為什麼保險套這種舊避孕科技，至今還沒有被取代？—《老科技的全球史》

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

每天煩惱三餐要吃什麽、出門要怎麽穿、回家後有沒有舒適的被窩可以鑽，應該是我們大部分人的日常。然而，在社會的某些角落，「貧窮」卻可能讓人連基本生理需求都難以滿足。

要消除貧窮，免不了增加資源消耗，但全球暖化危機當前，人類又不得不展開節能減碳的行動。面對「對抗貧窮和調適氣候變遷，兩者是否相互衝突」的疑問，科學家們提出了一個直指核心的問題：我們需要多少能量，才能讓所有人過上體面的生活？

打造放諸四海皆準的人類基本福祉指標！

為了解答這個大哉問，來自國際應用系統分析研究所（IIASA）的研究者們，提出了一個新的指標——「體面生活標準」（Decent Living Standards，DLS ）。它源自於基本人權與公平正義的普世理念，定義為任何人都應享有的一系列基礎物質與社會滿足要件；不論你出身何處、對好的生活有何想法，或擁有什麽訴求。

這些基礎條件，可以分為五大面向：營養（Nutrient）、庇護所（Shelter）、健康（Health）、社會互動（Socialization）及可移動性（Mobility）。在食衣住行方面，除了三餐溫飽及空間大小充裕的住處外，DLS 更貼心地考慮生活的細緻之處，例如乾淨的衛浴、可以烹飪、保存食物的基礎家電，以及高緯度地區在冬、夏兩季不可或缺的溫控設備等等。DLS 也不止步於基本物質需求，更涵括一個健全生活的人應享有的醫療服務、義務教育，使用基本通訊和交通設施，以及進行社交聯繫和政治參與的權利。

逐項列出統一化的 DLS 各面向的要求後，研究者們會根據不同國情，例如氣候、都市化程度、文化及科技經濟結構的程度，去計算各國達成這些基準的閾值能量。除了國與國的差異，在計算上，也會納入在地的城鄉差距。

舉例來説，訂定了擁有足夠空間和熱舒適的房屋通用標準後，研究者會把它換算成各地所用的不同建材，及建設與維持各類民生服務的基礎設施（如水電廠、運輸系統等）所需耗費的能量。有了 DLS 的理想標竿值，再與每個國家目前用於實現 DLS 的能源進行比較，就可估算出填補 DLS 缺口所需的能源需求。

為什麼要以「能量」衡量生活標準？

過去，我們總是以滿足生活標準的最低收入，來制定貧窮線的水平。但 DLS 作為最低限度理想生活的基準，採用的是計算能源消耗量（energy consumption）常用的單位，即千兆焦耳（Gigajoule，GJ）或十萬億焦耳（Exajoule，EJ）。一般國家的能源消耗量，都與基礎建設有關，大部分來自化學燃料的燃燒，以及水力發電、核電、風力發電、太陽能發電等。

值得注意的是，DLS 分析結果顯示，無法過上體面生活的人，數量遠比處在貧窮線底下的人來得多！這說明：現有衡量貧富的指標，跟實際情況是脫節的。以金錢收入作為生活水平的衡量單位，是預設個人能透過消費，去換取相應的生活品質。但現實中，有一大部分的人，即使收入高於貧窮門檻，現今社會所投入建設的能源，卻未必足以讓他們過上體面的生活。

因此比起以金錢為單位，DLS 由下而上（bottom-up）去推算建設和維持基本物質需求所耗費能量的模式，也許更適合作為反映人類生活品質的指標。以消耗能量為單位的 DLS 不只有物質條件，也納入社會層面的需求，因此可以為政策制定者在思考資源規劃時，提供更直接、全面的參考。

世界並不公平，尤其在所需耗費的能量上

搭配各國戶口統計調查、世界銀行（World Bank）發展指標等數據，研究者推算出世界各國在不同面向上與 DLS 的差距。結果顯示，北半球的北美與歐洲，大部分人民都過著與 DLS 相距不遠的生活。然而，南方卻呈現截然不同的境況。

