「不知道為甚麼耶，臺灣的海洋垃圾裡超級多牙刷的！」–專訪環境資訊協會專案經理林育朱

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

過去也有多次政府發錢刺激消費的作法，但他們發的不是錢，而是有使用限制的「消費券」。

既然可以發錢，為什麼之前要發消費券呢？這次又為什麼要發現金？

從經濟學的角度來看，過往的消費券到底是什麼，與這次發現金的使用情境有什麼不一樣？

什麼是消費劵

對消費者來說，消費券就是被限定用途的紙鈔或者是折價券；但從政府的角度，或從經濟學的角度來看，消費券並非這麼簡單。在了解消費券前，要先有兩個概念：「經濟活動循環」及「景氣循環」。

在最簡單的經濟行為流程裡，我們看的是「家計部門」與「廠商」，也就是消費者與生產者之間的互動。「家計部門」需要買各式各樣的產品維持生存或生活品質，「廠商」則提供這些產品，這兩者組成了「產品市場」；「廠商」為生產商品所需的勞動力，就由「家計部門」提供，形成了「勞動市場」或是「生產要素市場」。

將上述概念再加入相反的資金流向，如：購買產品的消費支出、提供勞動力的薪水所得等，就可繪製成「經濟活動循環圖」。

而在一次的「景氣循環」中，會分別經歷擴張期與收縮期；根據國家發展研究院的定義，每個時期所持續時間的至少為 5 個月，走完一次循環則需至少 15 個月。

在擴張期中會先經歷探底復甦，接者是穩定成長，最後來到高峰繁榮期；在這之後就會進入收縮期，開始經濟衰退，直到觸底復甦進入新循環。

舉一個不遠的經濟衰退案例，那就是 2008 年全球金融危機。當時由於美國房地產市場崩潰，房價急劇下跌，許多人失去了房屋資產，造成負債問題；導致消費者信心下降、消費減少，進而使生產減少。此外，由於銀行與金融機構資產負債問題激增，使得貸款停止，造成資金不流動；這麼一來企業也必須減少生產，進而裁員、倒閉，失業率隨之攀升。 

有了「經濟活動循環」和「景氣循環」概念，我們可以幫消費券下個定義了：就是透過增加家庭的消費支出，來復甦產品市場；通常在經濟衰退時使用。也就是說，消費券是政府發給我們的消費工具，希望再補點錢把廠商的庫存清光，增加消費來維持市場穩定，避免持續經濟衰退。

發消費券與現金的成效

那麼，直接發錢跟消費券的功能一樣嗎？發現金也會刺激消費，但消費券刺激的力道理論上會再強一些。

由於消費券在設計上會「排除基本必須開支」，這麼一來便會減少用於「消費替代」的機會，像是水電費、勞健保費、或是繳稅跟罰金，而消費券的各種優惠跟加碼活動，都激勵我們花超過原本支出的錢。另外，「限時用完」、「不找零」、「排除儲值跟預付類消費」都是消費券的關鍵設計，目的就是要在短時間內激發經濟流動性。

反過來說，發現金不像消費券，有明確的優惠活動可以刺激我們亂花錢，在沒有使用期限跟排除開支項目的情況下，這些錢還可以自由分配到每個月的日常支出裡；假如沒有多花一些錢，發的現金將不會幫助消費增長。

新冠疫情影響下，美國在 2020 年普發現金：成人發 1200 美元、兒童 500 美元，年底再加碼 600 美元，2021 年又發 1400 美元。根據美國聯準會紐約分行研究，截至 2020 年 6 月底，民眾取得的現金補助中，有 36% 為儲蓄、35% 償還債務，僅 29% 用於消費，民眾甚至表示，在收到 2021 年的補助金後，會花更多錢去還債。

而日本則於 2021 年底，向全民普發 10 萬日圓的特別定額給付金，日本 Money Forward Lab、早稻田大學與澳洲昆士蘭大學的共同研究研究指出，給民眾的給付金中，只有 6％ 到 27% 用於消費，其中非日常用品的支出沒有明顯改變。

那消費券的成效呢？根據經濟部對 2020 發放的振興三倍券評估成效，考量印製、宣傳與行政，包含發給我們的 2000 元，總成本為 510.5 億元，以領取率接近 100% 來計算，大約就是 2300 萬人去攤這 510.5 億，政府在每一個人身上花約 2220 元，而每人平均消費了 5785 元；等於政府花 1 元能換來 2.6 元的消費，是有效果的。

