化學災害的幕後英雄：化學技術特工出動！（上）

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／雅文基金會聽力師 張晏銘 

絕大多數的人都曾有這樣的經驗，在吵雜的捷運車廂內戴起耳機，不自覺調大音量，讓自己全然沉浸在音樂／影片／Podcast／Clubhouse 的世界裡；又或是前一天晚上參加演唱會、派對，與朋友在 KTV 盡情高歌，隔天卻出現耳鳴、耳悶、聽不清楚，通常不用理會過個幾天就沒事了，但是真的⋯⋯沒事嗎？

神不知鬼不覺的噪音風險

乍看之下這似乎不是一個大問題，但隨醫療科技進步，從 2006 年開始便有學者發現，在噪音出現的當下神經便可能直接產生「神經毒性」，進而出現不可逆的傷害，即使隨著時間對聲音的敏銳度看似已經恢復如常，但對聽力早已造成潛在損害^[2][3]。

從物理學的角度來看，聲音是一種能量，它會傷害耳朵有三個原因：

1. 音量大小
2. 暴露時間的長短
3. 距離聲音的遠近。

如果能控制暴露音量、時長及距離，便可將傷害的可能降低。

被動式降噪抵抗高頻噪音

在過往從聽力「防護」的角度出發，一般耳鼻喉科醫生、聽力師或聽語相關專業人員，都會建議大家在挑選耳機時，宜優先挑選具有降低噪音功能的耳機，而耳機採用的降噪技術，一般會分為主動式降噪及被動式降噪。

被動式降噪（passive noise cancellation, PNC），又稱為物理性降噪。與其說是降噪，更貼切的說法是「抗噪」。因為這類型耳機的工作原理，是通過外在材料／器具，對我們的耳朵進行物理性的「隔音」而非消除噪音或降低噪音。一般來說就是透過高密度的耳罩或耳塞材料（如高密度海綿等）阻隔外噪環境，防止噪音進入耳朵。被動抗噪耳機可以有效阻隔能量較小、傳遞能力較差的高頻噪音，像是口哨聲、塑膠袋摩擦聲等。 

在耳機材料相同的情況下，可以遮住耳殼及耳道的耳罩式耳機的被動抗噪效果最好，其次是可以密合耳道的入耳式耳機；而貼耳式耳機則因密合度最差而效果最不理想^[4][5]。 

圖示
耳機類別	耳罩式	入耳式	貼耳式
抗噪能力	最佳	中等	最差

利用反向聲波的主動式降噪

主動式降噪（Active noise cancellation, ANC）與被動式降噪在原理上大不相同，它並非是把噪音「阻擋在外」，而是透過耳機麥克風分析外界持續性噪音（例如冷氣聲、捷運引擎聲等）後，運用內建晶片進行處理並產生一個與噪音相同但振幅卻完全相反（相位相反）的聲波來做抵銷（圖二）。當兩個信號大小完全相同卻處於反向（相位相反）時，便會產生完全破壞性干涉，使兩個信號相互抵消。此時聲波便不再產生，我們自然就聽不到噪音了^[6]。

 主動式降噪耳機的「副作用」？  

在網路上搜尋主動式降噪耳機的使用心得，有些使用者反應「配戴主動式降噪耳機後，會出現耳鳴、耳悶或頭暈的現象」，因此難免會有主動式降噪耳機會傷害聽力的疑慮，但事實上主動式降噪耳機最早是為了幫助飛行員降低「飛機引擎聲」造成的噪音傷害而研發的，因此從技術層面上來說，它本身並不具有危害性，甚至從另一個角度來說，它可以降低使用者因「噪音導致的身心健康問題」，那耳悶跟耳鳴又是怎麼產生的？

耳悶感 

很多人都有坐飛機的經驗，當飛機爬升時會有耳悶的感覺，這是因為耳內外壓力改變，中耳腔的鼓膜處緊繃狀態，同時緊繃的鼓膜也讓低頻聲音難以進入耳朵。主動式降噪耳機 主要在抵消低頻噪音，因此部分使用者的大腦可能會誤判現在是「壓力產生變化」，進而產生頭痛和耳悶感^[7]。

 耳鳴 

耳鳴產生的原因非常多，且好發於各年齡層，但由於多數人耳鳴狀況不嚴重，也並非 24 小時都會耳鳴，因此很難在一般生活情境下察覺耳鳴的狀況；然而，當我們戴上抗噪耳機、耳塞或在一個非常安靜的環境下，原本很小聲的耳鳴便容易被凸顯出來，導致使用者覺得耳鳴的狀況增加。 

 只有小孩才做選擇，享受和健康都兼顧

降噪耳機讓聆聽者能更清楚接收音樂，避免音量過度放大^[8]。此外，聆聽的時間長度也十分重要；近年來有些耳機有所謂的「自動音量控制」系統，透過耳機本身或相對應的 App，來監控使用者的使用時間。一旦發現使用過久，便會進一步限制使用者可聆聽的音量，讓音量漸漸變小。

