看占領華爾街行動如何加速科技創新

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

本文轉載自中央研究院「研之有物」，為「中研院廣告」

• 採訪撰文｜何光塵
• 責任編輯｜田偲妤
• 美術設計｜蔡宛潔

勇敢與體制碰撞，卻在靈魂刻下傷痕

社運抗爭、維護人權的聲張，經常在民主社會發展歷程中刻下清晰的傷痕節點。每一場正面衝撞威權體制的社會運動，皆是由一張張充滿勇氣的臉孔譜成，但在運動結束後，有些抗爭者孤絕地忍受身心創痛。中央研究院「研之有物」專訪院內民族學研究所彭仁郁副研究員，同時也是「帶傷前行——社運抗爭者的創傷療癒可能」策展人，談談她如何深入帶傷者的心靈地景、探究療癒 / 遇的可能路徑。

走入中研院民族所博物館「帶傷前行——社運抗爭者的創傷療癒可能」特展現場，展場中迴盪著社運抗爭者「退回服貿」的吶喊聲，這段定時播放的錄音引導人們在聽覺感官上貼近事件現場情境，以察覺抗爭中「人的狀態」。

這些人是誰？他們到底經歷了什麼？

本次特展由中研院民族所彭仁郁副研究員策畫，展覽內容取材自 2014 年 3 月 18 日爆發的 318 公民運動，抗爭現場發生了臺灣解嚴以來最激烈的鎮壓事件。

最嚴重的鎮壓發生在佔領行政院行動的當晚，3 月 23 日晚上至 3 月 24 日凌晨（簡稱 323-324），鎮暴警察動用盾牌、警棍、水砲車攻擊手無寸鐵的靜坐群眾。多數抗爭者是出生在 80、90 年代的年輕人，在過往的生命經驗中從未遇過這樣的場景，一位抗爭者驚魂未定地說「雖然沒有死人，可是很震撼！」

這群經歷警察暴力鎮壓的抗爭者，她／他們生命各層面受到的衝擊，並未隨著社運退場、「出關播種、遍地開花」而結束，許多人在鎮壓行動中身心劇烈受創。心理的衝擊源自想像和現實之間的巨大落差，人們第一次感受到「警棍打在身上的劇痛」、「水砲車的劇烈衝擊會讓脊椎神經受損」。

有些人在之後數年持續進行身體的治療和復健，更多人長期面對原生家庭、人際關係、社會關係中，回憶、經歷與現實日常的矛盾。這些經驗並非單純以「創傷後壓力症候群 （PTSD）」類型化診斷就足以理解。

事實上，創傷的樣貌從來不是單一的。

因此，彭仁郁在展覽中呈現 7+n 位社運抗爭者的主體經驗，訴說有著幽微差異的創傷多重樣貌，反映出有別於主流精神醫學標準化、診斷化、病理化、去脈絡化的心理創傷觀點，並提出對照與批判。

另一方面，展覽更以社運抗爭者的受創主體經驗作為論述主軸和敘事起點，試圖探問從鉅觀視角出發、跨越時空地域的弔詭：在每一場人民對抗不義政權的行動中，掌權者皆以法之名施暴；反抗者卻為了捍衛更高層次的律法，置自身於險境。

反抗者不僅需面對來自國家的暴力，還需忍受周遭親友的不諒解、社會大眾的異樣眼光。在內外在分崩離析的孤絕裡，社運抗爭者又該如何找到療癒的可能？

聆聽帶傷者的記憶，與之同行

318 公民運動發生前後，一位紀錄片導演積極記錄社運歷程，實際接觸這群年齡介於 18 至 35 歲的年輕人。記錄過程中，導演敏銳地察覺，有人出現不斷哭泣、失眠、易受驚嚇等創傷反應，一幕幕社運現場的衝突場景會反覆入侵腦海。

於是這位導演找上研究心理創傷療癒的彭仁郁，希望為這群人提供協助與支持。與這群年輕人接觸、討論後，彭仁郁決定以團體帶領者、同行者、療癒者的角色，共同進行了數次團體對話，聆聽彼此的創傷主體經驗。由於團體成員都參與過佔領行政院行動，因此命名為「323-324 同儕團體」。

同儕團體成員分享的內容，啟發了彭仁郁進行「歷史創傷記憶的世代傳承、身分認同與社會實踐」研究計畫，試圖探索當代社運抗爭與政治創傷歷史記憶之間，是否存在某種象徵傳承。與不同背景 318 社運抗爭者的深度交流，成為這項研究的重要基礎。

