2020《Science》年度十大科學突破出爐啦！醫藥科學飛速發展的一年

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

邁向 2050 淨零轉型，當企業在面對客戶價值鏈要求時，導入 ESG 早已成為提升營運績效的重要指標。而「產品碳足跡」是企業在品質、價格、規格之外，貼近客戶價值鏈、爭取國際品牌廠青睞的重要關鍵。透過本文一起深入探討，如何有效率地開展產品碳足跡計算與報告領域。

本文轉載自宜特小學堂〈把握淨零轉型契機　用產品碳足跡提升 ESG 績效〉，如果您對半導體產業新知有興趣，歡迎按下右邊的追蹤，就不會錯過宜特科技的最新文章！

全球氣候變遷早已成為國際間重要環境議題，目前不同國家和地區具有針對碳足跡的要求和指南，例如：法國的 ADEME（環境和能源管理署）指南和日本的碳足跡計劃；而國際大廠（包含 Microsoft 及 Bosh 等車電大廠等）也積極推動供應商碳足跡管理，以降低整體供應鏈的碳排放，致力於實現其永續發展目標（Sustainable Development Goals，簡稱 SDGs）。臺灣也針對「2050 淨零轉型」提出四大策略及兩大基礎。

企業導入產品碳足跡可以幫助其成為客戶 ESG（Environmental, Social, and Governance）發展策略中重要合作夥伴，促進長期合作關係。然而，在企業開始進行碳足跡計算時，常常會面臨邊界設定、數據收集與量化等方面的各種問題，不知道該從何下手導致進展受阻。

宜特科技已有為數百家企業提供輔導服務的豐富經驗，成功協助客戶獲得多項增值認證，順利進入國際產業供應鏈。在本文中，我們將分享透過實例經驗，並深入探討如何有效率地開展產品碳足跡計算與報告領域，滿足客戶在 ESG 需求，從而幫助企業在國際供應鏈中保持競爭優勢！

產品碳足跡-基於生命周期評估（Life Cycle Assessment，簡稱 LCA）

碳足跡是一種特定的環境指標，用於量化某個活動、產品或服務在生命周期內，直接和間接產生的溫室氣體排放量，通常會以二氧化碳當量（CO_2e）來表示。而產品碳足跡是基於 ISO 14040  和 14044 所定義之系統化的方法，針對整個生命周期中對暖化的影響加以評估，這其中包括從原材料的獲取、製造、使用到最終處置的各個階段排碳量。

( 一 ) ISO 14040：生命周期評估原則與框架（Life Cycle Assessment-Principles and Framework）提供了 LCA 的總體框架和原則，涵蓋了 LCA 的基本概念、應用範圍和限制，以及進行 LCA 的基本步驟和程序。

( 二 ) ISO 14044：生命周期評估需求與準則（Life Cycle Assessment-Requirements and Guidelines）描述了 LCA 各階段的技術要求，包括數據收集、數據品質、影響評估方法和解釋結果的方法。ISO 14044 對 LCI（Life Cycle Inventory，生命周期清單）　的實施提供了全面指導和技術要求，LCI 作為 LCA 的一個關鍵階段，在 ISO 14044  的框架下進行，可以確保其數據的品質和結果的可靠性。常見 LCI 如下：

綜合上述 LCA 提供了一個全面的環境影響評估，可以幫助企業和決策者了解各種環境影響並進行綜合決策；LCA 涵蓋了多種環境影響指標（如暖化效應、臭氧層破壞、資源消耗、酸化效應、生態毒性等），而碳足跡是則聚焦於暖化效應。

產品碳足跡系統邊界設定：

設定產品碳足跡盤查範疇（Boundary）是準確量化碳足跡的關鍵步驟。此過程包括確定哪些生命週期相應階段、活動和排放源應被納入碳足跡計算，並據此推動相關減排措施。基於生命週期的產品碳足跡，通常會涵蓋以下幾個主要階段：

