塞默維斯忌日 │ 科學史上的今天：8/13

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

無知的代價：產褥熱

故事說到這裡，此時此刻，人們依然只能透過顯微鏡、放大鏡等工具，追尋微生物的芳蹤。當然啦，發現微生物是一回事，要確認這些微生物與特定疾病的相關性，並且證實它們的致病性與致病機制，則完全又是另一回事。

然而，產業救星巴斯德先生在拔了一根草、測了測風向以後，敏銳的發現，風向是會改變的。在與微生物和疾病的永恆戰鬥中，人類也不會永遠的屈居下風。

巴斯德的重心，逐漸從化學轉移到微生物之上。他雖然不是醫生，也不是婦女，卻對婦女的生死大關特別有興趣。

在十八世紀到十九世紀之間，有多達百分之三十的婦女，會在生產後的「產褥期」，受到細菌感染而持續發燒，稱為「產褥熱」（puerperal fever）。

當時，產褥熱的致死率相當高，一旦受到感染，有百分之七十五的產婦可能會挺不過去，一手接生一手送死，悲傷的故事在醫院裡不斷上演。

被忽視的警告：「不要碰完屍體去接生！」

一八四三年，美國醫生霍姆斯（O. W. Holmes）在論文中提到，不少醫生會在解剖完屍體之後，再為產婦進行接生，這些產婦中，染上產褥熱的比例也偏高。

但是，當時的醫學界並不認同霍姆斯的觀點，將他的提醒當成了耳邊風。

與此同時，在著名的維也納大學醫學院中，匈牙利醫師塞麥爾維斯（Ignaz Philipp Semmelweis），正為了附屬醫院中，遲遲無法下降的產婦死亡率而苦惱著。

即使進行了詳細的大體解剖，塞麥爾維斯也無法找出產褥熱的原因，只能眼睜睜的看著產婦一邊期待著新生命的降臨，一害怕著死神將揮舞著鐮刀，收割她們的性命。

心痛的塞麥爾維斯，於是將目光轉向產房細節。他注意到，如果產婦居住在解剖室旁的產房，產褥熱的比例更居高不下；反觀助產士教學病房裡的產婦，死亡率就明顯較低。

塞麥爾維斯於是推測，或許在屍體中帶有某種毒素，經由負責解剖的醫生、實習生的雙手，在接生或產檢之際進入產房，造成了產婦的死亡。

只是洗個手，死亡率剩下原本的 1/4

一八四七年，塞麥爾維斯決定，要求產科裡所有醫生、實習生，特別是那些剛進行過大體解剖的小夥伴們，在為產婦接生或檢查之前，務必要用肥皂與漂白水浸泡、清洗雙手，並澈底刷洗指甲底下的汙垢。

果不其然，一個簡簡單單的洗手動作，就讓院內產婦的死亡率，從百分之十二下降到百分之三！可喜可賀！

按照常理思考，我們可以大膽推測，接下來的劇情發展應該是：「塞麥爾維斯被譽為英雄，他所推行的洗手習慣，立刻被全世界廣泛採用……」

NO～NO～NO，塞麥爾維斯拿到的，可不是這麼簡潔、老生常談的劇本，故事尚未劇終，本章節依然未完待續。

事實上，他的重要發現並沒有受到醫學界的認可，連病房主任也說，死亡率的下降，是醫護同仁們用心禱告的結果，跟洗不洗手什麼沒啥關係。

不僅論點違背主流風向，許多醫生甚至覺得，塞麥爾維斯的說法，根本就是在說「醫生手很髒」或「病從醫生來」，對此，他們表達強烈的不憤怒與不滿。

讀到這裡，我們或許會覺得，只是洗個手，有那麼痛苦那麼難嗎？殊不知，即便是疫情當前的今日，對於這個倡導手部衛生的建議，依然有人會感到不滿與抗拒。

如此一想，一百多年前的醫生們不想洗手，好像不是多麼不可思議的事情了。

──本文摘自《厲害了，我的生物》，2022 年 8 月，聚光文創，未經同意請勿轉載。

飯前、飯後、廁所後要洗手，是個我們現在已經習以為常的概念。但這樣一個「二十秒護一生」的動作，真正開始推廣普及的時間可說是非常的近代，甚至曾經遭到專業人士的抵制喔。
究竟「洗手護健康」的概念，是從哪開始的呢？

