媽媽我不想努力了！想多生一個？研究顯示：爸爸先當「神隊友」

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

魚類是人類重要的資源，許多古代文化裡魚是日常飲食的一部分，台灣古時候也是如此。一項新發表的研究，調查台南 5000 年來的遺址中有哪些魚，得知古早台南人食用的魚類，受到環境變化的影響。

用耳朵裡的石頭，判斷古代人吃哪些魚

如何得知古代人吃哪些魚呢？魚有骨頭，有機會在遺址中留下遺骸，但是相對其他動物來說，魚類的骨頭沒那麼容易留下。所幸硬骨魚的頭部內，有種負責聽覺的構造「耳石（otolith）」。

耳石成分為碳酸鈣，魚去世後是相對容易留存的部位。不同魚類的耳石型態有別，所以見到遺址中的耳石，可以得知古時候有哪些物種。比較不同年代遺址間，耳石組成的變化，便能推論不同時代吃魚的改變。

• 延伸閱讀：解開古代魚類耳朵裡的「石頭」秘密！專訪古生物學家林千翔

由中研院的生物多樣性研究中心，林千翔主導的研究，算是用魚類耳石回答考古學的問題。自然死亡的魚也會留下耳石，不過這項研究分析的耳石大部分來自貝塚，也就是人類活動造成的垃圾堆遺址，當年應該曾經是人類的食物。

樣本皆來自南科遺址群，也就是南部科學園區的臺南園區的一系列遺址。中研院的歷史語言研究所於公元 1993 到 2010 年，在李匡悌等人率領的挖掘下有許多收穫，魚耳石只是其中一小部分。

從距今 5000 年的新石器時代早期開始，現在是南科的這塊地方便有許多人類活動。南科遺址群的 82 處遺址中，有 17 處出土過魚類耳石，被納入本次研究。考古學上可分為 5 個時期：新石器時代的早期、中期、晚期，鐵器時代，以及歷史時期。

5 個時期中，新石器時代中期只有 1 處遺址 1 件樣本；距今 300 年到現在的歷史時期，也只有 3 處遺址 8 件樣本。用於分析的 1254 件樣本，大部分屬於新石器時代早期、新石器時代晚期、鐵器時代。

新石器時代早期，距今 4200 到 5000 年前的 2 個遺址，總共出土 789 件魚類耳石，分別屬於 24 個分類群（taxa），不論數量或多樣性都最高。

新石器時代晚期，距今 2000 到 3300 年前的 7 處遺址，共出土 112 件樣本，分屬 16 個分類群。而鐵器時代，距今 300 到 1400 年前的 4 處遺址，出土 344 件樣本，分屬 13 個分類群。

新石器時代最有存在感的是大黃魚（Larimichthys crocea），早期占 57.29%，晚期占 41.96%，皆為當期最高比例的魚類。鐵器時代變成海鯰（sea catfish）最多，占 61.24%。

台南環境變化，影響食用魚種

地處台南同一個地區的遺址，魚類的數量和多樣性都漸漸減少。之前有個論點主張，這是由於過度捕魚所致。但是這項研究充分利用耳石分析的優點，判斷出土魚耳石組成的變化，並非人為捕撈，主要是自然環境變化的影響。

同一種魚，耳石的型態不會改變，但是大小會變，耳石大小又正比於魚體的尺寸，耳石愈大，魚體也愈大，反之亦然。

大黃魚在現代也是常見的食用魚類，最近卻由於過度捕撈（過漁），使得野生族群大福縮水；在此之下觀察到，多數個體的身體及耳石也明顯變小。由此推測，倘若古時候發生過漁，遺址中大黃魚的耳石應該會縮小。

新石器時代早期、新石器時代晚期，鐵器時代，三個時期都有大黃魚。比較發現大黃魚的耳石並沒有變小，鐵器時代的耳石雖然數量大幅減少，尺寸還變大一點。表示至少從新石器時代早期到鐵器時代，也就是從 4000 多年到幾百年前，大黃魚並沒有面臨生存危機。

大黃魚在台南遺址的存在感之所以下降，更合理的論點是：海岸線和沿岸環境的改變。

台南的地貌不斷變化，陸地向海延伸。如今南科遺址群位於內陸，離海岸有相當距離；但是在新石器時代早期，南關里、南關里東遺址的年代（屬於小有知名度的大坌坑文化），這塊地方位在海邊；新石器時代晚期陸地範圍前進，不過依然位於海邊。

