芬普尼是惡魔還是天使？在聊芬普尼蛋前先來一份風險管理吧！

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

• 文／Evelyn 食品技師

2011 年 3 月 11 日，日本發生福島核災事件，釋出放射性物質汙染土壤、水源及食品。之後我國立即對福島、茨城、櫪木、群馬、千葉等 5 縣生產製造之食品啟動暫停輸臺管制措施。

而在 2022 年 2 月 8 日，也就是事故即將滿 11 年前夕，行政院宣布「日本福島五縣地區食品進口」正式解禁^[1]，該消息一出，便掀起全臺一陣軒然大波。

有關福島五縣食品的爭議不斷，相信民眾想知道的是，現在開放日本福島五縣地區食品進口到底安不安全？政府如何把關民眾的安全？

核災發生十年後，採取「地區式」管制措施已不合時宜

福島核災事件發生第一時間，各國皆因緊急應變考量，採取「地區式」管制，也就是禁止包括福島在內附近縣市的食品進口，為最安全保守的做法。

然而，以「地區」作為管制，很容易對該地區造成污名化，因為並非所有來自於日本某特定地區的食品都會有輻射污染，也不易使民眾聚焦到底進口的食品是否有受輻射污染之風險。

加上 11 年的時間過去，風險的影響已有所改變。依世界貿易組織（WTO）規範，會員國採取食品安全檢驗措施，應有科學根據，且不應構成對國際貿易的隱藏性限制，美國、歐盟等國家，早已皆調整其管制密度。

我國這樣故步自封的管制方式，容易引起與日本之間的糾紛，亦難以符合國際自由貿易的發展原則，連帶影響其他經濟貿易的發展。

對於半衰期較長的放射物質，是否有輻射殘留的疑慮？

有醫師提出其對於福島五縣食品的質疑^[2]，舉出輻射物質銫-134、銫-137 和鍶-90 的半衰期分別是 2 年、30 年和 29 年，後兩者可能仍有輻射殘留的安全疑慮。

根據 106 年度「受核事故影響食品之人體健康風險評估」的報告指出，日本厚生勞動省於 2012 年修訂食品管制標準時提及，就福島電廠影響及調查分析結果，將半衰期超過 1 年之放射性核種，如銫-134、銫-137、鍶-90、釕-106、鈽及鋂等，列入風險考慮。

銫以外的核種只約占總劑量之 12%，鍶-90 半衰期雖然為 29 年，但因其含量較低且需要耗時 2 星期（甚至更久）的時間來偵測，故厚生勞動省評估以上之比例修正因數，選擇以「銫」作為輻射檢測食品標準之主要代表性核種。

歐盟法規也特別指出，依日本電廠事故狀況，鍶、鈽及鋂釋出到環境的量非常有限，所以對於日本食品不需對鍶、鈽及鋂等核種實施檢測或特別管制，僅規定檢測銫-134、銫-137 即可。

對於醫師質疑有安全疑慮的銫-137，我國一直有列在監測指標中；鍶-90 在日本、歐盟的評估下，釋出到環境的量有限、可忽略，故兩者輻射殘留是不需擔憂的。

「零檢出」不等於「零含量」，應以科學方法做決策

衛福部公布草案的第一時間，還是可以聽到許多人要求輻射要「零檢出」，這是不合理的，因為零檢出易遭解讀為「含量為零」，有諸多爭議。

隨著檢測儀器及分析技術的進步快速，現在先進的儀器感度可達到十億分之ㄧ（1 ppb）的層級，過去食品檢驗不出來的物質現在可能驗得出來，但它並不是零濃度，而是趨近於零、非常低的濃度。 

現今面對食品安全問題時，應以客觀、理性的角度，運用一套以科學為基礎的「風險分析」，來做食安風險的決策。

所謂風險分析，係為評估食品對於人體健康與安全所可能造成的風險，確認並執行控制該風險的適當措施，且就該風險與該措施與利害關係人進行溝通。

風險分析是由風險評估、風險管理與風險溝通三個要素所構成，細節可詳見此文：福島 5 縣食品輸入，如何知道風險可接受？分析報告說了什麼？，這邊就不多加說明。

如何透過「風險評估」瞭解致癌風險有多少？

風險分析首先要做的便是「風險評估」，有四項重要步驟，分別為：危害辨識、劑量反應評估、暴露評估及風險特徵描述。

以下就 109 年度「輸入食品風險分析」報告中，以成年人的風險評估為例，解釋其致癌風險是如何判定的：

一、危害辨識（Hazard Identification）

按國際標準，以銫-134、銫-137 作為危害辨識標的。

二、劑量反應評估（Dose Response Assessment）

針對存在食物的生物性、化學性、物理性因子其可能造成的不良健康效應進行定性或定量的評估。

依國際放射防護委員會第 119 號報告，一般民眾攝入每單位放射性核種的約定有效劑量（Committed Effective Dose），銫 134 的劑量為 1.9×10^-8 西弗/貝克，銫-137 的劑量為 1.3×10^-8 西弗/貝克。

