元旦驚現詭異「血月」，2021年注定是災難的一年？用科學打破凶兆預言！

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

本文轉載自顯微觀點

野火燭天的兩種散射

2020 年 9 月 8 日早晨，美國加州舊金山居民準備開始新的一天，他們拉開窗簾、打量天色，無不屏息失措。理應湛藍乾爽的天空，被染成濃厚的橘紅色，四下黯淡如黃昏，彷彿啟示錄降臨。

詭譎光景來自數百公里外的野火。猛烈擴散的山間火勢搭配風向，將懸浮微粒吹送到舊金山所在的灣區空中，進而散射陽光，改變天色。這片昏黃天空蘊藏的散射不只一種，其光學原理還能應用於精密的超解析顯微術和光子電腦。

平常人眼所見的藍天，並非陽光或空氣粒子本身的顏色，而是來自「散射（scattering）」：光子與粒子碰撞，改變行進方向。我們生活中接觸的散射大多為下列兩種：「瑞利散射（Rayleigh scattering）」與「米氏散射（Mie scattering）」。

「瑞利散射」來自光照射直徑遠小於光波長的粒子（通常小於光波長的 1/10）。當光照射到這種小粒子，會向四面八方散射。光波長越短，向周遭散射強度越大。

如短波長的藍光，散射強度大於紅光。紫光的波長雖短於藍光，但人眼對紫光較為遲鈍，因此會看到蔚藍的天空。

陽光中的藍、紫光向四周散射消耗的程度較高，紅、黃光散射量較低，較能保留在原入射方向上。因此晨昏直視日頭時，會看見燦爛的橘黃色（實際上太陽發出的是白光）。

「米氏散射」則發生於光照射直徑接近或略大於光波長的粒子，主要散射方向會維持原本入射方向。不同於瑞利散射的是，米氏散射的強度與光波長沒有固定關係。

但在粒子大小接近入射光波長時，會發生名為米氏共振（Mie resonance）的共振增強現象，沿著原方向散射的光線比入射光更強，而且是非線性的增強關係。

討論散射時，（顆粒）大小很重要

大氣層中的空氣分子大小約 1 奈米，遠小於可見光波長（360～760 奈米）。含有各種波長光線的陽光，進入大氣層、照射空氣分子，將發生瑞利散射：將光向四周散射。

單憑日常可見的瑞利散射，不足以造成籠罩加州天空的末世光景，還需要機緣巧合之下的米氏散射。

米氏散射的發生條件，是受照射粒子的直徑與入射光波長相近。

野火懸浮微粒遠大於空氣分子，直徑可從 100 奈米分布至超過 2500 奈米。而直徑 300～1000 奈米的微粒能在大氣中懸浮最久，不易沉降或擴散離開大氣，具有從山野間長途飄盪至都會區的能力。

而可見光波長 360～760 奈米，恰好與都會上空的野火懸浮微粒直徑（300～1000 奈米）相近，達成米氏散射的恰當條件。

當懸浮微粒直徑與光波長相當時，米氏共振現象加強橘紅光向前散射，同時空氣分子的瑞利散射持續將藍綠光向周遭散射。因此在地面上的人們會看到更強的橘紅光、更少的藍綠光，在眼中交織出濃郁不祥的天色。

米氏共振的知識，不只能為我們驅除對橘紅天空的疑懼，還可能推進尖端科技發展。透過光與特定尺寸的粒子產生米氏共振，大幅散射／吸收光線，科學家得以操縱光學「非線性」，在訊號傳遞上超越既有科技。

「非線性」的力量：米氏共振

「非線性」指輸入和輸出訊號之間的關係不呈線性。例如輸入訊號加倍，輸出訊號不變或暴增數十倍，都是非線性的表現。輸入和輸出訊號偏離線性關係的程度，就稱為非線性的大小。

具有非線性的媒介，經常成為資訊科技的核心元件。例如電晶體核心機制，就是透過電子訊號的「非線性」表現，來達到「以電控制電」的閘門效果。通常媒介的非線性愈大，作為閘門的效果會愈好。

臺大物理系教授朱士維團隊利用連續波雷射，測試不同材料、尺寸、形狀的奈米粒子，發現許多光學非線性現象，其中蘊含超乎預期地巨大的光學非線性。

朱士維團隊研究米氏共振與光熱光學效應（photo-thermo-optical effect）交織的情境，以操縱、擴大光學非線性。近十年來，他們已在自然通訊（Nature Communications）等重要期刊上發表多篇論文，領先國際。

材料吸收入射光的能量，使溫度上升為光熱效應；材料的折射率因此改變，進而影響吸收或散射的程度則為光學效應。

米氏共振實驗則是操縱材料尺寸：高折射率材料縮小到約百奈米時，特定波長的入射光會因為共振效應，產生該材料原本不會發生的強吸收或強散射（即米氏散射），呈現新的光學特性。