大黃魚住在岸邊海域，而新石器時代的台南人住在海邊，使他們不難獲得大黃魚之類的海產。魚類以外，這些遺址也出土不少貝類，表示當時的居民，善於利用沿海的水產資源。

隨著泥沙持續淤積，原本位於海邊的南科地區，鐵器時代成為內陸，淤積和河道後來形成台江內海。南科到台灣海峽之間有潟湖存在，鐵器時代的台南人，不用太靠近海邊便能取得水產資源。也許就是如此，大黃魚不再那麼流行，住在河口、潟湖環境的海鯰，變成這個時期遺址中最常見的魚類。

耳石只代表一部分古代魚類

不論古今，耳石都是識別魚類的好材料。比較不同年代魚類耳石的改變，可以判斷自然環境與人類文化的變化，但是也要注意，考古遺址中的耳石，無法代表古代食用魚的全貌。

見到某種魚的耳石，那種魚一定存在過，可是曾經存在過的魚，不一定會留下紀錄，耳石組成也不完全等於實際比例。這兒最明顯的例子是，不同年代的多個遺址有出土鯛科魚類（Sparidae）的骨頭，然而其耳石只有 1 件。或許還有些魚類，不論魚骨或耳石都沒有留下，我們根本不知道它們存在過。

我們見到大黃魚在新石器時代早期占 57.29%，晚期占 41.96% 這項數據，並非意謂當時真的有 57%、42% 食用魚為大黃魚；合適的解讀大概是，大黃魚是新石器時代主要的食用魚種，晚期的比例有所降低。

大黃魚的古老傳承與當代危機

有趣的是，一直到中國漁民近期過度捕撈以前，野生大黃魚在東亞的東部沿海都很常見。古代台南人捕食不少大黃魚，可謂有偏好也具備技術，他們對大黃魚的偏愛和捕捉技術，或許能追溯到還在對岸海邊的日子。

綜合考古、語言學等方面的資訊推敲，台南在新石器時代的大坌坑文化，應該是台灣初期的南島族群，他們很可能是更早以前來自東亞沿岸移民的後裔。這群人的生產方式包含農業，會種植稻、小米等馴化植物，不過仍然有不少採集和狩獵，以及利用水產資源。他們捕食大黃魚的文化，也許在祖先尚未渡海移民前已經養成。

古代人吃進不少大黃魚，現在大黃魚也是受到歡迎的食用魚，一度族群龐大的魚群還因為濫捕面臨滅團危機，至今沒有從過度捕撈的打擊中走出去。無疑，人類如今也成為影響魚類生態的要角。

延伸閱讀

• 林千翔實驗室網站
• 吃魚頭常常啃到的那兩顆「魚耳石」，對古生物學相當重要
• 耳中乾坤─魚耳石
• 從台灣魚類耳石化石研究 談海洋生物多樣性的變動與困境
• 台灣海洋化石與魚類化石的研究、回顧與展望
• 野生大黃魚的滅絕危機
• 背後中箭、大啖貝類，史前南科住了誰？
• 東亞南方、北方，還有台灣的古代DNA──東亞遺傳史（上）
• 台東都蘭，南島語族從台灣出海前的最後一站
• 1900 萬年前，鯊鯊神秘大滅絕事件？！
• 短篇  住在地中海邊，靠海吃海的尼安德塔人
• 短篇 秘魯海岸15000年前已有人居，他們技術簡單，菜單多元
• 短篇 最早吃鮭魚的人類，在11800年前的阿拉斯加
• 8000年前賈湖遺址，最早養殖鯉魚

參考資料

• Lin, C. H., Wang, Y. C., Ribas-Deulofeu, L., Chang, C. W., & Li, K. T. (2022). Changes in marine resource consumption over the past 5000 years in southwestern Taiwan revealed by fish otoliths. Journal of Archaeological Science: Reports, 42, 103400.

