世界十大污染地區

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

福島核污水正式排放入海了！食鹽要屯多少？海鮮還能吃嗎？哥吉拉要誕生了嗎？

核廢水是怎麼來的？

2011 年 3 月 11 日，一場海嘯衝擊了在福島海邊的第一核電廠，破壞了核電廠中做為緊急電源設備的發電機，在備用電池電力耗盡後，冷卻系統完全失效。然而反應爐內的連鎖反應還在持續，最後溫度不斷竄高，高溫水蒸氣與燃料護套中的鋯合金，發生鋯水反應並產生大量易燃的氫氣，最終與空氣中的氧氣作用導致爆炸。

在事故發生前後，日本政府灌入大量海水來為反應爐進行冷卻，而這些直接接觸熔融燃料棒的污水，就被稱為核污水，日文則稱為「汚染水」。至於當時的決策細節與失誤，大家可以看今年上映的日劇《核災日月》複習一下。而既然事件已經發生了，我們就重點討論核污水。

現在儲存在福島的核污水不只有冷卻水，其實還有受污染的降雨與地下水。事故發生後，東京電力公司在第一核電廠加裝擋水牆，阻擋因為降雨流經 1、2、3 號機組的污染水流入海洋。並且設置凍土牆隔絕地下水，同時挖水井抽出污染的地下水，讓廠區內的地下水水位下降，因此地下水只會從外部滲入，內部的污染水則不會滲到外面。不論是降雨還是抽出的地下水，都屬於污染水，平均每天都會增加 92 立方公尺的污染水。直至本集影片上架，當地已經存有 134 萬噸的汚染水，而且還會持續增加，你可以自己打開 Google Map，鳥瞰這密密麻麻的眾多大型儲槽，別忘了，核反應爐本體才是日本更迫切的問題，要是污水不先處理，要是下一個天災來襲，麻煩又會疊加。因此日本政府在 2016 年就展開討論，準備要處理掉這些污水。

為何決定排放入海？

為何核污水的最終處置決定是排放入海呢？其實 2016 年提出的方案有五種：稀釋入海、蒸發至大氣、電解水釋放氫氣、深層地質注水、以及水泥固化並地下處置。很快，電解水因為還需要相關技術研發而被否決，這個我們在氫能那集講過。深層地質注水和水泥固化並地下處置，則有選址與法規問題，無法立即實現。這部分則等同於核電使用國都面臨的核廢料處置問題，我們之前花過好幾集介紹過，歡迎前往複習。

最後僅剩稀釋入海和蒸發至大氣兩種方法，最後日本認為海洋的擴散行為更容易追蹤，最重要的是成本僅有蒸發的十分之一，因此選用了這個方法。至於有些人說，既然東電跟日本政府都保證安全，何不做成瓶裝水拿去賣？之類的建議在這我們不多討論，就請大家用理智來看待。

核廢水如何被處理？

根據日本政府的規劃，在這些污染水排放入海前，會先進行淨化處理成為處理水。首先，污染水會經過「銫吸附裝置」，除去銫（Cs）和鍶（Sr）。接著再經過淡水化裝置除去水中的鹽分後，成為「鍶處理水」。這種鍶處理水，可以作為 1, 2, 3, 4 號機組的冷卻水再次循環利用。

最後，大部分的鍶處理水，會被送到「ALPS多核種除去設備」，將 63 種放射性核種中的 62 種放射性核種去除。「ALPS多核種除去設備」唯一不能去除的放射性核種，就是氚（H-3）。但其實啊還有一個碳-14 無法被過濾，但濃度低到可以忽視。經過「ALPS多核種除去設備」處理過後的「鍶處理水」，就稱為「含氚處理水」。

含氚處理水中的氚，指的是氫的同位素的一種，在自然界中就存在。半衰期為 12.43 年，衰變時會進行 β 衰變，放出一顆電子並成為氦-3。β 衰變對人體的穿透距離僅限於皮膚，不會對內臟器官產生傷害。
如要能危害人體，需要長期大量攝取由氚構成的重水。關於攝取過多重水對動植物的影響，我們網站上有文章詳細說明過。

