艾爾頓誕辰 │ 科學史上的今天：3/29

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

上帝、教會與（有點長毛的）長毛象

幾乎所有文化在面對生命本源的問題時，都會用一些角色與故事回答問題。在希臘神話中，最初只有卡俄斯（Chaos）——虛無——的存在，接著蓋亞（Gaia）從虛無而生，然後生下天空烏拉諾斯（Uranus）。他們的後代包括泰坦（Titan）、獨眼巨人（Cyclopes）、百臂巨人（hundred-handed creatures）、諸神（赫斯提亞〔Hestia〕、狄蜜特〔Demeter〕、宙斯〔Zeus〕等），以及後來的人類。古蘇美人則相信母神納木（Nammu）生下了天與地，並且誕下動植物與人類。在拉科塔族（Lakota）傳說中，這個世界存在之前還有另一個世界，那個世界的人類罪孽深重，因此大靈（Great Spirit）用洪水淹沒大地，只有烏鴉康吉（Kangi）活了下來。大靈另外派三隻動物取了泥回來，由大靈塑造成土地與世界各地的動物，然後又用紅、白、黑、黃四色的泥塑造出男人與女人。而在基督教故事中，上帝先是創造出無形的荒蕪，接著創造光、天空、土地、動物，以及掌管所有生物、後來成為人類始祖的亞當與夏娃。

這些故事都編造於我們理解生物學、天擇與生命演化之前。《創世紀》（Genesis）記載了許多戲劇化的故事，故事中世界遭遇危難、一家人盼望生下孩子，還有人遠行尋找未來的家園，它的多位作者根本沒聽過好幾世紀後達爾文對於天擇的觀察，也沒聽過格雷高爾．孟德爾（Gregor Mendel）提出的遺傳法則。（若能研究《聖經》中幾個著名家族——例如撒拉〔Sarah〕、利百加〔Rebecca〕與拉結〔Rachel〕的家系——的基因序列，那也許可以找出她們難以懷孕或成功生育的原因。）

蘇格蘭哲學家大衛．休謨（David Hume）曾觀察到，我們人類共同的這些創世神話之所以存在，是因為我們需要用有因果關係的故事理解周遭世界，也是因為當社會規則有前後文脈絡時，社會才能運作得更好。那麼如今，隨著合成生物學打破我們自古流傳下來的規則，迫使我們重新思考這些規則的合理性、挑戰自己原先相信的起源故事，我們又該如何是好呢？到了今天，科學家忙著在數百間實驗室裡幻想、設計與生產生命的未來——而在其中一間實驗室裡，一位備受敬慕的研究者邀我們檢視與調和自己對科學及信仰的信念。

＊＊＊

喬治．丘奇在生物學界絕對算得上「大」人物，他同時是麻省理工學院與哈佛大學的教授與實驗室主任。即使不穿鞋，他的身高也達六呎五吋（約一百九十五公分），校區內甚至有幾道門太矮，他必須彎腰低頭才有辦法通過。他擁有天使般大大的可愛笑容、紅潤的雙頰、一頭茂密的白髮，以及蓬鬆的長鬍子。簡而言之，他可說是聖誕老人的遺傳學家弟弟，脾氣也和聖誕老人同樣和藹可親。人們常因丘奇的研究主題而將他和查爾斯．達爾文——甚至是更偉大的人物——相提並論。在討論如何利用合成生物學設計與操控生物學未來時，喜劇演員史蒂芬．荷伯（Steven Colbert）一度打斷了丘奇，急切地問道：「我們有重新設計的必要嗎？」他接著說道：「第一次發明我們的是上帝，是創造天地的主。先生，你這是在扮演上帝嗎？你這個鬍子的確很有假扮上帝的潛力。」荷伯也許沒發現，他這句笑話其實有幾分真實，因為丘奇花費了大量心血想創造新生命，以及復活已死的生物。