不過由於使用情境不同，不好將日美發放的現金與我們的振興券相比較。

日美發放的是「紓困金」，目的是幫助人民度過難關；針對這些「紓困金」得用社會投資報酬率（SROI）來考慮，也就是衡量投入資源，所得到「非財務面」的回饋與報酬，例如社會安全、社會價值等。

搞笑諾貝爾經濟學獎

那這次台灣發現金的目的到底是什麼呢？假設是要振興經濟，應該不是個好方法。若用社會投資報酬率來看，不少人提出更該把要拿來發的 1800 億用於投資科學技術研究、大學經費或減免高等教育學費，而非普發 6000。

讓我們回顧 2022 年搞笑諾貝爾經濟學獎，研究團隊以每隔五年會獲得「政府資金」補助，並在模型裡設計了好幾種情境，除了把經費徹底平均分配的普發式外，還有只補助過去表現好的人的菁英式，一部分重點補助菁英，剩下再普發的折衷式，以及最後一個亂槍打鳥樂透式。每一式再加入補助金額高低變化，總共有 18 種方案。

延伸閱讀：
【2022 年搞笑諾貝爾經濟獎】不想努力的我，把運氣點滿就對了

透過這個人生遊戲模組，若以研究定義的成功率來看，折衷式的其中一種方案讓「高能力族群」的成功率從沒有補助的 32.05% ，一口氣提高到 94.82%，其結果最好，但也是所有方案中最貴的；相較之下，如果採取普發式的其中一種方案，成功率也可以達到 94.40%，政府花費還低了將近一半。

若不只看成功率，而是看政府每花一塊錢能增加多少高能力族群成功率的效率來判斷，竟然還是普發式的方案結果最好，能用最少的花費，就讓成功率提升到 69.48%！表現最差的方案，都是菁英式，其中只把錢給過往表現前 10% 的極端菁英方案，效率只有最佳普發方案的 1/25。

研究者也提到，在真實世界中，折衷式方案一方面人人有獎，一方面也給表現較好的人鼓勵，可能產生激勵效果，讓所有人都更加努力，發揮更大的整體效果。

再回到一開始討論的，現在政府有一筆多出來的錢，而預期目標是讓人民的生活過得更好，這筆錢該直接給民眾，還是執行特定的菁英投資政策呢？若是按照搞諾經濟學獎，就是直接普發！（難道政府裡也有和我們一樣熱愛搞笑諾貝爾獎的好捧油？XD）

然而，不管是從經濟學基本原理、過往發現金跟消費券的效益評估，還是搞笑諾貝爾經濟學獎的人生遊戲模型，其實都無法替普發 6000 還稅於民的政策效果背書，一時半刻也很難看出效益。

說到這裡，6000 元你打算怎麼花呢？

歡迎訂閱 Pansci Youtube 頻道 獲取更多深入淺出的科學知識！

編按：現在的生活瞬息萬變，在未來的世代，可能會出現許多你想都沒想過的職業。讓我們與孩子一起發揮想像力，你覺得未來會有什麼樣的職業出現呢？

塑膠漁夫：打撈塑膠就是我們的工作！

「今天又是出海的好天氣！」亞美迪歐和其他塑膠漁夫歡聲雷動，每一天，他們都要拯救受汙染的海洋。自從人類有了石油，就發明出便宜好用的材料─塑膠。可是塑膠被丟棄後會一直在環境中漂流，不會消失。

亞美迪歐的團隊為了捕撈塑膠，會運用特殊設計的磁網，只吸引塑膠垃圾，不影響魚兒在水中的生活。

「糟糕，又來了！這星期已經發生第二次了！」亞美迪歐說完，立刻跳上救生船，原來是遠方有隻信天翁被塑膠網纏住，不斷在水裡揮動巨大的翅膀，發出淒厲的叫聲。

救援行動當然不輕鬆，耽誤了一些工作時間，還好幾分鐘之後，信天翁終於重獲自由了。

除了大型塑膠垃圾外，海裡還潛藏著肉眼看不見的危險物質─塑膠微粒。它們比髮絲更細、比沙粒更小，如果被魚吃下肚，最後會成為人類盤中的食物。

這時候就要動用塑膠漁夫的最新發明。「摩比，做得好，看看你今天能吞噬多少塑膠微粒？」亞美迪歐一邊大喊，一邊走向船尾，一臺貌似藍鯨的機器人從水中冒出來，嘴裡布滿特殊長牙，這些長牙的功能類似過濾器，專門捕撈塑膠微粒。

