快樂具有感染力嗎？從2010年冬季奧運的推特(Twitter)看起(上)

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

一萬多年前冰河時期結束後，許多地方的生態系明顯改變，例如歐亞大陸和美洲的猛獁象都滅絕了，僅有少少倖存者，殘存於北冰洋的小島一直到 4000 年前。

上述認知來自對化石遺骸的判斷，可是最近由環境沉積物中取樣古代 DNA 分析，卻指出猛獁象等幾種生物，在亞洲和美洲大陸其實又延續了好幾千年。這些證據可靠嗎，猛獁象到底什麼時候滅絕？

古時候的環境 DNA，創下 200 萬年紀錄

DNA 原本位於生物的細胞之內，生態系中有很多生物，時時刻刻留下各自的 DNA，從土壤、水域等來源取樣分析所謂的「環境 DNA」（environmental DNA，可簡稱為 eDNA），能得知環境中包含哪些生物。

如果環境樣本能保存成千上萬年，那麼定序其中的 DNA 片段，再加上化石、花粉等不同線索，便有希望窺見古時候的生態系。

威勒斯勒夫（Eske Willerslev）率領的一項研究，藉由此法重現來自格陵蘭沉積層，距今 200 萬年之久的 DNA 片段，2022 年底發表時成為年代最古早的 DNA 紀錄，也得知當年存在格陵蘭的眾多植物與動物。^{[參考資料 5]}

最出乎意料的莫過於乳齒象（mastodon），由於缺乏化石，古生物學家一直認為那時候的乳齒象，並未棲息於這麼北的地帶，此一發現充分展示出古代環境 DNA 的價值。然而 DNA 的探索範圍也明顯有侷限，例如該地區出土超過 200 個物種的昆蟲化石，DNA 卻只能偵測到 2 種。

• 延伸閱讀：格陵蘭200萬年DNA，古代生態系選擇性呈現？

猛獁象化石無存後幾千年，依然有留下 DNA

當時間尺度是百萬年時，實際是 200 萬 3300 年或是 199 萬 8700 年，也就是 200.33 或 199.87 萬，幾千年的誤差範圍無關緊要。但是當探討對象是最近一萬年，猛獁象的 DNA 究竟存在於 9000 或 6000 年前，意義就差別很大。

這兒的「猛獁象」都是指真猛獁象（woolly mammoth，學名 Mammuthus primigenius）。由另一位古代 DNA 名家波因納（Hendrik Poinar）和威勒斯勒夫各自率隊，同在 2021 年底發表的論文獲得類似結論：猛獁象化石消失的幾千年後，沉積物中仍然能見到 DNA，可見還有個體又存續幾千年。^{[參考資料 1, 2]}

波因納率領的研究探討白令東部，也就是如今加拿大的育空地區，距今 4000 到 3 萬年前的沉積層；結論是原本認為早已消失的美洲馬、猛獁象，一直延續到 5700 年前。威勒斯勒夫戰隊取材的地理範圍廣得多，包括西伯利亞西北部、中部、東北部、北美洲、北大西洋，判斷猛獁象生存到 3900 年前。

更詳細看，威勒斯勒夫主導的論文指出，猛獁象在西伯利亞東北部最後現蹤於 7300 年前，西伯利亞中北部的泰梅爾半島（Taimyr Peninsula）為 3900 年前，此一年代和北冰洋的外島：弗蘭格爾島（Wrangel）之化石紀錄相去不遠。而北美洲則是 8600 年前，比波因納戰隊的 5700 年更早。

如果兩隊人馬的判斷都正確，意思是猛獁象（與某些大型動物）在北美洲延續到 5700 年前，在亞洲大陸與外島到 3900 年；比起當地出土最晚化石的時間，皆更晚數千年。

• 延伸閱讀：猛獁草原消失幾千年後，猛獁象、美洲馬依然生還

只有 DNA 不見化石，會不會是死掉好幾千年仍一直外流 DNA？

根據化石紀錄，冰河時期結束後，仍有少少生還的猛獁象在弗蘭格爾島一直延續到 4000 年前。由此想來，當大多數同類已經滅團時，某些地點還有孤立的小團體延續，並不意外。只是我們不見得能見到化石。

然而，威勒斯勒夫主導的論文受到挑戰。質疑者提出，猛獁象這類動物住在寒冷的環境，去世後遺體如果被冷凍保存，又持續緩慢解凍，在接下來的幾千年便有可能不斷釋出新鮮的 DNA，讓我們誤以為仍有活體。^{[參考資料 3]}

