0

0
0

文字

分享

0
0
0

多工處理使人靈巧?-《數位癡呆症》

PanSci_96
・2015/09/11 ・3653字 ・閱讀時間約 7 分鐘 ・SR值 536 ・七年級

-----廣告,請繼續往下閱讀-----

Photo by Wolf Gang
Photo by Wolf Gang

同時使用多種媒體對我們會有何影響呢?我們會因為使用多媒體而變得更聰明、更靈巧嗎?近十年來,我們大腦的應變力得到明確的證實:它好比是生理上的硬體,持續跟某種軟體(我們的生活經驗)相適應。所以我們所經歷的事情並非不重要,因為任何心智活動都會在腦內留下痕跡,而這些痕跡會影響大腦未來的功能。

我們大腦所儲存的細節,取決於它們被學習的方式,而一般意義上,也就是分類的知識,則更取決於我們完成工作的方式。所以每名華人學生都把新學年花在熟記、辨認和快速判讀數千個方塊字上。他們可以比我們更快辨識已知的數字,因為他們花了九年,而不是一兩年在辨識數千個、而不是幾十個符號的練習上。而且他們在進行六到十的計數時比較容易,因為他們是用跟處理一到五同樣的腦半球在處理那些數字。

多工處理跟當今心理學和認知神經科學所謂的認知控制有著密切關聯。我們從很小就開始學習控制自己的想法,例如排除不相關的事情,而專注在具體的任務上。所以這關乎一種在人腦中具備且同時習得、而個人多少能夠運用的能力。這顯然可以跟我們的語言能力做比較。語言中樞也是生來就具備的,不過,它們必須得到語言輸入才能發揮其功能。這一點做得還不錯,導致個人之間在掌握語言文字上的差異。

所以,當學會認知控制,且我們控制自己思維的方式由於置身在一個多媒體世界中而發生改變時,那麼多工處理就會對我們控制自己思緒的能力發生影響。這種影響可以是正面的:人隨著任務而成長,而所要控制的東西越多,控制就越困難。但影響也有可能是負面的,因為當我們不斷同時從事許多事情,就可能會導致對許多且持續的變換,輸入較為膚淺的處理。所以,值得思考的是,我們藉由長期頻繁的多工處理訓練了自己的專注力;或是正好相反,我們因此而養成了注意力障礙。這兩種影響也有可能互相抵銷,使得多工處理失去影響力。怎麼辦才好呢?

-----廣告,請繼續往下閱讀-----

控制自己的思緒

為了探究多工作業對心智能力的影響,史丹佛大學的科學家用兩個極端的組別進行了一系列認知測驗。藉由一份專門為此研發出來的問卷,從兩百六十二人之中,產生出十九名在答題得分時顯著高於平均值的人,以及二十二名顯著低於平均值的人。於是,就有了重度媒體多工作業者以及輕度媒體多工作業者,並就這兩個極端組別進行比較。

受試者篩除不重要刺激而不加注意的能力,是藉由一種特別的任務來測試,它先前在若干個別的人身上已經顯示過顯著的差別。大學生們首先會很短暫地看到兩個長方形,他們必須在一秒之內加以記住,然後會被要求把這個記憶中的影像跟另一個顯示兩秒鐘的影像相比較,以便判斷其中一個長方形是否有過些微旋轉。

為了加大任務的困難度,在許多回合當中,螢幕上也會出現別種顏色充當分心物的長方形。這些分心刺激的數目可以是零、二、四或六。研究人員想用這種測驗來得知,這種分心物對成績是否有影響。

3-1
圖10.3 在某一回合時,對篩除不重要之物的能力測驗當中出現分心刺激的過程。受試者要回答其中一個深色長方形其方向是否有改變。如果有這種情況,就按「是」的按鍵來回答;如果沒有,就按「否」。本圖出自《數位癡呆症:我們如何戕害自己和子女的大腦》

