文/李覓農
還記得那個著名的研究孩童自制力的「棉花糖測試」Marshma
一般人原本認為治療心碎需要時間，若能向親人或好友傾訴情傷，
當朋友深夜打電話來述說心碎情傷，你卻告訴他：「
米歇爾表示，咀嚼悲傷或負面的經驗，實際上不利於癒合過程，
参考資料：
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。
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！
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。
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。
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。
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。
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。
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
討論功能關閉中。
面前跪著不孝子，母親聽完了晴天霹靂的消息，她激動得站了起來。突然，母親面目猙獰的緊抓胸口，疑似是「心臟病發」，當場就昏厥倒下……
小時候看到這種電視劇常見的套路，常覺得這也太老掉牙，怎麼可能就這種戲劇張力最大的時候，恰巧要來個心臟病發呢？不過 1990 年代，日本的醫學研究發表了一種叫做「心碎症候群」的病症，自此「心碎」成為醫學上正式的名詞，也成為電視劇中的老梗元素。
「心碎症候群」有個不怎麼像正式名稱的正式名稱：章魚壺心肌症（Takotsubo myopathy）。章魚壺心肌症常見發生在極度高張的情緒後，發生有如心肌梗塞的胸痛症狀：譬如目睹摯愛的家人死亡，或是剛經歷死裡逃生的經驗。
其發病的病理機轉是，在交感神經的強烈刺激以及兒茶酚胺大量分泌下，心肌承受不住如此戲劇化的改變，而開始收縮不良；本該在收縮期，把血液打到主動脈的左心室，因為收縮不良，而在心尖膨起，形狀就如同日本捕章魚的章魚壺，也因此被命名為「章魚壺心肌症」。
在一篇收案橫跨歐美的研究指出（Templin et al., 2015），大約 89.8% 的章魚壺心肌症患者為女生，而且年齡中位數為 66.8 歲。雖然當初在日本發表時，提到「情緒」誘發的重要性，但在這篇研究卻指出，生理上的壓力更常誘發章魚壺心症，甚至多達 28.5% 的人沒有明顯的誘發原因。
患者通常因為瞬間發生的劇烈胸痛、氣促、甚至昏厥而被送至醫院。不過，當有這樣的情況發生的時候，請一定要馬上就醫！因為就連醫師也很難單就症狀來判斷患者是罹患「章魚壺心症」？還是要命的「心肌梗塞」？
依照心室收縮不良的位置，最新的臨床分類為以下四種。
一、心尖型（Apical Type）
所謂心尖也就是章魚壺的「壺底」，是最初日本研究發表時的經典發病位置。而這也是最常發生章魚壺心肌症的位置。
二、左心室中段型（Mid-Ventricular Type）
夾在心尖和基底之間的就通稱心室中段型，是暨心尖型之後，第二常見的發病位置。
三、基底型（Basal Type）
心臟的基底指的是連接主要大血管（譬如主動脈）的部分，位置恰好與心尖型互補。
四、局部型（Focal Type）
這是心室中，任何一處收縮不良，不過這個分類就是少見中的少見了。
讓我們稍微岔個題，談談何謂「心肌梗塞」。冠狀動脈是負責輸送氧氣和養分到心肌的血管，主要有三條，包覆著日夜跳動的心臟。如果冠狀動脈堵塞，而使心肌細胞缺氧進而壞死，就是所謂心肌梗塞，必須在時間內到導管室「通血管」。
章魚壺心肌症的病人進到急診室時，其臨床症狀、心電圖（偵測心肌電氣活動）、以及心臟超音波（掃描心臟外觀以及內部構造）與心肌梗塞幾乎別無二致，甚至心肌細胞破壞才會出現的心肌酵素偶爾也會上升。在這樣極端的情況下，最終還得藉助心導管（在血管內送入導管，注入顯影劑，搭配 X 光觀察；假若導管加裝氣球、支架等，可兼診斷及治療）的幫忙，確認冠狀動脈確實都暢通，才可以排除心肌梗塞，而安排下一步的治療。
大部分這種病人都是以藥物及其他支持性治療為主，在適當範圍內降低心律、讓心臟需氧量下降，達到保護心肌的效果。確診後，章魚壺心肌症的患者康復的機率比真正的心肌梗塞患者來得高，院內死亡率至多 2％，多數病人在數個月後都可以恢復到接近原本的心臟功能，死亡率也低很多，只有少部分會進展成心臟衰竭。
