來自普羅群眾的百科智慧

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

從小到大，我們對於未來的想像似乎就像教科書裡說的那樣：在求學過程中找到興趣、努力進入想要的科系、畢業後順利進入跟專業有關的職場，然後幸福快樂地過上一輩子。直到我們經歷了真實的人生，才發現事情根本沒這麼容易。

不過，職業或興趣與所學不符，這樣的「不務正業」一定就是錯的、不好的嗎？或許也不一定。這次的「PanSciTALK」就要來跟大家聊聊「有沒有畢業然後不務正業的八卦？」，或許能與你一起，找一找自己的方向。

流體力學跨生物，運用科技救石虎

專業原為應用力學的蔣雅郁，在某次造訪魁北克之後，便一直懷抱留學夢，即便面對紅斑性狼瘡的威脅，也未因此而停下腳步。不過，真正到了德國後，卻遇到了一位反骨的教授，領著蔣雅郁從物理的領域跨足到生物，利用流體力學的方法篩檢細胞。

除了在專業上跨出了原本的領域，蔣也在生活上踏出了原本的領域，在 318 學運時，她積極地在倫敦響應，以自己的力量去理解、探討這個問題。而面對核能等充滿爭議的議題，蔣也身體力行去探討這個研究，親自探訪車諾比，將第一手見聞帶給大家。

面對自己在意的議題，領域就更不是阻礙了。蔣雅郁分享到自己近幾年參與的石虎計畫，計畫團隊了各種方法，設計出一套預警系統，利用科技辨識橫越道路的動物，再依照不同動物的習性利用光線、聲音等方式對野生動物提出警告，避免牠們在車輛行經時橫越道路，藉此降低路殺事件。

文案─編輯轉換器，單鍵轉換世界更寬廣

「研之有物」的前任編輯林婷嫻則分享了自己從廣告人轉為編輯的歷程，雖然這兩者都是運用文字來達到目的，不過兩者間的目的卻很不一樣。文案最終是要達成商業利益，因此必須隱惡揚善；而編輯則更在意議題傳播，所以要謹守公正客觀。也正因如此，兩者間的轉換其實並不容易，而從廣告進入科普編輯，也可以說是挺不務正業的。

在進行廣告文案寫作時，首先會進行客戶簡報，確定需求後，就要開始創意發想、集思廣益想出好點子進行提案，接著便進入規劃執行的階段，最後則需要分析整體行銷成果、結案。說到文案的生活，林婷嫻說工作心聲很像日劇「我要準時下班」一樣，但準時下班實在是太困難了，基本上很難達成。

至於進入科普編輯的領域，則是完全不一樣的世界。首先，編輯需要進行大量資料蒐集，找到適合採訪的人物或研究題目，而後進行約訪、採訪，並將訪問內容撰寫成文、搭配內文製作圖表。最後則是要刊登並宣傳這些內容。在這個過程中，編輯需要重視讀者的興趣，並由此開發議題。

以《研之有物》探討線蟲的文章為例，探討了「線蟲和真菌的獵食關係」這個議題，不過，一般人怎麼會對線蟲感興趣呢？這時候，就輪到編輯施展魔法了，他需要用讀者有興趣的東西，來包裝議題，在這個例子中，便是利用遊戲「傳說對決」來達成這件事。因此，文章的圖片也緊扣著遊戲的 PK 感，果然引起了迴響，再加上社群的傳播，便成了一篇成功的文章。

站上肥皂箱，說說你的不務正業吧！

除了兩位講者外，這次講座也開放觀眾站上肥皂箱，跟大家聊一聊他們是如何不務正業。

Mei 原本讀了外文系，後來念了幼教，最後卻跑去當主播。在這過程中，她也經過了許多焦慮的和抉擇的關卡。比如說，外文往幼教發展，其實要面對很多教育部政策和規定上面的限制，並不是說轉就轉如此簡單。而興趣、轉職難易度和收入來源等面向，也都需在決策時納入考量。回憶起剛進電視台當編輯的日子，Mei 說，背完上百支股票代碼只是剛好而已。後來，也要面臨「能者過勞」的挑戰，被上級要求主播順便兼製作。

