如果月亮消失了，對地球會有什麼影響？

本文與 研華科技 合作，泛科學企劃執行

我們都看過那種影片，對吧？網路上從不缺乏讓人驚嘆的機器人表演：數十台人形機器人像軍隊一樣整齊劃一地耍雜技 ，或是波士頓動力的機器狗，用一種幾乎違反物理定律的姿態後空翻、玩跑酷 。每一次，社群媒體總會掀起一陣「未來已來」、「人類要被取代了」的驚呼 。

但當你關掉螢幕，看看四周，一個巨大的落差感就來了：說好的機器人呢？為什麼大街上沒有他們的身影，為什麼我家連一件衣服都還沒人幫我摺？

這份存在於數位螢幕與物理現實之間的巨大鴻溝，源於一個根本性的矛盾：當代AI在數位世界裡聰明絕頂，卻在物理世界中笨拙不堪。它可以寫詩、可以畫畫，但它沒辦法為你端一杯水。

這個矛盾，在我們常見的兩種機器人展示中體現得淋漓盡致。第一種，是動作精準、甚至會跳舞的類型，這本質上是一場由工程師預先寫好劇本的「戲」，機器人對它所處的世界一無所知 。第二種，則是嘗試執行日常任務（如開冰箱、拿蘋果）的類型，但其動作緩慢不穩，彷彿正在復健的病人 。

這兩種極端的對比，恰恰點出了機器人技術的真正瓶頸：它們的「大腦」還不夠強大，無法即時處理與學習真實世界的突發狀況 。

這也引出了本文試圖探索的核心問題：新一代AI晶片NVIDIA® Jetson Thor™ ，這顆號稱能驅動「物理AI」的超級大腦，真的能終結機器人的「復健時代」，開啟一個它們能真正理解、並與我們共同生活的全新紀元嗎？

為何我們看到的機器人，總像在演戲或復健？

那我們怎麼理解這個看似矛盾的現象？為什麼有些機器人靈活得像舞者，有些卻笨拙得像病人？答案，就藏在它們的「大腦」運作方式裡。

那些動作極其精準、甚至會後空翻的機器人，秀的其實是卓越的硬體性能——關節、馬達、減速器的完美配合。但它的本質，是一場由工程師預先寫好劇本的舞台劇 。每一個角度、每一分力道，都是事先算好的，機器人本身並不知道自己為何要這麼做，它只是在「執行」指令，而不是在「理解」環境。

而另一種，那個開冰箱慢吞吞的機器人，雖然看起來笨，卻是在做一件革命性的事：它正在試圖由 AI 驅動，真正開始「理解」這個世界 。它在學習什麼是冰箱、什麼是蘋果、以及如何控制自己的力量才能順利拿起它。這個過程之所以緩慢，正是因為過去驅動它的「大腦」，也就是 AI 晶片的算力還不夠強，無法即時處理與學習現實世界中無窮的變數 。

這就像教一個小孩走路，你可以抱著他，幫他擺動雙腿，看起來走得又快又穩，但那不是他自己在走。真正的學習，是他自己搖搖晃晃、不斷跌倒、然後慢慢找到平衡的過程。過去的機器人，大多是前者；而我們真正期待的，是後者。

所以，問題的核心浮現了：我們需要為機器人裝上一個強大的大腦！但這個大腦，為什麼不能像ChatGPT一樣，放在遙遠的雲端伺服器上就好？

機器人的大腦，為什麼不能放在雲端？

聽起來好像很合理，對吧？把所有複雜的運算都交給雲端最強大的伺服器，機器人本身只要負責接收指令就好了。但……真的嗎？

想像一下，如果你的大腦在雲端，你看到一個球朝你飛過來，視覺訊號要先上傳到雲端，雲端分析完，再把「快閃開」的指令傳回你的身體。這中間只要有零點幾秒的網路延遲，你大概就已經鼻青臉腫了。

