刊登要錢、訂閱也要錢，做研究就是要被期刊出版社剝削？學術界奮起抵抗出版巨商的血淚史

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

近期科技界最熱烈討論的新聞，應該就屬韓國有研究單位宣布找到了新的室溫常壓超導體 LK-99 ，聽說可以在一般的高中大學實驗室中完成。這讓我不禁好奇它的製作原理，但，大部分的朋友應該跟我一樣都不是專業材料工程人員，看不懂論文怎麼辦呢？除了等泛科學出影片，別忘了我們有 AI 呀！今天我要來分享一套專門訓練來閱讀論文的 AI —— SciSpace Copilot。

今天的影片簡單的跟大家分享了基於 GPT 技術且針對閱讀學術文章進行特別優化的 AI —— SciSpace ，我只要遇到研究型文章都會特別開這個工具起來使用，其他的大語言模型都無法做到如此細緻。我覺得生成式人工智慧的未來就會到處是這種基於某種目的，比如讀論文，使用某個大模型進行微調 Fine-Tuning 之後的小模型，將會協助我們解決各種問題。

是說現在的研究生做研究的工具真是越來越多，你會想要把這支影片分享給你的指導老師看嗎？
歡迎你把使用的經驗與想法在影片下方留言與我分享！

也歡迎加入泛科學院的頻道會員，或者泛科學AI的Discord論壇，一起討論交流。

如果這支影片對你有幫助的話，請幫我在影片下方點個喜歡，或是透過超級感謝展現你的心意，讓我製作更多實用有趣的 AI 教學影片，最後別忘了訂閱泛科學院的頻道，我們下支影片再見囉。

更多、更完整的內容，歡迎上泛科學院的 youtube 頻道觀看完整影片，並開啟訂閱獲得更多有趣的資訊！

「ZB（zettabyte，皆位元組）相當於 10 億兆位元組：1 後面帶了 21 個 0。1 ZB 相當於可以儲存美國國會圖書館（Library of Congress）所有藏書量的 1,000 億倍。」——《紐約時報》，2009 年 12 月 10 日

科技帶來的巨大單位和微小單位

科技帶來了許多大數字，大多數都以陌生單位表示，因此又多了另外一組大單位：M（mega，百萬）、G（giga，吉）和T（tera，兆），這些單位日常生活中就會用到，而更大的單位：P（peta，拍）和E（exa，艾）現在也會時不時出現。

現今電腦和智慧手機非常普及，因此我們早已習慣 GB（gigabyte，吉位元組）和百萬像素（megapixel）等單位。然而，這些前綴單位經常使用在位元組（byte, B）這類無形實體上，相較於更常見的十億（billion）和兆（trillion）來說，我們更難理解這些單位的意義。

這裡幫大家統整一下，通常會使用 K（kilo，千）代表一千、M 代表一百萬、G 代表十億、T 代表一兆。如果你想要為未來的科技發展進一步做好準備，接下來的單位依序為：P、E、Z（zetta，皆）和Y（yotta，佑）。依序後者為前者的1,000倍。

電腦的速度極快也同樣有一系列相對應代表小數量和小尺寸的前綴單位，往往更令人陌生：m（milli，毫）、µ（micro，微）、n（nano，奈）和 p（pico，皮），分別代表千分之一、百萬分之一、十億分之一和一兆分之一。這些前綴單位通常使用在長度和時間上，例如毫公尺（millimeter, mm）和奈秒（nanosecond, ns）。

這些數字到底多大多小？可以「感覺」一下嗎？

大多數人對這些微小單位毫無感覺，也不知道提供這些數字的人是根據什麼資料算出來的，因此只能任由資訊提供者擺布。以下是幾個能帶給你啟發的例子。

幾年前的聖誕節前夕，贈送亞馬遜 Kindle 或其他新推出的電子書閱讀器作為禮物蔚為風潮，甚至聽說蘋果公司（Apple）也將推出平板裝置（iPad 在 2010 年 1 月下旬發布，但一直到 3 月才上市）。2009 年12 月 9 日，《華爾街日報》指出巴諾書店（Barnes & Noble）的 Nook 電子書閱讀器擁有 2 GB 記憶體，「約能存下 1,500 本電子書」。隔天，《紐約時報》提出 1 ZB 記憶體，「相當於可以儲存美國國會圖書館所有藏書量的 1,000 億倍」。

