值得關注！生質能源公司的多角化經營策略 – Gevo

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

「氣候工作」公司（那間我付錢請他們把碳排放埋到冰島的公司）是由克里斯多福．格巴德（Christoph Gebald）與簡．沃茲巴赫（Jan Wurzbacher）這兩位大學時代的朋友共同創辦的。「我們是上大學第一天認識的，」沃茲巴赫回憶道，「我想我們第一週就問了彼此：『嘿，你想要做什麼？』然後我說：『嗯，我想要創立自己的公司。』」他們後來將研究所的獎學金分為兩份；兩人都花一半時間做博士班的研究，並且用另一半時間讓公司成長。

就跟拉克納一樣，他們兩個人面對了許多質疑。有人說，他們做的事情只是在轉移焦點。如果大家認為有方法能從大氣中抽走二氧化碳，那他們就會排放更多。「大家會反對我們說：『嗯，老兄，你們不該這麼做，』」沃茲巴赫跟我說，「但我們一直很頑固。」現年 35、6 歲的沃茲巴赫身材纖瘦，頂著一頭孩子般的蓬亂黑髮。我和他在「氣候工作」公司的蘇黎世總部碰面。那棟建物裡不僅有辦公室，也有金屬加工廠，現場不僅帶著科技新創的氛圍，也有點腳踏車店的感覺。

「把二氧化碳從流動的空氣中抽出來並不是什麼尖端科技，」沃茲巴赫跟我說，「這也不是什麼新鮮事。過去五十年來，人類都會從氣流中過濾二氧化碳，只是用途不同。」

從空氣中抽碳所面臨的挑戰

譬如在潛水艇中，船員呼出的二氧化碳必須排出去，否則會累積出對人體而言很危險的濃度。

但是能從空氣中抽出碳是一回事，要能大規模執行則又是另一回事。燃燒化石燃料會產生能源，從科技中捕捉二氧化碳也「需要」能源。只要能源是透過燃燒化石燃料所產生的，那就一定會增加必須捕捉的碳量。

第二個重大挑戰是處置方式。捕捉下來的二氧化碳需要送到安全的地方儲存。「玄武岩的好處是我們很好對外解釋，」沃茲巴赫說，「如果有人問：『嘿，但這真的安全嗎？』答案很單純：兩年內，它就會變成位在地下一公里處的石頭。就這麼簡單。」合適的地下儲存地點並不少見，但也不普遍；這表示，若要打造大型的碳捕捉工廠，要不是必須有個合適的地理位置，否則就得把二氧化碳運到遠處。

最後是成本的問題。把二氧化碳從空氣中取出來需要經費，現在這需要花很多的錢。把一噸重的碳排放變成石頭，需要付給「氣候工作」公司 1000 美元。我將 544 公斤的配額，都用在飛往雷克雅維克的單程飛機上，於是包含回程飛機以及去瑞士的航程在內的碳排放，就只能留在空中飄蕩。沃茲巴赫跟我保證，隨著愈來愈多的捕捉裝置裝設完成，價格也會下降；在 10 年左右的時間內，可望降到每噸 100 美元。

如果碳排放以類似比例課稅的話，那麼就更容易計算：基本上，只要抽出一噸二氧化碳，就能少付一噸的碳稅。但如果碳仍舊能免費排入大氣中，那又有誰願意付這筆錢呢？即使一噸只要付 100 美元，把十億噸二氧化碳（只是世界年度排放量的一小部分）埋起來，就需要花上 1000 億美元。

我也問沃茲巴赫，這個世界是否已準備好為直接從空氣中捕捉碳的技術付費。「也許我們太早投入了，」沃茲巴赫若有所思地說，「也許時機正好；又或許我們遲了一步——天曉得。」

生質能與碳捕集和封存 BECCS

一如有許多方式能把二氧化碳釋放進空氣中，其實也有很多（潛在的）方式能移除二氧化碳。一種名為「加速風化（enhanced weathering）」的技術可說是我在赫利舍迪電廠參觀到的工程的反向版。這個概念並非將二氧化碳注入石頭中，而是將石頭帶到地表與二氧化碳接觸。

首先，要先將人為開採並碾碎的玄武岩散布到世界上炎熱、潮溼地帶的農田裡，而二氧化碳與這些碎掉的石頭起化學反應後，就能將其從空氣中抽取出來。或者有人也提出，可以碾碎火山岩中常見的綠色礦物質：橄欖石，再撒入海洋中溶解。這麼做能使海洋吸收更多的二氧化碳，而且還有另一個好處：對抗海洋酸化。

