如何讓「蘇丹紅鴨蛋」或「芬普尼雞蛋」不再出現：談化學物質管理的秘訣撇步

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

本文由行政院環境保護署毒物及化學物質局之推動化學物質綠色生活知識教育平臺計畫企劃，泛科學執行

• 文/ 簡鈺璇

生活在現代社會的我們，食衣住行都離不開化學工業的產物。從隨手可得的塑膠餐具、防水防風的戶外衣物，到頭昏腦熱時一把吞下的成藥，便利的現代生活讓我們已經無法離開化學工業的產品。但是，這樣的生活也並非全無風險，化學物質未經妥善處理造成的毒化災事件，就曾經造成人類歷史上極大的災害。

1984 年 12 月 3 日凌晨，印度博帕爾市的農藥工廠發生大量「異氰酸甲酯」洩漏的災難，引發了嚴重的後果。此一災難造成 2.5 萬人直接致死， 55 萬人間接致死，另外有 20 萬人永久傷殘。當地居民的罹癌率與兒童夭折率至今仍然比印度其他城市來得高。印度博帕爾災難是人類歷史上最嚴重的工業化學意外，影響的後果也相當深遠。

更近期的類似案例發生在 2015 年 8 月 12 日於中國天津，儲存有約 40 種危險化學品的倉庫發生爆炸，據官方統計共有 165 人罹難、 8 人失蹤、 798 人受傷， 16 所學校受損，為中國消防人員死傷最多且後果最慘重的化學危險品事故。

在臺灣其實也不乏一些化學相關工業，過去發生過一些和化學物質有關的意外事件，例如槽車翻覆、工廠失火等等，但幸好發生過的事故都屬小型，且應變處置得宜，未曾發生真正的大型災難。但居安思危，你是否曾經思考過，萬一有相關的事件發生了，該怎麼應變自保呢？

毒化災：和毒性化學物質有關的火災、爆炸、洩漏

環保署依「毒性及關注化學物質管理法」列管的化學物質，現在有 340 種，這些物質運作發生火災、爆炸及洩漏意外事故，就稱為「毒化災」。

而又是哪裡發生毒化災的風險會比較高呢？只要是製造儲存、使用到上述列管化學物質的場所皆有可能，風險還要視化學物質的種類、數量、劑量而定。舉例來說，過往中國石油化學廠及李長榮化工廠就發生過「環己烷」外洩，而引發火災的事故；而 2017 年雲林麥寮大連化工也曾發生「醋酸乙烯酯」外洩意外；但幸好均未造成嚴重的後果。

小知識：「毒化災」與「化學災害」屬於不同的範疇與主管機關。「毒化災」專指牽涉到「毒性及關注化學物質管理法」列管的化學物質的事故，行政院環境保護署依法為毒性化學物質災害防救業務主管機關。而「化學災害」則主要由各地防救災機關處理，環保署設立的「環境事故諮詢中心」與現場的技術小組協助提供處理建議及支援。

詳見：

化學災害的幕後英雄：化學技術特工出動！（上）

化學災害的幕後英雄：化學技術特工出動！（下）

臺灣人口密集，許多人的活動範圍可能離石化廠、小型工廠只有幾步之遙，視線往上抬就可見石化廠的大煙囪。除了石化廠周圍處於高風險區外，農藥合成及電鍍工廠，甚至於大學校院的實驗室，都是有可能是列管毒化物的運作場所。現今的法規對於毒化物有相當嚴格的控管，需於運作前申報資料取得核可，包裝容器及運作場所也會有規定的標示事項；另外，毒化物的運作及其釋放量也應製作紀錄、定期申報。經過這樣層層的控管，方能儘可能的將發生事故的可能性降到最低。

另外，對於風險較高的場所，環保署也進行了整理列管，相關細節請詳見「列管污染源資料查詢系統」。在進階查詢區勾選「毒性化學物質」，並輸入想瞭解的區域，就能取得有使用列管毒物的工廠的相關資訊。當有任何事故如火災、洩漏或爆炸不幸發生時，也可藉此瞭解可能接觸的化學物質種類。

真的發生了該怎麼辦？注意災防警告、即時通報

毒化事故的發生通常不會無聲無息，我們可藉由「望、聞、聽」來察覺事故的發生：當看見低層的天空出現橘色、綠色或紅色雲霧，或有大批動物死亡或植物枯萎的現象；聞到非預期的味道，像是刺鼻味、大蒜味、濃郁的花果香，甚至出現噁心、呼吸困難的狀況；聽到瞬間的爆炸聲伴隨刺鼻的氣體，這些都是疑似相關事故正在發生的線索。