受試者的成績會被測量。研究人員測定正確記住旋轉的數目,從中抽出答錯的數目。現在可以預期,不做多工處理的受試者,在重要物之外經常注意不重要物,在這場測驗中應該會得到較差的成績。也可以做出相反的假設,即,那些一直同時處理多項工作的人,比較不會被不重要刺激所分散注意。

-----廣告,請繼續往下閱讀-----
3-2
圖10.4 從事許多、較少以及完全不做多工作業的人,在篩除不重要刺激測驗時的成績(依分心刺激的數目劃分)。本圖出自《數位癡呆症:我們如何戕害自己和子女的大腦》

這張折線圖顯示,情況完全出乎意料:非多工處理者可以很好地完成任務,並不受到有多少額外分心刺激存在的影響。相反地,倒是多工處理者的成績,隨著分心刺激數目的增加而顯著降低。

多工處理者也在另一項測量心智能力的標準測驗當中,顯示較差的成績。這項相當簡單的任務,是要觀看一組字母。這組字母在電腦螢幕上以黑底紅字各顯示○.三秒鐘。在每個字母之間有一次將近五秒鐘的停頓,受試者要記住剛剛才看到的字母。如果一個A後面跟著一個X(且只有在「A-X」的情況下),受試者就得按下「是」的按鍵。至於在其他各種狀況下,也就是A後面跟著非X(A-Y),B後面跟著X(B-X),以及非A後面跟著非X(B-Y),全都要按下「否」的按鍵。在一個加大難度的測驗版本中,在紅字母之間還會出現○.三秒三個其他的白字母,這是應當不受注意的東西。所以測驗再次關係到忽略轉移注意的刺激。

在前述的簡單測驗版本中,在多工處理者和非多工處理者之間並沒有差異。然而在有額外轉移注意刺激的較難版本當中,多工處理者卻顯然需時較久。

3-3
圖10.5 非多工處理者和多工處理者兩組在較難測驗中的反應時間平均值。本圖出自《數位癡呆症:我們如何戕害自己和子女的大腦》

除此之外,還進行了一項有關工作記憶能力的記憶測驗。這一回,受試者還是觀看一組字母,黑底白字,每一字母顯示半秒鐘,字母之間則停頓三秒鐘。這次的任務是,要是字母跟前面的上上個字母(倒退兩個)一樣,或是跟上上上個字母(倒退三個)一樣,就按下「是」按鍵。也就是說,受試者必須在短時間內記住螢幕上的每個字母(這就是工作記憶所主管的事情),並跟先前所看到的某個刺激進行比較。「倒退一個」字母測驗相當簡單:現在所看到的字母是否跟前一個一樣?「倒退兩個」字母測驗較難:剛才所看到的字母是否跟上上個字母一樣?至於「倒退三個」字母測驗最難,大家都會犯錯——問題只在於犯多少錯。

-----廣告,請繼續往下閱讀-----

結果再度顯示,相較於非多工處理者,多工處理者在「倒退三個」字母測驗中成績較差。一如所料,兩組受試者在「倒退三個」字母測驗比「倒退兩個」字母測驗成績來得差。可是多工處理者在「倒退三個」字母測驗中答錯成「是」的答案顯著增多。耐人尋味的是,多工處理者這些答錯成「是」的答案,特別取決於,先前在測驗過程中看過的字母顯然還一直留在工作記憶中,而引出一個(錯答)「是」的答案。作者們認為,這一點顯示出,受試者在把不重要內容排除出意識之外方面有困難。

所以這項測驗顯示,多工處理者不僅拙於忽略令人分心的外部刺激,更拙於忽略本身令人分心的記憶內容。

3-4
圖10.6 在「倒退兩個」和「倒退三個」字母測驗中,答錯成「是」的答案比例。本圖出自《數位癡呆症:我們如何戕害自己和子女的大腦》

最後還進行了一項有關在不同任務之間「轉換」的測驗。受試者首先會看到○.二秒的「數字」或「字母」。這表示,他們在接下來的程序中必須注意數字或字母,於是在短暫的停頓後,他們會看到一對數字和字母,例如「2b」或「a3」。接著,就要視任務而定,如果是有關一個偶數,就按下某個按鈕,如果是奇數則按另一個按鈕;或是在看到一個子音字母或母音字母時,按下對應的按鍵。所以受試者必須就數字或字母做分類。