現實世界的互動，需要的是「即時反應」。任何網路延遲，在物理世界中都可能造成無法彌補的失誤 。因此，運算必須在機器人本體上完成，這就是「邊緣 AI」（Edge AI）的核心概念 。而 NVIDIA  Jetson 平台，正是為了解決這種在裝置端進行高運算、又要兼顧低功耗的需求，而誕生的關鍵解決方案 。

NVIDIA Jetson 就像一個緊湊、節能卻效能強大的微型電腦，專為在各種裝置上運行 AI 任務設計 。回顧它的演進，早期的 Jetson 系統主要用於視覺辨識搭配AI推論，像是車牌辨識、工廠瑕疵檢測，或者在相機裡分辨貓狗，扮演著「眼睛」的角色，看得懂眼前的事物 。但隨著算力提升，NVIDIA Jetson 的角色也逐漸從單純的「眼睛」，演化為能夠控制手腳的「大腦」，開始驅動更複雜的自主機器，無論是地上跑的、天上飛的，都將NVIDIA Jetson 視為核心運算中樞 。

但再強大的晶片，如果沒有能適應現場環境的「容器」，也無法真正落地。這正是研華（Advantech）的角色，我們將 NVIDIA Jetson 平台整合進各式工業級主機與邊緣運算設備，確保它能在高熱、灰塵、潮濕或震動的現場穩定運行，滿足從工廠到農場到礦場、從公車到貨車到貨輪等各種使用環境。換句話說，NVIDIA 提供「大腦」，而研華則是讓這顆大腦能在真實世界中呼吸的「生命支持系統」。

這個平台聽起來很工業、很遙遠，但它其實早就以一種你意想不到的方式，進入了我們的生活。

從Switch到雞蛋分揀員，NVIDIA Jetson如何悄悄改變世界？

如果我告訴你，第一代的任天堂Switch遊戲機與Jetson有相同血緣，你會不會很驚訝？它的核心處理器X1晶片，與Jetson TX1模組共享相同架構。這款遊戲機對高效能運算和低功耗的嚴苛要求，正好與 Jetson 的設計理念不謀而合 。

而在更專業的領域，研華透過 NVIDIA Jetson 更是解決了許多真實世界的難題 。例如

• 在北美，有客戶利用 AI 進行雞蛋品質檢測，研華的工業電腦搭載NVIDIA Jetson 模組與相機介面，能精準辨識並挑出髒污、雙黃蛋到血蛋 
• 在日本，為避免鏟雪車在移動時發生意外，導入了環繞視覺系統，當 AI 偵測到周圍有人時便會立刻停止 ；
• 在水資源珍貴的以色列，研華的邊緣運算平台搭載NVIDIA Jetson模組置入無人機內，24 小時在果園巡航，一旦發現成熟的果實就直接凌空採摘，實現了「無落果」的終極目標 。

這些應用，代表著 NVIDIA Jetson Orin™ 世代的成功，它讓「自動化」設備變得更聰明 。然而，隨著大型語言模型（LLM）的浪潮來襲，人們的期待也從「自動化」轉向了「自主化」 。我們希望機器人不僅能執行命令，更能理解、推理。

Orin世代的算力在執行人形機器人AI推論時的效能約為每秒5到10次的推論頻率，若要機器人更快速完成動作，需要更強大的算力。業界迫切需要一個更強大的大腦。這也引出了一個革命性的問題：AI到底該如何學會「動手」，而不只是「動口」？

革命性的一步：AI如何學會「動手」而不只是「動口」？

面對 Orin 世代的瓶頸，NVIDIA 給出的答案，不是溫和升級，而是一次徹底的世代跨越— NVIDIA Jetson Thor 。這款基於最新 Blackwell 架構的新模組，峰值性能是前代的 7.5 倍，記憶體也翻倍 。如此巨大的效能提升，目標只有一個：將過去只能在雲端資料中心運行的、以 Transformer 為基礎的大型 AI 模型，成功部署到終端的機器上 。

