高分子吸附劑 – 讓貴金屬的回收利用更有效率

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

2022 年 9 月 30 日，^[1]在巴黎時裝週 2023 春夏大秀上，近乎全裸的超模 Bella Hadid 緩步走上伸展台。她氣定神閒地，任由與法國時尚品牌 Coperni 合作的科學家們，用噴槍將液態布料覆蓋在她身上。^{[2, 3]}經剪刀裁去布邊，並劃出高衩，一件服貼簡約的雪白平口洋裝，當場完成，驚豔全場。^[4]

時裝秀的科技時刻

英國品牌 Alexander McQueen 也曾於 1999 春夏系列時裝秀中，讓超模 Shalom Harlow 在緊湊高亢的音樂襯托下，接受二支機械手臂的顏料洗禮，演繹出時尚史上經典的噴墨洋裝。^[5]不過，這兩次乍看雷同的科技嘗試，其實有根本上的差異：Alexander McQueen 的做法，是把洋裝當作畫布，透過機械手臂在上頭忘情揮灑。放蕩不羈的風格，使模特兒的皮膚上沾染不少墨水，帶著一縷淒美的頹喪。^[5]然而，這次巴黎時裝週的白色洋裝製作，則是宛如迪士尼動畫《睡美人》的情節。噴槍就是設計師的魔杖，妙手一揮便幻化出成品，整個過程乾淨俐落。做完馬上走秀，都不怕沿路滴水。^[4]

這款神奇的噴霧布料，是 Manel Torres 博士研發的 Fabrican。^[3]

Fabrican 噴霧的原理

來自西班牙的 Torres 博士，^[6] 2003 年於英國倫敦創立 Fabrican 有限公司。他希望用皮膚般貼身的媒材，來製作衣服，並加速生產的流程。^[7]一件 Fabrican 服飾的生成，從無到有約莫只要 9 到 15 分鐘，^{[1, 6]}而且材質和顏色都有多元的選擇。^{[8, 9]}無論是棉、毛、亞麻、尼龍或是奈米碳纖維等原料，^{[6, 9]}加入特製的揮發性溶劑後，噴在人體上便會快乾成形。 ^[6]這種液態布料能做出一年四季的服飾，差別主要在於塗層的厚度。成品噴好後，不僅可以重複穿著和洗滌，也能以溶劑即刻還原再利用，^[10]十分環保。

Fabrican 服飾的量產

Copern i 的二位品牌創辦人 Sébastien Meyer 與 Arnaud Vaillant ，在這次的巴黎時裝週開始前 6 個月，就已經緊鑼密鼓地和 Torres 博士，一起研究如何呈現這件白色洋裝。「我們不會因此賺錢」，回想秀場上的那一刻 Meyer 如是說：「但那是段美麗的時光 ── 一個創造情感的體驗。」^[3]

以人工一件一件地噴出衣服，並不符合經濟效益，所以除了上述量身訂做的方法，Torres 教授還開發出適合工業化量產的模式。這個概念有點類似 Alexander McQueen 1999 春夏系列服裝秀的演出，不過要把那位面目驚恐，非常入戲的模特兒，換成冰冷的人體模型。如此一來，裝有噴槍的機械手臂以及負責運算的可程式邏輯控制器（programmable logic controller，簡稱PLC），便能以每秒 9 公尺的速度噴出原料，不眠不休無休地將已經設計好的服飾，精準地製作出來。由於針對不同產品，只要依照個別需求，微調程式或液態布料的成份，Fabrican 官網宣稱，這比起仰賴為數龐大的傳統機器，更適合剛起步的事業和開發程度較低的國家。^[11]

Fabrican 的其他用途

此外，同樣的技術也能運用在汽車內裝，^[11]以及醫療器材上。比方說，口罩、繃帶、藥物貼片、創傷敷料，^[12]還有取代石膏的骨折固定器等。^[13]比較出乎意料的是，據說 Fabrican 也有清除海洋汙染，例如：原油外洩等的功能，可惜相關的資訊不多。^[14]看到如此萬用的布料科技，只能期望它無論如何都要打入一般市場，造福大眾。別像伸展台上的高級服飾，永遠那麼遙不可及。

