福島核電廠爆發與海水冷卻的挑戰！

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／張郁婕
  • 日本大阪大學人間科學研究科、清大工科系畢
  • 現為國際新聞編譯

• Take Home Message
  • 自 2011 年福島第一核電廠發生事故後，為了冷卻反應爐和防範地下水受汙染而每天產生核廢水，目前儲水空間即將不足。
  • 雖然經處理過後的核廢水含有放射性物質，不過濃度低於排放標準，日本政府將核廢水排放到海洋的做法獲得國際原子能總署背書。
  • 日本漁業業者相當不滿、認為有其他解決方案，臺灣政府僅表達「遺憾與反對」，並無進一步作為。

福島第一核電廠自 2011 年發生事故後，時隔 12 年再次躍上多國新聞版面。但這次不是因為災後核電廠除役與復興、訴訟或是 Netflix 上架的日劇《核災日月》，而是存放在福島第一核電廠廠區內的「核廢水」即將排放大海。福島第一核電廠的「核廢水」從何而來？又為什麼要在這個時間點排入大海？

回到地震發生時的核電廠

時間回到 2011 年 3 月 11 日。當時東日本大地震與隨後而來的海嘯摧毀了福島第一核電廠的電力系統，導致核電廠在停機之後無法持續注入冷卻水，直到反應爐冷卻。因此發生 1、3、4 號機組氫氣爆炸、1～3 號機組爐心熔毀，以及 1 ～ 4 號機組輻射外洩的事件 ^註1。這次事故更被歸類為國際核能事件最高級別（第 7 級）的最嚴重意外事故。

在事故發生後，首當要務就是持續冷卻反應爐，直到反應爐的溫度降低。冷卻反應爐需要水，所以當時曾引進海水作為冷卻水。這些在福島第一核電廠事故當下出現在廠房內、遭到放射性核種汙染的水，就是日後的「核廢水」。加上當地曾遭到海嘯襲擊，因此這些受到輻射汙染的核廢水也含有鹽分。

但廠區內受到輻射汙染的水並不是只有事故發生當下出現在廠房內的水，事故發生後只要雨水剛好落在福島第一核電廠廠房上，或是地下水流經福島第一核電廠房底下，都會受到放射性核種汙染。

保護地下水也會產生核廢水

作為營運福島第一核電廠的東京電力公司，在事故發生後的首要任務就是防止更多乾淨的水遭到輻射汙染，同時也要防止受到輻射汙染的水流出廠房外。所以他們在福島第一核電廠 1～4 號機組外加裝擋水牆，希望隔絕乾淨的地下水流經廠房底下，但這些擋水牆實際上無法有效防止地下水從四面八方流經福島第一核電廠正下方。

再考慮到水的流向，寧可讓乾淨的水流進廠房底下受到輻射汙染、也不能讓受到輻射汙染的水外流，所以東京電力公司必須一直抽取廠房內部受到輻射汙染的水，讓廠房內的地下水位略低於廠房外的水位；但在抽水時又不能使廠房內的水位低太多，否則將會一口氣湧入更大量的地下水、產生更多受到輻射汙染的水。

時至今日，東京電力公司仍每天汲取流經 1～4 號機組的雨水與地下水，使得福島第一核電廠即使到現在，每天都還是會產生核廢水。經過 12 年來的各種嘗試，近年新增的廢水總量已有減少的趨勢，去（2022）年每日平均產生約 90 公噸的核廢水，已是事故發生以來最低的數值。

如何處理核廢水？

受到輻射汙染的水在被排放之前需要經過幾道淨化流程。首先是利用「銫吸附裝置」除去水中一部分的銫（caesium, Cs）和鍶（strontium, Sr），再經過淡水化裝置除去水中的鹽分，否則海水中的鹽分會侵蝕、損害廠房設備。接下來這些水有兩種命運：循環再利用或是成為核廢水。

循環再利用

循環再利用是指受到輻射汙染的水經上述淨化處理後，可以回到福島第一核電廠 1～3 號機組，作為反應爐的冷卻水及輻射防護屏障。即便如此，這些受到輻射汙染的總水量遠多於福島第一核電廠 1～3 號機組的需求，所以絕大多數的水被汲取上岸後，都得存放在福島第一核電廠廠房內一桶又一桶的巨大水槽內，成為沒有其他用途的核廢水。