不管是被動式抗噪、主動式降噪或音量時長控制，都可以有效幫助我們留意及監控使用習慣，因此在挑選耳機時，除了音質及蓄電量考量，我們也應該著重挑選具有上述功能的耳機，當然，若能上述三者兼具，那對耳朵能起到的防護作用自然會最大。 

1. World Health Organization. (2020年3月1日). Deafness and hearing loss. 擷取自 World Health Organization: https://www.who.int/news-room/fact-sheets/detail/deafness-and-hearing-loss
2. Fernandez, K. A., Jeffers, P. W., Lall, K., Liberman, M. C., & Kujawa, S. G. (2015). Aging after noise exposure: acceleration of cochlear synaptopathy in “recovered” ears. Journal of Neuroscience, 35(19), 7509-7520.
3. Liberman, L. D., & Liberman, M. C. (2015). Dynamics of cochlear synaptopathy after acoustic overexposure. Journal of the Association for Research in Otolaryngology, 16(2), 205-219.
4. Hodgetts, W. E., Rieger, J. M., & Szarko, R. A. (2007). The effects of listening environment and earphone style on preferred listening levels of normal hearing adults using an MP3 player. Ear and hearing, 28(3), 290-297.
5. Kuo, S. M., Chen, Y. R., Chang, C. Y., & Lai, C. W. (2018). Development and evaluation of light-weight active noise cancellation earphones. Applied Sciences, 8(7), 1178.
6. Harris, W. (2008). How Noise-canceling Headphones Work. How Stuff Works, https://electronics. howstuffworks. com/gadgets/audio-music/noise-canceling-headphone3. htm.
7. Andy G.(2021年1月28日). Are Noise-Canceling Headphones Safe? 擷取自 HEADPHONESTY : https://www.headphonesty.com/2020/09/are-noise-canceling-headphones-safe/
8. Liang, M., Zhao, F., French, D., & Zheng, Y. (2012). Characteristics of noise-canceling headphones to reduce the hearing hazard for MP3 users. The Journal of the Acoustical Society of America, 131(6), 4526-4534.

文 / 粒腺體、亞坦尼斯

近日社群上出現了違法進口中國製口罩，和台灣製口罩的送檢報告，引起了一番「 CNS14775 不是醫療級口罩的標準！」、「為什麼不測阻擋病毒的效率？」的論戰。

BUT 這其中的觀點充滿了迷思，恐怕只會越吵越混亂。那麼，這些爭論中有那些迷思呢？

我們先把結果摘要在這裡：

• 迷思 1：「口罩應該測阻擋病毒的效率，而不是阻擋細菌的效率！？」
• 回應：

1. 臺灣醫用口罩規範 (CNS14774) 中，對所有等級的醫用口罩都不用針對阻擋病毒的效率進行評估。為什麼呢？我們下一點說明。
2. 因為病毒會附著在口水、飛沫上，所以實務上應該要量測阻擋該類型粒子的能力，而非病毒本體；所以口罩其實不需要測阻擋病毒的效率。

• 迷思 2：「CNS14775 不是醫療級口罩的標準，CNS14774 才是？」
• 回應： CNS14774 是醫用口罩標準的總綱，等同於一篇文章的摘要，其中包含實驗方法、細項分類等。而 CNS14775 是其中一項實驗方法。換言之， CNS14774 是評斷醫用口罩的摘要、開場白； CNS14775 是教導廠商如何評斷醫用口罩的實驗方法； CNS14774、CNS14775 都可算是醫用口罩的標準文件。

那到底醫用口罩的規範是什麼？明明也需要阻擋病毒的口罩為何不測病毒阻擋效率呢？除了過濾效率，你知道一片合格的口罩還需要注意哪些事嗎？看到這裡還沒離開相信你是很有耐心的智人，那就聽我們娓娓道來吧！

口罩檢驗怎麼做？

臺灣對於醫用口罩的規範說明文件是什麼？答案是 CNS14774（醫用面（口）罩 Medical face masks），其中提及合格的醫用面（口）罩，須通過：

• 抗合成血液穿透性（阻擋血液噴濺，沾染到口、鼻腔等）
• 細菌過濾效率（阻擋細菌等）
• 次微米粒子防護效率 （阻擋比細菌更小的東西，如氣溶膠等）
• 壓差（測量流體在口罩兩側的流通性；換言之，確保戴了口罩後，還能呼吸）
• 防焰性

