細菌能幫助原始動物呼吸

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

顏色會依照我們觀看的對象吸收和反射的光而有所不同。樹葉因為會吸收所有藍色和紅色系光譜，只反射綠色，因此看起來是綠色的，而讓樹葉顯現綠色的東西，便是負責養育生命的葉綠素。

需要光合作用時也只會紅通通的日本紅楓

當然，也有葉子不是綠色的。樹木一生中雖然會變換顏色，但也有一開始長葉就不是綠色的。關於這類樹木，首先想到的便是日本紅楓（Acer palmatum ‘Shojo-Nomura’）。

日本紅楓連剛冒出葉子時也不泛綠色，和它的名字一模一樣，打一開始就很紅。那麼，日本紅楓紅色的葉子裡沒有葉綠素嗎？如果缺少葉綠素，樹木無法行光合作用；若不行光合作用，將無法製造生存所需的養分，那究竟該如何生存呢？

所有樹葉裡都有葉綠素，但是除了葉綠素，還有類胡蘿蔔素、花青素和單寧等各種成分，我們需要從這裡找出頭緒。類胡蘿蔔素、花青素和單寧等成分分別呈現黃色、紅色和褐色，葉子雖然從一開始就具備多種顏色的成分，但在更需要光合作用的時候，葉綠素會上來表面；待過了秋季，逐漸接近無法行光合作用的冬季，其他顏色的成分才會開始活躍，秋楓便是如此。然而，日本紅楓即使在需要光合作用的時期，葉子也只會紅通通的，非常奇妙。

淺綠色顯露出來的瞬間

日本紅楓是人們培育出來的品種，以做為造景用的觀賞樹木。換言之，日本紅楓並不是在自然狀態下生長的樹木，而是人們為了更長時間觀賞楓樹的紅色葉子所培育的品種，讓它一年四季都能呈現紅色。雖說紅色葉子裡頭同時含有泛綠色的葉綠素，但不管再怎麼看，都看不到綠色。

我再次重申，觀察樹木需要長時間、仔細地觀察。日本紅楓葉子上的紅色氣息轉淡的現象一年大概會發生兩次，分別是開花與果實逐漸成熟時，也就是樹木最需要養分的時刻。這時的日本紅楓葉子會發生非常細微的變化，乍看之下無法得知其差異：仍然泛著紅色，仔細觀察卻能在葉子某些部分感覺到綠色的氣息。

雖然葉子顯現紅色，但葉綠素若不進行光合作用，樹木就無法存活，在開花和結果等需要大量養分的關頭更是如此，這種時候只要仔細確認日本紅楓的葉子，將能感覺到葉綠素行光合作用活動的跡象。葉子上面延展的葉脈或葉柄端的紅色會轉淡，非常顯眼。果實結果和逐漸成熟時也一樣，可以在變淡的紅色之間突然看見綠色。即便葉子是紅色的，葉綠素還是會在它非常迫切需要養分時活躍起來，無怪乎顯現了綠色。

黃金松的樹葉只有黃色嗎？

日本紅楓是人工選育的品種，但自然狀態下也有樹木不是發綠色的芽，好比名為黃金松（Pinus densiflora ‘Aurea’）的樹木。雖然松樹的葉子一年四季都是綠色，黃金松的葉子卻呈金黃色。黃金松是松樹的品種之一，是相當稀有的樹木，它只有下方呈綠色，整體看來葉子是金黃色的。據說從以前開始，只要天氣乾旱，黃金松的金黃色葉子就會變成褐色，梅雨季則變成綠色，對於觀察氣候十分必要，不過這種說法並無科學根據。儘管如此，據說以前農夫們乾脆叫黃金松「天氣木」。

韓國曾經發現幾棵自然狀態下的黃金松，特別是慶尚北道蔚珍郡周仁里的黃金松就被指定為地方紀念物，是一株受到保護的珍貴樹木。這棵黃金松曾是預測氣候的標準，村裡亦相傳若發生戰爭，它的葉子會泛紅。