金、銀與電晶體中的矽，這些高折射率材料形成奈米結構後，不再呈現一般顏色。原本黃澄耀眼的黃金，以奈米結構照光，會呈現令人驚訝的紅或藍色光澤。

朱士維團隊發現，若以用矽製作成奈米方塊，可以透過長寬比例來調整米氏共振效果。某些尺寸的矽晶體會有特別強的吸收，光熱效應更加明顯，溫度劇烈上升，進而大幅改變折射率。

單憑光熱效應，能提升奈米矽晶體的非線性 3 到 4 個數量級，透過米氏共振能夠再提升 3 到 5 個數量級。如此可以導致散射光頻率大幅偏離入射光，帶來巨大光學非線性。

如此一來，原本光學非線性微弱的矽，可以得到遠高於一般材料的光學非線性，而且僅需奈秒等級的反應時間，便能成為效率更勝電晶體的全光學開關（All-optical switch），在計算機中發揮光訊號閘門的功能。

儘管是半導體產業的最主要材料，矽製電晶體正面臨電路尺寸與運算速度的極限。若以光取代電子傳輸訊號，可能提升資料處理速度，縮減晶體尺寸，構成運算速度更快、體積更小的光子計算機。奈米矽晶體的光學性質是此實現趨勢的關鍵知識。

從扭曲中看見超解析影像：飽和激發顯微術（SAX）

光學非線性除了應用在全光學開關外，也可以應用在超解析顯微成像：飽和激發顯微術（SAturated eXcitation microscopy, SAX）。

當雷射光聚焦掃描奈米粒子，其成像會呈現中心強周邊弱的高斯分佈。隨著雷射的強度升高，非線性現象會發生在散射光強度最高的中心位置，使映射出的影像扭曲變形。

光學非線性使觀測者無法看清顯微影像，但科學家找到了提升成像解析度的方法：辨別目標中心變形部分（非線性訊號）與周邊（線性訊號）的散射頻率差異。

SAX 顯微術的原理，是在入射光源中加上單一頻率 fm 的強度調變，若粒子與光之間只有線性效應，散射訊號將會展現出符合入射光的基頻 fm。

若非線性效應出現，散射訊號將會偏離線性、產生更高頻的諧頻訊號，經傅立葉頻譜轉換會出現 2fm、3fm 的高階諧頻。

若以「無線電波載送特定音頻」進行類比：入射光是無線電波，fm 是其載送的音頻。目標被此無線電波擊中後，散射出的音頻訊號頻率倍增；偵測此高頻訊號便能得知目標的位置。

在奈米層級，科學家藉由辨識基頻與高階諧頻的散射訊號，探測光學線性與非線性訊號的空間分布，將影像解析度提升到繞射極限以上。而且 SAX 顯微術毋須對樣本標記或染色，擺脫了多數當代超解析顯微技術的基礎需求。

圖 1.(a) 中有兩顆金奈米粒子，其間距小於繞射極限，fm 訊號成像無法有效分辨兩者。SAX 的 2fm 高階諧頻成像，則可以分辨兩個奈米粒子的位置。而圖 1.(b) 呈現單顆矽奈米方塊，fm 基頻訊號成像較為模糊，SAX 的 2fm 成像縮小許多，解析度大幅提升。

光學技術新維度：移位共振

2023 年，朱士維與跨國學者合作，在米氏光學基礎上得到進一步發現：聚焦光斑（雷射聚焦形成的光點，laser focal spot）尺寸若與被照射的奈米粒子相近，調整光斑與奈米粒子的距離，會出現嶄新的共振型態，名為「移位共振」（displacement resonance）。

圖 2.(A) 展示了移位共振發生於立方粒子邊長（w）與移位（d）都接近聚焦光斑（FWHM）大小時。圖 2.(B) 則表現出寬度接近聚焦光斑大小的奈米矽粒子，會在距離粒子中心約一個雷射聚焦光斑寬度處，展現散射極大值。圖 2.(C) 以暗視野顯維術觀察奈米矽粒子，可以發現散射最強處位於粒子中心，符合米氏散射理論。若以高強度雷射掃描相同粒子，會發現最強散射位置在粒子周邊，得到如圖 2.(D) 的不同明暗分布，可以發展為光學開關的調控機制。

這一系列實驗以飽和激發（focused excitation）探索光學共振的新維度——移位（displacement）——以雷射光聚焦照射奈米粒子中心與其周邊，並觀察粒子與聚焦光斑尺寸、偏差距離的多種變化組合，探測產生新型共振的條件。

