【紀錄】M.I.C. X 科技大觀園：血刃

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

「雜種醫」的挑戰

余巖在一九三二年出版《醫學革命論文選》第二版之時，新版序的開場白就敘述了朋友對他的氣憤埋怨。他們說：

近年外面半新半舊非驢非馬的醫說，橫行得了不得。這點狡獪都是你教訓他們的。你若不去向他們攻擊，他們永遠不會變遷。舊的索性舊，新的索性新，倒是界限分明，容易解決。⋯⋯你拚命攻擊舊醫，結果是教訓他們尋出一條生路。

在一九二九年的衝突之後，許多批判中醫的人都注意到一個令他們毛骨悚然的現象：一夕之間，出現了一種「非驢非馬」的雜種醫。在很短的時間裡，雜種醫就在醫界大行其道，而之前這種混種現象只盛行於商業界的藥品市場而已。雖然抱持第一與第三立場的人對於中醫科學化的意見相反，但他們都把陸淵雷與譚次仲的方案抨擊為「非驢非馬」。

為何被譯為「雜種醫」？

在此，我想清楚說明為什麼把「非驢非馬醫」翻譯為「雜種醫」（mongrel medicine），而不是聽起來比較正面的「混種醫」（hybrid medicine）。第一，兩者間有一個重要的不同之處，就在於「雜種醫」是當年的歷史行動者所使用的概念。當年批判中醫的人士把「非驢非馬醫」等同於「雜種醫」，因爲他們想強調這種醫療是一個背叛了父母的雜種，是對兩個純種醫學傳統的雙重背叛。

這樣強烈的負面意涵便引出我的第二個論點：作為歷史行動者的概念而言，當年沒有任何中醫師會自我標榜為「非驢非馬」，「非驢非馬」是中醫批評者強加在他們身上的一種貶抑性的標籤。相較於「雜種」與「非驢非馬」所帶有的強烈的負面意涵，「混種性」（hybridity）這個後殖民概念的功能剛好相反，它強調「後殖民文化的混種性是一個優點，而不是弱點。」我想傳達的訊息卻正是混種的負面意涵：對於那些企圖匯通中西醫的人而言，他們必須承受對手加諸己身的羞辱與限制，被對手定義為「雜種」。為了傳達「非驢非馬」一詞的貶抑與羞辱，我決定將其意譯為「雜種醫」。

備受罵名，仍要追求中醫科學化的原因為何？

面對來自雙方的攻擊，陸淵雷決定在那份備受爭議的中醫科學化提案當中，將接納雜種醫列為五項前提之一：「故整理國醫藥學術，引用科學原理時，不任受破壞國粹之名。」在此陸淵雷清楚表示不認同將中醫視為「國粹」而保存其本真性（authenticity）。

這是一項重要的證據，顯示至少對陸淵雷而言，國醫運動不當被等同為一種文化民族主義運動。他特別提及儒學與佛教在宋朝（九六○ — 一二七八）成功融合的例子，而主張中醫科學化是性質接近的事業，是以一種大膽而富有創意的方式來融合中國與外國文化。就這個意義上而言，像陸淵雷這樣的人士不僅發動了中醫科學化方案，更心甘情願地承受論敵貼在他們身上的貶抑性標籤，因為他們追求的目標不是保存中醫既有的樣貌，而是要發展出國醫館所揭示的那種新生的混種醫。

余巖的友人責怪余巖協助創造了這種雜種醫。他們是對的。雜種醫之所以會興起，就是為了回應余巖和其他中醫批評者所倡議的醫學革命。這並不是說在余巖對中醫提出抨擊之前，不曾有人試圖融合這兩種醫學型態──唐宗海就是一個明顯的先例。重點是，雜種醫之所以突然間變地那麼值得追求、那麼引人痛毀極詆、那麼危機四伏，這一切都源於人們堅持要以科學方法整理中醫──換句話說，就是中醫科學化。有史以來第一次，當中醫師想像中醫與西醫的關係之時，他們無可逃避地必須共同直面科學的概念。

雜種醫與中醫科學化的關係？

雜種醫與中醫科學化之間，有一種相互建構與壓制的辯證關係。這兩者的關係具有相互建構性，因為中醫師會想追求雜種醫這種古怪的東西，完全是因為國民黨國家提倡中醫科學化，並強迫抗爭雙方以其作為停戰條件。正是這個科學化的目標，迫使中醫師在改革中醫時認真看待科學的概念以及相關的現代性論述──例如余巖對於中醫的三分法。就這個意義上而言，他們的改革體現現代性的特徵，因此截然不同於由唐宗海為代表的那種前現代式的匯通中西醫。

