【2014智活星期二】邱佳慧：101腳下的小情大愛

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

本文轉載自中央研究院研之有物，泛科學為宣傳推廣執行單位。

• 採訪撰文│陳亭瑋
• 美術設計│林洵安

Taiwan Biobank 的重要性

每個人長期的健康狀況，皆是遺傳基因加上生活型態與環境因子長期綜合下來的結果。「臺灣人體生物資料庫」（Taiwan Biobank），期望透過結合生活習慣、環境因子、臨床醫學與生物標幟等資訊，建立屬於臺灣本土的人體資料庫，為國人量身打造「精準醫療」與「精準健康」的基礎。

從精準醫療到精準健康

為什麼有些人年紀輕輕沒有三高也會中風，卻也有人菸酒熬夜樣樣來卻不曾罹癌？你身邊一定也有些怎麼吃也吃不胖的朋友，或是號稱喝水也會胖的夥伴。每個人長期的健康狀況，皆是遺傳基因加上生活型態與環境因子互相綜合的結果。

2012 年成立至今的「臺灣人體生物資料庫」（Taiwan Biobank），宗旨即期望透過結合生活習慣、環境因子、臨床醫學與生物標幟等資訊，建立屬於臺灣本土的人體資料庫。

Biobank 的基本價值會出現在「精準醫療」，或者是「精準健康」。

「所謂精準醫療，是說你生病了以後幫你治好；精準健康進一步做到預防，讓人盡量不要生病。」Taiwan Biobank 主持人李德章說明。

精準的關鍵：了解個別遺傳變異

精準醫療的重要面向：即透過對於基因、代謝的理解，個別化調整治療用藥。除了許多癌症的標靶藥物可經由基因型擇選治療方案，藥物在人體內的效應與代謝相關，受多基因調控影響，有極大的族群或是個體差異。

李德章舉出教科書的經典案例，白種人的血壓的常用有效藥物為 β 受體阻斷藥（ ß-blockers）以及血管張力素轉換酶抑制劑（ACE inhibitors），而非洲裔卻需改採鈣離子通道抑制劑（calcium channel blockers）方可見效。2015 年發表的研究也指出，許多常用藥物實際只有少數比例的病患有反應，如精神用藥「千憂解」（Cymbalta、Duloxetine）僅有九分之一的患者可見效。

上一個世紀是一種藥所有人吃；因為精準醫療，二十一世紀的用藥就會變成每個人吃適合自己的藥物。

除了影響用藥的效果，基因變異也與許多疾病的未來風險有很高的關聯。臺北榮民總醫院在 2020 年正式發表的研究，就發現了臺灣族群中特有的腦中風基因突變——在 NOTCH3 基因上的 R544C 突變，可能造成遺傳性的腦部小動脈血管病變，會增加 11 倍發生腦部小血管阻塞性中風的機會。由臺灣生物資料庫提供的背景資料，推估臺灣約近百分之一的人，即近 20 萬人帶有這個突變。

此外，臺灣 2010 年痛風的患病率為 6.24%，相對於世界平均 4%，是罹病率最高的國家之一。臺灣人痛風比例這麼高，究竟是受到哪些基因的影響？過去痛風遺傳研究主要以歐美族群為主，少見針對亞洲人的基因遺傳研究。近年來，研究人員終於可透過臺灣人體生物資料庫大量比對，破解與痛風相關的遺傳因素。

在人體生物資料庫中進行比對、確認族群的遺傳特徵，才能針對族群特性，對於生活方式提出調整建議，防範於未然，這就是「精準健康」的奧義。

老化臺灣，如何活得好？

特別是日趨人口老化的臺灣，精準健康的概念更形重要！衛生福利部 2018 年的統計，國人健康平均餘命達 72.3 歲，但不健康平均存活年數高達 8.4 年，許多人晚年長期慢性疾病纏身。如果未來能找到臺灣人癌症、阿茲海默症等慢性病的高風險族群，調整其生活型態，有助於延遲其發病時間、延緩病情進展。

有些疾病不太可能治癒，如阿茲海默症，可是如果這個病發生的時間能夠延遲個十年，對社會、對個人的影響就很巨大。

此外，如何調整生活型態，降低疾病的發生，也可以從人體資料庫找到答案。以運動改善肥胖來說，許多研究指出：基因遺傳與肥胖、代謝症候群有很強的關聯。那麼，藉由運動真的能夠協助控制體重嗎？

