把伺服器陣列搬到沙漠可行嗎？

本文由 高柏科技 合作，泛科學撰文

林唯耕剛回台灣任教時，曾在清華大學的實驗室裡用一立方公分的「氨」做實驗。沒想到氨氣意外洩漏，那股刺鼻的氣味瞬間瀰漫整棟大樓，引來眾多師生抗議。

「從此以後，我再也不敢在實驗室裡用氨了。」他在《思想實驗室》的訪談中，帶著笑意回憶這段往事。

這段插曲聽來像是一則工程師的寓言：在理論模型中，氨是太空熱控系統的理想介質；但在現實的辦公大樓裡，它首先是逼人逃竄的臭味。公式本身沒有錯，但現實世界永遠比公式更複雜——它包含了人、成本、風險，以及必須為後果負責的工程師。

高柏科技技術專家、清華大學榮譽退休教授林唯耕 ，曾任職於美國 OAO 工程部熱流組，深耕電子構裝散熱與熱管技術多年。隨著 AI 浪潮席捲全球，他鑽研一輩子的老問題再次被推向科技產業的核心：當晶片運算速度無止境攀升，那股伴隨而生的熱，究竟該往哪裡去？

熱不會讀新品發表會

科技巨頭在發表會上熱衷於談論大型語言模型、GPU 規格與驚人的算力。這些詞彙在投影片上光鮮亮麗，彷彿進步毫無邊界。然而，每一次數位運算都紮實地發生在實體晶片上。晶片會發熱、材料會疲勞老化，一旦設備過熱，系統便會降頻保護。在物理現實面前，再動聽的發表會敘事也必須低頭。

回顧個人電腦發展早期，晶片幾乎不需專屬散熱元件。隨後，鋁製鰭片、風扇、熱管到均溫板逐一登場。這段歷程常被視為技術升級，其實更像是對空間的極限勒索：晶片功率翻倍，發熱源的面積卻沒變大，機箱空間也不可能無限擴張。

林唯耕指出，散熱設計的核心只有三要素：功率、熱源面積與空間限制。他舉例，在標準的 1U 機箱中，若發熱面積約為三十乘三十毫米，氣冷系統在達到八百瓦時就會面臨瓶頸。這並非固定的物理常數，而是取決於空間、面積與氣流的動態平衡。最現實的代價在於，風扇轉速提升的背後，是噪音、電力損耗與空間占用。

因此，「液冷技術」的興起並非單純為了追求酷炫，而是算力密度提升後的必然選擇。它能更精準地帶走晶片廢熱，卻也將新的挑戰帶入機房：漏液風險、流道堵塞、材料相容性，以及維運時的難度。工程的進步，本質上鮮少是徹底消滅問題，更多時候是選擇一組「比較值得承擔」的新問題。

太空教他的，不是把答案搬回地面

太空熱控工程之所以迷人，是因為它剝奪了地球上最常見的散熱工具。在真空宇宙中，沒有空氣能讓風扇製造對流；受光面溫度破百度，陰影處卻極度嚴寒。工程師必須純粹仰賴熱傳導、熱輻射，以及熱管與環路型熱管（LHP）來搬移熱能。

熱管運作的關鍵在於「相變」——液體蒸發時吸收大量潛熱，冷凝後重回循環。林唯耕比較了銅與水的熱傳導能力：在他設定的特定條件下，實心銅塊約能傳導 120 瓦的熱能；但若每秒有一立方公分的水發生蒸發相變，移熱量可瞬間拉升至 2.4 千瓦（kW）。他強調「每秒」的觀念，因為散熱談的是動態流動速率，而非靜態的冷卻魔法。

儘管如此，太空科技並不能直接套用到地面。太空元件因考量重量、功耗與維修難度，偏好無馬達幫浦的被動式設計；但地面 AI 伺服器面臨更高的熱負載與環境溫度，往往仍需幫浦驅動流量。當年那場「氨氣洩漏」事故正是最好的提醒：技術是否「先進」，與它是否「適合」當下的場景，始終是兩回事。

