黑面琵鷺E77出現在嘉義鰲鼓濕地

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

• 作者 / 林子平

幾年前，有一則蝴蝶遷徙的新聞，引起了我的興趣。澎湖有位民眾發現住家的花園內有隻蝴蝶，身上被標示了日期和日本地名，原來是一隻從日本富山縣標放的青斑蝶，歷經46天從日本飛行了2,277公里來到台灣。富山縣自然博物館負責人說：「這隻青斑蝶創下了富山縣蝴蝶的最長距離飛行紀錄，飛到翅膀已破裂，令人感到心碎。」

創下地表上最長昆蟲遷徙紀錄的是帝王斑蝶。每年會有上億隻帝王斑蝶在接近冬天時，由北美寒冷的洛磯山往南遷徙至溫暖的墨西哥，並在春天來臨時往北飛回洛磯山，但因為不順風，長達4,800公里、歷時四個月的長途遷徙，讓生命週期僅有一個多月的蝴蝶沒辦法在有生之年飛抵目的地，中途還得暫停德州來繁衍下一代，一共要歷經三代接棒才能返回洛磯山。

在台灣新竹苗栗等地山區，多達五十萬隻的紫斑蝶，也會在秋末準備南飛度冬，常落腳在高雄茂林。「氣溫是蝴蝶長程遷徙的一個很重要的因素，溫暖的環境讓蝴蝶能夠生存並產卵，還能讓剛孵化的幼蟲找到豐富的食物。」嘉義大學生物資源學系黃啟鐘教授這麼告訴我，他對昆蟲生態及植物病蟲害都很有研究。

「也許是遺傳基因，這裡的氣溫一直刻劃在牠們的記憶之中，驅動著牠們歷代返回。」黃教授說，「雖然蝴蝶一代只有一個多月的生命，但為了下一代，牠們長途遷徙到最適合幼蟲出生的氣溫及生態環境，等到春天清明節前，經數代後剛羽化之成蝶，就開始往北飛，回到牠們此生未曾到過的故鄉。」

生物為了生存而追尋溫度

昆蟲願意冒這樣的風險長途跋涉，那人類也有這種追求溫度的本能嗎？

我們得從現代人類的起源「智人」（Homo sapiens）的發展談起。科學家普遍認為，在二十萬年前智人起源於非洲。直到了四萬年前，智人已經遍布歐亞大陸。科學家一直在探索，究竟是什麼原因造成我們這個物種「遠離非洲」。

亞利桑那大學地球科學系Jessica Tierney教授透過氣候重建資料，並比對化石及石器的狀況，推論八萬年前非洲東北部溫暖且溼潤，適合居住。然而，在七萬年前，氣候開始變得寒冷而乾燥，艱難的氣候條件，使人類在六萬年前走出非洲進行大遷徙，這才讓歐亞大陸有人類出現。

無獨有偶，德國科隆大學Frank Schäbitz教授等人則是透過衣索比亞湖岩芯來重建氣候，同樣也發現，在距今六萬到一萬四千年間非洲氣候的極度乾燥達到頂峰，使智人最終在距今五萬到四萬年間抵達歐洲。

除了因為溫度而遷徙之外，比智人更早，比「露西」（Lucy）^[註1]更晚的「直立人」（Homo erectus），大概在一百萬年前開始會用火來獲取他們想要的溫度。除了用來烹煮食物，火還可以使身體溫暖來度過寒冬，得以生存。

今日，我們為了舒適追求溫度

以前的人類，就像會遷徙的蝴蝶及候鳥一樣，追求溫度是為了活命，是最基礎的生理需求 ^[註2] 。然而，時至今日，人們追求溫度的目的已經不同。

經濟學家西托夫斯基（Tibor Scitovsky）認為，近代人類的第一個需求，就是「舒適」^[註3]。

近代的人們會為了追求更舒適的氣溫而遷徙。對英國君主來說，白金漢宮是他們的冬季宮殿，溫莎城堡則是夏日宮殿，讓他們在不同的季節中得以維持長時間舒適的居住環境。另外則是觀光旅遊，近代西歐人（如德、法、荷）冬天移動至地中海旁溫暖的國家西班牙、希臘旅遊，或是更遠的東南亞國家，以求得數日的舒適氣溫。