舉個極端狀況。假如 2 萬年前死亡的猛獁象，去世後一直冷凍在冰層中，現在被我們取出解凍，也許其中仍保有不少生猛 DNA，可是實際上牠已經去世很久了。

上述質疑，應該是這類研究手法共通的潛在問題。發生在一百萬年前無關緊要，一萬年內卻會導致不小的誤判。

喔~~喔喔~~喔喔~~喔喔~爪爪

化石消失的時刻，往往比生物滅團更早

威勒斯勒夫戰隊則回應表示：論文結論沒有問題，沈積層中取得的古代 DNA 確實來自那時在世的動物。我覺得不論觀點是否正確，回應的思路都值得瞧瞧。^{[參考資料 4]}

為什麼動物依然存在時，見不到當時的化石紀錄？主因是動物去世後，只有極低比例的個體會變成化石。一種動物在滅團以前，通常個體數目持續降低，少到一個程度後，還能留下化石的機率已逼近 0 。所以化石紀錄最後的時間點，早於動物實際消失的年代。

和化石相比，動物遺留 DNA 的機率遠高於化石。活生生的動物就會持續排放 DNA，死亡身體分解後又會釋出不少； DNA 未必會留在原本生活的地點，不過如今的偵測技術足夠敏銳，即使只有幾段也有機會抓到。

猛獁象，活的！

是否有可能，猛獁象去世幾千年仍持續釋出 DNA 片段？的確無法排除可能性。不過這項研究中有 4 個方向，支持沉積層之 DNA 源於族群規模大減，卻依然活跳跳的猛獁象。

第一，如果環境中的 DNA 來自死亡多時的動物，那麼各地區應該都會見到類似現象。實際上只在少部分取樣地點偵測到。

第二，假如猛獁象遺骸緩慢分解，DNA 持續進入沉積層，同一地點的不同取樣應該都能見到。可是同一處地點，只有少數樣本能抓到猛獁象 DNA。

第三，不同沉積層取得的環境樣本，包含當時生態系中很多生物的 DNA。存在猛獁象 DNA 的樣本，也能見到適合猛獁象生態系的其他植物；表示猛獁象的命運，很可能與適合牠們生活的環境同進退。

第四，倘若較晚沉積層的猛獁象 DNA，直接源自較早去世的個體，遺傳多樣性應該不會變化。然而較晚出現的粒線體型號明顯變少，後來只剩下一款。

實際狀況沒人可以肯定。我覺得前三點，都涉及樣本保存的潛在問題，干擾因素較多。第四點大概是最有力的證據，支持環境沉積物中留下的 DNA 並非源於死象遺骸，而是活體猛獁象。

研究日新月異，腦袋也要趕上

科學研究日新月異，不少人見到論文寫什麼就信以為真，卻不了解做研究其實有很多限制，即使是結論「正確」的論文，也會處處碰到解釋的侷限。

持續搜集證據，反覆思考才能進步。腦袋要靈活運用，但是也不要胡亂腦補！

延伸閱讀

• 猛獁旅行家，1.71萬年前旅行將近2圈地球
• 哈靈頓馬非馬？已滅絕的美洲馬家新成員上線啦！ 
• 怎麼知道亞馬遜雨林中的壁畫，真的是冰河時期創作？
• 最早古代DNA，超過一百萬年的西伯利亞象
• 古代DNA尋找與格陵蘭人發生關係的動物們
• 沒有化石沒關係，從泥土也能取得尼安德塔人DNA！
• 丹尼索瓦洞穴泥土中的DNA，丹尼索瓦人，尼安德塔人，智人
• 墨西哥遺址泥土中獲得美洲黑熊、大短面熊DNA
• 【2022 年諾貝爾生理或醫學奬】復現尼安德塔人消逝的 DNA，也映襯我們何以為人

參考資料

1. Murchie, T. J., Monteath, A. J., Mahony, M. E., Long, G. S., Cocker, S., Sadoway, T., … & Poinar, H. N. (2021). Collapse of the mammoth-steppe in central Yukon as revealed by ancient environmental DNA. Nature Communications, 12(1), 1-18.
2. Wang, Y., Pedersen, M. W., Alsos, I. G., De Sanctis, B., Racimo, F., Prohaska, A., … & Willerslev, E. (2021). Late Quaternary dynamics of Arctic biota from ancient environmental genomics. Nature, 600(7887), 86-92.
3. When did mammoths go extinct?
4. Reply to: When did mammoths go extinct?
5. Kjær, K. H., Winther Pedersen, M., De Sanctis, B., De Cahsan, B., Korneliussen, T. S., Michelsen, C. S., … & Willerslev, E. (2022). A 2-million-year-old ecosystem in Greenland uncovered by environmental DNA. Nature, 612(7939), 283-291.

