太陽能板力圖擺脫稀有元素

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

半導體廠和資料中心的耗電量巨大，隨著護國神山的持續壯大，台灣的電力供應是否還能承受這種壓力？

或許，大海能夠給予我們答案。

在我們的周遭，有一個龐大且源源不絕的能源，但卻長期被我們所忽視——大海。太平洋上的鄰居夏威夷，已經部署了一座 1.25 百萬瓦特（1.25MW）的波浪能發電示範裝置，並即將併入夏威夷的電網。雖然這個發電量看似不大，但一台裝置只需要 38 公尺長、18 公尺寬的空間。想要放置更多的裝置，需要更大的空間嗎？大海有的是空間。

看來從海洋中擷取能源，或許就是台灣能源的終極解答。但為什麼還沒有人大力投入這個領域呢？

從海洋擷取能源

事實上，從海洋中獲取能量的想法並不新鮮。利用海洋的物理或化學特性所開發的能源，稱為海洋能。海洋能可以大致分為多種不同的形式，每種原理各有不同。

首先是波浪能。夏威夷建設的波浪能示範電廠，就是利用波浪的上下運動所產生的位能變化，或者是利用波浪中海水運動所帶有的動能，來產生電力。值得一提的是，無風不起浪。波浪的產生及其動能的來源，來自於風吹過海面時所產生的摩擦力。而風的出現，可能來自地球自轉，或者是太陽加熱地表和空氣所產生的氣壓差，空氣從高壓區流向低壓區，進而產生風。因此，波浪能的源頭其實是地球和源源不絕的太陽能，被視為永續能源。

其次是潮汐能。月球的引力是潮汐漲退的主要原因。潮汐造成海洋水位的變化，產生位能；同時，漲潮和落潮的水流也帶有動能，這兩種能量都可以用來發電。

另一種是海流能。這是利用海洋中洋流流動的能量。例如，台灣附近的黑潮，水流方向不論冬夏，都是由南向北，而且流速相當快，約每秒 1 至 2 公尺。只要在海流中放置水輪機，就能驅動發電機發電。

接下來是較為特殊的兩種方式。溫差能（OTEC，Ocean Thermal Energy Conversion）利用海水表面和深海之間的溫度差來發電。我們知道，海水表面因為受到太陽照射，溫度較高；越往深海，溫度越低，一般溫差可達 14 至 25 攝氏度。我們可以利用這個溫差來發電，原理類似地熱發電。OTEC 系統除了發電外，還可以結合海水淡化、海洋養殖和空調冷卻系統等多種用途，可謂一舉多得。

最後是鹽差能。這是利用鹹水和淡水之間的鹽度差異所產生的化學電位差來發電。發電廠通常建設在河水和海水的交界處，將海水和淡水當作一個巨大的化學電池的兩極。

台灣適合發展海洋能嗎？

地球表面約有 70% 是海洋，蘊藏著無窮的潛力。國際能源總署（IEA）在 2007 年發布的報告預估，海洋每年蘊藏了 21,100 到 93,100 太瓦小時的發電量。作為對比，根據統計公司 Statista 的資料，2022 年全球總發電量為 29,165 太瓦小時。也就是說，海洋蘊藏的能源，足以供給全球所需，甚至可能多出數倍。

海洋能除了蘊藏量龐大之外，發電不需要佔用陸地，又屬於不會造成環境污染的可再生能源，具備多重優勢。既然如此，為什麼我們不大力發展海洋能呢？畢竟台灣四面環海，感覺應該非常有利於開發海洋能。但事實上，不是每一種發電方式都適合台灣。

根據工研院於 2018 年整理的資料，台灣的地理環境較有潛力發展的是波浪能、溫差能和海流能。在詳細介紹這些能夠發多少電之前，我們先有個概念作為對照。2023 年，台電系統（不包括民營電廠）發電總裝置容量約為 55 吉瓦（GW），而目前封存的核四，兩部機組的總裝置容量為2.7 GW。

