運用高中物理，你也能做出美國設計的AS-1 地震儀

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 交通部中央氣象署 委託，泛科學企劃執行。

• 文／陳儀珈

從地震儀感應到地震的震動，到我們的手機響起國家級警報，大約需要多少時間？

臺灣從 1991 年開始大量增建地震測站；1999 年臺灣爆發了 921 大地震，當時的地震速報系統約在震後 102 秒完成地震定位；2014 年正式對公眾推播強震即時警報；到了 2020 年 4 月，隨著技術不斷革新，當時交通部中央氣象局地震測報中心（以下簡稱為地震中心）僅需 10 秒，就可以發出地震預警訊息！

然而，地震中心並未因此而自滿，而是持續擴建地震觀測網，開發新技術。近年來，地震中心執行前瞻基礎建設 2.0「都會區強震預警精進計畫」，預計讓臺灣的地震預警系統邁入下一個新紀元！

連上網路吧！用建設與技術，換取獲得地震資料的時間

「都會區強震預警精進計畫」起源於「民生公共物聯網數據應用及產業開展計畫」，該計畫致力於跨部會、跨單位合作，由 11 個執行單位共同策畫，致力於優化我國環境與防災治理，並建置資料開放平台。

看到這裡，或許你還沒反應過來地震預警系統跟物聯網（Internet of Things，IoT）有什麼關係，嘿嘿，那可大有關係啦！

當我們將各種實體物品透過網路連結起來，建立彼此與裝置的通訊後，成為了所謂的物聯網。在我國的地震預警系統中，即是透過將地震儀的資料即時傳輸到聯網系統，並進行運算，實現了對地震活動的即時監測和預警。

地震中心在臺灣架設了 700 多個強震監測站，但能夠和地震中心即時連線的，只有其中 500 個，藉由這項計畫，地震中心將致力增加可連線的強震監測站數量，並優化原有強震監測站的聯網品質。

在地震中心的評估中，可以連線的強震監測站大約可在 113 年時，從原有的 500 個增加至 600 個，並且更新現有監測站的軟體與硬體設備，藉此提升地震預警系統的效能。

由此可知，倘若地震儀沒有了聯網的功能，我們也形同完全失去了地震預警系統的一切。

把地震儀放到井下後，有什麼好處？

除了加強地震儀的聯網功能外，把地震儀「放到地下」，也是提升地震預警系統效能的關鍵做法。

為什麼要把地震儀放到地底下？用日常生活來比喻的話，就像是買屋子時，要選擇鬧中取靜的社區，才不會讓吵雜的環境影響自己在房間聆聽優美的音樂；看星星時，要選擇光害比較不嚴重的山區，才能看清楚一閃又一閃的美麗星空。

地表有太多、太多的環境雜訊了，因此當地震儀被安裝在地表時，想要從混亂的「噪音」之中找出關鍵的地震波，就像是在搖滾演唱會裡聽電話一樣困難，無論是電腦或研究人員，都需要花費比較多的時間，才能判讀來自地震的波形。

這些環境雜訊都是從哪裡來的？基本上，只要是你想得到的人為震動，對地震儀來說，都有可能是「噪音」！

當地震儀靠近工地或馬路時，一輛輛大卡車框啷、框啷地經過測站，是噪音；大稻埕夏日節放起絢麗的煙火，隨著煙花在天空上一個一個的炸開，也是噪音；台北捷運行經軌道的摩擦與震動，那也是噪音；有好奇的路人經過測站，推了推踢了下測站時，那也是不可忽視的噪音。

因此，井下地震儀（Borehole seismometer）的主要目的，就是盡量讓地震儀「遠離塵囂」，記錄到更清楚、雜訊更少的地震波！​無論是微震、強震，還是來自遠方的地震，井下地震儀都能提供遠比地表地震儀更高品質的訊號。

地震中心於 2008 年展開建置井下地震儀觀測站的行動，根據不同測站底下的地質條件，​將井下地震儀放置在深達 30~500 公尺的乾井深處。​除了地震儀外，站房內也會備有資料收錄器、網路傳輸設備、不斷電設備與電池，讓測站可以儲存、傳送資料。

既然井下地震儀這麼強大，為什麼無法大規模建造測站呢？簡單來說，這一切可以歸咎於技術和成本問題。

安裝井下地震儀需要鑽井，然而鑽井的深度、難度均會提高時間、技術與金錢成本，因此，即使井下地震儀的訊號再好，若非有國家建設計畫的支援，也難以大量建置。

人口聚集，震災好嚴重？建立「客製化」的地震預警系統！

臺灣人口主要聚集於西半部，然而此區的震源深度較淺，再加上密集的人口與建築，容易造成相當重大的災害。

許多都會區的建築老舊且密集，當屋齡超過 50 歲時，它很有可能是在沒有耐震規範的背景下建造而成的的，若是超過 25 年左右的房屋，也有可能不符合最新的耐震規範，並未具備現今標準下足夠的耐震能力。 

