有地震！你感覺到了嗎？

本文與 研華科技 合作，泛科學企劃執行

我們都看過那種影片，對吧？網路上從不缺乏讓人驚嘆的機器人表演：數十台人形機器人像軍隊一樣整齊劃一地耍雜技 ，或是波士頓動力的機器狗，用一種幾乎違反物理定律的姿態後空翻、玩跑酷 。每一次，社群媒體總會掀起一陣「未來已來」、「人類要被取代了」的驚呼 。

但當你關掉螢幕，看看四周，一個巨大的落差感就來了：說好的機器人呢？為什麼大街上沒有他們的身影，為什麼我家連一件衣服都還沒人幫我摺？

這份存在於數位螢幕與物理現實之間的巨大鴻溝，源於一個根本性的矛盾：當代AI在數位世界裡聰明絕頂，卻在物理世界中笨拙不堪。它可以寫詩、可以畫畫，但它沒辦法為你端一杯水。

這個矛盾，在我們常見的兩種機器人展示中體現得淋漓盡致。第一種，是動作精準、甚至會跳舞的類型，這本質上是一場由工程師預先寫好劇本的「戲」，機器人對它所處的世界一無所知 。第二種，則是嘗試執行日常任務（如開冰箱、拿蘋果）的類型，但其動作緩慢不穩，彷彿正在復健的病人 。

這兩種極端的對比，恰恰點出了機器人技術的真正瓶頸：它們的「大腦」還不夠強大，無法即時處理與學習真實世界的突發狀況 。

這也引出了本文試圖探索的核心問題：新一代AI晶片NVIDIA® Jetson Thor™ ，這顆號稱能驅動「物理AI」的超級大腦，真的能終結機器人的「復健時代」，開啟一個它們能真正理解、並與我們共同生活的全新紀元嗎？

為何我們看到的機器人，總像在演戲或復健？

那我們怎麼理解這個看似矛盾的現象？為什麼有些機器人靈活得像舞者，有些卻笨拙得像病人？答案，就藏在它們的「大腦」運作方式裡。

那些動作極其精準、甚至會後空翻的機器人，秀的其實是卓越的硬體性能——關節、馬達、減速器的完美配合。但它的本質，是一場由工程師預先寫好劇本的舞台劇 。每一個角度、每一分力道，都是事先算好的，機器人本身並不知道自己為何要這麼做，它只是在「執行」指令，而不是在「理解」環境。

而另一種，那個開冰箱慢吞吞的機器人，雖然看起來笨，卻是在做一件革命性的事：它正在試圖由 AI 驅動，真正開始「理解」這個世界 。它在學習什麼是冰箱、什麼是蘋果、以及如何控制自己的力量才能順利拿起它。這個過程之所以緩慢，正是因為過去驅動它的「大腦」，也就是 AI 晶片的算力還不夠強，無法即時處理與學習現實世界中無窮的變數 。

這就像教一個小孩走路，你可以抱著他，幫他擺動雙腿，看起來走得又快又穩，但那不是他自己在走。真正的學習，是他自己搖搖晃晃、不斷跌倒、然後慢慢找到平衡的過程。過去的機器人，大多是前者；而我們真正期待的，是後者。

所以，問題的核心浮現了：我們需要為機器人裝上一個強大的大腦！但這個大腦，為什麼不能像ChatGPT一樣，放在遙遠的雲端伺服器上就好？

機器人的大腦，為什麼不能放在雲端？

聽起來好像很合理，對吧？把所有複雜的運算都交給雲端最強大的伺服器，機器人本身只要負責接收指令就好了。但……真的嗎？

想像一下，如果你的大腦在雲端，你看到一個球朝你飛過來，視覺訊號要先上傳到雲端，雲端分析完，再把「快閃開」的指令傳回你的身體。這中間只要有零點幾秒的網路延遲，你大概就已經鼻青臉腫了。

現實世界的互動，需要的是「即時反應」。任何網路延遲，在物理世界中都可能造成無法彌補的失誤 。因此，運算必須在機器人本體上完成，這就是「邊緣 AI」（Edge AI）的核心概念 。而 NVIDIA  Jetson 平台，正是為了解決這種在裝置端進行高運算、又要兼顧低功耗的需求，而誕生的關鍵解決方案 。

