安檢措施如果本身就不安全，該怎麼辦？部落客Jason Bell是一位分子生物學家，他對美國全面實施的X光機場安檢措施感到非常困擾。不是因為某些報導中提到的，這安檢會讓你全身被看光光而有侵犯隱私的問題。而是因為他的家族有癌症病史，而他發現運輸安全局（TSA）的「先進顯影科技」問題重重，他深入分析之後發現機場用的X光更容易被人體吸收、更容易刺激人體產生癌症細胞，癌症高危險群如女性、小孩、或有癌症病史的人都很可能因此受害。而且不只對被安檢者有危險，長時間待在掃描機器旁的安檢人員更危險。他提出許多質疑，但都沒有獲得回應。然而這篇文章已經被美國最熱門部落格媒體BoingBoing引用，相信之後會吸引更多關注。
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。
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！
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。
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。
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。
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。
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。
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
討論功能關閉中。
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？
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。
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！？
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。
也想問問你，關於肺癌，你最看好的下一個突破是什麼呢？
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！
「甜」不僅為食物增添風味，更能帶給我們愉悅的感受。過去的食品加工業者通常透過添加果糖、蔗糖等天然原料為食物提供甜味，以提升食物的品質和滿足消費者需求。然而，自從人工甜味劑問世以來，相較於果糖、蔗糖等含有熱量且會影響血糖的甜味劑，人工甜味劑主打低卡、零熱量、適合糖尿病患者食用等特點，使相關產品如雨後春筍般湧現，也逐漸為大眾接受。
人工甜味劑會對健康產生影響嗎？隨著它大量被應用於食品加工領域，這類話題始終存在著不少的討論聲量。就在今年 7 月中旬，世界衛生組織（World Health Organization, WHO）轄下的國際癌症研究機構（International Agency for Research on Cancer, IARC）正式將人工甜味劑「阿斯巴甜」（aspartame）列為 2B 級「可能致癌因子」（possibly carcinogenic to humans）。此消息一經公布，各大媒體紛紛爭相報導，「……阿斯巴甜列 2B 類致癌物……」、「WHO 將甜味劑阿斯巴甜納入第 2 級致癌物！……」、「別被阿斯巴甜 2B 致癌物嚇到……」等標題充斥在各大媒體版面。但 2B 級可能致癌因子真的有那麼恐怖嗎？它代表什麼？更改分類有何意義？首先，讓我們先了解 IARC 如何針對人類致癌因子進行分類。
國際癌症研究機構將人類致癌因子分成四大類，分別為 1 級：確定為致癌因子；2A 級：極有可能為致癌因子；2B 級：可能為致癌因子；3 級：無法歸類為致癌因子。主要依據受評估因子在流行病學、動物實驗、人體細胞機轉這三項領域中現有的科學證據權重進行分類（表一）。
如果只閱讀完表一，讀者應該還是對於這個分類機制似懂非懂。在此讓我們透過實際的例子，看看生活中常見的物質或行為在 IARC 分類中分別屬於哪一類：
讀者們看到這裡會不會很驚訝或好奇，為什麼日常生活中常接觸到的加工肉品和熱飲、從事夜班工作，甚至是每天都會照射到的太陽，它們的分類級別居然都比阿斯巴甜來得高？相反地，一般直覺認為危害程度較高的鉛、汽油、乙醛等物質，竟然與阿斯巴甜屬於同一類？事實上，IARC 是基於該物質對人體的危害（hazard）而非基於風險（risk）評估相關因子。不過危害和風險兩者不一樣嗎？它們之間又有什麼差異？
「危害」指的是會對人體產生任何形式傷害的潛在因子，包含物質、疾病、工作類型、工作環境等。IARC 發布的分類僅為危害辨識（hazard identification）的結果，意思是現有科學證據是否支持該因子會導致癌症，但並未考量到接觸時間、攝取量、暴露量、暴露途徑等其他因素。然而，物質或行為是否會對人體健康產生實質影響，則須經由風險評估（risk assessment）判斷。