1. 原材料獲取：從自然資源中提取和加工原材料。
2. 生產：製造和裝配產品的過程。
3. 運輸和配銷：產品從生產地運輸到消費地的過程。
4. 使用：產品在其使用壽命期間的階段。
5. 最終處理階段：產品使用壽命結束後的處理，包括回收、再利用或廢棄處置。

完成生命週期設定後，需要進一步定義產品系統的邊界，包括哪些過程和活動應該納入盤查範疇。例如對於包材，應涵蓋包材的生產、製程中的能源消耗以及廢棄包裝的處理等完整階段，以供後續執行數據分配，如下圖所示：

若屬於 B2C 產品將涵蓋上述完整五個階段，而 B2B 產品則只包含上述前兩階段；下圖是 B2C 產品碳足跡的案例。

量化產品碳足跡：依據 ISO14067 產品碳足跡來量化要求與指引

ISO 14067 提供了關於如何量化產品碳足跡的詳細指引，產品碳足跡計算基於「活動數據」與「排放係數」，下圖為相關案例。

( 一 ) 如何蒐集活動數據

基於生命週期的不同階段，說明如下：

  1. 原材料階段

• 原材料（包含輔材與包材）使用量：每種原材料的數量和重量。
• 原材料製造過程的排放：包括從自然資源提取和加工過程中的溫室氣體排放。
• 運輸數據：原材料從提取地點到加工廠的運輸距離和運輸方式（如貨運、海運等）。

  2. 生產階段

• 能源消耗：生產過程中使用的電力、燃料（如天然氣、汽柴油）等能源的消耗量。
• 製程排放：生產過程中直接排放的溫室氣體（如化學反應產生的排放）。
• 廢棄物管理：製造過程中產生的固體廢棄物、廢水和廢氣的處理過程中，涉及燃燒、分解等清理方式之處理量。

  3. 運輸和分銷階段

• 運輸距離和方式：產品從生產地到消費地的運輸距離和運輸方式。
• 運輸工具的能源消耗：運輸過程中運輸工具的燃料消耗量和類型。

  4. 使用階段

• 使用過程中的能源消耗：產品在使用過程中消耗的能源（如家電使用的電力，車輛使用燃料等）。

  5. 最終處理階段

• 廢棄物處理方式：產品生命終期（End of Life）不同處理方式（如焚燒、掩埋）對應之處理量。

( 二 ) 蒐集與應用排放係數

藉由排放係數（Emission Factors，簡稱EF）可將活動數據（如能耗、材料使用等）轉換為溫室氣體排放量。ISO 14067 提供了量化產品碳足跡相關指引，幫助企業有效地收集和應用排放係數。以下是收集和使用排放係數的步驟和建議：

1.選擇排放係數來源

• 官方資料庫：使用來自政府和國際組織的標準化排放係數，例如： United States Environmental Protection Agency（EPA）的排放係數資料庫、European Environment Agency（EEA）的排放係數、國際能源署（IEA）的能源數據以及台灣碳足跡資料庫。
• 供應商提供的一手數據（Primary Data）：來自供應商自行盤查的數據。
• 第三方商業資料數據：市售第三方商業數據庫和工具，如 Ecoinvent（Simapro）和 GaBi。

2.評估和選擇排放係數

• 地理相關性：確保排放係數與產品生產和使用的地理位置相關。例如，電力生產的排放係數在不同國家或地區可能差異很大。
• 時間相關性：使用最新的排放係數數據，因為技術更新可能會影響排放量。

 3.應用排放係數

• 計算流程標準化：在計算產品碳足跡時，應建立標準化計算流程來應用排放係數，確保一致性和可比性。
• 善用軟體工具：使用專門 LCA 軟體工具來管理和應用排放係數，如 SimaPro、GaBi 等。
• 數據整合：將排放係數整合到產品碳足跡的計算公式中，與活動數據（如能源使用、材料消耗等）相結合，以計算總的溫室氣體排放量。