NVIDIA Jetson Thor 的誕生，將驅動機器人控制典範的根本轉變。這要從 AI 模型的演進說起：

1. 第一階段是 LLM（Large Language Model，大型語言模型）：
   我們最熟悉的 ChatGPT 就屬此類，它接收文字、輸出文字，實現了流暢的人機對話 。
2. 第二階段是 VLM（Vision-Language Model，視覺語言模型）：
   AI 學會了看，可以上傳圖片，它能用文字描述所見之物，但輸出結果仍然是給人類看的自然語言 。
3. 第三階段則是 VLA（Vision-Language-Action Model，視覺語言行動模型）：
   這是革命性的一步。VLA 模型的輸出不再是文字，而是「行動指令（Action Token）」 。它能將視覺與語言的理解，直接轉化為控制機器人關節力矩、速度等物理行為的具體參數 。

這就是關鍵！ 過去以NVIDIA Jetson Orin™作為大腦的機器人，僅能以有限的速度運行VLA模型。而由 VLA 模型驅動，讓 AI 能夠感知、理解並直接與物理世界互動的全新形態，正是「物理 AI」（Physical AI）的開端 。NVIDIA Jetson Thor 的強大算力，就是為了滿足物理 AI 的嚴苛需求而生，要讓機器人擺脫「復健」，迎來真正自主、流暢的行動時代 。

其中，物理 AI 強調的 vision to action，就需要研華設計對應的硬體來實現；譬如視覺可能來自於一般相機、深度相機、紅外線相機甚至光達，你的系統就要有對應的介面來整合視覺；你也會需要控制介面去控制馬達伸長手臂或控制夾具拿取物品；你也要有 WIFI、4G 或 5G 來傳輸資料或和別的 AI 溝通，這些都需要具體化到一個系統上，這個系統的集大成就是機器人。

好，我們有了史上最強的大腦。但一個再聰明的大腦，也需要一副強韌的身體。而這副身體，為什麼非得是「人形」？這不是一種很沒效率的執念嗎？

為什麼機器人非得是「人形」？這不是一種低效的執念嗎？

這是我一直在思考的問題。為什麼業界的主流目標，是充滿挑戰的「人形」機器人？為何不設計成效率更高的輪式，或是功能更多元的章魚型態？

答案，簡單到令人無法反駁：因為我們所處的世界，是徹底為人形生物所打造的。

從樓梯的階高、門把的設計，到桌椅的高度，無一不是為了適應人類的雙足、雙手與身高而存在 。對 AI 而言，採用人形的軀體，意味著它能用與我們最相似的視角與方式去感知和學習這個世界，進而最快地理解並融入人類環境 。這背後的邏輯是，與其讓 AI 去適應千奇百怪的非人形設計，不如讓它直接採用這個已經被數千年人類文明「驗證」過的最優解 。

這也區分了「通用型 AI 人形機器人」與「專用型 AI 工業自動化設備」的本質不同 。後者像高度特化的工具，產線上的機械手臂能高效重複鎖螺絲，但它無法處理安裝柔軟水管這種預設外的任務 。而通用型人形機器人的目標，是成為一個「多面手」，它能在廣泛學習後，理解物理世界的運作規律 。理論上，今天它在產線上組裝伺服器，明天就能在廚房裡學會煮菜 。

但要讓一個「多面手」真正活起來，光有骨架還不夠。它必須同時擁有強大的大腦平台與遍布全身的感知神經，才能理解並回應外在環境。人形機器人的手、腳、眼睛、甚至背部，都需要大量感測器去理解環境就像神經末梢一樣，隨時傳回方位、力量與外界狀態。但這些訊號若沒有通過一個穩定的「大腦平台」，就無法匯聚成有意義的行動。

這正是研華的角色：我們不僅把 NVIDIA Jetson Thor 這顆核心晶片包載在工業級電腦中，讓它成為能真正思考與反應的「完整大腦」，同時也提供神經系統的骨幹，將感測器、I/O 介面與通訊模組可靠地連結起來，把訊號傳導進大腦。你或許看不見研華的存在，但它實際上遍布在機器人全身，像隱藏在皮膚之下的神經網絡，讓整個身體真正活過來。

