綁在粽子串上的作者－這麼多作者到底在幹嘛？

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

近期科技界最熱烈討論的新聞，應該就屬韓國有研究單位宣布找到了新的室溫常壓超導體 LK-99 ，聽說可以在一般的高中大學實驗室中完成。這讓我不禁好奇它的製作原理，但，大部分的朋友應該跟我一樣都不是專業材料工程人員，看不懂論文怎麼辦呢？除了等泛科學出影片，別忘了我們有 AI 呀！今天我要來分享一套專門訓練來閱讀論文的 AI —— SciSpace Copilot。

今天的影片簡單的跟大家分享了基於 GPT 技術且針對閱讀學術文章進行特別優化的 AI —— SciSpace ，我只要遇到研究型文章都會特別開這個工具起來使用，其他的大語言模型都無法做到如此細緻。我覺得生成式人工智慧的未來就會到處是這種基於某種目的，比如讀論文，使用某個大模型進行微調 Fine-Tuning 之後的小模型，將會協助我們解決各種問題。

是說現在的研究生做研究的工具真是越來越多，你會想要把這支影片分享給你的指導老師看嗎？
歡迎你把使用的經驗與想法在影片下方留言與我分享！

也歡迎加入泛科學院的頻道會員，或者泛科學AI的Discord論壇，一起討論交流。

如果這支影片對你有幫助的話，請幫我在影片下方點個喜歡，或是透過超級感謝展現你的心意，讓我製作更多實用有趣的 AI 教學影片，最後別忘了訂閱泛科學院的頻道，我們下支影片再見囉。

更多、更完整的內容，歡迎上泛科學院的 youtube 頻道觀看完整影片，並開啟訂閱獲得更多有趣的資訊！

精心策畫的論文騙局

一九九六年，紐約大學物理學教授艾倫．索卡（Alan D. Sokal）在後現代研究期刊《社會文本》（Social Text）上發表了一篇論文〈跨越邊界：朝向量子重力的轉形詮釋學〉（”Transgressing the Boundaries：Toward a Transformative Hermeneutics of Quantum Gravity” in the postmodern journal Social Text）。

根據論文摘要，你覺得這篇論文是在講什麼？

「本文的目標，是藉由探究量子重力的最新發展，進一步地深析指出，海森堡的量子力學和愛因斯坦廣義相對論，如今已經被合成和取代。本文將指出，在物理學的這項新興分支中，時空流形不再是客觀的物理實體；幾何學變成了仰賴脈絡的相對關係；過去科學的基本概念已經變成可以質疑的相對性範疇，就連存在本身也不例外。我認為這種觀念革命，對於後現代的自由科學，具有深遠意義。」

如果你覺得這整段話只是用一堆意義不明的術語堆砌起來的胡扯，恭喜你猜對了。

索卡教授瞎掰了一篇論文，投稿到《社會文本》期刊，六名編輯審查之後決定接受，當成嚴肅的學術著作放在該期刊的特刊。

然後索卡發文說整件事都是他設計的騙局。他之所以煞費苦心做這種事，是為了要證明很多學術界的人都會用故作高深的方式騙取名聲。

住在拉普達裡的學者

強納森．斯威夫特（Jonathan Swift）在一七二六年的《格列佛遊記》（Gulliver’s Travels）就諷刺過這種事情，故事中的天空之城拉普達，住著一群偏執的學者和理論家，整天只會研究一些脫離現實的沒用東西。

索卡跟斯威夫特一樣虛構了很多荒謬的東西來諷刺這種現象，他在論文中塞進許多解構主義的流行術語：「偶然的」（contingent）、「反霸權的」（counterhegemonic）、「知識論的」（epistemological）。事後他對《紐約時報》表示，「這篇文章是在刻意模仿某些學者胡亂引述數學與物理概念的行為。我把這些胡扯連在一起，然後發明一個說法去吹捧。整篇文章完全不需要符合任何知識標準，也不需要符合邏輯，所以超好寫的。」

索卡一邊諷刺文化研究與文學批評期刊那種用字吹毛求疵的無聊文化，一邊用詰屈聱牙的高深術語來諷刺那些學界的派系鬥爭。學界彼此批判時候很愛使用一些沒人看得懂的術語，經常搞到即使是同領域的學者，也看不懂作者在說什麼。

事件發生之後，《社會文本》高層發表了一篇相當酸的回應：「索卡博士認為我們是知識相對主義者，他搞錯了。」共同創立該期刊的紐約大學教授史丹利．阿諾維茲（Stanley Aronowitz）表示，「而且這是因為他書讀得太少，學的東西也不夠多」。