不過，她並未因此打退堂鼓，而是不斷精進自己，也交出了好成績。走過了這麼跨域的旅程，她想要告訴大家的是：「路很長很多，沒有一條定義為『好』的路，別讓老了的自己後悔」。

而 Ethan 身為一位大學讀化學系，而後又進入應用化學所的人，可說是個很正統的化學人，不過，他剛進社會時做的工作跟化學卻是沒什麼關係。那時，他進入公文管理系統的廠商工作，為政府單位開發公文系統，後來也做過專案開發、活動規劃等工作內容。回顧自己的各項工作，Ethan 認為就像是電玩系統在點「技能樹」一樣。除了在就學時期學習理論和研究方法等，出了社會後的工作也是不斷在累積技能點數，他更期許大家能點出像是 YAMAHA 一樣，點出屬於自己的多角經營技能樹。

最後一位分享者其實還是一位高中生，她藉由訪問，了解許多學長姊對於不務正業的想法，也藉此反思自己對於未來的期望。她引述了學姊們的話，認為願意把握機會充實自己是具有優勢的，而不應將自己侷限於科系名稱中。不過，她也希望自己能夠學自己喜歡的東西、並將所學運用於未來的工作，所以，她現階段的目標是努力成為一位「務正業」的人。

如果對於不務正業很有興趣，覺得意猶未盡的話，可以參考我們的特輯「我念XX系，但我現在在做OO」喔！

Original publish date:Feb 28, 2007

編輯 HCC 報導

維基百科成功之道在於眾多維客的貢獻，目前其640萬個條目來自580萬人、2億5千萬次的編輯。海納百川，有容乃大。

為什麼集體創作的維基百科能成功，其他集體作品則不一定能奏效？為何維基百科的詞條能獲致令人驚豔的準確性呢？研究人員宣稱已解開此迷，研究人員認為最好的文章是由許多不同的貢獻者高度編輯修改所獲得。

由多數無組織的普羅大眾所編輯的文章確能寫出更佳的詞條解釋嗎？加州惠普研究實驗室(Hewlett Packard’s research laboratories)的Dennis Wilkinson 與Bernardo Huberman對維基百科的編輯進行統計，發現並不因為預期每條編輯是獨立性的、與他人無關的隨機過程，所以會獲得相應的統計模式。

相反的，有不少異常數目的詞條是高度的被編輯修改，如果某個詞條的新編輯數目與之前的編輯數目成正比，則正如研究人員所預期，此詞條會高度的被編輯；即對某個詞條的編輯會吸引更多的編輯。研究人員認為詞條若高度不成比例的被編輯修改，顯示此些詞條是眼前熱門話題。Wilkinson 與Huberman發現對某個詞條逐增的注意力，會讓此詞條的解釋變的更好。

例如“五月天”這條詞語已被編輯多次，因為“五月天”廣受樂迷歡迎，有更多的樂迷上線進行說明的補充與修正，所以“五月天”是成比例的被編輯。又因為樂迷的熱誠與專注，非常清楚幾月幾號的演唱會發表了哪些新歌等，是故眾多樂迷的修改得以讓資料內容更加精確，當然資料精確性不輸音樂博士所撰筆的百科全書。

然而是哪些人在進行詞條的編輯？有些人聲稱維基的文章並不是真正擷取自使用者的集體智慧，而是由一小群的精英份子包括系統管理員在進行整理，維基百科創辦人Jimmy Wales承認，他花了許多時間傾聽四百到五百名頂級用戶的意見。

加州大學的Aniket kittur與其同事著手去找出是哪些人真正在進行編輯，他們檢視了維基英文版四百七十萬頁的內容，此些內容遭受約五千八百萬次的修改，Aniket kittur擬找出由誰以及如何進行文章的改變。