在撒哈拉以南的非洲國家，有超過 60% 的人口在居家、溫控、衛浴與飲用水設施上，都相當匱乏。部分南亞與太平洋地區也面臨類似困境，尤其缺少乾淨的保暖與烹飪設施。這與他們使用的傳統生質能源帶來的不良健康影響有關。此外，部分亞洲、中東、拉丁美洲地區，也存在不便取得飲用水和保暖設施等等的缺口。

那麽，要投入資源做新建設，弭平當今與未來人口與 DLS 之間的距離，我們還需要多少能量呢？研究者設定情境估算，在 2040 年前，我們總共需要 290 EJ 的累積能量——大概是如今全世界每年所消耗能量的四分之三！是的，當今世界平均所消耗的能量，其實早已超過滿足每個人 DLS 的額度。在提升生活標準的耗能中，有大半會是拿來打造適宜的居所，四分之一用以建設以公共交通為主的交通設施，而改善健康營養所需的能量，會比推動社會互動來得少。

如果我們能成功在 2040 年時，讓所有人都達到 DLS，那在 2050 年時達到體面生活，最終需要年均 156 EJ 的能量，其中 108 EJ 會是供南方世界所用。到時候，人類生活的耗能大抵都會用在移動、通勤上，其次是維持健康及居住品質，而投入在維持社會互動所需的能量所占比例最低。

另一個研究的重要發現是，由於各地的氣候、文化和交通管道不同，即使在同一套 DLS 下，有些地區就是會比其他地區耗費更多能量，才能達到相同的基準，這個能量差異甚至可達 4 倍！例如，高緯度國家會需要耗費更多能量，來維持相同舒適的室内溫度；同樣的通勤距離，公共交通覆蓋率高的國家不需太多能量就能完成，但在個人擁車率高的地區，就會產生更多耗能。

結論：消除貧窮與對抗氣候變遷不衝突

總體而言，DLS 的研究結果，在貧富懸殊與氣候正義議題上提供了新的視野，告訴我們：投入消除貧窮的能量，並不會對調適氣候變遷的行動產生威脅。現今人類社會所產生的能量，其實大都挹注在讓原本就充裕的生活更好，而非幫助仍在體面生活基準下的人。因此，各國如何在經濟成長與耗能規劃上取捨，找出更公正、有效率的資源重分配方式，才是關鍵解決之道。

1. Decent living gaps and energy needs around the world
2. Decent Living Standards: Material Prerequisites for Human Wellbeing
3. Energy requirements for decent living in India, Brazil and South Africa
4. 让全球老百姓过上体面生活不会拖累气候减排目标
5. How much energy do we need to achieve a decent life for all?
6. 維基百科：貧窮門檻

瘟疫大流行的發生——抗原突變

瘟疫大流行只有當血凝素和神經氨酸突觸兩者之一，或是同時，發生重大改變時發生。當全新的基因組合代替舊基因時，新抗原的形狀會和舊抗原有相當大差異。這叫作「抗原突變」 (antigen shift) 。

再用足球員的球衣來比喻，抗原突變相當於球員把綠衣白褲換成橘衣黑褲。抗原突變發生時，免疫系統根本不能辨認新抗原。全世界極少有人具有對抗這種抗原的抗體，所以病毒可以用爆炸性的速度橫掃人類社會。

血凝素有十五種基本型，神經氨酸有九種，它們有不同的組合方式，加上一些亞型。病毒學家用這些抗原組合來區分研究中的特定病毒，例如 H1N1 病毒是一九一八年流行的病毒，現在仍存在豬隻身上。H3N2 則是今天在人類身上流行的病毒。

病毒突變是怎麼回事？基因怎麼重組？

病毒突變是當一向只感染鳥類的病毒轉而直接或間接攻擊人類時發生。自一九九七年起，H5N1 和 H7N9 兩種禽類病毒直接感染了兩千三百人，超過一千人死亡，宛如另一場類似一九一八年的大流行。

