過去的瘟疫大流行是怎麼發生的？有些竟然是流行性感冒！——《大流感：致命的瘟疫史》

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。

科學期刊的預言：女性能追趕甚至超越男性？

我在 2002 年還在讀大四時，第一次看到兩位 UCLA 生理學家的論文〈不用多久女性就會跑得比男性快？〉，當時我覺得這個標題很荒謬。在那之前我花了五個賽季，進行 800 公尺中距離跑步訓練，成績已經超越世界女子紀錄。而且我還不是自己接力隊上跑最快的。

但那篇論文發表在《自然》（Nature）期刊上，這是世上極具聲望的科學期刊，所以一定有些道理。大眾就是這麼認為的。《美國新聞與世界報導》雜誌在 1996 年亞特蘭大奧運之前，對一千個美國人做了調查，結果其中有三分之二認為，「終有一天頂尖女運動員會勝過頂尖男運動員」。

《自然》期刊上那篇論文的作者，把男子組和女子組從 200 公尺短跑到馬拉松各項賽事歷年的世界紀錄畫成圖表，發現女子組紀錄進步得遠比男子組急速。他們用外推法從曲線的趨勢推斷未來，確定到 21 世紀前半葉，女性就會在各個賽跑項目擊敗男性。兩名作者寫道：「正因進步速度的差異實在非常大，而使（兩者）差距逐漸縮小。」

2004 年，趁著雅典奧運成為新聞焦點之際，《自然》又特別刊出一篇同類型的文章〈2156 年奧運會場上的重要衝刺？〉（Momentous Sprint at the 2156 Olympics?）──標題所指的，正是女子選手會在 100 公尺短跑比賽中，勝過男子選手的預計時間。

2005 年，三名運動科學家在《英國運動醫學期刊》發表了一篇論文，省去問號開門見山在標題宣稱：〈女性終將做到〉（Women Will Do It in the Long Run.）。

難道男性主導世界紀錄的情況，始終是歧視女性、把女性排除於競技場外的結果？

20 世紀上半葉，文化規範與偽科學嚴重限制了女性參與運動競技的機會。在 1928 年阿姆斯特丹奧運期間，有媒體（捏造）報導指稱，女性選手在 800 公尺賽跑後筋疲力竭地躺在地上，這讓一些醫生和體育記者十分反感，使得他們認為這個比賽項目會危害女性健康。《紐約時報》上有篇文章就寫：「這種距離太消耗女性的體力了。」^〔1〕那幾屆奧運之後，在接下來的三十二年間，距離超過 200 公尺的所有女子項目，都突然遭禁，直到 2008 年奧運，男女運動員的徑賽項目才終於完全相同。但《自然》期刊上的那幾篇論文指出，隨著女性參賽人數增多，看起來她們的運動成績到最後可能會與男性並駕齊驅，甚至比男性更好。

運動能力的基因密碼：性別差異的生物學根源

我去拜訪約克大學的運動心理學家喬．貝克時，我們談論到運動表現的男女差異，尤其是投擲項目的差異。在科學實驗裡證實過的所有性別差異中，投擲項目一直名列前茅。用統計學術語來說的話，男女運動員的平均投擲速度相差了三個標準差，大約是男女身高差距的兩倍。這代表如果你從街上拉一千個男子，其中 997 人擲球的力氣會比普通女性大。

不過貝克提到，這種情形可能是反映女性缺乏訓練。他的太太是打棒球長大的，輕輕鬆鬆就能贏過他。他打趣說：「她會發出一束雷射光。」那麼這是生物學上的差異嗎？

男性和女性的 DNA 差異極小，僅限於在女性身上為X或男性為Y的那單一染色體。姊弟或兄妹從完全相同的來源取得基因，透過重組母親和父親的 DNA，確保兄弟姊妹絕對不會相近到變成複製人。

性別分化過程大部分要歸結到 Y 染色體上的「SRY 基因」，它的全名是「Y 染色體性別決定區基因」。若要說有「運動能力基因」，那就非 SRY 基因莫屬了。人類生物學的安排，就是讓同樣的雙親能夠同時生育出男性的兒子和女性的女兒，即使傳遞的是相同的基因。SRY 基因是一把 DNA 萬能鑰匙，會選擇性地啟動發育成男性的基因。

我們在生命初期都是女性──每個人類胚胎在形成的前六週都是女性。由於哺乳動物的胎兒會接觸到來自母親的大量雌激素，因此預設性別為女性是比較合算的。在男性身上，SRY 基因到第六週時會暗示睪丸及萊氏細胞（Leydig cell）該準備形成了；萊氏細胞是睪丸內負責合成睪固酮的細胞。睪固酮在一個月之內會不斷湧出，啟動特定基因，關閉其他基因，兩性投擲差距不用多久就會出現。

