在氣候變遷的影響下，更要聰明的與水一起生活──《科學月刊》

本文與 研華科技 合作，泛科學企劃執行

我們都看過那種影片，對吧？網路上從不缺乏讓人驚嘆的機器人表演：數十台人形機器人像軍隊一樣整齊劃一地耍雜技 ，或是波士頓動力的機器狗，用一種幾乎違反物理定律的姿態後空翻、玩跑酷 。每一次，社群媒體總會掀起一陣「未來已來」、「人類要被取代了」的驚呼 。

但當你關掉螢幕，看看四周，一個巨大的落差感就來了：說好的機器人呢？為什麼大街上沒有他們的身影，為什麼我家連一件衣服都還沒人幫我摺？

這份存在於數位螢幕與物理現實之間的巨大鴻溝，源於一個根本性的矛盾：當代AI在數位世界裡聰明絕頂，卻在物理世界中笨拙不堪。它可以寫詩、可以畫畫，但它沒辦法為你端一杯水。

這個矛盾，在我們常見的兩種機器人展示中體現得淋漓盡致。第一種，是動作精準、甚至會跳舞的類型，這本質上是一場由工程師預先寫好劇本的「戲」，機器人對它所處的世界一無所知 。第二種，則是嘗試執行日常任務（如開冰箱、拿蘋果）的類型，但其動作緩慢不穩，彷彿正在復健的病人 。

這兩種極端的對比，恰恰點出了機器人技術的真正瓶頸：它們的「大腦」還不夠強大，無法即時處理與學習真實世界的突發狀況 。

這也引出了本文試圖探索的核心問題：新一代AI晶片NVIDIA® Jetson Thor™ ，這顆號稱能驅動「物理AI」的超級大腦，真的能終結機器人的「復健時代」，開啟一個它們能真正理解、並與我們共同生活的全新紀元嗎？

為何我們看到的機器人，總像在演戲或復健？

那我們怎麼理解這個看似矛盾的現象？為什麼有些機器人靈活得像舞者，有些卻笨拙得像病人？答案，就藏在它們的「大腦」運作方式裡。

那些動作極其精準、甚至會後空翻的機器人，秀的其實是卓越的硬體性能——關節、馬達、減速器的完美配合。但它的本質，是一場由工程師預先寫好劇本的舞台劇 。每一個角度、每一分力道，都是事先算好的，機器人本身並不知道自己為何要這麼做，它只是在「執行」指令，而不是在「理解」環境。

而另一種，那個開冰箱慢吞吞的機器人，雖然看起來笨，卻是在做一件革命性的事：它正在試圖由 AI 驅動，真正開始「理解」這個世界 。它在學習什麼是冰箱、什麼是蘋果、以及如何控制自己的力量才能順利拿起它。這個過程之所以緩慢，正是因為過去驅動它的「大腦」，也就是 AI 晶片的算力還不夠強，無法即時處理與學習現實世界中無窮的變數 。

這就像教一個小孩走路，你可以抱著他，幫他擺動雙腿，看起來走得又快又穩，但那不是他自己在走。真正的學習，是他自己搖搖晃晃、不斷跌倒、然後慢慢找到平衡的過程。過去的機器人，大多是前者；而我們真正期待的，是後者。

所以，問題的核心浮現了：我們需要為機器人裝上一個強大的大腦！但這個大腦，為什麼不能像ChatGPT一樣，放在遙遠的雲端伺服器上就好？

機器人的大腦，為什麼不能放在雲端？

聽起來好像很合理，對吧？把所有複雜的運算都交給雲端最強大的伺服器，機器人本身只要負責接收指令就好了。但……真的嗎？

想像一下，如果你的大腦在雲端，你看到一個球朝你飛過來，視覺訊號要先上傳到雲端，雲端分析完，再把「快閃開」的指令傳回你的身體。這中間只要有零點幾秒的網路延遲，你大概就已經鼻青臉腫了。

現實世界的互動，需要的是「即時反應」。任何網路延遲，在物理世界中都可能造成無法彌補的失誤 。因此，運算必須在機器人本體上完成，這就是「邊緣 AI」（Edge AI）的核心概念 。而 NVIDIA  Jetson 平台，正是為了解決這種在裝置端進行高運算、又要兼顧低功耗的需求，而誕生的關鍵解決方案 。

