恩索現象（ENSO）有愈演愈烈嗎？

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

• 本文轉載自科技大觀園，原文為《花粉考古見證古代宜蘭豪雨，和反聖嬰有關？》
• 作者／寒波｜科技大觀園特約編輯

用花粉認識古代氣候

人類從古至今都受到氣候影響，想認識古代人類，勢必要了解當時當地的環境條件。考古領域中，擅長古代氣候的專家也有一席之地，中央研究院歷史語言研究所的研究副技師林淑芬，就扮演這樣的角色。

林淑芬在臺灣大學地質科學系就讀碩士班時，專注的題材是土壤。後來因緣際會進入中研院史語所工作，接觸到考古學，因此就讀博士班時改以花粉為主題，調查宜蘭近 4,200 年來的花粉紀錄，藉此探討古代的環境及氣候，與宜蘭史前文化發展的關係。這些工作令她成為臺灣罕見以花粉研究考古的專家。

植物是環境中重要的一部分，但是植物的組織幾乎難以留存；所幸小小的花粉不但輕、數量多，而且結構堅固，有機會長期保存。花粉專家只需要普通的光學顯微鏡，多半能識別到植物「屬」的層級，再加上電子顯微鏡，可以進一步分辨出「物種」。 

然而，環境中每種植物花粉留存下來的機率不一，光憑花粉不足以重建當時的地貌；不過比較各種植物花粉組成在不同年代間的變化，推論氣候、環境在不同年代的改變，倒是十分合適的分析策略。

林淑芬主要研究宜蘭的古代花粉，她從梅花湖、龍潭湖等地點採樣，分析地層中不同年代留下的沉積物，推測當時的氣候與環境。在取得豐富成果的過程中，她曾經犯下推論錯誤，卻意外成為目前新方向的突破契機，還連結到反聖嬰現象對臺灣史前文化的影響。這其中的曲折是怎麼回事呢？

茵陳蒿的誤會：耐旱植物，反而是豪雨指標

距今約 800 年前，宜蘭有大量茵陳蒿的花粉留下。一般認為茵陳蒿是長在沙地的耐旱植物，所以沉積物中見到大量茵陳蒿花粉，表示那時氣候乾燥，有利於耐旱植物大量生長。當時的考古紀錄也出現超過百年的中斷，即沒有人類活動的紀錄，林淑芬推論那時大環境乾旱，不利於人類生存。

然而，其他資訊令林淑芬懷疑自己早期的推論。詳細考察茵陳蒿在宜蘭的生長模式以後，林淑芬驚覺真相其實完全相反：耐旱的茵陳蒿，事實上是暴雨頻繁的指標！

宜蘭有些河流，在雨量少的季節地表水量不足，河水往往潛入地下成為伏流。乾涸的河床佈滿礫石，不利植物生長，只有如茵陳蒿一類的耐旱植物可以生存。在雨季或颱風帶來大雨時，河床恢復為流水的河道，乾季時生長在河床的植物會被沖走；等到再度進入乾季，茵陳蒿又會再次長滿河床。

上述狀況若是一再反覆發生，花粉記錄中茵陳蒿的出現數量就會大增。假如古代狀況一樣，意謂茵陳蒿大量生長的年代，其實是豪雨頻繁發生的時期；因此當時考古紀錄中斷，其實和降雨過多有關，而非氣候乾燥。

宜蘭的環境與考古記錄

藉由花粉及其他資訊，可以重建宜蘭古代的環境、氣候變化。宜蘭地形如同口袋般，三面被高山圍繞，一面朝向太平洋。冰河時期結束後，海平面上升。距今約 14,000 年前，海水逐漸湧入宜蘭平原地區；8,000 多年前，淹沒面積達到最大，當時宜蘭平原只有現在一半大。接著，海水漸漸後退，距今 3,000 年前，海水退到距離目前海岸線西方 2 到 3 公里處。 

宜蘭最早的考古遺址可能距今達 5,000 年。在新石器時代早期、中期，整體上遺址數量稀少，位置接近海邊；到了新石器時代晚期（以丸山文化為代表），遺址數量增加；距今 2,400 到 3,600 年間，遺址幾乎都位於內陸的丘陵地帶，或許和平原被海水入侵有關。