研究成果涵攝了精神分析理論與社會心理真實的辯證，例如 318 公民運動成功佔領的立法院，意外成為哲學家 Michel Foucault 所說的「異托邦」，或是英國精神分析學家 Donald Winnicott 提出的：一個暫時寄託所有理想願景和創造力的「過渡空間」。

但過渡空間畢竟是過渡，雖然在社會運動現場，抗爭者得以按下日常生活的暫停鍵，辯論未被深入討論過的社會議題。運動結束後，卻往往帶著未竟的願景、夥伴關係的衝突和撕裂、自身存在意義的質疑、面對集體情境的問號，或者身體的傷，回到恍如隔世的日常。

放下專業身分，與受害者並行

323-324 同儕團體進行的出發點，正是透過精神分析聆聽方法，站在「同為人」的位置，創造受創主體發話（enunciation）的「療癒 / 遇」空間。

彭仁郁憶起在法國進行田野研究期間，申請參與法國民間成立的「國際亂倫受害者協會」（AIVI）與受害者並肩工作的經驗。申請加入時，該團體以非常嚴謹的書面、面談過程確保她「不是以專業工作者的身分，而是以成員的角色參與」。

這個親身歷程讓她深刻體會到，身為同行者的「療癒 / 遇」與身為專家進行「治療」的差別。

事實上，亂倫受害者的創傷樣貌相當多元，每一位受害者的主體經驗都有細微差異，如果只以精神疾病診斷標準來看待，細微的創傷主體經驗經常在逐項「症狀」打勾的過程中，受到遮蔽和忽略。許多嚴重而未被看見的創傷就這樣被診斷為憂鬱症、焦慮症、邊緣型人格等疾患。

尤其是社運抗爭者在運動結束後，面臨了主體經驗上的巨大斷裂。社會運動的現場震撼與日常生活彷彿是兩個世界。一位同儕團體成員表示：「我回到生活，遇到弱勢、遇到信仰、教會，我發現這個世界上有非常多人，他們其實是兩個世界，我沒有辦法平衡。所以我現在覺得我有處在逃避的狀態。」

正因如此，在 323-324 同儕團體中，即便身為有多年臨床和學術訓練的精神分析師，彭仁郁依然選擇以一個「人」的身分，放下專業角色，以自身經驗與因社運而受創的主體同在，並在其中探索受創者自身所處，卻未必能看見的心靈地景。

並不是非 A 即 B ——非二元的創傷經驗

彭仁郁提到，對於「帶傷的主體經驗」，我們的想像經常掉入二元對立。「帶傷的人可能同時有 A 和 B 兩面，有一面很溫暖，另一面很黑暗。」

另一種二元想像是，一方面覺得如果沒有傷就是沒事，所以如果我沒事就不需要幫助；有事的人才需要幫助，所以有事的人是軟弱的。這樣的二元想像不只出現在帶傷者身上，也會出現在他周圍的人身上。

實際上，受傷的人不一定是軟弱的受害者。受傷的人也可以是倖存者、倡議者。而倡議者、社會運動者可能也會帶傷。

彭仁郁提出「帶傷前行」的概念，正是因為這樣僵固的一刀切二元想像，無論出現在社會群體面對帶傷者的態度，或是帶傷者看待自己內在感受的態度，都創造出「一直跟自己打架」的狀態。

帶傷前行的同時，可以知道自己的傷而不否認傷的存在，讓療癒與行動可以並存，是展覽希望帶給眾人的思考向度。

看見抗爭者的傷痕與足跡

走進「帶傷前行」展覽的三大展區，第一展區「傷痕密碼」在大片玻璃櫥窗上若隱若現 11 組數字：318、228、64、928、323-324……分別代表國內外 11 場著名的社會運動。

站在巨大的玻璃櫥窗前，觀看一個個數字密碼，就像從鉅觀的視角窺見改變歷史的社會運動，以及國家暴力烙下的集體印記拼圖。觀看陳設在玻璃櫥窗後的歷史照片，則像是記憶一般有著距離感，無法伸手觸及，卻又清晰可見。

第二展區「反叛的想像共同體」則以 7 座展台訴說 7 位 318 公民運動抗爭者的故事。每位抗爭者皆以難以辨識身分的匿名代號呈現，展台上的文字以第一人稱方式陳述，並附上一件令敘事主角印象深刻的物件。