NVIDIA Jetson 就像一個緊湊、節能卻效能強大的微型電腦，專為在各種裝置上運行 AI 任務設計 。回顧它的演進，早期的 Jetson 系統主要用於視覺辨識搭配AI推論，像是車牌辨識、工廠瑕疵檢測，或者在相機裡分辨貓狗，扮演著「眼睛」的角色，看得懂眼前的事物 。但隨著算力提升，NVIDIA Jetson 的角色也逐漸從單純的「眼睛」，演化為能夠控制手腳的「大腦」，開始驅動更複雜的自主機器，無論是地上跑的、天上飛的，都將NVIDIA Jetson 視為核心運算中樞 。

但再強大的晶片，如果沒有能適應現場環境的「容器」，也無法真正落地。這正是研華（Advantech）的角色，我們將 NVIDIA Jetson 平台整合進各式工業級主機與邊緣運算設備，確保它能在高熱、灰塵、潮濕或震動的現場穩定運行，滿足從工廠到農場到礦場、從公車到貨車到貨輪等各種使用環境。換句話說，NVIDIA 提供「大腦」，而研華則是讓這顆大腦能在真實世界中呼吸的「生命支持系統」。

這個平台聽起來很工業、很遙遠，但它其實早就以一種你意想不到的方式，進入了我們的生活。

從Switch到雞蛋分揀員，NVIDIA Jetson如何悄悄改變世界？

如果我告訴你，第一代的任天堂Switch遊戲機與Jetson有相同血緣，你會不會很驚訝？它的核心處理器X1晶片，與Jetson TX1模組共享相同架構。這款遊戲機對高效能運算和低功耗的嚴苛要求，正好與 Jetson 的設計理念不謀而合 。

而在更專業的領域，研華透過 NVIDIA Jetson 更是解決了許多真實世界的難題 。例如

• 在北美，有客戶利用 AI 進行雞蛋品質檢測，研華的工業電腦搭載NVIDIA Jetson 模組與相機介面，能精準辨識並挑出髒污、雙黃蛋到血蛋 
• 在日本，為避免鏟雪車在移動時發生意外，導入了環繞視覺系統，當 AI 偵測到周圍有人時便會立刻停止 ；
• 在水資源珍貴的以色列，研華的邊緣運算平台搭載NVIDIA Jetson模組置入無人機內，24 小時在果園巡航，一旦發現成熟的果實就直接凌空採摘，實現了「無落果」的終極目標 。

這些應用，代表著 NVIDIA Jetson Orin™ 世代的成功，它讓「自動化」設備變得更聰明 。然而，隨著大型語言模型（LLM）的浪潮來襲，人們的期待也從「自動化」轉向了「自主化」 。我們希望機器人不僅能執行命令，更能理解、推理。

Orin世代的算力在執行人形機器人AI推論時的效能約為每秒5到10次的推論頻率，若要機器人更快速完成動作，需要更強大的算力。業界迫切需要一個更強大的大腦。這也引出了一個革命性的問題：AI到底該如何學會「動手」，而不只是「動口」？

革命性的一步：AI如何學會「動手」而不只是「動口」？

面對 Orin 世代的瓶頸，NVIDIA 給出的答案，不是溫和升級，而是一次徹底的世代跨越— NVIDIA Jetson Thor 。這款基於最新 Blackwell 架構的新模組，峰值性能是前代的 7.5 倍，記憶體也翻倍 。如此巨大的效能提升，目標只有一個：將過去只能在雲端資料中心運行的、以 Transformer 為基礎的大型 AI 模型，成功部署到終端的機器上 。

NVIDIA Jetson Thor 的誕生，將驅動機器人控制典範的根本轉變。這要從 AI 模型的演進說起：

1. 第一階段是 LLM（Large Language Model，大型語言模型）：
   我們最熟悉的 ChatGPT 就屬此類，它接收文字、輸出文字，實現了流暢的人機對話 。
2. 第二階段是 VLM（Vision-Language Model，視覺語言模型）：
   AI 學會了看，可以上傳圖片，它能用文字描述所見之物，但輸出結果仍然是給人類看的自然語言 。
3. 第三階段則是 VLA（Vision-Language-Action Model，視覺語言行動模型）：
   這是革命性的一步。VLA 模型的輸出不再是文字，而是「行動指令（Action Token）」 。它能將視覺與語言的理解，直接轉化為控制機器人關節力矩、速度等物理行為的具體參數 。