ALPS 處理水

為了降低核廢水的放射性核種濃度，這些存放在巨型水槽內的核廢水會經過專為福島第一核電廠事故設計的多核種除去設備（advanced liquid processing system, ALPS），而經過 ALPS 淨化處理的核廢水又稱「ALPS 處理水」。

「多核種除去設備」，顧名思義利用物理或化學方法，大幅降低 62 種人造放射性核種的濃度 ^註2，但唯獨不能處理氫的同位素——氚（tritium, ³H）。這不是因為多核種除去設備成效不彰，而是即便開發其他設備也很難將氚從水中分離。

由於水分子包含氫原子，而氚和氫是同位素，它們的物理性質和化學性質幾乎一樣，難以使用物理或化學方法將它們分離，因此無法利用 ALPS 或其他方式濾掉氚。

快滿出來的核廢水

事實上，福島第一核電廠以外的一般核電廠所排放的廢水當中就含有氚，不過在一般情況下並不會特別放大檢視核電廠廢水當中的氚濃度。

此外，自然界中本來就含有氚，我們日常在使用或是飲用的水中也含有非常微量的氚。例如臺灣對飲用水中氚的容許濃度標準為每公升 740 貝克（Bq），並沒有要求零檢出，也就是數值低到儀器驗不出來的程度。

但福島第一核電廠的核廢水並不一樣，因為這些是流經福島第一核電廠、遭到人造放射性核種汙染過的水。即使是已處理過的 ALPS 處理水，除了氚之外還是包含低量、因反應爐爐心熔毀而外洩的人造核種，並不能直接排到自然界中。

所以這些水自福島第一核電廠事故以來，被汲取上岸後就一直存放於福島第一核電廠廠區內。

然而福島第一核電廠廠區空間有限，按照它每天產生核廢水的速度來推算，今（2023）年 4 月最新的估計是最快在明（2024）年 2 月以後儲水空間就會不足。該如何為這些存放在廠區內的核廢水找尋新的出路，就成了近年難題。

這個問題在 2013 年討論之初，曾列舉了排放到大海、注入地層、埋到地底下、電解成氫氣後排放到大氣中、轉換成水蒸氣排放到大氣中五種方法。經多年評估、討論後，日本政府在去年決定選用國內、外最常見的核電廠含氚廢水的排放方法，在確保廢水中的放射性核種的濃度符合標準 ^註3、沒有超標的情況下，就能將核廢水稀釋後排放到海洋。

民眾為什麼反對？

早在日本政府確定選擇「排入大海」這個方案前，就有許多反對聲浪。最主要的原因就如前面所說，福島第一核電廠核廢水和一般核電廠的廢水差異在於含有爐心熔毀釋放的人造放射性核種，氚只是這些放射性核種當中的其中一種。

即便福島第一核電廠核廢水在 ALPS 淨化處理後，除了氚以外的放射性核種濃度大幅降低，且符合科學上的排放標準，但和「沒有發生事故」的核電廠廢水相比，內容物組成還是有所不同。

不過國際原子能總署（International Atomic Energy Agency, IAEA）在今年 7 月公布的報告書表示，目前日本提出的方案符合國際安全標準，ALPS 處理水的輻射量也極低，幾乎可以無視輻射對人體或環境的影響，國際水域也幾乎不會因此受到影響。與此同時，IAEA 也會與第三方機構持續監測、分析 ALPS 處理水排放的狀況。

但上述都是關於核廢水放射性物質濃度是否符合目前科學認定的安全標準討論，撇開在科學上是否經得起檢驗、一翻兩瞪眼的檢測問題，民眾願不願意接納這些「科學上的論點」，有時還會有情感方面的考量。

對於福島漁業來說，政府好不容易才在 2021 年解除試驗性捕魚，當地漁業才正準備要復甦。更何況日本政府先前曾承諾在未取得漁業相關業者的理解之前，不會將福島第一核電廠的核廢水排入大海，但現在的態度卻是要趕在福島第一核電廠放不下更多核廢水之前，陸續將核廢水排入大海，讓當地漁業業者相當不滿。