三、暴露評估（Exposure Assessment）

進行食品輻射劑量估算，以每人每年暴露多少西弗分析，透過不同年齡族群、不同類食品的平均攝食率資料庫，套入公式換算。該報告得出成人每年平均輻射曝露劑量為 0.002814 毫西弗。

四、風險特徵描述（Risk Characterization）

將前面三者的資訊進行整合後，向風險管理者提供科學建議。

依國際放射防護委員會第 103 號報告，每 1 西弗輻射曝露會增加成年人 4.2% 的癌症及遺傳效應之風險，也就是癌症斜率因子（cancer slope factor; CSF）^{[註 1]}。

接著計算致癌風險有多少，依據美國國家環境保護局（U.S. Environmental Protection Agency; US EPA）所公佈之風險評估流程，化學物質對人體之致癌風險可以下式計算^[5]：

致癌風險 = 化學物質之暴露量 × 癌症斜率因子

= 成人每年平均輻射曝露劑量 0.002814 毫西弗 × 10^-3（單位轉換成西弗）× 4.2%，

得出成人每年平均輻射曝露所產生的癌症及遺傳效應增加風險為 1.18 × 10^-7。 

按 US EPA 之標準，風險發生率低於 10^-6 者，歸類為「可忽略之風險」。就該報告的結果來看，除了成人之外，所有年齡層的癌症風險均判定為可忽略之風險。 

我國的「風險管理」措施是結合美國與歐盟的做法

風險評估完成後，接著進行「風險管理」，也就是要確認控制該風險的適當措施。從日本公布之官方資料中可以發現，輻射超標產品不限於分布在我國管制地區，已不適用「地區管制」的方式。

日本當地針對食品放射性物質的管理除了持續監控及公開相關資訊外，也有訂定食品的檢查計畫。若監測發現食品有超過輻射標準值時，會將其回收、銷毀，同一生產批次的食品亦一併處理，並以縣或部分區域為單位進行出貨管制等措施，此法結合特定產品與地區式的管制。

美國雖仍管制日本 14 縣市的食品輸入，但管制輸入的「特定品項」會依輻射檢驗數據滾動式調整，而非只管制「特定地區內的全數食品都不能進口」。

歐盟則是未禁止日本食品的輸入，僅要求「特定地區的特定食品」須檢附官方輻射檢驗證明。

而臺灣這次解禁有三大配套措施把關^[6]：

一、福島 5 縣食品現行規範從「禁止特定地區進口」改為「禁止特定品項進口」。

二、針對高風險品項需提供「雙證」，提供輻射檢驗證明、產地證明。

三、所有產品在邊境需逐批檢驗合格才能放行。

其實就是結合了美國與歐盟的管制特色，還是相當嚴謹，標準並沒有比別人寬鬆。

政府輕忽「風險溝通」，導致資訊不對稱

雖然風險的決策過程是科學、客觀、理性的，卻與民眾的認知有所差距。

不管是美牛還是核災食品，為何科學無法克服民眾的食安疑慮？一文，說明了政府在食安問題上，用「低風險」來遊說社會大眾，之所以沒有效果，是因為一般民眾對於機率的認知，通常帶有主觀的成分。

且最令民眾困惑的是，為何在有食安疑慮的情況下，政府仍亟於開放進口這些食品？若政府願意公開把不開放進口的負面後果明確讓民眾知道，或許民眾就會比較願意承擔風險，轉而支持開放進口。

這凸顯出「風險溝通」在風險評估與風險管理中所扮演之重要性。

一般法規命令草案公告期間，應至少公告 60 天^[8]，以蒐集各界意見或評論，但這次的草案僅進行 10 天的預告期。如此匆促的決策時間，真能夠將「風險溝通」這一部分做得完善嗎？

再者，情況特殊，有定較短期間者，應於草案內容公告時，一併公告其理由，先予敘明。這部分似乎沒有看見衛福部有說明清楚^[1]。

其實，端看我國食品最高法規《食品安全衛生管理法》第 4 條，雖然揭示了風險相關的基本原則，但並沒有風險溝通中的雙向資訊交換與公眾參與，導致我國食安主管機關組織架構中，並未有風險溝通的專門小組或人員，風險溝通具體的實施程序也付之闕如^[8]。

當然，媒體、整體公民亦必須同時善盡其在風險分析體系中的積極義務：媒體應多擷取學術研究單位所提供之健康風險資訊；社會公民亦應提升自身閱聽素質，對於未來食品議題的溝通才較有根本性的助益。