本文亦刊載於作者部落格《盲眼的尼安德塔石匠》暨其 facebook 同名專頁。

科學媒體 Nature 刊出文章《2020年世界各地的科學顧問 (Science advisers around the world on 2020) 》，請到 7 個國家的科學顧問，各自介紹該國 COVID-19（武漢肺炎、新冠肺炎）的防疫經驗與展望。陳建仁也代表台灣在列。

陳建仁：隔離犧牲14天自由，換來2300萬人如常生活

陳建仁文章標題叫作《台灣：我們由 SARS 學習 (TAIWAN: We learnt from SARS) 》，開頭就提到台灣 1 月時試圖促使 WHO 和中國採取行動，阻止疫情擴大，卻無功而返。還特別提及 WHO 太遲宣告而廣受批評的「國際公共衛生緊急事件 (PHEIC) 」，陳建仁顯然有意提醒世界：別遺忘這回事。

陳建仁接下來介紹台灣防疫的作法與成功經驗，也就是各位都很熟悉的那些事。他特別提到台灣無需大尺度的封城與普篩，依然在 4 月 13 日以後根絕本土感染（直到 12 月才破功）。最後強調專業精神和政治中立，能贏得公眾信任，讓防疫得以順利運作。

資源短缺，決策混亂，各國在逆境中摸索前進

其餘 6 國是迦納（非洲西部）、比利時、立陶宛（歐洲）、哥斯大黎加、玻利維亞（南美洲）、加拿大（北美洲）的代表。他們和陳建仁一樣，都是該國政府的高級顧問，所有人都提到國際或國內政治面的議題，反映各國有別的國情。

立陶宛代表 Ligita Jancoriene 寫得很動人，將自己國家過去、現在、未來將面臨的困境，很生動地呈現給世界知曉。

她第一句就表示，瘟疫帶來的影響，令他們有戰爭的感覺，就像過去蘇聯帶來的苦難（類似陳建仁第一句就直接批評 WHO 和中國）。疫情擴大後，立陶宛有限的資源很快耗盡，必需盡快重整旗鼓，補充與調度資源，否則將輸掉戰爭。

比利時代表是 7 位中，唯一完全沒有提及外國的。他主要抱怨比利時的醫療資源不足，決策與政治層面混亂，不過明年應該會更好。

迦納代表則散發正能量，提到迦納很快建立檢驗體系，疫情也不嚴重，不過仍有初期決策混亂等問題可以改善。這次還不錯，之後要更好！

加拿大代表散發的正能量有些過度，他強調加拿大決策非常科學，還批判「美洲其他地區」跟我國有明顯差異……美洲其他地區肯定包括美國和巴西。

哥斯大黎加代表沒有寫外國壞話，她行文主要呈現自己個人的功績，也花不少篇幅批評國內的對手，順便提到決策圈中的女生太少。

我認為玻利維亞代表 Mohammed A. Mostajo-Radji 和陳建仁寫得最具體，也特別值得一讀。

這位只有 31 歲的專家擺出苦旦姿態，強調玻利維亞的醫療體系與公衛狀況都極為糟糕，資源短缺，登革熱與麻疹仍在橫行之下，國內政治面的應對卻十分差勁 ，地方政府不回報，鄰居巴西、秘魯、阿根廷、智利疫情還非常嚴重。玻利維亞只能採取十分嚴格的封城管制，結果感染率非常低……我們不是魯蛇！

• 本文轉載自新公民議會《陳建仁與各國專家對自身國內防疫的看法》

延伸閱讀

• 台灣人陳建仁、朱敬一，成為美國國家科學院院士
• 2003年舊聞：對抗SARS的戰爭，台灣被孤立在外
• 為什麼台灣在某一天，不可能有640位無症狀感染者？
• WARS無症狀感染者，會傳染，隔離14天可以拖到傳染高峰過去
• 病毒不是源於武漢的海鮮市場？從分子演化學角度看2019新型冠狀病毒（武漢肺炎）的起源與傳播
• 發現SARS的老將，武漢封城後不覺得WARS會世界傳播
• 什麼是「國際關注公衛緊急事件」？判斷為PHEIC後又怎樣？
• COVID-19 殺死的人比帳面數字更多，但是究竟多少？

參考資料

• Science advisers around the world on 2020

本文亦刊載於作者部落格《盲眼的尼安德塔石匠》暨其 facebook 同名專頁