入侵香菇的角胸扁蟲其實最愛麵包──《害蟲偵探事件簿》

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

目前全世界的農田，因為病蟲害而損失 10% 至 15% 的農作物。

氣候和農業害蟲

昆蟲的生理機能對溫度的改變敏感，溫度上升 10°C 會使其新陳代謝率加倍，溫度突然上升會加速昆蟲的食物消耗、成長和移動。

最近一份《科學雜誌》（Science）的研究，證實溫度提高 2°C 可能使大量農作物遭到昆蟲啃食，在歐洲和北美洲，小麥和高粱的蛋白質成分顯著下降，西歐則是有近 75% 的小麥作物遭到蟲害。

溫度上升會改變害蟲的整體數量，結果造成：

• 世代更替的頻率增加。
• 地理區域擴大。
• 昆蟲散播的植物病。
• 更可能捱過冬天。
• 昆蟲和其掠食者不再同步。
• 植物的成長和昆蟲不同步。

氣候與農業疾病

真菌影響糧食作物， 而且通常在 20-30° C 時成長旺盛，氣候變遷使全球溫度上升，沿赤道區也將會發生真菌疾病的改變。

愛爾蘭馬鈴薯歉收是真菌疾病造成，被稱為「立枯病」，進而傳染當地的農作物。這些疾病在遠離赤道的地區極可能再度出現，影響地區的糧食安全。

20 億人的缺糧危機

地球上有超過 20 億人受到缺糧的威脅，或是缺乏安全營養的食物，大氣中二氧化碳濃度升高使溫度升高、洪水氾濫以及陸地和土壤劣化，於是農作物產出的營養價值和品質以及家畜的生產力下降。

策略與國際研究中心（The Center for Strategic & International Studies, CSIS）表示，溫度中數每上升攝氏 1 度，和農作物產出下降 10% 之間有關連性，熱浪可能造成農作物的全面歉收，至於土地管理不良、森林砍伐以及牲畜過度放牧而破壞草地，則加重了氣候相關的影響，也增加糧食系統的整體威脅。

食物匱乏將持續惡化，導致更多饑荒和營養不良，此外農作物和家畜大規模遠離養分耗盡或無法使用的土壤也將更為常見。

陸地和土壤劣化的問題

陸地和土壤失去支持生命的物理性、化學性或生物特質，稱為劣化。相較工業革命和大規模農耕之前的狀態，如今地球上超過 75% 的土地養分殆盡，科學家預期 2050 年以前， 可能到達 90%。

世界各地，每年有相當半個歐盟（418 萬平方公尺）的土地變得較不具生產力與耐受力，而以非洲和亞洲受創最重。

岩石和土壤崩解後，被風和雨沖刷侵蝕而使陸地劣化，這個過程是自然發生的，但極端天氣事件使它更加嚴重。

隨著海岸地區的海平面上升， 鄰近一帶的陸地被海水淹沒，剩下的陸地會因為鹽分和汙染物增加而變得不堪使用。

土壤劣化也透過以下發生：

• 農業活動
• 動物吃草
• 森林砍伐
• 都市化程度升高

如今，32 億人經歷某種程度陸地劣化的效應，導致糧食供應減少，且往往伴隨遷徙的增加。

土壤的重要性

在我們腳下的棕色塵土，裡頭至少包含所有全球生物多樣性的四分之一，而且對提供乾淨的水是不可或缺，1 茶匙裡的土壤有數十億微生物，據估計，土壤中所含的碳，比大氣多了 3 倍。

95% 的全球食物供應仰賴土壤，來養活大部分的生物。氣候暖化達 2°C 將使土壤中超過 2,300 億公噸的二氧化碳外洩，可能使地球突然陷入不可逆的氣候變遷中。

其他面臨的問題

每一分鐘有大約 30 座足球場的土壤，因為以下原因而侵蝕或退化：

• 農業化學物質
• 森林砍伐
• 過度放牧

殺蟲劑的使用

二次世界大戰後，大型的化學公司鎖定食品業來擴充市場，在接下來的 50 年間，美國的殺蟲劑使用量增加 10 倍，但農作物的損失近乎翻倍，殺蟲劑毒死微生物，而這些微生物為世界各地數億公畝土地帶來健康土壤，例如土壤中的蚯蚓被噴灑殺蟲劑後，只生長到正常重量的一半，生殖力也遠不及未被殺蟲劑噴灑的蚯蚓。

