成功的創新取決於基層的參與

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

作者 /「Hao有趣」（英國薩塞克斯大學 科學與科技政策 碩士 MSc Science & Technology Policy, SPRU, Uni. of Sussex）

活在現實世界與夢想不斷衝突的人生劇場裡，對科學內容本質有一點恐懼，但對科學政策又感到很有興趣，特愛漁業永續以及食物相關議題。

許多人認為影響人類生活的政策僅需依賴科學證據與知識；但有另一些人認為非科學的考量也是必須的，因為決策者在這個民主社會裡應該要採納多元的聲音與意見。實務上來說，公眾意見經常成為政策制訂的參考方向。過度採納公眾意見往往倍受爭議，在科學證據和群眾意見之間究竟要如何取得平衡呢？

接下來的文章裡將以海洋政策為主軸來探討政策制定的流程。首先，從科學相關意見對於政策的重要性、知識的轉移與整合科學意見的困難度討論；接著，從一個歷史中的漁業失策「紐芬蘭鱈魚漁場」案例來探討僅參考單方科學意見制定政策的缺失。而第三部份，則藉由 MPA 也就是海洋保護區的設立（GBRMPA）來討論：將公共意見等其他非科學因素做為政策決議考量的重要性 ，最後下個總結。

科學意見對於政策決議的重要性

遠從七零年代起，Lasswell （1971）、Brunner 以及 Ascher （1992）就已經指出現今社會中科學意見常被密切的做為政策決定的參考。 Graffy（2008）也指出「科學家對於建構公共認知、公眾論述與決策制定有本質上的貢獻」由此我們可以大致認同科學在政策的制定上扮演很重要的角色。Graffy 也聲稱在過去，科學提供了有效的資料（訊），這些資料可能可以概略性的提出可能會對社會上的人們或其生計的影響，也就是說科學意見可以是決策者的初步參考。

在 2000 年，Norse 與 Tschirley 的研究指出科學對於政策的幫助可以分為兩部分：第一是科學提供政策制定者藍圖般的概念，可在問題初期時有跡可循，以作為參考意見；其二是對於政策的有效性，例如可幫助預測對於社會的可能影響以及未來修改政策的監督與衡量。換句話說「科學」在政策制定的過程當中從頭到尾都應參與。

另一方面，科學資料與知識也有連結政策與公共參與的作用。Resnik 於 2011 年時指出「信任感」常建築於證據上，當科學家參與官僚體制提供知識、專家意見時，社會大眾會有比較大的認同感。這樣的現象尤其可以在針對新科技的政策中被發現，社會大眾寄託科學家以確定新科技可能會帶來的風險或優點。 總結來說，科學意見不僅僅是在政策擬定上給予制定者基礎的背景認知，更可以幫助連結社會大眾與決策者的橋樑。

科學意見作為單一政策參考的困境

即使我們已經知道科學意見的重要性，但仍然有許多的困難值得被討論。

在將科學應用到實務的過程當中，知識的轉移是一個很重要的問題。 2011 年時 Curran 等人對知識轉移（Knowledge Translation）定義為「從研究的結果應用於政策制定的過程」，而主要的步驟就是在於知識轉移的過程中認清並評估證據與採納辦法間的差距。 如果科學家所擁有的知識是很初階的、很概念化的，那麼決策者就無法將其應用於政策之中。也就是說，知識應該被轉化成可以讓人理解的資訊才得以被運用。

然而，在知識被轉化的過程當中 Henke 於 2002 年時曾指出政策制定者通常比較在乎能夠有快速的成果，這與科學是比較牴觸的，因為在驗證的過程當中，時間是品質管理很重要的因素。在漫長的知識轉移過程當中，不同角色有不一樣的責任，這也是困難的所在之處，導致政策制定上變得較為複雜。更何況，在許多時候研究領域與研究方向不見得完全符合政策的需求，溝通與參與便成為科學家與政策制定者間的催化劑。