然而，人們逐漸覺得為了追求舒適而頻繁地遷徙和移動有點麻煩，因此反過來想要讓日常生活居住的空間及場域能配合人的需要，常保舒適，於是開始思考如何打造一個四季都舒適的居住空間。在寒冷的國家，增加牆面的厚度，提高隔熱性，來達到保溫的效果，或在屋頂做一個閣樓，能阻擋大雪的低溫直接傳到室內。而在炎熱的國家，則利用室內通風、窗戶遮陽，來確保室內維持舒適，並透過選用適合的植栽、設置水域來調節戶外氣溫，讓人們在戶外行走或活動時都感到舒適。

溫度控制全面強力介入

這些使居住環境舒適的方法，其實都不需要耗用能源及資源，我們稱為被動式設計（passive design，或稱誘導式設計）。它雖然能讓冬天暖一點，夏天涼一點，但是沒辦法維持在一個恆定的氣溫。

因此，人們又想更進一步控制生活及居住環境的溫度，我們開始利用能源及資源來介入控制。一開始是耗費較少電力及資源的手段，例如溫帶國家燒柴的暖爐，熱帶國家使用的電風扇，而後一些更耗能源的設備出現了，如冷氣或暖氣的設備及系統，這些都屬於主動式控制（active control）。以冷氣或暖氣來改變氣溫，讓我們不必大老遠遷徙及移動，可以四季都維持在恆溫舒適的狀況。

而在生活環境中，我們也開始控制各種溫度。例如控制液體的溫度，把冬天冰冷的水加熱，洗澡才舒服；或是使用電冰箱讓飲料涼一些，使用電熱水瓶來保持最適合入口的水溫。

人類當然不會滿足於基本的溫度，我們對於溫度的控制只會愈加精確及全面。我們希望冷暖氣控制的溫度是恆定的，最好一年四季，一天二十四小時，都能維持相同的溫度。我們還希望冬天冰冷的廁所能溫暖些，所以現在廁所的馬桶座不但可以加熱，甚至還可以整晚持續保溫，讓你隨時都能享受剛剛好的溫度。

人類除了舒適，還要刺激

然而，有時人對溫度需求的還不只是為了舒適。追求「刺激」，則是西托夫斯基提出的人類第二個需求—人們追求溫度，有時只是想要有不一樣的體驗。

就像長年低溫的寒帶國家中，一旦有個難得的溫暖晴天，人們就會傾巢而出到公園做日光浴。同樣的，像台灣一樣位處於熱溼氣候區的人們，偶有山區下雪的機會，許多人會不畏寒冷地上山賞雪，這就是本於氣候刺激造成的新鮮感。

不過，如果是為了刺激而想要控制環境，就可能造成不必要的能源浪費。冬天時，人們湧入滾燙的三溫暖或烤箱，這麼高的溫度絕對算不上是舒適吧，但人們希望透過這樣的生理刺激來滿足心理的需求。

又比如說在寒帶地區滑雪是常態，但位在熱帶國家興建一個室內滑雪場，甚至是單純造雪讓人們遊玩，就是要讓人們能感受到溫帶國家寒冷的天氣能帶來的體驗。

你追求的是什麼呢？

你或許有過這樣的經驗：當你滑著手機上的社群、新聞、影片，你點擊的每個按鈕，停留的每段時間，都在告訴媒體你喜歡的是什麼；不久之後，頁面上跳出的內容你都喜歡極了，不順眼的內容都消失了，這一切彷彿為你量身打造，你就這麼瀏覽下去。回過神才發現時間已過了大半，你接受了不重要（甚至錯誤）的資訊，買了你不需要的東西。

