保育礁體還是保育生態系？藻礁與三接開發問題再對焦！——三接與藻礁保育、能源轉型關係〈對焦會議〉

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

本文轉載自中央研究院研之有物，泛科學為宣傳推廣執行單位。

你願意當未來世代的守護者嗎？

如何維護世代正義，正逐漸受到世界各國的矚目。臺灣也不例外，過去幾年，我們面臨核能去留、藻礁保育、淨零轉型、18 歲公民權等關乎未來環境與國家發展的議題。要不要守護未來世代？多數人都會說要！但如果守護的代價必須犧牲部分利益呢？中央研究院「研之有物」專訪院內政治學研究所冷則剛研究員、淡江大學公共行政學系黃寄倫副教授，從多國設立未來委員會與相關制度的經驗，分析世代正義的政策意涵，更為臺灣找出化解問題癥結的關鍵。

「世代正義」是什麼？

什麼是「世代正義」？世界環境與發展委員會（WCED）於 1987 年發布的《布蘭特報告》（Brundtland Report）中，有關永續發展的定義即提出對世代正義的關懷：

人類的發展能夠滿足當代的需求，且不致危及後代子孫滿足其需求的能力。

換而言之，世代正義要守護的未來世代，主要是尚未出生的未來人類。中研院政治所研究員冷則剛指出關鍵的衝突點。由於未來世代尚不存在，很難為沒有主體的群體主張權利。然而未來世代的命運會受到當代人群的影響，是不爭的事實，因此多數國家就此主張：我們有守護後代子孫永續長存的義務。

冷則剛進一步指出，如果我們用廣義的角度來看，或許將已出生、但還不具備公民權的兒少也納入未來世代，是較能說服人們的說法。

以核能去留問題為例，我們可從中體會現今政策對未來世代的深遠影響。核能發電帶來穩定的電力、低廉的電價，卻也產生核廢料處置及核電廠工程風險評估問題，成為未來世代需一肩扛起的重擔。但是未來世代無法為自己表達意見，有賴當代公民為其做出適當的選擇。

淡江大學公行系副教授黃寄倫表示，世代正義是放諸多國皆有的問題，因民主制度本身與世代權益存在根本矛盾。當代人群對於保護未來世代的「誘因」不足，雖然守護未來世代在道德上很合理，但政治人物會為了「選票」而優先處理當前問題，形成為人詬病的政治短視缺陷。

那麼，我們能否設計出因應此缺陷的監督機制？來看看其他國家如何在體制內設計守護未來世代的機制。

未來世代的守護者——各國的選擇

聯合國環境與發展會議（UNCED）早在 1992 年就提出「未來世代監察員」（Ombudsperson for future generations）與「未來世代守護者」（Guardian for future generations）的運作架構，用來監督會影響未來世代福祉的政策制定、決策及執行狀況。接著，開始有國家在體制內設立「未來委員會」（Future commission），針對相關議題提供充分且易懂的資訊，並改善民眾與政府的溝通管道，讓大眾在做決策時有參考依據。

在設立未來委員會的國家當中，芬蘭、以色列是較為先進的代表，而鄰近臺灣的日本、韓國雖未設立未來委員會，但在國家政策中已開始關心未來世代的權益。

● 芬蘭未來委員會：跨部會的諮詢智庫

芬蘭議會從 1993 年開始運作未來委員會，由 17 名議員組成諮詢智庫，主要職責為與政府部門溝通協商會影響未來世代的政策，包含：能源發展、人口變遷、基因改造作物、資訊科技對高齡者影響等政策。此外，委員會需研擬新政府 4 年任期內的「未來遠景報告」，針對未來經濟、社會、科技發展策略提出建言，檢視與分析各項政策的合理性與正當性。

● 以色列未來委員會：擁有審議權的監督機關

以色列則在 2001 年成立未來委員會，每 5 年為一屆委員會的運作週期，關注自然資源、教育、健康、科技等政策。特別的是，委員會不只是提供諮詢服務的智庫，還能提出法案、調查或調解爭議案件，對於立法者更擁有議案否決權。不過，以色列政府在 2011 年宣布，因經費因素，決議終止委員會的任務。此一委員會短短 10 年即走入歷史。

● 日本的做法：世代正義納入法律保障

日本並未設立未來委員會，而是將未來世代的權益納入法律保障。日本憲法明確規定：「憲法所保障的人民基本人權，應是賦予人民與『未來世代』擁有永恆且不可侵犯的權利。」2015 年，日本政府更通過《國民投票法》修正案，將投票年齡從 20 歲下修至 18 歲，賦予更多年輕世代參與公共事務、謀取未來福祉的權利。