好論文，為什麼仍可能造不出好產品

學術研究致力於證明「可行性」，而工業現場則要求「可重複性」——不僅要能運作，還得確保每台出廠的設備都不漏水。林唯耕將此定義為「從 0 到 1」與「從 1 到 100」的差別。後者涉及良率、成本、公差與客戶信任。論文中那次最完美的實驗數據，在產線上往往未必管用。

他從不避談失敗。在高柏科技早期與學界合作時，也曾遇過實驗數據無法複製，或研究方向偏離產業需求。這未必是雙方努力不夠，而是彼此對「成功」的標準不同。為了解決這道鴻溝，高柏科技推動「柏苗啟航創新培育計畫」，每年投入逾千萬資金與成大、中山、台科大等校合作，並指派專業人才在過程中持續微調、校正，確保研發貼近產線現實。

他分享了近期一項液冷工質校正專案。團隊使用非侵入式的超音波流量計進行觀測，但由於儀器預設以「水」校正，換成其他化學流體後讀數便出現誤差。最初嘗試用幫浦壓差推算，卻發現缺乏重複性，數據甚至推導出不合理的蒸發率。最後團隊回歸基本面，改用秤重法搭配能量平衡進行交叉驗證，才讓數據成功收斂。

這個故事真正的價值不在於「產學雙贏」的口號，而在於那段不夠優雅的挫折：假設失效、數據混亂、方法砍掉重練。也正是在這種時刻，企業需要的不只是會算數的人才，而是能洞察研究何時「走鐘」，並有權力喊停、要求重來的關鍵決策者。

林唯耕坦言，過去在校園裡總認為「技術第一、成本第二」，進入商界後才驚覺行銷與信任關係往往才是關鍵。這番話雖然不如科技突破那樣動聽，卻是產品能否進入市場的殘酷真相。再卓越的散熱設計，若無法穩定生產或贏得客戶信任，也僅止於一份精美的報告。

AI 會給答案，誰來負責出貨？

訪談尾聲，主持人國威提出了一個時代難題：假設 AI 能在彈指間生成散熱架構、材料配方與流道設計，企業該選擇全面擁抱 AI 的速度，還是保留緩慢但穩定的工程驗證，以規避潛在的失效風險？

林唯耕拒絕落入二選一的框架。他的觀點是：兩者並存。AI 擅長處理資訊、生成草案；但工程師仍須實作原型，進行嚴苛的性能與可靠度測試，最終由人決定是否出貨。這並非盲目崇拜人類直覺，而是基於一項事實：AI 的資料庫裡，通常沒記載下一次「意外洩漏」或「材料疲勞」的細節，且模型永遠無法為量產結果擔負法律與商業責任。

在 AI 時代，最稀缺的未必是熟練下指令（Prompt）的人，而是具備這種能力的人：能預判答案可能在哪裡出錯、能設計實驗將問題「逼」出來，並且願意為最終的量產品質負起責任。

大眾習慣將雲端想像成輕盈、無重量的空間。但現實中，雲端是由龐大的機房架構而成，裡面裝滿了晶片、管線、泵浦與冷卻液。虛擬算力的每一次擴張，都會在實體世界留下發熱的足跡。散熱工程師的價值，就是不讓這筆物理帳單，被埋沒在光鮮亮麗的投影片背後。

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

半導體廠和資料中心的耗電量巨大，隨著護國神山的持續壯大，台灣的電力供應是否還能承受這種壓力？

或許，大海能夠給予我們答案。

在我們的周遭，有一個龐大且源源不絕的能源，但卻長期被我們所忽視——大海。太平洋上的鄰居夏威夷，已經部署了一座 1.25 百萬瓦特（1.25MW）的波浪能發電示範裝置，並即將併入夏威夷的電網。雖然這個發電量看似不大，但一台裝置只需要 38 公尺長、18 公尺寬的空間。想要放置更多的裝置，需要更大的空間嗎？大海有的是空間。