鳥類和人類的唾液酸受體不同，所以能和鳥類細胞受體結合的病毒通常不會和人類細胞結合，也就不會感染人類。香港十八個被感染的人可能是暴露在大量病毒之下，這些病毒突變群裡可能含有能與人類受體結合的突變種，而大量接觸的情況下使得變種病毒得以在人體內建立據點而發病。幸虧這些病毒並沒有演化為人類病毒，那次所有的患者都是直接被家禽傳染的。

動物病毒跳上人體之後，只要一點簡單的突變就可以轉變成人類病毒。這過程也可以間接發生，因為感冒病毒最後一個不凡的特性就是可以在物種之間適應轉移。

感冒病毒不僅突變快速，它的基因組成還是成段分開的。就是說它的基因組不像大多數有機體或其他病毒一樣沿著核酸串在一起，而是存在不連貫的 RNA 上。所以當兩種不同病毒侵入同一個細胞時，它們的基因組就很可能混合重組。

重組會讓一個病毒的基因和另一個混在一起，好比把兩種不同花色的撲克牌洗在一塊，然後出現一疊含有兩種花色的牌。這就產生一種全新的病毒，讓它有機會從一個物種跳到另一個物種上。

香港禽流感中，如果有個人同時感染兩種病毒，這兩種病毒就有機會重組它們的基因，產生能容易在人類流傳的新病毒品種，而致命的病毒就這樣變成人類病毒。

病毒也可以經由中介者間接變成適合的。有病毒學家提出，對病毒來說豬是最佳的仲介，因為豬細胞的唾液酸受體能同時與鳥類和人類的病毒結合。當鳥類病毒和人類病毒同時感染同一頭豬時，病毒重組就可能發生，全新的病毒便可能現身人間。

一九一八年時獸醫曾提到豬和其他動物發生流行性感冒；而今天的豬感冒病毒也是一九一八的感冒病毒的直系後代。但我們並不清楚人和豬之間究竟是誰先把感冒傳給誰的。

紐約西奈山醫學中心的彼得．巴利斯 (Peter Palese) 醫師是世界感冒病毒權威，認為病毒基因重組的理論^[1]可以解釋病原突變的現象：「⋯⋯另一個可能性是鳥類病毒和人類病毒同時感染肺部細胞，給了病毒升級的機會⋯⋯不管是豬肺或人肺，沒理由說這種混合不可能發生。沒有絕對證據說這兩個物種沒有共同的唾液酸受體，也不能保證鳥類的受體和人類真的不同。只要有一個胺基酸的突變，病毒就可以很容易找到另一個宿主。」

有些過去的瘟疫竟然是流行性感冒？

因為病原突變而造成的大規模瘟疫在人類交通還沒有像今天一樣繁忙之前就發生過了。大多數醫史學家從疾病傳播的速度和感染人數推斷，十五、十六世紀歷史上發生的幾次瘟疫都是流行性感冒，但還是有分歧的看法。一五一○年非洲傳來瘟疫肺炎「立刻狂掃歐洲，不放過每個家庭的每一個人。」

一五八○年又有一次疫病從亞洲傳來，到了非洲、歐洲，再到美洲。它的威力大得「六星期內折磨幾乎全歐每個國家，不到二十分之一的人得以倖免。」在西班牙有些城市「人口幾乎完全被滅絕。」

有些過去的瘟疫則無疑是流行性感冒。一六八八英國光榮革命那年，流感襲擊英國、愛爾蘭、新大陸的維吉尼亞州，這些地方記載著：「⋯⋯人們死去⋯⋯像在鼠疫中⋯⋯」五年之後，感冒又掃過歐洲：「各種狀況的人都被感染⋯⋯強健的人和衰弱的人一樣倒下⋯⋯不分老幼。」

一六九九年的麻州，科頓．馬瑟 (Cotton Mather) 寫道：「病魔幾乎侵入所有家庭，極少人逃過。在波士頓死亡特別多，而且有人死得很怪異。有些家庭全家生病，有些地方全鎮都病倒，真是個疾病的時代。」

