原住民祖先見過明亮的南方之星？傳說是真的，而且超過一萬年！

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

世人接受新觀念分為三個階段：

　　A. 胡說八道

　　B. 早就有人想過了

　　C. 我們一直都是這樣想

──佛萊德．霍伊爾，轉述雷蒙．利托頓（Raymond Lyttleton）說法

滿懷熱情的劍橋叛逆者：佩恩如何走上科學之路

一九二三年春天，二十一歲、身材高䠷的劍橋大學學生塞西莉亞．佩恩（Cecilia Payne）開始對未來感到惶恐。她熱愛天文學研究，夢想能走上研究道路，長期筆記自己成為科學家之後想研究的課題。但在校最後一年，她意識到面前可能是個死胡同。

那時代的英國，如她這般具備聰明才智的女性充其量只是當上女子學校的教師或校長。「彷彿腳下裂開一條深淵，」後來佩恩在自傳這樣比喻：「對我而言，當女教師是『比死亡還糟糕的命運』。」所幸悲慘命運沒有降臨在她身上，儘管面臨種種困難，佩恩仍舊在科學上做出突破，為二十世紀科學的轉捩點奠定基礎：她發現人體所有元素（除了氫）最初如何形成。

佩恩對科學的興趣萌芽於六歲，那年一顆流星給她留下深刻印象。十歲時，她在天主教學校做實驗測試禱告的力量，為一半考試的成績祈禱、另一半則不做祈禱。事後發現成績沒有差別時，她轉而肯定理性的力量，對科學的興趣於此扎根。至於宗教，佩恩後來相信一位論¹⁴。

虔誠女校長對佩恩說學習科學是「糟蹋她的天賦」。學校合唱團指揮古斯塔夫．霍爾斯特（Gustav Holst）雖然當時默默無聞但之後會創作《行星組曲》，他則鼓勵佩恩走音樂這條路。

但佩恩有自己的想法：她拿到劍橋大學獎學金，準備攻讀植物學。然而適逢第一次世界大戰之後物理學風起雲湧的時期，佩恩正好聽了天文學家亞瑟．愛丁頓那場劃時代講座，得知太陽引力場能夠扭曲光線路徑，而且一切符合愛因斯坦的預測。佩恩大受震撼，人生再次拐了個彎。她後來寫道：「我的世界天旋地轉，感覺差點神經休克。」那瞬間她徹底愛上物理學，所以隔天就去「面對校方」，申請從植物學系轉到物理學系。回家以後她幾乎逐字逐句默寫講座內容，為此三天沒怎麼睡。

劍橋卡文迪什實驗室的氣氛像是帶著電。發現電子的湯木生、發明雲室的威爾遜都在這裡，但最耀眼的常駐明星是發現原子核的傳奇人物拉塞福。對佩恩來說美中不足的是拉塞福不喜歡課堂有女性參與。儘管當時年輕女性不再需要年長者時時監護，但仍要求座位與男性分開。因此每次進入講堂，佩恩作為唯一女性必須單獨坐在最前排，而拉塞福更是刻意每堂課都以「各位女士先生」這句話開場。佩恩在自傳中回憶：「男生聽到教授意有所指總是很捧場，歡聲雷動之外還會老派地跺腳，每次上課我都想挖個洞鑽進去。」[38]

星星的祕密：她用光譜解開宇宙的指紋

她很快投靠愛丁頓。愛丁頓理解她的熱忱，也比拉塞福更加包容，允許她參與研究團隊。同時佩恩還接觸到最新領域量子物理學，帶她入門的正是理論發現者之一尼爾斯．波耳（Niels Bohr）。即便如此，在學最後一年她又發現面前是死路，因為劍橋大學根本不允許女性獲得高等學位。（不授予文憑，也無法獲邀參加畢業典禮。）險阻重重，但她堅持不懈、動用一些關係，終於爭取到哈佛天文臺的女性研究員資格，能在臺長哈洛．沙普利指導下工作。

