從古代 DNA 摸索身體裡的人類大歷史——《我們源自何方？》推薦序

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

科學期刊的預言：女性能追趕甚至超越男性？

我在 2002 年還在讀大四時，第一次看到兩位 UCLA 生理學家的論文〈不用多久女性就會跑得比男性快？〉，當時我覺得這個標題很荒謬。在那之前我花了五個賽季，進行 800 公尺中距離跑步訓練，成績已經超越世界女子紀錄。而且我還不是自己接力隊上跑最快的。

但那篇論文發表在《自然》（Nature）期刊上，這是世上極具聲望的科學期刊，所以一定有些道理。大眾就是這麼認為的。《美國新聞與世界報導》雜誌在 1996 年亞特蘭大奧運之前，對一千個美國人做了調查，結果其中有三分之二認為，「終有一天頂尖女運動員會勝過頂尖男運動員」。

《自然》期刊上那篇論文的作者，把男子組和女子組從 200 公尺短跑到馬拉松各項賽事歷年的世界紀錄畫成圖表，發現女子組紀錄進步得遠比男子組急速。他們用外推法從曲線的趨勢推斷未來，確定到 21 世紀前半葉，女性就會在各個賽跑項目擊敗男性。兩名作者寫道：「正因進步速度的差異實在非常大，而使（兩者）差距逐漸縮小。」

2004 年，趁著雅典奧運成為新聞焦點之際，《自然》又特別刊出一篇同類型的文章〈2156 年奧運會場上的重要衝刺？〉（Momentous Sprint at the 2156 Olympics?）──標題所指的，正是女子選手會在 100 公尺短跑比賽中，勝過男子選手的預計時間。

2005 年，三名運動科學家在《英國運動醫學期刊》發表了一篇論文，省去問號開門見山在標題宣稱：〈女性終將做到〉（Women Will Do It in the Long Run.）。

難道男性主導世界紀錄的情況，始終是歧視女性、把女性排除於競技場外的結果？

20 世紀上半葉，文化規範與偽科學嚴重限制了女性參與運動競技的機會。在 1928 年阿姆斯特丹奧運期間，有媒體（捏造）報導指稱，女性選手在 800 公尺賽跑後筋疲力竭地躺在地上，這讓一些醫生和體育記者十分反感，使得他們認為這個比賽項目會危害女性健康。《紐約時報》上有篇文章就寫：「這種距離太消耗女性的體力了。」^〔1〕那幾屆奧運之後，在接下來的三十二年間，距離超過 200 公尺的所有女子項目，都突然遭禁，直到 2008 年奧運，男女運動員的徑賽項目才終於完全相同。但《自然》期刊上的那幾篇論文指出，隨著女性參賽人數增多，看起來她們的運動成績到最後可能會與男性並駕齊驅，甚至比男性更好。

運動能力的基因密碼：性別差異的生物學根源

我去拜訪約克大學的運動心理學家喬．貝克時，我們談論到運動表現的男女差異，尤其是投擲項目的差異。在科學實驗裡證實過的所有性別差異中，投擲項目一直名列前茅。用統計學術語來說的話，男女運動員的平均投擲速度相差了三個標準差，大約是男女身高差距的兩倍。這代表如果你從街上拉一千個男子，其中 997 人擲球的力氣會比普通女性大。

不過貝克提到，這種情形可能是反映女性缺乏訓練。他的太太是打棒球長大的，輕輕鬆鬆就能贏過他。他打趣說：「她會發出一束雷射光。」那麼這是生物學上的差異嗎？

男性和女性的 DNA 差異極小，僅限於在女性身上為X或男性為Y的那單一染色體。姊弟或兄妹從完全相同的來源取得基因，透過重組母親和父親的 DNA，確保兄弟姊妹絕對不會相近到變成複製人。

性別分化過程大部分要歸結到 Y 染色體上的「SRY 基因」，它的全名是「Y 染色體性別決定區基因」。若要說有「運動能力基因」，那就非 SRY 基因莫屬了。人類生物學的安排，就是讓同樣的雙親能夠同時生育出男性的兒子和女性的女兒，即使傳遞的是相同的基因。SRY 基因是一把 DNA 萬能鑰匙，會選擇性地啟動發育成男性的基因。