如果在進行測驗時,是重複某項任務(某個數字後頭跟著另一個數字),受試者的反應會比任務轉換時來得快。任務轉換就是,先出現數字後出現字母,或是倒過來,先出現字母後出現數字,而讓受試者加以歸類。就連這種任務的結果也顯示,多工處理者在完成任何交待的任務上有困難:他們在任務轉換時反應時間的遲緩,比非多工處理者這組平均多了一百六十七毫秒。

-----廣告,請繼續往下閱讀-----

總括而言,這項研究結果顯示,經常同時使用多種媒體的人,在控制自己的心智方面會出現問題。「多工處理者在無視環境中不重要刺激上有較大困難……,較不擅長忽略自己記憶中較不重要的刺激(「倒退兩個」和「倒退三個」字母測驗),在壓抑不相關的任務(任務轉換)上也比較沒效率。最後這個結果深具意義,讓人開始思考,在多工處理時,任務轉換所扮演的核心地位。」

可能會有人提出異議,說這些結果根本只是顯示出,那些在其他有關心智能力的測驗中,成績也較差的「較愚笨」者才習慣於多工處理。但並不是這種情況,因為有一連串額外的測驗可以證實,這些組別在其他條件下都並沒有任何差異:不管是在校成績、人格測驗或是其他認知測驗方面都沒有差異。

 

986918420本文摘自《數位癡呆症:我們如何戕害自己和子女的大腦》,由暖暖書屋出版

文章難易度
PanSci_96
1226 篇文章 ・ 2337 位粉絲
PanSci的編輯部帳號,會發自產內容跟各種消息喔。

0

3
3

文字

分享

0
3
3
圖形處理單元與人工智慧
賴昭正_96
・2024/06/24 ・6944字 ・閱讀時間約 14 分鐘

  • 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?

黃仁勳出席2016年台北國際電腦展
Nvidia 的崛起究竟是時勢造英雄,還是英雄造時勢?圖/wikimedia

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。

-----廣告,請繼續往下閱讀-----

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:

-----廣告,請繼續往下閱讀-----
  • 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

-----廣告,請繼續往下閱讀-----

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?

圖形處理的例子

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。

-----廣告,請繼續往下閱讀-----
典型的CPU與GPU架構

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?

-----廣告,請繼續往下閱讀-----

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?

-----廣告,請繼續往下閱讀-----

(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)

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。
文章難易度

討論功能關閉中。

賴昭正_96
43 篇文章 ・ 56 位粉絲
成功大學化學工程系學士,芝加哥大學化學物理博士。在芝大時與一群留學生合創「科學月刊」。一直想回國貢獻所學,因此畢業後不久即回清大化學系任教。自認平易近人,但教學嚴謹,因此穫有「賴大刀」之惡名!於1982年時當選爲 清大化學系新一代的年青首任系主任兼所長;但壯志難酬,兩年後即辭職到美留浪。晚期曾回台蓋工廠及創業,均應「水土不服」而鎩羽而歸。正式退休後,除了開始又爲科學月刊寫文章外,全職帶小孫女(半歲起);現已成七歲之小孫女的BFF(2015)。首先接觸到泛科學是因爲科學月刊將我的一篇文章「愛因斯坦的最大的錯誤一宇宙論常數」推薦到泛科學重登。

0

2
3

文字

分享

0
2
3
大家都認為自己值得更多的薪水!給你更多錢會提升工作表現嗎?——《超越直覺》
一起來
・2024/05/02 ・1949字 ・閱讀時間約 4 分鐘

-----廣告,請繼續往下閱讀-----

框架問題理應提醒我們,我們只要自動腦補就一定會犯錯。我們確實向來如此。不過「人類」這個對象不同於 AI 研究人員開發的機器人或電腦,並不會讓我們訝異到必須被迫改寫思考時的整個心智模式。相反地,一旦我們知道答案,就似乎總能找出先前被忽略、後來明顯相關的面向,就像拉扎斯菲爾德假想的《美國士兵》讀者——他們在事後發現,每一個對立的結果都同樣理所當然。

