隨著交通工具傳播的物種——擴散的生態危機│環球科學札記(30)

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

本文轉載自顯微觀點

斑馬魚是最知名的模式生物之一，其基因、型態與發育深受了解，並用於探討深度同源等重要演化生物學問題。但也有科學家提出，演化生物學該持續隨環境演進，並嘗試以新的實驗物種——金魚——探討人類世（Anthropocene）環境下的生物演化。

育種歷史與基因巧合 奠定金魚的演化生物學價值

例如有千年馴化歷史、型態千變萬化的金魚，就相當適合探討人類因素與生物型態演化的關聯。

中研院細生所派駐臨海研究站的演化與發育生物學家太田欽也指出，斑馬魚與金魚兩者的胚胎都可以透過顯微鏡仔細觀察，相對於受精一年後才成熟的金魚，斑馬魚有成熟較快，基因組較為單純等優點，也具備許多現成基因研究工具。

但斑馬品系間仍以其生理機能與基因為主要差別，對型態差異的演化並未那麼明顯。因為，科學家為了操作基因與細胞特徵而培育斑馬魚，使不同品系的差異大多來自目標明確的基因工程。

而金魚的型態變異，則完全來自飼養者對型態的偏好和育種，蘊藏更多元的型態變化與發育差異。其悠長的馴養歷史以及更古老的基因重複（Gene Duplication）機遇，使其值得成為演化發育生物學的新模式生物。研究器材和方法上的調整，則是生物學家展現才智的機會。

太田欽也舉例，「一般的解剖顯微鏡工作距離適合觀察和操作斑馬魚，但是經過我們自己的創意，也改裝出可以對金魚進行顯微手術的器具和適合拍攝的大型解剖顯微鏡。設備上的差異並不難克服。」

金魚胚胎的發育生物學優勢

太田欽也說，現代生物學家以果蠅和微生物育種進行遺傳與演化實驗，擴大時間維度來看，千年來金魚愛好者挑選、強化金魚外觀特徵的過程，可以比擬長時間的人擇實驗。

金魚不僅適合用來觀察人擇壓力如何影響成年生物的型態。太田欽也更想進一步探索，從胚胎階段的差異進行選擇，是否可能改變生物的型態。

太田欽也提到，人工育種對發育與型態的影響力也展現在其他物種上，例如家犬與鴿子也被培育出許多特殊表型。但是哺乳動物和鳥類的胚胎觀察不易，需要相當高的技術與成本。

相對於動物子宮與鳥類蛋殼內的胚胎，在透明卵囊中發育的半透明金魚胚胎，就是非常容易觀察的研究對象。只要有恰當的複式顯微鏡、解剖顯微鏡和顯微手術能力，金魚的胚胎從受精到孵化都可以全程順利紀錄，而且每次繁殖可以蒐集到上百筆資料。

自製影片 盼演化生物學跨過學院圍牆

除了將金魚研究成果發表在 Nature 等科學期刊，太田欽也同時努力當起「Youtuber」。他希望能將演化發育生物學、金魚飼育經驗、臨海研究站的學術特色，甚至是宜蘭的風光，透過網路傳達給大眾。

武漢肺炎導致的漫長隔離，是他學習影音製作的契機。最初他在百無聊賴之下看了大量影片，後來逐漸萌發「我也要拍自己的題材！」的企圖心。開始搜尋拍攝、後製、配樂等網路教學，在隔離的單人房中逐漸進步。

太田欽也說，拍攝影片最重要的動機是「分享」。他解釋，「科學的頻道不管累積再多追蹤者，例如數十萬人追蹤的 Nature, Science, 觀眾也以科學領域工作者為主。現代知識逐漸朝向『專家』與『外人』的兩極化狀態發展，我不喜歡這樣的社會。」

如同他推進學術研究的方法，他也透過自學、自己組裝基礎設備如空拍機、手機等，在節省開支的情況下拍出了中研院同僚為之驚艷的影片。

在早已開始的人類世 何謂自然？

太田欽也熱衷以空拍影片介紹宜蘭的郊野與人文，但他對主流輿論的「自然環境」內涵存疑，他認為「自然」早已被人類行為大幅改變。自從農業擴張、工業革命發生，人類對環境與生物的改變程度早已無法恢復「自然原貌」。

