加國大學發現能抑制普里昂蛋白感染的化合物

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

• 文／新興科技媒體中心　陳璽尹博士後研究員
• 本文轉載自新興科技媒體中心《英國研究如何成為報紙頭條（一）英國SMC的源起》

編按：充斥在新聞媒體或社群上的偽科學謠言，或似是而非的「新發現」，通常都以誇張聳動的標題吸引讀者的目光，並讓多數人深信不疑。誰能擔任這個破除迷思的角色，成為科學家與媒體傳播間的橋樑，為閱聽者導正視聽呢？這一系列文章，將介紹英國科學媒體中心（SMC）如何運作，打擊新聞上的偽科學、假訊息。

偽科學與謠言終結者──英國科學媒體中心

英國科學媒體中心（Science Media Centre，簡稱 SMC）的名氣，遠不如原生於英國、赫赫有名的電視台 BBC，也不如英國《衛報》（The Guardian）那般舉世所知，甚至，英國社會上的普羅大眾也不一定知道，英國 SMC 在許多重大新聞事件上所扮演的關鍵角色。

唯有當科學家有良好的媒體溝通能力，媒體才能報導更好的科學新聞。

國際權威的科學期刊《自然》（Nature）在其深度報導中，以＜關注的焦點＞（Centre of Attention）為題介紹這個成立於 2002 年、在科學新聞上無役不與的「科學媒體中心」，以及其中的靈魂人物費歐娜．福克斯（Fiona Fox）。

既是中心主任亦是創始人之一的福克斯，在文章、訪談與報導中談及科學與媒體傳播時，常提到「唯有當科學家有良好的媒體溝通能力，媒體才能報導更好的科學新聞。」^[1]並以此為中心運作宗旨，致力於提高新聞中的科學知識含量，兼顧科學報導的正確性與即時性。

吃牛肉傳播狂牛症？謠言催生英國 SMC

英國 SMC 的催生期，正是狂牛症肆虐英國，各報頭條充斥各種傳聞的 2000 年。俗稱為狂牛症的病症，在學理上稱為牛海綿狀腦病（Bovine spongiform encephalopathy，BSE），病源是牛隻染色體中的變異普昂蛋白質（prion protein），造成牛隻的腦神經結構會退化如海綿一般且近百分百致死，且具傳染性。1986 年在英國確認第一起牛隻病例後，媒體爭相報導，然牛隻疫情持續擴散。

1990 年 5 月科學家出來呼籲，因其具傳染性與百分百的致死率，應全面撲殺英國牛隻。同月，英國農業部長召開記者會，宣稱牛肉是安全的，並讓記者拍攝他 4 歲女兒大口咬下牛肉漢堡的畫面。^[2]

1992 至 1993 年間，染病牛隻到達高峰，接著便傳出4位畜養牛隻的農場主人，因罹患中樞神經系統病變的新型庫賈氏病（variant Creutzfeldt-Jacob Disease，vCJD）而死亡。 吃牛肉會致死的謠言不脛而走，而「盤子裡的食物會殺人」如此令人難以抗拒的新聞訊息，終於蔓生至家家戶戶，英國社會無人不對此恐慌。

名嘴、政客搶盡版面，專業科學家的聲音呢？

狂牛症事件中，檯面上卻鮮少有研究普昂蛋白質科學家的聲音，倒是政治人物、媒體名嘴、各級政府官員的「專家意見」佔滿版面。

所以到底吃牛肉會不會致死？

沒有專業人員親上火線回答，在這樣的媒體環境下，這謠言渲染成人人聞之色變的「事實」。然而，2000 年英國農業部所發表的狂牛症報告明確指出 ^[3]，雖在小鼠上確認新型庫賈氏病，是由造成狂牛症的普昂蛋白質而導致，但在人類身上還不能直接確認其因果關係。