天文臺位於麻薩諸塞州劍橋市距離校園大約一英里的小山上，特點是願意僱用女性，因為前任臺長愛德華．皮克林（Edward Pickering）發現她們除了勤奮聰明還能大幅降低預算壓力。在一次史無前例的星體清點作業中，皮克林僱用超過八十位女性處理大量圖片，最終數量高達五十萬份。有些人將這群女性稱為「皮克林的計算機」，但更常見的諢名是「皮克林的後宮」。

一開始沙普利也期望佩恩幫忙利用照片來對星體進行分類和編目，但她才第一個獨立研究就急於解決劍橋教授提出的大哉問。當時人類對宇宙的理解有個顯而易見的盲點：星星是由什麼構成的？

科學家已經掌握部分答案。除了拍攝恆星，哈佛天文學家還會記錄玻璃底片上的光譜。光譜提供線索，可以判斷星星含有何種元素。星體發出的光包含各種顏色，但元素周期表中每個元素會吸收一組特定波長。換句話說，飄浮在星體大氣層的元素原子會在星光到達地球前吸收特定波長的光。天文學家觀察星體光譜的水平面會發現波長缺失部分出現細黑線，從這些黑線就能推測出光線被什麼元素吸收了。可以說感光玻璃板留下了指紋光譜、宇宙條碼，結論是星星含有許多地球上能找到的元素，例如鐵、氧、矽、氫。

隨之而來的問題是光譜模式有異常，想要詮釋並不容易。儘管玻璃底片能告訴科學家星星包含什麼元素，卻無法有效判斷各元素的份量。

星星的祕密：她用光譜解開宇宙的指紋

儘管如此，天文學家卻認為自己已經知道答案是恆星和行星必定由相同物質構成。當時許多人認為行星是另一顆恆星經過時從太陽拉出大團熱氣體之後凝固而成，因此地球與太陽必然成分相近。就連恆星研究龍頭亨利．諾里斯．羅素也信心滿滿，他相信太陽就像地球有個巨大鐵核心，如果將地球地殼加熱到太陽的溫度就會散發出幾乎一模一樣的光譜。

這正是佩恩想研究的問題。她意圖藉由底片確認恆星中各種元素的比例，並提議採納最新的前沿理論：遠在加爾各答的傑出天體物理學家梅納德．薩哈（Meghnad Saha）指出新的量子力學理論中，電子只能在特定軌道圍繞原子核旋轉，能量越高就必須離原子核越遠。據此出發，薩哈認為恆星溫度各有不同，即使原子是相同元素，其中電子也很可能處於不同路徑（若是最高溫的恆星，原子還可能直接失去電子）。這些變化導致相同原子會吸收光線中的不同波長組合，混淆人類對星星光譜的理解。

工程浩大，但佩恩不畏挑戰，將薩哈方程式應用於哈佛的龐大底片館藏。哈佛天文臺也只有她具備足夠的量子理論知識能完成這項工作。[40]

佩恩辦公室位於紅磚大樓三樓，裡頭堆滿了底片。她不舍晝夜努力分析，數萬筆恆星光譜看得人眼花繚亂。底片至今仍保存在同一棟大樓，只是外面護膜泛黃了。曾經接受佩恩指導的天文學家歐文．金杰里奇（Owen Gingerich）拿了一張給我看過，上面的黑色帶狀紋路每條約四分之一英寸寬（約零點六公分），裡頭交織亮度不一的模糊細線，必須拿放大鏡才能判讀。「單純這樣看想必一頭霧水，」金杰里奇解釋：「但其實有一套辨識的系統，只要日復一日觀察就能跟它們變成朋友。」我盯著那些線條直呼不可思議。

天文臺臺長沙普利偶爾在夜裡經過那間辦公室，發現佩恩邊抽菸邊端詳底片，絞盡腦汁在模糊線條裡辨認出模式、與計算結果做對照。她自己也寫下：「我日以繼夜研究，時常處在疲憊崩潰的邊緣。」研究計畫從幾個月延長到將近一年，期間只能以「霧裡看花」形容，但皇天不負苦心人，佩恩運用薩哈方程式之後得到出乎意料的結果。