也許我們原本預期自己中了樂透之後會超級開心,結果中獎之後,卻發現自己很鬱悶,這個預測顯然很糟糕。但當我們意識到自己預測錯誤時,同時也獲得新的資訊,例如那些突然出現要借錢的親戚。於是我們會心想,如果早點知道這些資訊,就可以正確預測未來的幸福狀態,也許就不會去買樂透彩了。

因此,我們沒有質疑自己預測未來幸福程度的能力,反而只是認為我們漏掉了一些重要的東西,並且確保自己不再犯相同錯誤。然而我們卻一錯再錯。事實上,無論對於他人行為的預測失準了多少次,我們總是可以用當時未知的事情做為辯解。透過這種方式,我們掩蓋了框架問題,一再說服自己下次會做好,卻永遠都不明白我們真正錯在哪裡。

圖/envato

這種行為模式在動機與金錢報酬的關係中最為明顯,也最難消除。例如,實施金錢獎勵制度顯然能提升員工表現,而且數十年來,職場上大幅出現以績效為基礎的薪資制度,最具代表性的就是高階主管薪酬與股價掛鉤。

-----廣告,請繼續往下閱讀-----

當然,員工在意的顯然不只薪水,還有內在的愉悅感、認同感,以及在個人職涯上的成長與晉升等因素,這些都會影響工作表現。

在其他條件都相同的情況下,適當的金錢獎勵可以提升個人表現——這似乎理所當然。然而,多年來有多項研究顯示,薪酬與工作表現之間的關係,實際上的複雜程度讓人難以想像。

舉個例子,最近我跟雅虎(Yahoo!)的同事梅森(Winter Mason)進行了一系列網路實驗。我們給予受試者不同的薪資,並要求他們執行各種簡單的重複性工作,例如:按照正確的時間順序排列一組車流照片,或是在矩形網格上,找出隱藏在一堆英文字母中的英文單字。

所有受試者都是在亞馬遜土耳其機器人(Amazon’s Mechanical Turk)這個外包網站上招募而來,這個網站是亞馬遜公司於二○○五年推出,原先是用來找出重複的庫存商品。現在有數百家企業使用土耳其機器人進行「群眾外包」(crowd-source),處理五花八門的各種任務,像是標示圖片中的物品、描述新聞報導的觀點,或是判斷兩種說法中哪一個比較清楚。這個網站也是招募心理學實驗受試者的一個有效方法,就像心理學家多年來在大學校園裡張貼廣告那樣,不過土耳其機器人網站的「託客」(turkers)完成一件任務的報酬通常只需要幾美分,只占了研究經費的一小部分。

-----廣告,請繼續往下閱讀-----
圖/envato

我們的實驗總共納入數百位受試者,完成了數萬件任務。有些受試者完成一件任務只能得到 1 美分的酬勞,例如整理一組圖片、找出一個單字。但是,有些受試者完成相同任務卻會得到 5 美分或 10 美分。這在工資上是相當大的差異,要知道,美國電腦工程師的平均時薪只有聯邦最低工資的六倍,所以你可以預期這個工資差異會對受試者的行為產生強烈影響。

結果確實如此。我們付的錢越多,受試者離開實驗之前完成的任務就越多。我們還發現,不管工資多少,分配到「簡單」任務(每一組有兩張圖片需要歸類)的人,比分配到中等或困難任務(每一組有三至四張)的人完成更多任務。換句話說,這些都符合常理。

但接下來的問題是:雖然存在上述差異,我們發現這群受試者的工作品質,也就是歸類圖片的準確度,並不會因為工資不同而下降,即使只有正確完成才能拿到酬勞。

該如何解釋這個結果?我們並不十分確定。在受試者完成任務之後,我們問了一些問題,包括他們認為自己的工作該得到多少報酬。有趣的是,他們的回答與工作難度無關,而是取決於獲得的工資。平均而言,每件任務得到 1 美分的受試者,認為自己該得到 5 美分。得到 5 美分的認為自己該得到 8 美分,而得到 10 美分的則認為自己該得到 13 美分。