男孩還在子宮時，就開始發育出比較長的前臂，這使得他們日後投擲時會做出更有力的揮臂動作。儘管男孩和女孩在投擲技能方面的差異，不如成年男性和女性之間那麼顯著，但這種差異在兩歲幼童身上已經很明顯了。

文化與訓練的影響：投擲項目中的性別差距

為了確定孩童之間的投擲差距有多少與文化有關，北德州大學和西澳大學的科學家組成團隊，共同測試美國孩童與澳洲原住民孩童的投擲技能。澳洲原住民沒有發展出農業，仍過著狩獵採集生活，他們教導女孩丟擲戰鬥及狩獵用武器，就像教導男孩一樣。這項研究確實發現，美國男孩和女孩在投擲技能上的差異，比澳洲原住民男孩和女孩之間的差異顯著許多。不過儘管女孩因為較早發育長得較高較壯，男孩仍比女孩擲得更遠。

普遍來說，男孩不僅比女孩更善於投擲，視覺追蹤攔截飛行物的能力往往也出色許多；87% 的男孩在目標鎖定能力的測試上，表現得比一般女孩好。另外，導致差異的部分原因，至少看起來是因為在子宮的時期接觸到了睪固酮。由於先天性腎上腺增生症，而在子宮裡接觸到高濃度睪固酮的女孩，上述項目的表現會像男孩一樣，而不像女孩；患有這種遺傳疾病的胎兒，腎上腺會過度分泌男性荷爾蒙。

受過良好投擲訓練的女性，能輕易勝過未受訓練的男性，但受過良好訓練的男性，表現會大幅超越受過良好訓練的女性。男子奧運標槍選手擲出的距離，比女子奧運選手遠大約三成，儘管女子組使用的標槍比較輕。此外，女性投出的最快棒球球速的金氏世界紀錄是 65 mph（相當於時速 105 公里），表現不錯的高中男生的球速經常比這還要快，有些男子職業球員可以投出超過 100 mph（相當於時速 160 公里）的球速。

在跑步方面，從 100 公尺到 1 萬公尺，經驗法則是把菁英級表現差距定在 11%。從短跑到超級馬拉松，不管任何距離的賽跑，男子組的前十名都比女子組的前十名快大約 11%。^〔2〕在職業等級，那就是個鴻溝。女子組的 100 公尺世界紀錄，跟 2012 年奧運男子組的參賽資格還差了四分之一秒；而在一萬公尺長跑，女子組的世界紀錄成績，與達到奧運參賽資格最低標準的男選手相比落後了一圈。

投擲項目與純爆發力型運動項目的差距更大。在跳遠方面，女子選手落後男子 19%。差距最小的是長距離游泳競賽；在 800 公尺自由式比賽中，排名前面的女子選手，與排名前面的男子選手差距不到 6%。

預言女性運動員將超越男性的那幾篇論文暗示，從 1950 年代到 1980 年代，女性表現的進展遵循一條會持續下去的穩定軌跡，但在現實中是有一段短暫爆發，隨後趨於平穩──這是女子運動員，而非男子運動員進入的平穩期。儘管到 1980 年代，女性在 100 公尺到 1 英里各項賽跑的最快速度，都開始趨於穩定，但男子運動員仍繼續緩慢進步，雖然只進步一點點。

數字很明確。菁英女子選手並未趕上菁英男子選手，也沒有保持住狀況，男性運動員則在非常慢地進步。生物學上的差距在擴大。但為什麼原本就有差距存在？

註釋

1.  各報上氣不接下氣地報導 800 公尺女子選手紛紛倒在跑道上。正如運動雜誌《跑步時代》（Running Times）2012 年的一篇文章指出的，實情是只有一個女子選手在終點線倒下，其餘三名都打破了先前的世界紀錄。據稱人在現場的《紐約郵報》記者寫道，「11 位淒慘的女性」當中有 5 人沒有跑完，5 人在跑過終點線後倒下。《跑步時代》報導說，參賽的女運動員只有 9 個，而且全部跑完。
2. 過去普遍認為，隨著比賽距離拉長，女子賽跑選手會超越男子選手。這是克里斯多福．麥杜格（Christopher McDougall）在《天生就會跑》這本很吸引人的書裡談到的主題，但不完全正確。成績非常優秀的跑者之間的 11% 差距，在最長距離和最短距離同樣穩固存在。儘管如此，南非生理學家卻發現，當一男一女的馬拉松完賽時間不相上下，那個男士在距離短於馬拉松的比賽中通常會贏過那個女士，但如果競賽距離加長到 64 公里，女士就會跑贏。他們報告說，這是因為男性通常比較高又比較重，比賽距離越長，這就會變成很大的缺點。然而在世界頂尖超馬選手當中，男女體型差異比一般群體中的差異小，而 11% 的成績差距，也存在於超級長距離的最優秀男女選手之間。

——本文摘自 大衛・艾普斯坦（David Epstein），《運動基因：頂尖運動表現背後的科學》，2020 年 12 月，行路出版，未經同意請勿轉載。