論文初稿中她大膽宣稱：儘管大家相信恆星與地球成分應該相同，但事實並非如此。恆星中幾乎沒有地球上最常見的元素如鐵、矽、氧、鋁。反之，每顆恆星有百分之九十八是氫和氦，而且太陽的氫比地球多一百萬倍。

太奇怪了，與她在劍橋所學不符，也與老師們對地球形成的理解不一致。「佩恩小姐？你很勇敢」，物理學家艾爾弗雷德．福勒（Alfred Fowler）這樣對她說。沙普利臺長很得意地將佩恩的論文草稿寄給自己以前的指導教授、普林斯頓大學著名天文學家亨利．諾里斯．羅素。

哈佛大學最優秀的人也被迫低頭

羅素回信以高度讚揚夾帶了強烈警語：他認為佩恩的主張，也就是星星幾乎完全由氫和氦組成，「顯然是不可能的」。否定這種說法的理由很充分，其中之一在於他們為何認為太陽中含有大量的鐵。太陽光譜中代表鐵的線條比其他元素更多，而且許多隕石也由鐵構成、地球的核心同樣充滿鐵。在羅素看來，種種現象指向任何天體都含有大量的鐵。

一邊是研究所學生，另一邊在學界已經聲譽卓著，佩恩自然接受了對方觀點，或者應該說她感覺自己不得不從，回憶時提到：「年輕科學家有沒有前途就看對方一句話。」於是她在論文加上一句前提，表示這部分結論「幾乎肯定不真實」。據佩恩的女兒告訴作家唐納文．摩爾（Donovan Moore），她一生都為這個決定感到遺憾，因為不出幾年量子理論進步了、其他人也透過其他方法得出同樣結論，羅素又回頭肯定了佩恩的發現。

後來很長一段時間裡，大家認為她寫出了天文學史上最傑出的博士論文。著名天文學家愛德溫．哈伯稱她為「哈佛大學最優秀的人（man）」。即便如此，佩恩在哈佛大學內部升遷卻花了很長時間，講座有非常多年沒被列入哈佛的課程目錄。原因出在校長勞倫斯．羅威爾（Lawrence Lowell）強烈排斥女性進入教職一事，還發誓有生之年絕不錄用，所以拖到一九五六年，羅威爾去世非常久以後，佩恩才終於當上教授。

她的發現改變人類對恆星運作的理解。確定恆星主要由氫和氦組成，研究人員得以解決另一個長期未解的謎團：星星以什麼作為燃料？他們發現恆星內部壓力極大，單質子的氫原子融合形成雙質子的氦原子時會釋放能量，太陽就以這種方式產生光和熱。也由於佩恩的貢獻與對恆星的新知識，學界終於有機會揭開重元素誕生的祕密，答案就在星星裡。

——本文摘自《你的身體怎麼來的？從大霹靂到昨日晚餐，解密人體原子的故事》，2025 年 01 月，商周出版，未經同意請勿轉載。

太平盛世：萬曆年間的物價體系

萬曆年間是怎樣的時代？

一五七二年，八歲登基的明神宗萬曆皇帝還是個活蹦亂跳的小孩子；等到一六二○年，晚年疏離淒苦的萬曆以五十七歲之齡過世。萬曆從小統治大明到老，在寶座上坐了將近半世紀。「萬曆皇帝」絕非鐵板一塊，而「萬曆年間」也不是個靜止不動的年代。萬曆年間發生許多事，因此人們對這段時期的反應都不相同，當年如此，至今猶然。