他以金魚的馴化過程為例，從宋朝開始的愛好者，透過育種極力凸顯特殊形態，從沒有背鰭的「蛋種」，到眼周水泡足以遮蔽視線的「水泡眼」。都不是基於適應「自然」而進行的育種。

太田欽也強調，「如果是宋朝或明朝人有今天的生物學工具，以他們的追求珍奇的育種態度，一定會用 CRISPR 編輯金魚基因，製造出更奇特的變異型態。」

他說，這樣的行為會在現代科學圈與社會輿論上遭到反對，「認為動物被修改基因、型態變異很可憐」，但人類採用動物進行藥物實驗或經濟用途時，也並未優先考慮「自然原則」。

太田欽也反問，「若是透過基因編輯技術將金魚修改回類似野生鯽魚的型態，更適應野外環境，這樣算是自然或不自然呢？」

建立科技倫理 而非堅守「自然」想像

他指出，金魚的馴化與育種反映著東亞社會的自然觀念，不同於西方基督教倫理的「人統御、保護自然」意識形態。可以促進人們反思，人類也身在其中的「自然」的標準是什麼？而非執著於保護想像中的自然「原狀」。

太田欽也強調，「本質化『自然』、建構一個保守不變的形象，不會幫助人們了解生物學。」

他認為，宋朝人、明朝人的自然觀念與今日不同；甚至現代人常引用的「道法自然」倡議者老子，他所提倡的自然，與現代許多人想像、意圖恢復的也是不同的自然。

太田欽也建言，科學地面對人類因素影響世界各地生態的現實、建立基因科技的社會倫理與規範，都是比恢復建構出的「自然」意象更重要的生物學議題。

來自日本和歌山縣鄉間的太田欽也說，長期駐守宜蘭頭城的臨海研究站不僅是因為設施與職位，也是因為此處環境與故鄉有幾分神似。

「但我不會說這兩個地方都很『自然』，在人們對我說『這裡很自然！』的時候。」太田欽也無奈地笑說，「想到周遭可以釣起吳郭魚的溪流、被整治疏濬成田園的原洪氾濕地，反而會讓我很疑惑彼此對『自然』的共識。」

1995 年諾貝爾化學獎得主克魯岑（Paul Crutzen）指出，現代已是由人類行為影響地質特性的人類世。此概念引起地質科學界激烈討論，從新石器時代、工業革命到核彈試爆頻繁的 1960 年代都有學者認為是人類世的開端。

最後由國際地層委員會的人類世工作小組投票決定，視第二次世界大戰後、人口與人類活動高速成長的20世紀中葉為人類世起點。

查看原始文章

參考資料

1. Li IJ, Lee SH, Abe G, Ota KG. Embryonic and postembryonic development of the ornamental twin-tail goldfish. Dev Dyn. 2019 Apr;248(4):251-283.
2. Abe G, Lee SH, Chang M, Liu SC, Tsai HY, Ota KG. The origin of the bifurcated axial skeletal system in the twin-tail goldfish. Nat Commun. 2014 Feb 25;5:3360.
3. 太田欽也實驗室

• 文／王立雪｜海洋生物博物館企劃研究組組主任、副研究員。

Take Home Message

• 珊瑚在超過 30℃ 的海水中很容易白化，海洋熱浪會造成海水溫度升高，長期累積的熱緊迫會造就珊瑚嚴重白化、死亡。
• NOAA 建立珊瑚礁觀測，利用衛星、海洋溫度偵測器確認海水表面溫度並以模式分析預測、預警大規模珊瑚白化事件。
• 珊瑚白化的情況會因海水深度而不同。例如蘭嶼除了淺水區會發生珊瑚大規模白化外，水深大於 40 公尺的中光層珊瑚也有零星白化事件。

讀者知道什麼是「海洋熱浪」（marine heatwaves）嗎？

海洋熱浪其實類似陸地上的熱浪，只是發生地點在海洋，也就是當地海洋溫度與過去平均海洋溫度相比，出現幾天甚至更久到數月以上的不正常高溫。而這種海水溫度長時間升高的情況，有可能會造成發生地區海域生態的衰退、大量有毒藻類增生、魚類／無脊椎生物因缺氧而死亡或發育畸形，以及海洋脊椎動物（如海龜及魚類）性別比例改變。