NVIDIA Jetson 就像一個緊湊、節能卻效能強大的微型電腦，專為在各種裝置上運行 AI 任務設計 。回顧它的演進，早期的 Jetson 系統主要用於視覺辨識搭配AI推論，像是車牌辨識、工廠瑕疵檢測，或者在相機裡分辨貓狗，扮演著「眼睛」的角色，看得懂眼前的事物 。但隨著算力提升，NVIDIA Jetson 的角色也逐漸從單純的「眼睛」，演化為能夠控制手腳的「大腦」，開始驅動更複雜的自主機器，無論是地上跑的、天上飛的，都將NVIDIA Jetson 視為核心運算中樞 。

但再強大的晶片，如果沒有能適應現場環境的「容器」，也無法真正落地。這正是研華（Advantech）的角色，我們將 NVIDIA Jetson 平台整合進各式工業級主機與邊緣運算設備，確保它能在高熱、灰塵、潮濕或震動的現場穩定運行，滿足從工廠到農場到礦場、從公車到貨車到貨輪等各種使用環境。換句話說，NVIDIA 提供「大腦」，而研華則是讓這顆大腦能在真實世界中呼吸的「生命支持系統」。

這個平台聽起來很工業、很遙遠，但它其實早就以一種你意想不到的方式，進入了我們的生活。

從Switch到雞蛋分揀員，NVIDIA Jetson如何悄悄改變世界？

如果我告訴你，第一代的任天堂Switch遊戲機與Jetson有相同血緣，你會不會很驚訝？它的核心處理器X1晶片，與Jetson TX1模組共享相同架構。這款遊戲機對高效能運算和低功耗的嚴苛要求，正好與 Jetson 的設計理念不謀而合 。

而在更專業的領域，研華透過 NVIDIA Jetson 更是解決了許多真實世界的難題 。例如

• 在北美，有客戶利用 AI 進行雞蛋品質檢測，研華的工業電腦搭載NVIDIA Jetson 模組與相機介面，能精準辨識並挑出髒污、雙黃蛋到血蛋 
• 在日本，為避免鏟雪車在移動時發生意外，導入了環繞視覺系統，當 AI 偵測到周圍有人時便會立刻停止 ；
• 在水資源珍貴的以色列，研華的邊緣運算平台搭載NVIDIA Jetson模組置入無人機內，24 小時在果園巡航，一旦發現成熟的果實就直接凌空採摘，實現了「無落果」的終極目標 。

這些應用，代表著 NVIDIA Jetson Orin™ 世代的成功，它讓「自動化」設備變得更聰明 。然而，隨著大型語言模型（LLM）的浪潮來襲，人們的期待也從「自動化」轉向了「自主化」 。我們希望機器人不僅能執行命令，更能理解、推理。

Orin世代的算力在執行人形機器人AI推論時的效能約為每秒5到10次的推論頻率，若要機器人更快速完成動作，需要更強大的算力。業界迫切需要一個更強大的大腦。這也引出了一個革命性的問題：AI到底該如何學會「動手」，而不只是「動口」？

革命性的一步：AI如何學會「動手」而不只是「動口」？

面對 Orin 世代的瓶頸，NVIDIA 給出的答案，不是溫和升級，而是一次徹底的世代跨越— NVIDIA Jetson Thor 。這款基於最新 Blackwell 架構的新模組，峰值性能是前代的 7.5 倍，記憶體也翻倍 。如此巨大的效能提升，目標只有一個：將過去只能在雲端資料中心運行的、以 Transformer 為基礎的大型 AI 模型，成功部署到終端的機器上 。

NVIDIA Jetson Thor 的誕生，將驅動機器人控制典範的根本轉變。這要從 AI 模型的演進說起：

1. 第一階段是 LLM（Large Language Model，大型語言模型）：
   我們最熟悉的 ChatGPT 就屬此類，它接收文字、輸出文字，實現了流暢的人機對話 。
2. 第二階段是 VLM（Vision-Language Model，視覺語言模型）：
   AI 學會了看，可以上傳圖片，它能用文字描述所見之物，但輸出結果仍然是給人類看的自然語言 。
3. 第三階段則是 VLA（Vision-Language-Action Model，視覺語言行動模型）：
   這是革命性的一步。VLA 模型的輸出不再是文字，而是「行動指令（Action Token）」 。它能將視覺與語言的理解，直接轉化為控制機器人關節力矩、速度等物理行為的具體參數 。

