海水怎麼是鹹的——從郵輪游泳池回溯到原始海洋│環球科學札記(5)

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 / 張之傑

我們這趟環球之旅，很少遇到陰雨天氣，特別是在紅海和地中海期間，晴空無雲，天藍得透亮，沒有一點兒雜質；海藍得像面鏡子，閃耀著藍寶石似的光影。

若干年長或行動不便的乘客，喜歡鎮日坐在八樓長廊的沙發上，望著舷窗外的碧海藍天打發時光。我常帶著筆電在八樓長廊寫作，累了就眺望著海天一色的海平線。由於地球是圓的，海平線以一個很大的弧度中消失在視線中。

海和天為什麼是藍色的？這和散射有關。陽光射到地球，會碰到空氣和懸浮在空中的小水珠（雲），使得天空的顏色經常展現變化。晴天的時候，射到地球上的光線碰到空氣中的氮分子或氧分子，就會引起散射作用，藍光的波長較紅光短，散射得較厲害，看在我們眼裡，天空就成為藍色的。

這個道理看起來好像很簡單，但是人類明白這個道理是十九世紀末葉的事。一八七三年，英國物理學家瑞利（Lord Rayleigh）是第一位看天看出名堂的人。他的散射理論——瑞利散射，使我們了解了天色的秘密。

在陽光的七種色光中，紅、橙、黃光的波長較長，藍、靛、紫光的波長較短。所謂波長，就是兩個波峯間的距離；而波峯，是指物質振動最大的地方。舉個例子，當我們扔一塊石頭到水裡，會激起一圈圈漣漪。兩圈漣漪間的距離就是波長。當然啦，光波的波長比漣漪的波長小得多了，波長最長的紅光，不過十萬分之七、八公分，藍光不過十萬分之四、五公分而已。

瑞利發現，散射不會改變射入光的波長，只會改變射入光的方向。那麼散射又怎麼會造成天空的各種顏色呢？原來散射的作用截面，既與散射粒子的大小有關，也與被散射光的波長有關。空氣中的氧分子、氮分子，大小恰好可以散射波長較短的藍光，藍光散了一天，天空當然呈藍色的。

到了傍晚，夕陽西下，陽光打斜裡射過來，較接近地面，而地面的空氣含有較多的水氣和灰塵，粒子比氧分子、氮分子大得多，較容易散射波長較長的紅光、橙光或黃光，艷麗的晚霞就是這樣散射出來的。

如果天上水浮著小水滴，也就是雲，那又是另一種景象。小水滴比灰塵大得多，各種波長的色光都能被它散射，結果，雲就成了白色的。如果雲層較厚較密，陽光穿不過去，就變成了灰色或黑色。白雲蒼狗，不過是陽光玩的把戲而已！

當雲聚成雨滴的時候，顆粒就更大了，大得具有稜鏡的作用。倘若一邊已經出太陽，一邊還在下雨，陽光穿過雨滴，就會形成我們看到的虹。噴泉和瀑布上也可以出現虹，原理是一樣的。此次環球之旅，我們看到過幾次彩虹，印象最深刻的一次是在復活節島。公路靠海的一側，忽然出現拱門似的彩虹，距離我們目測不到五十公尺。站在彩虹下照相，宛如置身彩虹之下呢！

陽光照到水裡，又是一番景況。較深的水都是藍色的。水原本透明無色，水分子的大小可讓波長較長的紅色繞過去，而波長較短的藍光被散射，所以較深的水莫不是藍色的。水愈深，散射、反射的藍光就愈多，看起來就愈藍了。

同樣是水，為什麼海是藍的，而浪花卻是白的？為什麼驚濤拍岸，會捲起千堆雪？道理很簡單，所謂浪花，其實就是小水滴，可以散射各種波長的光，所以浪花就和白雲一樣，變成白色的了。

就像看天一樣，人類真正懂得看海也是晚近的事。印度物理學家拉曼（Sir Chandrasekhara Raman），從印度搭船去英國。天連海、海連天的景況，使他悟出海水和天空的顏色，都是光線散射所造成的。一九二一年，拉曼在英國《自然》上發表了一篇論文，提出他的散射理論，題目是〈海的顏色〉。古今中外，多少人有過「看海的日子」，卻只有拉曼獨具智眼，看出別人看不出的道理。