未知細菌與病毒的年代，賭上性命的產婦們

19 世紀，一個對於細菌、病毒的概念一無所知的年代，由於缺乏正確的衛生習慣，醫務人員極少洗手及使用乾淨的醫療器材，而醫院也總是充滿著各種體液的惡臭味（光想像就令人不寒而慄＞＜），接受治療後卻死亡的人數比例也居高不下（對於當時的人們來說，送進醫院治療就相當於一隻腳踏入棺材了！）。

當時醫院內最容易受到感染的人群，就是產婦。有些產婦們生產後會出現高燒，人們將其稱為「產褥熱 (puerperal fever) 」， 19 世紀中期的歐洲及美國均發生此疾病，感染產褥熱的產婦最高死亡率達 35 % ¹！這樣說對於現在的我們或許無感，但在那時產褥熱可是婦女的第二大死亡疾病，僅次於結核病。然而其病因卻未被查明，因此母親們在醫院生產就等同於跟死神搏鬥。

死亡率明顯較高的「死神產房」

在這醫師被視為死亡之手的年代，一位名為塞麥爾維斯 (Ignaz Philipp Semmelweis) 的醫生在維也納總醫院工作時，發現一個奇怪的現象。院內有兩間產房，然而第一產房孕婦引發產褥熱的發生率相比第二產房，卻高達 3~8 倍，讓當時的產婦們都指名要第二產房接生，深怕進入第一產房。

兩間產房明明都是一樣的設備，一樣的醫療程序，怎麼會有如此大的差異呢？這樣令人無法忽視的差異，也使塞麥爾維斯醫生決心要深入調查其中原因。

破解死亡疑團關鍵：同儕之死

塞麥爾維斯醫生當起了醫界偵探，探查兩間產房床位配置，空氣潔凈度，操作流程，甚至宗教儀式：那個時候的醫院常進行祈禱儀式。但這些探查結果都沒有差別，唯一有差別的是第一產房是醫學生教學病房（多為男性負責助產），第二產房是助產士教學病房（多為女性負責助產）。

塞麥爾維斯醫生開始 OS ：
「難道……醫學生的接生技術真的有比助產士差嗎？」
「不對呀～醫學生所培養的技能比助產士還更專業，不可能有這樣的烏龍呀……」
「還是…真的像外面的傳言那樣，男性接生真的比女性接生粗魯，而導致孕婦子宮感染？」（設計對白）

正當塞麥爾維斯醫生百思不得其解時，卻收到同儕去世的噩耗。塞麥爾維斯醫生的同儕也是產科醫生，在一次產褥熱病人的屍檢中，不小心被解剖刀劃傷了手，而屍體的血液也滲透進傷口，不久，他便出現如同產褥熱的高燒而病逝。

這使得塞麥爾維斯醫生突然靈光一閃，發現屍體上必定帶有某種毒素，而且產褥熱會透過血液傳染。這也讓他聯想到自己醫院內的醫學生們都是上完大體解剖課後（沒有洗手）便來產房幫孕婦接生。醫學生的手接觸了屍體後，又接觸了產婦們大量出血的陰道口，而這些學生手上的「髒東西」便會造成孕婦們接觸感染。

被忽視的洗手觀念，被時代抹滅的救命醫生

塞麥爾維斯醫生認為產褥熱的真相就是這些醫學生們的手不乾淨，因此規定之後進入產房前，任何接生人員一定要用消毒液（當時使用次氯酸鈣，俗稱漂白粉的溶液）徹底洗手，自此之後第一產房的產褥熱死亡率大幅下降至 3 % 。