歐洲在十八世紀至少被三次，可能多達六次瘟疫襲擊，十九世紀至少有四次。一八四七年和一八四八年這兩年倫敦死於感冒的人數超過一八三二年霍亂流行的時候。一八八九和一八九○年又一次世界性大流行，不過不如一九一八年猛烈。二十世紀有三次來襲，每次都是由抗原突變引起，不是血凝素就是神經氨酸，或是兩者同時大幅變化，或是其他基因組異動造成的緣故。

流行性感冒通常感染百分之十五到四十的人口。任何感冒病毒感染那麼多人，又造成相當比例的死亡率，的確是超乎想象的恐怖。近年來公共衛生當局發現至少兩起新病毒感染人類，而在它突變成為人類病毒之前就先作了防堵措施。一九九七年香港的禽流感在十八個病例中有六人死亡。

那次為了防止家禽病毒變成人類病毒，當局將香港所有的一百二十萬隻雞全部撲殺。不過這麼做還是沒有徹底消滅 H5N1 病毒，它仍留在家禽身上，而在二○○三年又感染兩個人，造成一人死亡。這種特殊病毒的疫苗已經研發出來，但是並沒有大量製造。

二○○三年春天當一種新的 H7N7 病毒在荷蘭、比利時、和德國的家禽農場出現時，造成更大規模的撲殺。那次病毒感染了八十三個人，其中一人死亡，並且傳染到豬隻身上。當局撲殺了將近三千萬隻家禽和一些豬。

到了二○○四年，從未真正消失的 H5N1 以復仇之姿再次回歸。它在五年內感染了全世界約四千人，並奪去其中約百分之六十的人性命。它造成、且很有可能再度造成另一場大流行。為了防堵這個病毒，估計共有上億隻家禽被撲殺，但世界各地仍出現地方性的疫情。

執行這種昂貴又恐怖屠殺的原因是為了不讓一九一八年的故事重演。這麼做是為了要防止病毒突變，荼毒人間。在此同時，二○○九年突如其來，從感染過鳥、豬及人類的病毒中基因重組的一種病毒，也造成了另一次大流行。

註解

1. 二○○一年澳大利亞科學家馬克．吉伯斯 (Mark Gibbs) 提出理論說，感冒病毒也可以自己重組基因，就是說把一段基因拿下來接到另一個基因上。好像把兩疊牌切碎，把碎牌隨便黏在一起，然後任意撿起五十二張新牌成為一套。這種重組在實驗室中曾經被證明，但大部分病毒學家還是對這種說法持疑。

• 【科科愛看書】在「由來只有新科技笑，有誰聽到舊科技哭」的氛圍下，我們似乎大多將目光放在最新科技如何改變我們的生活，卻忘了那些早已廣泛在我們生活中默默使用的老科技，但往往這些才是影響我們最深的。在《老科技的全球史》中最重要的不是科技在哪一年發生，而是接下來它如何進入我們的生活，影響我們的社會。

談到避孕科技，臉紅之餘最先想到的是口服避孕藥。之所以認為避孕藥重要，不只是因為這是個強力的避孕方法，也因為常常認為它帶來了性革命。富裕國家的性革命是貨真價實的，因此可以宣稱合成類固醇賀爾蒙的使用帶來了性革命，正是個小而平凡的科技如何引發巨大改變的驚人例子。

然而，避孕藥究竟造成什麼其實並不清楚。把避孕藥直接連結到性革命，可以輕易看出背後的預設是：沒有可以取代避孕藥的避孕方法，或是其他的方法差很多。相較之下，這些其他方法的歷史幾乎不為人知。避孕藥是大量文獻的主題，但保險套以及其他許多尋常的生育控制科技則很少成為避孕史的重點。 然而，長久以來避孕就有許多方法；就沒落的科技、逐漸消失掉的科技，乃至「舊」科技的重現而言，這些方法的歷史展現出其重要性。避孕是個絕妙的例子。

長久以來人們使用不同的方法來控制生育和避孕。二十世紀有好幾種生育控制技術，包括墮胎、結紮、體外射精、各種用橡膠做成的避孕器材以及化學避孕法。二十世紀的大多數時候，有些避孕方法在世界上許多地方是非法的，而且幾乎都隱藏在公共視線之外，很難知道實際狀況或是取得這些方法的使用指標。

