在「丟臉丟到國外去了」以後…

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

造假是人類複雜心智的一大產物，歷史上各式各樣的作假、贗品層出不窮。作家 Kristine De Abreu 在 ExplorersWeb 網站的文章^{[參考資料1]}，整理歷史上的 6 起贗品案例，時過境遷後回顧，這些造假頗有趣味。

龐貝石碑

6 起案例最早的是龐貝石碑。這個「龐貝」不是義大利那個龐貝城，在紐約。公元 1820 年有人找到一塊石碑，上頭有看似陌生的圖像、文字，但是無人能釐清來歷。此後衍生出不少相關的假說與討論。

1894 年，工程師史威特（John Edison Sweet）出面宣稱那是他叔叔的惡作劇。這類藍色窗簾的案例十分普通，也很常見。

卡迪夫巨人

1868 年，當時某些基督教信徒根據「創世記」，主張世界上曾經有巨人漫步。美國的無神論者胡爾（George Hull）設局惡搞，製作石頭巨人誆騙信徒，希望藉此證明他們是一群盲信的傻B。

惡搞產品身高 3 公尺，重 1350 公斤，成本 2600 美金（約現在的 54000 元）。本來想運到墨西哥，但是太重，最後埋在紐約的卡迪夫親戚家，1869 年「發現」後被稱為卡迪夫巨人（Cardiff Giant）。

假巨人騙到一些人，不過也很快被識破。後來有人以 23000 美金收購（約現在的 50 萬元）。不論當初意圖是否達到，胡爾都大撈一筆。

當時有位東搞西搞的掮客……沒禮貌，是知名經紀人巴納姆（P.T Barnum） 想買卻被拒絕。於是巴納姆也製作自己的巨人，還宣稱那才是真正的假貨 XDDD

假巨人當時興起一股熱潮，許多觀眾付費參觀。對於這些花錢看假貨的觀眾，有人表示：「每分鐘都有一位傻 B 誕生（There’s a sucker born every minute）」。這句流傳頗廣的話，到底是誰講的其實沒有定論，不過江湖傳言就是巴納姆自己。

伊特拉斯坎勇士雕像

美國的里卡狄兄弟（Pio Riccardi 和 Alfonso Riccardi）與其兒子們，有一門獨特的家族事業：偽造雕像。他們在 1915 到 1918 年製作 3 具 2 公尺高的伊特拉斯坎勇士雕像（Etruscan Terracotta Warriors），並成功賣給紐約的大都會博物館。

伊特拉斯坎文化位於義大利，年代早於羅馬帝國，歷史應該超過 2000 年，可是雕像狀態太好，有人懷疑是假的。1960 年代費歐拉凡提（Alfredo Fioravanti）出面承認，他當初協助兩兄弟造假。

• 延伸閱讀：羅馬帝國之前，有草原血緣，不講印歐語的伊特拉斯坎人

皮爾當人

前幾起贗品案都無傷大雅，但是皮爾當人（Piltdown Man）深深地傷害學術。它可謂人類演化研究史上，最大的造假醜聞。

1912 年，名字和達爾文（Charles Darwin）有點像的英國業餘研究者道森（Charles Dawson）宣稱，在薩塞克斯發現古人類的化石，引發一陣轟動。他在 1915 年又宣布找到化石，這批化石後來合稱「皮爾當人」。

當時一些學者認為，皮爾當人可以填補演化史上，人與猿的缺失環節。英國出土的化石，也支持大英帝國在人類演化史上的地位。業餘人士道森一心想躋身上流，加入英國皇家學會，最終卻沒有如願，在 1916 年去世。

一直有人懷疑皮爾當人的真實性。終於在 1953 年證實皮爾當人分別具有人與猿的特徵，根本是因為皮爾當人不是一個人，而是由猿和人的骨頭拼裝而成。

• 延伸閱讀：人類演化研究史上最大造假醜聞－皮爾當人

伽利略手稿

美國的密西根大學 1934 年購入一份「伽利略手稿」，據說是伽利略本人 1609 年的手筆。造假兼打假專家威爾丁（Nick Wilding）在 2022 年 8 月證實，那是假的。決定性的證據來自紙張上的 BMO 水印，它要等到 1770 年才出現，遠遠晚於伽利略的年代。