看來從海洋中擷取能源，或許就是台灣能源的終極解答。但為什麼還沒有人大力投入這個領域呢？

從海洋擷取能源

事實上，從海洋中獲取能量的想法並不新鮮。利用海洋的物理或化學特性所開發的能源，稱為海洋能。海洋能可以大致分為多種不同的形式，每種原理各有不同。

首先是波浪能。夏威夷建設的波浪能示範電廠，就是利用波浪的上下運動所產生的位能變化，或者是利用波浪中海水運動所帶有的動能，來產生電力。值得一提的是，無風不起浪。波浪的產生及其動能的來源，來自於風吹過海面時所產生的摩擦力。而風的出現，可能來自地球自轉，或者是太陽加熱地表和空氣所產生的氣壓差，空氣從高壓區流向低壓區，進而產生風。因此，波浪能的源頭其實是地球和源源不絕的太陽能，被視為永續能源。

其次是潮汐能。月球的引力是潮汐漲退的主要原因。潮汐造成海洋水位的變化，產生位能；同時，漲潮和落潮的水流也帶有動能，這兩種能量都可以用來發電。

另一種是海流能。這是利用海洋中洋流流動的能量。例如，台灣附近的黑潮，水流方向不論冬夏，都是由南向北，而且流速相當快，約每秒 1 至 2 公尺。只要在海流中放置水輪機，就能驅動發電機發電。

接下來是較為特殊的兩種方式。溫差能（OTEC，Ocean Thermal Energy Conversion）利用海水表面和深海之間的溫度差來發電。我們知道，海水表面因為受到太陽照射，溫度較高；越往深海，溫度越低，一般溫差可達 14 至 25 攝氏度。我們可以利用這個溫差來發電，原理類似地熱發電。OTEC 系統除了發電外，還可以結合海水淡化、海洋養殖和空調冷卻系統等多種用途，可謂一舉多得。

最後是鹽差能。這是利用鹹水和淡水之間的鹽度差異所產生的化學電位差來發電。發電廠通常建設在河水和海水的交界處，將海水和淡水當作一個巨大的化學電池的兩極。

台灣適合發展海洋能嗎？

地球表面約有 70% 是海洋，蘊藏著無窮的潛力。國際能源總署（IEA）在 2007 年發布的報告預估，海洋每年蘊藏了 21,100 到 93,100 太瓦小時的發電量。作為對比，根據統計公司 Statista 的資料，2022 年全球總發電量為 29,165 太瓦小時。也就是說，海洋蘊藏的能源，足以供給全球所需，甚至可能多出數倍。

海洋能除了蘊藏量龐大之外，發電不需要佔用陸地，又屬於不會造成環境污染的可再生能源，具備多重優勢。既然如此，為什麼我們不大力發展海洋能呢？畢竟台灣四面環海，感覺應該非常有利於開發海洋能。但事實上，不是每一種發電方式都適合台灣。

根據工研院於 2018 年整理的資料，台灣的地理環境較有潛力發展的是波浪能、溫差能和海流能。在詳細介紹這些能夠發多少電之前，我們先有個概念作為對照。2023 年，台電系統（不包括民營電廠）發電總裝置容量約為 55 吉瓦（GW），而目前封存的核四，兩部機組的總裝置容量為2.7 GW。

首先，波浪能發電適合的區域包括東北角外海、富貴角一帶，以及澎湖和雲林、彰化外海，發電功率有望達到 2.4 GW。溫差能發電適合的範圍則在花蓮、台東外海，具有 2.8 GW 的發電潛力。至於海流能發電，適合的地區在富貴角、澎湖水道（台澎海峽），以及東部外海的黑潮，共有 4.2 GW 的發電潛力。此外，在金門和馬祖，也有一些潮汐能發電的潛力。

總計而言，台灣的海洋能蘊藏量至少有 9.4 GW 的潛力，相當於七部核能機組的發電量。這樣的發電潛力也意味著巨大的經濟價值，估計海洋能市場的產值可達數兆台幣。

發展海洋能的困難之處

既然海洋能蘊藏量龐大，為什麼我們至今未見台灣有大規模的海洋能開發計畫呢？

首先，海洋能的技術發展仍存在許多挑戰。在各種海洋能中，潮汐發電目前最接近成熟的商業化階段，且已有正在運作的商業發電廠。例如，全球有十多座潮汐發電廠在運作中，其中韓國的始華湖潮汐發電廠是全球最大的，發電容量達 254 MW。此外，還有一些潮汐發電廠處於規劃或建造階段。