這就是關鍵！ 過去以NVIDIA Jetson Orin™作為大腦的機器人，僅能以有限的速度運行VLA模型。而由 VLA 模型驅動，讓 AI 能夠感知、理解並直接與物理世界互動的全新形態，正是「物理 AI」（Physical AI）的開端 。NVIDIA Jetson Thor 的強大算力，就是為了滿足物理 AI 的嚴苛需求而生，要讓機器人擺脫「復健」，迎來真正自主、流暢的行動時代 。

其中，物理 AI 強調的 vision to action，就需要研華設計對應的硬體來實現；譬如視覺可能來自於一般相機、深度相機、紅外線相機甚至光達，你的系統就要有對應的介面來整合視覺；你也會需要控制介面去控制馬達伸長手臂或控制夾具拿取物品；你也要有 WIFI、4G 或 5G 來傳輸資料或和別的 AI 溝通，這些都需要具體化到一個系統上，這個系統的集大成就是機器人。

好，我們有了史上最強的大腦。但一個再聰明的大腦，也需要一副強韌的身體。而這副身體，為什麼非得是「人形」？這不是一種很沒效率的執念嗎？

為什麼機器人非得是「人形」？這不是一種低效的執念嗎？

這是我一直在思考的問題。為什麼業界的主流目標，是充滿挑戰的「人形」機器人？為何不設計成效率更高的輪式，或是功能更多元的章魚型態？

答案，簡單到令人無法反駁：因為我們所處的世界，是徹底為人形生物所打造的。

從樓梯的階高、門把的設計，到桌椅的高度，無一不是為了適應人類的雙足、雙手與身高而存在 。對 AI 而言，採用人形的軀體，意味著它能用與我們最相似的視角與方式去感知和學習這個世界，進而最快地理解並融入人類環境 。這背後的邏輯是，與其讓 AI 去適應千奇百怪的非人形設計，不如讓它直接採用這個已經被數千年人類文明「驗證」過的最優解 。

這也區分了「通用型 AI 人形機器人」與「專用型 AI 工業自動化設備」的本質不同 。後者像高度特化的工具，產線上的機械手臂能高效重複鎖螺絲，但它無法處理安裝柔軟水管這種預設外的任務 。而通用型人形機器人的目標，是成為一個「多面手」，它能在廣泛學習後，理解物理世界的運作規律 。理論上，今天它在產線上組裝伺服器，明天就能在廚房裡學會煮菜 。

但要讓一個「多面手」真正活起來，光有骨架還不夠。它必須同時擁有強大的大腦平台與遍布全身的感知神經，才能理解並回應外在環境。人形機器人的手、腳、眼睛、甚至背部，都需要大量感測器去理解環境就像神經末梢一樣，隨時傳回方位、力量與外界狀態。但這些訊號若沒有通過一個穩定的「大腦平台」，就無法匯聚成有意義的行動。

這正是研華的角色：我們不僅把 NVIDIA Jetson Thor 這顆核心晶片包載在工業級電腦中，讓它成為能真正思考與反應的「完整大腦」，同時也提供神經系統的骨幹，將感測器、I/O 介面與通訊模組可靠地連結起來，把訊號傳導進大腦。你或許看不見研華的存在，但它實際上遍布在機器人全身，像隱藏在皮膚之下的神經網絡，讓整個身體真正活過來。

但有了大腦、有了身體，接下來的挑戰是「教育」。你要怎麼教一個物理 AI？總不能讓它在現實世界裡一直摔跤，把一台幾百萬的機器人摔壞吧？

打造一個「精神時光屋」，AI的學習速度能有多快？

這個問題非常關鍵。大型語言模型可以閱讀網際網路上浩瀚的文本資料，但物理世界中用於訓練的互動資料卻極其稀缺，而且在現實中反覆試錯的成本與風險實在太高 。

答案，就在虛擬世界之中。

NVIDIA Isaac Sim™等模擬平台，為這個問題提供了完美的解決方案 。它能創造出一個物理規則高度擬真的數位孿生（Digital Twin）世界，讓 AI 在其中進行訓練 。