延伸閱讀

蠶繭電池是綠能的未來？！

1. Testa J. (02 OCT 2022) ‘The Best Moment of Bella Hadid’s Life’. The New York Times.
2. Yang R, Chen L, Chiang R, Tseng R.（01 OCT 2022）〈巴黎時裝周2023春夏秀場盤點！Coperni現場噴墨製衣、Balmain邀請傳奇巨星Cher壓軸走秀〉Harpers Bazaar.
3. Maguire L. (01 OCT 2022) ‘A spray-on dress and a solid gold bag: Coperni goes after Gen Z with novelty and fun’. Vogue Business.
4. iDest. (01 OCT 2022) ‘Bella Hadid Closing Coperni Spring 2023 Collection’. YouTube.
5. Couture Daily. (13 JAN 2013) ‘Alexander McQueen spring/summer 1999’. YouTube.
6. Sample I. (17 SEP 2010) ‘Spray-on clothing becomes a reality’. The Guardian.
7. ‘Fabrican History’. Fabrican Spray-on fabric. (Accessed on 02 OCT 2022)
8. FannVideo Best. ‘New Spray-on Clothing Future Technology’. (28 MAY 2013) YouTube.
9. ‘Fabrican Technology’. Fabrican Spray-on fabric. (Accessed on 02 OCT 2022.)
10. New Scientist. ‘Spray-on clothing could be the future of fashion’. (17 SEP 2010) YouTube.
11. ‘Industrial – Industrial Application’. Fabrican Spray-on fabric. (Accessed on 02 OCT 2022.)
12. ‘Healthcare – Innovation, choice and flexibility in healthcare’. Fabrican Spray-on fabric. (Accessed on 02 OCT 2022.)
13. fabricanltd. (15 MAY 2012) ‘Spray-on arm cast. Fabrican Ltd’. YouTube.
14. ‘Environmental – Protecting our environment from seaborne spills’. Fabrican Spray-on fabric. (Accessed on 02 OCT 2022.)

本文轉載自中央研究院研之有物，泛科學為宣傳推廣執行單位。

• 採訪撰文／陳儀珈
• 責任編輯／簡克志
• 美術設計／蔡宛潔

有變好，但還遠遠不夠好

空氣雖然平常摸不到也看不到，但是它大大影響我們的生存空間，例如每日上下班聞到的汽機車廢氣、巷口小吃店的油煙，以及其他隱藏在社區的 PM_2.5 污染源等。這些年下來，臺灣整體的空氣品質是變好還是變壞？中央研究院「研之有物」專訪院內環境變遷研究中心研究員兼空氣品質專題中心執行長周崇光，請他深入談論空氣污染物 PM_2.5 和臭氧的變化趨勢，以及都市區空氣品質的首要難題：「衍生型 PM_2.5」。

臺灣的空氣品質到底有沒有進步？

2012 年 5 月，環境保護署發布「空氣品質標準修正草案」正式將 PM_2.5 納入臺灣空氣品質管制，從圖表中可以看到，自 2012 年以來，PM_2.5 的平均濃度的確有逐年降低的趨勢。

PM_2.5 除了逐年降低之外，大家也可以觀察到， PM_2.5 其實有非常強的「季節性」。

一般而言，秋天、冬天時，中西部大多位於中央山脈的背風面，風速微弱不易將污染物吹散，污染濃度相對高；反之春天、夏天時，因為擴散條件好，污染濃度就相對低。

因此，夏天時，臺灣各縣市的污染狀況差異不大，但一進入秋冬，污染濃度在空間分佈上就呈現出非常明顯的差異：中南部特別嚴重。

隨著時間推進，PM_2.5 污染正在逐漸改善，但整體而言，污染情況還是很嚴重，尤以中南部更為嚴峻。我們可以說，臺灣空氣品質在眾人努力之下慢慢變好，但我們離好的空氣品質仍然有一段很遙遠的距離。

「在變好，可是遠遠不夠好」周崇光這麼說。

大家的濃度都在降，除了臭氧？

前面已提到 PM_2.5 濃度逐年降低，其他空氣污染物諸如非甲烷碳氫化合物（NMHC）、氮氧化物（NOx）的數據都有逐年下降的趨勢，但臭氧（O₃）一枝獨秀，不僅沒有變少，有時甚至還會有上升的跡象。

這到底發生了什麼事？

若想要了解箇中原因，我們必須回顧臭氧的形成機制，與都市的光化學煙霧（Photochemical smog）有關（見下圖）。

首先，氮氧化物（NOx）和揮發性有機化合物（VOCs），是形成臭氧（O₃）的主要前驅物。

二氧化氮（NO₂）在紫外線的照射下（hν 表示能量），會分解成一氧化氮（NO）和一顆氧原子（O），當這顆氧原子碰到氧氣（O₂）時，就跑出臭氧（O₃）。

當揮發性有機化合物（VOCs）碰上氫氧自由基（OH·）時，會被氫氧自由基氧化形成有機過氧自由基（RO₂·），有機過氧自由基隨後會氧化一氧化氮（NO），並使二氧化氮（NO₂）再生回來，由此可在大氣中循環產生臭氧。

等等，那臭氧持續上升的原因是？

雖然 NO₂ 被紫外線分解後會產生 NO 和 O₃，要注意的是 NO 碰上 O₃ 時，又會反應為 NO₂，於是 NO—NO₂—O₃ 在大氣中保持著動態的平衡關係，因此當我們減少一氧化氮的污染時，上述的光化學平衡就會有利於增加臭氧的濃度。

而在過去這些年，我國的污染防制使得大氣中氮氧化物濃度一直在減少，一氧化氮也相應下降，當一氧化氮越來越少的時候，也越來越少的臭氧會被轉化成二氧化氮，使得累積在空氣中的臭氧變多了。