本文亦刊載於作者部落格《盲眼的尼安德塔石匠》暨其 facebook 同名專頁。

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。

• 採訪編輯｜劉芝吟
• 美術設計｜林洵安

從婚育文化看臺灣的低生育率

1950 年代，臺灣每位婦女平均生育數曾高達 7 人，但近年生育率卻呈現雪崩式下滑，一再探底。為何生育率好似青春小鳥，一去不回頭？「研之有物」專訪中研院社會學研究所鄭雁馨副研究員，她透過數據與生育指標指出，臺灣生育困境並非來自年輕夫妻只生一胎，而是因為未婚人口持續上升，低生育率的背後，與東亞的家庭和婚育文化密切相關。

重視家庭、強調傳承，東亞生育率為何持續探底？

「新生兒再創新低」、「生育率全球最低」，臺灣生育率警訊年年登上新聞。多年來，政府從育嬰假、生育津貼、第二胎獎勵等各式政策輪番端上桌，但生育數據卻似乎鐵了心，一去不回頭。

年輕人為什麼不生孩子了？許多人直指低薪、高房價、工時過長，中研院社會所副研究員鄭雁馨則把焦點轉向文化與傳統價值，她直言：「經濟結構有它的影響力。但我認為，放到東亞文化脈絡來看，低生育率和家庭性別文化脫不了關係。」

在美國主修社會學與人口學的鄭雁馨，五年前開始投入生育議題的量化研究。她發現過去三、四十年，臺灣的家庭模式經歷劇烈變化，晚婚日趨普遍、同居逐漸不再是禁忌，但同時許多傳統價值依然延續，例如香火傳承、孩子必須在婚姻關係中出生。

鄭雁馨運用戶政資料和社會調查進行人口研究，爬梳數據背後的婚育圖像，試圖從更廣泛的文化視角，探究低生育率的根本構成。

「臺灣與東亞各國的狀況非常相似，經濟發展已高度現代化，但父權文化和家庭主義盛行，長輩對年輕人成家仍有很強影響力。我們需要從東亞文化的角度出發，來分析生育率議題。」

平平都是生育率，有什麼不一樣？ 拆解 PTFR、CTFR

東亞家庭與性別文化，交織出臺灣特殊的生育圖像。一大特色是：相較於西方多數國家，臺灣的生育率持續走低，沒有「回血」的跡象。

媒體報導常提及的探底生育率，指的是「時期生育率」（Period Total Fertility Rate, PTFR）。以 2020 年為例，計算方式是：將 1971-2005 年次各年齡的女性生育率加總起來推算，如果女性依循這一系列年齡別生育率，度過可生育階段（15-49 歲）後會有幾個孩子，以此推估婦女一生的平均生育數。

這項指標方便快速，能立即呈現生育景況，不過也有盲點。由於計算方式混合了 35 個世代，一旦社會急速變遷，大量女性晚婚晚育，讓 15-30 歲的生育率明顯大幅下降， PTFR 便會被低估而失真。

「PTFR 適合用來比較全世界的生育概況，描繪出鉅觀的圖像。但是若一個社會經歷劇烈變化，要精準地分析生育狀況與診斷低生育率成因，世代生育率（CTFR）是比較可靠的指標。」

「世代生育率」 （Cohort Total Fertility Rate, CTFR ）不受生育步調的影響，但必須等到女性年滿 49 歲 （或至少滿 45 歲） ，才能計算出同一世代的女性實際平均生育數。

當女性地位提升後，開始大量接受高等教育、進入職場，生育年齡因而逐步後延，會讓時期生育率（PTFR）顯著下滑⸺這是已開發國家都曾走過的路。例如， 20 世紀瑞典生育率從 3.6 到世紀末腰斬至 1.5。不過如同少部分高生育率的西方國家，瑞典 CTFR 一直維持在平穩的兩個小孩，PTFR 雖然看似下降，CTFR 卻能撐住在替代水準，主要是那些「行程 」延後的瑞典女性最後都有加入生育行列 。

這個現象來到東亞，卻明顯不存在！

比對臺灣這兩項生育率指標，自 2000 年初以來，PTFR 已近二十年低於 1.5，香港、南韓和日本同樣低迷，始終看不到生育率回補逆轉。進一步觀察 1950-1979 年出生者的 CTFR，東亞是全世界極少數持續下滑的地區。

主要原因是：15–30 歲延後未發生的大量生育率，在 30–45 歲回補力道不足，造成 PTFR 和 CTFR 雙雙下跌。其中關鍵，便在於日益增多的各年齡層未婚人口！

年輕夫妻不想生？低生育率關鍵：未婚人口越來越多

「 同時參照 PTFR 和 CTFR，才能掌握低生育率的真實結構，進一步分析為何臺灣或東亞生育率無法回補。 」鄭雁馨強調。

在東亞各國，未婚人口對生育率的影響異常關鍵，因為東亞的一大婚育特色是：孩子必須出生在婚姻關係中。以臺灣來說，非婚生育僅 2～4%，數十年不動如山。獨特的「婚育包裹」文化，讓不結婚幾乎等同不會生孩子，因此分析世代總生育率（CTFR）、並對照未婚率，便能拆解生育率的結構。