亞美迪歐大聲歡呼：「還不賴，這裡乾淨多了！現在大家該去睡個好覺，明天繼續往南！」

海洋裡到底有多少塑膠垃圾？

4 億噸：塑膠每年在全球被製造出來，相當於 66 座吉薩金字塔。

6,000 萬噸：塑膠每年在歐洲製造出來，相當於 1,000 萬頭大象。

2,600 萬噸：歐洲每年丟棄的塑膠，其中不到 30% 被回收。

1,000 萬噸：歐盟制定目標，預計在 2025 年，每年至少要回收的塑膠重量。

700 種生物正受到海洋塑膠垃圾的傷害

• 35％ 是鳥類；
• 27％ 是魚類；
• 20％ 是無脊椎動物；
• 13％ 是哺乳類動物；
• 5％ 是爬蟲類。

塑膠漁夫要有的能力：

○ 喜歡海洋

○ 對生態學有興趣

○ 會游泳

○ 大而化之

○ 有遠大的目標

○ 清楚回收流程

——本文摘自《拯救地球的工作者》，2022 年 10 月，和平國際出版，未經同意請勿轉載。

採訪 / 蘇怡安、Z編

留著一頭伶俐的短髮，一身古銅的膚色，流露一種不安於室、時常在戶外活動的氣質。談到對台灣珊瑚礁保育，只是謙虛地推辭說她自己沒有多做什麼；但訪問之中，俐落的回答卻又句句切中問題的要點。這位是關注國內環境議題重要平台－環境資訊協會的守護台灣海洋及海岸專案經理林育朱。

一個不小心，「潛」入臺灣海洋研究

長年關注臺灣珊瑚生態的林育朱，在中興大學生命科學系就讀時，因為薛攀文教授及林幸助教授所開設的水域生態學，引發她對海洋生物的興趣。畢業後到臺灣大學就讀海洋研究所，在戴昌鳳教授指導下以臺灣相當稀有的星狀軟珊瑚生態作為論文題目，從此一頭潛進臺灣海洋生態的關懷與研究中。

因為研究的星狀軟珊瑚分布範圍相當侷限，在臺灣，牠們只生存在墾丁特定海域的數公里範圍間，所以林育朱在碩士班期間學會了深潛，每一個半月就得從台北殺到墾丁深潛觀察星狀軟珊瑚的生態。她說：「每次深潛大概都要用掉四支氣瓶，一支氣瓶可以在水下待100分鐘左右。」

長時間在水下研究的經歷也使得林育朱能夠比別人看到更多不同的臺灣水下風景。當然，也看到了不少海洋垃圾。

海岸垃圾什麼都有，什麼都不奇怪

一開始是因為環境資訊協會守護台灣海岸專案的行動項目之一，林育朱和朋友環繞了臺灣的海岸線一圈。卻發現，臺灣的海岸線真是太髒了！她提到：「臺灣雖然四面環海，可是民眾跟海很不熟，親水性很差。」

林育朱秀出照片，在桃園縣大園附近的海岸線是他們遇過最多海洋垃圾（廢棄物）的區域；不過她強調高度集中未必是被惡意丟棄，也可能是因為地形、海流的緣故，使得垃圾容易堆積在那裡。她說：「例如北海岸國聖埔四公里的海岸，垃圾也很多。我問過當地的清潔隊，當地常常在淨灘，也有由核二廠和頂寮社區認養，海岸垃圾還是很多。」台灣南北部分別有一些志工調查隊會記錄淨灘的垃圾組成，及垃圾量的動態，希望能更了解臺灣海岸垃圾的成因。

「比較常見的垃圾大概有馬桶、冰箱、玻璃瓶（年代久遠！）、針頭、針筒。我不知道為什麼耶，臺灣的海洋垃圾裡超級多牙刷的！」林育朱還補充說，「菸蒂也很多，很多民眾還不曉得污水系統沒辦法處理菸蒂，菸蒂就隨著下水道被沖進海裡。而且菸蒂是化學纖維，和我們的衣服布料一樣，都沒辦法在自然界中分解。」

好奇的z編問這位常常泡在臺灣海裡的專家，有沒有看過什麼奇怪或有趣的海洋垃圾呢？她回答：「其實也不算『垃圾』。（編輯：「哦？」）有一次我們在東海岸舉辦工作假期撿到海豚的頭骨吧，很別緻。還有有一次在桃園撿過洋娃娃的頭，實在滿嚇人的。（汗）」