如前所述，光與奈米粒子的交互作用（吸收與散射）最強的配置，傳統認知上是以聚焦光斑對正奈米粒子中央，可以得到最明顯的散射。但是朱士維與合作團隊發現，特定大小的聚焦光斑與奈米粒子稍有偏差時，會檢測到意外的散射光極大值，而且散射位置並非粒子中心，而在偏移大約 100 奈米處！

利用「移位共振」的新現象，可以透過調整聚焦光斑，將光學開關從正向變成負向。利用百奈米的位移調整光學開關符號的可能性，是過往科學家從未想像的。

同時，實驗團隊也發現吸收效率也受移位共振影響，將聚焦光斑與奈米粒子中心錯開，可以得到最高效率的光熱效應。此知識將有助於加速奈米矽晶體的光學非線性反應速度。

從懸浮粒子帶來的奇幻天色、毋須螢光標記的飽和激發顯微術，到可能構成超快光子計算機的全光學開關；隨著實驗與材料製備技術的進步，光學脫離了「落伍物理學」的蒙塵櫥窗，再度為人類照亮科技進步的可能性。

• 《物理雙月刊》：「用光控制光」：以奈米材料大幅增強光學非線性
• SMC 資料庫：「森林大火為什麼會導致天空變成橘紅色？」專家 QA
• Y.-L. Tang, T.-H. Yen, K. Nishida, C.-H. Li, Y.-C. Chen, T. Zhang, C.-K. Pai, K.-P. Chen, X. Li*, J. Takahara*, and S.-W. Chu, “Multipole engineering by displacement resonance: a new degree of freedom of Mie resonance” Nat. Comm. 14, 7213 (2023)
• S.-W. Chu, T.-Y. Su, R. Oketani, Y.-T. Huang, H.-Y. Wu, Y. Yonemaru, M. Yamanaka, H. Lee, G.-Y. Zhuo, M.-Y. Lee, S. Kawata, and K. Fujita, “Measurement of a Saturated Emission of Optical Radiation from Gold Nanoparticles: Application to an Ultrahigh Resolution Microscope,” Phys. Rev. Lett. 112, 017402 (2014).

查看原始文章

本文由 交通部中央氣象署 委託，泛科學企劃執行。

• 文／陳儀珈

災害性大地震在臺灣留下無數淚水和難以抹滅的傷痕，921 大地震甚至直接奪走了 2,400 人的生命。既有這等末日級的災難記憶，又位處於板塊交界處的地震帶，「大地震！」三個字，總是能挑動臺灣人最脆弱又敏感的神經。

因此，當我們發現臺灣被各式各樣的地震傳說壟罩，像是地震魚、地震雲、蚯蚓警兆、下雨地震說，甚至民間地震預測達人，似乎也是合情合理的現象？

今日，我們就要來破解這些常見的地震預測謠言。

漁民捕獲罕見的深海皇帶魚，恐有大地震？

說到在坊間訛傳的地震謠言，許多人第一個想到的，可能是盛行於日本、臺灣的「地震魚」傳說。

在亞熱帶海域中，漁民將「皇帶魚」暱稱為地震魚，由於皇帶魚身型較為扁平，生活於深海中，魚形特殊且捕獲量稀少，因此流傳著，是因為海底的地形改變，才驚擾了棲息在深海的皇帶魚，並因此游上淺水讓人們得以看見。

因此，民間盛傳，若漁民捕撈到這種極為稀罕的深海魚類，就是大型地震即將發生的警兆。

然而，日本科學家認真蒐集了目擊深海魚類的相關新聞和學術報告，他們想知道，這種看似異常的動物行為，究竟有沒有機會拿來當作災前的預警，抑或只是無稽之談？

可惜的是，科學家認為，地震魚與地震並沒有明顯的關聯。當日本媒體報導捕撈深海魚的 10 天內，均沒有發生規模大於 6 的地震，規模 7 的地震前後，甚至完全沒有深海魚出現的紀錄！

所以，在科學家眼中，地震魚僅僅是一種流傳於民間的「迷信」（superstition）。

透過動物來推斷地震消息的風俗並不新穎，美國地質調查局（USGS）指出，早在西元前 373 年的古希臘，就有透過動物異常行為來猜測地震的紀錄！

人們普遍認為，比起遲鈍的人類，敏感的動物可以偵測到更多來自大自然的訊號，因此在大地震來臨前，會「舉家遷徙」逃離原本的棲息地。

當臺灣 1999 年發生集集大地震前後，由於部分地區出現了大量蚯蚓，因此，臺灣也盛傳著「蚯蚓」是地震警訊的說法。

新聞年年報的「蚯蚓」上街，真的是地震警訊嗎？

​當街道上出現一大群蚯蚓時，密密麻麻的畫面，不只讓人嚇一跳，也往往讓人感到困惑：為何牠們接連地湧向地表？難道，這真的是動物們在向我們預警天災嗎？動物們看似不尋常的行為，總是能引發人們的好奇與不安情緒。