這 7 個年齡介在 20 至 30 歲之間的社運抗爭者，有靠打工養活自己的大學生、不同領域背景的研究生、前職業軍人、原住民等不同身分。閱讀展台上的第一人稱自述，如同走入每一個人的人生，了解一個人走上街頭的原因、抗爭過程中遭遇的困境，以及運動結束後，抗爭如何在日常生活中延續。

回憶時光機——在不同時空下與創傷者交流

第三展區以「再整合、再詮釋的療癒可能性」為主題，設計了一處名為「療遇時光機」的空間，外圍以柔軟布幔圍繞，內部擺設軟骨頭座椅，前方放置三台卡匣式隨身聽。你可以坐進這個舒適隱密的空間、戴上耳機，聆聽模擬 323-324 同儕團體聚會的錄音。

這是一個透過傾聽讓主體發話的時空，邀請觀眾靜下心來聆聽這段長達 73 分鐘的錄音，彷彿在一個安全的時空容器裡，成為 323-324 同儕團體的一員。在同儕團體交流的過程中，每位成員既是闡述獨特受創經驗的個體，也透過不同觀點的分享和互相扶持成為團體的共同建構者。

在彭仁郁的陪伴下，每位社運抗爭者述說他們在原生家庭、求學過程、抗爭現場及社運結束後的感官經驗及創傷記憶，講到激動處的聲調起伏、恐懼啜泣帶著情緒渲染力，讓人彷彿身歷其境，深刻感受社運創傷者的心靈地景。

例如有多位成員眼見同伴被警察攻擊，自己卻無能為力，甚至毫髮無傷的脫身，內心充滿無盡的愧疚。面對自責不能保護他人者，成員們肯定他在社運過程中的關懷與付出，引導他轉向思考，其實錯不在己，真正造成傷害的是扭曲的國家體制。

透過展覽帶領觀眾回顧與理解

步出展場前，身旁的牆面上貼著許多觀眾留下的觀展感想，當中包含對整起事件的反思、個人經驗的分享，或是想與這群社運抗爭者說的話。這是彭仁郁對來訪者的邀請，透過收集眾人的反饋，一起創造更多交互敘事和理解的可能。

彭仁郁更計畫在 2024 年、也就是 318 公民運動滿十週年之際，綜合呈現觀眾的反饋，並計畫邀請詩人、歌手或劇團一起透過創作，帶大家回顧十年前那段血淚交織的街頭歲月。

訪談的最後，我們請教彭仁郁老師，有哪一句話適合送給帶傷前行者？「別再跟自己打架了。」對於帶傷者的同理與不捨盡在其中。

從太陽花學運、香港佔中到令人緊張的選前週末，「參與人數有多少？」往往在政府與公民、鄉民、暴民兩方產生拉鋸。雖然警方估計的人數是柯營公告的五折，柯文哲仍表示「沒什麼好吵的，票投出來最重要」。不過另一位阿文對人數估計的差異表示「相信警方專業」，我剛好在太陽花學運後投入群眾人口的估計研究，藉此機會，與各位就這個問題本身，討論一下目前的方法是否具有明顯的瑕疵？如何更「專業」？

大多數的人口估計方法，都運用一個簡單的小學公式：

人數＝面積×密度

也就是說要有精準的估計，在面積、密度的評估上就不能馬虎。然而每一場活動有最熱鬧和最外圍的地區，警方忽略活動的外圍區域，只算了活動最「熱鬧」的區塊，其中最主要的原因是警方想要用一個「平均密度」去估算（例如：3人/平方公尺，或者2人/平方公尺），因此相對人數稀疏的外圍地區，當然就無法算進來囉。

姑且不挑剔警方畫的範圍是否精準，我們注意到，太陽花學運時警方採用的平均密度也是3，這個3為什麼這個好用，一點依據都沒有嗎？其實是有的，而且已經使用近半世紀。1967年美國柏克萊大學新聞系教授雅各（Herbert Jacobs）對示威人潮進行人工估計，得到了這個約略的數字，此後「雅各法」廣泛的被使用。

為什麼我們只能用一個或兩個平均密度去估計呢？最主要的理由是，「全面評估密度分布耗費大量人力、成本，所以乾脆採用以一概全的平均密度。」可是熱鬧區和外圍區的人口密度差距極大，即便都在熱鬧區，因為大家的姿勢、體型，或其他臉書大神也無法解釋的偶然原因，真實地表的人群密度是很不均勻的。如果說不確定性這麼大，那警方採用2還是3，衍伸出20萬和30萬人的差距，實在很難苟同阿文說的專業呀。

