第一輛 MIT 的「捷運」——淡海輕軌「行武者號」

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

在前往外星球的探險任務中，很重要的一個問題是如何在外星地表移動。從 1979 年的阿波羅登月計畫所使用的載人月球車，到 2012 年獨自前往火星的好奇號，太空探險車都是採用以輪子為主的設計。這種移動方式容易受限於地形，無法前往地勢陡峭的區域。

在 2021 年底，麻省理工學院的航太工程師開發出嶄新的懸浮技術，能夠讓飛行器在外星球表面懸浮並騰空移動，就像剛升空的幽浮一樣。這種技術已從原理上證明可行，並在實驗室內通過小規模測試，為外星探險技術帶來許多新的想像。

就「地」取材，利用與地表相同的電荷

一般而言，想要讓探險車升空移動是不切實際的想法。如果想讓探險車像火箭一樣燃燒燃料並噴出氣體來推進，就需要搭載大量笨重的燃料，不只讓太空梭升空的負重增加，到達目的地後也很難維持足夠長的任務壽命。另一方面，小行星的個頭都很小，自身的重力無法抓住氣體形成大氣層，因此任何像飛機或直升機的空氣動力方法都不管用。

不過，正是因為缺乏大氣層與磁場的保護，這些小行星的地表會不斷受到來自太陽的高能輻射轟炸，地表的物質被輻射電離使得地表自帶一層電荷，其中向陽面會帶正電，背陽面帶負電。因此，包括月球在內的小行星表面其實都帶有不小的電壓。

在 MIT 的工程師們想到，只要想辦法讓探險車帶有跟地表一樣的電荷，同性相斥的靜電力就能讓其浮在空中。近期的研究表示月球表面的電場足以讓地表的沙塵揚起超過一公尺，有點類似身上充滿靜電時頭髮會豎起來。原則上，我們也可以借用這個自然產生的電場來抵抗重力，打造出「幽浮式」探險車。

要做到這點，可以先在車上裝上液態的離子源，也就是由正負離子組成的液體。加上適當的電壓後，便可以從噴嘴將離子以束狀射出。這類離子噴射所產生的反作用力常用於推進或操控小型人造衛星，不過在這裡也可用來進行靜電懸浮。假如月球地表帶的是正電，幽浮車可以將負離子射出，如此一來整個幽浮車便會帶正電，達到同性相斥的效果。同時，離子束的推力也可以用來操縱車體。

如何加強靜電斥力？讓車子幫地表「充電」

從這個想法出發，MIT 團隊設計出初代的幽浮車模型。但由於地表電荷密度就這麼一點，他們很快從計算發現這樣做的靜電斥力並不足以支撐裝置加上液態離子源的重量。尤其是在月球這類相對較大的星體上，重力加速度較大，幽浮車也需要更強的升力才能升空。

不過仔細想想，在排出負離子後，儘管幽浮車與地表的正電荷總數是固定的，但是兩者之間的靜電斥力大小取決於兩邊的電荷量相乘。因此如果用車上的正離子幫地表「充電」，或許可以加強懸浮用的靜電斥力。

就像是寄包裹時會限制長寬高三者的總和，此時體積最大的選項就是盡量接近正立方體的箱子；同樣的，如果可以適當地將車上的一些正電荷分給地表，原則上就能將兩者之間的斥力最大化。

外太空載具的工程學傑作

理論的計算證實了這個概念上的突破相當關鍵。於是，團隊在設計中加入了幾隻向下的噴嘴，將正離子射向下方的地表，大幅提高地表的局部電荷量。他們在實驗室中造出了第一代幽浮車原型：一個手掌大的六角形薄片，重約 60 公克，裝有四隻噴嘴朝下，一隻朝上。在實驗室的真空環境中，第一代幽浮車在帶電的平板上實際進行懸浮實驗。實驗結果證實了他們的理論模型無誤。

根據目前的理論模型，一個一公斤重的放大版幽浮車將可以懸浮在離地表一公分處。原則上，只要加大射出離子束的電壓就能提升懸浮高度，不過目前的理論只能描述離地高度較小的情況，因此相關的理論參數還需要進一步修正。

