全球最大的碳回收場開始興建，二氧化碳去哪了？

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／陳柏宇

前面我們討論了火力發電的讓污染減少的燃燒前處理以及燃燒新技術，但是事情還沒完……

小時候，不論是大人或是老師，都會告訴我們做事情要做到最後一刻，有始有終。對於污染物的處理也是一樣，來到最後一關，在火力發電的最後就是燃燒後處理（Post Combustion Process）上場的時刻啦。

化石燃料在經過鍋爐燃燒後會產生煙道氣（廢氣）。而煙道氣裡面主要含有以下幾種物質：硫酸鹽（SO_X）、硝酸鹽（NO_X）、有機揮發物（VOC）以及我們最在意的 PM2.5 懸浮微粒、重金屬。

現在的火力發電廠要符合空污法規，基本上都必須加裝許多空污的處理設備。再厲害的燃燒技術，沒有這些設備的污染的排放量還是很嚇人的，加裝脫硫設備的前後比較如下圖。

以下針對燃煤與火力電廠標準配備污染物處理流程進行討論！

煙道氣從燃燒室出來後，會先經過選擇性催化還原反應（Selective Catalytic Reduction, SCR）脫去氮氧化物，再經過除塵設備去除大部分懸浮微粒，最後經過排煙脫硫設備（Flue Gas Desulfurization, FGD），脫硫後從煙囪排出。

第一關：SCR，現出原形吧氮氧化物

所謂煙氣脫硝技術或是選擇性催化還原反應（Selective Catalytic Reduction, SCR）是指在煙道氣中噴入氨氣等還原劑，在金屬或是金屬化合物催化下，將氮氧化物還原成氮氣與水。這是國際上相對普遍且成熟的做法，整體效率大約為 85%~90%以上。

此設備常放在第一站與鍋爐體結合，使煙道氣的溫度還維持在攝氏350~400度的時候，在金屬催化下進行氮氧化物的還原。

第二關：除塵設備，微粒都給我不要跑

除去微粒的設備主要有兩種，分別是靜電集塵器與濾袋集塵器。

靜電集塵器（electrostatic precipitator, ESP），是一般大型電廠用來去除微粒的方法，藉由放電電極線產生電暈放電 （corona discharge），使空氣分子游離而形成帶電的空氣離子，空氣離子與微粒摩擦使之帶電，緊接著帶電的微粒在因為異性電相吸，被兩側的帶電擊板收集。收集板或累積之粉塵微粒需定期由敲擊器震落，由底部之漏斗收集及儲存，蒐集的灰飛可以用作他途，例如溶入建材。

靜電集塵器通常的使用時機為：除塵效率要求高、具有經濟效益的粉塵回收、高溫廢氣除塵或廢氣及粉塵不具爆炸性。靜電集塵器與袋式集塵器相類似，對於 1 µm 左右之微粒去除率很高（更小的粒子不易帶電無法吸附），整體來說有 99% 以上的效率。台電中火目前預備要將 ESP 進行升級，預計進一步提升去除效率。

而濾袋集塵器（Bag Filter or Particle Reduciton System, PRS），除污效率就更高了，其原理就跟一般家裡的吸塵器類似。早期受限於材料特性，對於大型燃煤電廠不太適用；近幾年因於材料（複合材料）的進步，大型燃煤電廠也開始可以選擇以濾袋集塵器做為去除粒狀污染物的設備，林口電廠就是此例。

第三關 FGD、和硫氧化物說分手

最後，我們來到除污設備的最後一道關卡，排煙脫硫設備（Flue Gas Desulfurization, FGD）。台電方面主要採用的是濕式脫硫塔（石灰石膏法），將煙道氣送入塔內，塔中噴灑化學藥劑，讓硫酸鹽與石灰石（碳酸鈣）等鹼性物質作用，形成石膏（硫酸鈣）。同時由前面步驟「漏網」的懸浮微粒，也可以將懸浮微粒洗入漿液中，這也是這個設備架設在最後端的原因。生成的石膏可以製成石膏板等其他用途，整體的去除效率大約 90~95 %。