各國世代正義監督機制的共通點為：在功能上，多是跨領域的智庫，形成超越黨派、跨部會的協商平台；在組織上，多在國會中設立，能監督政府施政、與社會大眾溝通。

臺灣的政黨鬥爭：核能公投帶給我們的反思

在討論臺灣如何守護世代正義之前，我們先來釐清臺灣的政治現況。從核四公投即可發現，政黨之爭是導致未來政策懸宕不前的原因之一。各陣營通常只從對自己有利的角度來闡釋意見，最後演變成訴諸政治意識形態的衝突。事實上，擁核或廢核各有其立論基礎，關鍵在政府應該去創造一個讓人民能理性討論的空間，充分了解選擇或放棄核能的優缺點為何？要付出什麼代價？

以南韓的核電廠公民審議為例，時任總統的文在寅於 2017 年上任後，原先承諾停建的核電廠新古里 5、6 號機組，因工程只進行三成就花費高達 1.6 兆韓元（新臺幣約 367 億），決定推動公民審議，交由全民決議是否停建核電廠。在三個月內，南韓政府在全國進行隨機電訪，最終抽出 500 位公民代表，並經歷數場諮詢委員會、公開座談會、電視討論會，以及公民代表與未來世代（高中生）的討論會等。最後，進行三天兩夜的最終綜合討論會，得出公民審議結果。

在充分討論後，最終有 59.5% 公民代表決議恢復核能機組的建設計畫，但也有 5 成民眾希望逐步降低核能發電比例。因此南韓政府決定續建核電廠，也強調未來會朝階段性減核目標邁進，並提出能源轉型路徑。

南韓沒有公投法，只能由政府發起公民審議。反觀臺灣，我們有發起公投的機制，但理性且務實地決議未來政策卻相對不足。冷則剛認為，臺灣的公投問題出在科學論述不足，優缺點未正反並陳，政黨之爭模糊了議案焦點。他提出質疑，難道年輕人真的都反核嗎？高齡者真的都擁核嗎？不同世代的意見應該是多元並進，而不是彼此敵視。如何從立場爭執、世代衝突，轉而共同為未來發展理性討論？是臺灣社會需反思的課題。

納入兒少意見：18歲青少年的公民權

如果將 18 歲以下、未取得公民權的兒少視為廣義的未來世代，怎麼在公民表決時納入兒少意見，成為少子化時代下尊重未來主人翁、落實世代正義的關鍵。目前已有多國選擇下修公民投票年齡，讓更多年輕世代參與公共事務。

在亞洲國家中，日本在 2015 年通過《國民投票法》修正案，南韓也在 2020 年依據《公職選舉法》，紛紛將投票年齡下修到 18 歲。尼加拉瓜、奧地利、曼島等部分國家甚至將投票年齡下修到 16 歲。

臺灣在行政院與各縣市設有青年諮詢委員會，但都著重在意見諮詢，決策上並無強制力。直到 2022 年 3 月 25 日，立法院才通過 18 歲公民權修憲案，明定國民年滿 18 歲者，有依法選舉、罷免、創制、複決及參加公民投票之權。此案將在同年 11 月 26 日舉行公民複決，這也是我國史上首次交付公民複決的修憲案。

對於下修公民權年齡，冷則剛舉雙手贊成，青少年也是廣義的未來世代，他們的想法應該被重視，而這也是臺灣處理世代問題的具體展現。黃寄倫則認為這是一個很好的契機，可以將世代正義的理念推廣出去，讓政治人物嗅到民意的新風向，進而提出更多有益世代正義的政策。

台灣的未來：公民意識的覺醒

面對世代正義問題，借鏡國外經驗，臺灣還可以怎麼做？冷則剛、黃寄倫建議在立法院內成立「世代正義與永續發展委員會」，其最重要的功能是，喚醒全民與執政者守護未來世代的意識，進而監督與協調各部會的施政，撰寫白皮書建議長遠的政策方向。同時，成立與人民共享的資訊傳遞平台，交流並觸發更多有建設性的想法。

世代正義議題不是未來式，而是當務之急，有賴觀念、文化與制度的相互配合。冷則剛認為，在實踐世代正義之前，必須先培養三項民主素養：

公民意識覺醒、科學理性討論、世代之間共學

如果公民沒有意識到問題癥結，也沒有多元且充足的參考資訊，可能會被政治力量影響判斷，演變成世代之間的意識形態衝突。世代之間如何相互學習、尊重、攜手守護未來世代？我們還有一段路要走。

泛泛泛科學Podcast這裡聽：

繼上集從地熱發電聊到溫泉泡湯後，下集 y 編將與泛科學專欄作者阿樹續聊今年正式啟用的宜蘭清水地熱發電廠，解析為何台灣發展地熱發電仍有難處？不僅找地、找熱困難，「找錢」竟也是一大問題？