然而，潮汐發電的效益取決於潮差（滿潮和乾潮之間的水位差）的大小。一般而言，需要潮差達到 5 公尺以上才有經濟效益。台灣除了金門、馬祖等外島之外，潮差均不足5公尺，因此潮汐發電的潛力較低，並非首選。

至於台灣適合發展的波浪能、溫差能和海流能，目前全球的發展進度都較為遲緩。以波浪能發電為例，雖然蘇格蘭曾有過小規模的商業化案例，但已經退役。不過，最近也有新的波浪能計畫正在進行，包括本文開頭提到的夏威夷案場，這是愛爾蘭公司 OceanEnergy 在夏威夷設置的波浪能轉換器 OE-35，裝置容量為 1.25 MW。另外，瑞典公司 CorPower Ocean 在葡萄牙設置了 C4，裝置容量為 600 kW。雖然規模不大，但已達到商業化的程度，有望在不久的將來成為新的商業化發電方式。

至於溫差能、海流能和鹽差能，都還處於技術發展或小規模實驗測試階段，距離成功商業化發電還有一段路要走。

那麼，海洋能發展緩慢的原因是什麼呢？技術層面是一大挑戰。首先，海水對電器設備具有腐蝕性。同時，海上的強風大浪可能造成設備損壞。海洋生物也會附著在設備上，影響其運作效能。因此，打造耐用且抗生物附著的海洋能發電設備，本身就是一個巨大挑戰。

此外，即使我們能夠製造出能夠承受各種海洋環境的發電裝置，是否能長期高效地發電也是一個問題。如果無法建立耐用且具有一定規模的海洋能發電設施，成本將無法下降，進而阻礙海洋能的開發。

台灣在海洋能開發的進展

在波浪能方面，工研院開發了「懸浮點吸收式波浪發電」系統，包含具有運動模組和浮筒模組的上浮體，以及具有穩定作用的下浮體。當波浪經過時，上、下浮體會產生相對運動，能量擷取系統藉此吸收波浪的能量。

國家海洋研究院則與台灣海洋大學合作，進行「振盪水柱式波浪發電系統」的研究。該系統利用波浪的上下擺動，擠壓空氣艙內的空氣，將空氣擠出至口徑較小的排氣口，造成空氣流速加快，進而驅動排氣孔中的扇葉發電。成大也有實驗室透過數值分析軟體，進行發電裝置最佳化設計的研究。

在海流能方面，國家海洋研究院、台灣大學、中山大學和台灣海洋大學均參與了「浮游式洋流發電機組」的研發。發電機艙採流線型設計，類似一台風箏。機艙後方的葉片在受到洋流衝擊後轉動，驅動發電機產生電力。目前，20 kW 級的發電機組「錨碇」已在90公尺深的海中初步測試成功。中研院也正在研發 100 kW 等級的渦輪機，預計今年在台東外海下水測試。

在進度較慢的溫差能發電方面，台泥預計在和平火力發電廠打造台灣第一個溫差能發電系統。

未來展望與政策目標

不知不覺中，台灣在海洋能的開發上已經投入了不少資源，雖然還需接受海洋環境的考驗，但前景可期。根據目前的政策目標，台灣將從技術較為成熟的海洋能開始，分階段推進。目標是在 2030 年完成 10 萬瓦特到 100 萬瓦特等級的示範發電機組，並於 2035 年設置 100 萬瓦特到 1000 萬瓦特的商業發電機組。根據屆時的技術發展狀況，期望在 2050 年達成裝置容量 1.3 至 7.5 GW 的目標。

在政策執行方面，海洋能開發涉及多個部會的管轄，如環境部、農業部漁業署、內政部國土管理署等。為簡化申請流程並促進開發，設立單一窗口相當重要。值得一提的是，根據最近的消息，台灣已有民間公司提交了 100 kW 的波浪能示範電廠申請，預計最快在 2025 年完成台灣首個海洋能示範場。

台灣作為四面環海的島國，有機會在這個領域取得突破，為未來的能源供應找到新的解決方案。