此外，也有一派反對聲浪認為日本政府僅因經濟效益考量，而選定「排入海洋」的解決方案，考慮不夠周全、詳盡。雖然規模不同、在日本也未曾將含氚的廢水先蒸發成水蒸氣後排放，若採用這種做法或許就能大幅降低對海洋生物的危害。

也有民間團體提議，如果認為核廢水太占體積，將 ALPS 處理水混合類似水泥的材質進行固化處理，就能堆疊起來繼續存放於福島第一核電廠廠區內，而不會汙染到廠區外的環境。但上述這些做法仍有實務上的困難之處，例如廢水蒸發會影響到陸域環境、固化處理後仍會繼續消耗存放空間等。

在臺灣的我們會被影響嗎？

福島第一核電廠核廢水排放在即，臺灣行政院原子能委員會（原能會）近年多次重申福島第一核電廠的廢水是核電廠事故後的廢水，不能和一般核電廠排放的含氚廢水混為一談。

也許值得慶幸的是，臺灣和日本的直線距離雖然很近，但洋流方向卻未必如此。福島第一核電廠的核廢水排放後，會因為太平洋的環流系統流向，先往東朝美國加州附近水域擴散，再順時針繞來臺灣。

根據原能會的試算，最快要四年後才會流至臺灣附近海域，屆時放射性物質的濃度已低於儀器偵測極限，濃度低到難以被偵測，不會對臺灣附近海域造成輻射安全上的危害。

但中央研究院環境變遷研究中心研究員吳朝榮以過去觀測的海洋數值模擬，福島第一核電廠的核廢水排放後最快一年內就能抵達臺灣附近海域。

目前原能會已和漁業署、氣象局等跨部會合作監測福島第一核電廠核廢水的擴散狀況並進行漁獲、水產的輻射檢測，相關資訊都公開在「放射性物質海域擴散海洋資訊平台」隨時供民眾查閱。

在臺灣的我們暫時不需要過於擔心福島第一核電廠的核廢水會影響臺灣水域，核廢水排放海洋對環境的衝擊也會遠小於福島第一核電廠事故發生之初的狀態。臺灣方面針對日本食品的輻射檢驗標準仍高於歐、美國家，在現行邊境輻射檢驗標準下毋須過於擔心。

註解

1. 當時 4 號機組處於定期檢修期間，反應爐內並沒有燃料棒，爆炸原因為與 3 號機組共用管線。當 3 號機組爐心熔毀後，放射性物質和氫氣隨著共用管線流入 4 號機組而發生氫氣爆炸。2 號機組雖然免於廠房爆炸，但 2 號機組內部也發生爐心熔毀，當時為了釋放 2 號機組內部壓力避免發生氫氣爆炸，曾將 2 號機組內部含有放射性物質的氣體釋出，造成輻射外洩。
2. 放射性核種指的是會自然釋放輻射的放射性元素，依據這些放射性元素的形成方式，又可分為存在於自然界中的「天然核種」與「人造核種」。核電廠發電過程產生的放射性元素，都屬於人造核種。
3. 目前日本針對福島第一核電廠「核廢水」濃度規範是：
   a.針對所有放射性核種整體的有效輻射劑量須低於每年 1 毫西弗（mSv/year）。
   b.除了氚以外的其他放射性核種實際濃度佔該核種告示濃度的比值總和（稱為「告示限度比」或「告示濃度比總和」）必須＜1。

• 行政院原子能委員會，2023 年 6 月 13 日。原能會成立跨部會合作平台，做好日本福島含氚廢水排放因應準備，行政院原子能委員會。
• 台灣科技媒體中心，2023 年 6 月 13 日。「日本將排放含氚核廢水」專家意見，台灣科技媒體中心。

• 〈本文選自《科學月刊》2023 年 9 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。

福島核污水正式排放入海了！食鹽要屯多少？海鮮還能吃嗎？哥吉拉要誕生了嗎？

核廢水是怎麼來的？

2011 年 3 月 11 日，一場海嘯衝擊了在福島海邊的第一核電廠，破壞了核電廠中做為緊急電源設備的發電機，在備用電池電力耗盡後，冷卻系統完全失效。然而反應爐內的連鎖反應還在持續，最後溫度不斷竄高，高溫水蒸氣與燃料護套中的鋯合金，發生鋯水反應並產生大量易燃的氫氣，最終與空氣中的氧氣作用導致爆炸。