這就像是為機器人打造了一個「精神時光屋」 。它可以在一天之內，經歷相當於現實世界千百日的學習與演練，從而在絕對安全的環境中，窮盡各種可能性，深刻領悟物理世界的定律 。透過這種「模擬-訓練-推論」的 3 Computers 閉環，Physical AI (物理AI) 的學習曲線得以指數級加速 。

我原本以為模擬只是為了節省成本，但後來發現，它的意義遠不止於此。它是在為 AI 建立一種關於物理世界的「直覺」。這種直覺，是在現實世界中難以透過有限次的試錯來建立的。

所以你看，這趟從 Switch 到人形機器人的旅程，一幅清晰的未來藍圖已經浮現了。實現物理 AI 的三大支柱已然齊備：一個劃時代的「AI 大腦」（NVIDIA Jetson Thor）、讓核心延展為「完整大腦與神經系統」的工業級骨幹（由研華 Advantech 提供），以及一個不可或缺的「教育環境」（NVIDIA Isaac Sim 模擬平台） 。

結語

我們拆解了那些酷炫機器人影片背後的真相，看見了從「自動化」走向「自主化」的巨大技術鴻溝，也見證了「物理 AI」時代的三大支柱——大腦、身軀、與教育——如何逐一到位 。

專家預測，未來 3 到 5 年內，人形機器人領域將迎來一場顯著的革命 。過去我們只能在科幻電影中想像的場景，如今正以前所未有的速度成為現實 。

這不再只是一個關於效率和生產力的問題。當一台機器，能夠觀察我們的世界，理解我們的語言，並開始以物理實體的方式與我們互動，這將從根本上改變我們與科技的關係。

所以，最後我想留給你的思想實驗是：當一個「物理 AI」真的走進你的生活，它不只是個工具，而是一個能學習、能適應、能與你共同存在於同一個空間的「非人智慧體」，你最先感受到的，會是興奮、是便利，還是……一絲不安？

這個問題，不再是「我們能否做到」，而是「當它發生時，我們準備好了嗎？」

研華已經整裝待發，現在，我們與您一起推動下一代物理 AI 與智慧設備的誕生。
https://bit.ly/4n78dR4

本文由 經濟部水利署 委託，泛科學企劃執行。

「30年後，我們將面對更嚴峻的缺水考驗。」水利署署長賴建信接受我們採訪時坦承地說。

近年，全臺西部地區都曾遇過「供五停二」的停水措施，，缺水問題更早已是全球問題。根據 2021 年發表在 Nature Communication 上的論文，2016 年全球有 9.33 億的城市人口面臨缺水問題，約為總人口的 12 %；依據過往趨勢推測，至 2050 年，全球將有 16.93-23.73 億的城市人口面臨缺水問題，相當於 2050 年總人口的 17%-24%。

為什麼全球缺水問題會如此嚴重呢？賴建信署長認為首要是「氣候變遷」改變了降雨強度與頻率，並舉生活中的經驗來說明氣候變遷：

「生活在臺灣地區的我們，會感覺到最近好像很久都不會下雨，然後不下雨的時候很熱，但一下雨，雨滴大到打在身上都會痛。」而近期紐約暴雨造成地鐵淹水癱瘓，也是氣候變遷造成的。

氣候變遷讓降雨更加極端

賴署長說：「可以說以後的降雨會非常集中在特定某幾天。就像剛剛講的，就是突然暴雨，然後接下來一個大乾旱。 」

無論是缺水還是淹水，氣候變遷造成的影響都不容忽視，賴署長表示，不只是降雨頻率會更低，降雨地區也會更加不平均，降雨的強度也會有所提升。

依照聯合國政府間氣候變化專門委員會最糟糕的預測（SSP5-8.5），到了這個世紀中，臺灣暴雨強度會比世紀初提升 20%，世紀末會提升 40%，即便是最優預測（SSP1-2.6），也會在世紀中提升 15.7%。

據上所述，氣候變遷讓全人類無法迴避「降雨不均造成的地區性缺水」，以及「降雨強度提升造成的地區性水災」這兩個問題。雖然個人、企業與政府都為了減緩氣候變遷有所作為，但賴署長也表示，我們該「從科學擁抱殘酷現實，對未來做最壞打算」。

簡單來說，若所有締約國都遵守聯合國氣候變遷大會（COP）的決議完成減碳工作，那氣候變遷也只是不再加劇，並不會立刻恢復到過去的型態，而只要有其中幾項沒有達成，那全世界就得面對更嚴峻的情況。

