為何男女的性伴侶數量總是對不上？

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

人類如何發展成多元族群？

自從三十萬年前智人在非洲現身，多元化便幫助人類適應非洲各地不同的環境。這期間大部分時候，適應成功漸漸產生更好的獵人和採集者，使食物供給增加，人口明顯上升。

之後每個人可享有的生存空間和自然資源減少，早在六萬至九萬年前的某個時間，智人開始大規模出走非洲大陸，尋找更多肥沃的生存土地。由於這種外移過程有連續性，便自然產生一種相關：定居的地方離非洲越遠，人口多元化就越低。智人離開非洲越遠，其社會的文化、語言、行為、體格多元化程度就越低。這種現象反映著連續始祖效應（serial founder effect）。

什麼是「連續始祖效應」？

假設有個島上，住著五種主要品種的鸚鵡：藍、黃、黑、綠、紅，牠們在島上適應存活的能力相當。當颱風來襲，有幾隻鸚鵡被吹到很遠的荒漠小島。這一子群鸚鵡不太可能涵蓋所有五個品種。假定牠們以紅、黃、藍居多，不久滿布新島上的幼雛將遺傳牠們的毛色。於是新島上形成的鸚鵡群就不及原棲息地的多樣化。要是後來又有很小一群鸚鵡，從第二島移往第三島，這一群的多樣化更不及前二島。所以只要鸚鵡從母島移出的速度快過原島上可能產生突變的速度，則牠們（相繼）移得越遠，就越不多樣。

人類移出非洲也是類似模式。起先有一群人離開非洲，定居在附近肥沃地帶，他們只帶走非洲母體人口多樣化的一部分。等這群最早的移民成長到新環境無法支撐他們再擴大，便會有一群人離開，去尋找別的處女地，定居在更遠的地方，其多元化將更低。人類向非洲以外散布，以致各洲都有人類蹤跡的這段期間，同樣的過程一再重複：人口增加，新群體再移出，去追尋更綠的草地，但多樣化僅及母體人口的一部分。

儘管有移民改變方向，這顯而易見，不過這種移居模式的影響是，離開非洲來到西亞的人群不像原本在非洲的人口那樣多樣化，其後代又繼續向東移往中亞，最後來到大洋洲和美洲，或是向西北移往歐洲，多其樣性也越來越比不上留在原地的人。解剖學上的現代人類，從非洲的搖籃向外擴張，為世界各地文化、語言、行為、形體多元化的程度不同，刻下深刻且不可磨滅的印記。

這種與非洲離得越遠、人口整體多元程度就降低，部分反映在較遠的在地民族基因較不多樣化上。根據對二百六十七種不同人口做基因多元化的比較測量，這些人口大都可找出原屬的本土族群和地理上的發源地。結果很明顯，距東非最近的本土族群基因最多樣化。多樣化最低的是中南美洲的本土族群，他們從陸路移出非洲的距離最長。多元化與移出東非的距離成負相關，這種模式不僅出現在各大洲之間，在各洲內部也是如此。

體質與認知人類學領域提供更多這種證據。研究人體體型的特徵，比方與牙齒特徵、骨盆特徵、產道形狀相關的骨骼架構，以及研究文化特徵，例如不同語言的基本詞語單位（「音素」〔phonemes〕），都證實有源自東非的連續始祖效應存在；同樣是距東非越遠，體形和文化特徵的多樣化越低。

人口多元化表現的形式是多方面的，若要適當探究整體多元化程度對國家經濟繁榮的影響，當然需要比基因學家和人類學家所提供的更廣泛許多的測量標準。此外，這標準也需要獨立於經濟發展的程度之外，以便用於評估多元化對國家財富的因果效應。這會是什麼樣的測量標準呢？

測量人類多樣性的標準是什麼？

測量人口多元化慣用的標準，往往只擷取人口中族裔或語言群體的比例代表。這類標準因此有二大缺點；一是某些族裔和語言群體的關係較密切。由等比例丹麥人和瑞典人組成的社會，或許不如由等比例丹麥人和日本人組成的社會那麼多元。另一缺點是，族裔和語言群體的內部也不盡然完全同質。全由日本人組成的國家與全由丹麥人組成的國家，多元化程度不見得相同。事實上，族裔團體內在的多樣性通常比不同群體間的多樣性要大上十倍。