在事故發生前後，日本政府灌入大量海水來為反應爐進行冷卻，而這些直接接觸熔融燃料棒的污水，就被稱為核污水，日文則稱為「汚染水」。至於當時的決策細節與失誤，大家可以看今年上映的日劇《核災日月》複習一下。而既然事件已經發生了，我們就重點討論核污水。

現在儲存在福島的核污水不只有冷卻水，其實還有受污染的降雨與地下水。事故發生後，東京電力公司在第一核電廠加裝擋水牆，阻擋因為降雨流經 1、2、3 號機組的污染水流入海洋。並且設置凍土牆隔絕地下水，同時挖水井抽出污染的地下水，讓廠區內的地下水水位下降，因此地下水只會從外部滲入，內部的污染水則不會滲到外面。不論是降雨還是抽出的地下水，都屬於污染水，平均每天都會增加 92 立方公尺的污染水。直至本集影片上架，當地已經存有 134 萬噸的汚染水，而且還會持續增加，你可以自己打開 Google Map，鳥瞰這密密麻麻的眾多大型儲槽，別忘了，核反應爐本體才是日本更迫切的問題，要是污水不先處理，要是下一個天災來襲，麻煩又會疊加。因此日本政府在 2016 年就展開討論，準備要處理掉這些污水。

為何決定排放入海？

為何核污水的最終處置決定是排放入海呢？其實 2016 年提出的方案有五種：稀釋入海、蒸發至大氣、電解水釋放氫氣、深層地質注水、以及水泥固化並地下處置。很快，電解水因為還需要相關技術研發而被否決，這個我們在氫能那集講過。深層地質注水和水泥固化並地下處置，則有選址與法規問題，無法立即實現。這部分則等同於核電使用國都面臨的核廢料處置問題，我們之前花過好幾集介紹過，歡迎前往複習。

最後僅剩稀釋入海和蒸發至大氣兩種方法，最後日本認為海洋的擴散行為更容易追蹤，最重要的是成本僅有蒸發的十分之一，因此選用了這個方法。至於有些人說，既然東電跟日本政府都保證安全，何不做成瓶裝水拿去賣？之類的建議在這我們不多討論，就請大家用理智來看待。

核廢水如何被處理？

根據日本政府的規劃，在這些污染水排放入海前，會先進行淨化處理成為處理水。首先，污染水會經過「銫吸附裝置」，除去銫（Cs）和鍶（Sr）。接著再經過淡水化裝置除去水中的鹽分後，成為「鍶處理水」。這種鍶處理水，可以作為 1, 2, 3, 4 號機組的冷卻水再次循環利用。

最後，大部分的鍶處理水，會被送到「ALPS多核種除去設備」，將 63 種放射性核種中的 62 種放射性核種去除。「ALPS多核種除去設備」唯一不能去除的放射性核種，就是氚（H-3）。但其實啊還有一個碳-14 無法被過濾，但濃度低到可以忽視。經過「ALPS多核種除去設備」處理過後的「鍶處理水」，就稱為「含氚處理水」。

含氚處理水中的氚，指的是氫的同位素的一種，在自然界中就存在。半衰期為 12.43 年，衰變時會進行 β 衰變，放出一顆電子並成為氦-3。β 衰變對人體的穿透距離僅限於皮膚，不會對內臟器官產生傷害。
如要能危害人體，需要長期大量攝取由氚構成的重水。關於攝取過多重水對動植物的影響，我們網站上有文章詳細說明過。

簡單來說，綜合自然界中跟福島即將排放的氚，以及我們的生活型態來看，遠遠達不到可能產生危害的程度。知道劑量決定毒性，就像我們每天都吃下不少「有害」物質，例如殘留農藥、油炸致癌物、過多的精製糖等等，但攝取的多寡，對你的健康影響差異很大。那麼重點來了，福島排放的處理水，真的有合乎標準嗎？