研究結果令人震驚，事實上，維基社群自2001年以來，已從寡頭領導式社群轉變為民主化社群，由維基精英份子所編輯的文章百分比，至2004年穩定上升達50%左右，隨即緩步下降到目前的10%，而且還在下降。

即使由精英管理人員所編輯的文章通常較普羅大眾所編輯的更有價值，然其整體影響力已經明顯式微，維基主流目前是較精英份子人數更多的大眾，不過個體卻不若精英份子那麼積極。 kittur和其同事將其比擬為寡頭社會中崛起的強大資產階級。

不過對維基百科的批評也不少，維基百科上的“對維基百科的批評”(http://zh.wikipedia.org/w/index.php?title=對維基百科的批評&variant=zh-tw)批評維基百科：人人可編，缺乏權威，不夠可靠；維基百科經常體現集體偏見；維基百科上複雜的人際互動，妨礙了維基百科的基本宗旨。當然維基百科也有其回應，詳見“Wikipedia:我們對批評者的回應”(http://zh.wikipedia.org/w/index.php?title=Wikipedia:我們對批評者的回應&variant=zh-tw)。誠然，維基百科是一個自由的百科全書，人人有話說。

參考來源：

• news@nature: The more, the wikier

相關連結：

• 維基百科

走進書店，巧遇一本翻譯科普書，從書架上拿起，捧讀。一起頭便欲罷不能，從頭到尾文字平易近人，直白、好讀、又不失趣味性。正當你跪著讚嘆作者功力高深，可曾注意過作者名字下方的另一位英雄──譯者的貢獻。

當語言的隔閡夾在其中，譯者既是轉譯者、也是引路人。他作為最仔細的讀者，身處在作者與讀者之間，看到的是怎樣的視界呢？這次的 PanSci TALK：在作者與讀者之間：譯者的視界，邀請到資深科普書籍譯者楊玉齡及臺師大翻譯所博士林俊宏，帶我們一探翻譯到底是怎麼一回事？科學內容艱深又龐雜，譯者該如何見招拆招，以精準傳達作者的真意？

與「翻譯」的初相見──從編輯到科普書翻譯

第一位分享者楊玉齡，在輔大生物系畢業之後，曾擔任研究助理、《牛頓》雜誌副總編輯，及《天下》雜誌文稿編輯。有這麼多年的編輯經驗的她，有什麼機緣讓她踏上「翻譯」這條路呢？在分享翻譯科普書的小撇步之前，楊玉齡先分享她的個人經歷，聊聊怎麼會半路出家，從編輯轉行開始做科學書籍的翻譯和寫作。

楊玉齡在《牛頓》雜誌當了科學編輯約七、八年，練就一身寫科普文的功力。後來因緣際會到《天下》雜誌擔任文稿編輯，但《天下》當時還是以政治經濟內容為主，因此選擇離開。她和許多剛出社會的新鮮人一樣，對未來該做什麼工作感到茫然，不過這時出現了轉機！大概在 1993 年，楊玉齡在《天下》的朋友就派給她一本書，跟她說：「玉齡，你來翻譯吧！」也就促成她第一本譯書《雁鵝與勞倫茲》的誕生。

回憶起當時剛踏入翻譯領域，楊玉齡說：「剛開始會覺得，翻譯是一個非常寂寞的工作，還不習慣、不太適應。不過當時只是把『翻譯』的工作當作過渡期，就先把這本書翻好，一邊想想未來要到哪裡上班。」

一邊思考著下一步該往哪裡去的同時，楊玉齡有一個到美國紐約留學的朋友，邀她一起出國旅遊。「那個年代的翻譯不是一定要用電腦，是用寫的，帶了一本書一張紙就可以出去了！」

玩了半年之後，她開始感覺到「翻譯」這個工作的自由之處。她說，過去每天打卡的上班型態，可能工作很多年才能累積一週的假，即便休假心思也都在公司。而翻譯和自由撰稿，可以讓她彈性地安排、運用時間，也因此她就不強求一定要找到一間公司去上班，轉而踏入翻譯、自由撰稿的工作。