因此要全面測量一國人口的整體多元化，至少應當再多加二個多元化的面向。一是族裔或次民族群體內在的多元化，如美國的愛爾蘭裔和蘇格蘭裔人口。其次是比對任一組族裔或次民族群體之間的多元化程度，例如，比起美國的愛爾蘭裔和墨西哥裔人口，愛爾蘭裔和蘇格蘭裔的文化較為相近。

鑑於移出東非的距離與可觀察特質的多元化之間存在緊密的負相關，這個遷徙距離可用於代表地球上每個地方的歷史多元化程度。我們依據各地人口的祖先與遷徙出非洲的距離有多遠，可以建構推算今日各國人口整體多元化的指數，列入考量的包括 (1) 國內各次群體的祖先人數多寡；(2) 依據各次群體的祖先走出東非時遷徙的距離，來推測其多元化；(3) 每一次群體配對後，由兩方祖先和地理發源地的遷徙距離來推算多元化程度。

這樣用統計學測量來推算多元化水準有二大優點。一是史前遠離非洲有多遠，顯然完全與當今的經濟繁榮水準無關，所以這種測量法可用於估計多元化對生活水準的因果效應。其次是如上文所強調，有越來越多體質與認知人類學領域的證據顯示，遠離非洲的遷徙距離深深影響到許多表現在身體及行為上的特質的多元化；所以我們有把握，用這種測量法推算的多元化類別會產生社會結果。

要是用這種指數測量多元化不精準（採隨機方式進行），原因比方說是未能適當考量各洲的內部移民，則根據統計學理論，我們多半會因此否定、而非確認多元化影響經濟繁榮的假設。也就是說，如果我們犯錯，是因為過於謹慎。

人口特質多元性和能不能賺大錢有關係！？

最後很重要的一點是，我們是針對個別社會的特徵測量多元化。這測量的是某一社會的人口特質有多少不同種類，無論這些特質是什麼，或是不同社會間有什麼差別。因此它不會、也不能用於暗示某些特質比別的特質對經濟成功更有利。反而它可以掌握到某個社會的人口特質多元化，對經濟繁榮有何潛在影響。事實上，把地理與歷史干擾因子納入考量，遠離非洲的遷徙距離本身似乎並未影響全球各地如身高體重等特徵的平均水準。它主要是影響群體中的個人與平均水準的差異。

有了這強有力的測量法可測定每一群人口的整體多樣性，我們終於可以探究數萬年前遠離非洲的大出走，以及它對人類多元化的影響，是否如此源遠流長，以致居然還能左右當前的全球生活水準。

———本書摘自《人類的旅程》，2022 年 10 月，商業周刊，未經同意請勿轉載。

YouTuber Iku 老師這支談論台灣少子化原因的新熱門影片，以及底下清一色支持的留言，你看過了嗎？

在影片裡，Iku 老師把台灣少子化的原因歸咎於「房價」，想必是很多人的心聲，起碼在底下留言的人都這麼說。然而我想趁著這機會，補充一點不討喜的個人意見。

看人口數字是我的興趣。每個月月中，我總是迫不及待到內政部戶政司，下載上個月的戶籍人口統計速報來閱讀。這些數據就像預知未來的水晶球，非常準確，有憑有據。

這個興趣，受到台灣越來越多關於少子高齡化的討論（例如 IKU 老師這則影片、或這類 PTT 文），以及《真確》作者漢斯・羅斯林(Hans Rosling)的論述所刺激，而漸漸養成。

例如他在 2010 年時的這則 TED 演講中，他以每個 IKEA 的箱子比喻 10 億人口，表示若能讓生活條件處於全球最低的 25% 人口的兒童存活率跟教育水準提升，全球總人口有望控制在 90 億人，利於永續發展。

他在另一場精彩的 2015 年演講以及《真確》一書中則是預測全球人口最高峰不會超過 110 億，而且根據聯合國數據，全球兒童的數量在 2000 年前便已經達頂。每年全球新生兒數量最高為 2014 年的 1 億 4000 萬，一段時間後開始下降。趨勢是亞洲的兒童數量下降，非洲的兒童數量上升，美洲跟歐洲則大致持平；全球人口增長至 110 億的原因，主要來自於非洲跟亞洲的高齡人口，而非新生兒。演講還有很多精彩亮點，就留給各位自己觀看了。

引用漢斯羅斯林在演講中說的一段話：

「當非洲最窮困人口依舊看著孩子早夭、村子沒學校、需要小孩幫忙工作，他們就不會用避孕措施。（諾貝爾和平獎得主）馬拉拉說她們因為得工作養家沒去上學。當狀況是這樣，他們就會要多生孩子……」「……有些男人會自豪於有 7個、8個、9個小孩，而不是孩子過得好不好…這是陳舊父權思考。男人應該為自己的孩子過得如何、生活是否開心而自豪。這就是我引以為傲的。」