這種靜電懸浮所需的能源功率很小，可說是外太空載具的工程學傑作。如果更好的理論模型完成了，那麼未來十分有希望投入實際應用。太空梭可以在小行星周圍投下這些小型幽浮車，讓他們探索崎嶇不平的地表。可惜的是，利用離子噴射來懸浮只對帶電的地表有效，所以在地球上的我們還是得乖乖地用噴射背包來離開地表。

• MIT engineers test an idea for a new hovering rover
• MIT Scientists Design a ‘Flying Saucer’ That Could Float Across The Moon

• 作者：陳曦、蘇禹安 / 台北市立大同高級中學

「數感盃青少年寫作競賽」提供國中、高中職學生在培養數學素養後，一個絕佳的發揮舞台。本競賽鼓勵學生跨領域學習，運用數學知識，培養及展現邏輯思考與文字撰寫的能力，盼提升臺灣青少年科普寫作的風氣以及對數學的興趣。
本文為 2021 數感盃青少年寫作競賽／高中組專題報導類佳作之作品，為盡量完整呈現學生之作品樣貌，本文除首圖及標點符號、錯字之外並未進行其他大幅度編修。

上高中後，搭乘捷運成為日常生活的一部分，某月初進站時發現悠遊卡多了一百多元， 剛開始以為自己記錯卡片的餘額。但到了下個月初又多了一筆錢，所以去加值卡機查詢儲值紀錄，發現原來是捷運卡的回饋金。 

查了台北捷運公司官網資料，現金回饋比例是由上個月累計搭乘次數根據下圖（圖一）的對應方式決定，而回饋金為累積搭乘金額再乘上現金回饋比例，在每個月初會回饋到捷運乘客的悠遊卡。

某個月的月底，放學搭捷運回家，進站時我發現這個月恰好乘坐捷運 50 次，差一次就可以在下個月拿到 30% 的現金回饋比例，於是我在途中先出站，再進站搭乘捷運。果不其然，下個月的回饋金就是上個月搭乘金額的三成。 

因此我好奇，如果不考慮進出站與等車的時間成本，單純以花費考量，

哪些分段方式可以省下通車費用、哪些則不行呢？於是，我們開始了以下研究。

捷運地圖如下圖（圖二），事實上可以分段搭乘的路線不勝枚舉，我們無法一條一條去計算比較哪些路線分段搭乘比較划算。關於如何分段搭乘比較省錢，我們會從「（問題一）拆成幾段搭乘？」、「（問題二）每月搭乘幾次？」、「（問題三）乘坐多少里程數？」等三方面去討論，再利用所學的不等式運算，找出分段搭乘比較省錢的方法，以此判斷哪些路線可以分段搭乘。 

首先，我們先探討分段搭乘的票價至少會貴出多少錢？ 

上圖（圖三）是台北捷運公司官網公告的捷運車票計價方式，是根據起／終點的行車距離計算票價，我們將乘車距離對應的票價整理在下表（表一）。 

若今天我們出門需乘坐 24 公里的車程，則票價為 55 元，如果分成兩段 12 公里乘坐的話，票價就變成 35+35=70 元，所以分段搭乘貴了15 元。然而，也可以拆成 5+19 公里來乘坐，則此費用變為 20+45=65 元，僅貴了 10 元。 

所以，各個階段的票價，會因為分段搭乘的方式不同而有不同的費用。事實上，我們經過各種拆法的嘗試，在 55 元的票價之下，拆兩段的總票價至少會多出 10 元。上表（表一）是我們整理出來各個票價之下，分拆成兩段與三段搭乘時，要多支付的最小差價以及其分段乘坐的方法。從此表我們可以得出：

1. 分成兩段搭乘的話，票價至少要多花 10 元。  
2. 分成三段搭乘的話，票價至少要多花 20 元。

接下來，將比較分兩段／三段搭乘的現金回饋比例與單趟搭乘的現金回饋比例之間的差異。 

根據捷運公司公佈的搭乘次數回饋金比例資料（圖一），我們整理出單趟搭乘與分段搭乘的比較表格，如下表所示：（表二）為拆三段搭乘的比較；（表三）為兩段搭乘的比較。

由下表二、三可知，當每月搭乘次數為 17~20 次時，分拆成三段搭乘與單趟搭乘的現金回饋比例差距最多，高達 20%；而當每月搭乘次數為 26~30 次時，分拆成兩段搭乘與單趟搭乘的現金回饋比例差距最多，最多到 15%。 