但有了大腦、有了身體，接下來的挑戰是「教育」。你要怎麼教一個物理 AI？總不能讓它在現實世界裡一直摔跤，把一台幾百萬的機器人摔壞吧？

打造一個「精神時光屋」，AI的學習速度能有多快？

這個問題非常關鍵。大型語言模型可以閱讀網際網路上浩瀚的文本資料，但物理世界中用於訓練的互動資料卻極其稀缺，而且在現實中反覆試錯的成本與風險實在太高 。

答案，就在虛擬世界之中。

NVIDIA Isaac Sim™等模擬平台，為這個問題提供了完美的解決方案 。它能創造出一個物理規則高度擬真的數位孿生（Digital Twin）世界，讓 AI 在其中進行訓練 。

這就像是為機器人打造了一個「精神時光屋」 。它可以在一天之內，經歷相當於現實世界千百日的學習與演練，從而在絕對安全的環境中，窮盡各種可能性，深刻領悟物理世界的定律 。透過這種「模擬-訓練-推論」的 3 Computers 閉環，Physical AI (物理AI) 的學習曲線得以指數級加速 。

我原本以為模擬只是為了節省成本，但後來發現，它的意義遠不止於此。它是在為 AI 建立一種關於物理世界的「直覺」。這種直覺，是在現實世界中難以透過有限次的試錯來建立的。

所以你看，這趟從 Switch 到人形機器人的旅程，一幅清晰的未來藍圖已經浮現了。實現物理 AI 的三大支柱已然齊備：一個劃時代的「AI 大腦」（NVIDIA Jetson Thor）、讓核心延展為「完整大腦與神經系統」的工業級骨幹（由研華 Advantech 提供），以及一個不可或缺的「教育環境」（NVIDIA Isaac Sim 模擬平台） 。

結語

我們拆解了那些酷炫機器人影片背後的真相，看見了從「自動化」走向「自主化」的巨大技術鴻溝，也見證了「物理 AI」時代的三大支柱——大腦、身軀、與教育——如何逐一到位 。

專家預測，未來 3 到 5 年內，人形機器人領域將迎來一場顯著的革命 。過去我們只能在科幻電影中想像的場景，如今正以前所未有的速度成為現實 。

這不再只是一個關於效率和生產力的問題。當一台機器，能夠觀察我們的世界，理解我們的語言，並開始以物理實體的方式與我們互動，這將從根本上改變我們與科技的關係。

所以，最後我想留給你的思想實驗是：當一個「物理 AI」真的走進你的生活，它不只是個工具，而是一個能學習、能適應、能與你共同存在於同一個空間的「非人智慧體」，你最先感受到的，會是興奮、是便利，還是……一絲不安？

這個問題，不再是「我們能否做到」，而是「當它發生時，我們準備好了嗎？」

研華已經整裝待發，現在，我們與您一起推動下一代物理 AI 與智慧設備的誕生。
https://bit.ly/4n78dR4

彗星送水論？地球的水是從哪來？

想知道古地球如何得到水的行星科學家將矛頭指向大泥球。似乎數十億年前曾有彗星雨落下，為我們帶來大量的水。

但，彗星又來自何方？

科學家長期認為彗星誕生於比火星更遠的寒冷區域。一九九〇年代，學者更進一步認定大部分彗星已經被日益成長的行星吸收。然而荷蘭天文學家揚．歐特（Jan Oort）提出不同見解，主張可以有數以兆計的彗星在太陽系邊緣存活，它們距離行星太遠所以沒被重力拉扯，最終圍繞太陽系形成巨大球形外殼，現在將該區域稱為歐特雲。歐特雲的大量彗星可以填滿地球海洋，問題是它們太遠，是地日距離的數千倍，實在不大可能到得了。

於是又有研究者懷疑部分彗星在太陽系較內側存活，或許是土星軌道外，這樣也比歐特雲近了一千倍。然而僅僅停留在臆測，因為想要在那麼遠的地方找到直徑不過數十英里或更小的彗星太困難，大家沒有傻到去做這種嘗試。

唯二例外是年輕的麻省理工學院教授戴夫．朱維特（Dave Jewitt）和他的研究生盧珍（Jane Luu）。裘伊特頭頂高聳，笑容可掬，性格充滿英國式幽默，父母是倫敦的工廠工人和電話操作員。童年時偶然在夜空看見流星勾起他對天文學的迷戀。

