骯髒炸彈的碎片散落模式

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

時年 24 歲的難民 Anis Amri，與聖戰組織關係密切，並擁有 6 個化名和 3 種國籍。2016 年 6 月，他的庇護申請遭到德國政府拒絕，卻又因為家鄉突尼西亞否認其公民身份，所以無法被遣返。 ^[1] 12 月 19 日，Amri 持槍射擊 1 名司機，把對方扔到副駕駛座，改由自己開車。當天 08：02 p.m.，他駕著該輛 40 噸重的聯結車，以 60 – 70 km/hr 的速度，直搗柏林 Breitscheidplatz 聖誕市集的中央通道。^[2]

08：45 p.m. 柏林州立刑事調查辦公室調度中心的鑑識團隊，^[註]在待命時接獲通報。依常規他們僅會派出 2 名人員；不過這回事態嚴重，被要求增加人力。^[2]

09：30 p.m. 由 2 名鑑識專家和3名助理醫師所組成的團隊，抵達聖誕市集。此時距離事件發生，約過了 90 分鐘，傷患急救與運送皆已完成。比起醫療支援，顯然更需要警察深入調查。^[2]

12 月 20 日，01：00 a.m. 警方在規劃管理架構後，展開搜證：現場被分為 5 大區域，每區負責的團隊，有刑案攝影師、鑑識病理學家、證物保管員與兇殺案調查員各 1 名。他們在市集的中央通道上與聯結車底下，各尋獲幾具屍體。此外，有 3 名稍早送醫的重傷受害者，於當晚死亡。^[2]

之前急救人員在處理傷患的時候，從聯結車裡把原本的司機拖出來搶救，可惜後者傷重不治。現在調查展開了，他們向警察報告司機的頭部受傷，而該傷口稍後又被確認為槍傷。這個發現立刻將警方的偵辦方向，由交通意外，扭轉成恐怖攻擊。^[2]

驗屍

從 20 日早上到 22 日傍晚，此案的所有死屍都被檢驗一番。除了司機頭部的槍傷；以及解剖才會看到內臟毀壞，常出現於交通事故的鈍器損傷（如上圖）；^[2]還可見皮下組織與下面的筋膜，被外力錯開的「Morel-Lavallée 病灶」（Morel-Lavallée lesion，簡稱 MLL）。^{[2, 3]}

車輛恐攻

以大型車輛進行恐怖攻擊的手法，並不罕見。車輛恐攻（vehicle-ramming attacks）造成傷害的機制，大略可分為以下 4 種：

1. 直接碰撞：受害者通常會有多處骨折，以及嚴重的顱腦損傷。^[2]視速度而定，也可能因為驟然停止運動，而使內臟在體內劇烈撞擊，導致減速傷害（deceleration injuries）。^{[2, 4]}
2. 撞飛出去：人體遭車輛衝擊，彈出去後，又掉落下來。不僅有撞擊的力道，砸在地面上，也會令四肢骨折，或腦部受傷慘重。^[2]
3. 輾壓損傷：沉重的車輛從人體上方駛過，於是骨骼碎裂，組織滑脫分離。^[2]
4. 間接創傷：受害的群眾在閃避車輛攻擊的過程中，彼此碰撞或擠壓，甚至在逃離時波及路人。^[2]

在這個案件裡，驗屍所見的傷害均為前三項，沒有任何的間接創傷。^[2]不過，是否有生還者屬於第四種，就不得而知了。

聖誕市集是德國的歲末傳統之一，^[5]難免人潮擁擠。案發當天雖然是星期一，但包含聯結車司機在內，Amri 總共造成 12 人死亡，^{[1, 2]}數十人受傷。^[1]恐怖組織伊斯蘭國（ISIS）稱他是一位戰士。事後 Amri 逃離德國，悄悄地經由法國，進入義大利。12 月 23 日早晨，2 名米蘭警察例行臨檢，要求 Amri 提供身份證件。他突然拔槍射傷其一，隨後馬上被另個員警擊斃。^[1]

約莫在恐攻落幕 7 週之後，2017 年 2 月，柏林消防局舉辦了一場給救災人員與警察的座談會，名稱取作「習得的教訓」（Lessons Learned）。內容討論急診醫療、警方策略，以及驗屍結果等諸多層面。他們認為從波士頓、巴黎、馬德里和孟買學來的重大傷亡經驗，被證實對這次的應變極有助益。儘管德國鮮少遇到恐怖攻擊，但警察、消防與鑑識等單位合作無間。^[2]

延伸閱讀

國殤之後：集體哀慟的調適

鑑識故事系列：萬聖節前夕的瑞典校園血案

備註

德國首都柏林的確是個「城市」，然而在行政上也被官方視為一「州」。^[6]