另一類負排放科技（negative-emissions technologies，簡稱為 NETs）的靈感則源自於生物。植物生長時會吸收二氧化碳，而當它們腐朽時，二氧化碳就會回到大氣中。種植新的森林能在植物體成熟之前吸收碳；有一篇瑞士研究人員最新的研究評估，種植一兆棵樹就能在接下來數十年中，從大氣中移除 2000 億噸的碳。其他研究人員認為，這項數據將事實誇大了十倍甚至更多。儘管如此，他們也評道，新植林吸收碳的能力「還是很重要」。

為了解決朽木的問題，許多人提出各種技術方案。其一是將成樹砍倒並埋在溝渠裡；因為缺乏氧氣，就能防止樹木腐朽，以及隨之而來的二氧化碳排放。另一個計畫則只需要蒐集玉米梗等作物殘留物，並倒入深海；在黑暗、冰冷的深海裡，這些農餘腐爛的速度會很慢，甚至完全不腐爛。這些聽起來可能很怪的想法，也都是從自然中汲取靈感。在石炭紀（Carboniferous），有大量的植物遭到淹沒並埋於地底。這些植物後來就變成煤礦——如果這些東西可以保留在地底，理論上就能把碳永遠留在那裡。

林地復育（Reforestation）與注入地下的技術相互結合後，即為「生質能與碳捕集和封存（Bioenergy with carbon capture and storage）」——BECCS（發音為「becks」）。

IPCC 所使用的預測模型極度傾向 BECCS，因為它可以同時達到負排放與發電兩種目的。這種「魚與熊掌兼得」的辦法，以氣候數學的角度來看，幾乎所向無敵。

BECCS 的構想是種植能從空氣中吸取碳的樹木（以及部分穀物），接著便透過燃燒樹木來發電，所產生的二氧化碳再從煙囪直接捕捉下來、送入地底。（2019 年，世界首個 BECCS 的前導實驗已在英格蘭北部一座木顆粒燃料發電廠展開。）

替代方案的土地面積要廣、數量要大

這些替代方案所面臨的挑戰就跟直接從空氣中捕捉碳一樣，問題在於規模。馬里蘭大學的教授（University of Maryland）曾寧（Ning Zeng）是首創「樹木砍伐與儲存」概念的人。根據他的計算，若要每年消去 50 億噸的碳，總共需要 1000 萬條埋樹溝渠，而且每一條都要跟奧運標準游泳池一樣大。「假設有一組一共 10 人的人馬每週可以用機械施工，挖出一條溝渠，」他寫道，「那也需要 20 萬組（200 萬名工人）人馬與機器。」

根據德國科學家一篇最新的研究，若要藉由「加速風化」移除十億噸的二氧化碳，那就得要開採、碾碎並運送約 30 億噸的玄武岩。作者群指出，需要開採、磨碎與輸送的石頭「雖然數量非常大」，但其實還比每年約 80 億噸的煤礦開採量要來得少。

若要種植十億棵樹木，大約需要造出 906.5 萬平方公里大的新林地。這片森林面積之廣，會跟包含阿拉斯加在內的美國國土差不多大。這麼大片的耕地不再用於生產農作的話，可能造成上百萬人面臨飢餓。喬治城大學的教授歐盧費米．泰伊洛（Olúfẹ́miO. Táíwò）近期表示，有一種危機是「我們每邁出一大步的同時，卻在公平正義上倒退兩步。」然而，大家也不清楚，用未開發的土地是否就會比較安全。

樹木是深色的，所以若把凍土變成森林，反而會增加地球要吸納的能量，並造成全球暖化，最後也無法達成目標。解決這個問題的方法之一，可能是用 CRISPR 技術基因改造出淺色的樹木。就我所知，目前還沒有人提出這個構想，但似乎只是遲早的事。

文 / 陳妤寧

大家都知道玉米可以用來提煉乙醇燃料，不過現在加州的一家新創公司 NexSteppe 正在開發以高粱作為原料來開發生質能的另一片天，甚至可能比玉米來得更加有效率和環保。

身負眾望－充滿能量的高粱種子

想到高粱可不能只想到金門。高粱源於非洲，非常耐熱和耐旱，不但可被再製為麵粉、糖漿和啤酒，被使用於在無麩質的產品，也被用來餵養駱駝。被稱之為北非小米的「蒸粗麥粉」或是在非洲被廣泛食用的粥，都是高粱屬作物的化身。已經在歷史上餵養人類和其他動物們超過千年。

全世界上的科學家都在研究能夠肩負起製造能源使命的植物們－樹木、灌木和草皆然。環境學家們表示，若要降低交通運輸部門所排放的碳污染，就必須提昇生質能源的地位和比重，汽車、卡車、公車、飛機在接下來幾十年都需要汽油和柴油以外的新液態燃料。做為世界最大私營石油公司之一的英國石油（BP），一共投注了 5 億美元給美國政府和大學研究機構來研究生質能和燃料作物。而從 2006 年開始，美國相關的能源和農業部門同樣也開始資助以生物能源和植物燃料為導向的的基因學基礎研究。