• 文／張之傑

和平號只有三萬五千噸，是艘平民化的小型郵輪，和動輒七、八萬噸的豪華郵輪不能相比。舉例來說，和平號沒有舞廳、賭場和劇院，除了三餐，平時不供應飲食。以游泳池來說，差異就更大了。

豪華郵輪的游泳池通常十米，露天的甚至可達二十五米，池裡的水通常是淡水。和平號的八樓、九樓甲板上各有一座游泳池，長度僅約五米，裡面的水是抽上來的海水。

當船友告訴我，游泳池裡的水是海水時，我還半信半疑，伸手撈點池水舔一下，果然鹹得發苦。由於池子太小，又是海水，我們雖帶了泳裝和泳帽、泳鏡，但從沒下去過。

游泳池可以使用海水，烹飪、洗浴卻非淡水不可。和平號雖然是艘小型郵輪，也有約一千名乘客、近四百名工作人員，每日消耗的淡水量可觀。

日本人特別喜歡吃生菜，早餐至少有四種生菜，午餐至少有六種，都洗得乾乾淨淨，這也需要很多淡水啊！和平號並沒有海水淡化設備，淡水是靠岸時補給的。我們從檳城到埃及賽得港，在海上搖晃了足足十四天，可見船上有很大的儲水空間。

為甚麼海水是鹹的？水蒸發了，鹽分卻留了下來！

我當過老師，又喜歡發表議論，常有些船友問東問西。有次在九樓露天餐廳吃飯，旁邊就是游泳池，有人問我：「下去游過嗎？」我說：「沒有，池子太小，又是海水，豈不等於在鹹菜缸裡洗澡。」引得同桌的人都笑了。有位仁兄忽然提問：「海水為什麼是鹹的？」

這個問題看似簡單，回答起來還真不容易。怎麼說呢，大約四十六億年前，太空中的一團雲氣（含氫、氦、塵埃等）因重力而收縮，中央的部分成為太陽，剩餘的部分凝聚成直徑只有幾公里的「微行星」，它們互相碰撞，進而凝聚成行星，地球就是其中一員。

微行星互相碰撞，產生高溫，因而原始地球溫度甚高，呈熔融狀態，於是較重的元素如鐵、鈷、鎳等沉向球心，較輕的元素如矽、鋁等則浮在表面，更輕的氫、氮、氧、碳等則分佈在外圍。當溫度繼續下降，地殼變冷，於是所有的水蒸氣都降下來，這場雨一下就是好幾個世紀！地面開始積水，大水匯積形成原始海洋。

原始海洋即便有點鹽份，也很低。然而，隨著風化和侵蝕作用，岩石中的鹽類（礦物質）進入海洋。雨水含有少量從空氣來的二氧化碳，帶點酸性。當雨水降至地面，會溶解岩石中的鹽類，跟著水份進入溪流、河川，最後匯注大海。

隨著氣象因素引起的水循環，從海洋蒸發的水幾乎是純水，鹽類留下來，更多的鹽類繼續流入海裡，可是鹽類仍保持在百分之三點五左右，其中百分之九十以上是氯化鈉，也就是狹義的鹽。那麼過多鹽類往哪兒去了？

生物會吸收鹽類，例如珊瑚蟲、軟體動物和甲殼類會吸收碳酸鈣，矽藻會吸收二氧化矽，魚類會吸收碳酸鈣、磷酸鈣等。生物體內的鹽類終究會以屍體或糞便的形式沉到海底，成為沉積岩的一部份。地殼的板塊運動，可以使得海陸易位，所謂滄海桑田不僅僅只是個形容詞而已。如此這般，鹽類在海陸之間循環，使得海水的鹽類一直維持在百分之三點五左右。

海水的含鹽量並不平均。舉例來說，地中海是個半封閉的水域，因為蒸發的關係，含鹽量較高。紅海兩岸熱帶沙漠夾峙，降水量又少，含鹽量就更高了。孤立的水域只要注入的淡水不足，就可能會因為蒸發作用變得愈來愈鹹，死海就是最著名的例子。