根據（表二）的結果，我們先討論第一個問題：「在搭捷運時，拆成幾段搭乘可以節省車費？」 

假設我們這個月份以 A 票價搭乘 X 次，所累計的現金回饋比例為 α%，則我們可以算出本月的回饋金為 αAX 元，扣除回饋金，本月實際花費為未分段搭乘的花費 = (1 − α)AX 元 

若將 X 次的搭乘，每次都分拆成三段來乘坐，每段票價分別為 B、C、D 元，則累計搭乘次數增加為 3X 次，所累計的回饋金比例為 β%，因此本月的回饋金為 β(B + C + D) 元，而且本月實際花費即為分三段搭乘的花費 = (1 − β)(B + C + D)X 元

我們把「未分段搭乘的花費」減去「分三段搭的花費」即是分三段搭乘可省下的錢，然後再除以搭乘次數 X 得：(1 − α)A − (1 − β)(B + C + D) 元，即是「平均每一趟乘搭乘可以省下的花費」。

因為拆三段搭乘票價會至少貴 20 元，即 B + C + D ≥ 20 + A，因此 

(1−α)A − (1−β)(B+C+D) ≤ (1−α)A − (1−β)(20+A) = A(β − α) − 20 + 20β

因為票費 A 最多 65 元，回饋金的差 (β-α) 最多為 20%，拆三段的回饋金比例 β 最多為 30%， 所以分三段搭乘平均每趟可省下的錢不會超過下式： 

(1 − α)A − (1 − β)(B + C + D) ≤ 65 × 0.2 − 20 + 20 × 0.3 = −1 < 0

可發現分三段省下的金額是負數，即是不管如何拆三段搭乘都不划算。而拆四段以上搭乘的話，每趟會增加更多票價，所以會更加不划算。因此，我們得到第一個小結論， 

結論一：「若分成三段以上搭乘，則總花費一定比不分段搭乘的花費更多。」  

因為拆三段以上搭乘一定不划算之下，我們考慮是否可以拆兩段乘搭。如同前段的分析， 將 X 次的搭乘，每次都分拆成兩段來搭乘，每段的票價分別為 B、C 元，則累計搭乘次數增加為 2X 次，所累計的回饋金比例為 β%，因此本月的回饋金為 β(B + C) 元，而且本月實際花費即為分兩段搭乘的花費 = (1 − β)(B + C)X 元 

把「未分段的花費」減去「分兩段的花費」後再除以搭乘次數 X 可得，分兩段乘坐之下， 平均每一趟乘搭乘可以省下的花費為 (1 − α)A − (1 − β)(B + C) 元 

我們先考慮，如果分兩段搭乘的票價會比原來多 15 元以上的情況，即是B + C ≥ 15 + A，則上式可以整理成：

(1 − α)A − (1 − β)(B + C) ≤ (1 − α)A − (1 − β)(15 + A) ≤ A(β − α) − 15 + 15β

同理，因為票價 A ≤ 65 元，回饋金的差 (β-α) ≤ 15%，拆兩段的回饋金比例 β≤30%，所以，如果拆兩段的票價貴 15 元以上的話，兩段搭乘平均每趟可省下的錢不會超過下式：

(1 − α)A − (1 − β)(B + C) ≤ 65 × 0.15 − 15 + 15 × 0.3 = −0.75 < 0 

因此，在此情況下，分兩段搭乘也不會划算。所以，我們的第二個小結論：

結論二：「若分兩段搭乘的票價比原本貴 15 元以上，則分段搭乘一定不划算。」 

我們的第二個問題：「若分段搭乘，每個月要乘坐幾次才能節省車費？」 

根據（表一）所示，拆兩段搭乘票價至少貴 10 元，由上述結論可知，若分段搭乘能夠省下交通費用的路線，則必須選擇拆兩段的票價只貴 10 元的路線，即是 B + C = 10 + A。因此，平均每一趟乘搭乘可以省下的花費，可以改寫成 