我們在生命初期都是女性──每個人類胚胎在形成的前六週都是女性。由於哺乳動物的胎兒會接觸到來自母親的大量雌激素，因此預設性別為女性是比較合算的。在男性身上，SRY 基因到第六週時會暗示睪丸及萊氏細胞（Leydig cell）該準備形成了；萊氏細胞是睪丸內負責合成睪固酮的細胞。睪固酮在一個月之內會不斷湧出，啟動特定基因，關閉其他基因，兩性投擲差距不用多久就會出現。

男孩還在子宮時，就開始發育出比較長的前臂，這使得他們日後投擲時會做出更有力的揮臂動作。儘管男孩和女孩在投擲技能方面的差異，不如成年男性和女性之間那麼顯著，但這種差異在兩歲幼童身上已經很明顯了。

文化與訓練的影響：投擲項目中的性別差距

為了確定孩童之間的投擲差距有多少與文化有關，北德州大學和西澳大學的科學家組成團隊，共同測試美國孩童與澳洲原住民孩童的投擲技能。澳洲原住民沒有發展出農業，仍過著狩獵採集生活，他們教導女孩丟擲戰鬥及狩獵用武器，就像教導男孩一樣。這項研究確實發現，美國男孩和女孩在投擲技能上的差異，比澳洲原住民男孩和女孩之間的差異顯著許多。不過儘管女孩因為較早發育長得較高較壯，男孩仍比女孩擲得更遠。

普遍來說，男孩不僅比女孩更善於投擲，視覺追蹤攔截飛行物的能力往往也出色許多；87% 的男孩在目標鎖定能力的測試上，表現得比一般女孩好。另外，導致差異的部分原因，至少看起來是因為在子宮的時期接觸到了睪固酮。由於先天性腎上腺增生症，而在子宮裡接觸到高濃度睪固酮的女孩，上述項目的表現會像男孩一樣，而不像女孩；患有這種遺傳疾病的胎兒，腎上腺會過度分泌男性荷爾蒙。

受過良好投擲訓練的女性，能輕易勝過未受訓練的男性，但受過良好訓練的男性，表現會大幅超越受過良好訓練的女性。男子奧運標槍選手擲出的距離，比女子奧運選手遠大約三成，儘管女子組使用的標槍比較輕。此外，女性投出的最快棒球球速的金氏世界紀錄是 65 mph（相當於時速 105 公里），表現不錯的高中男生的球速經常比這還要快，有些男子職業球員可以投出超過 100 mph（相當於時速 160 公里）的球速。

在跑步方面，從 100 公尺到 1 萬公尺，經驗法則是把菁英級表現差距定在 11%。從短跑到超級馬拉松，不管任何距離的賽跑，男子組的前十名都比女子組的前十名快大約 11%。^〔2〕在職業等級，那就是個鴻溝。女子組的 100 公尺世界紀錄，跟 2012 年奧運男子組的參賽資格還差了四分之一秒；而在一萬公尺長跑，女子組的世界紀錄成績，與達到奧運參賽資格最低標準的男選手相比落後了一圈。

投擲項目與純爆發力型運動項目的差距更大。在跳遠方面，女子選手落後男子 19%。差距最小的是長距離游泳競賽；在 800 公尺自由式比賽中，排名前面的女子選手，與排名前面的男子選手差距不到 6%。

預言女性運動員將超越男性的那幾篇論文暗示，從 1950 年代到 1980 年代，女性表現的進展遵循一條會持續下去的穩定軌跡，但在現實中是有一段短暫爆發，隨後趨於平穩──這是女子運動員，而非男子運動員進入的平穩期。儘管到 1980 年代，女性在 100 公尺到 1 英里各項賽跑的最快速度，都開始趨於穩定，但男子運動員仍繼續緩慢進步，雖然只進步一點點。