處理水符合標準嗎？

這個問題，我們在今年六月的核廢料主題中有提到，國際原子能總署 (IAEA) 在五月底公布了第一階段的調查結果，針對「日本的核種監控能力」進行第三方驗證。結果認為，日本的檢測標準跟分析方法沒問題，調查結果是可信任的。報告中除了氚以外，其他放射性核種的活度也都遠低於排放限值。例如鍶-90 為每公升 0.4 貝克、銫-137 為每公升 0.5 貝克，以臺灣的「食品」標準，銫-137 為每公升 100 貝克以下，雖然鍶-90 還沒有定下標準，但是依國際食品法典委員會的標準，也是在每公升 100 貝克以下。目前的排放值都遠小於標準。

除了各單一核種的活度以外，所有水中核種加起來的「告示濃度限度比」也低於日本國家標準的每年 1 毫西弗（mSv/year）， 1 毫西弗大約是多少呢？大約是一般民眾一年會接收到的輻射劑量。

至於無法被 ALPS 處理的氚，因為海洋中的水中就廣泛存在，日本將透過海水稀釋後排放入海。目前世界衛生組織對於飲用水的氚含量標準訂為每公升 1 萬貝克，台灣的標準嚴格了許多，是每公升 740 貝克。東電公司的處理水是每公升 14 萬貝克，在排放前會稀釋 740 倍，以每公升 190 貝克的氚濃度排放，低於台灣的飲用水標準。

那麼食鹽呢？我們需要搶購嗎？這就更不用擔心，因為食鹽中不含水，自然也不含氚。或是更進一步可以參考東海大學應用物理系的粉專，他們計算，根據國家標準，食鹽含水量若為 3% 以下，需要每天吃超過 400 公斤的食鹽才會攝取氚超標。真的，別吃那麼鹹啊。

那麼，我們就真的兩手一攤，為這件事劃下結論，核輻射只是庸人自擾嗎？

我們該如何看待排放的處理水？

當然不是，就像許多人擔心的，就算科學上告訴你沒問題，但前提是，這些數據得是沒問題的。而且不用說周邊國家，連日本自家民眾也多次抗議處理水的排放。

目前在 IAEA 架設的網站上，可以看到整個排水計畫的各種即時監測資料。其中就包括出水口的輻射數值監測。

為了驗證處理水不會對海洋生物產生影響，東京電力甚至從去年 9 月開始，就開始進行海洋生物飼養實驗，並且全程公開直播放在他們的YouTube頻道上。不過這頻道訂閱人數跟觀看次數都有點低迷，有興趣的話不妨訂閱，開啟小鈴鐺。

那麼我們能下定論了嗎？在科學上，我們確實能說，在符合規範下，這些排放入海的處理水是沒問題的，食鹽、海鮮也都能照吃，把注重食安與健康的努力分配到其他危害更大、風險更高的事情上，對處理水保持健康而非病態的質疑，對個人來說應該效益更高。

臺灣從去年到今年 6 月，曾 3 次組團赴日考察，並於 8/24 公佈報告書，包含跟日方的問答內容，還有福島核廢水排放設施的照片。海委會表示，專家觀察團評估日方排放相關作業的安全性，跟國際原子能總署評估的結果一致。然而是否選擇相信日本以及 IAEA 給出的數據，如今看來成了國際政治問題。

另外，在 IAEA 的小組成員中，包含周邊國家：中國、美國、韓國、越南、澳洲、加拿大、法國、俄羅斯、英國、阿根廷、馬紹爾群島，並不包含台灣。如果台灣也能以任何形式加入團隊，或得以取得樣水複測，讓我們知道，日本以及 IAEA 給出的數值是可信的，想必都能更進一步降低民眾的擔憂。

歡迎訂閱 Pansci Youtube 頻道 獲取更多深入淺出的科學知識！

• https://www.fao.org/fao-who-codexalim…
• https://www.tepco.co.jp/en/decommissi…
• https://www.nhk.or.jp/politics/articl…
• https://www2.nra.go.jp/data/000319415…
• https://www.tepco.co.jp/decommission/…
• https://pansci.asia/archives/319360
• https://www.iaea.org/sites/default/fi…
• https://erss.aec.gov.tw/law/LawConten…
• https://www.aec.gov.tw/newsdetail/new…
• https://www.iaea.org/topics/response/…
• https://www.tepco.co.jp/zh-hk/decommi…