推測這份假貨來自造假名人尼可查（Tobia Nicotra），他在 1930 年代復刻哥倫布、莫札特、林肯等等名人，製作超過 600 件贗品。

維京人的文蘭地圖

有些贗品花費數十年破解，有些則一開始就知道是假的，後來再漸漸補足證據。就像某些偵探故事，一開始就知道誰是兇手，後來才釐清作案過程，可謂證明題。

美國的耶魯大學 1960 年代取得一份 15 世紀地圖，上頭繪有文蘭（Vinland），也就是維京人在美洲的殖民地。幾乎一開始就判斷這份地圖是假的，不過做證明題也有意思，圍繞其衍伸出有趣的議題。現在知道，此圖字體不符合年代以外，使用墨水含有天然的鈦，證實這是晚於 1920 年代的字跡。

至於維京人是否曾經抵達美洲？1960 年代在這份贗品地圖出現不久後，考古學家於加拿大東北部的紐芬蘭，尋獲蘭塞奧茲牧草地遺址（L’Anse aux Meadows），證實維京人確實在美洲留下足跡。只是文蘭在哪裡，仍是謎題。

• 延伸閱讀：公元1021年，維京人在紐芬蘭砍樹

參考資料

1. Why Did They Do It? Six Archaeological Forgeries and the People Behind Them
2. Analysis unlocks secret of the Vinland Map — it’s a fake

本文亦刊載於作者部落格《盲眼的尼安德塔石匠》暨其 facebook 同名專頁。

這兩天學界的大新聞應該就是一位屏教大的老師論文造假的新聞。

其實論文造假時有所聞，但是這位屏教大的老師他在過去四年涉嫌造假60篇論文，同時也幫自己在專業學會上假冒了幾個研究者的身份，用這些假身份幫自己審論文，直到被Journal of Vibration and Control（JVC，震動與控制期刊）發現為止。

由於這件事情實在太驚人了（60篇，筆者覺得用掰的也要掰很久吧），因此也上了「科學」期刊的網站（請見Lax reviewing practice prompts 60 retractions at SAGE journal，2014/7/10），筆者也聽到很多人說「真是的，丟臉丟到國外去了」。

當然，60篇這是空前的（據說過去最高紀錄是南韓的35篇），但是除了撻伐造假者之外，是否也要想想如何改善老師們的工作環境，以及讓「研究倫理」這門課程更有效呢？

最近的一篇文章[1]提到，一位老師進行「研究倫理」課程時，他請學生去看很多線上的倫理課程，並提供意見。許多學生推薦研究倫理協會（Office of Research Integrity）的互動影片’The Lab‘。在這部影片中，觀看者可以由研究生、博士後、研究員或是研究倫理委員會成員這四個角色中挑選一個扮演，在發現實驗室的同仁做了違反研究倫理的事情後，你的角色要怎麼辦？

學生除了提到這個影片很有意思以外，他們也提出了一個意見：是否可以讓觀看者選擇成為事件的「主角」– 也就是當「壞人」？

為什麼影片沒有這樣的設定呢，應該有以下的幾個原因：

一、如果觀看者在「利字當頭」時，選擇不去作「壞人」，那麼活動就結束了。
二、如果觀看者在鑄下大錯以後立刻翻然悔悟，那麼活動也很快就結束了。

但是，可能有更多的原因是，當初設計這個互動課程的人，希望所有來觀看這個影片的人都要是「好人」，都不會想到要去當「壞人」；但是這個社會原本就是由許多普通人構成的，我們雖然從小都受過教育，但是教育只能教我們「作壞事是不好的」，卻沒辦法教我們，當周圍的壓力大到讓我們覺得，不作這件（壞）事可能就會讓你在工作上被排擠、甚至被消滅的時候，我們要怎麼辦？當對方給你的金錢的利益多到你無法想像的時候，我們又該怎麼辦？當做（壞）事可以讓你得到一輩子都賺不到的那麼多的錢，而不做（壞）事卻可能讓你丟了工作的時候，這個選擇，又該怎麼做？

對一個局外人來說，要說「壞事做不得啊」是很容易的事；要說「你是壞人」也很容易。但是，如果能有機會把自己放在這個情境，了解「壞人」其實也是普通人，只是壓力（有研究生、博士後要養，有「N年條款」在後面…）讓他在關鍵時刻選擇了錯誤的方向，這樣可以讓大家了解到整個研究大環境的問題，也可以讓大家一起改善研究環境，使造假的人減少。