另外，臺灣已經啟用了災防告警系統 (Public Warning System, PWS)，這套系統當然不只用於地震，只要區域有可能發生或已發生災害區域，主管機關就可以透過基地臺，以廣播方式將訊息傳送給區域內 4G 用戶的手機，讓大家儘早離災、避災。

另外，任何毒化物事故都會啟動相關的災害應變機制，若災害事故現場有相關危害性化學物質運作，消防救災單位也會通報環保署的「環境事故專業諮詢中心」，提供專業諮詢與技術協助。

相關延伸閱讀：

• 小鎮村的工廠爆炸啦，搶救毒化災的「化學特攻隊」，出動！
• 化學災害的幕後英雄：化學技術特工出動！（上）
• 化學災害的幕後英雄：化學技術特工出動！（下）

面對毒化災：即時通報與減少暴露！

毒化災害的形式多元，也容易伴隨火災或爆炸，一旦毒化災害發生，我們應掌握「即時通報」和「減少暴露」等要點。通報方式分為兩類：

1. 事故現場附近有發生煙霧、火災的狀況→聯絡「119」。
2. 沒有發生火災，出現疑似化學物質洩漏，如有奇怪的鐵桶、容器、空氣中有刺激味道、可疑的粉末、液體→聯絡「環保局陳情專線」（0800-066-666）。

 進行事故通報時，儘量清楚說明人、事、時、地、物，以便權責單位做狀況控制。

「減少暴露」則採取跟燒燙傷急救口訣相似的「衝、脫、泡、蓋、送」五個步驟，來自我保護：

1. 「衝」：此「衝」非彼「沖」，指的是趕快衝離毒化災現場的意思，以濕布掩住口鼻，以雨衣、陽傘、外套等遮蔽身體。
2. 「脫」：到達安全區域後脫去外衣、遮蔽物，並將外衣以塑膠袋密封，減少接觸毒性化學物質的時間，以降低風險。
3. 「泡」：懷疑皮膚沾染到毒性化學物質時，可以先用市售漂白水稀釋10倍後浸泡10分鐘，再以鹼性肥皂或清水洗淨，進行簡易的除污消毒。
4. 「蓋」：蓋上乾淨衣物。
5. 「送」：立即送醫或就醫。

此外，聽從救災人員指示，採取疏散或居家掩蔽的措施，如果是離家疏散，則離開前必須先關緊門窗，熄滅火源；如果是居家掩護，則將關閉門窗，冷氣改為室內循環，若不放心也可用膠布將門窗縫隙封上。

目前在毒化災現場 90% 的中毒事件都是吸入引起的，化學物質進入肺泡後，有的化學物質可溶於血液中，進而導致頭昏、噁心和呼吸困難，嚴重會有肺水腫的狀況；有的則會由咽喉進入腸胃系統。

如果及時離開毒化災害的現場，身體沒有不舒服，還需要送醫檢查嗎？其實只要你曾暴露在毒化物中，建議都就醫檢查，因為毒化物視毒性、暴露量和延遲性，對身體會有不同的危害。

在臺灣，過去並不曾面臨過大型的毒化災難，也希望未來不會有憾事發生。平時保持警覺，留意相關災害的線索，災害發生後即時通報，督促相關單位遵循法規正確的處理毒化物，牢記降低風險的守則，就是讓我們未來免於毒化災的最好辦法。

參考資料

1. 東森新聞——國道3號林邊交流道　化學槽車翻覆「駕駛一度受困」
2. 聯合報——高市林園化工廠疑氣體外洩引發失火 警消現場警戒
3. 環保署列管污染源資料查詢系統
4. 翻開覆蓋的陷阱卡：健康的隱形殺手「石綿」
5. 環保署土壤及地下水污染整治網-國內污染場址查詢系統
6. 行政院環保署化學局全民防災教育及宣導事項
7. 行政院環保署毒災防救管理資訊系統——毒物化學物質災害體系與通報方式（影片）
8. 鄭世輝、洪怡岳、徐啟銘，印度波帕 (Bhopal) 事件十五年後之探討，中國化學工程學會會刊。
9. 「災害防救法」
10. 毒性化學物質災害防救業務計畫