索卡看到回應反唇相稽，「光是《社會文本》接受這篇文章，就已經證實那些後現代文學理論家的傲慢，已經誇張到可以無視邏輯。難怪他們從來不去問物理學家，那些引述物理的文字有沒有意義。在他們的世界裡，無法理解變成了某種美德；典故、隱喻、雙關語取代了證據跟邏輯。我的文章只是提供了一個例子，證明了這個流派多年以來的作風。」

學術界、法律界、醫學界這些白領人士，最容易被這種聲望連鎖反應所影響。當聲望決定一切，金字塔頂層的聲音就會過度放大，很多時候他們的說法可以廣傳，並不是因為說法有價值，而是因為其他人希望自己聽得懂他們在說什麼。即使其他專業人士聽不懂，通常也都會為了守住自己的飯碗而默默跟隨。

扁桃體切除術就是個好例子。這種手術的效果欠缺科學根據，但因為「專業醫學意見」普遍認同，一度盛行了幾十年。在二十世紀最時興的時期，上百萬名兒童接受了扁桃體切除術，其中許多甚至因此受傷或死亡；直到某一天，醫學界才終於願意仔細檢查該手術的效果，然後很快就淘汰了它。

當我們為了保障自身聲譽而服從權威時，我們會相信某一套既定的敘事，聽不進任何新資訊，所以很容易繼續以訛傳訛。這種時候，敘事的真假並不重要，因為在其他人眼中，我們這群附和的人都是專家，不太可能搞錯。

不過雖然以訛傳訛的效力很大，但它並非無懈可擊的高牆，反而更像一座疊疊樂——只要抽掉那根關鍵的木條，整座塔就會瞬間崩毀。

——本文摘自《集體錯覺：真相，不一定跟多數人站在同一邊！》，2022 年 12 月，平安文化出版，未經同意請勿轉載。

文：高至輝（東京大學醫學系研究所神經生理學教室博士生）

最近新聞又讓科學論文的議題有機會受到一般大眾的關注。但是對於不熟悉科學研究的社會大眾而言，這些在議論當中出現的「作者」到底又是什麼意思呢？第一作者？共同作者？通訊作者？這麼多人共同寫一篇文章是怎麼回事？是合著嗎？是掛名嗎？出了事大家都要負責嗎？確實，隨著科學研究的進展，作者這兩個字在科學論文中似乎不太容易用一般書籍中的定義去理解，筆者希望本文能夠藉由這個機會介紹這些「作者」在科學論文當中際扮演的角色，提供給有需要的讀者做為參考。

首先，什麼是科學論文，什麼又是論文作者？除了純理論的研究，大多數的科學論文中研究者除了需要闡述該領域當前的知識以及想要解決的問題之外，更重要的是要將自己的假設以實驗加以驗證，並為文闡述這些實驗數據所帶來的突破，因此完整科學研究其實是包括了研究的整體設計，實驗的執行與分析，以及將結果編寫成論文並且發表的一整套流程。

在以往研究的分工較為單純的年代，我們還可能看到一些由單一研究者掛名的研究論文，表示這些研究從研究的設計，實驗執行，到論文的撰寫都由一人獨力完成。比較多的時候我們也會看到由2-3位作者所發表研究論文，這項研究可能是由一位較為資深的研究員負責指導一位較為資淺的研究員所完成，也可能是兩位同級的研究者合力的成果，三人的時候也與兩人的狀況相似，只是通常排在第一順位的作者通常較為資淺，這位第一作者（first author）通常在較為資深，名列最後順位的通訊作者（corresponding author）的指導下設計整體的研究邏輯，執行實驗，並且撰寫論文。而那些居中的作者如果沒有特別的註記通常被稱做共同作者（co-author），這樣的作者可能是在實驗當中提供了局部但重要的幫助：也許透過提供了儀器，病人檢體，珍奇的藥品抑或是提供實驗設計上貴重的建議等等，像這樣的作者有可能會也可能不會參與研究論文的執筆活動。