海洋熱浪形成的原因通常跟大洋洋流造成的溫暖水團與海氣（ocean-atmosphere）熱交換有關，或是局部空氣因為低氣壓籠罩造成氣溫持續升高，使得海水表面溫度持續上升，再加上環境的風量減少且濕度高，造成海水垂直水層混合降低，而使海水溫度上升更加劇，熱也被累積在海水表層。

海洋熱浪對珊瑚礁生態系的影響

珊瑚礁生態系是世界上生物多樣性最高的生態系之一，常被稱為「海洋的熱帶雨林」。每年對全球的社會、經濟價值貢獻高達 9.8 兆美元。珊瑚礁生態系會受到全球氣候變遷造成的海水水溫上升、海水酸化、人為活動干擾、過漁、陸源汙染物等因素影響，造成大規模的珊瑚白化、進而死亡與衰退。而生態系中的珊瑚，則是維持珊瑚礁生態系穩定發展最重要的生物。

珊瑚是刺胞動物（Cnidaria），牠的內胚層細胞居住著一種稱為共生藻（Symbiodinium，又名蟲黃藻）的特殊種類渦鞭毛藻（dinoflagellates），屬於細胞內的共生現象。共生藻可以行光合作用，提供珊瑚光合作用產物如葡萄醣、小分子有機酸、脂質等，而珊瑚則可以提供共生藻無機營養鹽與保護。

所謂的珊瑚白化，就是指共生藻死亡或離開珊瑚，使得珊瑚失去共生藻的褐色或綠色，呈現白色或是其他特殊的顏色如藍色、黃色、粉紅色（可能是由於體內大量累積的螢光蛋白）。如果白化時間持續，且造成珊瑚白化的影響因子未能被有效移除，珊瑚就會逐漸死亡。

珊瑚合適生存的水溫介於 24～28℃，若是超過 30℃，就很容易會發生白化現象。而海洋熱浪主要會造成海水的水溫升高，如果海洋熱浪發生在熱帶海域，將使原本夏季平均海水溫度就比較高的熱帶海域水溫更高，長期累積的熱緊迫便會導致珊瑚嚴重白化與死亡。

珊瑚死亡後，海洋熱浪會繼續影響珊瑚骨骼上的微生物相、加速微生物的增生，造成珊瑚礁的三維結構被迅速瓦解，進而影響生活於此棲地的其他生物如魚類、甲殼類，使得當地的生物多樣性或數量下降。

利用測量與大數據，分析海水溫度變化並提供珊瑚白化預警

為了因應全球暖化造成的海洋升溫，美國國家海洋暨大氣總署（National Oceanic and Atmospheric Administration, NOAA）在 2000 年建立了珊瑚礁觀測（Coral Reef Watch, CRW），他們在世界各地利用衛星偵測海水表面溫度（sea surface temperature, SST），以及實地以海洋溫度偵測器測量海水溫度，並配合模式分析成功提供了能夠預測大規模珊瑚白化的預警系統。

「DHW」（Degree Heating Week）是珊瑚大量白化最重要的預測指標，主要用來計算當珊瑚面臨的海水水溫比歷史夏季最高水溫還高時所累積的熱緊迫。舉例來說，當預測出的海水表面溫度比歷史上的夏季最高水溫高出 2℃ 且會延續四週，則當地珊瑚累積的熱緊迫就是 2（℃）×4（週）＝8 DHW。

這項系統將珊瑚的白化預測分為五大階段：沒有緊迫、白化觀察、白化警示、一級警戒、二級警戒。沒有緊迫是指沒有熱緊迫及珊瑚白化發生，也就是海水的表水溫度低於當地最高月平均溫度；而白化觀察是指海水表水溫度高於當地最高月平均溫度，但小於珊瑚白化閥值（bleaching threshold temperatures），此時珊瑚面臨低程度的熱緊迫。

白化警示顯示的是海水表水溫度高於珊瑚白化閥值，且累積熱緊迫程度 DHW 介於 0～4；一級警戒是海水表水溫度高於珊瑚白化閥值，且累積熱緊迫程度 DHW 介於 4～8，此時珊瑚會出現明顯白化；二級警戒，則是指海水表水溫度高於珊瑚白化閥值，且累積的熱緊迫程度 DHW 大於 8，這時候珊瑚會出現大規模的嚴重白化甚至死亡。