蔚珍郡周仁里的黃金松和旁邊其他樹木的葉子顏色不同，一眼就能清楚看出來。這棵佇立在斜坡上的樹木已有五十歲左右，由於被指定為文化財，四周圍上了柵欄、被確實地保護著。雖然遠處就見得到它神祕的模樣，但務必近距離觀察。必須仔細觀察葉子，才能得知樹木的祕密，知道樹木如何用金黃色的葉子製造養分、使自己生長。

即便植物圖鑑裡記載「除了葉子的基部，其他都是黃色」，實際上再怎麼觀察，仍然很難說是黃色，非要講的話，比較接近綠色和黃色混合在一起的淡綠色。當然，顏色以針葉來說算特別，但不能說是黃色或金黃色。與其說黃金松的葉子是金黃色的，不如說是以綠色為底，黃色顯現得稍微強一點。

無法丟掉綠色的原因

我們談日本紅楓和黃金松，但擁有紅葉或黃葉的樹木不只這些，尤其是觀賞用的培育品種中，還有不少葉子的顏色相當五彩繽紛。然而，不管是哪種樹木，都無法完全丟掉綠色，因為綠色是葉綠素的顏色，而葉綠素是樹木的生命之窗。

——本文摘自《樹葉物語》，2023 年 5 月，時報出版，未經同意請勿轉載。

編按：此為個人實驗結果，對內容有疑問者可向作者詢問。

自從退休之後，6 年來已習慣晚上到附近公園運動，某日，讀國小四年級的金孫跟我說：「阿公，植物白天光合作用會吸收二氧化碳，晚上會吐出二氧化碳，空氣不好，不要晚上去公園運動啦！」；確實，上網搜尋，有不少類似「夜間公園空氣不好」、「臥室不要擺盆栽」等擴大解讀植物光合作用的文章。

夜間（19 時～22 時）在公園運動的人不少，有慢跑的年輕人、有散步的銀髮族、有跳舞或練功的社團群眾，也有帶小孩玩溜滑梯、盪鞦韆等遊戲的家庭成員，那麼多人在夜間的公園活動；因此，「夜間公園空氣不好（太多二氧化碳），有害健康」的說法，似乎不符合常識邏輯，否則應有大半之慢跑、快走的人，將會休克，叫救護車送醫了。

其次，如果「臥室擺盆栽，有害健康」係金ㄟ，那麼，山上居民豈不會多病或短壽？似乎也不符合常識邏輯；敝宅客廳擺了 6 棵盆栽，N 年來夜間看電視 4 小時，健康損多少？

光合作用的 CO₂ 及 O₂ 值可以量測嗎？

網路上可找到許多探討「森林（樹木）的碳吸存」之類的文章，諸如：不同植物（喬木、灌木、草本…）的固碳量、每年每棵樹約可吸收 12kg 的 CO₂、一棵成熟樹約可提供一戶 4 口家庭的氧氣需量、植物大約吸收人類排碳量的 29% 等；林務局的網站說：「根據光合作用【森林碳儲存】反應式，林木生物量每增加 1 公噸，可吸收 1.6 公噸的二氧化碳，同時釋放 1.2 公噸的氧氣…」，這些公認的超現實數據，可否簡單地以一棵盆栽樹，來證實光合作用吸多少二氧化碳？釋放出多少氧氣？

在探討室內空氣品質（Indoor Air Quality）時，有一定的安全參考值，例如：連續 8 小時之二氧化碳 ≦1,000 ppm、一氧化碳 ≦9 ppm、甲醛 ≦0.08 ppm、氧 ≧18%，醫院及百貨商場等公共場所，多設有室內空氣品質監測儀器；顯然，有儀器可以量測二氧化碳、一氧化碳及氧等氣體的具體數值。

為了跟金孫簡單地解釋光合作用的「吸碳排氧」理論，特別花 2 萬多元買了一組可量測空氣中之二氧化碳、氧氣及溫濕度的空氣品質分析儀（Lutron/AQ-9918SD，精確度：CO₂±40ppm、O₂±0.2%、溫度±0.8℃），分別於正午及半夜，到公園、植物園區及大停車場等場所，量測白天及夜間之 CO₂（ppm)）和 O₂（%） 的變化，並且順便於自己臥室，量測在有、無盆栽狀態下，1 人睡覺時之 CO₂ 和 O₂ 的變化，結果卻逆轉「夜間公園運動、臥室擺盆栽，有害健康」的常識。

