「人魚」探測 –活動型海底地震儀

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

美國國家太空總署 （NASA） 的洞察號 （InSight） 火星探測器，在今年的4月6號 （2019/4/6） 擷取到了有史以來第一個可能是「火星震」的訊號¹。

這是人類在繼地球與月球之後，第三個發現的具有地震活動的天體。然而，不管是火星也好月球也好，與板塊運動活躍的地球相比都顯得死寂許多，縱使存在一些斷層、火山、峽谷 （例如火星上的水手谷），也都是非常古老的地形。可想而知，在這些不同星球上，地震的來源應該也會有所不同。

地震波的可能來源

當物質透過振動來釋放或轉移能量時，就會形成地震波。這點與聲波非常相似──當你送氣振動你的聲帶時，就會產生聲音。

在地表附近傳輸的地震波 （振動） 被人類偵測到時，就被稱為地震。因此，任何能讓地表產生振動的方法，都是地震波的可能來源。

地球：走路、打球、山崩、斷層錯動等等

在地球上，有太多的方法可以產生地震，差別只在於規模的大小。

極微小的振動例子像是走路、打球、開車、瀑布流水等等，儀器可以檢測出由這些來源發出的地震波，但是人類自己無法感知也不會花太多心力去注意。中等程度的地震可以由諸如隧道工程、大樓爆破、山崩、火山活動、胖虎唱歌等等規模的地表振動產生，如果你身處這些事件發生地點的附近，你或許可以感受到地表輕微的震動。

而在地球上的大地震，除了少數是出自於核試驗²或火山活動之外，大部分都是斷層錯動所引起的。斷層錯動所需要的能量來自板塊之間的相互運動，而板塊運動所需的能量則來自地球內部的熱對流。

有個可以在家做的小實驗，可以讓你體會一下熱對流是怎麼驅動板塊的：只需要裝一碗豆漿，放在爐子上加熱，你就會看到豆漿表面出現的薄膜會開始受到下層液體對流的影響，不停的移動、撕裂跟聚合。（為什麼熱豆漿表面會有薄膜？請看這裡³。）

月球：隕石撞擊、熱脹冷縮、地球引力？

月震是在 1969-1972 年間，被阿波羅計畫的太空船擺放在月球上的地震儀首度發現，而且還為數不少⁴。除了由登月艇自身造成的人為振動外，月球上可說是缺少一切我們之前提到過的地震來源。

然而，因為月球缺乏大氣層的關係，我們可以預期有比較多的隕石撞擊事件，而每一個撞擊事件都會伴隨著地震。除此之外，科學家還提出了其他比較炫，但是物理上說得通的原因：

• 其一是月球因沒有大氣層的關係，日夜熱漲冷縮的情形會比較劇烈，反覆膨脹收縮的結果可能會讓月球表面破裂，釋放地震波能量；
• 其二是地球的潮汐力會把月球拉伸 （就像海洋被月球拉走形成潮汐一樣），雖然月球是固體，但累積下來的潮汐能量可能會在月球內部透過振動的形式釋放，形成地震 ^5,6。

火星：風聲、手臂聲、地震聲？

我們對於火星上地震來源的了解就少得多了。在 NASA 的新聞中¹，你可以看到整段震波訊號被解釋成三個來源，分別是風聲、地表或地下某處傳過來的振動、與機器手臂操作時製造的振動。 en.natashaescort.com

科學家對那個「某處傳過來的振動」特別在意，原因是火星和月球與地球都不同，前面列出來的地震來源在火星上可能很罕見，但也不能完全確定不可能。會是探測器附近發生了山崩嗎？或是在某處有個小隕石撞擊？是行星冷卻時物質擠在一起發出的碰撞聲，還是火星內部還有餘熱讓物質運動並產生地震波？目前都還沒有人知道。

影片說明：第一個火星震的波形圖。地震波依照來源的不同而被分成三個區段：風聲、火星震，以及機器手臂操作時的震動訊號。 via NASA¹

所以，我們如何能確定火星震的來源？

每種不同的振動來源都會產生具有不一樣波形的地震波。以斷層錯動造成的地震波和山崩造成的地震波為例，前者的最大震幅 （最大搖晃程度） 會在一瞬間忽然抵達，而且持續時間比較短暫；而山崩的地震則是漸進式的，地表會慢慢搖晃至最大程度，再慢慢地消退。