那麼比對數據，究竟是「誰」不生孩子了？

1965 年之後出生的女性，同一世代生育率開始低於兩人。然而，一直到近年，已婚婦女的平均生育數依舊達到兩人，世代生育率下滑，其實是因為越來越多人沒有結婚。以六年級中段班（1975 年出生）為例，世代生育率為 1.6 人，但已婚人妻平均生育兩名子女，細究來看，原因是有 20% 未婚女性。

「 一窩蜂只關注時期生育率（PTFR）超低，很容易陷入盲點，通通鎖定在『大家不想生孩子』。實情是，多數夫妻婚後都會生育，甚至逾七成生到兩胎以上。」

換言之，低生育率的關鍵密碼並非不生孩子，更可能是：還沒結婚。

當越來越多人不只晚婚，且最後根本沒有走入婚姻，在東亞文化背景下，也意味著關上了生育大門，西方常見的生育率延後回補，因此失靈。

翻倍增加的單身男女

1980 年代以前，「不結婚」這個人生選項鮮少出現。若三字頭還是孤家寡人，左鄰右舍、叔伯阿姨早已爭相出手牽紅線。 當時，40 歲仍未婚的比例不到 5%。

如今，大齡單身男女不再鳳毛麟角， 45-49 歲仍未婚的比例已近二成。鄭雁馨參與的國際研究團隊從模型推估，到了 2050 年，臺灣 40-49 歲男性未婚比例很可能將超過 30%、女性超過 25%。換言之，假設非婚生育仍不被主流文化接受，幾乎也就預告了生育率一路下滑的劇本。

想要打破冰凍三尺的生育率，進一步理解這些未婚者的生命狀態，至關重要。「如果因為負擔不起成家壓力，提升薪資水平、生育補助或許有效；如果多數人是不婚主義，經濟政策自然無濟於事。」

為何她／他們還沒結婚？傳統婚育的壓力

結婚不好嗎，為什麼這麼多人選擇另一條路？他們是堅持不婚？渴望成家卻找不到另一半？受限經濟壓力不敢「婚頭」？或者，想有孩子但不想結婚？

從臺灣社會變遷調查來看，越年輕的世代，越傾向不把婚姻視為人生必選題，認同「未婚也能幸福和享受生活」的比例呈上升趨勢，「敗犬」標籤慢慢被「一個人也很精采」取代。

然而，許多單身者其實並非是不婚主義者。根據 2013 年主計處調查，未婚女性裡學歷越高、結婚意願越強，而且 45-49 歲仍有兩成考慮成家。那麼，她們單身的原因又是什麼？

除了學生族群以外，「尚未遇到適婚對象」在各年齡、學歷都壓倒性勝利，尤其以大專以上最明顯。顯然，並非徹底拒絕結婚，而是難以找到共度人生的「牽手」，是不少單身女性的難題。雖然結婚和生育是兩個人的事，但弔詭的是：社會調查很少詢問男性未婚的原因，所以其生命處境是否與女性相似，仍亟待研究。

「許多人傾向結婚，但沒有找到合適對象。關鍵在於社會高速發展後，新世代對婚姻、家庭角色的期待轉變，而與傳統文化發生衝突，這就形成了婚育配對的困難。」鄭雁馨分析。

半世紀以來，臺灣的政治、經濟飛躍性成長，躋身先進國家。女性的教育、就業與社會成就，不斷突破傳統限制，公領域裡女力崛起，但目光移轉至家庭與文化價值，傳統父權力道的鬆動遠不如預期。

拚兒子是其中一個例子。

在臺灣胎次越高，新生兒性別比例的失衡越嚴重。當媽媽拚到第三、四胎，經常承受非男孩不可的香火壓力，「性別篩選」成為不能說的秘密。對照 2006 年與 2016 年東亞社會調查，儘管已相隔十年，臺灣男性認為「至少要生下一個兒子來傳宗接代」，始終有堅定不移的 44% 。

家務分工是另一個東亞共同性別文化。時至今日，臺灣婦女依舊負擔近八成的家務，家事、小孩一肩扛。但即便丈夫想共同育兒，性別環境的土壤也未必足夠厚實。

北歐廣泛使用的雙親育嬰假，移植到臺灣，2017 年統計 76% 媽媽申請育嬰假，但爸爸僅 8%。除了傳統文化通常預設母親是優先照顧者，兩性的薪水差異，也讓爸爸休假帶孩子，必須同時承受經濟成本與傳統文化的雙重壓力。