從天文學觀測到重水比例：揭開水的宇宙密碼

一九八五年，他突發奇想將新的數位型光感測器 CCD（譯按：感光耦合元件）連接到望遠鏡，藉此在太陽系遙遠角落尋找彗星這種小天體。朱維特認為我們看不見不代表不存在，但研究需要資金，只可惜多數人都不相信，所以計畫案一次一次被拒絕。三十多年後，回憶起當初遭受的輕蔑他依舊義憤填膺。「最常得到的回答是『無法證明計畫裡的測量實際可行』，」他說：「我的天，這是什麼蠢邏輯？整個計畫的意義就是去做一些以前沒做過的嘗試。就算最後真的不可行又怎麼樣呢，重點不就是得試試看嗎？」批判他的人可能陷入了「現有工具檢測不到就代表不存在」的認知偏誤，習慣性地假設科學家尚未找到就代表目標處什麼也沒有。

朱維特和盧珍拒絕放棄，偷偷從其他研究案借用望遠鏡時間尋找數十億英里外可疑的微小物體。

很長時間毫無收穫。一年又一年，然後四年五年六年。直到一九九二年夏夜，他們在夏威夷大島茂納凱亞天文臺工作。那時候他們心灰意冷，覺得五年多光陰白費了，卻沒想到忽然發現了非常微弱的光點。察覺這個點微微移動時，朱維特還暗忖「不可能是真的」，但它確實存在。兩人找到的天體位於海王星外的軌道，後來進一步證實那邊還有數百萬顆彗星。該區域被命名為古柏帶，淵源是最早提出此概念的荷蘭天文學家³⁰，他在一九五〇年代就探討了這個可能（諷刺的是他本人不相信）。

科學家在古柏帶找到大量彗星，人體內的水看似已經確定來源。地球形成後不久，彗星從古柏帶，或許一部分從更遠的歐特雲抵達，送來覆蓋這顆行星表面的水。彗星堪稱飛行的冰山，攜帶的水量確實足以填滿地球海洋。理論很快得到多數人接納及傳播，謎題終於得到解答。

小行星的貢獻：來自太空岩石的生命之源

真的嗎？一九九五年，波瀾再起。亞利桑那州鳳凰城附近一場觀星派對上，輪到混凝土供應公司零件經理湯瑪斯．博普（Thomas Bopp）借用朋友的望遠鏡，他留意到視野角落有個模糊光點。同一天晚上，新墨西哥州克勞德克羅夫特村天文學家艾倫．海爾在家中發現同樣物體。這顆新發現的彗星，是有史以來見過最亮的，命名為稱為海爾─博普彗星。

翌年，戴夫．朱維特隨學者團隊返回茂納凱亞觀測站，這次以強大的電波望遠鏡觀測海爾─博普彗星。他們在海拔一萬四千英尺（約四千兩百六十七公尺）的稀薄空氣中每十三至十六小時輪班一次測量夜間光譜，試圖比較彗星中一種罕見的水形式比例是否與地球海洋相符。

或許有些人還不知道其實水分子有不同形式。大部分水由氫原子組成，核心只有一個質子。但還有別種水存在，由於重量多出一成所以稱為重水，其氫原子是同位素，核心除質子外還包含一個中子。重水很罕見，在地球海洋中每六千四百個水分子只有一個是重水。因此，茂納凱亞團隊準備測量海爾─博普彗星時原本很有信心會找到相同比例的重水，畢竟地球的水應該來自彗星。

然而觀測結果並非如此。海爾─博普彗星重水含量是地球海洋兩倍。這就麻煩了，先前天文學家在哈雷彗星發現類似的高比例重水，當初只視為異常案例，然而後來在百武二號彗星又測量到相同數據。三次觀測結果一致成為難以忽視的證據，顯示彗星並不吻合地球海洋的水分子組成。