丘奇在一九五四年誕生於佛羅里達州麥克迪爾空軍基地（MacDill Air Force Base），從小在鄰近坦帕灣（Tampa Bay）的中產階級社區長大，生活環境不算特殊。丘奇的父親是空軍中尉，同時也是賽車手、光腳滑水運動員，比起寧靜的家庭生活，他對刺激的活動感興趣得多。丘奇的母親則是律師、心理學者與作家，她優秀又有想法，早就受夠了丈夫的行徑。她兩度再婚，第二次對象是一位名為蓋洛．丘奇（Gaylord Church）的醫師，蓋洛正式收養了當時九歲的喬治。喬治立刻對繼父包包裡的醫療器材深感興趣，蓋洛教好奇的兒子如何消毒針頭，甚至偶爾讓喬治為他注射藥物。

這段時期，丘奇在天主教學校的老師都對他頭疼不已。丘奇雖然禮貌，卻頻頻提出修女們答不上來的問題，經常帶著老師們鑽神學的牛角尖。他高中就讀麻州名聲極佳的寄宿學校——菲利普斯學院，也就是馬文．閔斯基的母校——這所學校就比較適合他了。他在此鑽研電腦學、生物學與數學——卻也發現自己越來越無法在夜裡完全入眠，日間也難以保持清醒，即使在他深愛的數學課上也會打瞌睡。其他學生不停拿這件事笑他，代數學老師甚至叫他乾脆別來上課了：既然他這麼常在課堂上打瞌睡，那就自己想辦法學數學吧。丘奇為自己辜負師長的期許而感到羞愧，同時也恨自己無法融入群體。

後來他就讀杜克大學（Duke University），睡眠問題仍不見起色，他常在會議或研討課中不小心睡著，睡幾分鐘後聽見自己的名字，他又會像沒睡著一樣猛然驚醒、回應對方。有次在一位系主任的課堂上，系主任見學生斗膽打瞌睡，甚至氣得拿粉筆丟他。儘管如此，丘奇還是在短短兩年內拿到了化學與動物學的學士學位，接著繼續在杜克大學讀生物化學研究所。他很快便被晶體學（crystallography）吸引，這在當時是一門新學問，可用以研究轉運 RNA（tRNA）的三維結構，深入瞭解這種負責解碼 DNA、將遺傳指令運輸到細胞其他部分的 RNA。

丘奇的睡眠問題並沒有好轉，大多數人都以為他不過是太無聊或在做白日夢，孰料他其實是無意間迅速進入了睡眠的快速動眼期（REM sleep）——也就是人們睡眠時做夢的階段——並且將清醒時的想法帶進了夢裡。在清醒夢狀態中，他看見了未來的各種可能性，探索了不同排列組合的科學方法——換作是清醒的人，絕不可能想到用如此古怪、瘋狂的方式應用科技。

在學生時期，丘奇老是因太過好奇與容易分心（當然還有打瞌睡）而惹上麻煩，他每週花上百小時做尖端晶體學研究，以致從不出席核心課程，最後想當然耳被當掉了。他被逐出了生物化學系，只能試圖轉系、繼續從事研究，然而他修的課程太雜、個人名聲不佳，而且研究領域又很奇怪，沒有教授想收他。此時的丘奇二十歲了，他發表過重大論文、獲得了著名的國家科學基金會（National Science Foundation）青年學者獎，卻被學術界的官僚體制拒之門外。

話雖如此，丘奇仍設法轉學到了哈佛，並下定決心讀完研究所。到了哈佛大學後的第一學期的早秋某一天，丘奇上課遲到了幾分鐘，於是他悄悄溜進教室、在最後一排找位子坐下。他取出筆記本、抬頭看向老師的投影片，赫然發現當日主題是自己的一篇論文。那堂課的教授是分子生物學界首屈一指的學者華特．吉爾伯特（Walter Gilbert），他沒發現丘奇也是這堂課的學生。（吉爾伯特在三年後因開發出 DNA 定序的早期方法之一而獲得諾貝爾獎。）