這就是關鍵！ 過去以NVIDIA Jetson Orin™作為大腦的機器人，僅能以有限的速度運行VLA模型。而由 VLA 模型驅動，讓 AI 能夠感知、理解並直接與物理世界互動的全新形態，正是「物理 AI」（Physical AI）的開端 。NVIDIA Jetson Thor 的強大算力，就是為了滿足物理 AI 的嚴苛需求而生，要讓機器人擺脫「復健」，迎來真正自主、流暢的行動時代 。

其中，物理 AI 強調的 vision to action，就需要研華設計對應的硬體來實現；譬如視覺可能來自於一般相機、深度相機、紅外線相機甚至光達，你的系統就要有對應的介面來整合視覺；你也會需要控制介面去控制馬達伸長手臂或控制夾具拿取物品；你也要有 WIFI、4G 或 5G 來傳輸資料或和別的 AI 溝通，這些都需要具體化到一個系統上，這個系統的集大成就是機器人。

好，我們有了史上最強的大腦。但一個再聰明的大腦，也需要一副強韌的身體。而這副身體，為什麼非得是「人形」？這不是一種很沒效率的執念嗎？

為什麼機器人非得是「人形」？這不是一種低效的執念嗎？

這是我一直在思考的問題。為什麼業界的主流目標，是充滿挑戰的「人形」機器人？為何不設計成效率更高的輪式，或是功能更多元的章魚型態？

答案，簡單到令人無法反駁：因為我們所處的世界，是徹底為人形生物所打造的。

從樓梯的階高、門把的設計，到桌椅的高度，無一不是為了適應人類的雙足、雙手與身高而存在 。對 AI 而言，採用人形的軀體，意味著它能用與我們最相似的視角與方式去感知和學習這個世界，進而最快地理解並融入人類環境 。這背後的邏輯是，與其讓 AI 去適應千奇百怪的非人形設計，不如讓它直接採用這個已經被數千年人類文明「驗證」過的最優解 。

這也區分了「通用型 AI 人形機器人」與「專用型 AI 工業自動化設備」的本質不同 。後者像高度特化的工具，產線上的機械手臂能高效重複鎖螺絲，但它無法處理安裝柔軟水管這種預設外的任務 。而通用型人形機器人的目標，是成為一個「多面手」，它能在廣泛學習後，理解物理世界的運作規律 。理論上，今天它在產線上組裝伺服器，明天就能在廚房裡學會煮菜 。

但要讓一個「多面手」真正活起來，光有骨架還不夠。它必須同時擁有強大的大腦平台與遍布全身的感知神經，才能理解並回應外在環境。人形機器人的手、腳、眼睛、甚至背部，都需要大量感測器去理解環境就像神經末梢一樣，隨時傳回方位、力量與外界狀態。但這些訊號若沒有通過一個穩定的「大腦平台」，就無法匯聚成有意義的行動。

這正是研華的角色：我們不僅把 NVIDIA Jetson Thor 這顆核心晶片包載在工業級電腦中，讓它成為能真正思考與反應的「完整大腦」，同時也提供神經系統的骨幹，將感測器、I/O 介面與通訊模組可靠地連結起來，把訊號傳導進大腦。你或許看不見研華的存在，但它實際上遍布在機器人全身，像隱藏在皮膚之下的神經網絡，讓整個身體真正活過來。

但有了大腦、有了身體，接下來的挑戰是「教育」。你要怎麼教一個物理 AI？總不能讓它在現實世界裡一直摔跤，把一台幾百萬的機器人摔壞吧？

打造一個「精神時光屋」，AI的學習速度能有多快？

這個問題非常關鍵。大型語言模型可以閱讀網際網路上浩瀚的文本資料，但物理世界中用於訓練的互動資料卻極其稀缺，而且在現實中反覆試錯的成本與風險實在太高 。

答案，就在虛擬世界之中。

NVIDIA Isaac Sim™等模擬平台，為這個問題提供了完美的解決方案 。它能創造出一個物理規則高度擬真的數位孿生（Digital Twin）世界，讓 AI 在其中進行訓練 。

這就像是為機器人打造了一個「精神時光屋」 。它可以在一天之內，經歷相當於現實世界千百日的學習與演練，從而在絕對安全的環境中，窮盡各種可能性，深刻領悟物理世界的定律 。透過這種「模擬-訓練-推論」的 3 Computers 閉環，Physical AI (物理AI) 的學習曲線得以指數級加速 。