有趣的是，宜蘭在距今 2,000 多年前之後，幾乎不再有人類活動的記錄，要等到 1,300 年前才恢復。距今 800 到 1,300 年間，宜蘭進入鐵器時代早期（以十三行文化普洛灣類型為代表），遺址分佈於海岸附近，接著便是上述提到超過百年的中斷期。直到距今 600 年前的鐵器時代晚期開始（以十三行文化舊社類型為代表），宜蘭平原上再度留下大量遺址。

宜蘭 2000 年前頻繁豪雨，竟然和聖嬰現象有關？

為什麼距今 2,000 多年前開始，人類在宜蘭消失那麼久？氣候應該是重要因素。不論河流沖積扇或湖泊沉積物，都見證當時頻繁的豪雨，而且比距今 800 年前的規模更大。那段時期出現不少赤楊屬植物的花粉，赤楊是所謂的先驅植物，通常在植被匱乏的地區搶先生長，若它們能留下大量花粉，意謂那個時期原本的植被遭到消滅。

不過數百年的龐大雨量也改變了宜蘭的地貌，創造出更平坦、肥沃的沖積平原，彷彿「都更」一般，令宜蘭平原成為更適合人類居住的地區，才有隨後鐵器時代的興旺。

非常有趣的是，宜蘭最近數千年來降雨量最高的兩個時段，距今 800 和 2,000 多年前之後一段時期，剛好都是聖嬰—南方震盪（El Niño-Southern Oscillation，簡稱 ENSO）最頻繁發生的時候。這令林淑芬想到：莫非太平洋遠方發生的 ENSO，也影響到遙遠的宜蘭？ 

東北季風與颱風，共伴效應帶來豪雨

颱風以外，宜蘭降雨主要來自秋冬季的東北季風。假如颱風經過臺灣南方，當時又有東北季風同時出現，颱風的外圍環流與東北季風交互作用，便可能導致豪雨，稱為「共伴效應」。由於牽涉東北季風，共伴效應往往在 9、10、11 月上演。此時路過的颱風有機會變成共伴颱風，即使颱風沒有靠近臺灣，仍可能引發共伴效應。

林淑芬由蘇澳、宜蘭、竹子湖氣象站取得 1982 到 2016 年的降雨數據，和颱風等資訊比較，判斷這 35 年間至少出現過 18 次共伴颱風。有些颱風距離臺灣數百公里遠，臺灣甚至沒有發佈颱風警報，但是它們導致的共伴效應，仍帶給宜蘭龐大雨量。

反聖嬰年，共伴颱風數目最多

ENSO 發生的地點位於太平洋東部赤道一帶，卻可能帶來世界性的影響，使某些地區出現極端氣候。根據海洋聖嬰指標的定義，假如區域內的海洋表面溫度（SSTA）連 5 個月比平均高出 0.5 度，便定義作異常溫暖的「聖嬰年」；反之，則為異常寒冷的「反聖嬰年」。1982 到 2016 年期間有 13 年為正常年，聖嬰、反聖嬰年各 11 年。

18 次共伴颱風中，13 個正常年出現 2 次，11 個聖嬰年出現 5 次，反聖嬰年最多，11 年出現 11 次。研究鎖定的 35 年間，共伴颱風在反聖嬰年出現的數量、比例都最高。例如 2010 年的梅姬颱風，就是反聖嬰年在宜蘭帶來豪雨的共伴颱風。

反聖嬰年為什麼有更多共伴颱風？一個可能是反聖嬰年颱風生成的位置距離臺灣比較近，路過臺灣的機率更大；另一個可能是反聖嬰年的東北季風比較強，不過仍需要更多證據。ENSO 會不會、如何影響臺灣，至今仍沒有定論。假如推論正確，表示儘管臺灣距離遙遠，至少在擁有獨特口袋地形，能突顯共伴效應的宜蘭，仍然會受到 ENSO 的影響。 

不過上述研究對象是現代，該如何應用於千百年前的考古？古代 ENSO 事件沒有這麼詳細的逐年解析度，只能估計一段時間內發生的頻率；對照之下，發現古代宜蘭降雨量高的時期，ENSO 的頻率也高。假如 ENSO 透過共伴效應影響臺灣，可以想像宜蘭受到的影響最大，而考古上宜蘭人類消失的時候，周圍的臺北、新北、花蓮仍持續有人居住。 

上百年頻繁豪雨，應該不會只有單一成因；人類活動除了氣候之外，也還受到許多因素影響。不過透過古代花粉、最近的氣象記錄，林淑芬依然找到一條很有價值的線索。倘若歷史上 ENSO 真的影響過臺灣，或許不只限於宜蘭，也在臺灣其他地區造成過不一樣的影響——這也是林淑芬接下來希望回答的問題。