以當時的科學證據，只能確認人類所患之罕見新型庫賈氏病與狂牛症有關，因為這些患病的人曾暴露於高風險環境。從 1990 到 2017 這 28 年來，英國庫賈氏病的統計上，只有 178 人可確認死因或其可能死因為新型庫賈氏病；而 1990 到 2000 年的累積人數，是 80 人 ^[4]。但這一統計數據與政府報告，完全不能消減英國社會對吃食牛肉的漫天恐懼，於是狂牛症事件重創英國畜牧業，災情更擴及整個歐洲。

重建大眾對科學家與媒體信任，英國SMS誕生

事實上，狂牛症事件不僅重創畜牧業，更凸顯失能的政府治理，並深深破壞了民眾對政府、專家、科學與科學家的信任。

這年，在英國皇家科學研究院（Royal Institution）主任、牛津大學知名神經科學家蘇姍．格林菲爾德（Susan Greenfield），和科學部長森士伯立勳爵（Lord Sainsbury）的號召下，科學界具顯赫研究成果的科學家，與資深媒體編輯和記者紛紛響應，組成 SMC 創立之諮詢委員會，花了近兩年時間，確立英國SMC的定位與角色。

2002 年，旨於重建大眾對科學家與媒體信任的英國科學媒體中心，正式成立。

快速轉介科學家，與媒體配合破除謠言

英國 SMC 在成立之時雖有明確任務，但是怎麼達成目的、該怎麼進行，仍然缺乏明確的路徑。福克斯在英國 SMC 成立十週年所寫的文章中回憶到，那時關切科學在新聞媒體傳播呈現的各方專業人士，紛紛給予意見，表達對中心應如何運作的想法。她舉例，當時頂尖科學家的建議包括「應該專注於推進園藝計畫中的科學」到「作為世界各地科學家參訪英國的接待中心」都有。

經過一輪拜訪、討論與媒體觀察，英國 SMC 確認它的功能應補足科學家與媒體關係之中，最缺乏的一塊：有效溝通。

運作 16 年至今，英國 SMC 的專家資料庫中已有約 3,000 位科學家，固定為其撰寫科學新知（或研究報告）的短評與新聞回應，以呈現多元的科學家觀點。若因混沌不明的科學事實未能釐清而產生重大爭議，英國科學媒體中心會第一時間親上火線，邀集專家召開記者會，澄清新聞上的科學謬誤。

科學家提供正確知識，媒體進行專業轉譯

英國 SMC 所扮演的角色，是科學家與媒體的媒合者。說來輕鬆，卻因科學與新聞專業在各自的養成過程中多有差異，雖可說關注的面向都是呈現真相，但是探求真相與呈現的方式卻大相徑庭。英國 SMC 一方面與科學家溝通，指出公共領域若缺乏真正的科學證據與論述，不僅無助於公眾討論，長久下來更可能危害社會凝聚力；公眾愈輕忽科學，也愈可能影響科學社群的研究經費來源。

另一方面，英國 SMC 與傳播媒體溝通，指出科學證據的產出、呈現方式的理解門檻雖然高，但卻能有效提供掌握問題的背景知識，因此得透過傳播媒體的專業轉譯能力，艱澀的科學知識才有可能為大眾所接受。

英國 SMC 的每日工作重點，便是整理科學家提供的最新研究期刊成果的短評（roundups），如此一來，讀者或媒體便能透過科學家的解讀，正確傳遞此項研究的發現與限制，不會在引用時因不解而誇大，而媒體也常引用此類短評來補充事件的背景知識；二來，希望能呈現相近領域專家，在相同研究上的不同觀點，這些觀點不僅可能有所出入，甚至可能相左，這也反映出科學社群慣常的辯論。

若粗略回顧那似乎是線性發展的科學進程，事實上是時經多年、多個團隊實證研究彼此衝突的結果，再不斷經由科學方法來回否證、累積而成。

黃金三招：即時回應、開記者會、事實查核表

為了做好科學傳播，英國 SMC 有三大重要行動，其一便是在重大事件登上頭條後，展開「即時回應」（rapid reaction），邀請該領域的專家出面澄清新聞謬誤，以書面解釋目前科學發展所能提供的知識背景；其二行動，是召開記者會（briefing），邀請專家提供科學新聞事件的口頭簡報。記者會又分為兩類，一是解釋事件背景及其影響（background briefing），二是發布新的科學研究（news briefing）；其三行動，是即時整理出專家回應該事件所能提供的事實查核表（factsheets），並在專家同意之下，提供聯繫方式以供媒體朋友獲得第一手正確訊息。

