左看右看 貓頭鷹、寶石竟是斑馬魚

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

本文轉載自顯微觀點

顯微鏡在科學發展中扮演關鍵的角色，讓人們得以突破肉眼的限制，深入微觀的世界探索。而隨著時間推進，顯微技術也日新月異，其中現代顯微鏡設計了所謂的「無限遠光學系統」（Infinity Optical Systems），更是提升了顯微鏡性能和突破過去的觀察瓶頸。因此主要的顯微鏡製造商現在都改為無限遠校正物鏡，成為顯微鏡的技術「標配」。

1930 年代，相位差顯微技術出現，利用光線在穿過透明的樣品時產生的微小的相位差造成對比，使透明樣本需染色就能更容易被觀察。1950 年左右，則出現使用兩個 Nomarski 稜鏡，將光路分割再合併產生 干涉效應的 DIC 顯微技術，讓透明樣本立體呈現、便於觀察。

在傳統「有限遠系統」中，單純的物鏡凸透鏡構造，會直接將光線聚焦到一個固定距離處，再經過目鏡放大成像。也因此過去顯微鏡的物鏡上通常會標示適用的鏡筒長度，通常以毫米數（160、170、210 等）表示。

而在過渡到無限遠校正光學元件之前，選用的物鏡和鏡筒長度必須匹配才能獲得最佳影像，且大多數物鏡專門設計為與一組稱為補償目鏡的目鏡一起使用，來幫助消除橫向色差。

但是問題來了！當這些光學配件要添加到固定鏡筒長度的顯微鏡光路中，原本已完美校正的光學系統的有效鏡筒長度大於原先設定，顯微鏡製造商必須增加管長，但可能導致放大倍率增加和光線減少。因此廠商以「無限遠」光學系統來解決這樣的困境。

德國顯微鏡製造商 Reichert 在 1930 年代開始嘗試所謂的無限遠校正光學系統，這項技術隨後被徠卡、蔡司等其他顯微鏡公司採用，但直到 1980 年代才變得普遍。

無限遠系統的核心在於其物鏡光路設計。穿透樣本或是樣本反射的光線透過無限遠校正物鏡，從每個方位角以平行射線的方式射出，將影像投射到無限遠。

透過這種方法，當使用者將 DIC 稜鏡等光學配件添加到物鏡、目鏡間鏡筒的「無限空間」中，影像的位置和焦點便不會被改變，也就不會改變成像比例和產生像差，而影響影像品質。

但也因為無限遠系統物鏡將光線平行化，因此這些光線必須再經過套筒透鏡在目鏡前聚焦。有些顯微鏡的鏡筒透鏡是固定的，有些則設計為可更換的光學元件，以根據不同實驗需求更換不同焦距或特性的透鏡。

除了可以安插不同的光學元件到光路中而不影響成像品質外，大多數顯微鏡都有物鏡鼻輪，使用者可以根據所需的放大倍率安裝和旋轉更換不同的物鏡。

傳統上一旦更換物鏡，樣本可能就偏離焦點，而須重新對焦。但在無限遠光學系統的設計中，物鏡到套筒透鏡的光路長度固定，也就意味著無論更換哪個物鏡，只要物鏡設計遵循無限遠系統的標準，光路長度和光學路徑的一致性得以保持。

因此無限遠光學系統也有助於保持齊焦性，減少焦距偏移。這對需要頻繁切換倍率的實驗操作來說，變得更為便利和具有效率。

不過使用上需要注意的是，每個顯微鏡製造商的無限遠概念都有其專利，混合使用不同製造商的無限遠物鏡可能導致不正確的放大倍率和色差。

改良顯微技術，使研究人員能夠看到更精確的目標；以及如何讓更多光學配件進入無限遠光學系統中的可能性仍然在不斷發展中。但無限遠光學系統的出現已為研究人員打開了大門，可以在不犧牲影像品質的情況下輕鬆連接其他光學設備，獲得更精密的顯微影像。

1. M. W. Davidson and M. Abramowitz, “Optical microscopy”, Encyclopedia Imag. Sci. Technol., vol. 2, no. 1106, pp. 120, 2002.
2. C. Greb, “Infinity Optical Systems: From infinity optics to the infinity port,” Opt. Photonik 11(1), 34–37 (2016).
3. Infinity Optical Systems: From infinity optics to the infinity port
4. Basic Principle of Infinity Optical Systems
5. Infinity Optical Systems