＊文章內容感謝行政院環境保護署毒物及化學物質局環境事故諮詢中心接受訪問，並提供相關資料及照片。

本文由行政院環境保護署毒物及化學物質局之推動化學物質綠色生活知識教育平臺計畫企劃，泛科學執行

本文由行政院環境保護署毒物及化學物質局委託，泛科學企劃執行

• 文／林宇軒

月圓人團圓的中秋節即將到來，每到佳節是不是覺得要來一塊月餅才應景呢？不過你知道嗎？月餅裡可口的鹹蛋黃，在去年（2017）曾驗出含有工業用染料蘇丹紅，引起了軒然大波。蘇丹色素於今年 6月 28日被環保署公告為「毒性化學物質」，列入環保署跟衛福部工業原料聯合稽查的範圍中。究竟這個蘇丹紅有什麼厲害之處？這類食安事件又該如何杜絕呢？

讓蛋黃染紅的「蘇丹紅」

「蘇丹紅」（Sudan stain），其實是幾種相似但不同的分子的統稱，這幾種化學物質常作為染料，主要包括：蘇丹紅 I （Sudan I）、蘇丹紅 II（Sudan II）、蘇丹紅 III（Sudan III）、蘇丹紅 IV（Sudan IV, Scarlet Red）、蘇丹紅 7B （Sudan 7B）、蘇丹紅 G（Sudan Red G），顏色上看起來都是紅色的¹。

蘇丹紅色素因為本身分子結構的關係，易溶於油脂，在工業上常用來將溶劑、蠟或汽油增色，甚至有些鞋油也會添加蘇丹紅，讓顏色看起來比較飽滿。

作為便宜易取得、穩定又不易褪色的紅色染料，蘇丹紅也因此常在食安事件中佔有「一席之地」，包括 2005 年歐盟和中國就曾經發現一些辣椒粉產品中驗出了蘇丹紅色素（新聞連結），而在 2006 年在中國也爆出為了讓鴨蛋黃增色，而在鴨子飼料中添加蘇丹紅的事件，相隔 11 年後，2017 年的中秋前夕，臺灣這邊也發現月餅的鹹蛋黃竟然含有蘇丹紅（新聞連結），另外由於前述的脂溶特性，蘇丹紅也會囤積在鴨隻的脂防細胞中^2-4。而臺灣業者違法的使用蘇丹紅的理由也跟中國的事件一樣：就為了讓蛋黃有更飽滿的橘紅色。

這類色素的分子都被國際癌症研究機構 IARC 列為第三類致癌物（尚無足夠研究供分類是否為致癌物）。蘇丹紅的結構上和二甲基黃相似，都屬於偶氮化合物，主要的致癌機制可能源自於蘇丹紅這類染料經過肝臟會代謝為苯胺（Aniline）、氨基萘酚等胺類化學物質，這些物質同樣被 IARC 列為第二類或第三類（對人類可能有致癌性／無法分類）致癌物。（延伸閱讀：關於 IARC 的致癌物分類，詳見本文）

那是否應該對蘇丹紅聞之色變？其實也並沒有必要。幾種屬於蘇丹紅的化學物質，其致癌性尚未明朗，因此在保險起見、有選擇的情況下，我們會選擇明確知道其風險、風險比較小的化學物質作為食品添加物、嬰幼兒用品等，但只要使用方式正確，落實「化學物質管理」，任何化學物質都能夠為我們所用。

聞「蛋」色變？落實「化學物質管理」好撇步

除了蘇丹紅鴨蛋事件之外，2017 年還發生了「芬普尼蛋事件」，以及「戴奧辛蛋事件」，真的是令蛋農「蛋疼」，使大眾聞「蛋」色變的 1 年。

到底這些有疑慮的化學物質是如何進到食物中的？事實上，除了我們最熟悉的在食品的製程中，使用了非公告的食品添加物這種情況（違反食安法）以外；在各項「蛋」的事件中，則可以發現另一種化學物質進入食物的來源：在原料的生產階段，所使用的化學物質未經良好的「化學物質管理」。如 2017 年的蘇丹紅鴨蛋事件，就是發生了在飼料中添加了非食用的蘇丹紅色素；或是在雞舍中錯誤使用「芬普尼」。

從許多食安事件，尤其這幾項關於「蛋」的事件可以發現：未追蹤高風險工業用化學品的流向、不了解用藥方法與劑量，都常是發生問題的主因。然而，亡羊補牢，為時未晚；確切歸納出問題發生的模式，落實化學品的管理，解決管理上的漏洞，就更有機會能夠防止食安問題一再發生。

