災害預測新技術 (三)：沙塵蓋目 不速之客千里而來

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

本文轉載自中央研究院研之有物，泛科學為宣傳推廣執行單位。

• 採訪撰文／陳儀珈
• 責任編輯／簡克志
• 美術設計／蔡宛潔

你以為的大氣，不是真實的大氣！

大氣邊界層是人類的生活範圍，也是大部分空氣污染物存在的地方。然而，傳統氣象學模擬的大氣邊界層結構並不符合臺灣的真實情況，因此真實的空氣污染現象和理論的模擬預測間往往存在顯著的差異，導致污染防制策略缺乏精確的指引。

中央研究院「研之有物」專訪院內環境變遷研究中心研究員兼空氣品質專題中心執行長周崇光，他是建立空品專題中心的主要推手，研究團隊從大氣結構出發，試圖改善臺灣空氣品質的診斷及預報，這項計畫集結了來自民生公共物聯網、國家高速網路與計算中心、環境保護署等跨部門的資源，以下讓我們一起看周崇光怎麼說。

根據國際貨幣基金組織（IMF） 2021 年的報告，臺灣位列全球第 22 大經濟體，這個只有 3.6 萬平方公里的小小島國，一年內卻可以創造出高達 7,855.89 億美元的市場價值。

在美國國家航空暨太空總署（NASA）公布的地球夜景照中，我們彷彿可以看見，高樓一棟棟升起、工廠一座座建成、百貨一間間林立，在又長又窄的西半邊，從北到南形成臺北、臺中和高雄三大都會區。

西部臨海，東部靠山，這個寬度可能不到 100 公里的窄長地區，不僅聚集了臺灣 2,300 萬人的極大多數人口，凝聚出商業與工業的巨大產能，更集結了大量、複雜的「空氣污染物」。中研院「研之有物」專訪周崇光研究員，請他從空氣品質與都市氣象學的角度，細細剖析空污議題在這座海島上的獨特之處。

臺灣雖然小，但空汙問題好複雜！

臺灣國土面積僅有 3.6 萬平方公里，以大氣尺度來看非常的小，然而，我們在空氣污染面臨的挑戰卻異常艱鉅。

臺灣不僅處於許多境外污染源的下風處，接受來自各方的空氣污染物，各大都會區也因為地形的關係吃足了苦頭，整個中西部更是在窄長的地域中，面臨來自山、海的多重影響。

以下圖的臺中都會區為例，臺中位處於中央山脈西側的中央，本身是一個有數個開口的盆地，被多重大氣動力機制所影響，包含季風、海陸風、山谷風以及熱島環流，形成極度複雜的區域環流。

盆地內的空氣污染物原本就不容易擴散，再加上複雜的大氣環流和大氣化學反應，讓臺中的空氣品質狀況非常、非常的複雜，無法使用現有的大氣理論進行簡單的描述，使得大氣科學家極為不易於觀測和研究臺中的空污情形。

「這裡就像是巫婆煉湯一樣。」周崇光這麼說。

臺灣在東北風的影響下，不適合傳統的高煙囪理論

周崇光笑著說，到處觀察「煙囪」是他的職業病。

大陸環境的大氣結構相對簡單，自歐洲工業革命開始，傳統大氣科學的理論都告訴人們：越高、風越大，只要把煙囪建得高高的，就可讓風把污染物吹散、吹到很遠的地方。

「到了大陸國家，你會發現他們煙囪排出來的煙，經常是非常穩定的水平煙流，可以飄得很遠，這種煙流挾帶著空氣污染物飛到 10 幾公里外都不是問題！」，然而反觀臺灣的煙囪，卻很少出現這樣的水平煙流。

根據中研院空品專題中心對火力發電廠的煙流觀測資料，如果臺灣的煙囪蓋得跟大陸國家一樣高，有時候反而容易造成空氣污染物的累積。

從上圖可知，當臺灣處在微弱東北風的大氣環境之中，西部沿海風速最快的大氣區域（藍底），大約落在 200～400 公尺高之間，此區的風速大約為 5～6 公尺/秒左右，以東北風為主，是空氣污染物的「最佳擴散區」。

若是再往上，到了 450～800 公尺左右，風速驟然下降（橘底），僅有 0.5～3 公尺/秒。這個區域的大氣就像是被下層的東北風與上層的南風「夾擊」一樣，在兩個不同方向的風的對切之下，形成一個風速很低的「污染累積區」。