確保碳足跡量化數據品質

ISO 14067 對數據品質管理提出了明確的要求，以確保產品碳足跡量化準確性和可信度。以下是 ISO 14067 對數據品質管理的主要要求：

1. 數據品質的評估指標

• 代表性（Representativeness）：數據應該反映真實的情況，包括地理範圍、時間範圍的相關性。
• 一致性（Consistency）：應使用一致的方法和假設來收集和處理數據，確保不同數據集之間的可比性。
• 可靠性（Reliability）：數據應該來自可信的來源，並經過適當的驗證。
• 精確度（Accuracy）：數據應該盡可能準確，減少誤差。
• 完整性（Completeness）：數據應該包含生命週期各階段重大排放，確保碳足跡計算的全面性。
• 可追溯性（Traceability）：數據來源和處理方法應該可追溯至原始單據，以便審查和驗證。

   2. 管控數據品質

• 內部稽核：定期進行內部查核，評估數據品質，確保數據的準確性和可靠性。
• 外部驗證：在必要時，進行外部驗證，確保數據和碳足跡計算結果的可信度。

   3. 執行數據敏感度分析

• 碳足跡的敏感度分析是確保碳足跡計算結果的可靠性和準確性的重要步驟。敏感度分析有助於識別和理解不同參數對碳足跡數據的影響，從而幫助決策者進一步優化產品環境表現。
• 執行方式為識別在碳足跡計算中使用的所有主要參數（能源消耗、材料用量、排放係數）等。選擇那些對結果有較大影響或存在較大不確定性的變量進行分析。
• 執行方式為單因素分析（逐一改變每個變量，在保持其他變量不變的情況下，逐一調整每個變量的值，計算並記錄每次調整後的碳足跡結果）或多因素分析（同時改變多個變量，評估這些變量之間的交互作用及其對碳足跡結果的綜合影響）。
• 根據敏感度分析結果，提出具體的改進方案，例如替換高碳排放材料、提高能源效率等。

 4. 持續改善和更新

• 持續改進：定期檢討和改進數據收集和處理流程，採用最新的技術和方法，提高數據品質。
• 數據更新：根據最新的技術、方法和排放因子，定期更新數據，確保碳足跡計算的準確性。

ISO 14067 對數據品質管理的要求涵蓋了數據收集、評估、管控、改進的各個方面。通過遵循這些要求，企業可以確保其產品碳足跡計算的數據是準確、可靠和透明的，從而提高碳足跡報告的可信度和科學性。

碳足跡與產品環境宣告（Environmental Product Declaration）：

產品碳足跡和產品環境宣告（Environmental Product Declaration，簡稱 EPD）是兩個相關但不同的概念，它們都提供產品的環境衝擊資訊，以幫助企業與消費者做出更可持續的選擇。

產品環境宣告是根據 ISO14025 國際標準所編制的技術文件，提供產品在生命周期內的環境影響資訊。EPD 基於生命周期評估（LCA）數據，可申請第三方認證。產品碳足跡通常是 EPD 中的一部分數據，尤其是在全球變暖潛勢（GWP）方面。EPD 包含了更廣泛的環境影響數據，而碳足跡專注於溫室氣體排放，相關範例如下：

產品碳足跡和產品環境宣告（EPD）兩者都是評估和傳達產品環境影響的重要工具。產品碳足跡專注於溫室氣體排放，而 EPD 則提供全面的環境影響資訊。兩者結合使用，可以幫助企業和消費者做出更可持續的選擇，推動環境保護和可持續發展。除了 ISO14067 外，溫室氣體議定書（GHG Protocol）也提供了計算產品碳足跡的詳細指導方針和方法。

自 2011 年起，宜特透過經濟部技術處科技專案「產品碳足跡與節能減碳資訊服務平台暨工具開發計畫」，積累輔導國內指標企業導入碳足跡的豐富經驗。我們認為，供應商碳排占比與減量機會，都是彰顯「產品環境績效」之關鍵，這正是導入碳足跡的重要目的之一。