我原本以為模擬只是為了節省成本，但後來發現，它的意義遠不止於此。它是在為 AI 建立一種關於物理世界的「直覺」。這種直覺，是在現實世界中難以透過有限次的試錯來建立的。

所以你看，這趟從 Switch 到人形機器人的旅程，一幅清晰的未來藍圖已經浮現了。實現物理 AI 的三大支柱已然齊備：一個劃時代的「AI 大腦」（NVIDIA Jetson Thor）、讓核心延展為「完整大腦與神經系統」的工業級骨幹（由研華 Advantech 提供），以及一個不可或缺的「教育環境」（NVIDIA Isaac Sim 模擬平台） 。

結語

我們拆解了那些酷炫機器人影片背後的真相，看見了從「自動化」走向「自主化」的巨大技術鴻溝，也見證了「物理 AI」時代的三大支柱——大腦、身軀、與教育——如何逐一到位 。

專家預測，未來 3 到 5 年內，人形機器人領域將迎來一場顯著的革命 。過去我們只能在科幻電影中想像的場景，如今正以前所未有的速度成為現實 。

這不再只是一個關於效率和生產力的問題。當一台機器，能夠觀察我們的世界，理解我們的語言，並開始以物理實體的方式與我們互動，這將從根本上改變我們與科技的關係。

所以，最後我想留給你的思想實驗是：當一個「物理 AI」真的走進你的生活，它不只是個工具，而是一個能學習、能適應、能與你共同存在於同一個空間的「非人智慧體」，你最先感受到的，會是興奮、是便利，還是……一絲不安？

這個問題，不再是「我們能否做到」，而是「當它發生時，我們準備好了嗎？」

研華已經整裝待發，現在，我們與您一起推動下一代物理 AI 與智慧設備的誕生。
https://bit.ly/4n78dR4

今年 2 月 6 日，土耳其大地震的影像，透過國際媒體、社群網路不斷轉發，讓世人再次感受到大自然的無情，也讓身處地震帶上的台灣，重燃關於地震的防災意識。

而同樣身處地震帶上的我們，對於地震又理解多少呢？

這次土耳其的地震規模有多大？

今年２月 6 號，土耳其當地時間凌晨四點，發生了地震矩規模（Mw） 7.8 的強震（美國地質調查局 USGS 的測定數據）；震央位於土耳其南部與敘利亞接壤，有著 170 萬人口的加濟安泰普省，震源深度僅僅只有 17.9 公里，屬於極淺層地震。

不幸的是，大約 9 小時之後，距離震央東北方不到 100 公里的地方，再度發生規模 7.5 的地震，深度甚至只有 10 公里，最大震度甚至高達麥卡利震度的 Ｘ 度，相當於台灣的 7 級地震。

光是在土耳其境內，強震造成四萬一千多人死亡、十萬多人受傷，是土耳其百多年來死亡人數最多的地震。

土耳其為什麼會發生大地震？

地球表面包含地殼和一小部分的地函質地剛硬的地方，被稱為「岩石圈」，它並不是完整的一塊，而是分裂許多個「板塊」。中洋脊新生的海洋地殼會推著兩側的板塊不斷向外擴，最終在海溝下沉回到地函，完成循環。

然而，這些板塊彼此運動的速度和方向並不一致，彼此之間會有碰撞、擠壓、摩擦、分離等等的相對運動，形成相互碰撞的「聚合型板塊邊界」、相互分離的「分離型板塊邊界」以及水平錯動的「轉形型板塊邊界」（Transformation Fault，臺灣中學課本常翻作「錯動型板塊邊界」）。

實際攤開地圖，土耳其大部分區域都位在高原上；但在腳底下，土耳其的土地正不偏不倚的落在四個板塊的交界處：北邊的歐亞板塊、南方有阿拉伯板塊、西南方是非洲板塊，大部分國土則位於安納托利亞板塊上。

這些板塊相互推擠，創造了土耳其豐富的高原地貌，也造就了頻繁的地震。

地震發生的原因不只是因為板塊碰撞

我們常以「板塊的碰撞」作為地震的原因，雖然板塊運動確實會伴隨地震發生，卻不能直接解釋地震發生的機制。

板塊新生及重回地函的地方，構成了板塊的交界，它可以是中洋脊、海溝，如果該二板塊交界處的兩側都是陸地，則可能擠壓形成山脈。

就像拿兩塊吐司互相擠壓，會變形的，不是只有接觸面而已，整塊吐司都會因為兩側施加的壓力，在各處形成變形、甚至破裂。而這個破裂面，就是斷層；斷層錯動的瞬間，就會引發地震。