國小的光合作用反應式： 二氧化碳＋水     葡萄糖＋氧＋水

「夜間公園運動、臥室擺盆栽，有害健康」的理論，顯然與植物的光合作用有關，姑且由我們所認知的空氣成份常識談起，在維基百科中可找到如表 1 的空氣成份，例如，標準空氣之 O₂ 含量為 20.942% 及 CO₂ 含量為 330ppm（0.033%）等。

呼吸時，吐出最多的氣體是二氧化碳？

首先，以新購之空氣品質分析儀，進行人體呼吸實驗；以鼻吸口吐方式（圖 1），將吸氣吐入密封塑膠袋中，測試紀錄如下表，約經過 3 分鐘後（NO.7），CO₂ 由正常值之 373ppm 劇升為 15,606ppm 以上，而 O₂ 由正常值之 21.5% 降為 17.3% 以下（空氣氧含量安全值：≧18%），同時，吐出氣體含水汽，使露點溫度（℃dp）由 18.4℃ 劇升為 22.2℃ 以上（塑膠袋內產生水汽）；此證實人體呼吸確實是吸入 O₂ 而吐出 CO₂ 及水汽，將儀器探棒取出後（NO.14），CO₂ 及 O₂ 含量則逐漸恢復正常（如表 2 所示）。

由表 2 的數據，如果你以為人體呼吸吐出的氣體中，大多是 CO₂ 和水汽，那就錯了。依維基百科的資訊，因為鼻子吸入的空氣中，氮佔 78%、氧佔 21%、CO₂ 佔 0.033%、水汽佔 1.3%，所以，人體吐出的氣體中，體積比最多的依舊是氮氣，約佔 78%（不被需要，又被吐出來）、氧約佔 13%～16%（減少）、CO₂ 約佔 4%～5.3%（增加）、水汽約佔 5%（增加），以及原被吸入的痕量氣體，又被原封不動的吐出來。

盆栽光合作用的量測值，違反吸碳排氧理論

其次，找一棵種了約 6 年多的鳶尾花戶外盆栽（圖2）做實驗；以透明塑膠袋罩住（圖3），進行光合作用實驗，5 秒記錄 1 筆，持續 25 分鐘，為節省篇幅，僅摘錄每 1 分鐘 1 筆。

如表 3 所示，可看出前 4 分鐘（NO.1～5）之 CO₂ 值有明顯下降（吸碳），符合光合作用的吸碳理論，但是，O₂ 值也由 21.4% 降至 20.2% （吸氧而非排氧）；然而，自第 5 分鐘（NO.6）開始，CO₂ 值又逐漸回升至第 25 分鐘（NO.26）的 632ppm（排碳），而 O₂ 值仍續降至最後的 18.2%（吸氧），亦即自第 5 分開始（NO.6），完全顛覆了植物光合作用的「吸碳排氧」理論。

此時，塑膠袋內佈滿霧狀水汽（露點溫度由 20.0℃ 劇升至 35.4℃，即為數據明證），溫度也由起始的 27℃ 升至 56.8℃（如同密閉汽車日曬而溫升至 60℃ 以上一樣）。

因為「光合作用的吸碳排氧理論」是眾所皆知的知識，筆者不死心，分別於白天（正午）及夜間（深夜），量測灌木欉、喬木園區、大停車場、大稻田及臥室的 CO₂ 與 O₂ 值，方法或許不夠嚴謹，但是，若依表 4 的量測值總表，確實無法證明植物光合作用的「吸碳排氧」理論。