因此，地震波的紀錄相當於地震來源的「指紋」，只要累積了足夠的數據，我們就能大致推敲出比較可能的成因。

洞察號探測器只在火星上工作了短短幾個月就已經偵測到數個可能的地震，再過些時日，我們就能有更多資料，比對指紋得出火星震的可能來源。希望不是火星人在地底下蓋軍事基地的訊號！

參考資料/延伸閱讀

1. NASA’s InSight Detects First Likely ‘Quake’ on Mars
2. 2017年北韓核武試驗
3. 不要丟了！其實豆漿和牛奶表面薄膜超重要
4.  Goins, N. R.; et al. （1981）. Lunar seismology – The internal structure of the moon. Journal of Geophysical Research. 86:5061.
5.  Latham, G.; et al. （1972）. Moonquakes and lunar tectonis”. The Moon. 4 （3–4）: 373–382.
6.  Duennebier, F. & Sutton, G. H. （1974）. Thermal moonquakes. Journal of Geophysical Research. 79 （29）: 4351–4363.
7.  Stark, C. P., Ekstrom, G., Hibert, C. Landslide dynamics from seismology: new results. Presented during AGU Fall Meeting 2015/12/14-18, EP51D-08
8.  Detecting Landslides from a Few Seismic Wiggles. 
9. 「洞察號」成功登陸火星，NASA 展開深度探索

＿＿＿＿＿＿＿＿＿＿＿
你是國中生或家有國中生或正在教國中生？
科學生跟著課程進度每週更新科學文章並搭配測驗。來科學生陪你一起唸科學！

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

• 採訪編輯｜古國廷、美術編輯｜林洵安

大屯火山群是活火山？噴發會有大災難？

2019 年 5 月 27 日，在大屯火山群觀測研究成果記者會上，中研院地科所研究員林正洪與研究團隊經過長期監測，認定大屯火山群及龜山島為活火山。消息一出，因大屯火山群緊鄰大台北地區，噴發是否會影響民眾安全引發熱議。但科學上如何證明大屯火山群是活火山？火山噴發會造成哪些災害？應該如何監測和預防？本文專訪林正洪研究員，一一來破解。

先來瞧瞧大屯火山群的範圍有多大！大屯火山群包含 20 多個火山體，如大屯山、七星山、紗帽山、竹子山和大尖山等。這些火山體緊鄰台北地區，其中天母、北投、士林皆位於山腳，即使台北市中心的 101 大樓距七星山也不過 15 公里。

早期學者認為大屯火山群最近一次噴發已超過 10 萬年，而且不再活動，應是休火山或死火山。

「但近年研究顯示：大屯火山群噴發紀錄應為 6 千年前，而且地底有岩漿庫，這些都可以證實大屯火山群是活火山！」林正洪表示。

如何判斷火山「是死是活」？

死火山，顧名思義它不再活動，即使曾經活動，也是發生在一、兩百萬年以前，甚至更久。

而活火山，如夏威夷的火山、日本阿蘇火山和櫻島火山，幾乎隨時在噴煙，甚至偶爾還有岩漿跑上來，就是現生的活火山。

但科學不能只用描述，所以還有兩個方式來判定：其一是「憑經驗」，研究火山 1 萬年內是否曾經噴發，其二是「看現象」，看看底下是否有岩漿庫。

所謂憑經驗，就像發生竊案，警察會先找這兩、三年犯過竊盜罪的人，而不是 30 年之前有前科的人。以火山來說，噴發的歷史紀錄就是火山的「前科」，可以作為評定標準；至於為什麼是 1 萬年，是沒辦法中的辦法，因為非得訂個標準。而在地質學研究中最年經之地層為全新世 （Holocene），是大約一萬年前開始沉積之地層。

再以現象來看，如果找到岩漿庫，也就是火山的「彈藥庫」，那麼不管過去有沒有噴發，就要把它歸為活火山。

科學界多用以上兩個標準，如果都符合，就更沒有質疑的空間。

過去認為大屯火山群是死火山，近年研究卻說它是活火山，這是怎麼回事呢？

判斷大屯火山群在 10 萬年前噴發，大概是 1980 年代的研究，那時多用鉀氬做岩石定年。這種定年方式，用來測量百萬年或億萬年尺度的現象，10 萬年是它的「最小刻度」。

換句話說，使用這種方法來做大屯火山群的定年，就像拿一把刻度很粗的尺測量，發現最小刻度內有東西，但已到極限無法再細看，只能說是 10 萬年。

直到 2011 年，中研院地科所同事陳中華和俄羅斯學者，將大屯火山群的火山灰拿去做碳十四定年。這種方式的「刻度」比較細，可以到千年、萬年。結果發現：大屯火山群最近一次噴發應該在大約 5 千到 6 千年前，符合 1 萬年內有噴發紀錄的活火山標準。