另一方面，這兩者之間的關係也具有壓抑性，因為正是科學的概念使人難以想像中醫與生物醫學之間能夠經由跨種雜交而產生有意義的成果。單純想像把兩種醫學型態混合起來，或許不需要擔心會產生怪物。但若是想像將科學與異己的他者進行跨種雜交，感覺上幾乎是褻瀆神聖。由於大家都覺得這是一個無法想像的作法，無怪乎批評者將這種新式醫學描述為「非驢非馬」。

就像那無法繁殖後代的騾，雜種醫雖然表面上看來充滿活力，卻絕對不可能長久存續，無法成為一個富有生命力的活著的傳統（living tradition）。正因為這種醫學廣受大眾歡迎，反對者覺得必須利用雜種醫這個貶抑性的概念，以提醒眾人逾越界線的危險，使人們產生強烈的負面情緒。總而言之，就是因為論爭雙方都接納中醫科學化方案，是以雜種醫才會變成一個廣受中醫師支持的、值得追求的、卻又沒有希望成功的方案；另一方面，也變成西醫師眼中巨大的威脅。

結論

西醫師為何強烈地偏好「中醫科學化」這句口號，而不是「以科學方法整理中醫」？關鍵就在防止雜種醫。由於這句口號包含了「科學化」這個在地發明的概念，因此也就把我們帶回了本章一開頭提出的那個問題：在一九三○年代初期的中西醫論爭中，中醫科學化方案做為一股關鍵歷史力量，究竟發揮了什麼樣的功能？最直白的答案就是，將科學轉化為一個動詞（科學化），其實是最有效的方式來展示世界上存在著一種同質性的實體叫做科學。

如果科學不能被理解為一種同質性的單一實體，那便難以想像將某個東西「科學化」究竟是什麼意思。更重要的是，當人們習以為常、不假思索地使用「科學化」這個動詞時，大家的行為便預設並且強化了一個想法：科學及其對反（中醫）是兩個可以清楚辨識的實體，就像具體的物品一樣真實。

——本文摘自《非驢非馬：中醫、西醫與現代中國的相互形塑》，2024 年 02 月，左岸文化出版，未經同意請勿轉載。

科羅拉多州丹佛市的科羅拉多州會議中心
第六十一屆美國鑑識科學學會科學年會

司法科學可能失誤？垃圾科學害無辜的人被判有罪？

二○○九年二月十九日，美國國家科學院投下了長達三百頁的震撼彈。全世界的頭條新聞都是宣告絕對正確的鑑識神話破滅。這份後來被稱為《 NAS 報告》的《提升美國司法科學：前進之路》（Strengthening Forensic Science in the United States: A Path Forward），讓聚集在丹佛參加美國鑑識科學學會年會的鑑識社群都深受打擊。自從一九六○年代中期的山姆．謝潑德審判以來，無論是法庭或流行文化都一直認為司法科學是萬無一失的。

即使出現了錯誤定罪，也沒有削弱這個被廣泛認同的信念。二○○九年美國鑑識科學學會的「科學會議」議程就反映出對這件事不存在絲毫懷疑。在該年的五百三十六篇發表文章中，只有一篇是討論錯誤定罪，發表人是一名加拿大的辯護律師，而該科學的可靠性則完全沒有成為關注議題。¹

《 NAS 報告》在一夜之間讓會議議程顯得無關緊要，彷彿是上個世代的產物。垃圾科學害得無辜的人被判有罪，這不能再怪是因為「一粒老鼠屎壞了一鍋粥」。美國國家科學院解釋因 DNA 的平反揭露了「一個令人不安的冤案數量，有些還是死刑案件，並暴露了美國常用的一些鑑定方法的嚴重侷限性」。

即使是在最高法院作成對道伯案的意見之後，糟糕的科學依然在司法制度中占據主導地位。《 NAS 報告》回顧了上個世紀如史詩般的侵權責任之爭，它導致了道伯案這個具有里程碑意義的判決。儘管彼得．胡伯的《伽利略的復仇》一書講述像「中了頭獎」的人身傷害訴訟，讓「現在已眾所周知的『垃圾科學』變得普及，並批評司法制度接受不可靠的專家證詞來支持侵權主張」，但《 NAS 報告》提到的「垃圾科學辯論」幾乎「完全忽略刑事訴訟」。²