延伸閱讀：

在地震界有句名言「地震不會殺人，但建築物會」，因此，若建築物的結構不符合地震規範，地震發生時，在同一面積下越密集的老屋，有可能造成越多的傷亡。

因此，對於發生在都會區的直下型地震，預警時間的要求更高，需求也更迫切。

地震中心著手於人口密集之都會區開發「客製化」的強震預警系統，目標針對都會區直下型淺層地震，可以在「震後 7 秒內」發布地震警報，將地震預警盲區縮小為 25 公里。

111 年起，地震中心已先後完成大臺北地區、桃園市客製化作業模組，並開始上線測試，當前正致力於臺南市的模組，未來的目標為高雄市與臺中市。

永不停歇的防災宣導行動、地震預警技術研發

地震預警系統僅能在地震來臨時警示民眾避難，無法主動保護民眾的生命安全，若人民沒有搭配正確的防震防災觀念，即使地震警報再快，也無法達到有效的防災效果。

因此除了不斷革新地震預警系統的技術，地震中心也積極投入於地震的宣導活動和教育管道，經營 Facebook 粉絲專頁「報地震 – 中央氣象署」、跨部會舉辦《地震島大冒險》特展、《震守家園 — 民生公共物聯網主題展》，讓民眾了解正確的避難行為與應變作為，充分發揮地震警報的效果。

此外，雖然地震中心預計於 114 年將都會區的預警費時縮減為 7 秒，研發新技術的腳步不會停止；未來，他們將應用 AI 技術，持續強化地震預警系統的效能，降低地震對臺灣人民的威脅程度，保障你我生命財產安全。

本文由 交通部氣象局 委託，泛科學企劃執行。

• 文／陳儀珈

臺灣是全世界地震測站密度最高的地方，然後呢？

臺灣位於歐亞板塊與菲律賓海板塊交界處，古往今來，從 1935 年新竹-臺中地震、1999 年集集大地震到 2016 年的高雄美濃地震，這座島嶼挺過無數次強震的襲擊，更催化出驚人的地震測報實力與研究能量。

自日治時期設置了全臺第一座地震儀至今（2022 年），在 120 多年內，現在的臺灣已經擁有全世界地震測站密度最高的地震觀測網：共超過 700 座測站，平均不到 10 公里就有 1 座，一年平均可偵測到超過 3 萬次的地震！

從預算籌措、技術研發、測站建置、通訊與電力接通、儀器維護到資料處理與信號監控等，每一座地震觀測站的背後，都耗費了無數地球科學家們的心力和血汗，他們辛勤地上山、下海、鑽井、拉線，投入大量的人力、時間和資金，就是為了挖掘更多地球的秘密。

每一分、每一秒，都有可觀的訊號湧入中央氣象局的儀器，然而，人們到底要怎麼做，才可以讓這些得來不易的寶貴資料發揮最大的效益呢？

中央氣象局的做法是——將它們全、數、公、開！把臺灣地震與地球物理的觀測資料，無償開放給全世界下載使用！

2008 年初試啼聲、2020 年脫胎換骨！

自 2005 年起，中央氣象局地震測報中心開始規劃這個整合型地震相關資料的開放平台計畫，並在 2008 年 8 月正式上線，命名為「地球物理資料管理系統（GDMS）」。

可惜的是，當年 GDMS 採取「會員制」，使用者需線上申請，經過審核方可啟用帳號，也限定僅有「國內」的相關學術人員才能成為會員。

此外，隨著上線時間一長，原系統的功能及資料服務已無法滿足所有使用者的需求，例如資料並未使用國際通用格式、更新不夠即時、儀器參數不完整等等問題。

有鑑於此，中央氣象局和中研院地球所攜手合作，建置了全新一代的「臺灣地震與地球物理資料管理系統（GDMS-2020）」，取消原先僅開放國內學術人員下載的限制，轉型為向全世界開放，所有人都能在此下載地震和地球物理的觀測資料。

新版的 GDMS 也針對資料管理進行全面優化，設計了標準化的流程，讓整體資料典藏變得更穩定更即時，資料品質更有保障。新增的詮釋資料（metadata）也讓使用者得以從原始資料（raw data）分析出更真實的物理量。