一間圖書館有多少藏書是合理的數字？

我當時很幸運正要開始出課程的期末考題，這些科技領域數字，正是上天贈與我的靈感。我在試題中問到：

假設以上兩個描述皆正確，請計算美國國會圖書館大約有多少本書？

回答這個問題只需要簡單的算術，然而計算數字非常龐大，而大部分的人不見得擅長大數字計算。出現太多0的時候，腦袋往往會轉不過來。寫下 Z 所代表的完整數字（1 後面帶著 21 個 0）可能會有幫助，但往往會寫錯。

接下來我會提到，使用科學記號（scientific notation）書寫是較佳方法，但像「Z」這樣的單位，除了極少數人外幾乎沒人知道，對大部分的人來說根本毫無意義。

既然直覺無法帶來任何幫助，就仔細計算一下吧。根據《華爾街日報》的說法，2 GB 可以儲存 1,500 本書，代表一本書略多於 1 MB。再根據《紐約時報》的說法，1,000 億倍等於 10¹¹ 倍，將總位元組數 10²¹除以 10¹¹ 倍，會得到國會圖書館藏書量約相當於 10¹⁰ 位元組。如果每本書為 10⁶ 位元組（約為 1 MB），將 10¹⁰ 除以 10⁶ 可以得出，國會圖書館藏書本數約為 10⁴ 本，也就是 10,000 本書。如果你對這裡使用的指數和科學記號不太熟悉，接下來會有更深入的解釋。

10,000 本是合理的估計值嗎？比起盲目猜測合不合理，可以試試評估這個數值是否過大或過小，也就是試題的第二部分：

計算出來的數字看起來太多、太少，還是差不多？為什麼？

當然如果一開始就算錯了，就沒辦法正確回答這個問題。部分學生遭遇到這個狀況，而必須試圖解釋小至分數或大至數億以上的數字。

儘管計算正確的學生狀況會好一點，但某些學生在評估數字合不合理時，依然遇到了困難。看來就算是比較小的大數字，依然難以想像出實際情況。不少學生認為一間大圖書館藏書 10,000 本十分合理，完全出乎我的意料。

其中一位學生回答：「我猜就算是普林斯頓大學的圖書館，隨便也超過 10,000 本書吧！」實際上這樣說也沒錯啦！但回答得還不夠好。單單我自己的辦公室就有超過500本書，我敢打賭許多更專注於學術研究的同事，都擁有好幾千本書。至於坐落在校園中心的巨大建築、貌似學生都十分熟悉的學校圖書館，藏書整整超過 600 萬本。

一本書到底有多大？TB 或是 MB 又到底有多大呢？以下是簡單的答案。以常見的文本來說，一位元組可以儲存 1 個英數字元。珍‧奧斯汀（Jane Austen）的《傲慢與偏見》（Pride and Prejudice）約有 97,000字，共 550,000 個字元，因此一本純文字的浪漫小說或傳記，大小基本上可以評估為 1 MB，因此 1 GB 可以儲存這類書籍約 1,000 本。圖片則要佔據更多空間，每張圖約幾KB到幾MB。

《華爾街日報》的計算結果十分合理，但相比之下，《紐約時報》卻大錯特錯。

電子書檔案有多大？

大家可以評估看看，以下 3 則關於電子書大小的說法：

「《欽定版聖經》（King James Bible）的文字檔案大小很可能不超過 500 KB。」

「如果以文字檔來看，1 GB 可以儲存相當於 2,000 本《聖經》文字量的書籍。」

「整個微軟 Office 套裝軟體程式，約會佔用與一本厚書相當的硬碟空間。例如，微軟 Office 中小企業版僅佔用 560 MB。」

《聖經》文字量可比《傲慢與偏見》多上許多，字數整整接近 800,000 字，相當於約 4.5 MB 的純文字，稱得上一本厚書。前兩則描述還算合理一致，雖然都過於樂觀。資料壓縮技術雖然可以減少所需儲存容量，但並沒辦法壓縮到 500 KB 這麼小。然而，第三則描述則差了 1,000倍，560 MB 的微軟Office軟體佔用的空間，整整接近 500 本厚書佔用的硬碟空間。