然而兩者之間如果相互涉入其實是會有所阻礙的，學者 Graffy 在 2008 年時說到政策制定者通常對於科學所提供的含糊概念感到無力僅能做為「參考用」，而偏偏政策制定過程往往又有急迫的時間限制。這樣的困境可大致歸究於兩方人馬的認知失衡。決策者本身往往不具備專業的科學知識，並且不認為科學是自己應該具備的常識；而科學單位往往也有相似的問題：對科學單位來說，政策制定不在它們的專業範疇之內，而缺乏經驗也會導致他們在制訂政策的過程中產生焦慮。總結來說，如果科學所扮演的角色不是可被吸收的、甚至是不符時宜的，那麼，不僅政治家及科學家雙方之間無法取得共識，科學意見對於政策的制定也很容易淪為錯誤的意見。

從漁業史中著名的例子「紐芬蘭鱈魚漁場」的浩劫，便可以知道錯誤的科學知識可能帶來多麼嚴重的後果。根據 Bavington 於 2010 年提出的報告，約莫在 19 世紀末到 1930 年代，漁業科學專注於單一魚種的總數，那是一個德國的科學家 Heincke 所倡議的。從那時候起，總體數量的考量以及生物經濟學成為漁業科學的研究主流，而當時的研究主要致力於最大化單一魚種的年捕獲量，這個概念是當時編列國際漁業相關法時的主要參考依據。

然而 19 世紀末的科學偏頗造就了 20 世紀末的慘痛。鱈魚一直是人們熱愛的海鮮，隨著漁業經濟規模越來越大，技術越漸成熟，紐芬蘭鱈魚紅極一時，該區鱈魚漁場快速的被開發，大把大把的鈔票被商人賺入口袋裡，政府也當然獲得了不錯的稅收，看似一個雙贏的局面。不料，漁獲量在攀至高點後突然銳減，之後能捕到的鱈魚越來越少。加拿大漁業與海洋部門不得不於 1992 年時頒布紐芬蘭漁場禁捕令，學者 Binkley 於 1995 年與 Corbin 於 2002 年都嚴正地指責，鱈魚魚場的崩壞以及迫不得已之下頒布禁捕令的捕救手段不僅僅造成了無可挽回的環境損失，更導致 4 萬人民失業。

Bavington 認為這場浩劫可以說是受到不健全的科學研究方向所致；過度相信單一科學意見的結果，決策者未能將漁夫、自然史學家等非科學觀察、意見當作政策制定時的參考，使得當時的政策制定時僅著重於漁業經濟的發展，其他因素皆不在核心考量之中。供予政府的漁業科學知識多半偏重於年漁獲量的變動而並非物種生活史的總體考量。這樣子的科學研究趨勢使政府、投資人致力於加速漁業經濟發展而沒有考慮到保育等其他的觀點。日復一日後，不同的研究視角出現、新的理論證明了先前主流的科學知識不健全。如此可以知道，科學考量如果被用於政策決定時的單一考量是非常風險的，畢竟，今日科學真理也可能在數年之後成為不健全的壞科學，實在不得不謹慎。

是否該將不同的考量納入考慮

在上面的例子中已經說明了政策制定如果只考量單一科學面向是不夠的。有鑑於此，其他層面的考量也是相當重要的，例如社會的參與等。 以下我們就用海洋環境保護區作為討論。

從科學角度來說，環境保護區可以維持資源並增進永續發展（Brown 等人 2001）。而科學議題如生物多樣性、生態保護等應該要被強調。 Brown 等人也提到在地居民的生計永續以及不同的環境發展策略都會受到水資源、土地利用、以及沿海環境的影響。 再說，Voyer 等科學家於 2012 年時曾提到從經濟與社會角度來看待規劃流程是必要的，通常來說設立環境保護區所影響到的層面相當的大、複雜且有爭議，評估自然保育與社會信念、社會傳統、社會觀點與措施都很重要，因為人與環境之間的微妙關係，不能僅考量單一面向。縱使科學意見可以提供基礎背景知識，來自於其他地方的公共意見也同樣對於政策制定有所幫助。如果預先考慮到來自不同地方的疑慮並且給予意見，決策者便可以在過程中納入不同專業的考量已獲得更高度的共識。

如果說要找出一種較好的方法來做為政策發展的模組，2009 年由英國學者 Millstone 所提出的「Co-evolutionary Model」（共同演化模式）應該是比較好的方法。他說：共同演化就是讓科學與非科學的考量應被相互依賴而不應該分別於各自的領域裡。