(1 − α)A − (1 − β)(B + C) = (1 − α)A − (1 − β)(10 + A) = A(β − α) − 10 + 10β

因為票價A ≤ 65元，回饋金的差 (β-α) ≤15%，若回饋金的差 (β-α) 在 10% 以內的話，則拆兩段搭乘平均每趟可省下的錢不會超過下式： 

A(β − α) − 10 + 10β ≤ 65 × 0.1 − 10 + 10 × 0.3 = −0.5 < 0 

因此如（表三）所示，每月乘坐太少或太多次都讓回饋金的差 (β-α) ≤10%，則拆兩段搭乘不會省下車票花費。唯有在回饋金的差 (β-α) 在最高的 15% 時，也就是每月乘坐次數在 26 次到 30 次之間，拆兩段搭乘的方式才能節省費用。所以，我們的第三個小結論：

結論三：「若拆兩段搭乘的花費能比較少，則每月乘坐次數需介於 26 到 30 次之間。」 

最後，我們要討論：「至少乘坐多遠的距離，拆兩段搭乘才能節省費用？」 

因為每個月乘坐次數是介於 26 次到 30 次之間，所以單趟搭乘的現金回饋比例為 15%(α=0.15)；而拆成兩段搭乘的次數增加為 52 次到 60 次之間，所以回饋比例為 30%(β=0.3)。 由（結論二）可知，拆兩段的路線必須是只能比單趟搭乘多 10 元票價 (B + C = 10 + A)，因此平均每一趟乘搭乘可以省下的花費可以表示如下： 

(1 − α)A − (1 − β)(B + C)元 = 0.15A − 7 元 

如果分段搭乘的方式可以省下費用，則上式要大於零， 

0.15A − 7 > 0 → A > 46.6666 … 

因此，若拆兩段搭乘能省下費用，則單趟乘坐的票價A要超過 46 元，即是票價 A 為 50、55、 60、65 元。所以，若從里程數來看，我們的第四個小結論： 

結論四：「搭乘超過 20 公里的路線，拆成兩段乘坐，才能省下費用。」  

因此「什麼路線可以分段搭乘呢？」總結上述討論的四個小結論如下：

1. 若分成三段以上搭乘，則總花費一定比不分段搭乘的花費更多。
2. 若分成兩段搭乘的票價比原本貴 15 元以上，則分段搭乘一定不划算。
3. 若拆成兩段搭乘的花費能比原花費少，則每月乘坐次數須介於 26-30 次之間。
4. 搭乘超過 20 公里的路線，拆成兩段乘坐，才能省下費用。

當每個月搭乘次數為 26 到 30 次時，我們歸納出下面此種路線，拆成兩段乘坐可以省下費用： 

「該路線票價大於或等於 50 元，並且拆兩段總票價只會多 10 元。」

因此，我們考慮每個月乘坐 30 次，即可算出不同票之下，分段搭乘最多可以省下多少錢，見下表（表四）。所以，在不考慮時間成本下，我們推論出，分段搭乘的方法最多能省下 82.5 元。雖然省下的金額不多，但是推論的過程中，我們發現到有些路線分段搭乘確實比較划算。

最後，根據我們的研究所找到路線選擇的條件，整理出下表這些符合條件的路線以及分段方式，並分成兩種方式呈現。（表五）為淡水信義線範圍內之路線、（表六）是以淡水為目的站之路線，由於數量龐大未能全部列出。不過，下次乘坐捷運時，如果起終點符合上述的條件，不妨試試拆兩段乘坐看看，或許可以幫你在下月獲得更多的回饋金。 

資料來源

1. 票價查詢：台北大眾捷運股份有限公司-票價查詢 
2. 票價查詢：工具邦-台北捷運路線圖 
3. 回饋金資料：台北大眾捷運股份有限公司-常客優惠方案 
4. 捷運路網圖：台北大眾捷運股份有限公司-路網圖