優質科普翻譯書第一準則：知識內容正確

楊玉齡從 1993 年的第一本翻譯書《雁鵝與勞倫茲》，到現在翻譯 40 幾本科普書，翻譯經歷可說是非常資深，找她來分享科普書籍翻譯的眉眉角角最適合不過。她說，翻譯的第一要件，就是要確保翻譯的內容正確。

楊玉齡提到，雖然她有生物醫學的專長，但在翻譯相關領域的書時，大學學過的往往不夠，常常需要補足背景知識。另外也很重要的是，要能夠釐清該書探討的主題，是在該領域的哪個位子。以兩種類型的書來舉例，如果書本內容討論孟德爾的遺傳學，則人文歷史故事的比重可以多一些；如果書本內容討論最前沿的科學研究，那就需要去搞懂專有名詞，了解這個研究目前有哪些派別，或是誰又是這個學門的領導人物。

楊玉齡過往的翻譯經驗中，也有翻過非以英文為母語的作者的作品。「有時候這個教授可能英文不太好，但如果教授很強勢，大概也不准編輯動內容。」而當教授寫出一句話占十行版面的句子，或是一個句子裡有「句中句中句中句」，這時候譯者就需要將原句拆段，幫助讀者理解。

補足背景知識、釐清該領域的定位、也幫讀者拆解艱深句子，最後終於把整本書都翻譯完之後，你可能以為這樣就功德圓滿了。不過楊玉齡說，她在完成翻譯之後，會再以編輯的角度審視作品。審查的重點除了科學內容正確與否，還有人名、譯名是否統一，最後再仔細查看前後章節的敘述細節有沒有互相矛盾。「為了要處理書的節奏和韻律，我會把大章節的標題列在一起，看看標題是不是能夠一章帶著一章。」

翻譯像是和作者單方面的交友：需要磨合，也會被感動

楊玉齡分享她多年翻譯經驗的觀察。她說，翻譯像是和作者單方面的交友過程，「他不認識我，但我認識他！」剛開始幾章可能會翻得不太好，是因為譯者還在熟悉作者的講話方式，或作者寫這些段落的用意跟考量。

翻譯的章節越多，也就會越熟悉作者的敘事習慣，作者的形象與個性也會慢慢浮現。「就好像看到這個人活生生出現在你面前，他可能是一個活潑的老師，或是一板一眼的學者。你甚至開始可以想像他彈手、聳肩。」這時便能連作者的韻味都給翻譯出來！

翻譯這檔事，除了當個作者與讀者之間的橋樑之外，譯者本身也可以透過翻譯，學習作者的風範，或者觀摩作者如何組織文字，說一個好故事給讀者聽。楊玉齡也打趣地說，當然也免不了會遇到喜歡掉書袋的學者，即使內心 OS 講這些難懂的知識也不會幫助讀者理解，譯者還是需要全文翻譯。要是覺得作者囉嗦，可以另外加註意見給編輯參考，內文的更動還是交由編輯判斷。

擔任翻譯久了，可以從翻譯的過程中參透作者寫書的目的：有的人想傳遞知識，有的人憋很久有話想說、想罵人，而有的作者可能單純跟出版社有個合約，但是寫起來也不是很有勁。不過，如果遇到非常有心的作者，會覺得自己應該更要打起精神來好好翻譯！「因為我如果把作品翻壞了，讀者可能還來不及認識這位作者，那他在繁體中文世界裡的名聲就被我搞壞了，會覺得很罪過。」

為什麼翻譯這麼重要？好故事用中文講，會傳得更快更遠

從《牛頓》雜誌、《天下》雜誌編輯，最後成為譯者與自由撰稿人，楊玉齡算是半路出家，從編輯轉行做科學書翻譯。而接下來第二位分享者林俊宏，則是正港翻譯所博士出身，主業是擔任譯者，副業在大學校園中教教書，「吸吸人氣」！今天林俊宏要來跟我們聊聊，為什麼我們需要翻譯，以及科普書跟其他作品的翻譯方式，有什麼不同？