-----廣告,請繼續往下閱讀-----

換句話說,不論他們實際上得到多少(還記得有些受試者的工資是別人的十倍嗎),每個人都覺得工資過低。大家在直覺上會認為,給予金錢獎勵就能夠提升員工的動機,但這個實驗告訴我們,即使是非常簡單的工作,工作動機也會因爲員工的權利意識提升而大幅減弱。

——本文摘自《超越直覺》,2024 年 01 月,一起來出版,未經同意請勿轉載。

討論功能關閉中。

0

1
0

文字

分享

0
1
0
資訊量過大啦!我們其實不擅長處理複雜的資訊?——《生物轉大人的種種不可思議》
商周出版_96
・2023/11/21 ・1330字 ・閱讀時間約 2 分鐘

誰不接受多樣性?

我們的成長方式具有多樣性。有人長得快,有人長得慢;有人長得高大,有人長不高。這種多樣性是「生物的策略」。不過有個東西並不接受多樣性。就是我們的大腦。

人腦不善於處理複雜的訊息。

有一個法則叫做「神奇數字七法則」,意思是:人類一次頂多只能記住七樣東西。

這是真的嗎?我們來試試看。

-----廣告,請繼續往下閱讀-----

請記住以下插圖,限時三十秒。

接著再看下面的圖,什麼東西不見了?

答案是不倒翁。為什麼明明十樣物品也不多,我們就是記不住呢?

再來試試下一題吧。

-----廣告,請繼續往下閱讀-----

雖然超過七個圖,但是這一題可能大家都記得住,因為這些圖都與《桃太郎》的故事有關。先找出關聯性,再加以歸納整理,大腦才有辦法勉強記住超過七樣東西。

大腦不擅長處理太多資訊

記憶圖畫或許比較困難,試試看數字吧。

請記住旁邊的數字,限時五秒。

怎麼樣? 是不是太簡單了點!

-----廣告,請繼續往下閱讀-----

下面這一組數字呢? 也是限時五秒。

上面這一題是不是也太簡單了!

下一組數字呢? 限時同樣五秒鐘。

如何?

-----廣告,請繼續往下閱讀-----

前兩題應該可以輕輕鬆鬆記住,但是第三題就比較不容易了吧?

你知道第三題有幾個數字嗎?

答案是八個。

只有八個!

-----廣告,請繼續往下閱讀-----

人類厲害到發明了電腦,我們優秀又傑出的大腦照理說應該能理解一百、一萬,甚至一億個數字。然而實際上,人腦必須費盡力氣才能記住兩隻手數得完的數字。我們的大腦本質上不擅長處理「大量」的資訊。

理解「大量」的方法

如同上述的例子,當題目是文字(圖像)時,只要歸納出《桃太郎》的故事,我們的大腦就更容易理解。

那麼數字呢?

我們來看看下面的數列。

-----廣告,請繼續往下閱讀-----

把亂七八糟的數字排成一列,是不是就好記很多?

如果再排成下面這樣呢?

這次是依照數字的大小排序。

我們可以看到「3」有兩個,而 1 到 9 中間缺少了「7」和「8」。經過排列和整理順序之後,人腦就比較能夠理解這些資料。我們的大腦最喜歡把東西排成一列或排順序。學校排成績也是這樣的關係吧?

-----廣告,請繼續往下閱讀-----

——本文摘自《生物轉大人的種種不可思議:每一種生命的成長都有理由,都值得我們學習》,2023 年 8 月,商周出版,未經同意請勿轉載。

商周出版_96
119 篇文章 ・ 362 位粉絲
閱讀商周,一手掌握趨勢,感受愜意生活!商周出版為專業的商業書籍出版公司,期望為社會推動基礎商業知識和教育。