自殺森林，以自我犧牲成就集體光榮──《悲傷地形考》

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

福島核污水正式排放入海了！食鹽要屯多少？海鮮還能吃嗎？哥吉拉要誕生了嗎？

核廢水是怎麼來的？

2011 年 3 月 11 日，一場海嘯衝擊了在福島海邊的第一核電廠，破壞了核電廠中做為緊急電源設備的發電機，在備用電池電力耗盡後，冷卻系統完全失效。然而反應爐內的連鎖反應還在持續，最後溫度不斷竄高，高溫水蒸氣與燃料護套中的鋯合金，發生鋯水反應並產生大量易燃的氫氣，最終與空氣中的氧氣作用導致爆炸。

在事故發生前後，日本政府灌入大量海水來為反應爐進行冷卻，而這些直接接觸熔融燃料棒的污水，就被稱為核污水，日文則稱為「汚染水」。至於當時的決策細節與失誤，大家可以看今年上映的日劇《核災日月》複習一下。而既然事件已經發生了，我們就重點討論核污水。

現在儲存在福島的核污水不只有冷卻水，其實還有受污染的降雨與地下水。事故發生後，東京電力公司在第一核電廠加裝擋水牆，阻擋因為降雨流經 1、2、3 號機組的污染水流入海洋。並且設置凍土牆隔絕地下水，同時挖水井抽出污染的地下水，讓廠區內的地下水水位下降，因此地下水只會從外部滲入，內部的污染水則不會滲到外面。不論是降雨還是抽出的地下水，都屬於污染水，平均每天都會增加 92 立方公尺的污染水。直至本集影片上架，當地已經存有 134 萬噸的汚染水，而且還會持續增加，你可以自己打開 Google Map，鳥瞰這密密麻麻的眾多大型儲槽，別忘了，核反應爐本體才是日本更迫切的問題，要是污水不先處理，要是下一個天災來襲，麻煩又會疊加。因此日本政府在 2016 年就展開討論，準備要處理掉這些污水。

為何決定排放入海？

為何核污水的最終處置決定是排放入海呢？其實 2016 年提出的方案有五種：稀釋入海、蒸發至大氣、電解水釋放氫氣、深層地質注水、以及水泥固化並地下處置。很快，電解水因為還需要相關技術研發而被否決，這個我們在氫能那集講過。深層地質注水和水泥固化並地下處置，則有選址與法規問題，無法立即實現。這部分則等同於核電使用國都面臨的核廢料處置問題，我們之前花過好幾集介紹過，歡迎前往複習。

最後僅剩稀釋入海和蒸發至大氣兩種方法，最後日本認為海洋的擴散行為更容易追蹤，最重要的是成本僅有蒸發的十分之一，因此選用了這個方法。至於有些人說，既然東電跟日本政府都保證安全，何不做成瓶裝水拿去賣？之類的建議在這我們不多討論，就請大家用理智來看待。

核廢水如何被處理？

根據日本政府的規劃，在這些污染水排放入海前，會先進行淨化處理成為處理水。首先，污染水會經過「銫吸附裝置」，除去銫（Cs）和鍶（Sr）。接著再經過淡水化裝置除去水中的鹽分後，成為「鍶處理水」。這種鍶處理水，可以作為 1, 2, 3, 4 號機組的冷卻水再次循環利用。

最後，大部分的鍶處理水，會被送到「ALPS多核種除去設備」，將 63 種放射性核種中的 62 種放射性核種去除。「ALPS多核種除去設備」唯一不能去除的放射性核種，就是氚（H-3）。但其實啊還有一個碳-14 無法被過濾，但濃度低到可以忽視。經過「ALPS多核種除去設備」處理過後的「鍶處理水」，就稱為「含氚處理水」。

含氚處理水中的氚，指的是氫的同位素的一種，在自然界中就存在。半衰期為 12.43 年，衰變時會進行 β 衰變，放出一顆電子並成為氦-3。β 衰變對人體的穿透距離僅限於皮膚，不會對內臟器官產生傷害。
如要能危害人體，需要長期大量攝取由氚構成的重水。關於攝取過多重水對動植物的影響，我們網站上有文章詳細說明過。

簡單來說，綜合自然界中跟福島即將排放的氚，以及我們的生活型態來看，遠遠達不到可能產生危害的程度。知道劑量決定毒性，就像我們每天都吃下不少「有害」物質，例如殘留農藥、油炸致癌物、過多的精製糖等等，但攝取的多寡，對你的健康影響差異很大。那麼重點來了，福島排放的處理水，真的有合乎標準嗎？