海洋垃圾的危害是什麼？

其實海洋垃圾依照位置可分為兩種；被沖上來岸上的大多是比較輕、能漂浮的垃圾；反之，就是沉在水底或者不會漂浮的垃圾，像是漁網、魚線、輪胎和鐵錨等難打撈又很重的垃圾。林育朱說：「魚網很麻煩，面積很大，而且纏繞很密，有時候固著生物就直接長在上面了」，z編追問：「這些魚網怎麼來的咧？」「有些經驗不夠的漁民把網撒在礁區鉤住了，也收不回來，乾脆就棄置，反正魚網很便宜。」

對珊瑚特別有研究的林育朱補充說，廢棄衣服如果覆蓋在珊瑚上時會阻擋珊瑚共生藻類行光合作用，還有珊瑚與海水物質的交換，久了就會導致珊瑚白化甚至死亡；大型沉水垃圾像是船錨、貨櫃非常容易刮傷珊瑚，有時候像是颱風時期風浪太強，整片珊瑚可能都會被刮掉！

幫珊瑚礁作健康檢查－「珊瑚礁體檢」計畫

林育朱提及，臺灣有加入一個由世界上幾個國家共襄盛舉的「珊瑚礁體檢」計畫，挑選珊瑚礁生態系中具有指標性的物種，來檢測珊瑚礁的健康狀況。不同的指標性生物各代表著廣泛性、稀有性、經濟性還有功能性，大概分成三類：魚類、無脊椎動物和海洋底質生物三種。

珊瑚礁體檢計畫是根據「公民科學家」的概念來執行，所以調查的物種特別挑選過，稍有經驗的潛水玩家，都可以很容易辨識。所有參加「珊瑚礁體檢」計畫的地區，每年都會將調查結果回傳給位在美國加州的基金會總部，每二到四年，總部會依據收集到的資料，製作一份全球珊瑚礁體檢狀況的報告書。在許多國家，如：印尼、馬來西亞、澳洲，都有各自獨立的基金會參與體檢的計畫，而台灣則是由環境資訊協會來執行這項計畫。

臺灣除了東海岸，珊瑚礁體檢的調查區域還包括蘭嶼、綠島。志工時常在調查的同時順便清除珊瑚礁上的垃圾。

看一個，撿一個

「我又沒丟垃圾在海邊，怪我囉？」

海洋垃圾似乎離我的生活很遙遠，有什麼是我們在平常生活中就可以守護海洋的呢？林育朱分享兩個作法－

第一：看到一個垃圾，就撿起來一個垃圾，不要管它是在哪裡。也許你今天參加了一場在台東的淨灘活動，看到垃圾就撿，但當你回到台北街頭時，卻沒有撿起一根菸蒂的勇氣。垃圾都是一樣的，不應該因為你在不同的地方，就有不同的態度；順手撿起一個垃圾，就減少它被沖入大海的可能性。

第二：減少使用一次性用品。就像我說的，海洋垃圾大部分都是生活用品，寶特瓶、塑膠袋、鐵鋁罐……我們為了一時方便，製造出很多垃圾。雖然有資源回收，但是回收之後能再生的產品不多；像寶特瓶回收之後就不會再製成寶特瓶，所以減少製造垃圾比資源回收更能解決垃圾問題。

林育朱挪了一下桌上的隨行鋼杯。她雖然身體力行作環保，但也很有同理心地思考到大眾對海洋垃圾的感受：「民眾可能因為沒有親身去海邊感受過，很難想像臺灣海岸的狀況，所以很難要求民眾作垃圾減量。例如說對我而言攜帶隨身杯可能是很容易的一件事，但當要我身邊的朋友去做，真的很難用道德來要求大家。」

林育朱認為，比較好的方式也許不只是要求臺灣八成或九成的消費者，而是要從生產端的製造商去著手。像是現在很多國家在推行「搖籃到搖籃」（Cradle to Cradle）的概念，就是希望生產者當在製造商品時，能夠一併想到最後如何由廣大市場上回收自家產品並重新製造的過程，讓垃圾不會從消費鏈上「走丟」，可以減少消費所製造的垃圾問題。不過真正能夠驅使廠商重視產品生命的動力，還是得靠消費者意識到改變現況的迫切性。