簡單來說，綜合自然界中跟福島即將排放的氚，以及我們的生活型態來看，遠遠達不到可能產生危害的程度。知道劑量決定毒性，就像我們每天都吃下不少「有害」物質，例如殘留農藥、油炸致癌物、過多的精製糖等等，但攝取的多寡，對你的健康影響差異很大。那麼重點來了，福島排放的處理水，真的有合乎標準嗎？

處理水符合標準嗎？

這個問題，我們在今年六月的核廢料主題中有提到，國際原子能總署 (IAEA) 在五月底公布了第一階段的調查結果，針對「日本的核種監控能力」進行第三方驗證。結果認為，日本的檢測標準跟分析方法沒問題，調查結果是可信任的。報告中除了氚以外，其他放射性核種的活度也都遠低於排放限值。例如鍶-90 為每公升 0.4 貝克、銫-137 為每公升 0.5 貝克，以臺灣的「食品」標準，銫-137 為每公升 100 貝克以下，雖然鍶-90 還沒有定下標準，但是依國際食品法典委員會的標準，也是在每公升 100 貝克以下。目前的排放值都遠小於標準。

除了各單一核種的活度以外，所有水中核種加起來的「告示濃度限度比」也低於日本國家標準的每年 1 毫西弗（mSv/year）， 1 毫西弗大約是多少呢？大約是一般民眾一年會接收到的輻射劑量。

至於無法被 ALPS 處理的氚，因為海洋中的水中就廣泛存在，日本將透過海水稀釋後排放入海。目前世界衛生組織對於飲用水的氚含量標準訂為每公升 1 萬貝克，台灣的標準嚴格了許多，是每公升 740 貝克。東電公司的處理水是每公升 14 萬貝克，在排放前會稀釋 740 倍，以每公升 190 貝克的氚濃度排放，低於台灣的飲用水標準。

那麼食鹽呢？我們需要搶購嗎？這就更不用擔心，因為食鹽中不含水，自然也不含氚。或是更進一步可以參考東海大學應用物理系的粉專，他們計算，根據國家標準，食鹽含水量若為 3% 以下，需要每天吃超過 400 公斤的食鹽才會攝取氚超標。真的，別吃那麼鹹啊。

那麼，我們就真的兩手一攤，為這件事劃下結論，核輻射只是庸人自擾嗎？

我們該如何看待排放的處理水？

當然不是，就像許多人擔心的，就算科學上告訴你沒問題，但前提是，這些數據得是沒問題的。而且不用說周邊國家，連日本自家民眾也多次抗議處理水的排放。

目前在 IAEA 架設的網站上，可以看到整個排水計畫的各種即時監測資料。其中就包括出水口的輻射數值監測。

為了驗證處理水不會對海洋生物產生影響，東京電力甚至從去年 9 月開始，就開始進行海洋生物飼養實驗，並且全程公開直播放在他們的YouTube頻道上。不過這頻道訂閱人數跟觀看次數都有點低迷，有興趣的話不妨訂閱，開啟小鈴鐺。

那麼我們能下定論了嗎？在科學上，我們確實能說，在符合規範下，這些排放入海的處理水是沒問題的，食鹽、海鮮也都能照吃，把注重食安與健康的努力分配到其他危害更大、風險更高的事情上，對處理水保持健康而非病態的質疑，對個人來說應該效益更高。

臺灣從去年到今年 6 月，曾 3 次組團赴日考察，並於 8/24 公佈報告書，包含跟日方的問答內容，還有福島核廢水排放設施的照片。海委會表示，專家觀察團評估日方排放相關作業的安全性，跟國際原子能總署評估的結果一致。然而是否選擇相信日本以及 IAEA 給出的數據，如今看來成了國際政治問題。

另外，在 IAEA 的小組成員中，包含周邊國家：中國、美國、韓國、越南、澳洲、加拿大、法國、俄羅斯、英國、阿根廷、馬紹爾群島，並不包含台灣。如果台灣也能以任何形式加入團隊，或得以取得樣水複測，讓我們知道，日本以及 IAEA 給出的數值是可信的，想必都能更進一步降低民眾的擔憂。

