臨危不亂–災難來臨時如何有效統御指揮？

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

文 / 陳妤寧

從 2001 年的九一一事件、2005 年重創紐奧良的卡崔娜颶風、一直到 2013 年的波士頓馬拉松爆炸案，美國的防救災發展階段從自然災害，擴展到了人為恐怖攻擊的各種「緊急」事件，也在防救災產業上帶來許多轉捩點。

美國東南方的喬治亞州在 2012 年出現了全世界規模最大的第一個私營「模擬災難」訓練場地：守護者中心（Guardian Centers）。這裡可以模擬各種規模的各種災難現場，包括被洪水淹沒的民房、因地震而倒塌的建築物、在立體停車場中被壓扁的汽車、遭到毒氣攻擊的地鐵隧道及車廂……這裡的災難場景應有盡有，並且二十四小時全年開放。

守護者中心佔地約 3.3 平方公里，其中 1.4 平方公里充滿了各類型的「斷垣殘壁」，以最逼真的方式提供救難隊實境訓練的機會。除此之外還有校舍、幼稚園、餐廳、商店，可說是以一個模擬城市的規模，進行救災的全方位訓練。救難隊在此除了進行破門而入、傷員鑑別分類等狹義搜救行動之外，也能從全局模擬指揮一整場災難行動的牽涉到的各種面向。舉例來說，守護者中心有一條 1.6 公里長的四線道模擬高速公路。演習時上面可能被破損的車輛和大批的傷患演員所堵塞。救難隊在這個「救災劇本」中甚至無法直接進入災難現場，他們必須先進行道路淨空，並且權衡他們行動的優先次序以及人力分配。

以「仿真」為最高考量的各種災難場景設計

在這座模擬災難城市中，模傚了西雅圖的大都市路網設計，如果獨自站在街道中，彷彿可以體驗地球上最後一個倖存者的感受。倒塌的屋舍是根據紐西蘭基督城在 2011 年地震的坍塌建築所打造的。此外還有可以用鉸鍊和起重機調整樓板坍塌角度的立體停車場，這樣的設計精神使得學員每次來到守護者中心參加的災難現場都能有所不同，而沒有所謂的「駕輕就熟」。現場還有300輛雪佛蘭在 2012 年珊迪颶風之中損壞的汽車，這些車子原本預計被送到汽車回收場報廢，不過雪佛蘭選擇捐到守護者中心，作為救援模擬的道具車。

守護者中心的模擬地鐵包含了五百多公尺長的雙軌道地鐵隧道、8輛從華盛頓地鐵站運來的退役車廂、以及一個地鐵月台，可重現 2004 年馬德里地鐵的恐怖攻擊。「救難隊平時如果希望可以在真正的地鐵站進行演習，勢必需要在地鐵系統因維護而對外關閉時進行，這種作法在實務上不但難以預約場地，成本上也難以負擔。」守護者中心的隧道環境的亮度、溫度都可以調整，也可以增加淹水、煙霧、火花甚至噪音等「聲光效果」。

守護者中心還複製了卡崔娜颶風下受創最重的紐奧良第九區淹水景況，8棟含後院的平房被設計為一個小社區，而這個容量超過2,000萬公升的大水池，可以將房子淹到將近 2.5 公尺深。演習時的災民扮演者可能會被困在屋頂上，也可能被困在閣樓之中，等待救難隊划船過來並破門救出他們。這些住家的室內裝潢與擺設也有別於市區建築，當救難者進入時，首當其衝的很可能是滿室漂浮的衣服和玩具。這些細心的細部設計創造了最貼近現實的災難現場。

防災是門好產業？私營救災中心顯示出的場地需求

像守護者中心這樣的「模擬災難城市」其實並非先例，德州農工大學的災難城市（Disaster City）也提供了世界各地的搜救人員進行實境演練的場地。不過守護者中心的其中一個特別之處，在於他完全由私人出資設立。作為一個民間投資成立的巨型訓練場地，守護者中心的優勢在於有很大的彈性可以因應客戶的需求，開發新的功能設備或服務，包括各種客製化的「救災劇本」。例如來自太平洋西北地區的救難隊，可以要求地面增加積水，來模擬當地多雨的氣候情境。

創辦人喬夫伯卡特（Geoff Burkart）過去是飛機技師，在卡崔娜颶風期間，他日以繼夜的指揮公司的飛機到各地進行電信系統的搶修，幾個月下來後，「成立像守護者中心這種場地的想法漸漸在我心中成形，我希望可以做出更多改變。」伯卡特決定離職，並開始花費自己的積蓄四處拜訪救援相關團體，除了消防單位之外，他還諮詢了聯邦國土安全部和國防部，討論他們在訓練設施上的需求。「他們告訴我，相關單位都缺乏能夠同時容納大量救援人員進行大規模救災演習的場地。」