1. Barajas J. (23 DEC 2016) ‘Berlin attack suspect killed in shootout with Italian police’. PBS News Hour.
2. Buschmann C, Hartwig S, Tsokos M, et al. (2020) ‘Death scene investigation and autopsy proceedings in identifying the victims of the terror attack on the Breitscheidplatz in Berlin 19th December 2016’. Forensic Science, Medicine, and Pathology, 16, 510–514.
3. Scolaro JA, Chao T, Zamorano DP. (2016) ‘The Morel-Lavallée Lesion: Diagnosis and Management’. Journal of the American Academy of Orthopaedic Surgeons, 24 (10): 667 – 672.
4. Dumovich J, Singh P. (19 SEP 2022) ‘Physiology, Trauma’. In: StatPearls. Treasure Island (FL): StatPearls Publishing.
5. Larsen T. (2020) ‘Advent’. In The Oxford Handbook of Christmas. Oxford University Press.
6. ‘Government and administration.’ Berlin Partner Business Location Center. (Accessed on 09 NOV 2022)

Original publish date:Feb 21, 2007

編輯 HCC 報導

本年二月的AAAS年會論文指出，由於骯髒炸彈爆炸碎片的散佈靠近爆炸點，其危害較預期為低。

防恐專家對骯髒炸彈(dirty bomb)的討論已有十年之久，但其威脅自911恐怖攻擊事件後，日感迫切。有感於恐怖分子無法取得核武，可能自醫學或工業設施盜取放射性物質，再以爆炸裝置引爆，雖然造成的損失與核武相較甚低，專家仍擔心這種炸彈在大面積所散佈的放射性物質會引起恐慌，造成傷亡。

美國桑迪亞國家實驗室(Sandia National Laboratories)科學家進行了一系列的爆炸試驗，以了解物質在爆炸中的反應。於一個類似恐怖份子所使用的距離地面數公尺的炸彈試驗中，發現會引致急性放射性疾病的炸彈碎片飛不遠，不若預測般的令人畏懼；於其他模擬城市地面環境如沙、泥土、混凝土的爆炸測試，發現在爆炸時，此些區域的砂礫或泥土會造成較大面積的碎片，而降低散佈距離。

桑迪亞國家實驗室的試驗結果顯示，較大部分的炸彈碎片會靠近爆炸現場，所以會讓事後的清理工作較為容易。專家認為趕赴爆炸現場的第一線人員如警察和消防員，不需穿上全副的防輻射衣或氧氣筒，因為此種骯髒炸彈產生的碎片大多往地面散射而非飛向空中。但是對骯髒炸彈所造成的市民長期癌症風險，上述的試驗結果未加著墨。

參考來源：

• ScienceNOW Daily News: Dirty Bombs Not Such a Blast
• Brookhaven National Laboratory : Responding to a Dirty Bomb Detonation

相關連結：

• Nuclear Regulatory Commission: Fact sheet on dirty bombs

• 文／吉川彰浩

廢棄物問題將延續 50 年以上

放射性物質是危險的東西，這是眾所皆知的事，而我們選擇遠離那裡，可以的話，完全不想有任何牽扯，因此對於放射性廢棄物的處理，亦即廢爐一事，只有消極負面的印象而已，這是目前大家都有的感覺吧？

相信也有很多人是因為核電廠事故才這麼想，但若追溯歷史，其實這並不是今天才開始的事。

日本第一座核能發電廠是建於一九六三年十月二十六日、茨城縣東海村的 JPDR（Japan Power Demonstration Reactor）。在這座核電廠開始運轉的同時，如何處理放射性廢棄物的問題也就隨之展開，這可以說是從五十多年前就應該開始思考的問題。

我們經常聽到放射性廢棄物無法進行任何處理的說法。

放射性物質的性質，就是依照種類的不同，只要經過一段時間（= 半衰期）後，量就會剩下一半，變成不會釋出幅射的穩定狀態，達到「無害化」的結果。

雖說放射性物質具有放著不管就會「無害化」的性質，但有一點需要知道的是，半衰期長短依種類不同而有所差異。舉例而言，碘 131 的半衰期約為 8 天， 銫 137 約為 30 年， 鈽 239 約為 2.41 萬年，鈾 238 約為 45 億年。要等到鈽或鈾完全無害，需要極長的時間。核燃料之所以被說成最麻煩的廢棄物，也是因為它是由半衰期長的鈽與鈾所構成。

若從無害化是需要時間的角度來看，「高階放射性廢棄物無法進行任何處理」的說法可以說是正確的。不過，「雖然很難達到真正的無害化，但可以設法在盡量接近無害的狀態下進行保管」，而且「正因為是難以處理的東西，所以更要採取避免繼續增加的對策」，這就是目前核電廠在廢棄物處理上的原則。

無害化狀態下的保管技術已經確立

青森縣六所村有高階放射性廢棄物管理中心與低階放射性廢棄物管理中心這兩個放射性廢棄物的最終處置場。

前者有可以穩定保管用過核燃料的設備，是一種叫玻璃固化體的容器，可於穩定狀態下長時間保管高階輻射廢棄物，貯存量可達二八八〇支玻璃固化體。後者則是將高階放射性廢棄物以外的東西放入大型鋼桶裡保管，貯存量為四十萬個兩百公升的鋼桶，未來預計增加到六十萬個。

