除了你家的小強，還有其他漂亮的蟑螂

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

F 編按：本文編譯自 Live Science

身為貓奴應該都思考過這個問題：「我家貓到底愛不愛我？」（尤其是你怎麼叫牠都不理你的時候）

比起狗狗總是搖尾示好、恨不得時時刻刻陪伴主人，貓咪反而顯得疏離。這些獨立、冷淡的態度，是否代表牠們根本「不愛人類」？還是只是與我們表達情感的方式不同？現有的研究並未能給出單一「是」或「否」的答案，但科學界逐漸認為：貓的性格並非冷漠，而是有著自己獨特又多變的互動模式。

為何貓比狗看起來更不「熱情」？

談到「人與動物的愛」，第一個被拿來對照的對象往往就是狗。狗傾向於把人視為社群領袖或保護者，牠們會展現出明顯的依附行為，例如跟隨、舔舐、撒嬌等。這背後牽涉到狗的馴化史，科學家普遍認為，狗至少在 2.3 萬年前（亦有其他研究推至 3 萬年以上）就已開始與人類共同生活。人類在漫長世代裡，選擇性繁殖更順從、更依賴的犬隻，讓牠們不斷強化對主人的服從與感情表達。

相較之下，貓的馴化歷史要晚得多。大約在 1 萬年前，農耕社會出現，儲藏穀物吸引老鼠，貓因捕鼠能力而漸與人共生。牠們「半自願」式的走近人類聚落，並未經過大規模的繁殖選擇，以致貓咪的野性特質與獨立性一直保存到今天。

由此可見，狗對人的依附，是經過長時間精心培育的結果，而貓雖然與人類同住，也享受人類提供的食物與安全環境，但牠們在某種程度上仍維持了更高的自主意識與獨立特質。

如何判斷貓咪是愛或不愛？

每個人對於「愛」的表現，判斷上還是很主觀的。因此有些研究嘗試用「科學指標」來測試貓對人的情感，如觀察荷爾蒙水平、或偵測貓在不同情境下的行為模式。

催產素俗稱「愛的荷爾蒙」，常在親密互動或撫摸時分泌。根據 2015 年的一項實驗（收錄於 BBC節目「Cats v Dogs」）：在貓與狗都受到撫摸後，狗的催產素水平平均提升約 57.2%，但貓僅提升12%。這被部分人解讀為「貓對我們沒有那麼有愛」，但也要注意，這只是「平均值」，樣本量也僅 10 隻狗與貓，並不代表所有貓都只有「12%」的情感。此外，催產素本身也容易受其他因素干擾，例如環境壓力、個體差異等。

另外在 2021 年，英國林肯大學的研究團隊針對 3,994 位貓主做問卷調查，藉由「開放式關係、疏離關係、一般交情、相依關係、友誼」等五大類型，歸納出貓與主人的情感連結。結果顯示，約有一半的貓跟主人間呈現較緊密的情感投射，另一半則較疏離。由此可知，貓與人之間的情感並非「一面倒」的冷漠，也不見得如狗那樣強烈依附；而是要看飼主的參與度、貓的個性以及如何尊重牠們的獨立空間。

有一項早期（2008年）的一項研究則觀察到，當貓遇到自己熟悉的人類時，血壓和心率會出現上升，顯示牠們對人產生情緒波動，可能是期待食物或獎勵，也可能是情緒上的激動。這說明貓對特定人確實有「在意」的表徵，只是表達方式或目的不一定和狗相同。

你越近，貓越逃？貓咪喜歡怎麼樣的互動？

貓咪多半不喜歡被強迫互動，若人類持續不斷地撫摸、抱起貓而不顧牠們的意願，往往得到的反應是掙扎、攻擊或逃走。對貓來說，「選擇權」至關重要。若牠們能自在地決定互動距離、持續時間，以及撫摸的部位，牠們更可能接受、甚至主動親近主人。