鑑識體制對於《 NAS 報告》反應如何？

鑑識體制中大部分是善意而不習慣接受批評的公務員，對司法科學界來說，美國國家科學院的批評是對個人的一種極大侮辱。大部分從業人員都是跟隨廣受尊敬的導師學習這一行，但現在幾乎所有鑑識行業公認的智慧都遭到駁斥：「訓練應該從學徒式的實務傳承轉向大學等級的教育，並且要根據科學上的有效原則。」該報告總結道：「我們需要的是一個新的、強大而且獨立的單位，要切斷與過去的連結，且它要有權威和資源實施新的作法，解決委員會發現、在本報告討論到的許多問題。」

美國鑑識科學學會的議場傳出了鑑識專家們抗議的悲鳴。《鑑識科學期刊》發表過大量經同儕審查的文獻，在過去六十年間，在美國鑑識科學學會的科學會議上也發表了上萬篇經評審的演講和「學術研討會」。全國法院都宣布法醫從業人員是「專家證人」。

現在來了一些統計學家，就想要說我們沒有科學？ 我們不知道自己在做什麼？ 問問那些教授，他們最後一次從屍體上採下帶血的指紋是什麼時候！

前 FBI 實驗室分析人員馬克斯．胡克回憶道：「每個人都快氣瘋了。」³

醫學領域也發生過類似經歷？為什麼醫學界發生改變，鑑識學界卻難以動搖？

很少人能斷然放棄長期以來的信念，無論反面的事實多麼令人信服。這就是人性，司法科學也絕對不是第一個抗拒新事實的科學領域。一九八○年代中期的醫學就是這樣，歷經了漫長而緩慢的轉變過程，才從「根據大師怎麼說」（依照該領域的領導者傳下來的智慧），轉向實證的治療方法（依據精心設計的研究做出醫學決定）。

以「萬物的隱藏面」為主題的公共廣播節目《 Freakonomics 》做了一個〈劣藥〉（Bad Medicine）的四集報導，其中便呈現出司法科學社群對《 NAS 報告》的反應，也顯示出它和醫學界對「考科藍協作組織」（Cochrane Collaboration）的反應有著令人驚異的相似之處——考科藍組織所做的事便是對幾世紀以來的醫學文獻進行前所未見的系統性檢視。

這份一千五百頁、分成兩冊的報告於八○年代末在該領域造成轟動。如同廣播主持人史蒂芬．都伯納（Stephen Dubner）表示：「考科藍協作組織是第一個將既有醫學問題加以真正系統化、彙編和評估其最佳證據的組織。你會認為這應該得到普世的讚揚，但是就和任何行業中根深柢固的智慧（即使是很不智的智慧）一旦受到挑戰一樣，醫學界並沒有為此感到振奮。」⁴

考科藍協作組織的共同創辦人伊恩．查爾默斯（Iain Chalmers）爵士描述，當一群局外人告訴醫生應該如何治療病人時得到了什麼反應：「我必須說，醫學界其實對此有很大的敵意。我記得有一次，我同事要出席英國醫學會在當地的一場會議，英國醫學會基本上是叫他去說明實證醫學（evidence-based medicine）是什麼，以及這群統計學家和其他又不是醫生的人，到底跑來這個他們不該亂搞的領域胡鬧什麼。他開車出發前問我：『我應該告訴他們什麼呢？』我說：『如果是病人抱怨實證醫學的目的，我們應該認真對待這些批評。在那之前，就當這主要是既得利益者在尋找出路。』」

實證醫學成為規範作法的主要原因之一，是患者（客戶）提出了要求，最終會迫使醫學界默默地站在數據這一邊，而不是繼續服從該領域的大師。然而垃圾科學在美國刑事司法體系中的主要客戶是檢察官，他們大部分都對現狀感到滿意。

——本文摘自《法庭上的偽科學》，2023 年 12 月，商周出版，未經同意請勿轉載。

註解

1. 二○○九年美國鑑識科學學會的「科學會議」議程，瀏覽日期二○二一年七月五日，aafs.org/common/Uploaded%20files/Resources/Proceedings/2009_Proceedings.pdf。 ↩︎
2. National Academy of Sciences, Committee on Identifying the Needs of the Forensic Sciences Community, “Strengthening Forensic Science in the United States: a Path Forward,” at 89 (2009) (NAS Report)（省略內文的引用和引述）。 ↩︎
3. 對胡克的訪談。 ↩︎
4. “Bad Medicine, Part I: the Story of 98.6,” Freakonomics Radio (Bad Medicine) ， 瀏覽日期二○二一年七月五日，freakonomics.com/podcast/bad-medicine-part-1-storyrebroadcast/（節目文字紀錄）。 ↩︎