回到開頭賴署長所說的 30 年，我們還有時間做好基礎建設，降低氣候變遷對人民造成的影響。「從2016年開始，我們就思考這些問題，思考說臺灣未來面對的自然環境，我們應該如何因應、構築一個怎麼樣的未來。所以當時我們就開始思考包括區域調度、多元水源等相關計畫。」

賴署長提到的「區域調度」相關計畫，即是目前正在進行的「珍珠串計畫」。

地區性缺水解決方案—「珍珠串計畫」

「珍珠串計畫」預計把台灣西部像珍珠一樣珍貴的水源，用聯通管線串聯起來，讓珍貴的水資源可以妥為應用。

臺灣降雨時間和空間差異極大，桃園至屏東等西部地區，在 5 月至 10 月是豐水期，11 月到隔年 4 月是枯水期，然而北北基與宜蘭等東北地區，卻是完全相反，10 月至隔年 4 月有東北季風帶來的豐沛雨量，此時若能將東北地區的水調度至西部地區，將能緩解西部地區缺水。而未來面對更加極端的降雨情況，也能提供一定的支援。

珍珠串計畫的聯通管線預計將在 2028 年全數完成，而在 2021 年旱災中搶先開通的「桃園—新竹備援管線」，從桃園每日調度 20 萬噸的水給新竹，在旱災期間總計調度 2300 萬噸，約是 0.6 座寶山第二水庫的蓄水量，不僅讓新竹地區免於限水所苦，也讓新竹科學園區的科技業能維持生產。

不僅管線串聯，更要開創「多元水源」

有了聯通管串聯，就能解決缺水問題嗎？賴署長給出否定答案：「如果只有一種供水方式，突然有意外就完了。當然要有多股水源，多條管線。」

過往開發新水源，直覺想到的是蓋水庫，不過蓋水庫不僅要謹慎評估該地是否有充足水源，考慮安全性及經濟性是否合理，更要謹慎評估對環境生態的影響，通常一座水庫從規劃到興建完成，需耗時數十年的時間。

為了因應氣候變遷與逐步增加的用水量，水利署目前已朝「多元水源」的方式來尋找新水源，像是南化與寶山第二水庫藉由「溢流堰加高」擴增蓄水量，臺中水楠經貿園區淨化污水再利用的「再生水」，以及以及高屏溪的「伏流水」與新竹的「海淡水」，這些多元水源將與水庫水、川流水及地下水等傳統水源共同支撐起全臺用水。

此外，水利署也正想辦法讓洪水資源化，臺灣山高水急，大雨過後的洪水大部分都流向大海，只有少部分可被水庫收集，像是「河槽人工湖」就能增加收集水量，來供應日常使用，或補注超抽的地下水。

地區性強降雨解決方案—從「不淹水」轉變為「耐災韌性」

受氣候變遷影響，近年臺灣短延時強降雨頻率提高，低窪地區或排水系統也時常發生淹水，顯現目前臺灣防洪工程的不足。

過去臺灣由於預算有限，治水策略多以建護岸、堤防或下水道為主，然而這種作法有其極限，即便已完成防洪工程的區域，也未必能面對未來極端降雨的情況，為此，水利署改變過往治水策略，從「不淹水」轉變為「耐災韌性、與水共生」，而在多年來中央與地方政府的聯合推動下，各地開始邁向「逕流分攤」的方式來治理水患。

「逕流」是指下雨時地表土壤無法吸收的水份，在地表形成的水流。「逕流分攤」是在淹水較為嚴重的河段，於新建（或改建）公共設施時，以不妨礙設施功能，建設洪水期間可收集逕流的滯洪池。此外，為提升土地耐淹能力，「出流管制」政策也要求開發單位，必須提升建築物的透水、保水與滯洪能力。

以日本東京鶴見川為例，由於東京市的發展，導致土地保水、滲透能力降低，洪水尖峰流量增加，更容易發生淹水。為此日本將橫濱日產體育館建置成兼具滯洪功能的公共設施，來應對鶴見川的洪峰流量，館場下方的滯洪池高度高達五公尺，平日則作為停車場使用。

「我們希望所有的土地都能更有效地利用，例如我們學校的操場，如果下面是一個蓄水池，那大雨下來是不是就不容易淹水了？」賴署長表示，近期開工的鹿港洛津國小的地下停車場兼滯洪池工程，正是「逕流分攤」的案例。

