知識分子的社會責任

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

• 撰文｜陳貴正（中央研究院歐美研究所博士後研究員）
• 校對｜陳樂知（臺灣大學哲學系助理教授、臺大傳統與科學形上學研究中心執行長、臺灣邏輯、方法論、科學與科技哲學學會秘書長）

臺灣邏輯、方法論、科學與科技哲學學會（LMPST Taiwan）為促進學科之間的交流，以及學界與公眾之間的交流，籌劃《種種意識講場》的系列論壇。

合辦者包括政治大學現象學研究中心、清華大學實作哲學中心、臺灣大學哲學系、臺灣跨校意識社群、PHEDO 台灣高中哲學教育推廣學會、沃草公民學院，贊助者則為順弈有限公司。

繼前次的〈意識的真象與假象〉論壇之後，第二次論壇則以〈時間與時間意識〉為題，於 2022 年 4 月 16 日在郵政博物館視聽室舉行。

鄭會穎教授（政治大學哲學系助理教授、現象學研究中心主任）再次擔任活動主持人，受邀講者則包括余海禮博士（中央研究院物理研究所研究員）、高涌泉教授（臺灣大學物理系教授）、周先捷教授（臺灣大學哲學系助理教授）與潘怡帆教授（東海大學哲學系助理教授）。

經驗中的時間與物理中的時間

在不同的視角之下，時間似乎會有不同的樣貌。在開場的引言之中，鄭會穎教授（政治大學哲學系助理教授、現象學研究中心主任）談到了兩種對時間的視角：日常經驗的視角與物理學的視角。在日常生活之中，我們似乎能感受到時間正在不斷流動，也能感受到時間由過去趨向未來的變化。然而，這些在日常生活中感受到的時間現象，是否真的符合當代物理學理論，特別是愛因斯坦的相對論？

如果答案是否定的，那日常經驗與物理學便產生了互相衝突的時間觀念。這種潛在的衝突，不但是哲學家研究時間的一大難題，也將是本次論壇的主題。

在鄭教授介紹了主題之後，潘怡帆教授（東海大學哲學系助理教授）便為討論提供了歷史面向。在時間理論的歷史中，有一場重要的會議：1922 年 4 月 6 日的巴黎會議。在這場會議之中，法國知名哲學家柏格森 （Henri Bergson，1859—1941） 與愛因斯坦進行了對話。柏格森主張，愛因斯坦的理論雖然帶來了時間測量方法的洞見，卻未能真正告訴我們：時間究竟是什麼？

潘教授解釋了柏格森採取這種立場的原因：「時間就是人，有人才有時間」。某種時間現象的意義為何，取決於人在那樣的時間現象中以什麼方式行動。因此，如果科學理論不再從行動者的角度來探究時間，而企圖將時間理解為某種可測量的物理量，那麼那種科學理論就忽略了時間的根本面向。柏格森對於愛因斯坦理論的疑慮，再次表明了生活中的時間經驗與物理中的時間理論之間，可能存在衝突。

狹義相對論與時間

在潘教授闡釋了柏格森的觀點之後，高涌泉教授（臺灣大學物理系教授）把話題一轉，轉向巴黎會議中的另一主角——愛因斯坦。高教授介紹了物理學從馬克斯威爾（James Clerk Maxwell，1831—1879）的理論到狹義相對論的發展，藉此分析狹義相對論框架下的時間觀。

在馬克斯威爾的理論中，任何物體存在於什麼時間、處在空間中的什麼位置，都必須由一個絕對的座標系所來衡量，也就是以太座標。那麼，要決定任一物體運動的速度，就必須考量該物體與以太座標原點之間的速度差異。

就此而言，任一物體的速度對於一個觀察者而言，都是相對速度：假若任一物體的客觀速度，都是一個相對於以太座標原點的數值，那麼，對於一個觀察者來說，一個物體的速度，自然是取決於觀察者本身的客觀速度與被觀察的物體的客觀速度之間，兩者之間的相對差異。

以太座標本身固然產生了不少問題，例如那個座標到底為何？然而，更為重要的是，物理學家發現，不管對於任何速度的觀察者而言，光速都是恆定的，不是一種相對於觀念者自身速度的相對速度。面對這個難題，愛因斯坦提出了他的解決方法，即放棄以太座標作為絕對座標，轉向相對論的時間觀。高教授透過「位移除以時間」的速度定義，以簡明易懂的方式說明這種轉向背後的思路：「如果有某種速度是絕對的，那麼既然位移是相對的，那麼只有讓時間是相對的」。

一旦時間被視為相對的現象，兩件事情發生時間的同異就沒有了絕對的標準。如果兩個觀察者以不同的速度移動，時間相對於這兩個觀察者的流動速度就不相同。舉例來說，即便兩個人在校對時間之後，考慮「一年後」這一特定時間點，只要這兩人接下來的移動速度不同，「一年後」這時間點相對於兩人的來臨時刻就不相同。高教授指出了這對物理學時間觀的意涵：「時間再也沒有絕對性」，反而是「每個人都有他自己的時間」。因此，物理學從馬克斯威爾理論到狹義相對論的發展，也標誌了物理學時間觀的重大轉變。最後，高教授為討論留下了空間：各種有關時間的哲學理論能否成功，取決於它們能否為上述物理現象提供合理的解釋。