即使如今科技水準遠勝古代，現代人依舊受到氣候影響。研究現在能找到認識古代的線索，了解古代也能替現在帶來指引，這是考古學研究過去，對現在的一大意義。

• 林淑芬，2008，聚落發展與自然環境變遷——以宜蘭地區史前為例，《臺灣史前史專論》
• 林淑芬，2018，宜蘭地區秋季共伴豪雨與聖嬰—南方震盪的遙相關，《大氣科學》
• 林淑芬，2019，大地脈動下的宜蘭史前先民，《地質，38卷，第4期，第66-70頁》

「哇！是海！」PanSci小編忍不住盯著窗外的海還有大船看。國內科學展館第三站來到位在基隆八斗子，即將進入試營運階段，擁有超級無敵海景的海科館。

鐵灰色現代外觀的館舍，沿著海邊山丘而建，沒有唐突的外表，很符合基隆陰鬱多雨的景象。海科館外觀和四周景物連成一片，以曲線輪廓表現「海洋」、直線和簡單的幾何表現「科技」，但這個最新的國家級科學博物館要如何呈現其實在台灣被嚴重忽略的「海洋科學」呢？海科館設在港都基隆將扮演起什麼樣的角色？這就得問問負責建館計畫忙翻天、關心且以實際行動參與社會議題的籌備處主任柯永澤博士了(如果沒意外的話正式營運之後就是館長啦！)

P：你對釣魚台的看法是？釣魚台的重要性是什麼？

柯：從最近的時事來看：南海和釣魚台爭議、中國稀土紛爭、墨西哥灣漏油、北海爭議…都和海洋有關。

墨西哥灣事件反映出陸上資源漸漸耗盡，於是開始轉探勘海洋資源的趨勢；加上美、日聯合控告中國壟斷稀土，這也顯示哪個國家掌握海洋資源誰就擁有優勢。英國也是個例子，北海的石化燃料資源對英國發展金融產業來說是一項很關鍵的條件。

南海、釣魚台的爭議只是反映出各國開始爭奪資源的衝突；島不是重點，爭的是海底下的資源。海洋資源可以簡單分成生物性和非生物性，生物性就像是漁場，非生物性就像是潮能、礦產、燃料；擁有島嶼主權的國家就擁有這些資源。

從航海時代之後，有形或無形的海洋資源左右一個國家未來的發展。現在的「海洋國家」都具備海底探勘或者海洋工程技術，這些科技不是幾個研究單位或者小國家玩得起的，因為那都是整合性研究，像是有能力製造深海潛水艇，就表示機電、工程、海洋學等領域發展有一定的水準。而且這又是循環－有能力能探勘海底資源的強國，才有資源能再發展更多海洋技術。

P：海洋對台灣的重要性？

柯：就光是氣候變遷來說，「海洋」是關鍵。洋流左右著陸地的氣候，像是聖嬰和反聖嬰現象，只要太平洋東岸的湧升流改變，就影響了幾千公里外的太平洋西岸的降雨量。

目前颱風路徑可以相當準確預測，因為其是受大氣環流控制，可是對於雨量與強度卻無法準確預測，而僅能作觀測，因為其是受海洋可以提供多少能量所控制，而這方面的資訊不完整。原本颱風只會在太平洋赤道5度附近形成，但是暖化的關係，現在連北緯10度都能形成颱風！形成颱風的區域條件變寬，就越難預測颱風的動向。目前的氣象資料也多從大氣取得，像是衛星、雷達雲圖，海洋的資料不多，但海洋卻又影響著陸地的天氣，增加海洋測站對於精準天氣觀測來說就變得非常重要。

不只是氣候變遷下的天氣預測，海洋可能也是解決的途徑。海洋面積大，控制著溫室氣體的「收支」，還有接收來自陸上河流的碳排放。海洋中有幾百萬平方公里的海面有很豐富的營養鹽，但缺微量元素鐵，因此綠藻行光合作用效果不好，無法大量吸收二氧化碳，有科學家到特定區域灑鐵粉誘發它們吸收大量的二氧化碳，海洋中二氧化碳量下降，大氣中的二氧化碳自然會再溶入海洋，而使大氣二氧化碳含量下降，這就是一個地球工程利用海洋資源解決暖化問題的例子，這都不是陸上象徵性舉辦種樹活動能達到的效果。