科學證明日本食品是安全的！惟須確實執行進口管制措施

回歸到日本食品進口到底安不安全的問題，科學性的風險評估結果已證實其風險之低微可忽略，且臺灣訂定的規範相較於國際是嚴謹的，可惜的是食安風險溝通的品質還有待加強。

最後要注意的是我國的管制政策，是極仰賴邊境嚴格的查驗、充沛的檢驗量能，以及進口業主是否清楚相關規範，故需要各方共同努力並執行確實，才能為社會大眾做好安全把關。

註解

1. 癌症斜率因子（cancer slope factor; CSF）：又稱斜率係數（slope factor; SF），或是單位風險係數（unit risk factor; URF），即是在說明每增加一個單位之劑量所增加致癌的風險。

1. 衛生福利部食品藥物管理署，2022。衛生福利部預告調整日本食品輸入管制措施。
2. 趙于婷，2022。台灣解禁日本福島核食！毒物專家點出「關鍵隱憂」。ETtoday新聞雲。
3. 謝婉華、陳國瑋、吳涵涵，2017。106 年度「受核事故影響食品之人體健康風險評估」計畫之日本進口食品風險評估。衛生福利部食品藥物管理署委託。
4. 姜志剛，2020。109 年度「輸入食品風險分析」計畫。衛生福利部食品藥物管理署委託。
5. 陳慧諴。如何搜尋及解讀毒性物質資料?。國家環境毒物研究中心。
6. 行政院，2022。政院：調整日本食品輸入管制措施 以「三原則、三配套」為國人健康嚴格把關。
7. 中華民國法務部，2022。行政程序法第 151、154 條行政函釋。
8. 潘誼鎂，2019。我國食品安全風險溝通法制之建構。國立交通大學科技法律研究所碩士學位論文。新竹。

本文由國泰智能投資委託，泛科學企劃執行

文／鄭必郁│國際認證理財規劃顧問 (Certified Financial Planner)

大家肯定都聽過「投資一定有風險，投資有賺有賠，申購前應詳閱公開說明書」但就算真有「詳閱公開說明書」，看不懂怎麼辦？

坊間許多投資課程的重點便是在教投資人如何分散風險，也有人會尋求理財專員的建議。而在數位化的浪潮下，也有許多新型的投資工具，利用數據協助投資人做出更理性的投資決策。

投資一定有風險，但什麼是投資風險？

我們如此害怕的「風險」，到底是什麼？整體來看，投資總風險可分為系統風險 (Systematic Risk) 與非系統風險 (Unsystematic Risk)。

系統風險又稱市場風險 (Market Risk)，主要來自政經因素影響，例如通貨膨脹、政局不安、經濟衰退、利率變動等，只要你在這地球村上就躲不掉。而目前全球最「知名」的系統風險，莫過於美國總統川普的推特內容。

非系統風險又稱為非市場風險 (Nonmarket Risk)，是可以透過多角化投資組合來分散的風險。它主要來自產業、企業或投資個案等內部風險，是由本身的商業活動和財務活動帶來的，例如航空業罷工、科技業智財權法律糾紛、知名企業 CEO 的不當言行等等。

要提高投資的勝率，當然要避開可能的地雷區，如美中貿易戰，目前較明顯主戰場在通訊、網路以及電腦週邊。因此，現階段美國圍封的中國手機品牌，或者是中國可能會針對的美國電子企業，都是應該避開的項目。

在多數的情況下，我們在投資的環境下談論的非系統風險主要會包括：

1. 流動性風險：資金變現的自由度
2. 波動度：報酬越高、風險越大
3. 債券違約率：欠債不還錢，資金放水流

投資商品這麼多，風險當然不一樣！

除了上面說的兩種投資總風險外，不同的投資商品也會有不同的風險，讓我們來看看股票、債券、基金各自的風險吧。

股票：投資人成為股東，獲利方向有兩種：第一種是公司發大財，把賺來的錢變成股息（股利）分給股東；或是公司前景看好，股價蹭蹭蹭地往上升，這時候賣掉股票便能賺價差（資本利得¹）。

有些人喜歡買穩定高配息（每年發放豐厚的股利）的「定存股」，像是中鋼、中華電信。不過，大部分的投資人還是喜歡賺價差，例如如果「膽敢」在 2014 的六月砸每股 500 美元買一股 Amazon，五年後的今天，獲利可達 1,573.73 (+479.69%)。

哇賽，買股票也太賺了吧！先別高興得太早，波動幅度大、能夠提供高報酬的股票，也就有比較高的賠錢風險。接下來，讓我們聊聊另一項商品「債券」。

債券：簡單說就是借錢給需要的對象，並且約定借款利率、付利息方法、借款期間，最後到期清償。債券是以一開始講好的利率作為獲利，通常較為穩定，相較於股票風險低，但是獲利也會較低。