表4說明：

1. NO.1、2、3 是開放空間的量測結果；夜間的 CO₂ 值均低於白天，且夜間的 O₂ 值均高於白天，因此，「夜間不宜在公園運動」的常識可能有誤。
2. NO.4 及 5（與植物無關）的量測值，其夜間、白天的 CO₂ 值及 O₂ 值互有高低，量測值仍在儀器誤差範圍內；然而，可確定「CO₂ 值及 O₂ 值，除了海平面高度與地點因素之外，亦會隨著溫、濕度之變化而改變」。
3. NO.6 之臥室在有、無盆栽時（圖 4）的量測結果，由 6b 之比值可知，無論有、無盆栽，CO₂ 值幾乎無變化（無盆栽 66.73%，有盆栽 66.70%），對此結果感到非常詫異。
4. 重做一次如 NO.7、7a、7b，結果依舊近似，無盆栽為 73.52% 與有盆栽為 71.78%，而 O₂ 量亦維持減少 0.47%；顯然，「臥室擺盆栽，有害健康」的常識，亦可能有誤。
5. NO.7b 的 CO₂ 均值，白天（+73.52%）比夜間（+71.78%）高 1.74%，可能出自儀器誤差，或 NO.8 之 CO₂ 值下降 9.27% 之故。
6. 為了解 NO.6b 及 7b 的結果是否正確，做一次「臥室無人睡、僅擺盆栽」的量測，結果如 NO.8，盆栽在夜間 7 小時中，CO₂ 量減少了 9.27%，O₂ 量增加了 4.69%，與植物夜間呼吸作用的「吸氧排碳」理論顛倒。
7. 因而再做 NO.9 的量測，將盆栽移至臥室南側的窗邊（圖 5，日曬 9：05～14：20），由 9：00 量測至 16：00（7小時），CO₂ 減少 12.4%，似乎有吸碳功能，但 O₂ 減少了 1.4%（在儀器誤差內），也不符合植物光合作用的「排氧」理論。

本文之 10 次量測實驗，均有完整記錄，但限於篇幅，僅能提供如表 4 的總表；在做了數次量測之後，發現即使是同一植物或場所，以同一台儀器量測，可能因（1）陽光強度（雲層厚度）、（2）環境溫濕度、（3）量測方式、（4）取樣時距（10秒、20秒、30秒…）、（5）量測時間（20分、30分、60分、120分…）之不同，而有不同的結果，不過，這五種不同情況的量測誤差，多在 ±3% 之內。

表 4 量測方式之說明例

為了證明筆者確實有做量測實驗，於此說明表 4 NO.7 的量測方式與記錄如下：

因為（同一地點）空氣中的 CO₂ 及 O₂ 值，會隨溫濕度變化而改變，所以，本量測方式，以上床後之前 10 分鐘與醒來離床前 10 分鐘的均值做比較，每 5 分鐘記錄一筆，持續 7 小時，分別做了臥室無盆栽及有盆栽之量測；1 人睡覺的 CO₂、O₂、℃db（溫度）及 ℃dp（露點溫度）的 7 小時記錄值如表 5a、表 5b，不論是無盆栽（表5a）或有盆栽（表5b），CO₂ 值均呈緩緩上升的趨勢，而 O₂ 值均只降了 0.1%，仍在儀器誤差範圍內，無法證明 O₂ 值是增加或減少。

將表 5 的量測記錄，轉換為趨勢圖，可看出在無盆栽及有盆栽的 7 小時量測期間，雖然兩者的起始值不同，但是，CO₂ 值均呈緩緩上升的趨勢，且兩者之線性（y=ax+b）迴歸分析的斜率（a）幾乎相同，因此，可證明夜間臥室擺盆栽，不會增加 CO₂ 量，亦即無法證明「臥室擺盆栽，有害健康」的常識為真。

結語

樹葉真有能力分解空氣，只吸收空氣中僅佔約 400ppm 的 CO₂，而不吸入空氣中的其他成分氣體？光合作用的「吸碳排氧」理論，是否被過度解讀？由前述的人體呼吸實驗，正確的說法，是否應為「吸入空氣僅部份的 CO₂ 被吸收，而有部份的 CO₂ 和不被需要的氮氣、氧氣等均被吐出」？

筆者非植物專家，僅是一位秉持常識邏輯思考原則的退休工程師；本文之 10 種場合的量測樣本數仍嫌不足，不宜此結果下定論；但是，量測結果不符合植物「光合作用」的「吸碳排氧」理論，無法給金孫一個合理的解釋，反而搞混她在學校所學的「光合作用」知識，希望有專家賜教，指正本文之錯誤或做合理的說明。