延伸閱讀：選擇適合物鏡 解析鏡頭上的密碼

本文轉載自顯微觀點

「醜細胞」之美

2024 台灣顯微攝影競賽金獎「致命之美：癌細胞的雙面表演」清晰呈現癌細胞分裂前張牙舞爪的瑰麗生命力。作者何俊達身為神經科學領域的博士後研究員，拍攝這張獲獎照片的動機卻是興趣使然。

處在嚴謹專業的學術領域，何俊達不僅把顯微攝影看作必要的研究技術，也是他蒐集奇妙影像、磨鍊美感的方法。何俊達笑說，「細胞愈奇怪，我就愈喜歡。我有一個小資料夾，叫做 Ugly Beautiful Cell，專門放這些奇怪的細胞。」獲得金獎的乳癌細胞影像，就屬於這個珍藏資料夾。

何俊達說，「這張照片其實是無心插柳¹，我大概只花了 30 分鐘拍攝。第一眼只覺得『好怪，好漂亮！』後來嘗試不同套色的時候才發現，我拍得滿不錯。」他補充道，雖共軛焦系統得到的螢光訊號一開始僅是單色的，但使用者可自行選擇套色，而顏色的選擇就反映了這個人的色彩美學，還有當下對影像的感受。

^{1. 金獎作品之細胞材料由Ｄrexel University, the Romano Lab – Olivia El Naggar 提供，作者何俊達鳴謝其協助。}

這個資料夾舊名「Unknown Beautiful Cell」（UBC），後來何俊達想到「醜」的台語/閩南語（䆀，bái）諧音像「my」，改名為「Ugly Beautiful Cell」，台英混合就讀做「Bái/My Beautiful Cell」。

拍攝這幅影像時，他直覺「必須省略一些資訊，才能得到最好的畫面。」便取消細胞中心區域將近一半的顯微掃描。因此影像中細胞周邊放射狀的偽足（filopodia）骨架相當清晰立體，但是細胞中心的「屋頂」骨架卻並未呈現，觀眾能直接看穿細胞膜，視野直達癌細胞的生命中心。

這個細胞即將進行分裂，染色質逐漸凝聚成染色體，在核酸染色之下形成諸多鮮明的獨立色塊，而不是螢光均勻的常見細胞核。因為染色質（chromatin）只有在細胞複製期會疊合纏繞成染色體（chromosome），其餘時候四散分布在細胞核內。

何俊達強調，「這個影像是調整染色體疊合比例的成果，透過刻意減少一部分的疊合，反而可以讓不同深度的染色體看來更有稜有角、具立體感。疊加所有的Z軸影像，反而會讓畫面變雜亂」

何俊達的構圖想像力，源自他在大學時期對攝影的愛好。他感嘆，以前經常拍攝自然風景、人物等多樣題材，在博士班期間忙碌到必須擱置相機。「有一天我用著顯微鏡，忽然想到，這樣進行顯微攝影，我其實也是在拍攝風景！」他對攝影的愛好日漸投射到顯微攝影，融入他的科學生涯。

何何俊達與實驗室主持人穆琪教授攝於卓克索大學醫學院藥理與生理學系。 何俊達提供俊達得獎感言：「 感謝顯微觀點給我這個獎項，這個金獎對我而言意義重大。我的科學研究道路並不順遂，跌跌撞撞的也過了 20 年。從微生物學，病理學，到了神經科學，我一直都相信好的結果也必須使用好的呈現方法，不然只是孤芳自賞，所以不曾忘記磨鍊自己的取景視角以及畫面美感。
我發現「美」不必然只與正常的事物有關聯，只要細細地整理觀察，美其實存在於許多小角落中，包含癌細胞之中。最後，雖然無法親自領獎與大家討論細節著實可惜，但希望大家可以享受這個展覽，體會顯微世界的美好。」