2021 年的研究指出，若飼主能理解貓在肢體語言上的細微表達，例如耳朵朝後、尾巴抖動、身體僵硬或發出低鳴，代表牠們已有不適或抗拒；這時「收手」是上策。相反地，那些忽視貓表示不要的信號，堅持要撫摸或抱住貓的人，更容易被貓認定為「壓迫者」，長期下來貓會選擇逃避或變得易怒。

與狗一樣，每隻貓的個性也不盡相同。有些貓喜歡頻繁親密互動，也有貓更向往安靜獨處；基因、社交化過程、早期經驗都可能影響牠們長大後對人的友善度。此外，若飼主從貓幼齡期就常常輕柔地接觸牠們，並在牠們想脫離時尊重牠們，長大後通常會更願意與人類培養信任感。

如何與貓建立更深的情感連結？

既然科學研究顯示貓的「情感投放」需要更精細的方式，那麼身為飼主或愛貓人士，該如何做才能拉近與主子的距離呢？

1. 給予空間與選擇
   • 不要隨意抱起或撫摸正在休息、清潔毛髮、或顯露抗拒姿勢的貓。讓貓可以自由進出房間、躲進安全的角落，也能確保牠們在緊張或害怕時有地方可退。
2. 正向回饋與獎勵
   • 若貓主動靠近、蹭你或發出呼嚕聲，這是牠願意互動的信號，可在牠舒服的情況下溫柔撫摸。可以搭配口頭稱讚或小零食，使貓把你聯想到「好事」。
   • 但記住，貓咪不喜歡被「過度餵食」，適度才是關鍵，否則容易讓牠們失去對零食的興趣或導致肥胖。
3. 學習貓的身體語言
   • 觀察耳朵、尾巴與瞳孔的變化，若耳朵緊貼腦後、尾巴劇烈擺動或瞳孔放大並伴隨低鳴，表示貓正處於緊張或警戒狀態。此時停止撫摸、後退，給牠時間冷靜。
   • 如果貓慢慢走近你，尾巴微翹、耳朵稍微前傾，代表牠感到放鬆，可能願意互動。
4. 尊重貓的作息特質
   • 貓是夜行性動物，白天或許大部分時間都在睡覺或懶洋洋地活動；若你在白天想和貓「猛玩」，牠可能沒有興趣。選在牠清醒或精神較好的時段進行互動或遊戲，更能提升彼此感受。

貓與人的緣分，在於理解與尊重

貓咪歷經數千年從田間捕鼠者，逐漸成為受全球喜愛的寵物，卻依然保留高度獨立、選擇權至上的「個人主義」風範。許多科學研究指出，貓雖沒有狗般明顯的熱情與依賴，但仍能與人產生深厚羈絆──關鍵就在於飼主是否願意花時間、心力，並遵循「了解貓貓、尊重貓貓」的原則與牠們相處。從理解貓的生活形態、情緒信號，到給予牠們適度的獨處與自由，若能做到這些，或許某天牠就會主動跳到你的腿上呼嚕，用專屬的方式告訴你：「莎朗嘿（사랑해）～」

***溫馨提醒，本文有小強畫面，請斟酌觀看***

周星馳的唐伯虎點秋香上映後，讓小強成為蟑螂的代名詞，但你看到小強的瞬間，是順手將它解決，還是尖叫著逃跑呢？

台灣曾做過調查——不做調查也知道，蟑螂絕對是大家最討厭的害蟲第一名。美國甚至做過大規模調查，有超過四分之一的美國人表示自己最討厭的害蟲就是蟑螂，是第二名蜘蛛的兩倍之多！