如此怵目驚心的畫面，也經常成為新聞界的熱門素材，每年幾乎都會看到類似的標題：「蚯蚓大軍又出沒 網友憂：要地震了嗎」，甚至直接將蚯蚓與剛發生的地震連結起來，發布成快訊「昨突竄大量蚯蚓！台東今早地牛翻身…最大震度4級」，讓人留下蚯蚓預言成功的錯覺。

然而，這些蚯蚓大軍，真的與即將來臨的天災有直接關聯嗎？

蚯蚓與地震有關的傳聞，被學者認為起源於 1999 年的 921 大地震後，在此前，臺灣少有流傳地震與蚯蚓之間的相關報導。

雖然曾有日本學者研究模擬出，與地震相關的電流有機會刺激蚯蚓離開洞穴，但在現實環境中，有太多因素都會影響蚯蚓的行為了，而造成蚯蚓大軍浮現地表的原因，往往都是氣象因素，像是溫度、濕度、日照時間、氣壓等等，都可能促使蚯蚓爬出地表。

大家不妨觀察看看，白日蚯蚓大軍的新聞，比較常出現在天氣剛轉涼的秋季。

因此，下次若再看到蚯蚓大軍湧現地表的現象，請先別慌張呀！

事實上，除了地震魚和蚯蚓外，鳥類、老鼠、黃鼠狼、蛇、蜈蚣、昆蟲、貓咪到我們最熟悉的小狗，都曾經被流傳為地震預測的動物專家。

但可惜的是，會影響動物行為的因素實在是太多了，科學家仍然沒有找到動物異常行為和地震之間的關聯或機制。

遍地開花的地震預測粉專和社團

這座每天發生超過 100 次地震的小島上，擁有破萬成員的地震討論臉書社團、隨處可見的地震預測粉專或 IG 帳號，似乎並不奇怪。

國內有許多「憂國憂民」的神通大師，這些號稱能夠預測地震的奇妙人士，有些人會用身體感應，有人熱愛分析雲層畫面，有的人甚至號稱自行建製科學儀器，購買到比氣象署更精密的機械，偵測到更準確的地震。

然而，若認真想一想就會發現，臺灣地震頻率極高，約 2 天多就會發生 1 次規模 4.0 至 5.0 的地震， 2 星期多就可能出現一次規模 5.0 至 6.0 的地震，若是有心想要捏造地震預言，真的不難。 

在學界，一個真正的地震預測必須包含地震三要素：明確的時間、 地點和規模，預測結果也必須來自學界認可的觀測資料。然而這些坊間貼文的預測資訊不僅空泛，也並未交代統計數據或訊號來源。

作為閱聽者，看到如此毫無科學根據的預測言論，請先冷靜下來，不要留言也不要分享，不妨先上網搜尋相關資料和事實查核。切勿輕信，更不要隨意散播，以免造成社會大眾的不安。

此外，大家也千萬不要隨意發表地震預測、觀測的資訊，若號稱有科學根據或使用相關資料，不僅違反氣象法，也有違反社會秩序之相關法令之虞唷！

​地震預測行不行？還差得遠呢！

由於地底的環境太過複雜未知，即使科學家們已經致力於研究地震前兆和地震之間的關聯，目前地球科學界，仍然無法發展出成熟的地震預測技術。

與其奢望能提前 3 天知道地震的預告，不如日常就做好各種地震災害的防範，購買符合防震規範的家宅、固定好家具，做好防震防災演練。在國家級警報響起來時，熟練地執行避震保命三步驟「趴下、掩護、穩住」，才是身為臺灣人最關鍵的保命之策。

延伸閱讀

• 廖光正，李明進（2002）。集集大地震後蚯蚓大量爬出現象之解析。特有生物研究，4（1），41－51。https://bit.ly/3zF8OD8
• 離人心上秋意濃，清晨地上蚯蚓多：為何秋天經常有大量蚯蚓出沒？跟地震有關嗎？
  http://bit.ly/3DYNMSG
• Orihara, Y., Kamogawa, M., Noda, Y., & Nagao, T. (2019). Is Japanese folklore concerning deep‐sea fish appearance a real precursor of earthquakes?. Bulletin of the Seismological Society of America, 109(4), 1556-1562.
  https://pubs.geoscienceworld.org/ssa/bssa/article-abstract/109/4/1556/571628/Is-Japanese-Folklore-Concerning-Deep-Sea-Fish