過去：回歸現象起點——1976-85 的回聲嬰兒潮

我今年 40 歲，根據內政部戶政司的統計，與我一樣在 1981 年出生的有 41.5 萬人，作為比較，去年 2021 年的出生人口只有 15.3 萬，較 40 年前少了 63% 的新生兒。然而這不是一天造成的，台灣的兒童人口（0-14 歲）早在 1972 年就達到峰值 583.3 萬人，之後再也沒有超過。2021 年的台灣兒童人口是 289 萬人，不到峰值的一半，是幾十年前就註定的結果。

就像眾多遊客湧向特定景點，創造了消費，蓋起了旅館跟遊樂園，但也留下大堆垃圾跟難以收拾的環境破壞。我們這一代（1981上下五年出生，六年級後段跟七年級前段班）的人太多了，有如在時間線上冒出一大批不守規矩的遊客，若照美國的用語，我們這代人就是「回聲嬰兒潮世代（Echo Boomers）」，指的是嬰兒潮世代的孩子，如今是人數最龐大的一個世代。

以下列出這波回聲嬰兒潮的出生人數（根據內政部戶政司）
民國 65 年 (1976) 年：425,886
民國 66 年 (1977) 年：395,260
民國 67 年 (1978) 年：413,270
民國 68 年 (1979) 年：423,266
民國 69 年 (1980) 年：413,177
民國 70 年 (1981) 年：415,808
民國 71 年 (1982) 年：403,143
民國 72 年 (1983) 年：382,313
民國 73 年 (1984) 年：370,078
民國 74 年 (1985) 年：344,101

從人口金字塔也可以看得很清楚，我們這代人就是中間突出的那幾根橫槓。

比起我們的上一代，我們這代兒童死亡率更低、受教育時間更長、平均壽命（應該）也會更長。所以我們這些橫槓會持續往上、老去，壓著下面的世代。

我們這代人數量之多，成長到了一個年齡段，就在那個時間創造出新的社會問題；但是，我們一離開該年齡段，原本為了解決問題而趕工出來的設施、做法、人力，又突然沒足夠多的人用了，變成另一堆問題。

例如廣設大學就是一個例子。對我的上一代（1940-1960初 出生）來說，念大學是超級窄門，學習壓力非常大，社會階級流動機會少，所以他們決定廣設大學。到了我這一代，想念大學簡單多了。但我們這波過了之後，大學就變得太多了，知識更是爆炸到大學無法負荷，多到讓這個體制的存在價值不再明顯，只好透過 USR（大學社會責任）來證明自己。

（注意：我不是說知識、教育、或教授失去存在價值，而是傳統的「大學」體制。）

我們這一代的人太多了，其中很多離開家鄉到都市念大學。受教育的時間繼續延長、加上離家東南西北漂、大多在高消費的都市工作、娛樂、學習。由兩、三人組成的核心家庭戶數快速增加，都會住房的需求大增，結婚生育的動機則大減。同時地方偏鄉逐漸凋敝，也才有了「地方創生」的口號跟需要。

未來：當回聲嬰兒潮變成老人潮——老齡化最嚴重的時期

接下來，由於醫療持續進步，我們這代人（1980 年前後出生）不需要特別幸運，都還會活上好幾十年，而現在在談的「未來老齡化最嚴重的時期」，就是我們這一代變老造成的。

以數據來說，根據國發會人口推估查詢系統，到了 2050 年，也就是我 68 歲的時候，台灣 65 歲以上人口將達 745 萬人，這是台灣有史以來 65 歲以上人口最高的數字，佔總人口的比例推估是 36.6%。

過了 2050 年，65 歲以上人口數就開始下降，但佔總人口的比例將持續增加，最高將在 2069 年達到 41.8%，那時我如果還活著，已是行將就木的 87 歲。如果現在我們覺得台灣醫療跟長照的壓力已經很重，到時候更難以想像，因為台灣仰賴的東南亞國家年輕人力也已老去、新生的年輕人力自己國內都不夠用。

那時候的我就是壓力本身。但只要我們這一代過世，壓力又會迅速減低。可以想像到時許多醫療跟長照的設施會面臨如現在學校一樣的問題——當然，前提是社會真的願意投入那麼多資源在我們這些老人身上。