首先，波浪能發電適合的區域包括東北角外海、富貴角一帶，以及澎湖和雲林、彰化外海，發電功率有望達到 2.4 GW。溫差能發電適合的範圍則在花蓮、台東外海，具有 2.8 GW 的發電潛力。至於海流能發電，適合的地區在富貴角、澎湖水道（台澎海峽），以及東部外海的黑潮，共有 4.2 GW 的發電潛力。此外，在金門和馬祖，也有一些潮汐能發電的潛力。

總計而言，台灣的海洋能蘊藏量至少有 9.4 GW 的潛力，相當於七部核能機組的發電量。這樣的發電潛力也意味著巨大的經濟價值，估計海洋能市場的產值可達數兆台幣。

發展海洋能的困難之處

既然海洋能蘊藏量龐大，為什麼我們至今未見台灣有大規模的海洋能開發計畫呢？

首先，海洋能的技術發展仍存在許多挑戰。在各種海洋能中，潮汐發電目前最接近成熟的商業化階段，且已有正在運作的商業發電廠。例如，全球有十多座潮汐發電廠在運作中，其中韓國的始華湖潮汐發電廠是全球最大的，發電容量達 254 MW。此外，還有一些潮汐發電廠處於規劃或建造階段。

然而，潮汐發電的效益取決於潮差（滿潮和乾潮之間的水位差）的大小。一般而言，需要潮差達到 5 公尺以上才有經濟效益。台灣除了金門、馬祖等外島之外，潮差均不足5公尺，因此潮汐發電的潛力較低，並非首選。

至於台灣適合發展的波浪能、溫差能和海流能，目前全球的發展進度都較為遲緩。以波浪能發電為例，雖然蘇格蘭曾有過小規模的商業化案例，但已經退役。不過，最近也有新的波浪能計畫正在進行，包括本文開頭提到的夏威夷案場，這是愛爾蘭公司 OceanEnergy 在夏威夷設置的波浪能轉換器 OE-35，裝置容量為 1.25 MW。另外，瑞典公司 CorPower Ocean 在葡萄牙設置了 C4，裝置容量為 600 kW。雖然規模不大，但已達到商業化的程度，有望在不久的將來成為新的商業化發電方式。

至於溫差能、海流能和鹽差能，都還處於技術發展或小規模實驗測試階段，距離成功商業化發電還有一段路要走。

那麼，海洋能發展緩慢的原因是什麼呢？技術層面是一大挑戰。首先，海水對電器設備具有腐蝕性。同時，海上的強風大浪可能造成設備損壞。海洋生物也會附著在設備上，影響其運作效能。因此，打造耐用且抗生物附著的海洋能發電設備，本身就是一個巨大挑戰。

此外，即使我們能夠製造出能夠承受各種海洋環境的發電裝置，是否能長期高效地發電也是一個問題。如果無法建立耐用且具有一定規模的海洋能發電設施，成本將無法下降，進而阻礙海洋能的開發。

台灣在海洋能開發的進展

在波浪能方面，工研院開發了「懸浮點吸收式波浪發電」系統，包含具有運動模組和浮筒模組的上浮體，以及具有穩定作用的下浮體。當波浪經過時，上、下浮體會產生相對運動，能量擷取系統藉此吸收波浪的能量。

國家海洋研究院則與台灣海洋大學合作，進行「振盪水柱式波浪發電系統」的研究。該系統利用波浪的上下擺動，擠壓空氣艙內的空氣，將空氣擠出至口徑較小的排氣口，造成空氣流速加快，進而驅動排氣孔中的扇葉發電。成大也有實驗室透過數值分析軟體，進行發電裝置最佳化設計的研究。

在海流能方面，國家海洋研究院、台灣大學、中山大學和台灣海洋大學均參與了「浮游式洋流發電機組」的研發。發電機艙採流線型設計，類似一台風箏。機艙後方的葉片在受到洋流衝擊後轉動，驅動發電機產生電力。目前，20 kW 級的發電機組「錨碇」已在90公尺深的海中初步測試成功。中研院也正在研發 100 kW 等級的渦輪機，預計今年在台東外海下水測試。