因此供應商實地盤查至關重要，尤其針對排放貢獻占較大的本土供應商，宜特已定義出約 30 種盤查指標，企業可利用相關數據，偕同供應商建構減碳價值鏈。

我們輔導的客戶中包含全球知名代工龍頭廠、半導體設備製造廠、IC 設計廠商、光電業、電子元器件製造業、電子系統廠、傳產等國內上市櫃公司。在 ESG 輔導方面，亦有協助溫室氣體盤查、產品碳足跡、氣候相關財務揭露建議（TCFD）及 SBTi （科學基礎減量目標倡議，Science Based Targets Initiative）與 ISO 50001 能源管理與節能等相關輔導服務。

本文出自 宜特科技。

不好意思，你很可能會得這種癌症。其實，我也是。

它就是台灣十大癌症榜首，肺癌。

現在，根據 2023 年 11 月衛福部發布的最新統計數字，肺癌一年的新增病人數已經超越大腸直腸癌，成為台灣每年癌症發生人數之最，堪稱臺灣人的「國民病」。

可怕的是，肺癌在癌症之中有三個之最：死亡率最高、發現時已經是晚期的比例最高、醫藥費也最高。現在再加上發生人數最高，堪稱從癌症四冠王。

你說肺癌是抽菸的人的事？錯！台灣抽菸人口比例在全球排名 30，比日本、韓國、中國和多數歐洲國家都還低！顯然抽菸並不是肺癌的唯一主因！那難道是二手菸？還是空污惹的禍？還是台灣人的基因天生脆弱？我們到底要怎麼做才能遠離肺癌？

臺灣人的肺癌特別在哪？癌症和基因有關嗎？

根據衛福部國健署的說法，肺癌人數的增加，其實與 2022 年 7 月開始推動肺癌篩檢的政策有關。

隨著篩檢量的上升，近年內肺癌的確診人數預期還會再往上。

原來是因為篩檢量啊，那就不用擔心了。但換個角度想，這才是肺癌最可怕的地方，它可能已經存在在很多人身體裡，而我們卻沒能發現它。肺癌早期幾乎沒有症狀，高達 50％ 的患者發現時已經是第 4 期。屆時不只肺部遍布腫瘤，癌細胞可能還轉移到大腦、骨頭等器官，讓治療變得加倍困難。

對付肺癌，最關鍵點是愈早發現愈好。按照國健署統計，如果第 1 期就發現，5 年存活率可達九成以上，第 2 期發現降為六成，第 3 期存活率大約三成，一旦到第 4 期，僅僅剩下一成。

當然，最好的方法，就是做好預防，打從一開始就不讓癌細胞誕生。

那麼我們就要先了解問題到底是出在環境，還是你、我身體中的基因？ 過去關於肺癌的遺傳研究，多半以歐美國家為主，套用到我們身上總有些牛頭不對馬嘴。幸好，我這裡一份以臺灣人為主角的大規模研究報告，將為我們揭露答案。

這份研究是由中央研究院團隊主導，結合臺灣大學、臺北醫學大學、臺中榮總等單位的研究，還登上生物領域頂尖期刊《Cell》2020 年 7 月的封面故事。非常具有權威性，不能不看。

同時，這也是全球第一次完整剖析東亞地區肺癌的成因。他們的主題很明確：「為什麼不吸菸也會得肺癌？」

在西方，肺癌病人裡面只有 20% 左右的人不吸菸。但是在臺灣，卻有超過一半的肺癌病人都不抽菸，顯示有其他致癌要素潛伏在基因裡作怪。另外，臺灣肺癌病人的男女比例和西方人也大不同，臺灣女性通常更容易罹患肺癌。 為了瞭解肺癌，研究團隊取得肺癌病人的腫瘤和正常組織，解讀 DNA 序列和蛋白質表現量，最後鑑定出 5 種和西方人明顯不同的變異特徵。