因此，若臺灣真的按照傳統的大氣理論建造高煙囪時，反而會讓煙囪的高溫煙流進入污染累積區；換個做法，如果煙囪低一點，才可以被強風吹散。

不過周崇光話鋒一轉：低煙囪設計要相當謹慎，也很難推行。高溫煙流排出去會有很明顯的白煙（水蒸氣凝結），一般人都不喜歡看到白煙離居住地太近，因此實務上還會特別做加熱設計，讓煙流先往上浮，再擴散，等於加高了煙囪的高度，這在工程上稱為「有效煙囪高度」。降低煙囪高度除了有視覺污染的問題，污染排放點離民眾越近，當工廠發生緊急異常排放時，異常事件的衝擊風險也會越大。

和傳統理論不一樣？那就做出臺灣自己的資料吧！

這麼經典的高煙囪理論，為什麼不能用在臺灣？

周崇光表示，大氣科學的理論大都源自於美國、歐洲，使得傳統大氣理論都更適用於大陸環境之下，因此難以直接應用於臺灣地狹人稠的海島結構，而中研院空品專題中心的目標之一，就是發展出屬於臺灣的「空污氣象學」。

周崇光提到：「臺灣跟大陸國家的空間條件實在差太多，所以我們必須要更精確知道，臺灣空氣污染物的高度分布到底長什麼樣子，才能更有效的管制並改善空品狀況。」

既然臺灣無法參考大陸型國家的大氣狀況，那麼小一點的、近一點的國家呢？韓國、日本的有沒有參考的價值？

周崇光笑著說，「你知道嗎？臺中盆地也才 10 幾公里，但是外圍的中央山脈高達 3,000 公尺以上！」就算是韓國、日本，它們的地理空間也比臺灣大多了，而且地形也沒有這麼複雜。

當這麼多的工廠、車輛都擠在這小小的區域，究竟會對臺灣的空氣品質造成多嚴重的後果？某種程度來說，這也許是個細思極恐的問題呀。

因此，為了國內空污氣象學的發展，搞懂臺灣的大氣邊界層（Atmospheric boundary layer）是刻不容緩的工作。

大氣邊界層除了是人類的生活範圍，也是大部分的空氣污染物存在的地方，又被稱為行星邊界層（Planetary boundary layer）。在氣象學中，大氣邊界層指的是「直接受到地表作用影響」的大氣，高度從地表一直到數百至數千公尺不等，是大氣層中最靠近地球表面的部分。

然而，傳統氣象學所模擬出來的大氣邊界層結構並不符合臺灣的真實情形，因此，大氣科學家必須釐清大氣邊界層的氣象參數、動力機制，未來才能夠更精準的找到影響都市氣象以及空氣品質的關鍵因子。

但周崇光也感慨的說，「坦白講，目前臺灣還沒有辦法很『系統化』的改善邊界層的模擬條件，但我們仍然不斷的在努力，透過很多很多的調查、研究、模擬參數，漸漸地發展出半經驗、半理論的結構，最終的目標是歸納成一個系統性的成果，作為臺灣空污氣象學最扎實的理論基礎。」

從大規模的調查研究、積極補足知識的缺口、重新建立理論模型，到回頭檢視國家的空污防制策略，大氣科學家必須腳踏實地的、一步一步的，藉由大氣科學研究的力量，才能讓空氣品質管制更上一層樓。面對迫切的空氣污染防制議題、空污氣象學理論的不足，「空氣品質專題中心」也應運而生。

中研院在「大氣物理與化學」的研究群早已相當成熟，有著極為厚實的研究經驗和基礎，然而為了讓研究目標更明確、進一步聚集研究能量並進行跨部門的合作，中研院以提出空污議題的科學解釋與建議對策為目標， 2021 年 1 月在環境變遷研究中心之下成立空氣品質專題中心，成為全國規模最大的空氣品質專業研究機構。

除了宣示中研院對空污議題的重視之外，如此一來，研究預算的匡列、人力的評估，都有更紮實、更有架構的基礎。擺脫以往研究員們「自動自發」的空品研究，在中心的管理之下，空污的學術研究更能夠產生聚焦效果。