提出珊瑚白化預警，可以讓研究者與管理單位提早介入，例如加強管理、減少珊瑚礁的緊迫，或是其他更積極的作為，降低海水溫度升高對珊瑚礁的衝擊與增加珊瑚礁的恢復力。

海洋熱浪對臺灣附近珊瑚的衝擊

臺灣過去也曾有多次珊瑚大規模白化的事件。例如 1987 年第一次在墾丁地區被報導大規模珊瑚白化，後續調查發現是因為第三核能發電廠（核三廠）的溫排水造成，這起事件也讓臺灣學者開始注意到溫度對珊瑚的影響。

之後在臺灣附近海域的珊瑚也陸續出現零星的白化現象，有些是高溫造成、有些則是特殊生物繁衍，如黑皮海綿（Terpios hoshinota）造成綠島附近海域珊瑚的白化死亡、營養鹽過剩造成大量毛叢狀藻類繁殖，使得臺灣西南部海域如小琉球的珊瑚覆蓋率衰退。除了高溫外，低溫也會造成珊瑚的白化與死亡，像是今（2022）年春天澎湖南方四島，就因為低溫而出現大量珊瑚白化的現象。

2020 年的海洋熱浪則使臺灣面臨了有史以來最大規模的珊瑚白化事件。全臺各地不論是南部的墾丁地區、綠島、蘭嶼、小琉球、澎湖南方四島，甚至東北角海域都發生大規模的珊瑚白化。

此外，海洋熱浪發生時除了海水溫度升高，通常也會伴隨著強烈的日照，且陽光中的紫外線強度也非常高，因此在海水清澈的地區如蘭嶼，除了淺水區（水深小於 30 公尺）的石珊瑚（Scleractinia）會發生大規模的白化外，連中光層（水深大於 40 公尺）的石珊瑚也發生零星的白化事件，而在中光層的水溫已經遠低於會發生熱緊迫的水溫。

提供珊瑚白化預警，不一定代表當地會發生大規模的珊瑚白化事件，實際情形還是會因為局部地區的狀況而有所不同，而且珊瑚白化的發生情形也會因不同的海水深度而有所不同。

以臺灣而言，今年 7 月初在南部海域開始進入白化警示而後陸續進入一級警戒，並在 8 月中旬開始進入二級警戒，北部海域也陸續進入一到二級警戒。

位於南部的墾丁海域，一樣在 7～9 月初進入一到二級警戒，在恆春半島西岸的合界，則在水深 5～18 公尺處觀察到有多種珊瑚如軸孔珊瑚（Acropora）、表孔珊瑚（Montipora）、微孔珊瑚（Porite）、鹿角珊瑚（Pocillopora）、厚絲珊瑚（Pachyseris）等發生大規模白化。

比較常有冷水團入侵的南灣近岸附近水深 3～10 公尺處如出水口、跳石，就只有觀察到零星的白化現象。而在南灣外也有發現到大面積的表孔珊瑚發生白化現象。

面對愈來愈頻繁的海洋熱浪，我們還能做什麼？

有學者預測，2030 年世界上將有超過 75％ 以上的珊瑚礁每十年會經歷兩次以上的嚴重白化。雖然在珊瑚白化後，若能移除造成白化的因素還是有機會使珊瑚恢復原先狀態，但頻繁的經歷嚴重白化，仍會降低珊瑚礁的恢復力。

面對愈來愈頻繁發生的海洋熱浪，全球有許多政府機構與研究學者投入培育「超級珊瑚」的行列，希望能尋找出可以對抗熱緊迫的珊瑚，並在進行人工培育與增殖後移植到野外環境，期望利用人工的方式培育珊瑚，在珊瑚礁衰退區進行野外移植、復育。

此外，也能增加海洋保護區或是加強區域性白化事件發生時的環境管理，如降低人為干擾、減少漁業行為等，以降低對遭受緊迫的珊瑚來說更雪上加霜的影響。最後，努力控制全球暖化在 1.5℃ 是最迫切需要達成的事。節能減碳救地球不是口號，而是你我都需要努力盡一分心力。

• 〈本文選自《科學月刊》2022 年 10 月號〉
• 科學月刊／在一個資訊不值錢的時代中，試圖緊握那知識餘溫外，也不忘科學事實和自由價值至上的科普雜誌。