在澳洲的「大堡礁海洋公園」（GBRMPA）計畫中，有四個被主要看重的議題：水質與海岸發展、漁業、旅遊休閒以及生態多樣性保育與世界遺產。從這四個議題來看，可以知道 MPA 的政策發展並不是只有環境相關，有更多更多的其他利害關係人參與。例如，從事家計型漁業的小家庭或是商業捕魚的業者會受到非常大的影響，其他從事海洋休閒產業的業者也會受到發展限制。我們也就可以知道，來自多方領域的意見有多麼重要。

2012 年 Voyer 所提及，為了在政策制定上能夠涵蓋不同的面向，GBRMPA 在 2003 年時執導了來自不同領域的分析計畫，並將該海洋保護區的草案呈給聯邦政府，這之中的分析就包括對於旅遊業、漁業等的影響以及海洋保護區對於社會以及居民的影響。

所以，確定成立「海洋保護區」是政策的最後目標，而科學意見想相當然爾會在這之中扮演很重要的角色，生物知識、生態狀況、環境議題等科學相關考量會被用來評估海洋保護區是否能產生有效的保護作用。然而，科學以外的風險考量也是同等重量，社會經濟的影響便是其中的一環，諸如漁業、旅遊業的業損等。

當時 GBRMPA 計畫舉辦了 600 場會議，包含了不同的區域與數千名的人參加。而總諮詢階段 GBRMPA 更發了 9 萬份協議書的手冊、在網站上有 7 萬 3 千次的點擊、接了 6 千通免費電話，透過電視、廣播以及印刷產生了 2000 多個媒體消息（Jago et al. Thompson et al. 2004）。從這個經驗裡，不難發現非科學意見在重大政策的決定過程佔有很重要的比例。從以上這個模型也可以看出有別於過去「由上而下」的政策制定發展模式，反而是採取匯整多方意見的方式來制定及推動這個政策。

結論

科學考量對於政策決定來說仍然非常重要。科學不僅提供了核心的知識與有用的資訊給決策者，並且也擔任起連結決策者與公共參與者的角色。然而，從歷史的經驗來看，單獨參考科學意見的風險是相當高的。 而另一個海洋相關政策「GBRMPA」則反映出採取科學依據之外，其他各方面的考量，例如社會與經濟的因素也是同等重要的。總結來說，政策的制定是一個很漫長的過程，他應該要包含不同的面向並且找到一個最理想的方法來制定之。對決策者來說，需要考量多少面向，邀請多少專業類別加入將是一個相當具有挑戰性的關鍵課題。

參考文獻：

• BAVINGTON, D. 2010. From Hunting Fish to Managing Populations: Fisheries Science and the Destruction of Newfoundland Cod Fisheries. Science as Culture, 19, 509-528.
• BROWN, K., ADGER, W. N., TOMPKINS, E., BACON, P., SHIM, D. & YOUNG, K. 2001. Trade-off analysis for marine protected area management. Ecological Economics, 37, 417-434.
• CORBIN, C. 2002. Silences and lies: how the industrial fishery constrained voices of ecological conservation. Canadian Journal of Communication, 27, 7-32.
• CURRAN, J. A., GRIMSHAW, J. M., HAYDEN, J. A. & CAMPBELL, B. 2011. Knowledge translation research: The science of moving research into policy and practice. Journal of Continuing Education in the Health Professions, 31, 174-180.
• CURREY, K. & CLARK, S. G. 2010. Roger A. Pielke, Jr., The honest broker: making sense of science in policy and politics. Policy Sciences, 43, 95-98.
• GBRMPA. 2011. How we currently manage the Great Barrier Reef. [Accessed 11 Feb 2002].
• GRAFFY, E. A. 2008. Meeting the Challenges of Policy-Relevant Science: Bridging Theory and Practice. Public Administration Review, 68, 1087-1100.
• HADFIELD, L. & SEATON, R. A. F. 1999. A co-evolutionary model of change in environmental management. Futures, 31, 577-592.
• HAEDRICH, R. L. & HAMILTON, L. C. 2000. The fall and future of Newfoundland’s cod fishery. Society & Natural Resources, 13, 359-372.
• HOPPE, R. 2005. Rethinking the science-policy nexus: from knowledge utilization and science technology studies to types of boundary arrangements. Poiesis & Praxis: International Journal of Technology Assessment and Ethics of Science, 3, 199-215.
• MILLSTONE, E. 2009. Science, risk and governance: Radical rhetorics and the realities of reform in food safety governance. Research Policy, 38, 624-636.
• NORSE, D. & TSCHIRLEY, J. B. 2000. Links between science and policy making. Agriculture Ecosystems & Environment, 82, 15-26.
• RESNIK, D. 2011. Scientific Research and the Public Trust. Science and Engineering Ethics, 17, 399-409.
• THOMPSON, L., JAGO, B., FERNANDES, L. & DAY, J. 2004. Barriers to Communication– How these critical aspects were addressed during the public participation for the rezoning of the Great Barrier Reef Marine Park. unpublished report, GBRMPA, Townsville, Australia.
• VOYER, M., GLADSTONE, W. & GOODALL, H. 2012. Methods of social assessment in Marine Protected Area planning: Is public participation enough? Marine Policy, 36, 432-439.