或許有人會想，既然已經有最終處置場，技術上又能夠保管，那不就沒有問題了嗎？但是最大的瓶頸是「這邊可以代為貯存，但請先處理成可以被接受的狀態再帶過來」。

各位也是自己做垃圾分類，然後裝到袋子裡拿去丟的吧？這是丟垃圾的人被要求遵守的規定；同理，核電廠也有丟棄放射性廢棄物的規定。如果是用過核燃料的話，就裝在一種叫護箱的容器裡，其他則必須裝在鋼桶裡才能拿去丟棄。

簡單講是裝在鋼桶裡送過去，實際上並沒有這麼單純。因為是放射性物質，所以必須在穩定的狀態下運送才行，例如運送高濃度污水時，要分成水與放射性物質，放射性物質還要經過乾燥處理以減少體積（減容化），粉狀物要用水泥或塑膠等固著成穩定的狀態（固化），才能裝入鋼桶裡運送，必須經過這樣的加工處理才行。

此處的問題是加工的難度，當中也有輻射強度高到人類不宜靠近、沒辦法輕易運送的高階放射性廢棄物。因此才會稍微轉換思考方式，採取暫時保管在發電廠內的作法。

1F 廢爐作業所產生的放射性廢棄物之所以一直保管在廠區內，主要原因就是無法加工到得以安全運出廠外。目前也持續在討論廢棄物適合運輸的狀態為何、該帶到哪，又該如何進行保管。

雖然可能有人會認為，那不是東京電力或核電業界的問題嗎？但考量到半衰期等因素，放射性廢棄物確實也是一個會遺留給下一代的問題。

思考大家都能接受的處理方式

在國外核能相關設施的廢爐用語中，有一個字叫「legacy」，就是「遺產」之意。

正如本文一開始所述，這是一個約從五十年前就開始的問題，令人不禁感嘆我們究竟留下多麼棘手的東西啊，而我們的下一代應該也會有同感吧。

另外，前文也介紹到青森縣六所村的最終處置場，但六所村的居民們是否樂意在當地見到這些設施呢？

在核電廠事故後展開的除污事業中，除污廢棄物的輻射強度雖然大幅低於福島第一核電廠的廢棄物，但包含最終保管方式在內，也引起眾多討論。若將廢爐定位在放射性廢棄物的處理，並將處分方法也納入考量範圍的話，那對我們而言是「切身相關的問題」。然而，明明是切身相關的問題，我們卻始終避之唯恐不及，同時我們也與廢爐現場保持距離。

解決這個問題所需要的並不是技術，真正需要的應該是由投身廢爐工作的人、生活在周圍的我們、地方政府機構、核能相關管制當局等，所有人共同討論並確立一套大家都能夠接受的處理方法。「大家」一起思考並執行有關廢爐的方法，是我們必須留下的遺產。

本文摘自《福島第一核電廠廢爐全紀錄》，臉譜出版，2018 年 9 月出版。

Original publish date:Feb 21, 2007

編輯 HCC 報導

本年二月的AAAS年會論文指出，由於骯髒炸彈爆炸碎片的散佈靠近爆炸點，其危害較預期為低。

防恐專家對骯髒炸彈(dirty bomb)的討論已有十年之久，但其威脅自911恐怖攻擊事件後，日感迫切。有感於恐怖分子無法取得核武，可能自醫學或工業設施盜取放射性物質，再以爆炸裝置引爆，雖然造成的損失與核武相較甚低，專家仍擔心這種炸彈在大面積所散佈的放射性物質會引起恐慌，造成傷亡。

美國桑迪亞國家實驗室(Sandia National Laboratories)科學家進行了一系列的爆炸試驗，以了解物質在爆炸中的反應。於一個類似恐怖份子所使用的距離地面數公尺的炸彈試驗中，發現會引致急性放射性疾病的炸彈碎片飛不遠，不若預測般的令人畏懼；於其他模擬城市地面環境如沙、泥土、混凝土的爆炸測試，發現在爆炸時，此些區域的砂礫或泥土會造成較大面積的碎片，而降低散佈距離。

桑迪亞國家實驗室的試驗結果顯示，較大部分的炸彈碎片會靠近爆炸現場，所以會讓事後的清理工作較為容易。專家認為趕赴爆炸現場的第一線人員如警察和消防員，不需穿上全副的防輻射衣或氧氣筒，因為此種骯髒炸彈產生的碎片大多往地面散射而非飛向空中。但是對骯髒炸彈所造成的市民長期癌症風險，上述的試驗結果未加著墨。

參考來源：

• ScienceNOW Daily News: Dirty Bombs Not Such a Blast
• Brookhaven National Laboratory : Responding to a Dirty Bomb Detonation

相關連結：

• Nuclear Regulatory Commission: Fact sheet on dirty bombs