數字很明確。菁英女子選手並未趕上菁英男子選手，也沒有保持住狀況，男性運動員則在非常慢地進步。生物學上的差距在擴大。但為什麼原本就有差距存在？

註釋

1.  各報上氣不接下氣地報導 800 公尺女子選手紛紛倒在跑道上。正如運動雜誌《跑步時代》（Running Times）2012 年的一篇文章指出的，實情是只有一個女子選手在終點線倒下，其餘三名都打破了先前的世界紀錄。據稱人在現場的《紐約郵報》記者寫道，「11 位淒慘的女性」當中有 5 人沒有跑完，5 人在跑過終點線後倒下。《跑步時代》報導說，參賽的女運動員只有 9 個，而且全部跑完。
2. 過去普遍認為，隨著比賽距離拉長，女子賽跑選手會超越男子選手。這是克里斯多福．麥杜格（Christopher McDougall）在《天生就會跑》這本很吸引人的書裡談到的主題，但不完全正確。成績非常優秀的跑者之間的 11% 差距，在最長距離和最短距離同樣穩固存在。儘管如此，南非生理學家卻發現，當一男一女的馬拉松完賽時間不相上下，那個男士在距離短於馬拉松的比賽中通常會贏過那個女士，但如果競賽距離加長到 64 公里，女士就會跑贏。他們報告說，這是因為男性通常比較高又比較重，比賽距離越長，這就會變成很大的缺點。然而在世界頂尖超馬選手當中，男女體型差異比一般群體中的差異小，而 11% 的成績差距，也存在於超級長距離的最優秀男女選手之間。

——本文摘自 大衛・艾普斯坦（David Epstein），《運動基因：頂尖運動表現背後的科學》，2020 年 12 月，行路出版，未經同意請勿轉載。

紐約市沃斯街四十號，無辜計畫

哈沃德的故事：因被冤枉身陷囹圄三十四年

基思．艾倫．哈沃德可以說是一名倖存者。他被維吉尼亞州錯誤定罪，但是逃過死刑執行。而且還是兩次。梅克倫堡矯正中心在一九八四年爆發了所謂的「大逃亡」（The Great Escape）¹，那是有六名死囚越獄的空前維安漏洞，哈沃德面對其後的嚴密禁閉也倖存了下來。哈沃德面臨過殘酷的獄警、僅存的希望全被澆熄、父母的死訊，他的身分也被侵蝕到只能淪為 1125797 號罪犯，但是他倖存了下來。

他在維吉尼亞州刑罰體系中所有最嚴酷的監獄裡倖存下來了，先是梅克倫堡，接著是奧古斯塔（Augusta），然後又在蘇塞克斯二監（Sussex II）待了十年，還有現在的諾托韋，他在諾托韋那樣環境惡劣的監獄醫務室裡進行了重大的腸道手術，並且活了下來。雖然很勉強。

在被錯誤監禁的三十四年裡，哈沃德排的這條等待救援的隊伍從未向前移動。大量監禁讓他身邊的囚犯如雨後春筍般湧現，因此這條隊伍只會越排越長。他最初因為傑西．佩隆的入室謀殺案和對他妻子特蕾莎．佩隆的性虐待案而被關到梅克倫堡時，維吉尼亞州每十萬名居民中有大約一百五十人遭到監禁。

當我們發現特蕾莎用過的性侵採證套組、把它送去做 DNA 檢驗時，維吉尼亞州的監禁率已經超過每十萬名居民有四百五十多名囚犯，每十萬名黑人居民則是超過兩千四百人。²在那個看不見的國度裡，到底住著多少無辜的 1125797 號囚犯，我們不會知道。但是統計顯示，在維吉尼亞州和全國有數千名無辜的人被關在牢裡；他們大部分人都永遠不會再拿回他們的名字了。

維吉尼亞州剝奪了哈沃德生命中的每一個里程碑。他沒能結婚，沒有小孩，沒有做過除海軍之外的其他職業。他在二十幾歲之後，除了監獄檔案的照片，就只有一張自己的照片。他具有指標意義的生日，三十歲……四十歲……五十歲……六十歲，都是在鐵牢裡度過的，他只是沒死而已。

事情一開始不是這樣的。他也曾經奮鬥過。他從獄中出庭為自己辯護一事，曾經讓他的有罪判決遭到撤銷。為他贏來一次重新審判的機會、再一次讓真相大白的機會。但是當陪審團第二次做出有罪判決、上訴法院也維持這個裁決時，哈沃德體內的鬥志突然被掏空了。他決定放棄，讓餘生都在監獄裡度過。就像他有一次對我說的：「我就待在牢裡等死算了。」