風力

陸上風力渦輪（onshore wind turbine）需要發電半年，來抵銷建設它所用掉的能源，但在此之後，在它使用年限 24 年間，生產出 100% 無碳的電力。

大規模太陽能

印度的巴德拉太陽能公園（Bhadla Solar Park）是全世界最大的太陽能農場（solar farm），創造出 2,245 百萬瓦（ＭＷ）的電，超過許多燒炭或核能電廠。它位在沙漠，太陽能板是由機器人清理，而這些機器人的運作不需要用到水。

主要農作物產量下降

根據聯合國農糧組織（United Nations Food and Agriculture Organization, FAO），2020 年有高達 8.11億人飽受飢餓之苦，約占全人類的 10%。

隨著全球的平均溫度上升，乾旱和洪水發生的頻率可能降低糧食供應，而更嚴重的天然災害和活躍的病蟲害也將進一步減少農作物產出，目前有針對氣候變遷對糧食產出做出整體預測，全球最重要的農作物玉米，預估將減少高達 24% 產量，第二重要的小麥，在升溫 1.5° C 的情況下減少 14%，在升溫 2° C 的情況下減少 37%，大豆的收成量在升溫 2° C 下則可能掉落 10-12%。

目前世界可以藉由向不受影響的地區採購，來因應特定地域的乾旱或農作物歉收，美國、巴西、阿根廷和烏克蘭這 4 個最大的玉米出口國，占了出口的 87%，過去這些國家因為地理位置相距遙遠，不會同時出現農作物歉收的情形，如今這些地區的產出，會在升溫 2° C 下減少 8 至 18%，在升溫 4° C 下，下降 19 至 47%。在升溫 2° C 下，4 大農作區同時歉收的風險是 7%，溫度上升到 4° C 時，風險飆高到 86%。

我們的人是在追求「富足」而不是「永續」，

對我而言，「永續」意謂維持國家資源在得以維生的線上，

直到這些資源最終消失，或工業已經受夠而離開。

追求「富足」是確保你的孫子不需要像你那麼努力工作，

確保當我們把這園子留給他們時，他們將擁有所需的一切。

⸺喬．馬丁（Joe Martin），獨木舟雕刻大師

一個起司漢堡的碳足跡，等於 9 個鷹嘴豆餅（falafei）加上口袋餅，或是 6 份炸魚和薯條（fish and chips）。

糧價也因此飆高

糧價由供需的改變決定，雖然需求大致穩定，但供給可能變動。旱災和水災降低農作物的生產力和農田的產出，威脅食物的供應而導致價格上升，行銷和包裝成本的改變也會。

貿易也是主要因素，英國有大約 40% 的食物（香蕉、茶、咖啡、奶油、羊肉等）要靠進口，大部分國家的食物供應也仰賴貿易，美國的食物來自加拿大、墨西哥等國家，船運的汽油和貨櫃成本也占糧食成本的一部分。

糧價高漲會因為氣候變遷而惡化，2021 年的平均糧食價格是近 50 年來最高，巴西的乾旱、洪水和霜害，使咖啡價格上漲 30%，消費者只能眼巴巴看著咖啡的價格節節高升。

俄羅斯、美國和加拿大⸺杜蘭小麥最大供應國⸺的乾旱，導致杜蘭小麥減產，麵包和麵條漲價已經讓消費者有感，以番茄為主的蔬果價格，也因為佛羅里達和加州氣候變遷問題而節節高升。

世界曾經目睹幾次糧價飆高，1973 年，全球石油危機和乾旱造成糧價上漲，2008 年，石油價格上漲、澳洲乾旱以及美國決定種玉米來生產燃料而不是食用用途，因此推高動物飼料的價格而導致糧食價格膨脹，2021 年，糧價飆高的情形類似 1973 年，只是這次極端天氣扮演較顯著的角色。