市民大會或共識會議常被政府機構用來作為制定或影響政策的工具。包括美國衛生研究所（National Institutes of Health）、美國農業部（US Department of Agriculture）都曾採用。這本來是設計讓政府制定決策的過程中，公眾能有發聲的機會，在某些特定的地方議題上提供一些洞見與意見。

但是，面對具爭議性的發展中的新技術時，這類的公眾參與往往不能達到其目的。例如，在一個社區裡是否建一座具爭議性的核廢料儲存區、在哪裡建，是否應該進行可能有致命性的生物病原體研究、在哪裡進行？這類的議題很難透過公眾會議達成協議。最常見的對立意見是：大眾有需要的最新設施對立於個別社區希望這些設施（如：行動電話基地台、電廠、廢棄物棄置場）設在別人家的後院。

政策制定者想利用市民會議多聽各方意見解決歧見，下場就是強化各自的意見、增加衝突、不能達成共識。可是政策制定者還是很喜歡採用這種方式。支持採行公眾會議的人認為這種集會有可能達成共識，並且提供了一般大眾、專家和決策者之間雙向對話的管道，可以及早發掘並辯論相關的倫理、法律、和社會（ethical, legal and social, ELSI）關注；最終能夠對於新興科學領域和它們的社會應用性進行一個長期的規劃。

最近發生的議題有國土安全部（Department of Homeland Security，DHS）下的國家生物與農業防禦設施（National Bio- and Agro-Defense Facility，NBAF）的選址問題。其實採行市民會議，反而得到與大眾意見相反的結果。這個由北卡州立大學科技公眾溝通計畫中心和威斯康辛大學麥迪遜分校生命科學溝通系合作的研究，發現最後選出的六個可能 NBAF 場址的排名和沒有明確界定的「社區接受度」這個要項有關。他們比較 DHS 排名和最後選的六個社區人口普查，以及對媒體人、決策者、和社區領袖作深入訪問。

這些資料顯示 DHS 評估的「社區接受度」低估了實際上大眾同意度，可能是被發聲的反對團體蓋過了。DHS 的排名也會被個別意見和對於其它人的想法的看法所影響。被少數反對聲浪透過媒體的散播的意見，常常掩蓋過沉默的大多數的意見。因此公眾會議並不一定能代表大眾的意見；尤其是有爭議的科學議題。

由於科學政策面臨的科學挑戰越來越複雜，從個人化的醫藥、奈米科技、到合成生物學，這個問題也更為棘手。這些議題有個共同點：圍繞在這些議題的社會辯論比較少集中在它們的科學可能性，而較多集中在倫理的、法律的、以及政治的爭議性，和它們最後的市場應用性。有必要多花時間與資源主動地、有系統性地對於社區中的各個成員評估其意見；對於具有重大社會與政治衝擊的決策不應該讓有強勢意見願意用各種方法發聲的團體來決定！

作者：駐美國台北經濟文化代表處科技組
參考資料：
[1] Opinion: Misguided Science Policy?—The Scientist [2012-04-10]
[2] Modern Citizenship or Policy Dead End? Evaluating the need for public participation in science policy making, and why public meetings may not be the answer

轉載自國科會國際合作簡訊網 [2012-05-03]