弱，面對事件發生就會變得退縮，認為其他人會承擔更多的責任，這種效應稱為責任分散（Diffusion of responsibility）。

助人的五階段模式

達利跟拉坦納為此還提出助人的五階段模式，說明人們產生助人行為的過程中會經歷怎樣的歷程：

階段一：覺察

注意到有事情發生，這是極為重要的，有些人無法注意到有事情發生是因為他們只在意自己所關心的事情。

例如在等待過馬路的時候，很多人只顧著低頭滑手機而不是注意四周；或在上學途中，一直想著待會考試的內容，而沒有留心路上發生的事情。

階段二：理解

這個階段你會將事件定義是否為緊急事件。研究者們發現，情境的模糊性會促使旁觀者效應發生。

舉例來說，你看到一對男女在爭執，男生還對女生大打出手。如果你認為他們是一對情侶，那你站出來幫助那位女生的機會就會降低許多；但如果你判定他們之間是互不認識的陌生人，那你很可能會挺身而出並制止男生。

階段三：責任

你自覺有義務要幫忙，但是要注意這個階段最容易出現上述的責任分散。

階段四：判斷

你覺得自己有能力且知道要如何助人，但在能力不足的情況下，也可間接地請求其他有能力的人協助。例如你以報警或尋求其他在場的人一起提供幫助。

階段五：行動

你採取行動去助人。但有可能會受到在場其他人的眼光而受影響，因為人們會擔心自己的舉動會怎麼被其他人解讀，這稱為觀眾抑制效應（Audience inhibition）。

助人的五階段模式說明了助人行為產生的過程，同時也讓我們了解每一個階段都有可能會產生抑制助人行為的影響因素。每一個環節都是重要的，因為只要缺了其中一個環節，就不會產生最後的助人行為。

心理學給你的建議：如何降低旁觀者效應？

雖然發生這樣的現象並不是我們所能控制的，但還是可以透過一些方法來降低旁觀者效應出現的機率。

心理學給你的建議，在緊急事件中如果希望得到旁觀者的幫助，我們可以直接呼喚某一位旁觀者，並清楚說明自己需要幫助。你可以藉著用手指指出的方式，或者說明對方的特徵來指定其中一個人，例如：「那位穿著紫色上衣的先生，可以請你幫幫我嗎？」這樣可以減少責任分散的產生，同時降低情境的模糊性，如此那位穿著紫色上衣的先生就會自覺有責任必須幫助你，也能確定你確實需要被幫助而採取行動。

反過來說，如果有一天，我們是那一位目睹事件發生的旁觀者，就應該要想到旁觀者效應對行為的影響，即使對方沒有指定誰提供幫助，也應積極主動採取行動，這樣才不會造成無可挽回的悲劇。但要注意的是，如果情況很危急，我們必須考量自己的安全，尋求警方協助也是一種助人的行為哦！

• Bystander intervention in emergencies: diffusion of responsibility. Journal of personality and social psychology. 1968;8(4):377-383

想了解更多哇賽！心理學嗎？
3月 25 日（日）於金石堂城中店
免費心理學講座等你來參加，活動細節搶搖滾區由此去。

本文轉載自泛科學 2018 年 3 月選書《哇賽心理學》，格子外面出版。