用「美國時間」精進技術

在費城卓克索大學進行博士後研究的何俊達，也曾在台灣讀過生物領域的博士班，但他直言，他的顯微攝影技術在美國才得到大幅進展。

技術進步的最大關鍵，是在卓克索大學可以得到「自由使用顯微鏡的時間」。他說，「同仁都很準時下班，因此晚上我可以待在實驗室，自由使用共軛焦顯微系統，得到反覆trial and error的機會。」

例如，不同解析度、對影像反摺積（deconvolution）計算的次數，許多細微的差別只有在分析數據的時候才能發現。

何俊達指出，實驗室主持人穆琪教授（Dr. Olimpia Meucci）也不介意他下班後持續練習使用顯微系統。他說，「這邊的風氣比較寬容，很願意提供試錯的機會。嘗試很久也沒關係，能夠一起檢討、最後產出足夠的成果就好。」

對於晚間繼續操作顯微鏡的辛苦，何俊達笑稱，「一個留學生晚上就算只回家看電視，還是要花電費。我在實驗室用顯微鏡反而省錢。」這些摸索顯微技巧的時光省下多少電費是未知數，但是在後來的研究中大幅提升了影像處理的效率。

顯微攝影技術之外，何俊達也在穆琪指導下得到較多的實驗自由。他在台灣讀博士班時「感覺自己像是教授的手」，雖然看似對實驗方法有選擇空間，但實際上只能採用指導教授偏好的作法。

何俊達提及，他在美國遇到的教授通常不會對實驗方法直接提供選擇，因為許多學生的研究題目因為時代的不同，或許已經有了更新穎的工具可以回答，那他們自己對這些工具沒有使用的實際經驗，「他們會問『你想怎麼做？』然後爬梳這個提案的合理性、可行性，透過實驗設計的邏輯和經驗進行評估。」

他也坦承，在美國的生醫研究資源比較豐富，通常不用擔心經費。即使研究提案包含團隊裡無人熟練的技術，教授也通常樂意協助學生到其他實驗室去學習並合作，或是安排技師前來教學。

CXCL12：挽救認知衰退的細胞因子

2024 年夏天，何俊達終於獲得博士學位。他的研究集中於細胞趨化因子 CXCL12 如何調控神經細胞樹突棘（dendritic spines）生成及活動，並延伸到對腦皮層網絡結構的影響，未來可能成為腦部疾病的新藥物基礎。

樹突棘是神經元樹突上的小凸起，會與其他神經元的軸突末端形成突觸，接收外來訊號，是學習與記憶的基礎神經構造。新的體驗與學習行為，會讓神經元生成新的樹突棘。

何俊達以體外培養的方式純化大鼠腦部皮層的神經細胞，並使用顯微技術成像與量化分析觀察 CXCL12 分子，發現它可以促使樹突棘的新生成、導致樹突棘聚集密度增加，並穩定尚未完全成熟的樹突棘，以吸引更多的突觸蛋白質(synaptic protein)累積於樹突棘，進而得到穩定的突觸結構，鞏固神經之間的連繫。

同時，何俊達也以活體細胞成像方法，使用鼠腦急性切片（acute slice）觀察 CXCL12 的作用。他將實驗鼠大腦取出，迅速在低溫溶液中切片，浸入常溫人工腦脊髓液，以保持腦神經活性，確保在顯微鏡下觀察到腦神經接近活體的狀態。

這項技術對穆琪團隊而言相當新穎，何俊達說，「光是以類腺病毒將綠色螢光蛋白正常表現，且讓螢光能在樹突棘上漂亮表現出來，就花了我一整年的時間，連真正的實驗都還沒開始。」因為腦神經很脆弱，要找到能表現足夠螢光、同時維持神經活性的載體病毒種類、濃度並不容易。

HANDs：愛滋病毒對腦部的傷害

動物自然衰老或因疾病導致的腦部病變過程中，經常觀察到程度不一的樹突棘退化。例如阿茲海默症患者腦部經常出現嚴重的樹突棘減少、分布逐漸稀疏、萎縮等現象。而人類免疫缺乏病毒 （Human Immunodeficiency Virus/HIV）陽性的患者，也有可能會遭遇樹突棘構造退化，並發展出認知衰退障礙症（HIV- Associated Neurocognitive Disorders, HANDs）。