有人覺得萬曆年間是政治派系鬥爭、奢糜浪費、道德淪喪的時代；也有人覺得萬曆年間是社會活絡、哲學復興、經濟繁榮的時代。雖然這幾種勾勒方式各有其側重，但它們都是真的。

每一位皇帝統治期間，都會有一個蘊含著期許的年號，而萬曆帝的「萬曆」，大有「萬年之計」的意思。朱翊鈞的父親是隆慶皇帝，於一五七二年七月駕崩。小少年萬曆在內閣首輔張居正鐵腕輔政下，積極學習怎麼當個好皇帝。一五八二年，張居正去世，二十出頭的少年皇帝親政，自己治國。

幾乎每一位皇帝都很難接觸到老百姓生活的世界，而在紫禁城牆內得到各種照料的他，也有這樣的困擾。然而，年輕時的他似乎曾盡力去吸收各種資訊，掌握天下大事。他不見得知道買個水桶要花多少錢，但他至少知道荒年的物價。我們之所以曉得他知道，是因為他在一五九四年四月十九日那天，曾經跟小他四歲、備受恩寵的皇貴妃鄭妃談到這件事，並且在隔天又把這段對話告訴了首輔大學士。

皇帝對飢荒多重視？

昨者，朕覽《饑民圖說》，時有皇貴妃侍，因問：「此是何圖，畫著死人，又有赴水的。」朕說，「此乃刑科給事中楊東明所進河南饑民之圖，今彼處甚是荒亂，有吃樹皮的，有人相食的，故上此圖，欲上知之，速行蠲賑，以救危亡於旦夕。」

這段簡短逐字稿是很了不起的紀錄，特別是因為它揭露了宮中私下談話可能的內容。皇帝和皇后確切的用字遣詞不是不重要，但真正的重點在於萬曆對於此事有所表示。他用這種方式向大學士與滿朝文武表現自己知道饑荒迫在眉睫，而他會親自著手賑濟。

萬曆皇帝絕對不會看到饑民，畢竟只要他出宮，士兵都會奉命先把街頭整頓一番，不會讓他看到任何難看的景象。對於饑荒的光景，他所知盡皆來自《饑民圖說》。他大約兩週前收到這份《饑民圖說》，實錄上說他看得「驚惶憂懼」。

兩週後，這部圖說仍然擺在寢宮案頭，想必他已細閱多次，對所見極為震驚，反應就跟鄭貴妃初見時一樣。等到皇帝讓鄭貴妃看圖的時候，他自己已經有兩星期的時間能消化圖說解釋的內容，深入瞭解天災可能引發的人禍，恐將從社會動盪演變為大規模暴力。

《饑民圖說》完全達到了進圖官員所期望的結果，也就是皇帝立即而確實的回應。萬曆皇帝告訴首輔大學士：

皇貴妃聞，說自願出累年所賜合用之積，以施救本地之民，奏朕未知可否？朕說甚好。且皇貴妃已進賑銀五千兩，朕意其少，欲待再有進助，一併發出。

鄭貴妃賑銀之後，太后、福王、沈王和萬曆本人也輸銀賑災。

他們賑銀的總額，是明朝皇帝動用大內資金單次最高的賑災金額。皇室尚且慷慨如此，讓萬曆朝中的首輔大學士有了道德籌碼，得以要求五品以上官員捐奉薪賑災。

解決饑荒最有效的方法是？

不過，真正緩解饑荒威脅的卻不是這些賑銀。解決饑荒的方法，是造成價格差異化，讓差價的局面來發揮作用：當每石米價來到前所未有的五兩，糧商便產生了商業動機，紛紛把糧食運往黃河受災地區。負責賑災的官員回報皇帝，「米舟並集，延袤五十里。」

每石米價因此下跌到八錢。八錢是五分之四兩銀，仍然是很高的價格，但大致上還是歉收時可見的米價，既不到饑荒時價，也還能讓糧商有利可圖。因此，河南省的饑民未有不濟者，也就是無人因此餓死。

這則故事背後還有兩項更複雜的層面。首先，只要詳盡檢視當時河南省的地方志，就會發現該省還不至於瀕臨饑荒。糧產量雖然略微下降，但絕非進呈給皇帝御覽的那種災荒局面。也就是說，對於饑荒的恐懼壓過了實際情況。萬曆之所以自己帶頭賑銀，還逼著文武百官一起，是因為想起中國曾在六年前遭遇過嚴重饑荒，而當時的當局毫無準備。