丘奇繼續做著生物化學相關的夢，提出了許多大膽的想法，其中之一是能低成本且快速解讀 DNA 的機器，還有一者是用現成分子改寫基因體、改良自然造物的方法。在他的想像中，他可以用特定的酶修改基因體當中不同的部分，還能讓神經多樣（neurodiverse）者——例如有強迫症或自閉症的人們——調控他們的特殊能力，而不是用藥物抑制這些能力。丘奇的想法被他帶進了實驗室，他致力於基因體定序與分子多工（molecular multiplexing）的研究，後者是能夠同時定序數條 DNA 的技術，不必像當時廣受使用的方法一樣，一次僅定序一條 DNA。這其實不是新技術，但大部分科學家認為這種想法太過荒謬，所以並沒有繼續順著這條路研究下去。丘奇證實了此事的可行性，一次定序多條 DNA 的方法很快便被許多人接受，大幅降低了 DNA 定序的成本。

——本文摘自《未來的造物者》，2023 年 11 月，臉譜出版，未經同意請勿轉載。

• 李玲玲／臺灣大學生態學與演化生物學研究所教授。

Take Home Message

• 《生物多樣性公約》（CBD）根據定期舉辦的締約方大會（COP）決定執行工作，以達成全球生物多樣性目標。
• 去（2022）年底的 COP 15 訂下新的策略計畫與目標，以接續COP 10未完成的工作。雖更全面和具體，但未來成敗仍取決於執行狀況。
• 臺灣過去在 CBD 的目標上有所貢獻，然而政府對 CBD 重視的程度仍不及國際公約，應繼續滾動修正並將生物多樣性納入主流。

任何關心生物多樣性現況與未來的讀者都需要了解《生物多樣性公約》（Convention on Biological Diversity, CBD）的內容與它的發展。這份在 1993 年正式生效、具有法律約束力的國際公約，目前有 196 個成員（締約方），它們共同承諾且致力於達成三項主要目標：保育生物多樣性、永續利用生物多樣性，以及公正合理分享由利用遺傳資源（genetic resources）^１所產生的惠益。

《生物多樣性公約》的運作

和其他國際性公約組織的運作方式類似，CBD 依據定期舉辦的締約方大會（Conference of Parties, COP）所通過的決定執行各項生物多樣性工作，並以大約每十年一期的間隔檢討生物多樣性工作的執行狀況，滾動修正下一個十年預計推動的整體策略計畫與目標。同時鼓勵締約方配合修正與執行各國的國家生物多樣性策略計畫（National Biodiversity Strategies and Action Plans, NBSAP），藉此協調眾國的努力以達成全球生物多樣性目標。因此每十年一次的策略規劃與目標設定都是一個里程碑，締約方需要檢視、累積過去成功與未能成功的經驗與教訓，調整步調使下一階段的執行成果能更接近理想目標。

例如 2002 年第六屆締約方大會（COP 6）通過了該公約的 2002～2010 年策略計畫和「2010生物多樣性目標」，預期到了 2010 年時能顯著減緩生物多樣性的流失速度，並在兩年後的COP 7通過了「2010生物多樣性目標」的 11 項具體目標與 21 項次目標。而在 2010 年的 COP 10 則在檢討「2010生物多樣性目標」的進展與缺失後，通過了「2011～2020年生物多樣性策略計畫與愛知生物多樣性目標」（以下簡稱愛知目標），設定出 20 項要在十年內達成的目標。

2020 年原本預計舉辦 COP 15 檢討執行成果、滾動修正，並提出 2021～2030 年的策略計畫與目標，但卻因嚴重特殊傳染性肺炎（COVID-19）疫情在全球升溫，策略計畫草案工作小組、各締約方與民間團體代表的會前協商討論無法順利進行，使得策略計畫草案的內容遲遲無法定案，最終就連 COP 15 也無法如期舉辦。會議時間不斷地延後，直到 2021 年才決定將 COP 15 分兩階段召開，第一階段的會議在 2021 年 10 月 11～15 日以線上與實體並行方式進行，重點是決定 CBD 的預算；第二階段的會議又因疫情經過兩次延宕，終於在去（2022）年 12 月 7～19 日完成實體會議。