其中最受關注的，是一種 APOBEC 變異，因為它有可能是臺灣女性為什麼容易罹患肺癌的關鍵。

這種變異特徵屬於內生性的，也就是人體機制自然產生的 bug。

APOBEC 不是指單一基因，它是細胞內負責編輯 mRNA 的一組酵素，包含 11 個成員。主要功用是把胞嘧啶核苷酸（C）轉變尿嘧啶核苷酸（U）。簡單來說，APOBEC 原本是細胞正常活動的一環。但因為它有改寫核酸序列的能力，在 DNA 修復過程同時活躍時，就很有可能出事。這就像是一個創意豐富的阿嬤，看到破損的古畫，就在沒和別人討論的情況下上去東湊西補，用自己的方式重新修復了這件藝術。一個與原本不同的突變細胞可能就這樣產生了。

APOBEC 變異在臺灣女性病人身上特別明顯，舉例來說，60 歲以下沒有吸菸的女性患者，就有高達四分之三有這種變異特徵。研究團隊認為，APOBEC 出錯造成的基因變異可能是導致女性肺癌的關鍵。 除了內生性變異，另外一個容易導致肺癌發生的，就是周遭環境中的致癌物。

致癌物有哪些？

研究團隊總結出 5 種肺癌危險物質：烷化劑、輻射線、亞硝胺（Nitrosamine）、多環芳香烴（PAHs），還有硝基多環芳香烴（Nitro-PAHs）。

其中，亞硝胺類化合物主要來自食品添加物和防腐劑，多環芳香烴大多來自抽菸和二手菸，硝基多環芳香烴則是透過汽機車廢氣和 PM2.5 等毒害肺部。

他們進一步分析，大略來說，女性在不同年紀，致癌因素也有差異。60 歲以下的女性肺癌病人，APOBEC 特徵的影響比較明顯；70 歲以上的女性患者，和環境致癌物的相關度比較高。 既然找到致癌原因，我們該如何著手預防呢？你知道肺癌，其實有疫苗可打！？

空氣污染和肺癌有關嗎？有沒有癌症疫苗？

想預防肺癌，有 2 種對策，一種是「打疫苗」，一種是「抗發炎」。

是的，你沒聽錯，英國牛津大學、跟佛朗西斯．克里克研究所，還有倫敦大學學院在 2024 年 3 月下旬公布，他們正在研發一款預防性的肺癌疫苗，就叫 LungVax。它所使用的技術，和過往牛津大學協同阿斯特捷利康藥廠製造 COVID-19 AZ 疫苗時的方法相似。

他們已經募到一筆 170 萬英鎊的經費，預計未來兩年資金陸續全數到位，第一批打算先試生產 3000 劑。不過，關於這款肺癌疫苗，目前透露的消息還不多，我們挺健康會持續追蹤這方面研究的進展。

在疫苗出來之前，我們還有第二個對策：抗發炎。發炎和肺癌有什麼關係呢？這就要先回到一個問題：為什麼空污會提高得肺癌的機率呢？

一個很直觀又有力的推測是，空污會導致肺部細胞 DNA 突變，因此而催生出腫瘤。

但是修但幾勒，科學要嚴謹，不能只看結果。科學史上發生過很多次表象和真實截然不同的事件，空污和肺癌會不會也是這樣？

2023 年 4 月《Nature》的一篇封面故事，明確地說：Yes！肺癌真的和我們想的不一樣。

其實早在 1947 年，就有以色列生化學家貝倫布魯姆（Isaac Berenblum）質疑主流觀點，他提出的新假設是：除了 DNA 突變以外，癌細胞還需要其他條件才能坐大。用白話說，就是肺癌是個會兩段變身的遊戲副本頭目，正常細胞先發生變異，接著再由某個條件「扣下扳機」，突變細胞才會壯大成腫瘤。