歡迎訂閱 Pansci Youtube 頻道 獲取更多深入淺出的科學知識！

• https://www.fao.org/fao-who-codexalim…
• https://www.tepco.co.jp/en/decommissi…
• https://www.nhk.or.jp/politics/articl…
• https://www2.nra.go.jp/data/000319415…
• https://www.tepco.co.jp/decommission/…
• https://pansci.asia/archives/319360
• https://www.iaea.org/sites/default/fi…
• https://erss.aec.gov.tw/law/LawConten…
• https://www.aec.gov.tw/newsdetail/new…
• https://www.iaea.org/topics/response/…
• https://www.tepco.co.jp/zh-hk/decommi…

• 本文轉載自科技大觀園，原文為《世紀之毒燒不盡？破解戴奧辛生死密碼》
• 作者 / 科技大觀園特約編輯｜李宗祐

環保署在 2011 年《中華民國重大環境事件彙編》發表《戴奧辛污染事件─揮之不去的世紀之毒》口述歷史，用新詩「燒阿！燒阿！」破題，形容戴奧辛如鬼魅般糾纏著台灣的環境生態，更時時刻刻威脅國人健康。

回顧國內戴奧辛污染事件，最早可追溯到 1979 年的台中與彰化米糠油事件，和 1982 年 12 月臺南市灣裡地區廢五金業者露天燃燒廢電纜產生煙塵，被檢測含有高濃度戴奧辛。但 30 年韶光荏苒，當時負責調查防治戴奧辛污染的環保署毒物管理處前處長陳永仁，在 2011 年口述歷史中感慨的說「我認為目前還沒有妥善處理」，突顯對抗戴奧辛污染依舊長路漫漫。 

也因為缺乏妥善處理，繼灣裡之後，1999 年接連爆發台北木柵焚化爐檢出戴奧辛超標與震驚國際的中石化台南安順廠戴奧辛污染案，2005 年在彰化縣線西鄉發現戴奧辛鴨蛋，2006 年林口傳出山羊遭到戴奧辛污染，2009 年高雄大寮爆發戴奧辛鴨事件，2017 年戴奧辛毒雞蛋流竄桃竹苗地區和新北市…，戴奧辛污染就像潛伏各地的不定時炸彈蠢蠢欲動！

 「低溫熱裂解技術」成為戴奧辛污染救星 

9 年前同時接受口述歷史訪談的中央大學環境工程研究所特聘教授張木彬則在 2014 年帶領研究團隊成功開發「低溫熱裂解技術」，有效裂解戴奧辛、多氯聯苯與五氯酚等含氯污染物，並可讓汞從土壤中脫離，終於使因利用水銀電解法電解海水以製造氫氧化鈉和氯氣而造成汞污染、又因製造五氯酚鈉導致廠區土壤受到戴奧辛及五酚氯污染而荒廢多年的中石化台南安順廠整治露出曙光，也被喻為戴奧辛與重金屬污染整治技術最完整的解決方案。 

「戴奧辛有兩個主要生成途徑。」張木彬指出，第一個是化學製程，例如中石化安順廠在製造五氯酚鈉過程，產生戴奧辛「躲在」五氯酚裡面；第二是高溫燃燒，煉鋼、煉銅、焚化爐甚至燒木屑，也會產生戴奧辛，「都不是我們刻意製造，也無法完全避免，含氯的東西經過高溫催化，就會產生戴奧辛。」  

 既然要從「產生」完全杜絕很難，除了在製程盡量降低戴奧辛生成，如何發展有效技術讓它在生成之後，不要從煙囪、飛灰或廢水中排放出來，是防杜戴奧辛污染重要關鍵。張木彬表示，攝氏 250 到 400 度是戴奧辛生成速率最旺盛的「溫度窗」，當化學製程或高溫燃燒產生的廢氣通過煙道的時候，含氯、碳、氧、氫的化合物，經過銅跟鐵催化就會合成戴奧辛。超過 400 度以後，生成速率變慢；更高溫就會被破壞；低於 250 度，活化不夠，生成速率也會變慢。 