有進展卻未達目標？過去的執行情況及COP 15 的新目標

檢視全球生物多樣性的狀況與檢討各期生物多樣性策略計畫與目標進展的主要依據是「全球生物多樣性展望」（Global Biodiversity Outlook, GBO），也就是 CBD 定期出版的報告。它總結了各方和各區域、國家新發布的生物多樣性研究與評估資料，呈現出全球生物多樣性的狀況與趨勢，並提出需要採取行動的綜合證據與建議，供CBD相關決策和制定新的策略計畫與目標參考。

2020 年出版的 GBO 5 指出，20 項愛知目標中有 10 項目標進展顯著，有六項目標可算部分實現，包括實行良好漁業管理的地區，海洋魚類族群豐度得以維持或恢復（目標6）；成功清除外來入侵種的島嶼數和鎖定優先處理的外來入侵種進入途徑以避免再度入侵的案例數增加（目標9）；2000～2020 年，陸域保護區面積從 10％ 增加到 15％，海洋保護區面積從約 3％ 增加到 7％ ，同時對生物多樣性具有特別重要意義區域的保護也從 29％ 增加到 44％ （目標 11）；《名古屋議定書》（Nagoya Protocol）^２已在至少87個國家和國際間充分運作（目標 16）；170個國家已根據《2011～2020年生物多樣性策略計畫》更新了 NBSAP （目標 17）；各界可獲得的生物多樣性資料和資訊大幅增加（目標 19）；透過國際資金流動使生物多樣性可用財務資源加倍（目標 20）。然而整體而言，全球生物多樣性仍在流失中，沒有任何一項愛知目標被完全實踐。

根據 GBO 5的總結及針對諸多未達標的分析所提出的改善建議，再經過多方的諮詢、協商、討論，甚至辯論，COP 15 終於通過了雖不能讓所有締約方滿意，卻勉強能接受的「昆明－蒙特婁全球生物多樣性框架」（Kunming-Montreal Global Biodiversity Framework, GBF）^３作為 2022～2030 年全球推動生物多樣性工作的依據。

GBF 的內容涵蓋了《 2050 年願景》和《 2030 年使命》，以及希望在 2030 年能夠實現的 23 項目標。這 23 項目標可歸類為：減少對生物多樣性的威脅（目標 1～8）、透過永續利用和惠益分享滿足人們的需求（目標 9～13）以及執行和使生物多樣性主流化的工具和解決方案（目標 14～23）。希望在未來十年（到 2030 年時）逐步減緩生物多樣性喪失的趨勢，並在往後的 20 年扭轉此一現象，改善生物多樣性、恢復自然生態系，以實現 2050 年「一個與自然和諧相處的世界」的願景。

根據長期觀察 CBD 發展的媒體分析：除延續愛知目標中尚待達成的目標外，GBF 比愛知目標更包容、更全面、具體，但也更複雜。特別是目標 2 和 3 比以前的目標更具企圖心，分別是到 2030 年前確保至少 30％的退化陸地、內陸水域、沿海和海洋生態系得到有效恢復（愛知目標是 15％ ）；以及透過保護區和其他有效的區域保護措施，有效保護 30％ 的陸地、內陸水域、沿海和海洋區域（愛知目標分別是陸域17％、海域 10％）。

而目標 12 增加城市地區藍綠空間面積並改善它們的品質與生態連通性；目標 15 要求大型跨國公司和金融機構對業務、供應和價值鏈及投資組合監測、評估和透明地披露風險、依賴性和對生物多樣性的影響，均是愛知目標沒有提到的項目；目標 19 則有更明確、量化的資源調動目標。此外，COP 15 還為了配合GBF通過相關的指標與監測架構、能力建構和發展的長期策略框架等決定，以及規劃、監測、報告和審查的機制，以利締約方執行。但無論 GBF 的內容如何，成敗仍取決於未來實際的執行狀況。