但是，你以為這名偉大的醫生發現洗手的重要性，從此病人在醫院就過著平安又健康的醫療生活了嗎？很不幸的，這並不是個 Happy ending。

事實上，塞麥爾維斯醫生提倡的洗手觀念並不為當時醫生們所重視，隨後他反而不被醫院續約，並持續遭受醫界關於洗手觀念的強烈批評，最後精神崩潰，於 47 歲病逝。

直至此後 10~20 年，微生物學奠基人路易·巴斯德 (Louis Pasteur) 從肉湯腐敗發現所謂的細菌汙染，及外科消毒法創始人約瑟夫·李斯特 (Joseph Lister) 、細菌學始祖羅伯特·科赫 (Robert Koch) 等研究相繼出爐，證實了「微生物」的存在與影響。才終於為塞麥爾維斯醫生提出佐證，也算是讓這名被世人所忽視的醫生做出的偉大貢獻得以申冤。

時至今日，勤洗手已然成為醫院的常規流程，也是日常生活中不可或缺的衛生保健之道。

正確洗手，病菌遠離我！

在看完塞麥爾維斯醫生的壯烈故事之後，生長在現代的我們是不是該感到慶幸呢？但是，你知道不正確的洗手方式（例如：只有用水沖一沖、肥皂迅速抹個，意思一下……）就相當於沒洗嗎？以下，讓我們一起來學習該怎麼正確洗手吧！

不可錯失的六大洗手時機

1. 吃東西前：正所謂「病從口入」，手上的病菌若接觸到餐具或食物，就有很大的機會把病菌也一起吃進身體裡。
2. 上完廁所後：大家都知道排泄物的骯髒程度，馬桶也總是充滿各種病菌，在上完廁所後，手上多少都會沾染到這些病菌。
3. 打噴嚏或咳嗽後：打噴嚏或咳嗽時用手掌摀住口、鼻，或是用衛生紙擤鼻涕時，手常常或沾染病菌。（小叮嚀：打噴嚏或咳嗽時用手掌摀住口、鼻是錯誤的！應用胳膊摀住，才能避免手掌再去碰觸其他東西而傳染病菌 ⁷）
4. 進出醫院時：為了保護院內病患及自身的健康，無論是進醫院看病或探望親友，或是離開醫院都務必洗手，避免將病菌帶進或帶出。
5. 摸 Baby 時：嬰幼兒的免疫系統尚未成熟，所以病菌對他們來說是很大的危害， Baby 雖可愛，與他們接觸前要好好洗手才能減低對他們的傷害～
6. 外出回家時：外面的世界都有肉眼看不見的病菌，因此回家時務必要先洗手，並換掉外出時的服裝。

以上 6 大時機，你都做到了嗎？確「時」洗手，才能保護你我喔！

洗手七字訣，你背對了嗎？

除了大家熟知的「濕、搓、沖、捧、擦」五步驟，其中的「搓」學問可大了～還包含「內、外、夾、弓、大、立、腕」，這不是什麼武術招式，而是可以幫你把手手洗得一乾二淨的方法。讓我們來一一學習這幾個分解動作吧！

• 內：手心互相搓洗
• 外：仔細搓洗手背
• 夾：雙手食指交合，指縫搓洗乾淨
• 弓：一手弓起，放於另一手的手心上搓洗手指背
• 大：搓洗大拇指及虎口
• 立：仔細清洗指尖
• 完：清水沖淨，並確實擦乾雙手