近年，隨著近年尖端研究的難度不斷上升，想要得到嶄新的成果也更加困難。這個時代的研究人員不只花費更多的時間在研發新穎的實驗技術或熟習更困難的實驗程序，有時也需要使用極度昂貴的儀器試圖跨越前人所築起的高牆。在這樣的環境壓力下，由單一實驗室所組成的團隊逐漸開始無法獨立負擔這些龐大的作業，於是有科學家會說:「好，我來專心開發一個能夠突破偵測極限的技術」，另一個科學家也說：「好，那我專心負責提供研究材料」，若再加上一個科學家表示：「我知道了，那我專心來負責執行實驗吧」的話，這樣團隊將更有可能挑戰更加艱鉅的研究目標。當這三位科學家分別代表一個實驗室的狀況之下，過程中參與這種共同研究的人數可能就會相當可觀。視研究的規模與所使用的技術項目與困難度，近年來作者人數超過10人以上的實驗也是所在多有。舉個較為極端的例子，一篇今年刊載於Nature Genetics名為”Large-scale whole-genome sequencing of the Icelandic population”的論文[1]，作者數將近50名，橫跨了3個國家，20個研究單位。

隨著近年來的研究團隊組成越來越龐雜，論文中的共同作者人數的增加，近年來部分學術期刊也開始要求作者群必須對於每個作者在該研究中的執掌提出說明，試圖釐清實驗當中個別作者的貢獻，例如下文就完整的描述了該篇研究當中扮演的角色：

D.F.G., H. Helgason, S.A.G., F.Z., D.O.A., O.T.M., G. Masson, A.H., P.S. and K.S. wrote the initial draft of the manuscript. D.F.G., H. Helgason, S.A.G., F.Z., A.O., G. Magnusson, B.V.H., E.H., G.T.S., S.N.S., M.L.F., A.K., G. Masson and P.S. analyzed the data. D.F.G., H. Helgason, S.A.G., F.Z., A.G., S.B., H.G. and G. Masson created methods for analyzing the data. S.N.S., H. Holm, J.S., H.T.H., H.J. and O.T.M. performed the experiments. H. Holm, G.S., G.T., J.T.S., S.G., G.B.W., T.R., B.T., E.S.B., S.O., H.T., T.S., T.S.G., A.T., J.G.J., A.S., G.B., J.J.J., O.T., P.L., G.I.E., O.S., I.O. and D.O.A. collected the samples and information. D.F.G., D.O.A., G. Masson, U.T., A.H., P.S. and K.S. designed the study.

儘管分工這麼龐大，我們在這份分工裡還是可以大致上分類為「主導」的項目，這個項目負責掌握整體實驗的方向與負責最後的總結：例如實驗設計與論文撰寫；或是「執行」的項目，這些項目負責研究實施過程當中的材料準備或技術細節：例如蒐集檢體，執行實驗，分析方法的開發，執行分析等等。仔細察看各作者所參與的項目，我們不難發現論文的第一作者（D.F.G.）與通訊作者（P.S. and K.S.）都參與了所有「主導」以及部份「執行」的項目，同時我們也發現有近40名的相關人員的名字僅散見於各項有關「執行」的項目，卻沒有參與「主導」的項目；值得注意的是，與前面所提到作者為3人的狀況類似，這些共同作者在研究中扮演的角色主要在於參與提供撰寫論文所需的各種「科學事實」的過程（從準備實驗樣品，實驗，一直到分析後的實驗數據），而未必會參與在事前規劃與論文撰寫過程當中。

循著上述的這些線索，我認為隨著科學研究規模的擴大，一篇科學論文當中各種作者所扮演的角色已經逐漸溢出「作者」這二字在一般狀況下指涉的意涵，這種轉變在作者的定義上造成了一些模糊空間，有時這些定義的曖昧不明的確會干擾我們在某些議題上的判斷。儘管名分上同樣掛著「作者」二字，但就實務上的角色來說，筆者認為科學論文中所謂的共同作者在實質含意上比較接近「提供資料來源的採訪記者」；而論文中的第一作者則比較接近於一般意義上撰寫文章的「作者」；至於通訊作者則扮演近似於最終把關與對外負責的「總編輯」的角色，在研究方向的建立與論文撰寫的過程中，他們應當要站在比較全觀的視角來對第一作者的文章提供大方向上做出建議與最終的定奪。

在聽過些說明之後，各位讀者是不是對於各種作者在同一項研究中所貢獻的面向有了更明確的概念了呢？雖然實際上論文作者的掛名與排名有時侯還會牽扯到一些更複雜的因素，所以單就作者排序去論斷當中每個人的功績其實是有點片面的，但是另一方面，作者的身分確實也在某種程度上定義了每個參與研究的人員對於這篇論文上權責的劃分。有了這些資訊，希望能夠幫助一般大眾在碰到討論科學論文掛名與權責的議題之時，能夠有更完整的材料來提出自己的見解嘍。

引用文獻

1. Gudbjartsson et al., (2015) Large-scale whole-genome sequencing of the Icelandic population, Nature Genetics 47, 435–444. (doi:10.1038/ng.3247).