糧價上漲影響各種收入的人，只是方式不同。糧價直接威脅低收入戶的糧食供應導致飢荒，至於較高收入家庭，則是較不健康的飲食和肥胖增加。

到 2030 年以前，10 種主要農作物當中，9 種的生長速度將遲緩或開始放緩。至少部分來自氣候變遷，平均價格將看到顯著上升。

——本文摘自《圖解全球碳年鑑：一本揭露所有關於碳的真相，並即時改變之書》，2022 年 9 月，商業周刊，未經同意請勿轉載。

• 作者／山田昌治；譯者／吳佩俞

我們已經知道中國在明代時使用了鹹水湖的湖水製麵，進而做出口感勁道十足的麵條，而且第一章也曾提到這與麵的起源有著極為密切的關聯。在中文裡，這種麵食被寫做「拉麵」，而「拉」字指的是緊抓而向外伸展。從這個名字來看，我們可以說拉麵並非使用刀切，而是用力拉開延伸成為細長的麵條。

此外，以小麥麵粉來說，使用的是粗蛋白質含量在 11％ 以上的中筋到高筋的麵粉，換言之，拉麵使用的是蛋白質含量較高的小麥麵粉，所以可以製造出因鹽基性條件而使麩質變硬，以及用手拉伸以強化麩質組織構造的麵條。

據說，中華麵是在江戶時代後期傳至日本的。不過，現今日本這樣的拉麵文化卻是在進入明治時代（西元 1868 年至 1912 年後）才開始萌芽。之後完成日本獨自進化的拉麵便在全國各處遍地開花，這當然不用在此贅述。

小當家製麵用的鹹水湖，不是單純的鹽水湖

接著，讓我們把話題轉回鹹水湖。所謂的鹹水湖，就是鹽水的湖泊，但就算使用氯化鈉（ sodium chloride）與硫酸鈉（ sodium sulfate）的水溶液來製麵，也不會做出中華麵那樣勁道十足的麵條。

如果用的是碳酸鈉（sodium carbonate）與碳酸鉀（sodium carbonate）的水溶液，則是會讓麵條更加彈牙，並產生中華麵特有的香氣，麵條也會呈現黃色。換言之，成為中華麵起源的鹹水湖並非單純的鹽水湖，目前被推測應該是含有碳酸鈉等特殊成分的湖泊。

現在，添加用來改善口感的鹼水是依據食品衛生法的嚴格規定，添加時會從碳酸鉀、碳酸鈉、碳酸氫鈉（sodium hydrogen carbonate）、以及磷酸類的鉀或是鈉鹽當中選擇一種以上加入其中。此外，添加物也被限定是化學合成品，這個規定應該是針對以往氾濫使用天然低劣鹼水所採取的對策。

麵粉加入鹼水變硬，也跟小麥蛋白質有關

雖然會重複第一章的小麥蛋白質相關內容，但我們將對麵粉在使用鹼水的鹽基性條件下，硬度增加，且散發獨特香味與色澤的機制再次進行解說。

添加相對於小麥麵粉 1％ 的鹼水來製作麵團，麵團就會呈現鹽基性。

小麥蛋白質的胺基酸組成中含有 30％ 以上的麩醯胺酸。這種麩醯胺酸會在鹽基性條件下讓兩個胺基其中之一釋放出氨，並且成為麩胺酸。這麼一來，鹽基性的胺基酸（離胺酸、精胺酸、組胺酸等等）會產生離子鍵，造成分子之間的鍵結變多，麩質也隨之變硬。

此外，反應產生的氨會促使麵條散發中華麵特有的氣味。就像我們在第一章的小麥麵粉章節所提到的，苯甲醛與苯乙酮這些植化素會在鹽基性條件下產生結合反應，並且生成名為查耳酮的物質。因為查耳酮是黃色的，所以麵條的顏色也會呈現黃色。

現在，雖然北至北海道、南至九州，全國各地都有當地特色拉麵，但麵條幾乎都是使用製麵機製造而成。所謂的「製麵機」，是以兩條滾輪向內側旋轉，然後將已加水揉製的帶狀麵團置入其中。帶狀麵團在經過數次的滾輪整平後，再用切刀切成麵條。

至於切刀，也會有各式各樣的尺寸大小，一般都是用 30 公釐寬度可切出幾條麵的切刀番手來表示。像是拉麵使用的是 12 番手（麵條寬度為 2.5 公釐）到 28 番手（麵條寬度為 1.07 公釐）的尺寸。

——本文摘自《麵的科學：麵粉如何創造豐富的口感、香氣和美味》，2020 年 3 月，晨星出版