順道一提，根據 loc.gov（國會圖書館網站）上的資料，國會圖書館藏書約為 1,600 萬冊，外加 1.2 億件其他資料。另外提一個有趣的說法，《紐約時報》的電子書閱讀器報導，也試圖幫助讀者視覺化國會圖書館的藏書量：「相當於可以在美國本土和阿拉斯加蓋上 7 層書籍。」先不管這段資訊實不實用，資訊是否真的正確就交由你來計算吧。但我想給你個提示，幫助你開始計算，1 平方英里超過 2,500 萬平方英尺，而一本書籍的大小就大概與你手上的這本書相當。

——本文摘自《一輛運鈔車能裝多少錢？：輕鬆培養數感，別再被數字迷惑》，2023 年 6 月，三民出版，未經同意請勿轉載。

• 鄭婷宇／編譯

在研究過程之中，學者需要閱讀大量的參考資料，並時常需要更新、交流最新發布的文獻以跟上知識產出的腳步，但面對一個由少數大型出版商集團寡占的學術出版市場，全球各地的圖書館都面臨無力負擔高昂訂閱費用的窘境。

面對節節高升的訂閱費用，臺大圖書館在 2016 年 12 月 6 日開出第一槍，發出明年起停止訂閱 Elsevier Science Direct 的公告，清大、交大等大學也隨後跟上。

對學術研究來說，此資料庫涵蓋理工與生醫領域的許多文獻，退訂的決定將對師生造成重大影響，但唯有聯合的抵制運動，方能有一絲爭取合理價格的機會。事實上，抵制 Elsevier 的運動早已在世界各地發生。

期刊逐漸由六大廠商集中出版

世界上第一本科學期刊誕生於 1665 年，分別是法國的 Journal des Sçavans （智者雜誌）和英國皇家學會出版的 Philosophical Transactions of the Royal Society （皇家學會哲學會刊）。在期刊系統出現以前，學者們大多藉由私人信件的往返、各式會議及專書中討論彼此的研究，訊息傳播的範圍與效率都受限。科學期刊的創立，幫助科學家擴大資訊接收的範圍，並得以定期交流研究成果，同行評審的原則也由此奠定。

從期刊問世到第二次世界大戰之前，雖然商業出版的期刊比例不低，傳播效率也較高，但大多數的出版業務仍由各學會負責。不過， 1990 年代中期的資料顯示，出版界的情勢出現了逆轉——商業出版的比例佔期刊總數的 40% 、學術與專業學會出版比例佔 25% 、大學與教育出版佔 16% 。在 1994-1998 年間出版的論文當中，出自 Elsevier 的比例就已高達20%。

Larivière 的研究分析了於 1973-2013 年出版的 4 千 500 萬份的科學論文，證明了在自然暨醫學科學與社會科學暨人文學等領域，發現文獻出版集中於六大出版商的現象日益顯著。這六大出版商分別為 Reed-Elsevier 、 Wiley-Blackwell 、Springer 、Taylor & Francis、 The American Chemical Society 以及 Sage ，其中前四家身兼兩大領域的龍頭， Sage 僅在社會科學暨人文學中躋身前五大出版商， The American Chemical Society 亦僅在自然暨醫學科學佔有前五大之一的地位，並且是上述出版社中唯一的學術學會，其餘五家全都是商業出版商。

數位科技的應用，非但沒有使得知識的傳播更加普及與自由，反而讓大型的商業出版集團獲利更多。

在自然暨醫學科學領域， 1973 年之前，前五大只佔該領域約 20% 的論文出版比例，到了 2013 年激增到 53% ，其中 Reed-Elsevier 、  Springer 和  Wiley-Blackwell 三家就囊括了 47% 的比例，足見出版比例分配的不均。社會科學暨人文學領域， 1973 至 1990 年間，前五大商業出版商所出版的論文比例佔該領域不到 10% ，卻在2013年時飆升至 51% 。

換句話說，在這兩個領域做研究的學者在查詢資料時，大概每兩篇文獻，就會有一篇名列於這六大家出版商的資料庫之中（圖一）。

高昂的文章處理費與訂閱費，逼研究者起身抗議

呈現寡占狀態的學術出版市場，衍生出文獻集中化的現象，加上不合理的商業模式，使各大圖書館漸漸無力負擔出版商不斷提高的訂閱費用。早期，當學者想出版研究成果時，只能無償交付出版商，後續學者本身因不再擁有著作權利，以致不得自行散播著作、與同業交流，除非圖書館付出大筆費用買回期刊，納稅資助國家研究的公民也無法閱讀這些最新的知識。有感於期刊出版商以販賣他人研究成果獲取利潤的商業模式，對研究者、圖書館與納稅民眾都不公平，開放近用的新型商業模式在一連串摸索中逐漸成形（詳情可參考）。在開放近用的出版形式中，期刊出版商轉而向學者或其所屬的機構索取文章處理費，刊出後的論文將可免費釋出給所有人取用。