雖然章魚壺心肌症這個名稱，是由心臟科醫師發明出來的，但是有科學家認為，其實這不是人類特有的疾病（Natterson-Horowitz & Bowers, 2013）。例如獵人與獵物在經歷一場驚心動魄的追逐之後，即使獵人的武器沒有傷到獵物，這些動物也可能突然死亡；有些鳥類因為保育的需要，被田野生物學家捕捉到後，死亡率也會上升。
在獸醫學界有另一個名詞，叫做「捕捉性肌病」（Capture myopathy）。兒茶酚胺的大量釋放，也被認為在其病理成因扮演了重要的角色。而這不免讓人想到兒茶酚胺不論是對骨骼肌或者心肌， 都有一定的毒性，而影響到肌肉的功能。在演化的漫漫長路上，人類與其他動物，或多或少有共通的疾病。
自此之後，看到鄉土劇中將劇情推向高潮的「心臟病發」時，我已經懂得稍停一下，細細比對章魚壺心肌症的各種症狀，而不會馬上大翻白眼，笑說這已經老掉牙了！
這本藥物與社會的精彩研究獲得醫學史、科學史、醫療社會學、公共衛生、醫學人類學、醫學與化學領域期刊的關注。
書評者肯定本書的重要，但重點不同。
就書寫手法而言有人看到時間的延伸，有人看到主題的鋪陳。就內容來看有人認為本書對美國 FDA 的分析十分精彩，有人則從本書看到學名藥的全球流動。而最令人震驚的自然是「generic」的概念。如索博達（Debra Swoboda）在《健康與疾病社會學》（Sociology of Health &Illness）期刊的書評指出的，本書一言以蔽之是指出「學名藥宣稱與品牌相同但卻不同；任何斷言它們相同的說法遮掩了兩者之間的差異」。
同為醫師人文學者，在藥物與社會的研究裡耕耘，對我來說本書的重要啟示不是學界讚譽，而是社會影響。在本書出版後葛林接受各種電台，包括美國公共廣播電台的訪問，將這個冷門議題打進《紐約時報》、《富比世》與《紐約客》等大眾媒體，提醒大家重估作為「老技術」的學名藥的市場可能。
在這個意義上本書已經不只如羅林斯（Michael D Rawlins）在《柳葉刀》（Lancet）的書評所說，將學名藥研究「帶出生命」；它進一步讓傳統的文史研究與當代議題對話，共同找尋群體健康的可能。
這讓我憶起研究東亞臨床試驗時「和而不同」的同好。
這些人中有的關心墨西哥的學名藥產業，有的正處理非洲的藥物供給與健康計畫，有的試圖串接印度學名藥與生技產業，有的才出版阿根廷精神用藥的專書。
在傳統學科分類中我們單打獨鬥，題目各不相同，但藥物這既尖端又普遍，既資本密集又活人濟世的科技讓我們認識彼此，從案例裡拼湊全球製藥（global pharmaceuticals）的複雜圖像。數年後我們陸續在學界安身立命，但沒讓成果束之高閣。我們出版著作，也在國際衛生、全球政治經濟、健康產業的反省上積極加入討論，提出建議。
也是在這群朋友的介紹下我知道本書作者，參加他《按數字下藥》專書在 4S 會議的討論。但有機會跟他長談時這本書的英文版已即將出版。在馬尼拉的艷陽下我們分享在波士頓的共同老師與朋友，醫師人文學者的生涯規畫，自然還有這本書。
學名藥不算我熟悉的領域，葛林也剛到亞洲，對東亞製藥不熟。雖然如此，我們都習慣與專業交流的方式，迅速將各自所學傾囊以告，也找到幾個有趣的合作課題，相談甚歡。此後我們時有聯絡，加上左岸出版社林巧玲女士的慧眼，以致有本書的出版。本書翻譯自二○一四年的精裝本，但他特別為中文版撰寫長序，補充他「老藥新生」的觀點，點出亞洲製藥的動態與提醒二○一六年才通過的《二十一世紀醫療法案》，誠意十足。
雖然如此，我們終需面對自己的學名藥困境。
臺灣製藥業始於一九二○年代，特色是藥廠家數多，水準參差不齊，創新上並未著力，外商則挾其強勢品牌主宰市場，類似十九世紀的美國。
一九八二年實施的優良藥品製造標準（Good Manufacturing Practice，GMP）是藥業轉型的里程碑。透過專職稽查與追蹤考核，原先約五五○家的西藥廠在實施後的五年內陸續減少到二一一家，一些老牌學名藥廠商如生達、永信、中化等則擴大版圖，穩健精進。而政府也逐步提升製藥品質，在二○○五年與二○一四完成現行優良藥品製造作業標準（current Good Manufacturing Practices，cGMP）與 PIC/S GMP 稽查，讓一一○家藥廠與國際接軌，是藥政的里程碑。
如果臺灣學名藥已經「與世界同步」，健保也將學名藥納入，使用比例高達七成，那為何大家還是對它們沒有信心？