因此，斷層不一定要位於板塊交界上，而是只要岩層有受力的地方，就有可能產生斷層，它可以位在板塊交界的「附近」，也可以是位在遠離板塊交界的地方。

當然，因板塊的相對運動容易讓應力累積在板塊交界處，在板塊交界附近的斷層數量也就比較多。

這次土耳其錯動的斷層是？

前面提到，土耳其剛好就位於安納托利亞板塊、歐亞板塊阿拉伯板塊與非洲板塊的交界處。由於阿拉伯板塊長年向北運動，又受到北方歐亞板塊的阻擋，因此被迫轉向西北方推擠安納托利亞板塊，使得土耳其國土被逆時針擠出。

在四個板塊的相互推擠下，土耳其境內形成兩條較大的岩層破裂帶，一條是東南方的「東安納托利亞斷層系統（EAF）」，另一條則是橫貫整個國境北部「北安納托利亞斷層系統（NAF）」。

這次土耳其大地震的事發地「東安納托利亞斷層」，形成的主要原因正是阿拉伯板塊長年向西北推擠安納托利亞板塊所產生的應力，使得岩層沿著板塊邊界，以東北西南的方向破裂。除此之外，在這條斷層的北側也發展出好幾條東西方向延伸的破裂面，形成東安納托利亞斷層的分支，也是這次大地震第二次主震發生的位置。

根據美國地質調查所的紀錄，這些破裂面，已經超過一百年沒有明顯的地震發生，表示這附近的岩層，已經長期處在應力累積、沒有宣洩的狀態。在阿拉伯板塊持續向北推擠的形況下，岩層終究無法承受，並沿著「東安納托利亞斷層系統」的數條破裂面發生水平方向的錯動，造成了這次的地震。

根據歐洲的人造衛星影像結果，這次錯動的程度之驚人，第一次主震發生的地方，地層左右位移了六公尺，第二次主震更到達八公尺。

為何地震為何總是突然發生，
而不是緩慢的釋放應力？

現在最廣為人知的地震理論，是在 1906 年舊金山大地震時，美國的地質學家李德，觀察加州的畜牧農場的圍籬在地震後發生的錯位情形，並於 1911 年提出了「彈性回跳理論」；其認為斷層附近的岩層先是受到某種外力而發生變形，當斷層面的摩擦力最終無法抵抗外力時，岩層將沿著斷層面一口氣錯動、釋放累積的能量，就產生了地震。

有了這個理論，我們還能推測，已經存在的斷層因為本身就是岩層破裂的地方，結構較為脆弱，當岩層繼續受到外力擠壓變形，就容易再次沿著斷層方向錯動。就像是一片玻璃摔過之後，裡面產生微小的裂痕，雖然玻璃沒有碎掉，但可以預期，如果這塊玻璃再摔到一次，這些微小的裂痕可能就變成了破口，甚至徹底碎裂。

至於讓斷層附近的岩層變形的「外力」除了板塊運動外，地表的侵蝕作用、火山活動等，都是可能的原因。

台灣為什麼有許多斷層？

回頭看，位於板塊交界帶上的台灣，在菲律賓海板塊與歐亞板塊的擠壓下，從北到南遍布了大大小小的斷層。根據經濟部地質調查所在 2021 年公佈的數據，台灣共有 36 條活動斷層。

至於板塊交界處則是在花東縱谷。菲律賓海板塊與歐亞板塊的邊界，從北方的琉球海溝劃過台灣的下方，向南延伸到馬尼拉海溝；在地表上，這條邊界一路從花蓮北端貫穿整個花東縱谷平原。

從一千五百萬年前開始，菲律賓海板塊就不斷地朝西北方向推擠，如今仍以每年 7～8 公分的速度，向著歐亞板塊邁進，海岸山脈也因此不斷衝向中央山脈。

我們可以將台灣岩盤的變形狀況想像成是推土機推雪：海岸山脈是推土機，中央山脈則是雪堆。當推土機推著雪堆向前行時，雪堆前、後和底部的變形最強烈。在海岸山脈的推擠下，變形量最高的地方集中在西部平原、花東縱谷以及中央山脈的底部。由於中央山脈底部岩層溫度過高，只會產生變形；而西部平原、花東縱谷則成為了斷層最密集、地震好發的地方。