「萃冷技術」也因「溫度窗」原理應運而生，讓廢氣通過煙道過程在 1 秒之內從 400 度以上降到 250 度以下，把戴奧辛合成機率極小化，但還是無法達到「零產出」。以焚化爐而言，目前還是普遍採用成本相對便宜的活性碳噴霧法，利用活性碳吸附以氣體分子存在的戴奧辛，再用袋式集塵器把它抓下來，國內現有 24 座焚化爐就有 23 座利用活性碳防止戴奧辛排放至廠外。 

然而張木彬認為，活性碳噴霧法雖可有效降低從煙囪排放，卻治標不治本，只把戴奧辛從氣體轉移成固體，抓進集塵器飛灰裡面，問題並沒有完全解決。國內焚化爐每年燃燒處理超過 600 萬噸垃圾，產生 20 萬噸飛灰，都用螯合劑加水泥固化以後，拿到掩埋場處理。年年國泰民安、風調雨順就沒事；但萬一發生強烈地震或類似莫拉克颱風等天災，掩埋場可能被沖垮，裡面的東西就會跑出來，潛在的污染風險很大。 

「最好的方法是發展破壞技術，把戴奧辛分子破壞、分解掉，而不只是把氣體變成固體！這也是我們實驗室一直努力的目標。」張木彬強調，「低溫熱裂解技術」是針對存在土壤或底泥裡面的戴奧辛，抓出來破壞掉並去除毒性，「我們利用氮氣把氧的含量控制到非常低，讓戴奧辛在幾乎無氧的狀態下裂解。」但最重要的核心技術是如何在相對低溫的條件下把戴奧辛完全摧毀。 

在完全燃燒的情形下，要完全破壞摧毀戴奧辛，溫度必須超過 900 度，但溫度越高，消耗能量越大，成本越高，不符經濟效益。「我們發展的技術是在比較低的溫度之下，不超過 350 度，就可以把土壤裡面的戴奧辛破壞掉。」張木彬透露，真正的「溫度窗」很重要，要完全摧毀戴奧辛，除了把它從固體變成氣體，再抓出來裂解處理乾淨；抓準各種氣體分子停留時間，避免讓其再度合成戴奧辛，以及如何給予適當觸媒，必須準確掌握不同的操作參數，才可以真正解決問題。 

政府應重視本土技術落實，解除污染風險 

可惜的是，張木彬研究團隊開發的「低溫熱裂解技術」，雖然被認為是目前已公開發表的研究成果中，最有可能解決戴奧辛與重金屬造成環境多重污染的完整解決方案，但中石化基於成本考量，並未採用他的技術。「就我個人看法，中石化的技術有點東拼西湊，處理流程太長，設備太老舊，事倍功半，沒有達到真正預期的效果。」不過研究團隊並未因此放棄，仍持續鑽研精進「低溫熱裂解技術」。 

「以前的低溫熱裂解沒有加觸媒，近 2、3 年開始研發觸媒配方，希望把溫度從 350 度降到 200 度，甚至於更低到 150 度，讓裂解程序更環保、更省能，成本更低。」張木彬直言，這個當然挑戰很大，但目前已有初步結果，已經降到 200 度，研究團隊正在校驗相關實驗數據，在確認重複性和穩定性以後，才會正式對外公開發表。

 研究團隊語重心長呼籲政府應重視本土化技術研發並落實推廣。台灣工業製程早期產生的集塵灰和焚化廠飛灰，戴奧辛濃度很高，都是隨意棄置，很多土壤可能都受到污染，政府應該確實追蹤調查過去幾年陸續發生的戴奧辛污染事件是否與此有關。怎麼把過去遺留下來的東西與現在還在持續產生的東西，有效防止污染擴散並徹底解決潛在污染風險，要有破釜沈舟的決心！ 

枋寮區域性垃圾衛生掩埋場除掩埋焚化爐產生飛灰，也逐漸轉為多元化廢棄物處理。張木彬舉例，全台焚化爐每年產生 20 萬噸飛灰，過去長期都是掩埋處理，現在每年新產生的也是直接掩埋，都沒有把飛灰裡面的戴奧辛抓出摧毀處理，讓飛灰從有害物質變成無害。政府若再不善用先進技術，等到各地掩埋場最後貯滿爆掉，就會像核廢料要留給下一代處理，「我們這一代要找出好的處理方法，有效解決問題。」