行動背後的政治算盤

故事裡另一項耐人尋味之處，在於鄭妃。後宮嬪妃中，萬曆最是寵愛鄭妃。一五八六年鄭妃懷孕後，萬曆諭禮部封鄭妃為皇貴妃，並有意立其子（在萬曆諸子中序齒第三）為太子。

此舉引發的繼承問題將困擾萬曆，終其治世，不只讓他跟大臣有了齟齬，甚至到了皇帝罷朝的地步。萬曆試圖把鄭妃塑造成這次賑災故事裡的主角，讓百官不得不追隨她的登高一呼，藉此提高她的地位，進一步推動立其子為繼承人的計畫。這起事件的政治操作當然跟糧價無關。我只是想提醒大家，萬曆朝的每一項決策，其實都有政治操作的影子。

說了這麼多，我們終於要講到本書的核心現象，也就是饑荒時上漲的糧價。一四五○年以前，明代文獻沒有持續記錄災荒價格，但此後的兩世紀間卻開始累積，構成十八世紀前中國最長的糧價序列。

糧價波動能成為哪些現象的指標？

災荒價與平常的價格不同，災荒價是例外現象。這些價格指出人們是在何時何地留下紀錄，指出特別罕見的情況。但這些價格也有其共通之處——這些數字記錄了人們對於糧食的期望價格，與他們實際得付出的價格之間有多大的差距。我們可以用這些偏離常態的價格為材料，寫出明代的物價史，就能比其他的明代文獻指標更清楚呈現呈現出十五世紀中葉至十七世紀中葉的平民百姓，如何因為氣候條件嚴重惡化而困苦不已。擾動這條界線的並非貨幣供應，而是農業生產的自然條件，在我們所謂的小冰期嚴峻階段受到侵蝕。

如果要衡量小冰期加劇時的農業繁榮程度、人類生存的難易度，乃至於政局的穩定度，最可靠的指標就是糧食價格。一四二○年，永樂皇帝接見帖木兒帝國統治者沙哈魯（Shahrukh Mirza）的使節團。作為開場白，他問起波斯的情況，想知道彼國糧價是高昂還是平價。使節跟他掛保證說很便宜，永樂帝則大方表示這證明沙哈魯備受上天青睞。

糧價低代表收成好，而豐收則是受命於天的明確標誌——對於篡位者永樂來說，這是個極為敏感的神學問題。來使謁見皇帝時，大明國的糧價也很低。除去一四○六年曾因過去幾年降雨太多而導致的嚴重饑荒，以及一四一五年與一四五六年的洪患，中國的氣溫保持在正常範圍，降雨豐沛，豐收可期。

農業繁榮，讓永樂帝得以展開所費不貲的多項建設，像是重修大運河，將首都從他父親治國的南京遷到北京，並向印度洋派出一連串的外交艦隊。一四二四年永樂帝駕崩，十幾年後明朝的昌隆國運也開始走下坡。但永樂治世期間的糧價是便宜的，證明了他是天選之人。

明代的人民跟皇帝都相信，只要糧價保持公平穩定，天下就會太平。陳其德讚嘆萬曆年間糧價豐亨殷阜的時候，其實他是在替眾人代言，因為大家都認為這是世界該有的樣子。任誰都覺得價格會有季節波動，像是收成後降到低點，或者所謂「青黃不接」時價格會達到最高點。

不過，人們很有信心，只要有了下一批收成，價格就會恢復正常。按理說應該如此。然而從十五世紀中葉開始，每幾十年就會來一次歉收，動搖物價的穩定性（至少短期如此）讓百姓期盼落空。日子一久，物價終於在明末時破滅崩潰。

——本文摘自《價崩：氣候危機與大明王朝的終結》，2024 年 05 月，衛城出版出版，未經同意請勿轉載。