可以想見這任務難關重重，對於科學媒體中心來說，最艱困的任務莫過於在對的時間點、對的題目上，找到對的科學家。什麼是對的科學家？那不只是這位科學家的研究主題相符，更是他有意願與信任的媒體接觸，且有能力清楚解釋科學證據，讓媒體能從中吸收正確資訊，促成有力的報導。

最重要任務：破壞謠言，阻假消息流竄

最後一項任務也是英國 SMC 最熱中的，便是破壞謠言（crap busting）。英國 SMC 在和科學記者建立信任關係之後，會主動提供可攻破科學假新聞的資料，以及可聯絡之專家，讓謠言在足夠證據下，被即時破壞，防止假消息進一步流竄。

例如說曾有新聞指出西洋菜（watercress）可以降低罹癌風險，英國 SMC 便找到世界首屈一指的癌症科學家，計算出若要用西洋菜抵抗癌症，得吃上很多噸的西洋菜才能有效，雖然此新聞仍登上報紙，但英國 SMC 所提供的資料，能讓讀者保有足夠的懷疑心，不致輕信。

如何說服科學家面對媒體？挑戰接踵而來

對科學家來說，在新聞熱點上為科學研究挺身而出，面對可能抱持敵意的閱聽眾，那要承擔的學術風險、耗費的精力與犧牲的時間，都難以估量。英國 SMC 是如何說服科學家面對媒體？在基改作物、MMR 疫苗是否會導致自閉症的爭議上，又是如何踏浪而行？批評者是如何看待貌似「僅以科學意見為尊」的英國 SMC？英國 SMC 又是如何回應？

下一篇，會以幾個案例來爬梳這些年英國 SMC 所經歷的大小戰役，以及在光環之外，又是如何飽受批評。

註釋

1.  福克斯所言之原文為：”The media will DO science better when scientists DO the media better.”
2.  The Guardian (2000). “BSE crisis: timeline.”
3.  FAO (2000). “Bovine Spongiform Encephalopathy in Great Britain- A Progress Report.”
4.  NCJDRSU (2018). “CREUTZFELDT-JAKOB DISEASE IN THE UK.”

• 本文轉載自新興科技媒體中心《英國研究如何成為報紙頭條（一）英國SMC的源起》

食品安全近年引發許多焦慮，臺灣的食安政策究竟該如何制訂，才能讓大家吃得安心放心呢？本系列以歐盟、英國、美國、加拿大、中國等國為例，整理歸納系列文章，邀請大家破關點技，點好點滿成為食安鬥士。

• 前一篇請見：加拿大食品安全法簡介│食安簡史15：三轉培訓中心

2003 年，加拿大爆出第一起狂牛症，經濟驟跌，估計損失高達五十億美元。

萬事俱備，只欠溝通？加國的風險溝通

在網路尚未興起的年代，電視和報紙是政府熟悉的政令布達管道，但自從數位科技和公民意識崛起，「透明、公開」成了民眾檢視政府的主要焦點，過往「單向宣導」、「專家獨審」的施政方式，逐漸轉變為「雙向溝通」、「專家、公民協同溝通」的年代¹。

然而，食安管理的風險溝通並非簡易之事。他山之石可以攻錯，接下來我們從加拿大面對狂牛症入侵、戴奧辛鮭魚事件，來探討當時的加拿大在面對食安的風險溝通上，出了什麼問題？

好貴的一堂課，50 億美元一夕蒸發

時光退回 1996 年左右，英國首相首次公開坦承英國牛肉含有致命蛋白，歐陸前後爆發狂牛症的受害者，歐洲各國猶如天翻地覆一般。但大西洋彼岸的加拿大政府面對此事，卻悄然無聲。直到進入了 21 世紀。