重新審判：不可靠的咬痕證據

就訴訟而言，二○一六年發現了性侵採證套組，州也同意進行檢驗，這使得前進的道路變得清晰。哈沃德和史蒂夫．錢尼不同，他不需要維吉尼亞州法院或是其他法院承認咬痕證據完全不可靠。他不需要新法律或是定罪完善小組就可以重返法庭。也不需要當初把哈沃德的牙齒和特蕾莎．佩隆大腿上的咬痕「配對」的六名牙醫取消他們的證詞。

哈沃德很幸運：他有 DNA 。檢測開始之後，就會像是一顆小圓石被丟出來，滾下山坡引起 被壓住的真相一波又一波的雪崩。其規模之大，會讓哈沃德甚至不需要重回法庭。

他幾乎立刻就被排除在可能的嫌疑人之外，也就是說所有檢驗項目，包括性侵採證套組、凶手蓋在特蕾莎頭上的尿布，以及她被性侵時的沙發墊，上面的生物證據都不可能是他的。

我的辦公室裡傳來更多歡呼聲。這種感覺不同於最初發現物證箱時的那種驚喜。是好消息，但也是預期中的結果。無辜計畫法律團隊的每個人都相信基思．哈沃德是清白的，也都知道他是清白的。

之前在訴訟中移交的文件就已經證明了：刑事專家不實宣稱在犯罪現場收集到的血清證據，根據在 DNA 之前的血型技術無法確定。其實在審判之前就可以將哈沃德排除在取樣之外了。後來他又被排除在 DNA 證據之外，就是理所當然的了。

接著，我們得知 DNA 分析人員可以從保存的生物樣本中發展出完整的基因輪廓。這表示除了可以排除哈沃德是 DNA 的來源，甚至還有可能得知到底是誰的 DNA ；不同於史蒂夫．錢尼案中的 DNA 已經受到毀損，只能夠做到排除錢尼。

從每一件證據中提取的 DNA 輪廓都沒有更新的資訊。它們都來自同一名男性，既不是基思．哈沃德，也不是特蕾莎的丈夫傑西。反而是一名陌生人把他的 DNA 留在整個犯罪現場。發現證據的位置和特蕾莎的證詞完全一致，因此顯得更有說服力，這份證據也與哈沃德自己的陳述一致；哈沃德說他從來沒有進過佩隆家。

證人誤認是錯誤定罪一大主因？

這在大多數州就足以推翻有罪判決了。但也還是有可能出現荒謬的「沒被起訴的共同射精者」理論。不過，這個案件中有一名受害者還活著。特蕾莎強忍著痛苦和性侵她的人共度了三小時。她知道那天晚上只有一個入侵者。一名殺了她丈夫的凶手。一個「咬了她的人」。

早在 DNA 排除哈沃德之前，特蕾莎本人就為哈沃德的清白提供了最有說服力的證據：她拒絕指認哈沃德。哈沃德是因為咬了他的女朋友而被逮捕，而且還戴著手銬，在這樣容易誤認的情境中，特蕾莎都沒有指認哈沃德就是毀了她家庭的那名水手。

她的這個立場在兩次審判中都沒有絲毫動搖。許多犯罪受害者很可能會接受暗示，或是不論有意或無意，急著指認被警方確信是凶手的那個人。的確，證人指認時的誤認，通常是因為警方的建議而導致的無心之過，是錯誤定罪的一大主因。

除了咬痕，另外的唯一證據就是駐衛指認了哈沃德。然而，即使在當時，他的證詞也是勉強得來而且不可靠的，我們得知在取得他的證詞時，用了可以「強化」記憶的祕密催眠，因此顯然缺乏可信度。