廣義相對論與時間

高教授對狹義相對論進行了分析，余海禮博士（中央研究院物理研究所研究員）則著眼於廣義相對論的理論意義。余博士指出，狹義相對論並非完整的理論，因為完整的理論必須是一種動力（dynamical）理論──它必須說明在特定的起始條件（initial data）之下，物理系統的狀態將會如何作用和改變。

舉例來說，牛頓力學的原則即捕捉了物理系統的狀態改變。一旦某物體最初所處的位置與狀態確定下來，牛頓力學的原則就可以預測同一物體在之後任一時刻所在的位置。若要說明狹義相對論的限制，就必須進一步討論它與廣義相對論之間的關係。

按照余博士的觀點，廣義相對論的任務是「描述各種可能時空的動力變化。給你任何一種起始條件，你都可以研究一下它的動力變化長得怎麼樣。」相較之下，狹義相對論的任務僅為提供均速座標之間的變換；而且，它僅適用於特定種類的時空，也就是所謂的「閔考斯基空間」（Minkowski space）。

余博士認為，這種空間「在廣義相對論的角度來看，沒有任何的特殊性、沒有任何的地位，或者沒有任何的基本性、本質性」。以演講現場存在着一張椅子的空間為例，余博士指出這已經不是閔可夫斯基空間。即便拋開這些較為特異的例子，僅僅關注我們實際所處的宇宙，當今主流的宇宙學模型也非基於閔考斯基空間的模型。縱然如此，時間的流動速度受運動狀態影響的現象依舊存在。這說明了探討時間的根本（fundamental）特性，並為時間提供一個完整（complete）和根本（fundamental）的解釋的時候，我們不應受限於狹義相對論跟作為特例的閔考斯基空間，而應該採取廣義相對論的框架。

對於時間問題，廣義相對論提供了怎麼樣的洞見？余博士首先分析了邏輯學家哥德爾（Kurt Gödel，1906-1978）的觀點。哥德爾的論證指出：在某些廣義相對論的解之下，物體即便不以超越光速的方式運動，也能夠回到過去。如果回到過去在邏輯上是可能的，則時間應該不存在。另一方面，哥德爾也不樂於接受狹義相對論中同時性由運動狀態決定的結果。隨著時間流動，許多原本不存在的事物將轉為存在；但事物存在與否，理應是完全客觀的事。既然時間的次序對應於存在的次序，時序也就該是一件完全客觀的事。

在這樣的脈絡下，余博士問道：在廣義相對論中，有沒有任何物理量能夠被視為普世時間，其中不存在不同觀察者之間的差異？余博士提出了一個答案：「宇宙透過自己的體積（volume）的膨脹而產生的時間」，也就是說，「空間大小的變化，蘊含着時間的資訊」。時間作為空間的變化，是作為一個因果序列而存在；所有與時間相關的資訊，都被包含在這個因果序列之中。而這個時間作為因果序列的看法，亦正好與德國哲學家康德的觀點相形。余博士提出他的一個核心觀點：嚴格來說，時間比空間更為基本，因為空間透過時間才得以生成。

作為排序的時間

就物理學的視角來看，時間或者相對於觀察者、或者可由更根本的事物解釋。這是否代表時間說到底是種幻象？緊接發言的周先捷教授（臺灣大學哲學系助理教授）指出：要回答這個問題，首先必須考量在不同的時間觀念底下，時間究竟有哪些不同的特性；而時間是否幻象，則取決於我們在討論哪種時間觀念，以及那種時間觀念所定義下的時間特性是否存在。

我們可以先問：日常生活的時間觀有哪些要素？這個問題可以透過分析日常生活中對於時間的經驗來回答。首先，在日常經驗中，「現在」這個時刻具有任何其他時刻都不具有的特殊地位。其次，這個特殊時刻不對應任何固定的事件；當發生在這個時刻裡的事件被另一事件取代，後者就成了發生在「現在」的事件。周教授以「動態的時間觀」稱呼具備這兩個要素的時間觀。

以動態的時間觀為基礎，可以有多種的時間理論。其中一種理論是「現在論」（presentism）。就現在論者看來，為了闡明「現在」這個時刻的特殊之處，我們應當宣稱只有這個特殊時刻裡的事物才存在。過去的事物、未來的事物都不在「現在」這個時刻裡，因此都不存在。

「移動聚光燈論」（the moving spotlight theory）的倡議者則認為，「現在」的特殊之處應該用其他方式來說明，存在的事物不會因為沒被看到就消失。用聚光燈的比喻來說，被照到與沒被照到的事物間只有看不看得到的差異，沒有存在與否的差異。

因此，當討論時間的時候，「現在」這個時刻裡的事物就有如聚光燈所照射的事物，因被照到而顯得特殊。相較之下，過去的事物、未來的事物則沒有聚光燈照射，但它們就如現在的事物般真實存在。