除了噴發紀錄，還有證據說明大屯火山群是活火山嗎？

火山地震波也能說明大屯火山群在活動。

大屯火山群的地震波，跟宜蘭、花蓮、嘉義的地震波很不一樣。宜蘭、花蓮地震是斷層錯動，就是岩層被扯斷造成的地震振動。這種振動就好像一把吉他的弦同時扯斷，高頻、低頻、中頻各種頻率都有。

但在大屯火山偵測到的火山地震，是單一頻率的水滴狀地震波，以及多個頻率共鳴的螺絲釘狀地震波。而不論是單頻或多頻火山地震，統統都是活火山才有的現象。

為什麼？因為活火山有熱量，可以產生高壓氣體或液體，當它們從地底沿著岩縫往上竄，因為岩壁長寬固定，就會產生特定頻率的振動，好像火山在「吹直笛」！因為這個原理就像吹直笛時按住特定的孔，形成固定長寬的空氣柱，就會吹出單一頻率的聲音。

反過來說，死火山沒有熱能，不能產生這些高壓氣體和液體。就像煮開水，瓦斯還在底下燒，蒸氣不斷往上冒，鍋蓋就會動、然後呼呼作響；如果把瓦斯關掉，沒有了熱源，水會慢慢冷掉，鍋子也就不再發出聲音。

除了火山地震，火山氣體氦同位素比例以及地殼變化，也都間接支持大屯火山群是有能量的火山，不是死火山，但最直接證據還是確認它底下真的有岩漿庫。

如何確認大屯火山群底下有岩漿庫？您是像電影一樣開潛艦鑽入地底嗎？

哈哈，現在的科學技術不可能帶人鑽進熾熱的地底，親眼證實岩漿庫的存在。我是用自己發明的「陰影法」，標定大屯火山群岩漿庫的位置和面積。

原理如下：在透明的盒子裡吊起一顆金球，假設盒子上方是北台灣地表，盒子裡的金球是岩漿庫。然後關上燈一片漆黑，看不見盒子裡的情況 （就像在地底一樣），盒子上方的人要怎麼知道金球的位置和大小呢？

這時可以在盒子底下放手機，讓手機的光向上照，光被盒內金球擋住，盒子上方就會出現金球的陰影。如此一來，不但知道盒子裡有金球，還能從陰影推知金球的位置和面積。

當然，地底下不會有光源，但有和光波很像的地震波，可以形成另類的地震波「陰影」。

地震波怎麼取代光波呢？地底下一、兩百公里發生地震，就會發出地震波傳到地面。不過地震波中的 S 波，無法在液態物質中傳遞，所以當 S 波遇到液態的岩漿庫會被擋下來。

如下圖左邊的示意圖，地表的六個測站，發生地震時，黃色的地震觀測站因為位於岩漿庫正上方，接收不到 S 波，岩漿庫範圍以外的綠色測站才收得到 S 波。

於是，我就可以從哪些測站收到 S 波、哪些收不到，收不到的「陰影範圍」有多大，來估算岩漿庫的位置與面積了。

不過 S 波陰影只能算面積，無法估計厚度，因為無論岩漿庫厚度多少，S 波統統會被擋掉，這時就需要 P 波了。

地震波中的 P 波 在固體中跑得快，液體中跑得慢。所以就如上圖右邊示意圖，同樣地表有六個測站，岩漿庫外的綠色測站會先收到 P 波訊號，岩漿庫正上方的黃色測站會晚一點收到。

而且岩漿庫越厚， P 波受阻礙的距離越長，黃色測站就越晚收到 P 波。因此從 P 波的延遲時間反推，就能估算出岩漿厚度。

根據估計，大屯火山群岩漿庫所在位置，大概在金山、萬里附近，面積約四分之一台北市行政區的大小，厚度約 4 至 10 公里。

如果大屯火山群噴發，會有哪些危害？

先來了解活火山噴發會有哪些危害。全世界標準的火山災害中，「熔岩流」算是大家最熟悉的，像電影中常看到岩漿從山上流下來。其實，熔岩流對人的生命威脅很小，因為它是慢慢滾過來，看得到也跑得掉。