當然，一定會有衛道者說，這樣會引誘別人來當壞人。其實他們是多慮了。了解「壞人」的想法，會讓我們更了解這個社會。畢竟，大家都是普通人，我們都會在有機會時偷偷闖紅燈、也會在超市挑選牛奶時找期限最遠的（明明所有的都還沒過期）、也會為了點心去參加一點都不想聽的研究討論會。當然這些都是小問題，那是因為我們沒有受到壓力（但是受到引誘）。

當引誘大到如上面提到的：

可能「一輩子都賺不了那麼多錢」的時候；
有家要養，可是卻快要被不續聘的時候；
有研究生、博士後要養，可是實驗室快要斷炊的時候；
這三種情形同時發生兩種的時候；
這三種情形一起發生的時候；

這時候，有多少人能保證，自己還可以繼續100%誠實呢？影片的角色扮演，可以幫助我們體驗「壞人」的感受，除了讓我們在未來遇到類似的情境時，能作出正確的選擇之外；其實也能讓大家一起來想想：要怎麼讓工作環境更友善？

除了一小部份天生就想要作壞事的人以外，筆者也相信我們都是好人，只是，我們也都是普通人。品德教育其實很難由課堂口授來達成，而是需要「見景生情」– 在適當的時刻進行教育。但是，人生很多關鍵時刻是沒有老師在旁邊的；或許在互動課程中扮演「壞人」，體驗一下「壞人」的想法，進一步了解「歹路不可行」，也是一個不錯的想法不是嗎？

原刊載於作者部落格Miscellaneous999

參考文獻：

1. Janet D. Stemwedel 2014/7/9. On the value of empathy, not othering.

編者按：前陣子彰化縣政府針對 COVID-19（武漢肺炎、新冠肺炎）所做的兩項處置引發議論，一是針對居家檢疫無症狀者採檢的「普篩風波」；二為今年6月與台大公共衛生學院合作實施的「萬人血清抗體檢測」。這次，我們要來討論後者！
萬人血清檢測報告即便證明台灣社區安全，但這項研究卻因為研究倫理與 IRB審查有疑慮，仍存在爭議。接下來不囉嗦，直接往下看，一起了解什麼是研究倫理吧！

前段時間，彰化縣政府與台大公衛學院前院長、副院長共同合作的「萬人血清抗體檢測」結果出爐。結果顯示，包含醫護人員、接觸者、居家檢疫者在內的 4,841 名高風險民眾中，僅 4 名具有 COVID-19 病毒的抗體，陽性率為萬分之 8.3，證明病毒並未在台灣社區中大規模傳播，一般民眾被感染的機率相當低。

不過，此次萬人血清抗體檢測卻因為研究倫理的疑慮引發諸多討論。爭議點之一在於，彰化縣萬人血清抗體檢測自今年 6 月開始進行，但該研究計畫卻在 8 月 11 日才由台大行為與社會科學倫理委員會的研究倫理委員會 (Institutional Review Board，IRB) 審查通過。

研究團隊解釋，抽血為彰化縣衛生局的服務項目，可以執行公務為由免除 IRB，而台大公衛學院僅負責後續的數據分析。不過，此事「政府機關委託執行公務」與「學術研究」的界線模糊，此計畫是否違反研究倫理「先上車後補票」仍有討論空間。

「人體研究」重要守門人：研究倫理審查委員會

由上述的事件經過不難看出，研究倫理是所有研究者都須謹慎注意並恪守的，IRB 審查更在科學研究中扮演著重要的角色。

那麼， IRB 究竟是何方神聖？它可以當飯吃嗎？

若要了解 IRB 的內涵，首先得從研究倫理談起。廣義的「研究倫理」泛指與研究有關的所有倫理議題，而牽涉到人類研究參與者的倫理則屬狹義的研究倫理，也是大家比較常討論的範疇。簡單來說，狹義的研究倫理強調最小化對研究參與者的侵害，確保研究進行過程中，受試者的權益和身心健康能獲得保障。