然後喬夫伯卡特花了 18 個月，尋找全國潛在的投資人、向他們做簡報、爭取 5000 萬美元的預算。儘管他過去完全沒有相關的經營經驗，而這塊業務過去也沒人嘗試過，「沒人認為這是個壞點子，他們只是需要先評估成本。」伯卡特說。最後，守護者中心在喬治亞州一塊閒置的飛彈工廠預定地上動工了，現在的守護者中心一次可容納七千人進行訓練，但喬夫伯卡特認為這樣的設備需求在美國還有持續發展的空間，他計畫在國內至少再增設三個訓練據點。

守護者中心的經營現況

這個中心粗估將為它所在的培里市帶來估計每年 7500 萬的周邊經濟效益。守護者中心正在推動他們的「廣告看板」業務。「企業或商家可以在建築物外部漆上他們的品牌和廣告，這也讓我們的模擬城市更加逼真，是項互利共生的雙贏方案。」「我們和通用汽車和雪佛蘭汽車進行的企業捐贈計畫，也是我們努力的發展方向之一。」

此外，有些前來進行訓練的救難隊開始希望可以直接在中心租借防護衣或其他設備，會較自行運送更為便利。「我們未來也會考慮和附近的設備租借商合作。」

守護者中心從 2012 年 12 月開始正式對外開放，已經和不少救援單位合作，包括美國海軍陸戰隊生化事故反應部隊、喬治亞州緊急事務管理署、喬治亞州調查局、喬治亞州搜救隊等等，不過守護者中心在外界仍尚未廣為打開知名度。（本文由科技部補助｢新媒體科普傳播實作計畫─重大天然災害之防救災科普知識教育推廣｣執行團隊撰稿）

責任編輯：鄭國威｜元智大學資訊社會研究所

本文原發表於行政院科技部-科技大觀園「科技新知」。歡迎大家到科技大觀園的網站看更多精彩又紮實的科學資訊，也有臉書喔！

本文由國科會補助，泛科學獨立製作

實踐社會價值的各種工作形式有很多，社會工作者是站在第一線，他們在長期的實務參與中一再學習新的人、事、物，社工及非營利組織的運作不單憑價值理想支撐，從實務洗鍊出的理論和專業是綜融性的。究竟在災後重建的工作中，社工扮演什麼角色？他們的價值理念及運作邏輯是什麼？台灣的災後重建的情境出了什麼結構性的問題？本專題邀請到實務經驗豐富、兼具管理及社工專業的陸宛蘋老師，提出她的見解。

從生態系統理論理解災民

社會工作者投入災後重建工作有很多的原則和理論基礎，其中生態系統理論是最常用於理解災民需求的方式之一。生態系統理論（Ecological system theory）是美國心理學家Bronfenbrenner於1979年提出的，當時Bronfenbrenner透過該理論來分析兒童的成長發展，受到哪些環境及生物因素的影響。

生態系統理論將這些因素進行系統性地層層剖析，如果我們以Bronfenbrenner討論的生態系統理論作為基礎，對象是兒童，那麼「微觀系統」的層次，指的是與兒童直接相關的角色和環境因子，例如家庭、學校、社區等；近一步到中介系統，是由相關因子之間的交互關係構成的，像是學校在社區中扮演的功能；擴展到外在系統，亦即是兒童沒有直接參與，卻會受到影響的因素，包括是學校核心理念設定；最後是宏觀系統，指的是社會脈絡性的文化、政治、制度、經濟、國際情勢等面向。

社會工作者便運用生態系統理論來理解人，人就像生物一樣需要一個健全的系統，對災民而言，他們因為災害受到的影響，便可透過生態系統理論來檢視，並思索應如何回復：是要修復既有的生態系統，留在原生地？還是找一個新的生態系統，也就是遷村呢？

不為災民做決定的「專家」

我們可能以為，所有的專家都是透過專業來做決定，例如醫生告訴我們吃什麼藥會比較快康復、工程師說哪條溪應該水泥化會更安全，宗教團體也可能可以為災民決定重建屋會是什麼樣子。面對災民，社工卻不是告訴他們應該要搬家還是留在原生地，災民生活中的其他決定也不由社工直接給予指導，但是這些過程社工卻都參與其中。既然社工專家參與其中，為什麼不幫需要災民作決定呢？