「天文學家對海爾─博普的觀測結果作何反應？」我問。

「嚇壞了。」朱維特的意思是指數據背後的涵義：「有點像新時代運動³¹的意識覺醒之類。」他笑了笑又說：「好像不該說這種話才對。」但顯而易見，學界頗受震撼，一夕間又不能靠融化彗星形成海洋了。雖然惠普爾沒說錯，彗星確實充滿水，但海洋來自太陽系其他地方。具體究竟是哪兒？

朱維特和其他許多學者一樣，注意力轉向飄浮在太空中的巨大岩石，即所謂小行星。

從石頭榨水，乍聽很無稽，但事實上有些岩石確實可以。如果加熱隕石，也就是從小行星落到地球的碎片，困在晶體結構內的水分子就能變成水蒸氣。多年前科學家已經知道小行星含水，這些岩石含水量差異很大。多數靠近太陽形成的小行星幾乎不含水，但在火星之外冰冷區域形成者水分含量則可高達百分之十三。

朱維特等人的想法是：如果撞擊地球的小行星夠大就會帶來豐沛的水。此外，天文學家還知道火星木星之間軌道上有一大群小行星，並將該區域稱為小行星帶。而且，小行星中重水與彗星不同，吻合地球海洋和人體。各種線索指向我們這兒的水應該來自宇宙岩石。

感覺好像結案了，但其實小行星帶距離地球三億英里遠。從那種距離要一桿進洞得有多高明的技術？有足夠數量的小行星算準角度飛向地球以水覆蓋地表，這個現象發生機率有多高？人類又如何進一步理解？

——本文摘自《你的身體怎麼來的？從大霹靂到昨日晚餐，解密人體原子的故事》，2025 年 01 月，商周出版，未經同意請勿轉載。

為什麼台灣會像坐在搖搖椅上，總是時不時地晃動？這個問題或許有些令人不安，但卻是我們生活在這片土地上的現實。根據氣象署統計，台灣每年有 40,000 次以上的地震，其中有感地震超過 1,000 次。2024年4月3日，花蓮的大地震發生後，台灣就經歷了超過 1,000 次餘震，這些數據被視覺化後形成的圖像，宛如台北101大樓般高聳穿雲，再次引發了全球對台灣地震頻繁性的關注。

地震發生後，許多外國媒體擔心半導體產業會受影響，但更讓他們稱奇的是，台灣竟然能在這麼大的地震之下，將傷害降到這麼低，並迅速恢復。不禁讓人想問，自從 25 年前的 921大地震以來，台灣經歷了哪些改變？哪些地方可能再發生大地震？如果只是遲早，我們該如何做好更萬全的準備？

要找到這些問題的答案，最合適的地點就在一座從地震遺跡中冒出的主題博物館：國立自然科學博物館的 921地震教育園區。

下一個大地震在哪、何時？先聽斷層說了什麼

1999年9月21日凌晨1點47分，台灣發生了一場規模7.3的大地震，震央在南投縣集集鎮，全台 5 萬棟房子遭震垮，罹難人數超過 2,400 人。其中，台中霧峰光復國中校區因車籠埔斷層通過，地面隆起2.6公尺，多棟校舍損毀。政府決定在此設立921地震教育園區，保留這段震撼人心的歷史，並作為防災教育的重要基地。園區內兩處地震遺跡依特性設置為「車籠埔斷層保存館」和「地震工程教育館」。

車籠埔斷層保存館建於原操場位置，為了保存地表破裂及巨大抬升，所以整體設計不採用樑柱結構，而是由82根長12公尺、寬2.4公尺、重約10噸的預鑄預力混凝板組成，外觀為曲線造型，技術難度極高，屬國內外首見，並榮獲多項建築獎。而地震工程教育館保留了原光復國中受損校舍，讓民眾親眼見證地震的驚人破壞力，進一步強調建築結構與安全的重要性。毀損教室旁設有由園區與「國家地震工程研究中心」共同策劃的展示館，透過互動展示，讓參觀者親手操作，學習地震工程相關知識。