而 IRB 存在的目的即是把關各研究是否遵守研究倫理。一般而言，研究者須在研究開始前，備妥研究計畫書、受試者同意書、計畫主持人聲明書等文件，並事先針對研究對參與者的風險做自我評估，一併送交研究倫理委員會。

委員會成員會根據研究者繳交的資訊，審查研究計畫的研究設計與方法是否恰當、是否尊重受試者參與研究的自由意願、研究過程中是否保護受試者的安全和隱私、所有受試者是否受到公平對待等，確保研究不會對受試者產生傷害。

也就是說，IRB 雖然不能當飯吃，但是會決定研究者有沒有飯吃。

什麼樣的研究需要進行倫理審查？

根據我國人體研究法的定義，只要取得、調查、分析、運用人體檢體，或是研究個人之生物行為、生理、心理、遺傳、醫學等有關資訊，全都屬於「人體研究」的範疇。簡言之，只要是和「人」有關的研究都算人體研究，包含以人為研究對象、使用受試者檢體或資料等等。

原則上，所有的人體研究開始前都應該備齊相關資料，送交 IRB 審查，確定研究符合研究倫理後才能進行。不過，有跑過相關流程的人都知道，IRB 審查並不像網路購物，當天送交申請隔天就通過，等上兩、三個星期是常有的事，不免讓部分研究者認為 IRB 審查拖延過久、曠日廢時。

因此，為了減少審查委員會的工作負擔、縮短 IRB 審查的時程，研究者可以根據研究計畫對人體的侵害風險大小，提出「免除審查」、「簡易審查」或是「一般審查」。

IRB 的三種等級：免審、簡審、一般審

一般來說，對倫理侵害風險相當低的研究計畫可以免除審查程序，使用已合法公開的資訊，或是在公開場合進行不記名、不介入、非互動性的研究都屬於此範圍；另外，公務機關委託相關機構進行政策成效分析，也在免除審查的行列之中。

值得注意的是，免除審查不代表研究者可以自我感覺風險小，便擅自開始研究，計畫開始前仍需按照規定提交 IRB 申請，由倫理審查委員會確認後開立免審證明。就像你去遊樂園申請快速通關，雖然可以不用排隊，但還是得買票才能進場。

而簡易審查則適用於僅涉及「微小風險」的研究。所謂微小風險，指的是受試者在研究過程中受到生理、心理傷害的風險，不會大於日常生活可能遭遇到的。

如果欲進行的研究不符合上述免除審查或簡易審查的條件，那就得乖乖完成一般審查申請程序，由不同領域的專家、法律人士等人組成的委員會確定符合研究倫理後方能開始研究。

IRB 與你一同走過研究的開始到結束

IRB 通過之後並非一勞永逸。一般 IRB 的效期為 1 年，因此研究計畫執行 1 年後，研究團隊需提出期中報告，並向研究倫理委員會申請「持續審查」，確保研究對受試者的風險並沒有增加。

研究過程中，計畫如有需要更動之處，則須向 IRB 提出「變更案」，說明更改計畫的原因、更改的項目，以及更改前後對受試者侵害風險的差異。另外，人體研究進行時，受試者若出現不良反應或是其他非預期的問題，也要立刻向 IRB 通報，視情況決定是否繼續執行研究計畫。

了解 IRB 存在的理由和執行的方式後，相信大家都可以理解研究倫理審查的重要性，未來有機會進行人體研究時，IRB 就會像影子一般，從研究的開始到結束都與你相伴，監督你有沒有為了研究成果而忽略研究的本質——也就是「人」的權益。

當然，從這次彰化萬人血清檢驗的事件之中我們也可以發現，IRB 執行的過程和方式的確有其模糊地帶。因此，我們或許可以期盼，在事件詳細調查過後，研究倫理審查的程序和規定能藉此變得更加明確、成熟，作為未來人體研究的倫理準則。

參考資料

1. 萬人抗體血清檢測驗出了什麼？說明會內容簡單整理
2. 從彰化血清抗體檢測爭議，看 COVID-19 研究加速運轉下的倫理與防疫挑戰
3. 研究倫理的定義與內涵
4. 研究倫理送審常見的實務問題 Q&A
5. 李欣儀 (2020)。什麼樣的研究需送審人體試驗委員會(IRB)審查呢? 彰基醫療健康防治季刊， 40， 15-17。