什麼？！你說光是文字說明很抽象？好的～圖片上～

1. Ataman, A. D., et al. (2013). “Medicine in stamps-Ignaz Semmelweis and Puerperal Fever.” J Turk Ger Gynecol Assoc 14(1): 35-39.
2. The Etiology, Concept, and Prophylaxis of Childbed Fever
3. 洗手的歷史：這個19世紀醫生曾呼籲這個習慣而被毒打至死
4. 被時代否定的天才，崩潰致死的醫學先驅 Semmelweis
5. 你知道原來醫生手術前是不洗手的嗎？
6. 不必搶口罩！遠離武漢肺炎正確洗手最簡單有效 6個時機要記牢
7. Coughing & Sneezing

產褥熱，泛指孕婦分娩時因病菌感染而高燒不退，甚至死亡的疾病。

這個名詞到十八世紀才出現；此時歐美地區因為都市化造成人口集中而廣設醫院，孕婦開始至醫院生產後，才發現大量此類病例。十九世紀中期以前，孕婦在醫院生產後的死亡率高達兩成，但因當時仍不知有細菌，也無從預防或改善，於是都當成是分娩必冒的風險。直到塞默維斯醫生出現，才將無數媽媽自產褥熱的巨大威脅中解救出來。

出生於匈牙利的塞默維斯特地前往奧地利的維也納大學讀醫學，畢業後無法如願找到內科醫生的職位，才於 1846 年到維也納綜合醫院的產科第一分部擔任住院總醫師。他到任後不久就發現第一分部的孕婦死亡率很高，過去六年平均從 7%～16% 不等；若以單月來看，還有高達 30%的紀錄，相較之下，在家接生、甚至在街頭分娩還比較安全。但相對地，產科第二分部的孕婦死亡率卻只有 2%～7%，於是塞默維斯決定展開調查。

他比較了各種可能原因，包括空氣、擁擠程度、接生方法、…… 等等，甚至有無宗教信仰，但都沒發現兩個分部有何差異。就在塞默維斯百思不解之際，1847 年發生一件意外讓他靈光一閃。他的好友在解剖屍體時被學生的刀子劃傷，沒幾天即過世，解剖遺體發現與因產褥熱而死的婦女類似。塞默維斯想到兩個分部的唯一差異──來第一分部觀摩實習的是醫學院學生，而第二分部則只有助產士。

塞默維斯猜測是學生解剖完屍體後，直接過來第一分部接生，而把屍體的毒素帶給孕婦。於是他規定學生在檢查孕婦或實習接生之前，一定要用含氯的漂白水洗手，結果實施後的第二個月，孕婦的死亡率就降到 2% 左右，之後一直都在 2% 以下。

塞默維斯實施洗手的成效得到醫學雜誌的報導，他的學生也投了幾篇稿子，他以為其他醫療機構自然會群起效尤，卻事與願違，畢竟高傲的醫生怎麼可能承認是自己的雙手害死病患。而他本人也因為被懷疑支持 1848 年興起的匈牙利革命運動，而在 1849 年 3 月被迫離職，只好返回匈牙利。

塞默維斯於 1851 年接任一家小醫院的主任後，再度實施洗手的規定，在五年 933 個孕婦中，只有 8 人死於產褥熱。眼見其他醫生仍視若無睹，塞默維斯終於在 1861 年出版產褥熱的論著，除了詳細列舉統計數據做為佐證，還炮火猛烈地批判多位大老。結果當然只是引來更多反擊與嘲笑。

塞默維斯變得越來越偏激，公開指責批評他的醫生是殺人兇手、不學無術；他自己也開始酗酒、召妓，常常行為失控。1865 年 7 月底，塞默維斯被送進精神病院，兩個禮拜後死於感染引起的敗血症，遺體解剖發現身體與內臟有多處傷害，肯定在院內遭到虐待毒打。

他的死訊與他的學說一樣沒有人在乎。要等到 1880 年代，細菌說被普遍接受後，洗手、消毒的政策才廣為醫院採用。

本文同時收錄於《科學史上的今天：歷史的瞬間，改變世界的起點》，由究竟出版社出版。