何俊達解釋說，「相對於台灣的肝病比例較美國多，美國則是 HIV 相關的疾病比台灣多上許多。雖然患者現在可以用雞尾酒療法抑制體內病毒的複製，血液中檢驗不出病毒量，但將近一半的患者可能因為潛伏在腦中的 HIV 出現神經發炎反應，導致神經細胞以及其樹突棘的退化，且我們已知這些退化現象與認知衰退有著高度相關性。」

他補充，自第一起美國的 HIV 病患開始（1980 年代），多數患者現在年事已高，臨床上不容易判定是腦部的自然年老衰退，或是 HIV 產生的病毒蛋白、甚至由於雞尾酒藥物本身導致神經元加速退化，但認知衰退是 HIV 患者間亟需正視的臨床現象。

同時，美國 HIV 患者的感染率與藥物濫用的問題有高度相關，鴉片類藥物與 HIV 可能同時對他們的腦部產生傷害。這個集體健康議題備受美國社會重視，穆琪實驗室選擇從藥理、神經生理層面切入研究，因此得到公共經費的充分支持。

博士的窄門長路

何俊達笑稱，他很感謝他太太沒有要他放棄博士班研究。他回憶道，「前年 12 月，我太太來美國找我慶祝聖誕假期，準備一起去德國再度蜜月。我因為實驗進度不夠，還跟她說『我會晚一點回家』，她難以置信我要晾她一人在家。」幸好在聖誕節之前，何俊達順利得到實驗成果。

何俊達能加入資源豐沛、自由度高的科學團隊，並非出自好運或美國遍地都是研究經費，而是經過明確的現實考量。他解釋說，「我知道這個團隊的興趣與我相符，並且實驗室經費資源以及系所資源多元豐富，才做出選擇的。申請的門檻與競爭當然也不容易。」

當年，何俊達決定中斷讀到第五年的本地博士班，轉投海外從頭來過。他笑說，「畢竟前一個博班只讀到一半，所以投了20多家學校，沒有一家要收我。」後來經過朋友介紹，他才知道卓克索大學醫學院重視藥理與生理，畢業校友在生醫業界有一席之地。因此他瞄準了資源充沛、志趣相符的穆琪團隊。

何俊達申請加入穆琪團隊的過程並不簡單，儘管那時何俊達已經在台大的博士班磨練了5 年，他並沒有直接取得博士班的入取許可，反而是先取得了碩士班的機會。他回憶，「為了把握這個機會，我只好貸款在費城讀碩士班。」

兩年後，何俊達與一位實驗室同儕競爭直升博士班的名額，這個轉換學程的考試，要在 3 周內寫 3 份報告，接著會有 3 位教授進行口頭審核。何俊達回想自己能獲得資格的原因，「這個考試看重的並不是答案完全正確，而是能解釋為什麼自己要這麼寫。」

科學家是幸運的一群

儘管博士班路程比一般人想像的路程更加漫長，剛獲得博士學位不久的何俊達認為，自己比起很多人已經相當幸運。

他坦言，相對於可以快速應用的工程科學，多數生命科學家的研究成果無法在幾年內應用到臨床情境、形成社會貢獻，卻能持續得到公共經費進行研究，其實是幸運又奢侈的職業。

何俊達說，「其實基礎科學家像是被社會寵壞的一群夢想家，社會不問實際回報地支持他們做自己熱愛的夢。我想，社會允許這樣的一群人存在，是因為其中偶爾有一個人會做出改變社會的巨大貢獻。」他補充，「現實一點，也可以看成是對社會進步的保險」

何俊達獲得台灣顯微攝影競賽金獎，除了獎金還包含一台解剖顯微鏡。這台顯微鏡將轉贈給他的姪子。何俊達說，姪子小時候很喜歡昆蟲，負笈海外之後不知道姪子還喜不喜歡觀察昆蟲，但希望這台顯微鏡可以維持他對自然與生物的好奇心。

何俊達分享道，「每個人都該有個不求回饋的興趣，沒人提供報酬也可以得到快樂的興趣，像是攝影和顯微攝影帶給我的滿足。希望這台顯微鏡可以啟發我姪子建立自己的興趣。」

本篇專訪的英文版：“Beauty” Exists Beyond the Norm: An Interview with Chunta Ho