讓我們從虛擬環境切換到實體空間。當我們進入一個室內空間，你直覺地按下空調開關，它也許就記憶著你上次設定的溫度。先進的系統還能觀察現在室內有多少人、你是靜止或移動的、你以前喜歡什麼樣的溫度，就幫你調得好好的。太冷的時候，你也許會選擇穿上外套，而不是起身去調整溫度設定，或是反映給管理者知道。

這就是舒適圈，為你量身打造客製化的體驗。舒適的感受可能掠奪你的專注力，讓你忘了你真實的需求。

從智人遠離非洲到歐亞大陸，到近代人類移動到舒適的地點、建立舒適的住居，都是有意識地了解需求，因為，這都有風險，也需要付出代價。

然而，當空間內的氣溫控制變成輕鬆自在的生活常態，卻可能導致我們不認真去思考我們的需求。我們得自問：「為什麼要設定在這個溫度呢？」是為了舒適，還是為了刺激，還是只是習慣性地延續你昨天的設定，或是直接由人工智慧幫你決定？

一個根本的問題是，舒適究竟是怎麼一回事？是生理的需求，還是心理的滿足？每個人對舒適需求的差異，又是怎麼產生的？是體質的差異，過去的經驗，還是個人的喜好？

唯有理解舒適的起源，我們才能客觀地檢視我們的觀點及行為，並做出適當的調整與改變。下一節，就讓我們從一盤蛋炒飯，來談談什麼是舒適吧。

消暑涼方03：動物和原始人只為生存而追尋溫度，但現代人卻是為了舒適而改變溫度。嘿，享受舒適的同時，也為地球上其它生物想想吧！

註釋

• 註1： 露西是在衣索比亞發現的南方古猿標本。也就是由盧貝松執導且在台北取景的《露西》片中，那位將人腦用到100%且具有超能力的主角，在片尾回到遠古時期時見到的人類祖先。
• 註2： 馬斯洛需求理論（Maslow’s hierarchy of needs），是由亞伯拉罕．馬斯洛（Abraham Harold Maslow）於1943年提倡的理論，他劃分出五種等級的需求：自我實現、尊重、社會、安全、生理。生理屬於為基礎的需求，如食物、呼吸、基本維生環境等—溫度就是屬於最基礎的生理需求。
• 註3： 西托夫斯基認為人有舒適和刺激兩種需求，舒適又分為個人舒適（personal comforts）及社會舒適（social comforts）兩種。

——本文摘自《跳出溫度舒適圈》，2022 年 9 月，商周出版，未經同意請勿轉載。

• 本文改寫自社團法人中華民國野鳥學會新聞稿

黑面琵鷺全球數量持續上升！「2022 黑面琵鷺全球同步普查」的成果顯示，全球黑面琵鷺族群已來到 6,162 隻，其中在臺灣共記錄到 3,824 隻，再次創下歷史新高紀錄，其中嘉義地區的黑面琵鷺數量成長最為明顯。

過去不常有黑面琵鷺度冬的縣市如桃園、花蓮、臺東等，今年也都發現有零星個體度冬，顯示黑面琵鷺數量不只上升，度冬範圍也明顯持續擴張。

黑面琵鷺數量再次刷新歷史紀錄

「黑面琵鷺全球同步普查」由香港觀鳥會所發起，每年定期於一月召集各國調查員協力同步調查，而臺灣是黑面琵鷺最重要的度冬地，由中華民國野鳥學會負責統籌，聯繫全國鳥友協力進行調查，並由林務局推動的「國土生態綠網計畫」支持全臺灣的黑面琵鷺普查工作。

2022 年全球普查於 1 月 8 日至 9 日期間進行，全球數量持續突破紀錄，共調查到 6,162 隻黑面琵鷺，今年各度冬區的數量都有增加，整體相較 2021 年大幅增加 940 隻，其中臺灣是成長幅度最明顯的地區，全臺共調查 3,824 隻，超過全球總數六成，相較去年增加 692 隻（增加 22.1%），族群數量保持上升的趨勢，更持續三年刷新歷史最大量紀錄。