更精確的空氣品質預報

如果大家點入行政院環保署的空氣品質監測網，可以發現，目前來自中央監測的空氣品質預報的解析度並不高，由於空品狀況站數僅有 85 站，只能以「北部」、「竹苗」、「宜蘭」、「花東」、「中部」、「雲嘉南」、「高屏」等大範圍空品區進行未來三日的預報，尚無法以「縣市」或更小的區域為單位提供精準的預報。

因此，為了提供更先進的空氣品質預報，致力掌握國內 PM_2.5 及 O₃ 等空氣污染物濃度變化情形的「高解析度空氣品質診斷與預報模式發展計畫」，是空品專題中心相當關鍵的研究計畫之一，此計畫是行政院前瞻基礎建設中「民生公共物聯網數據應用及產業開展計畫」的一個分支，集結了中研院、國家高速網路與計算中心、環保署等跨部門資源。

該計畫預計發展一套 1 km*1 km 高解析度的 72 小時空氣品質預報模式，並描繪空氣污染物的 3D 空間分布，預期能夠對臺灣地區 PM_2.5 及 O₃ 生成與傳輸過程進行更精確的模擬，進而應用於空氣污染事件的預報和成因診斷。

周崇光將這個計畫比喻為一個「神經系統」，由環保署統合高達 10,000 個感測器，就像是神經系統中的神經元，負責感知大氣環境中的變化，並透過民生公共物聯網提供的神經網路，將資訊傳輸至國家高速網路中心的超級電腦，而超級電腦就像是大腦一樣，提供強大的運算力，使得空污模式得以統合氣象條件、污染物排放量、以及感測器提供的環境變化狀況，計算和預報未來幾天空氣品質的可能變化。

雖然感測器來源不一，不同層級的靈敏度也有所落差，但隨著近年技術的進步和突破，微型感測器對 PM_2.5 的監測資料已經具有足供參考的準確度，目前各縣市大約都有 100 個以上的微型感測器，環保署已經在全臺灣佈建了約 10,000 個感測器，透過高密度的監測數據進行資料分析，有效掌握全臺各地的空品狀態。

此外，此研究計畫也希望藉由感測器的大量需求，協助推動臺灣感測器的產業，與經濟部、工研院合作推動感測器的國產化。目前工研院的技術已經技轉給國內廠商，國產感測器在環保署監測網的佔有率已達將近 3 成，未來會持續輔導相關廠商。

研究計畫一邊發展預報系統，也一邊透過微型感測器資料即時驗證預報的成效。就像是如果寫考卷時，我們可以一填答就馬上得知正確答案時，就可以隨時檢討自己的計算流程到底哪裡出了問題，不斷修正，找出最正確的解方。

同理，拜微型感測器遍布全臺之賜，大氣科學家逐漸能夠快速驗證空氣品質預報的模擬結果，有朝一日，國內空污的物理化學機制以及關鍵污染源，將不再是讓人頭痛的黑盒子。目前由於 PM_2.5 的感測器已相對成熟且數量足夠，因此中研院空品專題中心已成功驗證 3 km*3 km 解析度之 PM_2.5 預報資料，最終目標是精確到 1 km*1 km。

如何讓空氣品質變好，又不影響現有的生活？

在中研院環變中心周崇光研究員帶領下的空品專題中心，其中一個核心精神，就是要對社會關鍵議題有貢獻。

專注發表學術論文是科學研究的本質，也是科學進步的動力，不過進行社會議題相關的科學研究通常會更辛苦，往往會花費極大的心力與時間。

做空氣污染防制就像是「精準醫療」的概念一樣，如何讓藥物只攻擊癌細胞而不對身體的其他地方造成太大的副作用？經過科學研究的探索後，如何讓臺灣的空氣品質更好而不衝擊社會文化和經濟？

空污管制並非是一味阻擋臺灣經濟和工業發展，空品專題中心希望可以藉由科學的力量，更精準、更沒有副作用的改善臺灣空氣品質。

除了大氣科學理論和空氣污染排放清單有所不足之外，像是能源政策、交通規劃、國土計畫都需要重頭思考。周崇光說：「一路研究下去，我們開始疑惑，當初為什麼我們都傻傻的，把這麼多的大型污染源擺在海邊，讓海風把污染物往內陸帶？為什麼臺灣的國土利用那麼集中？」這一些命題，都是一環扣一環。

最後周崇光強調，「空氣品質絕對是應用導向的研究，因此，我們除了做科學，也要讓這些研究結果有願景、有視野，讓臺灣變得更好。」