即使用催眠誘導的指認可以相信，不過駐衛也只是說在襲擊案發生當晚，他有看到哈沃德回到基地。是的，他是說那個人穿了血跡斑斑的制服，不過那人其實不是基思．哈沃德，而且在當時的紐波特紐斯，喝醉酒的水手在酒吧跟人打架，然後滿身是血回到船上，也不是什麼罕見的事。歸根究柢，不論證人指認的這番話具有多少分量，它都不代表哈沃德那天晚上有進入佩隆家。只有洛威爾．萊文和阿爾文．凱吉的專家證人證詞明確說出了這一點。而 DNA 也證明了兩位牙醫是錯的。

真正的兇手到底是誰！？

哈沃德的案件已經走向崩解。真正的證據（affirmative evidence）不是指向他有罪，而是指向另一個第三人。無論在哪一州，這個「新發現」的證據應該都對推翻任何一個有罪判決綽綽有餘了，但是維吉尼亞州和大多數州都不一樣。維吉尼亞州是全美國對無罪主張最有敵意的州之一。被判無期徒刑的囚犯很少有活著走出來的。要讓無辜者重獲自由，通常前提是必須破案。

然後「聯合 DNA 索引系統」（CODIS）就找到他了：在訴訟中喊出了「將軍！」

根據美國的 DNA 數據庫「聯合 DNA 索引系統」，確定性侵取證套組、沙發墊和尿布上的 DNA 是來自一名叫做傑里．克羅蒂的人。在這起性侵謀殺案發生時，克羅蒂是卡爾文森號航空母艦的一名水手，這艘航空母艦當時停泊在紐波特紐斯的船塢。

基思．哈沃德也在這艘船上服役。克羅蒂和哈沃德長得有點像，他曾經因為綁架罪而在俄亥俄州的監獄服刑，並在十年前死於獄中。在哈沃德入獄期間，他還犯下其他暴力犯罪，但是都沒有像一九八二年對佩隆一家的暴行那樣殘忍；當然，除非克羅蒂還犯了其他沒有被偵破的案件，或是被以為已經破案的犯罪。

全美國對無罪主張最有敵意的州？

媒體壓力再次升高。但不是像一九八二年那樣，當時行凶的水手逍遙法外，因此有兩名美國參議員敦促要盡速逮捕他；這次的壓力是要推翻多年前因為媒體推波助瀾而造成的有罪判決。

弗蘭克．格林（Frank Green）是《里奇蒙時報》（Richmond Times-Dispatch）的記者，他長期以來都對維吉尼亞州對無辜者的敵意有批判性觀察，他詳細報導了哈沃德的故事，從聲請推翻他的有罪判決的那一刻起。連諾托韋裡面的囚犯都注意到了。

哈沃德在監獄裡的朋友們都為他打氣。他們開始從監獄圖書館的報紙上剪下與哈沃德案件有關的新聞剪報，並保留給他。隨著哈沃德的案件從一團混亂的垃圾科學訴訟，轉變成教科書等級的 DNA 平反案件，格林的報導刊登位置也越來越靠近頭版。當哈沃德的聲請在等待維吉尼亞州最高法院的決定時，他成了頭版新聞，而當 DNA 檢驗證明哈沃德是無辜的時候，他直接登上頭條。

既然已經在「聯合 DNA 索引系統」找到符合者了，但凡有一點基本的正當程序概念，都會覺得繼續監禁哈沃德是不可接受的。他顯然是無辜的。任何殘存的反對意見都消失無蹤了。

總檢察長在一場匆忙召開的新聞發布會上，公開承認哈沃德是無罪的，並要求該州高等法院盡速對其聲請做出裁決。維吉尼亞州最高法院在第二天就宣布基思．哈沃德是一個無辜的人。

——本文摘自《法庭上的偽科學》，2023 年 12 月，商周出版，未經同意請勿轉載。

原文注釋

1. Bill McKelway, “From the Archives: How the 1984 Escape from Virginia’s Death Row Happened,” Richmond Times-Dispatch, May 30, 2009，瀏覽日期二○二一年七月五日，richmond.com/from-the-archives/from-the-archives-how-the-1984-escapefrom-virginias-death-row-happened/article_19ea1684-9af2-5d24-86ab-5875eaf2068c.html。 ↩︎
2. Prison Policy Initiative, Virginia profile，瀏覽日期二○二一年七月五日，www.prisonpolicy.org/profiles/VA.html。 ↩︎