2003 年 5 月，北美加拿大境內出現第一例狂牛症，加國出口市場立即大幅萎縮、蒙受巨大的損失。截至 2006 年為止，僅管只有 7 個零星的案例，但仍引起天價的經濟損失，文獻評估加拿大光在 2003 年裡就損失了約五十億美元（約當時兩千億台幣）²。但從 1996 年到 2003 年，整整七年裡，難道加拿大政府真的完全沒有準備嗎？

食安簡易分析法：風險評估四象限

食品安全的基石在於風險評估、風險管理和風險溝通³。而根據美國學者⁴和我的看法，風險評估可針對「科學上已知危害程度」、「民眾受影響的時間長度」和「受影響人數」劃分成四個象限的圖表。

• 以 2016 年初在屏東查獲的國興鮮公司販售逾期冷凍雞肉案為例⁵，此案件的黑心企業屬地方性廠商，代表受害人數的圓圈直徑較小。
• 由於風險暴露的時間長達數年，所以在代表「民眾受影響的時間長度」的 X 軸上屬於中間的位置；但由於理論上冷凍肉品並不會產生毒素或微生物，所以在科學上的危害度較低，因此列於 Y 軸的最低點。
• 所以就風險評估的四象限示意圖來看，此食安事件應該會落在第三、四象限之間。

食安事件的「風險評估」以這種四象限視覺化的呈現方式，可以清楚地告訴決策者，目前的食品安全風險影響的範圍到什麼程度，快速地協助決策者能夠將適量的資源投入正確的案件當中。

食安簡易分析法：風險溝通四象限

而風險溝通也可以用「爆發的機率」、「爆發的嚴重度（健康／經濟）」和「媒體關注熱度」進行視覺化。

• 假設進口肉品進入國內導致台灣牛隻感染狂牛症為例，由於台灣媒體必然會大幅度炒作，因此在「媒體關注熱度」上，圓圈的直徑會極大。
• 但發生的機率極低，所以在 Y 軸的最底端，但此事件必然對民眾健康和市場經濟會造成極大的傷害，所以圓圈將落在 X 軸的最右端，因此最後的位置將在第四象限，形成下圖的型態。

而「風險溝通」的四象限劃分法，能讓決策者很清楚、快速的評估未來發生食安危機的可能性、嚴重度以及媒體反應，以利決策者進行下一步的決定。上述的兩種四象限法，是簡單地幫助決策者快速地判斷事態嚴重度的方向之一。然而食安風險管理要考量的因素尚有科學、獨立、透明、溝通技巧⁶等，仍需要獨立且長期研究的風險研究中心才能夠勝任。

接下來，我們將來看看輕忽風險溝通的加拿大政府，在狂牛症和戴奧辛鮭魚的衝擊下，疏忽了什麼呢？

下一篇請見：加拿大風險溝通的失敗案例│食安簡史17：實戰開始

1.  放寬三聚氰胺標準 台衛生署長辭職。BBC新聞網
2. 食品科技與安全：三聚氰胺。中華民國科技部科技大觀園
3. 蔡英文「新政百日」專題評論：林雨蒼：太陽花、公民參與，與想溝通的小英。端傳媒
4. William Leiss, Anne‐Marie Nicol (2006) A Tale of Two Food Risks: BSE and Farmed Salmon in Canada. Journal of Risk Research, 9, 891-910
5. 林昱梅 (2015) 論食品安全管理法制中之預防原則：以歐盟與臺灣為中心。台大法學論叢。國立台灣大學法律學院。中華民國
6. 風險管理與溝通研討會。國家衛生研究院國家環境毒物研究中心。2016年4月25日
7. 過期冷凍雞肉改標重賣　黑心廠商聲押。蘋果日報
8. 不會說人話的政府，造成民間對政策極大誤會：金管會「限縮」電子支付總額的真相。火箭科技評論