「我們的性別平等改革，在教育、就業率表現很高。相對來說，文化層面的變化沒那麼明顯，包括婚育、家庭關係，這是東亞文化圈的共性。」鄭雁馨分析。

因為家庭關係緊密，長輩對下一代婚姻具有高度影響。新好媳婦除了上網「靠北婆家」，回到現實世界，多半仍得努力和長輩們磨合。這也意味，在講求孝道與家庭主義的社會，家庭內的傳統性別文化更難動搖。

種種盡在不言中的文化規範，交織出一片無形的婚育壓力，也形成兩性對婚姻家庭的期待落差。

對高社經背景的女性而言，走入家庭、養育照顧孩子，要付出比男性更高的機會成本，可能間接延緩兩性結婚的時程。

大齡女子想結婚？沒那麼容易

走入婚姻，需要直面傳統文化壓力，但單身者卻也可能被同一套價值，無情拒於門外。

鄭雁馨研究發現，二字頭的未婚男女，未來結婚的機率兩性相差不大；但若到了 35-39 歲，往後十年，女性結婚的機率就遠比男性下降許多。

研究突顯了殘酷的社會現實：

在婚姻市場裡，大齡是女性的「被扣分項」。背後不僅隱含父權文化對性別角色、形象的期待，另一個關鍵原因仍是生育——好不好生、生得好不好，經常被歸責在母親身上。

鄭雁馨直言：「十幾年來，我們的公衛體系依然不斷強調『34 歲以前是黃金生育年齡』，而且主要針對高齡女性。但現實是，整個社會有一半女性 （和男性）此時還沒有進入婚姻，但她們已經被貼上不好生的標籤。」

隨之而來，也是她們在婚姻市場上將面對的歧視與擇偶困境。事實上，高齡生育風險不僅存在女性身上，越來越多流行病學研究也指出高齡爸爸對母親生育的影響，但我們的社會選擇忽視後者而強調前者。

更多實證研究，更友善彈性的婚育文化

當社會結構急速轉變，家庭與文化價值變動緩慢，齒輪時不時被卡絆，凍結的人口成長有機會回溫嗎？

「我們必須認清，人口萎縮是必然的。」鄭雁馨認為，生育率下滑已非一日之秋，現階段只能減緩速度。綜觀來看，已婚夫妻的生育狀況並不悲觀，了解結婚率下滑的原因是較直接的目標。但相較於日本早已進行系統性研究，臺灣對未婚圖像的掌握始終蒼白貧乏。

「如果高生育率奠基於昔日女性必須犧牲受教和就業權，人生只有育兒持家一個選項，那當代的低生育率或許沒什麼不好。」鄭雁馨直言：「但如果很多女性想成家卻無法實現，政策應該更努力解決，包括未婚而想當父母的人，我們能否有更彈性開放的思維，達到生育自主。」

有多少人渴望成家？有多少人因為低薪高房價，不敢組成家庭？又有多少單身者只想要孩子？更多細緻的實證研究，是思考生育政策的重要基礎。

持續推動友善、支持婚育的性別平權社會，更是根本。「歐洲經驗告訴我們，家戶內的性別平等如果沒有跟上，整體生育率就很難提升。」鄭雁馨這麼說，

「育兒需要成為一整個村莊、社會、國家的事，而不是女性理所當然的天職。」

延伸閱讀：

• 媽媽我不想努力了！想多生一個？研究顯示：爸爸先當「神隊友」，研之有物
• Yen-hsin Alice Cheng, 2020, “Ultra-low Fertility in East Asia: Confucianism and its discontents”, Vienna Yearbook of Population Research, 18
• Albert Esteve, Ridhi Kashyap, Joan García-Román, Yen-hsin Alice Cheng, Setsuya Fukuda, Wanli Nie, and Hyun Ok Lee, 2020, “Demographic Change and Increasing Late Singlehood in East Asia, 2010–2050”, DEMOGRAPHIC RESEARCH, 43
• 鄭雁馨、許宸豪，2019，〈臺灣超低生育率的迷思與現實〉，巷子口社會學
• 鄭雁馨，2019〈關於女性生育的二三事：高教﹑遲育與外配〉，巷子口社會學