在混合型期刊 (Hybrid journals) 中，資料庫的取得須透過訂購，但支持文章以開放近用的方式投稿，此部分便會向作者所屬機構索取文章處理費，以「彌補」該文提供給任何人免費取用所減損的經濟收益。期刊 Lingua 的前主編 Johan Rooryck ，批評混合型期刊是「雙重收費」，不僅向作者索取高達每篇 1800 美元的文章處理費，期刊的訂購也要價不菲。即使 Lingua 所屬的 Elsevier 表示已收取文章處理費的文章是免費開放，但許多研究者仍對於期刊訂立的高昂文章處理費與訂購費感到不滿，認為自己無償勞動所產出的學術貢獻，成為出版商獲取高額利潤的來源。畢竟 Elsevier 、 Springer 和 Taylor&Francis 等幾家大型出版商的獲利率皆高達 35% ，這可是比 Facebook 獲利率 27% 還驚人的利潤。

期刊大盤商索取的高昂費用，對學術成果的流通與近用性皆造成傷害。研究者的怨念在 2015 年爆發開來，要求 Elsevier 降低文章處理費、讓作者保留其著作權等。在 Elsevier 拒絕後， Lingua 的六位編輯與 31 位編輯委員集體辭職以示抗議。這群編輯另創一個新的開放近用期刊── Glossa ，只向作者收 400 美元的文章處理費，並取消對無資金之投稿者的收費。

認知科學的社群則在 2016 年接續了這場對 Elsevier 的抗議運動。一群研究者向 Elsevier 請願，要求降低 Elsevier 在該領域的權威期刊── Cognition 的文章處理費。由 David Barner 發起的聯署請願，在一週內就集結了超過 1200 位附議，其中包括至少十位 Cognition 的編輯委員會成員。截至目前為止，該網站共收集了 1661 位科學家的連署。

期刊訂閱費用節節高升，大學圖書館紛紛抵制

在期刊與出版商彼此合併或兼併之後，學術出版市場被少數幾家廠商寡占的情形，使圖書館更無議價的空間。根據美國研究圖書館 (Association of Research Libraries) 之統計，自 1986 年至 2012 年以來，期刊價格已上漲 456% ，約為同期間消費者物價指數 (CPI) 上漲幅度的四倍，期刊價格居高不下，穩坐圖書館開支最高的寶座多年。

面對不斷上漲的資料庫訂閱費用，各國學術機構的採購經費日漸捉襟見肘。

2012 年，英國劍橋大學數學家 Timothy Gowers 在其部落格發表一篇「知識的代價」(The Cost of Knowledge) 的文章，呼籲學界共同抵制 Elsevier 剝削研究者與社會的商業模式，加入拒絕向 Elsevier 擁有之期刊投稿、協助審閱或編輯的行列，目前已累計有 16,484 人響應。以 Gowers 的文章為序幕，一場向 Elsevier 抗議的「學術之春」 (Academic Spring) 開始在世界各地的學術機構蔓延而起。加州、哈佛等名校先後譴責 Elsevier 資料庫售價高額的漲幅，停止訂閱。

儘管 Gowers 的登高一呼獲得熱烈迴響，但這場杯葛似乎缺乏後續的威力與參與動能。

根據 Tom Heyman 等人於 2016 年追蹤化學、心理領域約 500 名參與聯署的科學家後續動向的研究指出，有 23% 簽名的科學家仍在 Elsevier 發表論文（圖二）。對科學家來說，要遵守「不發表」的承諾所必須付出的代價不小，面對學術工作環境崇尚的高影響力指標，科學家常有投稿主流且高影響力期刊的壓力與誘惑。