但有一種跟它很像的「碎屑流」，才是真正可怕的火山殺手。當岩漿從火山口跑出來，碰到空氣時從液態變成固態，先在原地不斷堆疊增高，直到撐不住才轟然垮下……

在那一瞬間，溫度高達攝氏數百度的石頭和火山灰，以時速一、兩百公里的驚人速度向下俯衝。歷史上所有火山災害中，由碎屑流造成的死傷相當可觀，因為看到了大概也跑不了。

此外，還有「火山泥流」。當火山灰噴出後先堆積在山上，就像鋪上一層厚厚的灰。遇上降雨或颱風，灰變成泥巴，像土石流一樣沖刷下來。

當泥流沖進河谷，會把谷地填滿，之後降雨沒有河道可去，就會滿溢出來。這種災情菲律賓很多，每次颱風一來，村莊就會淹大水，持續二、三十年。

回到大屯火山群噴發可能造成的災害，主要看它噴發的量有多少。如果是小規模的火山灰和熔岩流，會影響山區周遭居民。

但我們強烈懷疑火山群裡的七星山可能會活動，屆時熔岩流、碎屑流、火山泥流會沿著磺溪，沖到北投、天母一帶，對當地造成衝擊。

若熔岩流和碎屑流等流到關渡大橋一帶，那裡的河口比較窄，如果堵住淡水河、基隆河道，河水流不出去，也可能造成災害。

這次研究提到龜山島也是活火山，規模如何？可能造成什麼災害？

根據火山灰定年，龜山島距今 7 千年內就噴發了 4 次，而且目前估算龜山島底下的岩漿庫，是大屯火山岩漿庫的 1.5 倍大，這些都符合活火山標準。

如果龜山島噴發，比較可能的災害是引發海嘯，將衝擊低淺、平坦的宜蘭平原。

若大屯火山群要爆發，多久前可以知道？平時該如何監測？

科學家和政府要預報火山即將爆發，只能根據火山的異狀。但從火山開始不安定，要等多久才會爆發就很難說了。有些火山一發現異常，一個禮拜後就噴發。但峇里島曾有火山撐了兩個月，日本的雲仙火山則撐了五、六年。

不過，民眾可以安心的是，很少火山從出現異狀到噴發短於一個禮拜的。換句話說，只要做好監測，至少有一週時間可以應變。

若要即時預警，就得仰賴平時監測，包括地表溫度、火山氣體、地殼變形和地震活動等方式。因為預測常要知道火山噴發的時間、大小和地點，我覺得透過地震監測相當有用。

我們可以從地震的位置，判斷哪裡的地底開始有岩漿活動，再由多少觀測站偵測到地震波，估計火山噴發的可能規模。

再來，從地震所在深度，估算目前岩漿離地表的距離和移動速度，例如岩漿跑到離地表 9 公里時，會在 9 公里附近產生很多地震；隔了一個禮拜，在 7 公里深處偵測到地震，代表岩漿在過去一周跑了 2 公里。

雖然時間和岩漿跑的距離，不一定是線性關係，但這些數據仍可提供科學家參考、評估火山噴發的可能時間，必要時通知政府撤離附近居民。

但就像是照片的像素越多，影像越清晰；地震測站要夠多，偵測解析度才會夠好。所以未來，我們將增加北台灣地震測站的數量，從原本的 40 個測站，擴大到 140 個，並在測站之間，每隔數十公尺布置一台簡易、小型的地動感測器，盡可能提高偵測的解析度。

這些年研究大屯火山有沒有難忘的回憶？

我過去不是火山學者，而是做傳統地震的，天天都在研究地震波。十多年前接觸到火山地震，發現世界上怎麼有我一輩子投入，也不曾見過的地震波。這就好像小孩子每天關在房間玩，一不小心打開門，發現外面的世界完全不一樣。

不過，十幾年前開始研究大屯火山群，除了我和少數學者，沒有人相信它是活火山。但我覺得做科學，最誘人就是你的興趣，如果是喜歡的東西，你會不計成敗榮辱去研究它。

火山地震就這樣一直吸引著我。即使現在手邊有很多事，但每天動不動就盯著地震波看。地震波對我來說，勝過所有一切。也因為在中研院工作，讓我無後顧之憂做自己喜歡的研究，才能「十年磨一劍」得到如今的研究成果。

如果下輩子還可以再回來，我也要回中研院。地球科學還是超吸引我，一輩子還是做不完，如果還有來生，Why not？

延伸閱讀

• 林正洪個人網頁
• 大屯火山觀測站
• 大台北都會區下岩漿庫存在之證據

本文轉載自中央研究院研之有物，原文為大屯火山群不可怕，可怕來自不懂它 — 專訪林正洪，泛科學為宣傳推廣執行單位