去年（2013年），NexSteppe 引進了兩個品種的高粱種子－帕羅奧圖（Palo Alto）和馬里布（Malibu），這兩種品種特別被用來作為能源作物栽培。他們可以在不肥沃的土地上成長、適應多元的氣候、而且還可以在四個月內長到 20 英呎（約 6 公尺）這麼高。「馬里布（Malibu）」容易發酵糖分，有利於製作燃料；另一個品種帕羅奧圖（Palo Alto）則志在為纖維速燃料和生質能鍋爐提供低水份的原料，藉此製造熱能和電能。

時勢造英雄－市場上對乙醇燃料的龐大需求

NexSteppe 認為乙醇燃料的重要性會持續攀升，但原料的供應量和質都遠遠不足。「我們發覺市場上的需求沒有被滿足，目前除了棉花和煙草之外，經濟作物的發展遠不如糧食作物，但其實能源燃料的需求還在持續增長！」NexSteppe 的創辦人兼 CEO 安娜拉特（Anna Rath）表示。安娜拉特今年 38 歲，過去在麥肯錫顧問公司上班，擁有生物學和遺傳學的學位，也是耶魯大學法學院的博士。她在 2010 年以一百萬美元和朋友展開了 NexSteppe 的新創事業，並從眾多創投以及杜邦化工公司爭取到了四千萬美元的資金。杜邦化工公司是投資能源燃料中的領頭羊，目前在愛荷華州正在興建一座纖維素乙醇（Cellulosic ethanol）工廠。

「巴西是我們第一個、也是最大和最重要的市場。」安娜拉特表示，巴西有幾十家的乙醇工廠和生質能鍋爐，由於運輸部門和電力需求都在增長，當地的甘蔗可說是供不應求。除了巴西之外，拉特也認為中國和美國的市場充滿機會，因為今年預計將會有半打的纖維素乙醇工廠投入商業運轉。

安娜拉特表示。雖然 NexSteppe 在主要市場巴西以外的地方幾乎沒做宣傳，它的原料卻正由世界上 15 個不同國家的農夫們所耕種，包括加拿大、美國、德國、中國、印度、和其他南亞國家。現在 NexSteppe 的辦公室位於舊金山，聘有 35 位員工，其中逾半為科學家。

閃開，讓專業的來－高粱眼中的失職玉米

NexSteppe 認為乙醇燃料的重要性會持續攀升，然而現正佔據乙醇燃料霸主位置的玉米原料卻表現不佳。目前世界上燃料作物的主要來源只有兩種：美國的玉米和巴西的甘蔗，但這兩種燃料作物的使用效能都還未臻理想。

「對於現在用於提煉乙醇的玉米栽種方式我們有許多擔憂，整個過程中充滿過多的化肥、農藥和各種高濃度的化學成分。」美國自然資源保護委員會（Natural Resources Defense Council，NRDC）的資深政策研究員布萊恩邵（Brian Siu）表示，理想的生質能源應該從有機廢棄物或作物中提煉出來，而不是需要另外東加西加一堆化學品或是過多的水源。

由於成本比化石燃料來得更高，以玉米提煉的乙醇燃料需要政府補貼的事實也遭受許多爭議。相較於現在的主流能源作物玉米和甘蔗，NexSteppe 相信高粱屬的作物能夠更加優化生質能源的生產過程。NexSteppe 本身也採用傳統的育種方法，而不使用基因改造。安娜拉特表示高粱的碳排放量遠低於玉米或甘蔗，每畝能夠提供的生質能原料卻更多。

不只拿來吃更要拿來燒－能源作物和生質燃料的多元想像

「我們不認為直接把糧食作物拿來當做燃料會是個好主意。」能源作物科學研究所（Energy Biosciences Institute，EBI）的資深研究員希瑟楊斯如此表示。EBI 是由英國石油（BP）在柏克萊加州大學贊助的研究計畫，從事不同種能源作物的永續發展潛力研究。

當然，NexSteppe 也不是唯一投身於能源燃料作物的公司。一家之前 Rath 工作過小型的上市公司「Ceres」，除了高粱之外，也經營芒草和草梗粗壯的柳枝稷（switchgrass）等提煉燃料乙醇的項目。

隨著時間的推移，生質能原料的多元可能性一一浮現，生質能永續性的關鍵十分取決於原料本身、以及人類決定「在哪裡（where）」、「用什麼方式（how）」來種植這些原料。

資料來源：New energy-rich sorghum offers ethanol without the corn (theguardian, Marc Gunther, 2014/8/12)