保險套

最重要的避孕方法之一，似乎是保險套。保險套曾經讓人聯想到理髮店、軍營以及疾病預防；多年來它一直是種半地下產業的產品。

從 1930 年代開始，用玻璃模子沾一下乳膠溶液就有辦法大量生產保險套。它們的產量以數十億計，生產成本低廉且輕巧而容易棄置。美國在 1931 年保險套的日產量是一百四十萬個，而且快速成長，因此戰後保險套在美國廣泛使用。部隊發放保險套給士兵，二次大戰之後避孕保險套的使用無疑因此大為增加。例如，英國每年的銷售量穩定成長，從 1949 年的四千三百萬個，增加到 1960 年代晚期的一億五千萬個。 然而，大多數的性行為顯然並沒有使用保險套。

女性的避孕產品

保險套只是眾多避孕科技當中的一種。還有各種女性使用的避孕科技在半地下的市場販售──這些產品包括墮胎藥物、殺精劑、清洗劑及結紮。1930 年代這類科技在美國的銷售量跟保險套差不多。兩次世界大戰之間，在英國和美國活躍的著名生育控制運動者瑪莉．史托普（Marie Stopes）和瑪格麗特．桑格（Margaret Sanger），推廣子宮頸帽和避孕膜這類特定的女性橡膠避孕科技。它們由女人所主控，而且在許多方面要比保險套來得體面；使用它們也需要醫療介入。這些運動者的目標是將避孕方法醫療化與女性化。

瑪格麗特．桑格後來成為提倡避孕藥研究的要角，避孕藥後來是由製藥工業所生產，並且由醫師開立處方。在美國避孕藥從 1950 年代晚期就可以取得，在 1960 年就取得販售的許可。

避孕藥的出現

避孕藥獲得巨大的成功。避孕藥不只是增加了一種避孕科技而已，而且導致其他不起眼的避孕科技走入沒落。1960 年代早期，保險套在美國的銷售量大為降低，到了 1960 年代晚期，避孕藥是比保險套更加普遍的避孕方式。英國的保險套銷售從 1970 年代初期就開始下降。避孕藥要比其他的避孕方法更有效，而且在體液交融的過程中不需要使用高溫硫磺處理過的橡膠，更重要的是，避孕藥是在性行為進行之前使用；這些重要的特性不會影響到其避孕效力，但對其受歡迎的程度卻有很大的影響。同樣重要的是，避孕藥是唯一可以公開討論的避孕科技。

避孕藥使得避孕變得公開且體面。就許多方面而言，這在它登上檯面前是難以想像的，這也是避孕藥能夠轉變性關係的原因之一。避孕藥的普及和性行為之間的關聯受到爭辯：關於它和性革命的關係沒有清楚的結論；性革命的新穎之處不在於婚前性關係，而是發生性關係但根本不打算和對方結婚。和其他技術相較，避孕藥對性行為產生如何的影響並沒有受到探討。 但宣稱避孕藥是唯一能夠帶來性革命的技術方法，這是難以讓人信服的。

但避孕藥之後，其他避孕科技消失了嗎？

在性革命之後，許多早於避孕藥出現的避孕方法並未消失，這點發人省思。避孕藥之後，對於避孕方法的研究比以前更多，帶來了與避孕藥競爭的科技，包括子宮避孕器（IUD）。

保險套則是那種成長、消失、又重新出現的科技之一。在愛滋病出現之後，其銷售在 1980 年代遽增，此一現象使得保險套首度和避孕藥一樣可以被公開提及。全球保險套的產能從 1981 年的每年四十九億個，提高到 1990 年代中期的每年一百二十億個。可預期的是保險套也有科技創新。第一個符合人體解剖形態的保險套在 1969 年生產，1974 年則出現用殺精劑潤滑的保險套，之後還有更多的創新。杜蕾斯（Durex）這個保險套品牌在 2004 年慶祝七十五週年歷史，其口號是「七十五年的絕佳性」（75 years of great sex）。

本文摘自《老科技的全球史》，左岸文化出版。