在進度較慢的溫差能發電方面，台泥預計在和平火力發電廠打造台灣第一個溫差能發電系統。

未來展望與政策目標

不知不覺中，台灣在海洋能的開發上已經投入了不少資源，雖然還需接受海洋環境的考驗，但前景可期。根據目前的政策目標，台灣將從技術較為成熟的海洋能開始，分階段推進。目標是在 2030 年完成 10 萬瓦特到 100 萬瓦特等級的示範發電機組，並於 2035 年設置 100 萬瓦特到 1000 萬瓦特的商業發電機組。根據屆時的技術發展狀況，期望在 2050 年達成裝置容量 1.3 至 7.5 GW 的目標。

在政策執行方面，海洋能開發涉及多個部會的管轄，如環境部、農業部漁業署、內政部國土管理署等。為簡化申請流程並促進開發，設立單一窗口相當重要。值得一提的是，根據最近的消息，台灣已有民間公司提交了 100 kW 的波浪能示範電廠申請，預計最快在 2025 年完成台灣首個海洋能示範場。

台灣作為四面環海的島國，有機會在這個領域取得突破，為未來的能源供應找到新的解決方案。

限度：源頭和終點

為了維持或降低資源的成本，我們採用的科技常常需要不斷增加直接與間接燃料的使用量。⋯⋯此種作法耗費甚鉅但實屬必要，我們必須將愈來愈多的國民所得改用於資源加工部門，期能供應相同數量的資源。

——世界環境與發展委員會，1987 年

我們之所以擔心自然界會崩解，並不是因為我們認為地球的能源和原料已經快要耗竭。事實上，World 3 模型中的每一種設想狀況都顯示，到 2100 年，世界仍將保有 1900 年時的大部分資源。我們的擔心是來自於分析 World 3 中的各種推測後的結論：開發地球資源來源（源頭）和利用廢物吸收場所（終點）的成本將愈來愈高。

有關此種成本的資料並不充分。對此一議題的辯論卻非常熱烈。然而，我們依據所獲得的證據可以推論：再生資源開採量在成長中，非再生資源出現耗竭的情形，而且廢物吸收場所已快被填滿，這些現象加總起來，正緩緩地、勢不可擋的提高維持經濟物質流的數量和品質所需的能源和資本的總量。這方面成本的提高，牽涉到自然界、環境與社會相關因素。最後，這種成本會高到讓工業成長無以為繼的程度。當此一情形出現後，原本可擴大物質經濟規模的正回饋圈之運作方向將倒轉過來，造成經濟規模開始萎縮。

我們無法證明以上的論斷。我們可以設法使其看起來言之成理，然後提出某些建設性的反應。為達成此一目的，我們在本章內列舉了大量有關資源來源和廢物吸收場所的資料。維持新世紀的世界經濟和人口成長需要各式各樣的資源，我們將概述這些資源的現況及未來的展望。會對經濟發展和人口成長造成影響的因素可說五花八門且不勝枚舉，但我們可將之分成兩大類。

第一類包括用來支持所有生物與工業活動的自然要素，如肥沃的土地、礦物、金屬、能源，以及可吸收廢物並調節氣候的地球生態系統。原則上，這些要素是有形的、可數的，例如可耕地和森林的公頃數、淡水的立方公里、金屬的噸數，和石油的 10 億桶數量。然而，實際上這些要素卻很難加以量化。其總體數量是無法確定的。

這些要素彼此會互動——某些要素可以取代或生成其他要素，因此欲得知相關的確切數據益形困難。此外，有關資源、蘊藏量、消費和生產等名詞的定義都不夠嚴謹；科學本身未臻完備，且官僚體系又經常基於本身的政治和經濟目的而扭曲或隱藏相關數據。另一方面，有關實體世界的資料常常是以經濟指數——如貨幣價格——表達，須知，價格取決於市場，遵循的法則也與支配自然資源的法則大異其趣。儘管有以上的現象存在，我們在本章內仍將焦點集中於自然要素上。

第二類與成長需求有關的因素包括多項社會要素。即使地球的自然系統有能力支持更龐大、工業化程度更高的人口，但經濟和人口的實際成長，將取決於諸多社會要素：如和平與社會的穩定、公平與個人的安全、誠實且有遠見的領導人、教育和對新觀念的開放、承認錯誤和進行實驗的意願，以及促成穩定而適切的技術進步所需的制度基礎。