P：你希望海科館對推廣海洋科學扮演什麼角色？

柯：海洋科學比較不被民眾重視，其中一個原因是學校沒有教，教科書沒有提到，老師也不懂；教學的人都不懂海洋了要怎麼教海洋？我希望海科館能介紹國內既有的海洋科技，配合館內的研究部門自己策展或者從事一些基本的海洋研究。

未來海科館有三個館區，分別為已於今年6月底開放的區域探索館（非主題探索館），預定明年6月底準備試營運的主題館（主要展館），以及BOT預定106年完工的水族館。。

四層樓的主題探索館最上面會規劃成餐廳，底下三樓介紹一些當地的海洋文化。主館保留了日據時期填海造陸興建的「北部火力發電廠」的鍋爐室，利用挑高的建築結構作為「深海展示廳」。另外還有國內最大的IMAX劇場。

園區附近也會分期發展，像是前面（指行政大樓前）這岸邊會規劃成潮間帶教育區，配合附近的漁港作浮潛觀光。不過在那之前我們得先調查附近有什麼魚種，還要讓魚群熟悉人類，敢親近人，要這麼做就是得輔導漁村轉型生態旅遊。至於附近的街景也有規劃要改造，但難度很高。

要做的事很多，還需要地方政府、民眾的理解跟支持才行。

海科館蠻強調從鄰近的海洋出發，讓民眾認識海。像海科館也一直有支持附近的軟絲復育，就是《產房》紀錄片提到的那群潛水教練，他們利用竹叢作為軟絲產卵的空間，效果很好；而且因為沒有捕捉，所以那裡的軟絲都很親近人，可以近距離觀察它們。

我們也和海洋大學合作，希望培養專業領域的學生來這服務學習，讓學生不只在學校學，也要知道怎樣推廣這些專業知識。

P：海科館和海生館有什麼不同，會競爭嗎？

柯：海洋領域可以分成三大類：海洋科學－包括物理、化學、生物、地質，有些國家－像是美國－還有包括聲學；工程；水產科技。海洋生物雖然只是一小領域，相對來說不是關鍵技術，但為什麼容易受到重視？因為海洋生物資源貼近我們的生活，而且吸引學童，很適合作為海洋教育的切入點。

另外，海科館和海生館都隸屬教育部，但都是由民間公司負責營運，採BOT加OT的模式，雖然要自己承擔營運盈虧的壓力，但也會比較容易有創新的思維。

P：對台灣開採可燃冰或海洋能源發展的看法

柯：可燃冰是很棒的資源，很多國家都想開採，不過目前在技術上都很有困難，而且風險又很大；可燃冰主要成份是甲烷，一不小心會起火，而且如果弄不好，大量外洩到大氣中，會改變氣候，非常危險！現在有國家是明文禁止開採，當然也有國家－像是日本就積極研究。台灣的海洋研究預算遠低於鄰近的日本和韓國，沒有技術能開採可燃冰，現在只有探勘可燃冰的含量。

國內有在研究怎麼利用周遭海域的潮汐能，可是潮汐變化太大，不能穩定發電。我們的研究團隊最近發現東岸的黑潮潮汐能蠻穩定的，但是淺層的潮汐能太弱，要深一點才能有發電的潛能。其他的海洋技術研究可能要問海洋中心會比較清楚。

台灣的研究環境太強調論文發表了，很多攸關人類和國家發展的研究因為要花上很長的時間，也比較強調應用面，這些議題的研究相對比較難有漂亮的論文。在這樣的研究風氣下重要的研究就很難有科學家願意投入。

採訪結束後柯主任還帶小編參觀水族研究區，雖然Z編參觀過屏東海生館的後棟，海科館的水族規模小了許多，但是看到活生生的海洋動物還是忍不住多看幾眼加尖叫！

這些巨大的龍膽石斑是水試所提供的，當時只是小魚，現在都跟人一樣大了。（這也顯示海科館真的籌備很久…）

▲很想拿手去餵硨磲貝的P（其實是在玩弄海葵對陰影的反射動作）

這些海洋生物目前由兩位研究同仁和替代役負責照顧，也在研擬治療一些魚病的方法。

就期待海科館開幕後告訴我們更多海洋的故事囉～（是否該來篇海科館開箱文？）

延伸閱讀－PanSci小編遊台灣科學展館系列：

1. 「如果寶傑邀請你去擔任來賓，你會……？」科博館周副館長表示…

2. 「外星人如果造訪地球，是福是禍？」台北天文館資訊組徐組長表示…