林口電廠以及麥電則採用海水脫硫法，利用海水的鹼性中和硫氧化物，整體效率也可達 95%，相較於石灰石膏法，可避免使用大量淡水以及產生固體廢棄物，但廢水排入海中時必須要受到相當監控，避免污染海洋生態。因此林口電廠也試著在排放口設置一套海洋牧場養魚，希望借以印證其排放水對海洋生態影響不大。

最後，經過層層關卡的煙道氣最終還是要排入我們的大氣。以林口電廠為例，煙道氣排出前會經過煙氣連續監測設施，所有的排放數據，電廠都有即時的監控、呈現在調度室的儀表板，並且直接與地方政府資訊連線，為民眾健康把關。

我們前面談到的這些整套設備都要價不斐，但這些設備都是有效率極限的，所以如何在最合理的情況下控制污染，以及從前頭的處理讓煙道氣本身的污染減少，都是需要考量的。

所以我說，那個二氧化碳呢？

講完如何讓煤燒起來乾淨一點後，其實，我們都還沒討論到大魔王，也就是國際間最關心的污染物，二氧化碳。

大家都知道它會使氣候變遷惡化，這邊就要回到真正的「乾淨的炭」（Clean Coal）的意思，一般意指燃燒化石燃料的二氧化碳捕捉與封存（ Carbon Capture and Storage, CCS）。

技術性上為了讓二氧化碳容易捕捉，我們勢必得再提高煙道氣裡的二氧化碳濃度（煙道氣裡多數是氮氣）。理論上會採用一些技術讓燃燒更有效率；再透過一些能與二氧化碳反應的化學成分或是吸附劑進行捕獲。不過這些也都是另一個故事了，這邊就讓我偷懶省略一萬字，在使用煤炭仍然主流的趨勢下，國際上也越來越多電廠搭配上相關的新技術。畢竟未來有減緩二氧化碳排放、碳稅即將開徵的壓力。

但想額外強調一點，化石燃料的使用，即便有再好的科技做搭配，排放二氧化碳仍是無法避免的。而所有更「乾淨」也都需要付出更多經濟上、或者其他面向的代價。

值得被看見的技術進步

隨著便利的電力帶來的繁榮，人們也逐漸要求更高的生活品質；某種程度上，這也是為何空污議題會越來越受到重視的原因。在電力生產的背後，有許多人在崗位上努力為空氣品質、健康把關。空污處理技術、電力穩定、能源轉型，這些都是臺灣現在面臨相對複雜的問題，必須要花更多心思理解。燃煤發電固然帶來了較高的空氣污染，但配合優良的防制技術，仍然可以有效地抑低空污排放，在實務上這些電力也很可能是我們維生所必需的資源，不宜輕易全盤否定。

近幾年台灣的火力電廠，不管是燃煤或是燃氣，在飽受批評的同時，也都開始引入許多改善的方法，每個環節的改善與技術的進步都是淚水與汗水的累積，這些努力也值得被看見；也期許更多的朋友可以透過系列文章，對於電廠除污技術有更多的了解。

1. Lean and clean: why modern coal-fired power plants are better by design
2. 循環式流體化床鍋爐

本文由台灣電力公司委託/廣告，泛科學企劃執行

本文由科技部、經濟部贊助，泛科學策畫執行

今年（2017 年）8 月 15 日，正當夏日炎熱之時，臺灣突然陷入一片漆黑，全臺各地接連發生無預警停電，從北到南，臺北、桃園、新竹、雲林……，因為大規模的突發停電事件，加上前陣子才出現「729 限電危機」事件，使能源與用電問題再次浮上檯面（台灣人的檯面上好擁擠啊…..）。

但討論能源政策，只有全盤綠能、重啟核能這兩種極端選擇？

政府、台電、民間團體、企業公司、網路鄉民各方討論得沸沸揚揚，從廢核能到再生能源議題，似乎都沒有很好的定論，為什麼政府和民間的對話總是有落差？

「洞見發展與機會：能源政策之橋與溝通論壇」邀請到長期研究氣候變遷與政策審議的臺灣大學政治系副教授林子倫、持續針對能源議題發聲的綠色公民行動聯盟副秘書長，同時也是行政院能源及減碳辦公室委員的洪申翰，與石化業與化石能源議題專家，成功大學資源工程學系副教授謝秉志，分別從全球政治、民間行動者、石化能源產業三方角度來看現在臺灣能源政策遇到的困境：為何這議題那麼難講清楚？。