和土耳其一樣身處地震帶的我們，除了讚嘆大自然的鬼斧神工之外，具備更健全的地震知識、學習如何與地震災害共處，並盡可能降低地震帶來的傷害，成了我們每個人的重要課題。

歡迎訂閱 Pansci Youtube 頻道 獲取更多深入淺出的科學知識！

本文由 交通部氣象局 委託，泛科學企劃執行。

某天，阿雲跟阿寶分享了一個通訊軟體上看到的資訊：

阿雲：「欸，你知道最近有個傳言說，花蓮有 7.7 級地震，如果發生的話台北會有 5.0 級的震度耶！」

阿寶：「蛤？那個傳言也太怪了吧，應該是把規模和震度搞混了！」

震度：量度地表搖晃的單位

確實常常有人把地震的規模跟震度搞混，實際上，因為規模指的是地震釋放的能量大小，所以當一個地震發生時，它的規模值已經決定了，只是會因為測量或計算的方式不同，會有些許的數字差異，而一般規模計算會到小數點後第一位，故常會有小數點在裡面。然而震度指的意思是地表搖晃的程度，度量表示方式通常都是以「分級」為主，比如國外常見、分了 12 級震度的麥卡利震度階，就是用 12 種不同分級來描述，而中央氣象局目前所使用的震度則共分十級，原先是從 0 級到 7 級，而自 2020 年起，在 5 級與 6 級又增了強、弱之分，也就是震度由小而大為 0-1-2-3-4-5弱-5強-6弱-6強-7 等分級，所以在表示上我們以整數 + 級或是強、弱等寫法，就可以區分規模和震度，不被混淆了！

而為什麼專家常需要強調震度和規模不一樣？那是因為震度的大小，是受到許多因素的影響。地震發生後，造成地表搖晃的主要原因是「地震波」傳來了大量能量，規模越大的地震，代表的就是地震釋放的能量越大，就像是你把擴音的音量不斷提高時，會有更大的聲音傳出一般。所以當其他的因素固定時，確實會因為規模越大、震度越大。

可是，地震波的能量在傳播過程中也會慢慢衰減，就像在演唱會的搖滾區時，在擴音器旁往往感覺聲音震耳欲聾，但隔了二、三十公尺之外，音量就會變得比較適中，但到了會場外，又會變得不是那麼清楚一樣。所以無論是地震的震源太深、或是震央離我們太遙遠，地震波的能量都會隨著距離衰減，一般來說震度都會變得比較小。

「所以，只要把那個謠言的台北規模 5.0 改為震度 5 弱，說法就比較合理了嗎？」阿雲說。

「可是，影響震度的因素還有很多，像是我們腳下的岩石性質，也是影響震度的重要因素。」阿寶說。

場址效應：像布丁一樣的軟弱岩層放大震波

原本我們都會覺得，如果地震釋放能量的方式就像是聲音或是爆炸一般，照理說等震度圖（地表的震度大小分布圖）上會呈現同心圓分布，但因為地質條件的差異，分布上會稍微不規則一些，只能大致看出震度會隨著離震央越遠而越小。地震學上有一個專有名詞叫做「埸址效應」，指的就是因為某些特殊的地質條件下，反而讓距離震央較遠的地方但震度被放大的地質條件。其中最常見的就是「軟弱岩層」和「盆地」兩種條件，而且這兩種還常常伴隨在一起出現，像是 1985 年的墨西哥城大地震，便是一個著名的例子。

墨西哥城在人們開始在這邊發展之前，是個湖泊，湖泊中常有鬆軟的沉積物，而當湖泊乾掉之後，便成了易於居住與發展的盆地。雖然 1985 年發生的地震規模達 8.0，但震央距離墨西哥城中心有 400 公里，照理說這樣的距離足以讓地震波大幅衰減，而地震波傳到盆地外圍時，造成的加速度（PGA）大約只有 35gal，在臺灣大約是 4 級的震度，然而在盆地內的測站，卻觀測到 170gal 的 PGA 值，加速度放大了將近五倍，換算成震度，也可能多了一至二級的程度，也造成了相當程度的災情。盆地裡的沉積物，就像是裝在容器裡的布丁一樣，受到搖晃時，會有更加「Q 彈」的晃動！