不管這些動態的時間觀如何發展，都面臨一個棘手的問題：它們有可能不容於物理學，因為它們強調了「現在」這一時刻的特殊之處。若要發展合乎物理學的時間理論，那我們可以回到一開始的問題：有沒有其他時間觀念，其定義下的「時間」可以作為討論的出發點？一種作法是採取余博士所提及的、以空間與因果關係為基礎的時間觀。然而，周教授考慮了一種更為簡單的時間觀，是任何立場的論者都不應該反對的：時間「就是一個時間線」，或者說「就是一個排序」。換句話說，一旦宇宙所處的各種狀態給定之後，任何排列這些狀態先後順序的方式，就是一種時間。

這樣的時間觀雖然簡單，卻清楚指明了為何時間不能單純只是一種幻象。要建立任何科學理論，科學家都必須訴諸實驗所提供的證據。然而，任何實驗都有進行的順序。如果沒有按照特定順序執行的實驗，也就沒有被證據檢驗的科學理論。周教授在此強調：否定了排序的可能，就是否定了實驗的可能。在「時間作為排序」的時間觀下，這也就是說：沒有時間，就沒有實驗。那麼，時間就不能單純只是一種幻象。任何人提出時間僅是幻象的理論，就等於是宣稱自己的理論不可能得到實驗上的支持。

在討論時間議題時，周教授的說法指明了一種有效的討論方式：唯有透過釐清所使用的時間觀，我們才有可能真正回答「時間真實與否」的問題。那麼，除了上述那種最簡單的排序觀，是任何討論時間的論者都不應該反對的，時間有沒有可能有更多特質？換句話說，有沒有一些其他更精深的時間觀念可能為真？周教授為這問題留下了空間，也為本次論壇提供了可供反思的結尾。

【科科齊打交】是我們希望可以與大家一起進行的全新對話形式。

泛科學編輯部會盡力蒐集資料，提供可以協助討論的內容，非常期待能夠塑造一個開放與理性討論的空間。

現在，我們想邀請你閱讀完內容後，在此文底下留言，與我們分享你的想法！這次特別想和大家聊聊「論壇」這回事，一起盤點一下從小到大，我們看過的各方論壇，還有他們曾經帶來的回憶吧！

時代的眼淚——Yahoo 奇摩知識+

「在線等，急！求解 20 點！」在座的你各位啊，一定多多少少聽過，甚至在上面留過問題、替別人解答過問題。

現在的年代，大家萬事問臉書、萬事問 IG ，但是在更久以前，其實是 Yahoo 奇摩知識+ 的時代。

Yahoo 奇摩知識+ 於 2005 年 6 月 28 日上線，至今超過 16 年。它是一個的知識交流平台，如果你有任何疑問，只要上知識+ 發問，都可能獲得網友的回答。其中流通的是類似虛擬代幣的知識點數，作為在詢問問題、提供解答時的籌碼和回饋。

發問者可以自行選出「最佳建議」，但很多時候其他建議也都不錯，所以發文者也可以選擇標註「謝謝建議」，贈送點數來回饋對方。

最近知識+宣布，服務將於 2021 年 5 月 4 日終止服務，且從 4 月 20 日起轉為唯讀模式，將 16 年的歷史畫下句點。最近大家可以抓緊機會，趕快去回味一下童年的知識寶地呀！

論壇時代——那些乘載著我們無數時光的網路平台

除了充滿問與答的 Yahoo 知識+，臺灣還有許多歷久不衰、或者正在成長茁壯的網路論壇。提到論壇，第一個不得不說的就是臺灣的批踢踢（PTT）了。

批踢踢是一個臺灣電子布告欄（BBS），在 1995 年 9 月，由當時就讀國立臺灣大學資工系的創世神 PTT 本人杜奕瑾創辦，目前總註冊人數約 150 萬人，是現行臺灣使用人數最廣泛的網路論壇。

批踢踢是網路言論自由文化的孕育地之一，也促成了非常多近代臺灣的社會運動，但在 2018 年 9 月，站方公告因浮濫註冊情況嚴重，所以暫停新帳號的申請，直到 2020 年 3 月才開放 ntu.edu.tw 信箱註冊新帳。

此外，還有像是華人地區最大的電玩動漫社群網站，時時刻刻總有無數場外鄉民在線的巴哈姆特；成員組成以臺灣大學生為主，兼具發文和抽卡交友功能的社群論壇 Dcard。

以及 2016 年曾經出現在科夥伴生命裡的泛答。（創辦泛答的 P 編表示：有朝一日會復活泛答。）

近期，泛科學經歷了改版，只要註冊會員就可以在貼文下方留言，和作者與其他網友討論唷！

知識+ 結束後，你心中有問題會想去哪裏發問呢？

A. Google 拯救一切

B. 問親朋好友口耳相傳

C. 上批踢踢問卦

D. 在 Dcard 上問網友

E. 其它，留言跟我們分享