國立自然科學博物館地質學組研究員蔣正興博士表示，面積上，台灣是一個狹長的小島，卻擁有高達近4000公尺的山脈，彰顯了板塊激烈擠壓、地質活動極為活躍的背景。回顧過去一百年的地震歷史，從1906年的梅山地震、1935年的新竹-台中地震，到1999年的921大地震，都發生在台灣西部，與西部的活動斷層有密切關聯，震源位於淺層，加上人口密度較高，因此對台灣西部造成了嚴重的災情。

而台灣東部是板塊劇烈擠壓的區域，地震震源分佈更廣。與西部相比，雖然東部地震更頻繁，但由於人口密度相對較低，災情相對較少。此外，台灣東北部和外海也是地震多發區，尤其是菲律賓海板塊往北隱沒至歐亞板塊的隱沒地震帶，至沖繩海槽向北延伸，甚至可能影響到台北下方，發生直下型地震，這種地震因震源位於城市正下方，危害特別大，加上台北市房屋非常老舊，若發生直下型地震，災情將非常嚴重。

除了台北市，蔣正興博士指出在台灣西部，我們特別需要關注的就是彰化斷層的影響，該斷層曾於1848年發生巨大錯動。此外，我們也需要留意西南部的地震風險，如 1906 年的梅山地震。此兩條活動斷層距今皆已超過 100 年沒活動了。至於東部，因為存在眾多活動斷層，當然也需要持續注意。

我們之所以擔心某些斷層，是因為這些區域可能已經累積了相當多的能量，一旦達到臨界點，就會釋放，進而引發地震。地質學家通常會沿著斷層挖掘，尋找過去地震的證據，如受構造擾動沉積物的變化，然後透過定年技術來確定地震發生的時間點，估算出斷層的地震週期，然而，這些數字的計算過程非常複雜，需要綜合大量數據。

挑戰在於，有些斷層的活動時間非常久遠，要找到活動證據並不容易。例如，1906年的梅山地震，即使不算久遠，但挖掘出相關斷層的具體位置仍然困難，更不用說那些數百年才活動一次的斷層，如台北的山腳斷層，因為上頭覆蓋了大量沉積物，要找到並研究這些斷層更加困難。

儘管我們很難預測哪個斷層會再次活動，我們仍然可以預先對這些構造做風險評估，從過往地震事件中找到應變之道。而 921 地震教育園區，就是那個可以發現應變之道的地方。

921 後的 25 年

在園區服務已 11 年的黃英哲擔任志工輔導員，常代表園區到各地進行地震防災宣導。他細數 921 之後，台灣進行的六大改革。制定災害防救法，取代了總統緊急命令。修訂了建築法規，推動斷層帶禁限建與傳統校舍建築改建。組建災難搜救隊伍，在面對未來災害時能更加自主應對。為保存文化資產，增設了歷史建築類別，確保具有保存價值的建築物得到妥善照料。

最後，則是推行防災教育。黃英哲表示，除了在學校定期進行防災演練，提升防災意識外，更建立了921地震教育園區，不僅作為教育場所，也是跨部門合作的平台，例如與交通部氣象署、災害防救辦公室、教育部等單位合作，進行全面的防災教育。園區內保留了斷層線的舊址，讓遊客能夠直觀地了解地震的破壞力，最具可看性；然而除此之外，園區也是 921 地震相關文物和資料的重要儲存地，為未來的地震研究提供了寶貴的資源。

堪稱園區元老，在園區服務將近 19 年，主要負責日語解說工作的陳婉茹認為，園區最大的特色是保存了斷層造成的地景變化，如抬升的操場和毀壞的教室場景，讓造訪的每個人直觀地感受地震的威力，尤其是對於年輕的小朋友，即使他們沒有親身經歷過，也能透過這些真實的展示認識到地震帶來的危險與影響。

陳婉茹回憶，之前有爸媽帶著小學低年級的小朋友來參觀，原本小朋友並不認真聽講，到處跑來跑去，但當他看到隆起的操場，立刻大聲說這他在課本看過，後來便聚精會神地聽完 40 分鐘的解說。