也就是説，只要攔住任一個階段，就有機會能防範肺癌。假如這論點正確，全球肺癌防治的方向將會直角轉彎。

《Nature》的研究支持這個假說，扭轉了過去 70 多年來的看法。在這項里程碑研究中，臺灣也是要角。

時間回到 2020 年，《Nature Genetics》上發表了一份針對 20 種致癌物質的研究報告，包括鈷、三氯丙烷和異丙苯等，但注意，這研究指出這些致癌物大多沒有增加實驗鼠的 DNA 變異量。

這個現象實在太違反直覺，過了 3 年，疑團還是懸而未決。直到《Nature》的跨國研究出爐，才解開部分謎底。

英國倫敦佛朗西斯．克利克研究所主導 2023 年的一項研究，他們鎖定對象為肺腺癌。肺腺癌是典型「不吸菸的肺癌」，台灣每 4 個肺癌病人就有 3 人是肺腺癌，尤其是女性肺腺癌患者有高達九成不抽菸。 為了抽絲剝繭探明空污和肺癌的關係，研究團隊聚焦在肺腺癌患者常發生的表皮生長因子受體基因變異，縮寫 EGFR。他們收集英國、加拿大、韓國和臺灣四國大約 3 萬 3 千名帶有 EGFR 突變的病人資料，進行深入分析，並且發現 PM2.5 和肺腺癌發生率有顯著關聯。研究團隊進一步用小鼠做試驗，把小鼠分成吸入和未吸入 PM2.5 兩組，結果發現吸入組更容易長出惡性腫瘤。

到目前為止都還不算太意外，然而，團隊切下肺部細胞、分析 DNA 以後發現，DNA 的突變量居然沒有明顯增加！但是有另一件事發生了：堆積在肺的 PM2.5 顆粒會吸引免疫細胞從身體各處聚集過來，並分泌一種叫做 IL-1β 的發炎因子，導致肺組織發炎。

這下子有趣了，根據克利克研究所團隊的檢驗結果，估計每 60 萬個肺部細胞有 1 個帶有 EGFR 突變，這些細胞在發炎環境裡會快馬加鞭生長。相反的，當他們給小鼠注射抑制 IL-1β 的抗體，肺癌發病率就跟著下降。 《Nature》一篇評論引述美國加州大學舊金山分校分子腫瘤學專家波曼（Allan Balmain）的看法。他總結說，空污致癌的主要機制，可能不是因為空污誘發了新突變，而是持續發炎會刺激原本已帶有突變的細胞生長。換句話說，本來在熟睡的壞細胞會被發炎反應「叫醒」。

這會給肺癌防治帶來巨大衝擊，這樣一來，問題就從「用公衛或醫療方法防止 DNA 變異」變成了「如何抑制發炎」。

人體的細胞每天不斷分裂，用新細胞替換老舊細胞。但是這就像工廠生產線，良率無法百分百，組裝幾十萬產品難免會做出幾件瑕疵品，也就是帶有基因突變的細胞。換句話說，從自然界角度來看，DNA 變異是一種自發現象，醫療手段實際上幾乎不可能阻止。

但是，降低發炎卻是有可能做到的，例如注射抑制 IL-1β 因子的抗體。不過，就公共衛生來說，要給幾千萬人施打抗發炎因子藥物根本不切實際，因為太花錢，而且也可能造成其他的副作用。 波曼在《Nature》評論裡建議，透過簡易可行的飲食方式來降低體內發炎，或許有機會減少某些癌症的風險。這也就是說，科學家應該重新回來審視，怎樣把每天的生活點滴點石成金變成防癌手段。

這也等於預告了肺癌的下一階段研究方向，除了內科、外科醫療科技持續精進，尋求預防惡性疾病的最佳飲食要素，也成為聚焦重點。

留言告訴我們你的想法吧，如果你覺得這集的內容特別實用，記得分享給你的親朋好友！

歡迎訂閱 Pansci Youtube 頻道 獲取更多深入淺出的科學知識！