這些社會因素很難評估，更不可能進行精確的預測。本書及書中的 World 3 模型都未詳細、明確的探討這些社會因素。因為我們欠缺相關資料及可信手拈來的理論，故無法將這些因素納入正式分析中。但我們瞭解，肥沃的土地、充足的能源、必要的資源以及有益健康的環境，是成長的必要條件，卻不是充分條件。就算這些資源的存量非常豐富、這樣的環境確實存在，但我們想擁有這些要素時，會受到社會問題的阻礙。然而，我們在此處假設，世界是處於最佳的社會狀況中。

人口和資本工廠所使用的原料與能源並非憑空而來，而是我們在地球上開採得來的。原料與能源不會消失：當原料已經沒有經濟上的用處後，會被回收運用或成為廢物與污染物；能源經使用後，會成為沒有價值的熱流而被排放於空氣中。原料與能源會源源不斷地從地球的資源來源經由經濟次系統流向地球的廢物吸收場所（見圖 3-1）。回收利用和更乾淨的生產過程，可以大幅降低每一消費單位的廢物和污染量，但無法完全杜絕。

人們為了成長、維持身體健康、過著具有生產力的生活，及獲取資本和繁衍後代，必須有食物、水、乾淨的空氣、住所，及許多種類的物質。機器和建築物為了生產貨物和提供服務、獲得修理，及建造更多的機器和建築物，必須使用能源、水、空氣，以及各式各樣的金屬、化學原料和生物原料。資源來源生產這些資源流的速度和廢物吸收場處理這些資源流的速度不能超越某種限度，否則將會對人類、經濟或地球本身的自我再生與調節過程造成損害。

這些限度的性質非常複雜，因為資源來源和廢物吸收場所本身就是一個相互關聯的動態系統的一部分，並由地球的生物地質化學循環來維持其運作。限度有短期性的（如提煉完成並儲存於儲油槽中待用的石油數量）和長期性的（如地底下可供開採的原油蘊藏量）。資源來源與廢物吸收場所之間會進行互動，而且某些自然系統可能同時扮演兩者的角色。舉例而言，一塊土地可能既是糧食作物的來源，又是空氣污染所造成的酸雨的吸收場所。這兩種功能的成效存在著相互消長的關係。

經濟學家赫曼．戴利（Herman Daly）所提出的三項簡單原則，有助於我們定義原料和能源永續生產的限度；這三項原則為 ¹：

• 就再生資源（土壤、水、森林、魚源）而言，其永續使用率不能大於其來源再生率。（例如，當捕魚率大於剩餘魚群生長率時，則漁獲量將無以為繼。）
• 就非再生資源（化石燃料、高等級礦產、地下水）而言，其永續使用率不能大於某一再生資源取代其角色的速率。（舉例而言，一處石油蘊藏的永續使用方式是，由它產生的部分利潤能有計畫的投資於風力發電機、太陽電池及造林工作，以便在此一油藏耗竭後仍有另外的再生能源可供使用。）
• 就污染而言，其永續排放率不能大於其被回收利用、吸收或其於吸收場所轉化為無害物質的速率。（舉例而言，污染能永續排放至河流、湖泊，或地下水層的速率不能比細菌及其他微生物吸收其養分的速率來得快，否則將破壞地下水層的生態系統。）

任何活動若造成再生資源的數量減少，污染物吸收場的範圍擴大，或非再生資源數量減少卻沒有某一再生資源可以取代，則此一活動將無法永續進行。換句話說，此一活動遲早要沒落。在學術界、商界、政府與民間機構針對戴利的三項原則所進行的許多討論中，我們從未聽到有挑戰這些原則的言論（但也幾乎從未發現有人真正用心奉行這些原則）。假如有達成永續性的基本法則存在，那麼這三項原則必然包含在其中。今天的問題不在這些原則正確與否，而在於全球經濟活動是否尊重這些原則，以及果真如此會發生何種結果。

——本文摘自《成長的極限》，2024 年 03 月，臉譜出版，未經同意請勿轉載。