走向國際化的地震資料中心！

在地球科學界中，美國 IRIS、歐盟 ORFEUS、日本 NIED 是公認的三大資料服務中心，負責提供即時、高品質的地震與地物資料。

無論是資料格式，還是系統管理，臺灣的 GDMS 也向這幾個單位看齊，藉由向全球研究人員開放地震與地球物理資料，不僅能夠促進整體地球科學的發展，也讓臺灣在地球科學界的能見度更高，展現我國在地震領域的研究和技術能量。​

現在，無論你是地球科學的學術人員，或是對地球科學研究有熱情的愛好者，只要進入這個網頁註冊帳號，就能取得即時又完整的地震與地球物理資料。​

完整性、通用性：最全面、最沒有門檻的研究資料

根據中央氣象局的介紹，GDMS 提供的資料大約分為三個類型：地震資料、地球物理資料，以及儀器的詮釋資料，提供連續的觀測紀錄，擁有資料上的「完整性」。

其中，地震資料來自各式各樣的地震儀，例如短週期地震儀、強震儀、寬頻地震儀、井下地震儀所記錄的震動波形，取樣率每秒 100 點；地球物理資料包含全球導航衛星系統（GNSS）所記錄的地表變形、水位計的地下水位、磁力儀的地磁強度，取樣率每秒 1 點；​詮釋資料則記錄了​儀器管理相關的資訊，包含測站位置、營運歷史、維護紀錄、儀器響應（instrument response）等內容，讓研究人員得到地動訊號真實的物理量，在分析資料的過程中扮演關鍵性的意義。

為了讓研究人員下載地震和地物資料更便利，GDMS 參考了其他國際地震中心的做法，從資料查詢、瀏覽與下載的介面，到符合國際標準的資料格式，具備資料上的「通用性」。

觀測資料的格式如下：

• 地震波形資料：miniSEED、SAC 和文件檔格式
• GNSS 資料：RINEX 格式
• 地磁資料：  IAGA2002 格式
• 地下水位： 純文字檔​

詮釋資料的格式為：

• 地震儀：管理上採用 dataless SEED 以及 StationXML 兩種格式，使用上另提供 Poles and Zeros 檔案
• GNSS、水位計和磁力儀：純文字、試算表或資料表等方式儲存，同時相關資訊亦全部轉入資料庫線上管理。​

即時性、國際性：幾乎即時的更新頻率，開放給全球學術界！

​標榜「即時性」的 GDMS ，更新資料的速度到底有多快？

為了讓研究人員在強震後能夠立刻進行分析，所有地震波形資料會持續開放至此時此刻的前 15 分鐘。而地球物理資料每日產製 1 個檔案，也就是說，今天可以拿到最新的資料是前一天的檔案。

規模超過 6 的地震發生後，GDMS 會自動擷取所有對應的地震波形，在一個小時內放在首頁供所有人瀏覽及下載，避免在地震過後湧入過多的索取而影響網站的服務效能。

此外，GDMS 也保存了從 1991 年 1 月 1 日至今的「地震目錄」。

由於地震觀測站收到的原始訊號是不停的連續波形，一般研究人員若要進行地震研究，需要耗費極大的人力和時間成本，土法煉鋼地從波形中挑出地震的波形。

GDMS 所提供的地震目錄，是由地震定位專業的夥伴們，從連續的波形中一一挑選而成，不論是在學術或災害研究上，都是非常珍貴的資料。目前系統中最新的地震目錄可提供到當下的前 1 個月，地震目錄跨越的時間超過 30 年，累積地震數超過 75 萬筆，毫無疑問是地震相關研究的一份瑰寶。

為了讓 GDMS 在國際上更有能見度，日前中央氣象局已正式向國際數位地震觀測網聯盟（International Federation of Digital Seismograph Networks，簡稱 FDSN）申請註冊數位物件識別碼（Digital Object Identifier，簡稱 DOI），進一步強化 GDMS 的服務品質。

未來，GDMS 不會停下進化的腳步，在中央氣象局與中央研究院的合作下，除了測站數量將不斷擴大、進行儀器的汰舊換新，還預計開發一套新儀器維護與參數連動機制，確保觀測資料與詮釋資料的可靠性，並隨時關注和參考使用者的回饋與需求，進行滾動式的修正，持續擴充 GDMS 的功能。

參考資料

1. ​中央氣象局臺灣地震與地球物理資料管理系統​
2. Thread: Taiwan CWB Seismological and Geophysical Data is officially OPEN from the new GDMS​
3. 地震測報中心蕭乃祺、甘志文、莊雅婷。〈建置國際化的地震資料中心〉。