12/18 全民公投步步逼近，兩人也討論到「當能源議題成為公投題目」，複雜科學、技術知識如何搞得一般老百姓暈頭轉向。在如今資訊龐雜、輿論嘈雜的氛圍下，該怎麼針對公投做出理性判斷？聽完本集，說不定你會有所收穫！

• 00:44 清水地熱發電廠為何捲土重來？

阿樹說明，過去台灣地熱發電廠也曾考慮選址在他處，例如：台北大屯山火山群附近。然而，雖然該地區地熱資源豐富，但岩石酸性成份太高，發電機組恐無法承受，因此在 1980 年，轉而在宜蘭清水設立公營地熱發電廠，後則因機組沉澱過多鈣化合物等因素而關廠，直到今年才又再度以民營方式繼續營運。他也提及，再度選擇原址蓋新廠，主要因為無需再進行過多設廠的前置研究，較無土地取得問題，因此，所需資金的門檻較低，容易吸引金主投入。

• 04:49 地熱發電要「找地、有熱、有錢」

雖說地熱發電廠若營運良好，可以 24 小時運轉穩定供電，更不會像風力、太陽能等再生能源，受限季節氣候等因素而電量不穩定。不過，阿樹仍指出地熱發電在台灣發展的難處，歸結於「找地、有熱、有錢」三點。「找地」難在前期探勘恐需 5 到 10 年時間，期間亦無法有盈收；「有熱」難在目前採取「取熱不取水」的雙循環系統（Binary Cycle System），也擔心可利用的熱水源不足，恐導致發電呈現不彰；「有錢」的難則是地熱發電開發時間長，加上營運所遇的種種困難，也可能使業者投入資源時卻步。

延伸閱讀：

再生能源行不行？先從盤點台灣能源現況開始吧！

• 10:08 要有「發展點數」才夠力的能源產業

阿樹也提及，目前發電廠的商業投入並不多，多半由政府委託學者進行探勘，但也可能因階段性「結案報告」呈現不彰，影響預算多寡。同時，以研究為目的進行開發，本身經費不足、也非以商業營運為考量，都可能成為拖延發電廠成形的因素。因此阿樹認為，還是需有具有財力、資源的能源產業投入，地熱發電才能良好發展。他也再提及，地熱發電優勢在於，只要土地「體質好」能源就在，但還是要有人提供「發展點數」，產業才能成長茁壯。

延伸閱讀：

看看他山之石想想自己：全球再生能源發展現場概況

• 16:35 公投淪為「選邊站」而非理性討論？

由於 12/18 公投即將到來，本次公投又有「核四」、「藻礁」兩道涉及能源議題的題目。y 編表示奠基於科學與技術層面的議題，本應交由專家評估，並不適合成為公投題目。民眾在難以理解議題時，便容易跟隨偏好政黨投票，無法真正做出理智判斷；阿樹也提及，近日在粉專分享核四 S 斷層的相關研究，卻為「擁核四」、「反核四」支持者同時轉發，做出截然不同、有利於各自立場的解讀。實際上研究仍存在不確定性，輿論卻急於「選邊站」而非理性討論。

• 21:49 能源議題並非單一選擇題

公投容易讓議題成為單一的選擇題，但實際上議題間可能彼此相連。阿樹舉例，「核四」與「藻礁」看似毫無關聯，其實背後涉及選擇「核能」或「火力」發電的價值選擇；區分為兩道公投題目，難以讓討論更為深入。「藻礁」公投涉及環境保育、能源開發的衝突，尚缺乏討論或研究即要進行公投，也令兩人比喻像是「蓋新房還不知格局，卻已經要決定選什麼沙發」。

延伸閱讀：

火力發電 vs 核能發電：誰的殺傷力大

• 24:34 如何思考複雜的公投題目

針對本次公投，阿樹除鼓勵大眾不要隨政黨或利益團體起舞，多與身邊人討論之外，也提供自身判斷公投議題的依據。他認為，先把題目中的四到五個討論點攤開來看，研讀各式資料，以「分數」評量自己在每個討論點上，有幾分贊同或反對該題目，最後再加總分數，便可以得出自己對公投的判斷，也能藉此更知曉自己對議題的了解程度，方便與他人做溝通討論。

雖本集討論的地熱發電並非公投題目之一，但 y 編認為能越了解再生能源，認識其發展脈絡，對未來決議能源政策必定有幫助；阿樹也化身「地科大使」，提及不論地熱或其他再生能源發展，或本次公投的藻礁生態、核四廠下的 S 斷層，皆與地科息息相關，歡迎大家一起加入「地球科學」的行列研究其奧秘。

延伸閱讀：

「爸，媽，我想要念地球科學系。」但地科系到底在做什麼？