風暴將至，我們能做好準備嗎？

賴署長略為嚴肅地說：「我不期待氣候型態會回到 30 年前。」並重提了在 IPCC 的最優預測（SSP1-2.6）下，臺灣仍必須在 2050 年面對暴雨強度提高 15.7% 的情況。

無論我們怎麼做，風暴已確定到來，那麼我們能事先做好準備嗎？賴署長說：「我認為我們能做到的，是使用適當的方法趨吉避凶。」隨著科學進步，模擬變得越來越精準，但終究還是預測，存在不確定性，雖然 2050 年最優預測是暴雨強度提高 15.7%，但上限呢？真的就只有前面提到的 20% 嗎？賴署長提醒我們要面對氣候變遷的現實，並在面臨風暴來臨之前做好準備，這個準備不只要能面對預估強度，更要有足夠的韌性，來面對超越預期的情況。

最後，賴署長說：「每個巨大的改變，一定是從一個微小的生活習慣，比如說開始固定運動，或是固定減少能源浪費。」也許現在看來微不足道的小動作，都將是未來的「重要一步」，就像蝴蝶效應一樣。

相信科學數據，擁抱不確定性，積極做出因應，這不僅是賴署長個人的想法，也是水利署全體的信念，唯有如此，才能在超乎預期的「風暴」來臨之前，做出最好的選擇。

參考文獻

• 全球水資源：三分之一人類「高度缺水」 – BBC News 中文
• Future global urban water scarcity and potential solutions | Nature Communications

• 本文與台灣科技媒體中心合作，內文經泛科學改寫。
• 本文轉載整合自台灣科技媒體中心《「刺胳針研究：英國Omicron和Delta的住院、死亡風險比較」解析》
• 資料更新至 2022 年 4 月 8 日，完整文章請見上方連結

2022 年 03 月 16 日，國際期刊《刺胳針》（Lancet）刊登一篇研究「Comparative analysis of the risks of hospitalisation and death associated with SARS-CoV-2 omicron (B.1.1.529) and delta (B.1.617.2) variants in England: a cohort study」，主要是想透過英國衛生安全局（UKHSA）的 COVID-19 國內確診數據，分別從就診、住院和死亡的數據上比較相對風險，了解 Omicron 相較於 Delta 的嚴重程度。

這篇研究，是由英國劍橋大學的湯米・尼伯格教授（Tommy Nyberg）團隊，收集 2021 年 11 月至 2022 年 1 月間，英國國內監測 COVID-19 感染後的確診數據，並比較 Omicron 和 Delta 對不同年齡階段、不同免疫狀態的人群感染的嚴重程度，包括就診、住院治療及死亡風險的變化。

mRNA 疫苗保護力強？

其中在比較 mRNA 疫苗施打的結果上，研究發現，施打 mRNA 疫苗加強免疫系統，對防止 Omicron 的住院和死亡，具有高度保護作用。

數據顯示，「有施打 mRNA 疫苗」發生住院與死亡的風險比值（HR）是「未施打疫苗」的 22%。（HR for hospital admission 8–11 weeks post-booster vs unvaccinated: 0·22 [0·20–0·24]）也就是與「未施打疫苗」相比，「施打 mRNA 疫苗」的 8 到 11 週後，發生住院的風險下降了約 78%。

解讀時，要注意！

該研究是在比較「施打 mRNA 疫苗」與「未施打疫苗」發生住院與死亡風險，使用的是風險比（Hazard Ratio, HR），是指在相同時間裡兩個風險率的比值。

如同前面提到，在 Omicron 的研究結果中，「有施打 mRNA 疫苗」會發生住院與死亡的風險，是「未施打疫苗」的 22%。意思是與「未施打疫苗」相比，「有施打 mRNA 疫苗」發生住院的風險下降了約78%。

這邊的 22%，是來自「有施打 mRNA 疫苗」 vs. 「未施打疫苗」兩個群體，發生住院狀況的風險比值，而不是指「未施打疫苗者」發生重症與死亡的發生率。也就是說：「400 萬人未施打疫苗，其中會有將近 80 萬人重症或死亡。」這是錯誤的歸納且與該研究觀察結果無關。

此外，我們也無法透過上述的風險比較，回推「未施打疫苗」群體，發生重症或死亡的比例。