三管齊下、開啟對話

臺灣大學政治系林子倫副教授認為，在討論政府與民間的溝通問題時，首先要再次思考「風險」的概念。過去政府推出新政策前，會根據理性計算的「風險評估值」來進行判斷與評估，但這樣的方式，在現今卻已無法解決經濟開發所產生的衝突問題了。

最主要原因來自，現代社會具有更多元的價值、認知，以及利益關係，若探討議題時，沒有把在地化、差異化、特殊化等社會脈絡容納進來，便容易出現雙方認知落差。特別是，環境與能源議題具有複雜多變與高度不確定性的特質，當議題的討論變成實質上的執行時，又牽涉到更多層面的考量了。

「大家都同意全球需要更多的綠能開發，但當你家隔壁要建設太陽能電廠時，會馬上答應嗎？」，林教授問道。

此外，隨著資訊時代的發達，政府不再是唯一的資訊來源，民眾可以透過更多管道接觸到各種資源，而民間的專業知識與當地社會脈絡，使得政府的權威受到挑戰，對風險的認知亦出現落差。面對社會型態的改變，林子倫教授建議，對此應該發展出去中心化、更透明、更多元、更多層次的討論，「是不是可以把民眾放到跟決策者一樣的情境中，了解共同困境，重新設定討論的機制呢？」針對開啟能源政策對話的可能性，林子倫教授建議了三種方式：

1. 資訊公開透明、建立信任：透過資訊公開透明的方式，建立雙方的信任，當彼此有一定的信任基礎，便會從質疑轉向支持。
2. 開放決策參與過程：民眾的不信任大多來自資訊不完整，但若有足夠資訊和了解亦不會被外界的錯誤資訊誤導。同時，讓民眾有足夠地參與同樣能建立彼此的信任。
3. 能源在地化：每一個地區都有特殊性，除了政策要與當地進行更在地的溝通外，也可以思考如何將區域和當地做更好的經濟連結來創造雙方的利益。

而延續上方能源在地化討論，林子倫教授提出「社區再生能源」推廣的重要性，他認為「綠能不只是能源的轉型，更是可以幫助傳統產業如漁村、農村轉型的機會。還有很多更有創意的推廣方式值得我們來思考，提供社區不只是經濟上的誘因，而是更多元的誘因機制，創造更多的可能性」。

最後，林子倫教授呼應到本次論壇「溝通」的主題上，指出公民討論不應該只出現在大型的政策會議，而是可以透過更小的討論開始，慢慢建立雙方的信任，讓對抗轉向對話。

政府與民間的斷點在哪裡？

綠色公民行動聯盟副秘書長洪申翰則表示，政府一直都很強調與民間的溝通．但過去的「溝通」大多都是政府向政府體外的溝通，然而，能源轉型的問題不僅是能源配比的問題，更多其實來自政府治理的困境。對應本次論壇「橋接」主題，洪申翰提出四項政府在能源政策上遇到的「斷點」問題：

• 中央與地方的斷點
• 社會基礎的斷點
• 既有行政分工的斷點
• 能源資訊與教育的斷點

首先，中央與地方執行出現落差。舉例來說，在節電宣導政策中，服務業者並非屬於中央經濟部的能源局可以管理得來，必須透過地方政府的協助，藉由縣市政府的產發局、經發局甚至是工務局的投入才能擬定出合宜的政策並執行。而當中央政策無法落實到地方政府時，便出現中央與民間的落差。

其次，新政府提出許多能源政策目標，如離岸風電 2025 年要達到 3GW，政府為了努力達到目標，進行不少大規模的建設開發，「但這樣是很脆弱的」洪申翰指出。如果不能讓民眾成為社會轉型的一份子，一旦發生爭議時，民間對政府的不信任、懷疑的反撲力量就會很強烈，如同 815 大停電事件所引發的後續效應。