普查首次13個縣市皆記錄有黑面琵鷺

臺灣的黑面琵鷺主要度冬在西南沿海，超過九成以上的族群集中分布在臺南、嘉義、高雄及雲林，其中今年臺南的數量有 2,158 隻 (56.4%)，主要在七股與安南（四草）地區；嘉義有 962 隻 (25.2%)，主要在布袋和鰲鼓濕地；高雄有 369 隻 (9.7%)，主要在茄萣、永安濕地及高屏溪口；雲林的數量有 227 隻 (5.94%)，主要在口湖以及濁水溪口南岸。

屏東、金門及宜蘭有穩定的小族群度冬，其中屏東有 36 隻 (0.9%)，主要在大鵬灣與田厝；金門有 29 隻 (0.8%)，主要在慈湖、浯江溪口與西湖；宜蘭有 27 隻 (0.7%)，主要集中在頭城下埔。

特別的是，今年有較多零星的黑面琵鷺出現在其他縣市，包含臺北、桃園、新竹、彰化、花蓮及臺東等地都同時有 1-5 隻不等的度冬個體，總共 13 個縣市都有記錄到黑面琵鷺，是同步普查有史以來首次的紀錄。

黑面琵鷺分布範圍持續擴大

從各區數據的變化來看，黑面琵鷺在臺灣不只是數量持續增加，也持續擴大度冬棲地範圍。今年臺南、高雄、雲林的數量維持在小幅度的變化，數量增加最顯著的區域則在嘉義布袋，總數量為 783 隻，對比去年棲地乾旱的狀態，今年水域環境狀況較佳，增加了 564 隻，也首度刷新嘉義地區普查的最大量。

屏東往年並無黑面琵鷺度冬，自 2021 起已有連續兩年的度冬紀錄，未來應有機會建立長期穩定的度冬地。而今年最特殊的現象，莫過於往年不常有黑面琵鷺度冬的縣市，今年卻同時有許多零星個體度冬，破除「零鴨蛋」的魔咒，讓各地調查員也非常的驚喜，例如臺東是首次普查當日記錄到黑面琵鷺，桃園、彰化、花蓮也是普查期間未有紀錄多年。從零到有，從少變多，種種跡象皆證實黑面琵鷺在臺灣的度冬範圍越來越擴散。

保育工作有賴公私協力

農委會林務局近年推動國土生態綠網計畫，結合公私部門合作推動友善棲地，包含沿海濕地環境的保全；台江國家公園鼓勵友善棲地的魚塭養殖，也推動在地的生態旅遊，並改善保護區內的棲地環境。黑面琵鷺族群逐年攀升是民間、政府與國際間共同協力的保育成果，相較於 30 年前的滅絕危機已有大幅度的改善，然而對比其他族群健全無虞的物種，全球僅六千隻的黑面琵鷺仍是需要注目的受脅鳥類，棲地保育不能懈怠。近期正值黑面琵鷺的北返季節，期待未來族群數量持續上升，早日脫離瀕危名單。

合作夥伴：

感謝基隆市野鳥學會、台北市野鳥學會、桃園市野鳥學會、新竹市野鳥學會、苗栗縣自然生態學會、臺灣野鳥協會、彰化縣野鳥學會、雲林縣野鳥學會、嘉義市野鳥學會、嘉義縣野鳥學會、鰲鼓濕地森林園區解說團隊、台南市野鳥學會、台灣黑面琵鷺保育學會、台南市生態保育學會、高雄市野鳥學會、茄萣生態文化協會、屏東縣野鳥學會、宜蘭縣野鳥學會、花蓮縣野鳥學會、台東縣野鳥學會、金門縣野鳥學會、澎湖縣野鳥學會等單位協助調查。

補助單位：
行政院農業委員會林務局、台江國家公園