現況：正值壯年的回聲嬰兒潮，該為下一代留下適合生存的世界

根據教育部統計處 2019 年的「大專院校大學1年級學生人數預測分析報告」，今年（2022）年入學的大學生將跌破 20 萬，約為 19.3 萬人，其中技職體系佔 10.2 萬人，一般體系佔 9.1 萬人。然後大概起起伏伏到 2034 年。按照人口推估，之後大學新生會快速下探到 14 萬以下。對非常多新進的大學老師來說，從現在起算的職涯年限會短於 15 年，更別說許多人根本就沒有辦法取得教職。跟我同一代念到博士的，極少能在大學卡位取得正式教職，大學生跟教授的年紀差距繼續拉大。

除了大學近乎徒勞無功地往高中搶越來越少的學生、到國外招生（甚至搞出這類情事），產業也往大學搶人才，例如產學合作、預定就職、甚至與產業合辦學院。然而半導體以外，台灣政府規劃發展的六大核心戰略產業都需要人才，但光是半導體就把大部分的人吸走了，讓其他產業叫苦連天，包括一般服務業。更何況這六個戰略產業也不只台灣要發展，每個國家都在發展，都在搶人，迎來大招募時代。

再者，已經很嚴重的生態破壞、垃圾污染、能源問題，基本上都是我們這一代人過度消費造成的。例如過去 40 年人類產生出的碳排放比 1750 年工業革命後兩百年加起來還多。相較於我們這一代，上一代人曾經窮過，沒有那麼浪費資源，而下一代人則沒有那麼多人，也不像我們這代那麼浪費。綜合上述，我想強調的就是：我們這代人的問題，就是我們自己。

而我認為，我們這代人在認清自己就是問題之後，該努力扮演問題以外的角色。我們如今 40 歲上下，正式承接臺灣社會骨幹、不管在政治、經濟、文化各領域都開始獲得當家實權，我們必須從「問題」變成「問題解決者」，把自己這代人造成的問題自己解決掉。

少子化，也許是另一種解決方案

我曾在另一篇評論裡寫過，我不把台灣人生育率低看作壞事或好事，而是視為一個機會，這其實也受漢斯羅斯林「可能性主義者」的態度所影響。我在該文的重點有二：

1. 即使各種讓生育率下降的因素，如房價、工時、養育成本、性別分工都逐漸減少、降低、消失，台灣的生育率不會回漲多少。全球 131 個國家的總和生育率在 2.1 以下，未達世代更替水平，連孟加拉、印尼、越南都已經低於 2.1。
2. 我們這代人太多了，消費資源的方式過劇，台灣的環境承載不了。但我們沒有動用強制且不人道的方式降低人口壓力，如漫威電影裡的薩諾斯、《進擊的巨人》裡的吉克、或是現實世界的中國，而是接近自願的減少生育。這是我們這代人少有的好抉擇。

我們這代人必須做出更多好抉擇。2050 年的時候，如果台灣的民主制度仍在，還是一人一票，那麼跟我一樣 60-70 歲的人可以用票數輾壓一切決策。

如果我們不現在就改變認知與態度，不認清台灣所有重大問題的根源就是我們自己，依舊只為了我們這人數過多一代的爆量需求設想、抱怨，那未來的年輕人肯定會恨死我們這些老人，因為「民主」對他們來說將一點意義都沒有，他們將放棄參與，更不抱持任何進步的希望。

我們這一代需要趁現在解決我們造成的問題，不然這些問題就會解決我們。不用擔心到時的年輕人會把我們老人扛到深山丟棄，他們人手不夠、自顧不暇。

如果我們這一代人想留下什麼 Legacy，只剩下 10 年左右的時間。若拖到 20 年，我們就太老了，更何況我們這代因為人數過多，必須要比上一代更早把實權交棒給下一代——起碼我們當中一大部分人得知道這件事有多重要，並且真的這麼做。

我只有一個女兒，她跟我差 30 歲。我希望當她這一代人到我現在這個年紀的時候，不會陷入愁雲慘霧，對我跟我這代 (老) 人充滿無盡怨懟，只因我們以前什麼都沒做。

我認為，我們是幸運的一代，因為我們有機會做出巨大的貢獻。我們比我們上一代有餘裕思考未來，也比我們下一代有改變未來的迴轉空間。科學、教育、人才都是泛科學的守備範圍，也是改變未來重要的關鍵。針對這三大主題，去連結這一代最厲害、最有心的專家夥伴，留下一個更好的台灣給下一代，是我未來 10 年打算做的事，因為沒有別的更重要的事了。