〈本文選自《科學月刊》2020年9月號〉

• 賈新興／臺灣大學大氣科學系博士，前中央氣象局長期預報課課長，現職為天氣風險管理公司總監。

夏季是颱風出現的季節，往年的 7 月平均會有 3～4 個颱風生成。但今（2020）年 7 月卻罕見地無颱風生成，主要原因是季風槽受太平洋高壓，以及較大的垂直風切所導致。

颱風消失了？生成條件大盤點

每年的 7 月是颱風開始活躍的月份，平均而言，7 月都有 3～4 個颱風生成，從 1951 年以來的颱風生成資料顯示，歷年 7 月最少都有 1 個颱風生成，最多則有 8 個颱風生成，分別是 1971 年 7 月和 2017 年 7 月。

然而今年的 7 月，整個西北太平洋海域卻靜悄悄的，沒有半個颱風生成，到底是發生了什麼事，讓 7 月颱風銷聲匿跡了呢？就讓我們一一檢視颱風生成的條件。

生成條件一：溫暖的洋面

颱風生成在海面上，廣大的洋面能提供足夠水氣，當水氣蒸發釋放潛熱時，就可以讓颱風有足夠的能量成長。

一般來說，當海水溫度超過 26°C 時，才會產生足夠的水氣。而西北太平洋地區，每月氣候平均的海溫都在 27°C 以上，其中 2 月的平均海水溫度也有 27°C（圖一）。

因此，西北太平洋溫暖的海域，時時刻刻都有足夠的水氣提供颱風生成所需的能量。從西北太平洋區域今年 7 月平均的海水溫度分布圖發現，整個西北太平洋的海溫至少都超過 29°C（圖二）。

溫暖的洋面，雖然提供了足夠的能量，但為什麼颱風仍舊長不出來呢？讓我們再檢視其它颱風生成的動力條件！

條件二：活躍的季風槽

颱風是個逆時針旋轉的低壓中心。夏季時，當北半球的西南季風，和太平洋高壓所帶來的東風或東北風相遇，兩者所造成的輻合作用，會使低氣壓的漩渦繼續加深，讓風速增強。

當低氣壓的近地面最大風速到達或超過每小時 62 公里或每秒 17.2 公尺時，我們就將它稱為颱風。這個伴隨西南季風和太平洋高壓南側的東風或東北風相遇的地方，通常稱作季風槽，或是俗稱颱風生長的故鄉。

從 7 月大氣低空風場的氣候平均圖，可以看到西南季風和太平洋高壓南側的東風形成的季風槽，從東經 120 度往東南方向延伸至東經 160 度。比較今年 7 月的大氣低空風場（圖三）可以發現，整個季風槽不見了，原來應該是季風槽所在的區域，一整個都被太平洋高壓的東風所佔據了。

而太平洋高壓是個穩定且下沉的空氣，但颱風是個垂直發展的低氣壓，因此，偏強的太平洋高壓讓今年的西南季風無法深入至西北太平洋區域，剷平了颱風的家，也就讓颱風長不起來了。

條件三：垂直風切不能太大

另外，颱風垂直發展的高度至少可以達到對流層頂的高度，因此當高空風和低空風的風向差異太大時，也就是一般我們所說的垂直風切太大時，就無法讓水氣凝結所釋放出的潛熱更有效地提供颱風發展，造成颱風的垂直發展不好，颱風就不容易生成。

根據7月氣候上的垂直風切分布顯示，在西北太平洋區域的風切平均介於 -10～5之間。但今年 7 月的垂直風切，則介於 -10～10 之間，明顯比氣候平均值高，因此不利於颱風的垂直發展。

都是高壓和垂直風切惹的禍！

從以上颱風的生成條件來看，今年 7 月雖然有足夠的水氣提供的能量來源，但要讓颱風旋轉起來的季風槽，因為太平洋高壓太強，使得季風槽無法向東推進到西北太平洋區域；偏強的太平洋高壓帶來穩定的下沉空氣，連帶的也讓垂直風切太大，颱風更是長不起來！

今年 7 月的太平洋高壓太強，不但讓颱風長不起來，連帶的也是造成臺北創下自 1897 年以來的最高溫紀錄 39.7°C 的原因之一！至於為什麼今年的太平洋高壓如此強大，就是另一篇故事了。

〈本文選自《科學月刊》2020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。