除了每看必震撼的地景，園區也透過持續更新策展，邀請大家深入地震跟防災的各個面向。策展人黃惠瑛負責展示設計、活動規劃、教具設計等工作。她提到，去年推出的搜救犬特展和今年的「921震災啓示展」與她的個人經歷息息相關。921 大地震時的她還是一名台中女中的住宿生，當時她儘管驚恐，依舊背著腿軟的學姊下樓，讓她在策劃這些展覽時充滿了反思。

在地震體驗平臺的設計中，黃惠瑛強調不僅要讓觀眾了解災害的破壞力，更希望觀眾能從中學到防災知識。她與設計師合作，一樓展示區採用了時光機的概念，運用輕鬆、童趣的風格，希望遊客保持積極心態。二樓的地震體驗平臺結合六軸震動臺和影片，讓遊客真實感受921地震的情境。她強調，這次展覽的目標是全民，設計上避免了血腥和悲傷的元素，旨在讓觀眾帶著正向的感受離開，並重視防災意識。

籌備今年展覽的最大挑戰是緊迫的時間。從五月開始，九月完成，為了迅速而有效地與設計師溝通，黃惠瑛使用了AI工具如ChatGPT與生成圖像工具，來加快與設計師溝通的過程。

蔣正興博士說，當初學界建議在此設立地震教育園區，其中一位重要推手是法國地質學家安朔葉。他曾在台灣指導十位台灣博士生，這些博士後來成為地質研究的中堅力量。1999年921大地震後，安朔葉教授立刻趕到台灣，認為光復國中是全球研究斷層和地震的最佳觀察點，建議必須保存。為紀念園區今年成立20週年，在斷層館的展示更新中，便特別強調安朔葉的貢獻與當時的操場圖。

此外，作為 20 週年的相關活動，今年九月也將與日本野島斷層保存館簽署合作備忘錄（MOU），強化合作並展示台日合作歷史。另一重頭戲則是向日本兵庫縣人與自然博物館主任研究員加藤茂弘致贈感謝狀，感謝他不遺餘力，長期協助園區斷層保存館的剖面展品保存工作。

前事不忘，後事之師

盡力保存斷層跟受創校舍，只因不想再重蹈覆徹。蔣正興博士表示，921地震發生在車籠埔斷層，其錯動形式成為全球地質研究的典範，尤其是在研究斷層帶災害方面。統計數據顯示，距離車籠埔斷層約100公尺內，住在上盤的罹難率約為1%，而下盤則約為0.6%。這說明住在斷層附近，特別是上盤，是非常危險的。由於台灣主要是逆斷層活動，這一數據清楚告訴我們，在上盤區域建設居住區應特別小心。

2018年花蓮米崙斷層地震就是一個例證。

在921地震後，政府在斷層帶兩側劃設了「地質敏感區」。因為斷層活動週期較長，全球大部分地區難以測試劃設敏感區的有效性，但台灣不同，斷層活動十分頻繁。例如 1951 年，米崙斷層造成縱谷地震，規模達 7.3，僅隔 67 年後，在 2018 年再次發生花蓮地震，這在全球是罕見的，也因此 2016 年劃設的地質敏感區，在 2018 年的地震中便發現，的確更容易發生地表破裂與建築受損，驗證了地質敏感區劃設的有效性。

在過去的20年裡，921地震教育園區不僅見證了台灣在防災教育上的進步，也承載著無數來訪者的情感與記憶。每一處地震遺跡，每一項展示，都在默默提醒我們，那段傷痛歷史並未走遠。然而，我們對抗自然的力量，並非源自恐懼，而是源自對生命的尊重與守護。當你走進這座園區，感受那因地震而隆起的操場，或是走過曾經遭受重創的教室，你會發現，這不僅僅是歷史的展示，更是我們每一個人的責任與使命。

來吧，今年九月，走進921地震教育園區，一起在這裡找尋對未來的啓示，為台灣的下一代共同築起一個更堅固、更安全的家園。

延伸閱讀：
高風險？ 家踩「斷層帶、地質敏感區」買房留意
「我摸到台灣的心臟！」法國地質學家安朔葉讓「池上斷層」揚名國際
百年驚奇－霧峰九二一地震教育園區｜天下雜誌