林俊宏在分享的開頭想先讓大家想想看，為什麼我們需要翻譯？學者做學問、大學生上課都是看原文書的吧？「也有很多人說：『看翻譯書都看不懂，看了原文才知道不是自己的錯！』這時譯者的地位就被貶得非常低。」林俊宏感慨地說著。

既然如此，為什麼我們還需要翻譯？林俊宏提到，或許在某些讀者英文還不夠好的時候，可以透過翻譯來協助他。更重要的是，我們都希望好故事能夠傳遞給大家，如果今天我們可以用中文，把知識更快速地傳遞出去，那就有「翻譯」的必要性了！

科普書的翻譯重點：文字簡樸、直白，清楚地表達科學內容

好故事、好知識需要被傳遞，那不同長相、目的和功能的好知識，就需要用不同的翻譯方式來傳遞。林俊宏告訴我們，不同類型的文本大致上都可以用這個三角形的架構來說明，而這三角形的三個頂點分別是：

1. 信息型（Informative）：包含參考書、報告、演講、旅遊手冊等等。
2. 表情型（Expressive）：表達情感類型，包含詩歌、戲劇等等。
3. 操作型（Operative）：包含廣告、選舉演說等等。

這幾種文本類型有哪些特徵？科普書通常在這個三角形的哪裡？知道科普書是哪種文本類型之後，翻譯科普書的時候需要注意哪些呢？

林俊宏認為，科普書的文本類型以「信息型」為主，偶爾也可能有一點操作型的成分。而信息型文本的翻譯重點在「能夠清楚地表達內容」，要讓讀者了解科普書的內容在說甚麼，因此用簡樸、直白的文字來翻譯即可。

第二種文本類型──表情型的翻譯重點在「要仿效、忠實原作者的形式」。舉例來說，當莎士比亞的十四行詩被翻譯成一篇散文，詩的美感便不復存在，其「表現形式」也就背離作者原意。因此在翻譯表情型的作品時，要去想像作者是什麼樣子，再把作者的精神以相同的形式表達出來。

最後一種文本類型──操作型的翻譯重點在「感染讀者，喚起讀者的情緒反應」。就好比當「It’s amazing, Jack! You’re right, Jennifer!」被翻譯成「這真是太神奇了，傑克！你說的對阿，珍妮佛！」的時候，這個翻譯內容全對，卻忘了應該要因應翻譯的目的而有所調整。因此在翻譯操作型的文本時，要能夠認識你的讀者，知道要用什麼方式可以說服、感染讀者。

奈達的翻譯理論：不求死板對應，只求功能對等

無論是信息型、表情型還是操作型的作品類型，「翻譯」絕對不是死板地翻譯表面的文字。林俊宏提到，就像奈達所提出的翻譯理論：看到原文，經過分析，在腦中形成模模糊糊的內容。接下來轉換到另一個語言的模模糊糊的內容，最後再把這模糊的東西用另一種語言重建出來。

就好比在台灣常見的英翻中，翻譯的過程即為理解英文原文，形成英文語言中的模糊含意，接下來轉換成中文的模糊含意，最後以中文文法重建內容。這個過程便牽扯到英文理解、中文的表達能力，還有兩個語言之間有哪些概念可以互相轉換。

所以我們可以一起來想想，到底翻譯難在哪裡？有人說翻譯很難是因為看不懂英文，有人說我看得懂，但是我不知道怎麼想。也還有一種人，英文好中文也好，卻沒有想過兩個語言之間有些概念可以相通。「就像 “By the way” 字典裡都翻譯成「順帶一提」，不過更好的翻譯應該會是『對了！』，才會更接近日常對話。」