荷蘭是 Elsevier 的發源與總部所在地，當地的學術圈同樣對沉重的訂購費用感到不滿。 2015 年，荷蘭教科文部次長 Sander Dekker 出面與 Elsevier 談判，加上 14 所公立研究型大學聯合發動杯葛計畫，威脅集體辭去於 Elsevier 編輯等職務，甚至投稿。這場由政府帶頭、學界團結對抗壟斷的學術出版集團的運動，在 Elsevier 的妥協下落幕。雖然荷蘭學界提出的條件被打了些折扣，但仍成功爭取到更好的開放近用條件。

為了抗議 Elsevier 不透明的商業模式，德國 DEAL Project 計畫共有多達60所大學及研究機構共同抵制 Elsevier ，全面停訂 Elsevier 期刊的決定將自 2017 年 1 月起生效。

臺灣各大學對出版商的反擊

臺灣也在這波抵制 Elsevier 的浪潮中挺身而出。臺灣全國每年花費於購置 Elsevier Science Direct 電子期刊的費用不斷攀升， 2016 年的費用較 2008 年增加了 53% ，達到 2700 萬美元，占目前大專校院的年度電子資源採購經費近 1/3 。經全國學術電子資訊資源共享聯盟 (CONCERT) 小組與 Elsevier 討論後，因 Elsevier 堅持其計價模式及內容， CONCERT 小組決定延緩續訂，並呼籲各圖書館考量全體會員的利益，集體停訂以促使 Elsevier 與臺灣簽訂合理的合約。

各校圖書館長年承受不斷調漲的資料庫訂閱費用壓力，即使是資源豐厚的臺灣大學也難以承受。 Elsevier Science Direct 的驚人訂價，排擠圖書館引進其他期刊資源的經費。臺灣大學於首先發出明年起停止訂閱 Elsevier Science Direct 期刊的公告，緊接著清華大學、交通大學、成功大學、中興大學、臺灣師範大學、臺灣科技大學、勤益科技大學、實踐大學等學校先後發表停止訂閱的聲明（圖三）。

推動、取得開放近用論文的其他管道

對抗大型期刊出版商壟斷之運動前途未卜，學者與研究機構是否能夠團結面對是關鍵所在。

除了抵制訂閱、投稿、編輯大型商業期刊之外，還有其他可行的實際行動可推動學術出版環境的開放。

Ginsparg 架設的 arXiv ，提供科學家上傳自己論文發表前的預印本的平台，開放所有人瀏覽與下載，讓最新的研究成果能迅速且更大範圍的交流。 Alexandra Elbakyan 創立的 Sci-Hub 提供用戶免費下載論文的服務，遇到付費論文時，該網站會自動登錄志願者提供的已訂閱帳號進行下載，並自動備份論文，方便下個用戶的使用。

當知識成為可以估價的商品，研究成果的流通範圍及可近性勢必會受限。長久以來，期刊出版商以學者產出的論文為獲利基礎來源，在收取高昂文章處理費、訂購費的狀況下，年年賺得豐厚利潤的商業模式，一直引起研究者與學術機構的怨懟。儘管開放近用的概念在學術界已漸次推廣開來，大型商業集團壟斷學術出版市場的情形，讓許多研究及教育機構在面對年年抬升的期刊資料庫價格面前，幾無議價能力。當知識成為一項價格難以負擔的商品、資訊的流通被付費高牆阻隔，難以取得參考資料的研究將停滯，對整體社會也將會是弊大於利的悲劇。

本文轉載自 台灣創用CC計畫 ，原文為〈失衡的期刊出版市場：學界力抗出版巨商的奮鬥史〉

相關連結

• 科研論文是怎樣發表的：同行評審的是非與未來
• 被美國關停的學術論文免費下載網站Sci-Hub復活了
• Editors of the Journal Lingua Protest-Quit in Battle for Open Access
• Support Fair Open Access at Cognition
• Expenditure Trends in ARL Libraries, 1986‐2012
• The Cost of Knowledge
• On the Cost of Knowledge: Evaluating the Boycott against Elsevier
• 聯合抵制Elsevier，科學家們出爾反爾
• 推倒貪婪期刊付費高牆！學術界揭竿而起
• In unique deal, Elsevier agrees to make some papers by Dutch authors free
• Germany-wide consortium of research libraries announce boycott of Elsevier journals over open access
• Academics Want You to Read Their Work for Free
• 學術出版的五大巨頭－寡頭壟斷的省思
• The Oligopoly of Academic Publishers in the Digital Era
• 關於Elsevier資料庫合約談判 CONCERT聲明

延伸閱讀