前面我用三個事件提醒讀者學名藥不光是個人感受，更與藥物法規、健康體制與全球政治相關。從本書出發，在本文最後我分享幾個粗淺觀察。
首先是市場與健保。
本書第四與第五部分提及學名藥替代的市場競逐，在臺灣健保署是最大買家，但給付卻並非純然根據市場機制，一些原廠藥即使專利到期後依然有較高給付價格，延續品牌效應。對此，二○一四年健保署打出支持學名藥的「三同」政策，宣布專利逾期且給付超過十五年的老藥不分原廠或學名都給付相同價格。當然原廠藥多半進口，需要較高成本，但是就事論事，適用「三同」政策的原廠藥在失去市場壟斷後還享有品牌優勢，大可不必動輒宣稱退出臺灣。
相較跨國藥廠以出走促使政府試辦藥價差額負擔，以自費填補品牌選擇的差價，學名藥雖有「三同」政策支持，但無法改變它在健保下生存不易的現實。不但學名藥的品牌存在感遠低於學名（對醫師）或者是原廠商品名（對病患），每兩年的給付檢討不斷下修藥價，大幅壓低學名藥的利潤。
二○一五年《天下》雜誌的專輯說得好：「救命的藥，比一顆糖果還便宜；補充營養的點滴，價格竟不如一瓶罐裝水……。這麼『好康』的價格，真的是消費者的福音嗎？」
當然，我們無須就此質疑學名藥的品質，但將本求利，藥物製作的門檻並不低。要讓學名藥變成薄利多銷的「良心」企業，那市場操作就要更加靈活，有時要併購與擴張，風險不比經營原廠藥小。本書提到的學名藥廠天王梯瓦（Teva）一度引領風騷，但二○一七年的錯誤投資導致債務危機與市值暴跌便是一例。
另一個學名藥的觀察是品牌與臨床在地性。
在一般學名藥的討論裡往往將原廠藥當作標準，只要比原廠藥使用劑量稍多，用藥期間較長就認為藥效不如原廠。
確實，一顆藥丸裡大多數內容是賦形劑，要能顆顆與原廠相同幾乎不可能，而本書也從療效相等的觀念為原廠藥學名藥「不可共量」的兩難解套。事實上，學名藥的最大貢獻不是技術創新，而是打破壟斷，提供醫師、藥師與病患更多治療選擇，例如本書第五部分所指出它對特定族群的用藥幫助。如果這種說法言之成理，那我們似乎不必過於在意學名藥是否與原廠藥完全一樣（因為它們不會一樣），而是回歸臨床，在個別病患與藥物之間找到最佳的治療策略。
對此，日本經驗值得參考。眾所周知日本製藥在一九六○年代與一九七○年代被詬病沒有創新，多半仿製原廠藥或者是推出模仿藥。但如果先放下這些成見，會發現他們是用「國藥國用」的想法打造適合日本人的藥物。
以阿斯匹靈來說，日本版的藥不但有不同於歐美的小劑量，在製程上也做足功夫，推出腸溶錠、緩衝錠與腸溶顆粒錠等劑型，滿足使用者的要求。
又例如大家愛比較的抗生素，在引進第一代頭孢子菌素藥物時日本藥廠不但重新製作，更透過醫師的臨床經驗找出適合的使用方式放進使用說明。
我認為學名藥固然受惠於原廠，有效成分無庸置疑，但一味拘泥於原廠設定的使用方式，忽略藥物的臨床在地性，似乎也矯枉過正，拘束了醫師藥師揮灑專業的空間。
在政府整頓製藥產業之際中藥也引進 GMP 制度，在二○○五年以查驗與輔導方式將中藥廠加以轉型，更計畫在二○二五年部分實施 PIC/S GMP 認證。這些法規的改進，參照近年來政府推出的「中草藥產業技術發展五年計畫」（2001-2005）與「生技製藥國家型計畫」的中醫藥部分與「中醫藥現代化與國際化」等大型研究計畫，顯示臺灣善用豐富使用經驗與研究基礎，結合產官學，在中草藥領域拔得頭籌的企圖心。只是「立足中藥，放眼全球」的說法雖然吸引人，但如何找出創新之道則人言各殊。
不同於原廠藥的專利研發模式，本書「品牌中心」的論點提供中藥發展的另類可能。具體而言，中藥內容上類似學名藥，藥方來自經典，藥材來自大自然，不算是祕密。
雖然如此，因為臺灣大多使用科學中藥，也就是中藥的濃縮顆粒，在製作、劑型與確認藥效上都有許多研發空間。因此，如果要打造現代中醫藥產業，政府一方面可以繼續鼓勵廠商找出中藥有效成分，申請專利，但同時也應該透過審核機制，協助優良藥廠建立品牌（或者用本書作者的說法，是「再品牌化」），以優質產品開拓市場，貢獻群體健康。
總結本文。
葛林是新一代的醫師，也是新一代的人文研究者。他身具多學科訓練，處理跨領域的課題，主張從醫療生態的過去看到未來。
他這幾年往來亞洲，關心全球的藥物流動，也在藥品與藥價議題上以 STS 專家身分參與立法聽證。我們期待他來台建言，但先讓這本書來引導大家進入製藥的「魔衣櫥」，在時空穿越中對藥物與社會研究、學名藥，以至於製藥體制的前世今生有新的認識。
本文摘自《藥櫥裡的時空穿越：從學名藥看現代製藥的前世今生》，2018 年 7 月，左岸文化出版。
鄭國威 Portnoy
miss9