從美國影集疑犯追蹤（person of interest）正打得火熱，可以想像現代社會監視器普及的程度，很多資工領域的研究開始運用監視器畫面，鑽研特定範圍內的人口估計，他們的做法簡單來說，就發展用各種影像分析方法，計算一張影像中的人數（例如運用影像pixel的R、G、B數值，挑選出影像中人佔面積，或者從影像的輪廓推估人數）。隨著這種方法發展蓬勃，一張影像中人數估計的精準度可以達到很高的水準，但是如果要用來估計大規模的群眾人口，會有兩個致命性的問題：

第一個是資料取得，政府不會給暴民監視器影像。

第二個是方法本身的限制，就算計算出每張影像的人數，沒有監視器的地方怎麼辦？

今年太陽花學運的330遊行的人數爭議，我開始想，群眾的力量（Crowd sourcing）加上地理學的空間分析專長，或許可以解決這個難題，因此向網友大大們蒐集了上千張的照片，此外，邦吉空拍工作室也提供了一些空拍畫面。我用簡單的分析流程，來說明這份研究如何進一步精確估算人口密度分布：

第一步：資料蒐集

網友的平面照片可以取代監視器畫面，只要有人在的地方，就有機會取得那個地方的影像，比監視器遍布的範圍更廣，資料的共享性也更高，這份研究挑選了其中下午4點左右的照片，避免人口分布隨時間變化的問題。此外，我們還是會遇到影像不連續的問題，也就是說，照片再多，也不可能100%遍布所有地區，因此我們需要4點時大範圍的空照圖，來處理這個問題。

第二步：資料分析

物件導向影像分析軟體（Object-based Analysis）有別於傳統的pixel-based的影像分析軟體，除了可以用影像中pixel的RGB數值來進行分析，還能夠考量到物件的幾何形狀、相對位置等，幫助我們更精確地計算出人臉數。如此一來，如果我們有十張照片，這些照片有紀錄拍攝的座標，就可以找到十個空間位置的人口密度。

到此為止，我們還無法將這些「點」密度，推廣到大範圍「面」的人口密度。

因此，我們需要第二種資料：空照圖。空照圖因為拍攝的距離較遠，不足以讓我們點出畫面中到底有幾個人，但是用影像分析軟體，可以挑出人所在的範圍。有了這筆資料，我們就可以用地理資訊系統（GIS）軟體，將景福門地區切成網格狀，以空間分析的軟體工具，算出每個格子有多少 % 是人，這個比例就是每個格子的相對的人口密度。

第三步：空間推估

最終的結果呼之欲出，我們在GIS中將網友照片得到的點密度，以及空照得到的相對面密度疊合在一起，找出兩者的迴歸關係：

公式中的i代表某一點所在的格子，B0和B1是截距和斜率，透過已知的樣本可以找到這兩個係數，如此一來，其他未知絕對密度的格子，就可以套用這個關係式求得絕對密度了。

這份研究以景福門為示範的研究區，結果發現，所有格子的平均密度為3.41（每平方公尺），一個標準差的範圍內，人口密度甚至高達4.37，若援引批踢踢網友繪製的330太陽花遊行總面積147,216平方公尺來計算，警方以3人作為密度就足足低估「六萬多人」。更遑論這次警方以「感覺」決定部分地區的人口密度僅為2人。

有了群眾的力量，就能利用上述的方法很快找到真實地表上的不均勻密度，專業的人數估計是可能的，只是這邊所指的「專業」，可能與連勝文所瞭解到的有所不同。

當然，目前這個成果有一些限制，例如我只處理了單一時段的人數，無法代表活動的總參加人數；此外，也有一些研究針對動態（人會移動的，而非靜坐的）的遊行人數發展統計方法。我認為這些難題都可以被群眾的力量解決，關鍵是「社運的當下是否有足夠的相片上傳」。

有鑑於此，目前預計進行的任務是：

1. 建立一個可供上傳照片的平台（網站或APP），建立拍照SOP，例如：拍攝角度的示範、開啟座標定位功能等。
2. 其次是精進影像分析的品質，主要的問題是如何估算平面照片的影像深度。

若有相關領域的朋友對這個議題有興趣，歡迎一起討論、合作！