當然，檢驗也不能亂做，經濟部標檢局也附了各項檢驗的操作 SOP ，如：細菌過濾效率須遵循 CNS14775 的步驟。

CNS14775 是醫用口罩的實驗方法之一，該文件將說明實驗該如何操作、使用什麼菌株、器材該如何架設等，以確保合格的廠商都用相同的實驗進行評估。

換言之，依台灣的標準 (CNS14774) ，合格的一般醫用面（口）罩，僅要求：

• 細菌過濾效率
• 壓差

若是更高等級的外科手術用（口）罩，還會加上阻擋血液噴濺等要求。

BUT，此時也許你的心中會有個小疑問——怎麼沒有阻擋病毒的評估呢？因為病毒的傳播，是靠口水噴濺的啊！

防細菌，不防病毒？

為什麼口罩的標準中，未撰明須檢測「阻擋病毒」的能力呢？生活場景中，我們臉上的口罩是直接擋住病毒、還是含有病毒的口水？

其實就呼吸道疾病傳染的角度來看：幾乎都是透過帶有病毒的口水飛沫，噴濺到物品或健康人的身上，他們再觸摸口鼻而感染。

換言之，阻擋口水大小的顆粒，是較符合真實世界的需求。而2009年在美國就實際量測人體產生的飛沫顆粒發現，絕大多數的飛沫都大於1微米 (μm)（大於 4μm 佔 46% 、 1~4μm 佔 49% ）[感染控制雜誌，2009]。

而針對現在流行的冠狀病毒瘟疫 (COVID-19) 或過往的流行性感冒，科學界都普遍認可配戴口罩能阻擋口水飛沫的傳播 [Fennelly, K. P., 2020]。

換言之，不論從科學的推論，或是真實感染控制的層面裡，現行口罩的規範（主要針對微米 (μm) 等級的過濾能力）已足以抵禦透過飛沫傳染的疾病（現行的冠狀病毒瘟疫 (COVID-19) 或流行性感冒傳染）；無須強調冠狀病毒的顆粒尺寸來要求口罩的規範。

題外話，倘若要抵禦的是血／體液傳播的傳染病，如：伊波拉出血熱，那麼醫用口罩的規範可能要特別針對血液的防浸透能力了。

口罩只要注意過濾效率就好了嗎？

當然不是。

如果阻擋能力高到連呼吸都有困難，那擋住病毒前，不就悶死了嗎？

所以合格的醫用口罩，不是只看微生物的過濾效率，也要看透氣的能力！所以單就過濾效率來評斷某廠牌的口罩較佳或較差，證據上恐怕不足。

一般而言，阻擋外物的效果越強，口罩兩側的壓力差距越大，口罩的通氣性也越差。如前述圖 (CNS14774) 的敘述中可看到，台灣標檢局對於「壓差」都有規範，其須維持在一定的範圍內，以確保口罩能阻擋外物之餘，使用者仍可正常呼吸。

數字的背後，科學的極限

回顧本次議題在輿論上的爭議，有人看到進口口罩的過濾率比國產口罩高，而認為更應該要買進口口罩；有人看到進口口罩的細菌過濾率較高，而質疑應該要檢驗病毒而非細菌。

經過上述研究與法規的整理回顧，我們認為這次送檢的兩份口罩，確實因進口口罩的過濾率較高，有可能帶來更好的防護效果，但兩則口罩的檢驗結果均符合我國國家標準CNS的要求，足以達到醫用口罩必須有的防護效果。

儘管如此，在此例中網友自發性的送檢口罩，仍須留意取樣偏差的問題。在工業製程上，生產線的可靠度，往往就是取決於良率高低與品質是否一致，若要判斷產線優劣，應基於具統計意義的隨機抽樣調查。

因此縱然網友送檢的口罩有過濾率的高下之分，基於單一個案的檢驗結果的證據力，也遠不足以能推估到整體國家或公司生產口罩品質的優劣，而認定進口口罩的品質較好而值得購買。

然而網友自行送檢的結果，也並非毫不可取而無法採信。許多促成社會變遷的「公民科學」發展，常始於少數熱心公民自發性地發起科學研究、量測環境數值、自費檢驗有興趣的物品。

如美國1970年代起，民眾自發量測水質、送檢兒童玩具成分，而促成了美國環保署與食藥署的法規更迭與管制精進。若願意正面看待網友的送檢結果，這也是可以是個優化「口罩國家隊」的契機，畢竟「國家隊」的對手是病毒，舞台是世界。

當然，無論品質優劣，無論商業或科學，誠信是做人的基本而已。

1. 感染控制雜誌編輯部 (2009)。在高風險單位配戴外科口罩以控制流感病毒的傳播。感染控制雜誌 ； 19卷4期， P261 – 263
2. 賴全裕。外科手術面罩相關標準與效能要求。
3. 國家標準 (CNS) 網路服務系統
4. ASTM F2101-19, Standard Test Method for Evaluating the Bacterial Filtration Efficiency (BFE) of Medical Face Mask Materials, Using a Biological Aerosol of Staphylococcus aureus, ASTM International, West Conshohocken, PA, 2019, www.astm.org
5. Leung, N.H.L., Chu, D.K.W., Shiu, E.Y.C. et al. Respiratory virus shedding in exhaled breath and efficacy of face masks. Nat Med 26, 676–680 (2020).
6. Jayaweera, M., Perera, H., Gunawardana, B., & Manatunge, J. (2020). Transmission of COVID-19 virus by droplets and aerosols: A critical review on the unresolved dichotomy. Environmental research, 188, 109819.
7. Fennelly, K. P. (2020). Particle sizes of infectious aerosols: implications for infection control. The Lancet Respiratory Medicine.