這是基於社會工作者的兩個理論原則，首先是「案主自決」。在災區要重建的「案主」是當地居民，在災區的生活經驗屬於居民，經歷災害的人也是災民自己，其他外來者不應以自身的角度替居民決定，而是透過陪伴、引導、討論的過程，給予心理上的支持，鼓勵災民（案主）自主參與、做決定。

第二個理論是「優勢觀點」，陸老師指出，社會工作者依據此觀點，認為每一個人都有自己的長處，即便人因為暴露於災害之下，使他們原來生活的狀況改變了，甚至遇到許多生活上的問題，但是每個人的特性是獨一無二的，災民依然有能力、有優勢、有機會可以站起來，所以社會工作者選擇陪伴，而不是以專家的優越觀點去指示他們。

因此社會工作者雖是專業者，卻不會直接為災民做決定，從旁的陪伴、扶持，協助災民面對自己的環境愈選擇，看著災民心理層面實踐更多自立的力量，這是社會工作者的專業素養之一。

重建這條路 誰來參與？

儘管災難發生時獲得高度關注、大量志工協助，但是一般民眾其實很少參與、關注災後重建的部份。災害發生後，首先要進行的是「緊急救援」，先將災民帶離威脅生命的環境、進行必要的醫療程序，接著進行「中繼安置」，讓住宅受到損毀的災民在家園重建前，有得以短期生活的住所，這段期間水、電、瓦斯、交通等生活必須都在搶通中，最後才是「災後重建」，災民要從失去資產、原有職業、心理創傷的階段，邁向足以重新自立的生活，這個過程是漫長的、動態的，可能三年才步上軌道，六年才趨於穩定，然而台灣的重建條例中的災後重建期卻只有三年，由國家撐起的福利制度如何有效參與重建？

每到重大災害發生時，熱心的台灣民眾捐款不會少，但這多半是「激情」的反應，卻沒有伴隨深入理解。猶記得莫拉克風災後，國內知名主播的節目上訪問救災團體「救災捐款有沒有立刻用在災民身上？」專款專用原則的確是規範，單次災害的救災捐款應該只用在受這次災害影響的地方，也因此到了2013年雖然災後生活重建仍在進行中，卻不會有人再捐款給2009年莫拉克風災的重建費用，因此非營利組織必須在2009年的眾多捐款中，就規劃好不同時期工作的支出，包含重建費用，怎麼可能在災後即刻就把所有捐款都用掉呢？加上每年都會發生影響災區的天然災害，雖是同一災區受災，但是基於專款專用原則，卻不能運用2009年的捐款，又不希望每次都發動社會捐款，對災區重建來說，制度造成重建資源的無力感。

在非常慘烈的災害之下，才能喚起社會大眾的激情，但是沒那麼劇烈、全面的災害，不代表就沒有災區、或沒有人受害。實際接觸災區的社會工作者，深刻的感受到這條復原的路是踏實而漫長的，如果民眾只在最慘烈的災害發生時，才願意伸出援手，可能忽略其他災害需要的收入。如果未來仍依賴慘烈程度來誘發援助，恐怕得要一次比一次更嚴重的災害，才能喚起大眾的有感。

服務災民 服務自己？

災害發生後，社會工作者長期投身災區，深刻的體會到，各種救援物資是在緊急救援時期最多，到災後重建期人力物力已經寥寥可數，這樣的失衡不見得能在混亂的緊急救援期發揮最大助力，也沒有投入足夠的資源在災後重建上。

許多熱心朋友參加志願服務隊，希望能夠前往災區舉辦營隊或扮演課輔角色，這樣的起心固然是良善的，但是可以從社會工作的觀點來提醒我們。服務的本質是尊重被服務者的需求，不是將被服務者視為弱勢者、自己一廂情願地去給。固然，災區缺乏某些資源，但不要忘了，在不了解對象之前，就將對方貼上各種負面標籤，不自覺中便容易以不對等的態度去與對方交流，導致汙名化，標籤化。我們是透過服務自我實現，還是協助服務對象的自我實現？其實如果兩者能夠並行，何來上下優劣之別？如果沒有長時間蹲點的理解和參與，如何達到實質協助？

社會工作是一門助人的專業，社會工作者在實踐社會價值是踏實而漫長的路，與災民共同學習新的環境、新的狀況，從實務中磨練出理論，再呼應到實務，這是一種專業的素養，也是值得我們學習的態度。

延伸學習：