「風險」是指結合危害資訊和暴露評估結果後得出的數值。以阿斯巴甜為例，在 IARC 將它列為可能的致癌因子之前，WHO 旗下的食品添加劑聯合專家委員會（Joint FAO/WHO Expert Committee on Food Additives, JECFA）已多次進行風險評估，並提出阿斯巴甜的每日可接受攝取量（acceptable daily intake, ADI）為每天每公斤體重 0～40 毫克（mg）。報告中同時也提到，假設一罐飲料含有 200～300 mg 的阿斯巴甜，以一位體重 70 公斤的成年人為例，他每天需要攝取大約 9～14 罐飲料，才有可能超過 ADI 值〔註〕。
〔註〕根據 2015 年西班牙的市售飲品調查中，在含有阿斯巴甜的各式飲料中，內含的阿斯巴甜實際濃度介於每公升 45～563 mg。也就是一罐含有阿斯巴甜的 330 毫升飲料中，阿斯巴甜濃度約 15～186 mg。
由此可知，危害和風險之間的區別在於危害僅為定性的描述，而風險則根據實際暴露具體量化受評估因子對健康的影響。
ADI 值代表的意義
ADI 值是基於動物實驗中觀察不到任何不良反應的劑量（no-observed-adverse-effect level, NOAEL）進行計算，再除以安全係數（safety factor，通常為 100，包括 10 倍的動物和人體之間的差異，以及 10 倍考慮個體間的差異）後得出。因此，ADI 值的意義在於只要每個人每天對於某物質的攝取量低於該值，就不太可能對健康造成不良影響。
（資料來源：行政院食品安全辦公室）
既然如此，IARC 為什麼會將阿斯巴甜列入可能的致癌物？首先，這次的評估納入超過 7000 多篇的文獻，並在最後篩選出 1300 篇研究給予專家小組評估。在阿斯巴甜的人體口服試驗中，當人體暴露到與 ADI 值相同的阿斯巴甜劑量時，並未觀察到血液中阿斯巴甜代謝物濃度增加，顯示阿斯巴甜在人體內代謝快速，並不會大量進入人體循環系統。
此外，雖然有些流行病學研究指出阿斯巴甜的暴露與某些癌症在統計學上具有正相關，但目前尚無直接證據表明它們之間的相關性為絕對。這是因為研究中無法排除潛在可能導致癌症發生的因子，例如生活作息、飲食習慣、社會壓力等。因此有關人體致癌性流行病學證據，專家們認為公信力有限。
至於動物實驗的部分，有三篇研究指出在兩種性別的大鼠和小鼠中，都觀察到惡性及良性腫瘤的發生率有上升趨勢。然而，專家們對這些研究的實驗設計存在疑慮，像是在實驗中使用的動物皆為相同來源而非隨機抽樣，這部分會導致無法排除是否因為選擇的動物來源單一，同時它們對於阿斯巴甜影響又較為敏感，使得研究結果得到發生率有上升的趨勢，專家認為這部分的證據力也是屬於有限。
最後有關人體細胞致癌機轉，雖然在實驗中有觀察到阿斯巴甜會增加細胞氧化壓力，且部分證據表明阿斯巴甜會誘導細胞慢性發炎、細胞增殖、細胞死亡、營養供應等不良反應，然而實驗皆在實驗室條件下進行，同時相關研究在研究設計、數據分析仍存在侷限性，因此專家認為致癌機轉的科學證據也是有限的。
從人體代謝來看，當我們攝取含有阿斯巴甜的食物時，阿斯巴甜在消化系統中會被完全水解成苯丙氨酸（phenylalanine）、天冬氨酸（aspartic acid）和甲醇（methanol），接著再進一步被分解為甲醛（formaldehyde）、甲酸（formic acid）和二酮哌嗪（diketopiperazine）。儘管上述專有名詞讓人感到陌生，但事實上這些化學物質普遍存在於我們的日常生活飲食中，身體也具備相關機制能夠將它們代謝。因此，對於一般身體健康的人來說，在正常攝取情況下不需要過度擔心它對健康的影響，也不必特意改變飲食習慣。除非個體飲食習慣屬於極端情況，或是先天缺乏代謝苯丙氨酸能力的苯丙酮尿患者，才需要避免攝取到阿斯巴甜。
阿斯巴甜在歐盟、美國、日本等多個國家已經被允許使用多年，臺灣目前也已開放將它添加到各種食品中。雖然上述科學數據提到，只要每天攝取的阿斯巴甜不超過每公斤體重 40 mg，實際上對健康並不會造成危害。然而，因為每個人的風險感知存在差異，能夠接受的風險程度高低有別，如果有讀者還是想要減少攝取阿斯巴甜，該怎麼辦？
根據臺灣法規，阿斯巴甜屬於食品添加劑，若食品業者將它添加於產品中，依規定必須將它標示於食品包裝中。因此，如果民眾想要減少阿斯巴甜攝取，只要在購買產品前仔細閱讀包裝上的食品標示，選擇不含有添加阿斯巴甜的產品，即可有效減少攝取到阿斯巴甜的機會。
總結來說，阿斯巴甜在正常使用的情況下並不會對於我們健康造成影響，儘管 IARC 將它列為可能的致癌因子，這並不代表著它有絕對致癌的風險。IARC 的致癌因子分類是基於實驗證據的公信力程度，包括動物實驗、人類流行病學研究、致癌機轉研究三大部分，然而以現今的研究結果，多數能給予我們的致癌證據是有限的。
總結來說，目前 IARC 將阿斯巴甜列為 2B 級可能的致癌因子，不僅可喚起大家對阿斯巴甜的關注，更代表未來需要更多有關阿斯巴甜的研究，才能更加確定它對於人體的健康風險影響。在日常生活中，一般民眾不需要太過擔心，更重要的是應保持適量均衡飲食，自然能限制日常生活中人工甜味劑的攝取，進而達到維持身體健康的目的！
狐禪
黃 雋修