隱形的譯者 + 各位讀者 = 讓知識發揮影響力

聽完楊玉齡和林俊宏的分享之後，「翻譯」這檔事，或者「譯者」這個角色，對你而言是什麼呢？

有些人說，譯者在一本書中應該要隱形，讓大家感覺不到譯者的存在。林俊宏則說，或許可以用另一種方式解釋「隱形的譯者」，譯者寫出來的內容，不需要讀者花時間思索句子的涵義，一看就可以知道在說什麼。但是讀者這個角色來反思這句話合不合理，這句話對讀者的意義是什麼。真正能夠把這些知識吞進去再吐出來的，並發揮影響力的，是每一位讀者。

期望每一本好的科普書都可以找到它的知音，欣賞它的人，需要它的人。讓我們一起為知識而努力。

同場加映：參加者心得回饋

• 我很高興參加了四月廿七日由泛科學舉辦的講座，聆聽了楊玉齡老師和林俊宏老師分享譯者心得，受益匪淺。楊老師從自身職涯轉變說起，她從科普雜誌編輯轉為科普書籍譯者。譯者的薪資待遇不高，但是生活自由度很高，楊老師認為即使科普翻譯也有浪漫情懷，把千里之外作者的精之作引介到國人面前，所以她一直都很用心小心地翻譯，希望好好傳達作者的心血。林俊宏老師說得比較理性，從學術角度說明翻譯表達有三種功能:說理，說情，操作應用，面對不同目的的文本，要適切傳達作者書寫的用意。
  現場主持人也很棒，與參加者的訪談互動讓大家都很有參與感，很別出心裁的方式，讓我下次還想參加泛科學舉辦的講座，謝謝。──周莉莉
• 很高興這次能參與到兩位譯者的分享，一直以來都很喜歡兩位翻譯的文采，其順暢度及用詞皆讓我在閱讀譯本時不減其中的樂趣，而且都能準確掌握原作者想表達的語氣，這點讓我深深佩服與仰慕，於是報名參加了這次的分享。
  正讀大學的我，正面臨畢業後就業的抉擇，即使就讀化學系相對好找工作，但並不十分喜歡那個工作環境與性質。聽完這次的分享，得知楊玉齡老師本身是生物系畢業後，遂往編輯業的方向走去，於是開始了科普譯者的職涯。這開啟了我從前都沒想過的可能性，於是對於科學及科普的知識傳播有了興趣，進而希望藉由自己的學識背景，將科學的美好、解決問題的方式與邏輯傳播給這個社會，使這個社會能夠更加的有效率去面對生活的大小事，也讓即使是社會組出生的人，能輕鬆接受淺顯易懂的科普知識，讓生活更添樂趣。
  最後，感謝泛科學辦了這次的分享會，讓我有了全新的想法。──張耀壬
• 一直以來都很喜歡參加書籍、書店或出版社舉辦的座談會，但大部分都是邀請作者參加訪談，這次很難得的是貴單位居然是邀請譯者來分享，這是在其他地方很少見的活動主題。譯者就像是原文與讀者之間那座「看不見的橋樑」，藉由譯者的譯筆將外語轉換成讀者熟悉的語言文字，可以達成知識傳播的目的，促進理解不同文化，使讀者接觸理解不同領域的知識、增廣見聞。本次座談主講者楊玉齡和林俊宏都是經驗豐富、譯作等身的譯者，分享一本書在出版之前那些不為讀者知的辛苦努力過程、遇到的問題及解決之道和譯書的樂趣。除了譯者分享之外，講者和與會者的互動以及聽眾的分享亦是一大看點。本次活動主題雖然是「科普」，但與會者從年齡、專長到職業等大不相同，甚至還有外籍人士一同參與，與會者的主動分享讓座談會氣氛熱絡，彼此討論也激盪出火花，個人認為這是一次讓參與者收獲甚豐的座談會，活動非常成功。另外，主持人落落大方、反應敏捷，場控功力一流，我在此給予主辦單位暨全體工作人員高度肯定，只可惜時間有限，令人意猶未盡，希望日後有機會能再參與類似的活動。──黃瑀彤（高中教師、中英譯者）