因此，我們在下圖可看到，代表臭氧的紅線上升了，而代表二氧化氮的綠線下降了。

既然無論空氣品質變好或變壞，臭氧的濃度都很高，甚至都會變高，那麼研究人員到底該怎麼確認整體空氣品質真的有所改善？

周崇光指出，事實上，只要將「臭氧和二氧化氮的濃度加起來」，統合為「大氣氧化劑的濃度」，並和其他污染物進行比對，就可以從數據中確認：即使臭氧的濃度上升，但兩者總和的數據是減少的、空氣品質的確正在改善！不過還要更加努力才能克服上述的困境，進而成功降低大氣中臭氧的濃度。

衍生型 PM_2.5：都市空氣品質的挑戰

我們總是用 PM_2.5 來統稱粒徑小於或等於 2.5 微米的細懸浮微粒，用 PM₁₀ 統稱粒徑小於或等於 10 微米的懸浮微粒，也就是說，它指的是粒徑在某個尺寸內的粒子濃度。

然而，你有沒有想過，這些懸浮微粒到底包含了哪些東西呢？

周崇光笑著說，「裡面五花八門，什麼怪東西都有啦！」，懸浮微粒的成分可是高達上百種呢！

臺灣的 PM_2.5 組成非常複雜，像是海鹽、元素碳（也稱黑碳，EC）、硝酸離子（NO₃-）、硫酸離子（SO₄²-）、銨離子（NH₄⁺）、重金屬、以及各式各樣的有機化合物等等，不同縣市的組成分布也有所差異。

比較中研院過去（2003-2009）與環保署最近（2017-2021）各自調查的 PM_2.5 化學組成，近五年來雖然臺灣 PM_2.5 整體濃度下降了，但是 PM_2.5 主要的組成分布則沒有明顯改變。

周崇光提到，要解決臺灣的 PM_2.5 空污問題，減少衍生型 PM_2.5 才是主線！

與黑碳、海鹽這些直接來自大自然或人為產生的「原生」微粒不同，大部分硫酸鹽、硝酸鹽、銨鹽和有機微粒是在大氣中經過複雜化學反應「衍生」而成的，因此稱為「衍生型 PM_2.5」。

衍生型微粒的生成，除了需要有特定的前驅氣體，例如：SO₂ 氧化後產生硫酸鹽、NO₂ 氧化後產生硝酸鹽，以及有機氣體氧化後產生有機微粒等；還需要有促成反應的大氣氧化劑，例如：臭氧（O₃）和氫氧自由基。

這顯示出臺灣的 PM_2.5 跟臭氧是一體兩面的空污難題。

由於高濃度的衍生型 PM_2.5 在人類肉眼來看宛若煙霧一般，再加上是由一系列光化學反應而成，因此又稱為光化學煙霧。

中研院團隊過去幾年持續在臺灣地區進行的 PM_2.5 的化學特徵調查，研究顯示，衍生型 PM_2.5 在細懸浮微粒污染中佔據了非常大的比例（>70％）。然而可惜的是，礙於儀器技術的關係，團隊無法在全臺灣遍布監測 PM_2.5 成分的儀器。

若是想要將不同來源的 PM_2.5 化學成分準確即時的分析出來，這樣的儀器造價不菲。因此周崇光表示，在光化學煙霧的議題上，大氣科學家的目標並非獲得長期連續的監測資料，而是在關鍵的幾個研究站中，致力於找出光化學煙霧的基礎理論架構和反應機制，並協助政府機關制定防制策略。

就在臺中！全臺第一座都市空氣污染研究站

為了釐清城市臭氧和 PM_2.5 濃度變異的物理化學機制，中央研究院環變中心底下的空氣品質專題中心於 2021 年底，在臺中建立了全臺第一座整合都市氣象學和大氣化學的研究站，是國內目前最完整的大氣物理化學監測站。

在這個研究站中，大氣科學家除了可以即時監測 PM_2.5 的濃度，也可以掌握懸浮微粒的化學成分，包括量測揮發性有機物、二氧化氮、二氧化硫、一氧化氮、臭氧等微粒前驅污染物的濃度變化，藉此釐清都市空品的關鍵因子，協助研擬污染防制策略。

然而，為什麼要將研究站設立在臺中呢？周崇光表示，「無論是人口、能源、地理位置，還是大氣科學的角度，臺中均有著特殊的價值和意義」。

在空氣品質不佳的中西部之中，臺中不僅是人口數最多的都市，地理位置也讓臺中的邊界層條件具有相當高的複雜性，若能破解臺中盆地大氣環流的詳細機制，將對都市氣象學帶來可觀的突破，而臺中火力發電廠的污染和牽涉的能源議題，更是國內社會相當關注的重要焦點，因此，中研院空品專題中心最終決定將研究站設立於臺中。

中研院空品專題中心預計在三年後（2025 年），於臺中研究站取得第一階段的經驗和資料，隨後延伸應用至臺灣的其他城市，希望能透過學術研究與各單位協作逐步解決都市空氣品質的問題，突破當前空氣污染防制的瓶頸。