那債券的風險是什麼呢？其中之一便是債務人借錢不還的違約風險。如果不想要借出去的錢放水流，就要運用「信用評等」找出誠實可靠、會準時還錢，還願意付出最高利息的人。

試想：一樣是借錢給政府的「政府公債」，美國跟剛果共和國提供了一模一樣的債券條件，你會買哪一種？當然是國力強大、怎樣看都不會倒的美國。所以，信用評等越高代表它的償債能力好、倒帳機率低，但利率通常就不會太高。反之，可以獲取較大收益的債券往往是到處借不到錢，只好多花利息來讓投資者同意那筆貸款。

股票與債券，就像在玩翹翹板

除了股票風險較高、債券風險較低外，它們更像是在天秤的兩端，會因為貨幣市場利率的調整而此消彼漲。

怎麼說呢？首先我們要知道：公司可透過降低成本來增加獲利，而大部分公司都需要借錢才能運營。

所以當央行宣告調降一碼 (0.25%) 時，一億元的貸款，每年可以少付 25 萬的利息費用，省下的這些錢挹注到盈餘，就能讓股價往上攀升。但是，從另一頭來看，投資債券的獲利來源就是利息。當利率往下調整、壓縮獲利空間，債券價格當然下跌。

嗚嗚嗚，股票賺錢債券就得虧錢、債券賺得多股票就會賠嗎？不是啦！投資並不是二選一，我們其實可以避免雞蛋放在同一個籃子裡、進行多樣性投資，這也正是基金出現的原因。

基金：是由證券投資信託公司以發行受益憑證²的方式，招募大家的資金，委託專業的經理人管理並依據當初拿到核准函的投資方向投入債券、股票、貨幣或衍生性金融商品等，而不同類型的基金與經理人會有不同的獲利表現和風險。

投資風險怎麼看？統計數字大揭密！

當我們在公開網站上搜尋特定基金或股票，在風險評等欄位通常能輕鬆查到拿來評估波動度的三個指標：標準差、夏普值 (Sharpe Ratio) 以及 Beta 值，但它們究竟代表哪些意思呢？

標準差：意指某個期間報酬率的上下變動，標準差越大，獲利就越不穩定。

夏普值：衡量基金是否能用「越小的波動」創造越高的獲利，較學術的說法就是承受每單位風險所得的報酬。用白話文來說，夏普值可以視為是基金的 CP 值，數字自然是越高越好。公式如下：

夏普值 = （基金報酬率 ─ 無風險率）／標準差

• 基金報酬率：（基金投資現值 ─ 買進成本）／買進成本
• 無風險率：原則上大都以當地貨幣一年期定存率代入

以上面公式來看，高夏普率需要下面的條件：基金報酬率高，且波動（標準差）小。換句話來說，錢投入後，就可以看著它平穩成長。所以當比較不同類型的基金或股票時，夏普率可以做為最後做決定的關鍵點。

例如要挑選投資基金，最後口袋名單剩兩檔，看起來其他條件大同小異，但每月可投金額僅允許挑一檔，A 基金夏普率 0.51%，B 基金夏普率 0.74%，當然挑 B 基金。

而另外一個指數 Beta 值 (β) 則是在看基金與大盤的對應波動幅度。Beta 數字高低沒有絕對的好壞，單純是參考值；通常 Beta 會搭配報酬率來看，若 Beta 接近 1，且報酬率跟指數差不多或略低，那就建議直接買那種類的 ETF 指數基金。

光靠自己分散風險太難？用點智能工具吧！

看了這麼多數值是不是已經眼花撩亂了呢？但這還不夠喔！你還得考量自己願承受的風險、期望的報酬率³，再根據現有的商品分配不同的比例，才能夠找出最適合自己情況的投資組合。

投資要做的功課實在很多，但人們很難時時盯盤、掌握世界經濟局勢，所以現在不少銀行都開始推出智能投資服務，結合各項投資理論和金融分析模型，讓客戶決定個人投資目標和可承受風險，再利用數據計算出最適合客戶的投資組合與配置，協助客戶進行目標式投資 (Goal-based Investing)。

此外，智能投資的「再平衡」機制，則會協助顧客做出理性決策、戰勝人性，在市場波動或投資績效偏離預期時，自動監控、提醒客戶，進一步調整優化。

學完了投資風險相關的基礎知識，也知道了新型的投資工具，但願各位在面對有賺有賠的投資時，能夠多賺一些、少賠一點，用知識發～大～財～（誤）

本文由國泰智能投資委託，泛科學企劃執行

註解：

1. 資本利得：意即以低買高賣的方式，賺取差價所得的獲利。
2. 受益憑證：投資人購買基金時，會由信託人或者基金公司發予投資人的證明，在法律上被視為有價證券。