因此，在臺灣，雖然臺北都會區並沒有比其他區有更多更活躍的斷層，但地震風險仍不容小覷，因為臺北也正是一個過去曾為湖泊的盆地都市，仍有一定程度的地震風險，也需要小心來自稍遠的地震，除了建築需要有更強靭的抗震能力，強震警報能提供數秒至數十秒的預警，也多少讓人們能即時避災。

斷層的方向與震源破裂的瞬間，也決定了等震度圖的模樣

阿雲似懂非懂的接著問：「可是啊，為什麼有的時候大地震的等震度圖長得很奇怪，而且有些時候震度最大的地方都離震央好遠呢！也太巧合了吧？」

「這並不是巧合，因為震央下方的震源，指的其實是地震發生的起始點，並不是地震能量釋放最大的地方啊！」阿寶繼續解釋著。

「蛤！為什麼啊？」阿雲抓抓頭，一邊思考著。

地震是因為地下岩層破裂產生斷層滑動而造成的，雖然不是每個地震都會造成地表破裂，但目前科學家大多認為，地震的破裂只是藏在地底下，沒有延伸到地表而已，而且從地震的震度，也可以看出地底下斷層滑移的特性。

斷層在滑動時，主要的滑動和地震波傳出的地方，會集中在斷層面上某些特定的「地栓」（Asperity）之上，這些地栓又被認為「錯動集中區」，而通常透過傳統的地震定位求出來的震源，其實只是這些地栓中，最早開始錯動的地方。但實際上，整個斷層錯動最大的地方，往往都不會在那一開始錯動的地方，就像是我們跑步時，跑得最快的瞬間，不會發生在起跑的瞬間，而是在起跑後一小段的過程中，而錯動量最大的區域，才會是能量釋放最大的地方。而或許是小地震的地栓範圍小，震央幾乎就在最大滑移區的附近，因此也看不太出來，通常規模越大，震源的破裂行為會隨著時間傳遞，此效應才會越明顯。

那麼斷層上的地栓位置能否確認？這仍是科學上的難題，但近年來科學進展已經能讓我們透過地震波逆推斷層上的錯動集中區，至少可以透過地震波逆推斷層破裂滑移的型式，得以用來比對斷層破裂方向對震度分布的影響。以 2016 年臺南—美濃地震為例，最大錯動量的地區並不在震央所在的美濃附近，而是稍微偏西北方的臺南地區，也就是因為從地震資料逆推後，發現斷層在破裂時是向西北方向破裂。而更近一點的 2018 年花蓮地震，錯動量大、災害多的地方，也是與斷層破裂方向一致的西南方。

透過更多的分析，現在也逐漸發現破裂方向性對於大地震震度分布的影響確實是重要議題。而雖然我們無法在地震發生之前就預知地栓的位置，但仍可從各種觀測資料作為基礎，針對目前已知的活動斷層進行模擬，就能做出「地震情境模擬」，並且由模擬結果找出可能有高危害度的地區，就能考慮對這些地區早先一步加強耐震或防災的準備工作。

多知道一點風險和危害度，多一份準備以減低災害

但是，直到目前為止，我們仍無法確知斷層何時會錯動、錯動是大是小。科學能給我們的解答，只能先評估出斷層未來的活動性中，哪個稍微大一些（機會小的不代表不會發生），或者像是斷層帶附近、特殊地質特性的場址附近，或許更要小心被意外「放大」的震度。而更重要的是，當地震來臨前，先確保自己的住家、公司或任何你所在的地方是安全還是危險，在室內要小心高處掉落物、在路上要小心掉落的招牌花盆壁磚、在鐵路捷運上要注意緊急煞車對你產生的慣性效應…多一些及早思考與演練，目的就是為了防範不知何時突然出現的大地震，在不恐慌的情況下保持適當警戒，會是對你我都很重要的防震守則！

【參考文獻】

• 地震來臨躲不躲？！—何謂震度
• 臺灣的新地震震度分級制度
• 地震來了臺北特別晃？關於盆地的場址效應- PanSci 泛科學
• 場址效應
• 中華民國內政部消防署全球資訊網->不同情境下避難原則
• 地震災害及成因
• 【專欄】地動山搖的前一秒 – 中研院訊
• 第十六屆旺宏科學獎成果報告書
• 震央在美濃，為什麼台南災情最嚴重？超級電腦找出原因
• 地震來襲往哪躲？別再相信「生命三角」最安全！——《地震100問》 – PanSci 泛科學
• 網傳]地震發生時要躲「黃金三角」或「生命三角」，這真的是正確的嗎?