處理水符合標準嗎？

這個問題，我們在今年六月的核廢料主題中有提到，國際原子能總署 (IAEA) 在五月底公布了第一階段的調查結果，針對「日本的核種監控能力」進行第三方驗證。結果認為，日本的檢測標準跟分析方法沒問題，調查結果是可信任的。報告中除了氚以外，其他放射性核種的活度也都遠低於排放限值。例如鍶-90 為每公升 0.4 貝克、銫-137 為每公升 0.5 貝克，以臺灣的「食品」標準，銫-137 為每公升 100 貝克以下，雖然鍶-90 還沒有定下標準，但是依國際食品法典委員會的標準，也是在每公升 100 貝克以下。目前的排放值都遠小於標準。

除了各單一核種的活度以外，所有水中核種加起來的「告示濃度限度比」也低於日本國家標準的每年 1 毫西弗（mSv/year）， 1 毫西弗大約是多少呢？大約是一般民眾一年會接收到的輻射劑量。

至於無法被 ALPS 處理的氚，因為海洋中的水中就廣泛存在，日本將透過海水稀釋後排放入海。目前世界衛生組織對於飲用水的氚含量標準訂為每公升 1 萬貝克，台灣的標準嚴格了許多，是每公升 740 貝克。東電公司的處理水是每公升 14 萬貝克，在排放前會稀釋 740 倍，以每公升 190 貝克的氚濃度排放，低於台灣的飲用水標準。

那麼食鹽呢？我們需要搶購嗎？這就更不用擔心，因為食鹽中不含水，自然也不含氚。或是更進一步可以參考東海大學應用物理系的粉專，他們計算，根據國家標準，食鹽含水量若為 3% 以下，需要每天吃超過 400 公斤的食鹽才會攝取氚超標。真的，別吃那麼鹹啊。

那麼，我們就真的兩手一攤，為這件事劃下結論，核輻射只是庸人自擾嗎？

我們該如何看待排放的處理水？

當然不是，就像許多人擔心的，就算科學上告訴你沒問題，但前提是，這些數據得是沒問題的。而且不用說周邊國家，連日本自家民眾也多次抗議處理水的排放。

目前在 IAEA 架設的網站上，可以看到整個排水計畫的各種即時監測資料。其中就包括出水口的輻射數值監測。

為了驗證處理水不會對海洋生物產生影響，東京電力甚至從去年 9 月開始，就開始進行海洋生物飼養實驗，並且全程公開直播放在他們的YouTube頻道上。不過這頻道訂閱人數跟觀看次數都有點低迷，有興趣的話不妨訂閱，開啟小鈴鐺。

那麼我們能下定論了嗎？在科學上，我們確實能說，在符合規範下，這些排放入海的處理水是沒問題的，食鹽、海鮮也都能照吃，把注重食安與健康的努力分配到其他危害更大、風險更高的事情上，對處理水保持健康而非病態的質疑，對個人來說應該效益更高。

臺灣從去年到今年 6 月，曾 3 次組團赴日考察，並於 8/24 公佈報告書，包含跟日方的問答內容，還有福島核廢水排放設施的照片。海委會表示，專家觀察團評估日方排放相關作業的安全性，跟國際原子能總署評估的結果一致。然而是否選擇相信日本以及 IAEA 給出的數據，如今看來成了國際政治問題。

另外，在 IAEA 的小組成員中，包含周邊國家：中國、美國、韓國、越南、澳洲、加拿大、法國、俄羅斯、英國、阿根廷、馬紹爾群島，並不包含台灣。如果台灣也能以任何形式加入團隊，或得以取得樣水複測，讓我們知道，日本以及 IAEA 給出的數值是可信的，想必都能更進一步降低民眾的擔憂。

歡迎訂閱 Pansci Youtube 頻道 獲取更多深入淺出的科學知識！

• https://www.fao.org/fao-who-codexalim…
• https://www.tepco.co.jp/en/decommissi…
• https://www.nhk.or.jp/politics/articl…
• https://www2.nra.go.jp/data/000319415…
• https://www.tepco.co.jp/decommission/…
• https://pansci.asia/archives/319360
• https://www.iaea.org/sites/default/fi…
• https://erss.aec.gov.tw/law/LawConten…
• https://www.aec.gov.tw/newsdetail/new…
• https://www.iaea.org/topics/response/…
• https://www.tepco.co.jp/zh-hk/decommi…