再者，既有的公部門行政分工上也出現斷點。洪申翰舉例，現在討論能源稅議題時，到底該由財政部，還是能源局主責？在目前的行政體系中，容易造成政策討論找不到主責單位，導致議題被擱置、無法推動。

最後，政府雖擁有專業的智庫團隊，但提供的專業知識和資訊是否能與民間對話？「政府近年來持續推出各種科普知識，但資訊仍然是單向的，依舊是『政府想告訴民眾什麼，而不是民眾需要什麼』」洪申翰點出造成資訊斷點的關鍵。

洪申翰再次強調，應重新思考民間在能源轉型中的角色到底是什麼？推動政策時，不只是政府與民間的溝通問題，更多來自體制性的斷點，要如何重新連接，改變現有的行政僵化問題會是一大考驗。此外，現在有許多民間與民間的交流，但要怎麼轉化成實際可執行的方案？都是必須持續改善的問題。

未來石化能源的出路

能源議題，除了政府與民間的溝通問題外，根本還是回到能源資源的狀態本身。成功大學資源工程學系謝秉志副教授指出，在 2016 年全球使用的能源中 85.5％ 來自化石燃料能（石油 33.3％、天然氣 24.1％、煤 28.1％）其次為水力及再生能源，佔了 10.0％，核能則佔了 4.5％。在可見的未來，全世界仍會相當依賴化石燃料能，天然氣的角色會更加重。

實際上，過往我們被告知需要擔心的石油蘊藏量，隨著科技進步，除了開發出新的油田外，更使過去沒辦法利用的資源獲得重新再開發，像是美國的頁岩氣、加拿大的油砂，使未來油氣資源不只足夠，更是能源供應的主要來源。

回看臺灣現況，根據臺灣 2016 年能源供給資料，自產能源僅佔 2.05%，97.95% 仰賴進口能源。其中，石油占比更是高達 48.93%，簡言之，臺灣不僅非常仰賴進口能源，還非常依賴石油。

然而，臺灣有近 50% 的能源被用於發電，即是導致台灣的「能源問題」常被看成是「發電問題」，「要討論能源政策時，要先搞清楚是要討論能源政策裡的石油問題，還是能源裡的發電問題？」謝秉志教授說道。

釐清了能源分配和資源後，再探討到電力問題。根據台灣 2016 年電力資料，火力發電提供 81.99 % 的電力，其次為核能發電 11.99 %，再生能源則是 6.02 %，其中火力發電，主要使用煤炭，再來為液化天然氣。

然而，在這樣的電力配比下，目前政府提出的 2025 非核家園政策，儘管停用核能發電，提升再生能源發電，但因為媒與燃油的使用仍佔大宗，導致二氧化碳排放問題依舊無法被解決。而根據「溫室氣體減量及管理法」，臺灣 2050 年的溫室氣體排放量要降為 2005 年的 50% 以下，代表臺灣未來 35 年需要進行實質的減碳工作並不容易。

在這樣雙重的壓力下，謝秉志教授提出「20-30-50」的改善建議，即 20％ 再生能源、30％ 媒、50％ 天然氣的能源使用分配，以天然氣取代煤炭使用，來同時達到降低碳排放量與新能源政策的目標。

不過目前臺灣天然氣已達最大供氣能力，若要擴大天然氣使用，必須從上到下做出完整的規劃，包含上游要穩定購買天然氣合約，同時尋求低價天然氣、增加自產天然氣；中游則必須興建運輸管線、擴增儲氣設備、興建接收站、提早與居民溝通；下游則要興建或擴增天然氣發電廠，以及最重要的：提早與居民溝通。在管理上必須注意維持供氣順暢、維護運輸管線、維護發電設備、主動對民眾公開資訊等。

謝秉志最後回應林子倫教授與洪申翰的建議，再次強調政府應提供民眾信任感及安心感，不管是雙方的溝通、在地的了解、政策的規劃都必須與民眾有更直接的接觸，不僅讓是在政策上的推動更順暢，同時也是發現新機會和可能性的重要關鍵。

聽完三位的意見，你認為台灣政府在溝通能源議題與政策上頭還有哪些不足、且值得改進之處嗎？歡迎來泛答跟我們分享你的看法！