因此針對雞蛋這類的產業，自 2018 年起化學局推動輔導化學物質自主管理升級，針對蛋農、飼料業業者自行輔導業者，宣導四項主要原則「一問再問」、「正確使用」、「用藥安全」及「四要管理」。

「一問再問」確認藥品用途

首先，從蘇丹紅鴨蛋的事件，可以看出「一問再問」與「用藥安全」的重要。蛋農朋友在購買藥品使用之前，要仔細去了解藥品究竟能不能使用在食品，尤其是不要聽信偏方、要確認推銷員的話是否是真的。

「用藥安全」注意人身安全

其次，在使用藥品的時候，要先確認藥品的包裝標示非常明確；不要輕易聽信偏方，並且在藥品作業的時候都要注意人身防護、不要過度曝露在藥品之中。

「使用正確」：方法、劑量、用途要正確

接下來部分則是在拿到合法藥品後也要注意「使用正確」；在芬普尼蛋事件中，蛋農拿含有芬普尼的藥劑來噴灑雞舍，造成雞蛋的污染。從這個事件可以看到「使用正確」的重要性，除了藥品能否使用之外，也要去注意該化學藥品可以使用的方法、容許使用的劑量是多少、用途也要正確才行。

「四要管理」：標示、記錄明確

最後，化學局從 2017 年開始推動的「四要管理」也要注意，在購買藥品時，要注意店家有沒有分區存放食品添加物和工業用化學品？也要注意不要買到標示不明的化學物質，只用有政府許可的用藥。購買了正確的藥品後，也同樣要分區存放，也務必要記錄下跟誰購買、購買量，還有每次用了多少、剩下多少庫存量等等資訊，確實記錄下各項藥品流向。

做好化學物質管理，杜絕食安事件

這些化學物質管理措施都有仔細做到的話，才能盡可能地杜絕工業用化學品或有致癌風險的化學物質進入食品原料，最終影響廣大民眾的身體健康，與蛋農朋友們的生計。

化學局在今年 6 月 28 日公告修正第四類毒化物列表，將蘇丹紅系列列入其中 ⁷。依照毒性化學物質管理法，一旦被公告列為毒化物管理，製造業者必須取得核可，並依照規定申報買賣流向，有效阻絕誤用⁸。化學物質管理的步驟乍看繁瑣，但藉由層層把關留意，以及在環節中的所有人有自覺、有意識地完整進行化學物質管理，相信未來可以更有效阻止不該出現的化學物質進入食品供應鏈，讓每個人都能享有更好的食品安全。

參考資料：

1. Erdemir, U. S., Izgi, B., & Gucer, S. (2013). An alternative method for screening of Sudan dyes in red paprika paste by gas chromatography-mass spectrometry. Analytical Methods, 5(7), 1790-1798.
2. 鹹鴨蛋檢出蘇丹紅，3 分鐘搞懂前因後果 – 農傳媒 (2017/09/29)
3. 撲殺 7100 隻！鴨吃蘇丹紅　脂肪高度殘留 – TVBS 新聞網 (2017/09/30)
4. 檢出蘇丹紅 雲林兩鴨場進行蛋.鴨隻銷毀 – 公視新聞網 (2017/09/30)
5. 戴奧辛蛋原因成謎，官方定調非持續污染，彰化地檢接手偵辦 – 農傳媒 (2017/05/05)
6. 全台恐慌戴奧辛蛋風暴　彰檢查了1年原因成謎 – 蘋果日報 (2018/03/29)
7. 蘇丹紅列第四類毒化物 沒許可證敢賣 6 月起開罰 – udn新聞網 (2018/04/27)
8. 毒性化學物質管理法 – 法務部全國法規資料庫
9. 國際癌症研究機構 IARC

延伸閱讀：

1. 「二甲基黃」在二戰時期引起的食安危機：該讓人民心慌慌，還是繼續食用致癌奶油黃？ – Pansci 泛科學
2. 芬普尼是惡魔還是天使？在聊芬普尼蛋前先來一份風險管理吧！ – PanSci 泛科學

備註：

1. 蘇丹紅為多種化學物質，被國際癌症研究機構（IARC）列為「第三類致癌物質」。

   

   

2. 環保署於 2018 年 6 月 28 日公告 16 種化學物質為毒性化學物質，包括蘇丹色素共 14 種具食安風險的化學物質。