所以，若要幫全人類找一個共同的敵人，蟑螂肯定算得上是一個。

但過去的日本節目中，卻發現北海道人竟然不怕蟑螂，難道他們都是勇者嗎？或是我們能從他們身上找到克服蟑螂恐懼的方法？

恐懼源自於未知？北海道人為什麼不怕蟑螂

你是不是光想到蟑螂的外表，就覺得全身起雞皮疙瘩？

面對蟑螂還能如此淡定，甚至能覺得牠們可愛的北海道人，別說你不敢相信，一群演化心理學家也是覺得匪夷所思，開始針對這些人做起了研究。

演化心理學就如字面上的意思，是將達爾文演化論套用到現代人的心理特質上，試圖以天擇的角度解釋許多無法解釋的人類心理現象。

例如近年來被診斷率越來越高的注意力不集中與過動症，也就是所謂的 ADHD，在演化心理學看來其實不是需要治療的「病」，而是環境變化太大導致的適應不良。想像一下，如果你是上萬年前生活在野外的人類，每天都必須在山林裡一邊躲避猛獸、一邊想辦法靠打獵與採集獲取食物。

在這種環境下，眼觀四面、耳聽八方，且隨時保持能戰能跑的機動性，反而都是生存必須的特質，自然會成為演化過程中被保留下來的心理特質。隨著人類社會在近幾百年快速進步，我們不需要再去當高風險的獵人，但那些經年累月刻印在基因裡的特質還來不及被汰換掉，反而讓這些天生的獵人無法適應現代生活。

同樣的道理，演化心理學認為人類對蟑螂的莫名恐懼，其實是來自於大腦主動識別並排斥潛在威脅的生存機制。在醫療資源匱乏的過去，隨便受個傷、生個病都有可能是致命的，人類只能戰戰兢兢，想辦法避開任何可能會傷害到自己的東西。這讓我們在無法辨別敵友時，會本能地戒備未知的東西。

即使從生態系的角度出發，同時兼具環境清道夫與許多動物主要食物來源的蟑螂，是維持自然平衡不可或缺的益蟲。但在無法感受到牠們好處的普通人眼裡，經常出沒於被我們視為髒亂、有害健康的垃圾與廚餘堆的蟑螂身上，只會被貼滿很髒，甚至是有害的負面標籤，當然不可能有好印象。

我猜這時有些觀眾心中閃過了「那又如何」、「我就討厭蟑螂啊」的念頭，但千萬別小看這份理所當然。雖說蟑螂因為生存與繁衍力強，被人類刻意撲殺這麼多年都還沒有要絕跡的意思，但其他昆蟲就沒那麼幸運了。由於人類對昆蟲，特別是只占大約10%的害蟲抱有負面觀感，使得這些小生物常在生態保育的討論中被冷落，甚至就這樣默默絕種，在地球生態系中留下無法彌補的缺口。久而久之，嘗到苦果的還是人類自己。

話說回來，既然演化心理學表明恐懼來自於未知，那只要我們學到關於這些昆蟲的正確知識，就能扭轉刻板印象了，對吧！那麼看完泛科學，想必你就能擺脫對小強的恐懼！

——雖然我很想這樣說，但很可惜，事情沒這麼簡單。還記得北海道人的訪問嗎？按照演化心理學，這些從來見過蟑螂本螂的北海道人，既然對蟑螂完全陌生，那麼應該不會有這麼正向的反應。就算不覺得被威脅，至少也該有點基本的戒備才是啊？

一篇發表於 2021 年的日本研究，正是想探討這個落差。研究團隊分析過往研究，發現「增加昆蟲相關知識」與「減輕恐懼」之間似乎沒有必然的關聯。而且，與出身郊區的人相比，從小生活在都市的人對於昆蟲竟然普遍有著較強、也較難改變的昆蟲嫌惡。