• 是日，在臉書頁面偶然看到演講訊息，心中一陣悸動，忽視滿檔行程馬上報名；非常值回票價，學識豐富群眾魅力滿點的講者加上超讚泛科學團隊，真是美麗的假日午後。
  此次講座，因本身是醫學專業，楊玉齡老師闡述的轉行心得、如何將艱深知識深入淺出傳達給普羅大眾，聽得我點頭如搗蒜，心有戚戚焉；平時對病人衛教正如同科普一般，把艱澀的論文知識轉換成大眾能理解的語言，與科普翻譯有異曲同工之妙。
  另，近半年因緣際會下接觸翻譯工作，聆聽林俊宏老師的翻譯理論，才發現自己走了多少冤枉路，「究竟是自己的外文不好還是中文不好，還是其實兩種語言都不好」這樣的大哉問縈繞心中已久，而老師提出該如何成長及自我檢核的方法，有如當頭棒喝，惠我良多。
  整場演講，雖有時間太短意猶未竟之憾，但短短數小時間，得以聽聞兩位老師的武功心法，頓覺茅塞頓開，更有打通任督二脈平增十年功力之感！──艾樂芬
• 我看過不少翻譯書籍，深深體會到翻譯品質對一本書而言可謂成敗的關鍵之一，也對於翻譯有些興趣，因此很想了解譯者在翻譯的過程中，有沒有遇到甚麼困難，又是用甚麼方式解決的。
  楊玉齡老師從她如何踏入翻譯圈，講到如何在過去網際網路不發達的時代完成科普書籍的查證與翻譯，聽她演講就像在聽故事。讓我印象深刻的是，老師在翻譯的過程中需要查找那麼多資料，卻仍樂此不疲，想必在這個過程中，充滿了獲得新知和成為第一位中文讀者的喜悅吧！
  林俊宏老師則妙語如珠地介紹原本生硬的翻譯基礎理論，也讓我們了解到一個科學門外漢是如何從事科普翻譯的，更點出翻譯最困難的部分其實是語言之間轉換的過程。他說：「你以為你看到的是XXX(名作家)嗎？不，是我們譯者在對你說話啊XD」。聽完這次的講座，我覺得科普翻譯真是一份有趣又困難的工作，不僅需要過人的翻譯能力和文采，鍥而不捨的毅力更是不可或缺，不過在過程中總是能認識新的作者、深入了解新的知識，這是這份工作最吸引我的地方！──郭○瑩
• 這次參加「譯者的世界」講座，除了了解到許多翻譯的技巧外，更感動我的是譯者們對於作品的珍視。一本外文作品已承載許多人力心血，幾經輾轉來台；譯者在翻譯時更是投注大量時間熟悉作者、感受作品，試圖讓原作重現在讀者面前。過程中所需要蒐集的背景知識和所下的功夫只是必備，真正讓翻譯有了生命力的，是譯者親臨現場，與作者共持一筆，讓一本作品以不同的語言重新被創造出來——翻譯本身就是一種再創作，也因此讓翻譯本身不只是一種技術，而是一種藝術。而作為讀者的我們，在了解一本書是如何篳路藍縷的來到我們的眼前後，也更加珍惜能夠讀到這本作品的緣分；這本書不只有世界不同角落的人們共同貢獻心力，更呈現出我們所不曾了解的世界，從微生物到大強子對撞機，我們了解自己不是世界的全部，而能具備更開闊的心胸待人接物，也看到這個自然世界浪漫的一面。──李達緯
• 本次參加了兩位翻譯界大前輩的講座，讓身為新手譯者的我收穫滿滿。不但對翻譯這門行業有更深層的認識，甚至了解到原來資深譯者一路走來充滿各種酸甜苦辣。前輩們分享他們的經驗，我由衷體會到譯者這份職業，不只是一份賺錢的工作，還能同時一邊學習書中知識，一邊增進自身翻譯功力。若能成為終生職業，可謂充分體現了「活到老，學到老」這句話。我們就像書籍的幕後工作人員，默默地將這本書譯成母語，雖然低調，但卻很重要。此書能否讓消費者完讀，除了出版社的努力之外，譯文優劣的影響力也非同小可。這份責任感與使命感，鞭策著我們譯者不斷進步。而這天現場來了眾多譯者，見到有這麼多人和自己一樣在背後默默努力耕耘文字，感覺格外有親切感，原來我並不孤單！──項聿萱