義大利某山腳下的小村莊裡，67 歲婦人遭火吻的裸屍（照片）躺臥家門內側。胸口平置經書；腹肚擺放念珠；左手肘內側有道 X 型的割痕；四肢周圍則散落靠枕與燒過的纖維碎屑。後頭牆面一抹煙燻；附近的地板扔著一個澆水壺、一張翻倒且失去座板的椅子；稍遠處還有焚毀的物質和不明液體。大門、廚房跟柴棚之間，遍佈滴落（drip）、噴濺（spatter）和塗抹（swipe）等各種樣態的血液，以及人來人往的足跡。警方在柴棚裡，找到沾血的菜刀、半罐聞起來有燃料味的液體，與倒下、椅座部份燒壞，且有滴落血斑的椅子；並於窄小的客廳中，尋獲一只乙醇空瓶。^[1]

背景與筆錄

這名婦人有 3 個兒子：1 個自殺身亡；剩下2個罹患思覺失調症，其一反覆恐嚇家人。根據筆錄，事發當天兩個兒子都在樓上，一個於房間裡休息，另外一個聽著震耳欲聾的音樂。婦人的丈夫發現，她坐在門口耶穌聖像前的椅子上，渾身火舌纏繞，遂大聲呼救，叫沉浸於音樂中的兒子幫忙。在接獲通報的急救人員到場前，一名被請來的神父先行抵達，將經書和念珠放在屍體上。之後，其中一個兒子因為半燒毀的椅子「惹到他」，而在警察尚未趕到時，把該證物移至柴棚。^[1]

驗屍

驗屍團隊針對婦人的屍體，進行了下列檢查：

• 電腦斷層掃描：沒有重大創傷。^[1]
• 外觀相驗：90% 體表二至三度燒傷；頭髮燒焦；左手肘內側的X型割痕邊緣滲血；無自衛或他人造成的傷害。^[1]
• 解剖：呼吸道黏膜泛黑；心臟肥大、冠狀動脈硬化、左心室肥厚。^[1]
• 組織學分析：肺氣腫、肺部鬱血、心肌硬化。^[1]
• 毒理學分析：婦人的血液與尿液裡，有乙醇、抗精神病藥物levomepromazine和抗憂鬱劑sertraline殘留。^[1]

法醫認為婦人原本就有缺血性心臟病和慢性肺氣腫，在大面積燒傷後，導致急性心血管功能不全，休克而死。至於體內乙醇和藥物的濃度，沒有高到會造成死亡。^[1]

重建時序

由於婦人身上沒有抵禦的痕跡，基本上可以推論不是死於他殺。此外，自焚的燒傷面積，通常比被別人縱火來得大，這也符合婦人的情形。然而，她大概沒有事先計劃，單純臨時起意，才會一個方法不行，再試另一個，愈換愈致命，成為手法多元的非典型自殺個案。^[1]

此案複雜的程度，本來就已經令辦案極具挑戰；偏偏死者的家屬和神父又破壞現場；而且警方沒有檢驗可燃液體的成份，這些都讓事情難上加難。不過，在《國際鑑識科學：報告》（Forensic Science International: Reports）期刊上，分析這個案件的作者，還是絞盡腦汁，把整個時序重建出來：^[1]

首先，婦人使用的藥物不是醫師開的，而且她刻意配合大量乙醇服用，自殺意圖明顯。她體內藥物的濃度沒有很高，不過是因為死亡打斷了身體的吸收。再來，手臂嚴重割傷，必定發生在自焚之前，不然應該沒本事劃得那麼整齊，又那麼深。後來火燒的時候，她還活著，而非死後遭人焚屍，所以會吸入濃煙，燻黑呼吸道黏膜。最後，從血斑的型態和方向，則能判斷婦人先持刀傷害自己，接著在公寓的地面層遊蕩，直到進入柴棚取得可燃液體。她可能在那裏或廚房，將液體淋滿全身，再行至門前走道，然後於耶穌像前坐下。該處牆上焚燒的痕跡，跟婦人身形的高度與寬度吻合，即為佐證。^[1]

即使婦人艱困的生活背景，給予她明確的自殺動機，以上推論還是從統合分析多方線索而來。原個案報告作者也強調，遇到如此複雜的命案，務必參考鑑識醫學、毒理學檢驗和醫療影像等資訊，才能做出正確的解讀。^[1]

自殺防治專線：
 衛生福利部安心專線 1925
 生命線協談專線 1995
 張老師輔導專線 1980

1. Terranova C, Massaro L, Angiola F. (2023) ‘An unusual unplanned complex suicide by arm cutting, poisoning, and self-immolation’. Forensic Science International: Reports, 8:100327.