深入研究後，才發現，原來連怕不怕蟑螂這種事都得要看出身的。

都市化—嫌惡假說

在針對13,000名日本人進行調查後，研究團隊提出了「都市化—嫌惡假說」。此假說以都市化為起點，拆解出兩條人類培養對昆蟲嫌惡感的路徑。

你不該出現在我家！由破壞安全感引發的厭惡

首先，由於都市化導致自然環境縮減，無法適應都市環境的昆蟲大量減少，相對的，像蟑螂、蒼蠅、蜘蛛等適應良好的昆蟲，數量不可避免地會增加，也更容易出現在室內環境裡。對我們來說，穩固的牆壁與天花板會帶來與外界隔絕的安全感。因此，當有不請自來、侵門踏戶的東西出現，除了對昆蟲本身的厭惡，我們對所處環境原有的信任也跟著崩塌了。

回想一下，上次在家裡或辦公室茶水間看到蟑螂，就算當下就把它消滅了，在接下來的一段時間內，是不是會到處疑神疑鬼，總覺得某些角落或通風管裡藏著一支蓄勢待發的蟑螂大軍，準備趁你不注意時再出來嚇你一跳？

同樣的，就算不是在你家，而是外出用餐時在餐廳裡看見蟑螂，基於恨烏及屋的情感連結，你對於餐廳的信任感也跟著下降，甚至激動一點當場走人也有可能。但換個場景，假如你今天是在馬路上看見蟑螂，或許還是會覺得害怕、覺得噁心，但反應很可能不會像在家裡這麼大。

這便是都市化—嫌惡假說第一條路徑強調的重點。在都市化程度高的環境裡「室內」跟「室外」的界線變得分明，因此當有不該存在的東西出現，我們的反應也會更強烈。

因為不熟，所以討厭？

至於都市化—嫌惡假說的第二條路徑，是延續演化心理學裡，人們對於不了解的事物會產生恐懼的觀點。但比起針對單一種昆蟲，都市化—嫌惡假說發現，都市化環境會普遍降低其居民接觸大自然的頻率。就算是出生於郊區環境的人，在都市生活久了也會喪失這股熟悉感，甚至開始對大自然出現排斥心理。

同樣的，今天即便你是個都市小孩，只要到郊外生活夠久，而且自發地去接觸自然環境，那份對昆蟲的恐懼便會在洪水療法下逐漸被減敏感。說不定某天你會跟北海道人一樣，開始欣賞蟑螂的可愛之處喔！

從「害怕蟑螂」看見早期教育

除了解釋了我們對蟑螂的厭惡，都市化—嫌惡假說其實也點出了現代社會一個很重要的議題，那就是在現代科技的干擾下，我們接觸真實世界的頻率正在下降，無形中也失去不少珍貴的「經驗」。

我們的大腦仰賴經驗法則才能運轉，想學習新技能、建立穩固的知識結構，都需要持續且頻繁地暴露在特定刺激下。讀書、背講義是一種刺激，與人社交締結關係是一種刺激，走出戶外接觸山林也是一種刺激，任何一種刺激少了，我們就會錯過發展相應能力的機會。

就好像最近幾年特別被重視的語言教育、科學教育、情感教育，甚至是平權與美感教育，其實都是在努力把握小孩子學習的黃金期，讓他們盡早接觸到足夠的相關刺激，打下扎實基礎。這在教育心理學叫做「早期暴露」(early exposure)，這個理論反對只把重心放在學齡後與學校教育的傳統觀念，認為父母在學齡前給予孩子多元化刺激同樣重要。

不需要花大錢上才藝班，平時多帶孩子出門走走，或是準備不同的課外讀物與嗜好，都是很好的新奇刺激，不單能增進大腦發展，還可以培養認知彈性，讓他們在未來遇到未知事物時能保持好奇心、積極自發地去吸收新知，而非縮在固有觀念裡。

這個乍看很冷門、沒什麼了不起的研究，其實衍生出來的意義可是與我們息息相關。就好像我們常說在家裡看到一隻蟑螂，代表看不見的地方還有十隻。怕不怕蟑螂事小，因為享受現代科技的便利而錯失與真實世界互動的經驗，才是最得不償失的。

歡迎訂閱 Pansci Youtube 頻道 獲取更多深入淺出的科學知識！