Original publish date:Feb 28, 2007

編輯 HCC 報導

維基百科成功之道在於眾多維客的貢獻，目前其640萬個條目來自580萬人、2億5千萬次的編輯。海納百川，有容乃大。

為什麼集體創作的維基百科能成功，其他集體作品則不一定能奏效？為何維基百科的詞條能獲致令人驚豔的準確性呢？研究人員宣稱已解開此迷，研究人員認為最好的文章是由許多不同的貢獻者高度編輯修改所獲得。

由多數無組織的普羅大眾所編輯的文章確能寫出更佳的詞條解釋嗎？加州惠普研究實驗室(Hewlett Packard’s research laboratories)的Dennis Wilkinson 與Bernardo Huberman對維基百科的編輯進行統計，發現並不因為預期每條編輯是獨立性的、與他人無關的隨機過程，所以會獲得相應的統計模式。

相反的，有不少異常數目的詞條是高度的被編輯修改，如果某個詞條的新編輯數目與之前的編輯數目成正比，則正如研究人員所預期，此詞條會高度的被編輯；即對某個詞條的編輯會吸引更多的編輯。研究人員認為詞條若高度不成比例的被編輯修改，顯示此些詞條是眼前熱門話題。Wilkinson 與Huberman發現對某個詞條逐增的注意力，會讓此詞條的解釋變的更好。

例如“五月天”這條詞語已被編輯多次，因為“五月天”廣受樂迷歡迎，有更多的樂迷上線進行說明的補充與修正，所以“五月天”是成比例的被編輯。又因為樂迷的熱誠與專注，非常清楚幾月幾號的演唱會發表了哪些新歌等，是故眾多樂迷的修改得以讓資料內容更加精確，當然資料精確性不輸音樂博士所撰筆的百科全書。

然而是哪些人在進行詞條的編輯？有些人聲稱維基的文章並不是真正擷取自使用者的集體智慧，而是由一小群的精英份子包括系統管理員在進行整理，維基百科創辦人Jimmy Wales承認，他花了許多時間傾聽四百到五百名頂級用戶的意見。

加州大學的Aniket kittur與其同事著手去找出是哪些人真正在進行編輯，他們檢視了維基英文版四百七十萬頁的內容，此些內容遭受約五千八百萬次的修改，Aniket kittur擬找出由誰以及如何進行文章的改變。

研究結果令人震驚，事實上，維基社群自2001年以來，已從寡頭領導式社群轉變為民主化社群，由維基精英份子所編輯的文章百分比，至2004年穩定上升達50%左右，隨即緩步下降到目前的10%，而且還在下降。

即使由精英管理人員所編輯的文章通常較普羅大眾所編輯的更有價值，然其整體影響力已經明顯式微，維基主流目前是較精英份子人數更多的大眾，不過個體卻不若精英份子那麼積極。 kittur和其同事將其比擬為寡頭社會中崛起的強大資產階級。

不過對維基百科的批評也不少，維基百科上的“對維基百科的批評”(http://zh.wikipedia.org/w/index.php?title=對維基百科的批評&variant=zh-tw)批評維基百科：人人可編，缺乏權威，不夠可靠；維基百科經常體現集體偏見；維基百科上複雜的人際互動，妨礙了維基百科的基本宗旨。當然維基百科也有其回應，詳見“Wikipedia:我們對批評者的回應”(http://zh.wikipedia.org/w/index.php?title=Wikipedia:我們對批評者的回應&variant=zh-tw)。誠然，維基百科是一個自由的百科全書，人人有話說。

參考來源：

• news@nature: The more, the wikier

相關連結：

• 維基百科