臺灣生物多樣性的目標與執行，跟得上國際公約嗎？

臺灣雖非 CBD 締約方，但行政院自 2001 年通過《生物多樣性推動方案》以來，相關單位皆持續追蹤 CBD 的進展，並檢視國內生物多樣性狀況，先後於 2007 年與 2015 年依據《 2010 生物多樣性目標》與愛知目標，滾動修正臺灣 NBSAP 的內容，並透過 22 部會共同執行，至今已有相當豐碩的成果^４。對大部分愛知目標的達成也都有所貢獻，包括減緩棲地流失（目標 5）、保護脆弱生態系（目標 10）、保存基因多樣性（目標 13）、更新 NBSAP（目標 17），以及累積、分享、應用生物多樣性資訊與知識（目標 19）等，其餘各項目標大都有程度不一的進展，唯有目標 16（遺傳資源的獲取與惠益分享立法）與目標 20（增加生物多樣性工作的預算比率）較無進展。

然而在國際間紛紛倡議加強保護自然以達成全球永續發展目標、氣候變遷減緩與調適、巴黎協定等目標的同時，臺灣政府對 CBD 重視的程度遠不及氣候變遷綱要公約。無論在國家永續發展目標、氣候變遷減緩調適、淨零排放、水資源管理、防減災等重要政策的推動上，生物多樣性可以扮演的角色與可以發揮的潛力卻嚴重被忽視。投入生物多樣性工作的人力與資源更遠不足氣候變遷相關事務，包括政府尚無具體的生物多樣性監測架構，也從未評估整體生態系服務，因此仍無法掌握生物多樣性與生態系服務變化的趨勢，以及變化趨勢對達成上述各項重要政策的影響。

因此在 GBF 定案後，臺灣除了需要繼續依據 GBF 滾動修正 NBSAP 的內容外，還需注意以下重點： 

1. 深刻了解維護與改善生物多樣性與生態系服務對於提升人類福祉、氣候變遷減緩與調適及達成永續發展目標的重要性，並將它主流化。也就是說，需改變公私部門以往「將生物多樣性只視為自然保育部門業務」的錯誤認知。在規劃和執行與永續發展目標、氣候變遷減緩調適、淨零排放、綠能、國土計畫、水資源、防減災等重要政策、策略、行動時，應納入維護、改善生物多樣性與生態系服務的思考，同時注意部門間縱向與橫向的協調整合，以及從中央政策規劃到地方落實執行的連貫性，以協調一致的方式推動生物多樣性相關工作。

2. 落實維護良好的生態系、恢復退化的生態系以逐步達成 CBD 2030 目標及 2050 年願景。「維護良好的生態系與恢復退化的生態系」是 GBF 目標 2 與 3 的重點，也是聯合國將 2021～2030 年定為生態系恢復十年、並鼓勵各國致力於恢復劣化生態系、增加自然資產與強化生態系服務，以提升人類福祉的目的。然而臺灣的農田、淺山、流域、海岸、海洋生態系仍持續劣化中，從中央到地方都輕忽生態系維護與恢復的重要性。此方面的工作應是後續 NBSAP 特別需要加強的工作。

3. 無論永續發展目標或是生物多樣性目標的達成，都需要政府和全社會進行必要的變革，包含確定生物多樣性與國家發展目標的關聯，將自然的價值內化，並依此規劃整合性策略、優先行動，盡快調整相關政策、法規、制度、組織，合理分配財務和其他資源，加強能力建設、研發適當的政策工具。

註解：

• ［註1］根據 CBD 第二條，遺傳資源是指具有實際或潛在價值的遺傳材料；遺傳材料則是指任何植物、動物、微生物或其他來源中含有遺傳功能的材料。
• ［註2］《名古屋議定書》的全名為「關於遺傳資源獲取與公平平等分享使用惠益的名古屋議定書」，是 CBD 的第二份議定書，目的在以公平合理的方式分享對遺傳資源的利用所帶來的惠益。
• ［註3］詳見閱讀 GBF 目標內容：https://www.toolskk.com/qrcode-scanner。
• ［註4］詳見閱讀「2020 生物多樣性國家報告」：https://reurl.cc/ZXQ1zV。

• 〈本文選自《科學月刊》2023 年 3 月號〉
• 科學月刊／在一個資訊不值錢的時代中，試圖緊握那知識餘溫外，也不忘科學事實和自由價值至上的科普雜誌。