臺灣大學、國家衛生研究院及台北榮總研究團隊透過臺灣的數據指出，經由後天培養運動的習慣，可有效降低因為先天基因而造成的肥胖風險。研究甚至可更細緻回答到每個人最有效的運動種類，諸如慢跑、爬山、國標舞、健走及散步等等。

隨著臺灣人體資料庫逐步完善與逐年追蹤，更多有關臺灣國人健康的重要資訊可望逐漸挖掘出來。

我們的任務就是想辦法把它作出夠高品質的資料，讓大家很放心的去使用。

打造最高品質生物資料庫

然而，這些夢幻研究均必須仰賴資料庫收集巨量、高品質的檢體。臺灣人體生物資料庫主要收集 20 歲以上具有臺灣國籍的自願參與者，總目標為 20 萬人，目前已經累積超過 14 萬人的資料，並完成 3 萬名第一次追蹤的資料。

收集到的檢體後續會經歷分裝、部分儲藏部分送檢、各種基本檢驗、送交抽取 DNA、進行基因定序等工作。目前已經完成了 2000 位全基因體定序資料，由此開發專為國人設計的全基因體定型晶片 TWB2，並完成超過 10 萬名全基因體定型。到目前為止資料庫的數據總資料量已高達 1.5 PB，檢體儲存數量也已經超過三百萬管。

所有資料在進到資料庫之後就採去個資化管理，個資數位檔案以保密形式儲存於實體隔離機中。只有必要的時候才會在監督單位「倫理委員會」審核同意下，由第三方提供金鑰部分解密以取得必要資料，確保個資的隱密性。整體資料安全與隱私步驟，獲得德國評價協會 TUV NORD 個人隱私保護管理（ISO29100）與資訊安全管理系統驗證（ISO27001）兩項認證。

「這麼大量的收案量，最大的挑戰是什麼？」由於收案需要充分的說明、徵得受試者同意，挑戰在於「科普」，尤其是早期民間對於遺傳、基因的科學觀念不太普及，在收案階段說明就需要煞費苦心，還要使用臺語等民眾慣用的語言解說，對收案第一線人員就是個考驗。「早期到鄉鎮開說明會，一般民眾大多數不了解基因，不少人認為我們是詐騙集團哩！」但用心經營的成果，讓後續繼續響應追蹤的民眾日益增多。

這些年辛苦收案、累積資料，也開始反應在研究發表上。截至 2021 年統計，已經結案的釋出檢體總數接近 20 萬管，釋出的資料超過 1 億人次。國際成果發表也逐年增加，截至 2020 年底已累計達 203 篇，2020 年更是大爆發國際發表達到 86 篇之多。

這是政府提供出來的，應該算是系統基礎建設，建設好以後就要盡量讓大家來用。

因為數位資料的特性，就在於累積越大使用越多，則其分析的成本效益越大。李德章初估資料庫完成 2021 件全基因體定序的成本約為 1.2 億元，而今數位釋出全基因體定序的資料已高達 16 萬人次，如果全數由使用者自行分析完成，其成本將高達近 99 億元，成本效率實際相當驚人。

臺灣生物資料庫 3.0，啟動！

生物資料庫現在的階段將從 Biobank 2.0 逐步轉為 3.0，重點在於怎麼讓資料庫永續，讓民眾感受到資料庫的貢獻。在達到品質與數據的累積之後，讓收集的資料可以作出回饋。因此接下來的重點目標，還包括跟國家高速網路與計算中心合作，讓研究人員可以在平台上便利進行分析的工作。現在臺灣生物資料庫網站已有提供一些公開資料，所有人都能夠進行查詢、了解國人的一些健康基本資訊統計，登入後更可獲得更多的資料。

達到質與量之後的 Biobank 3.0 ，重點是怎麼讓大家用、獲得回饋。

李德章表示，未來有機會，當然還希望可以在經費許可下，收集更多樣多元的資料。像是近期才加入採樣內容的糞便檢體、正在討論是不是可以加入穿戴裝備累積生活習慣的資料、有經費的話也希望能完成更多 DNA 甲基化的表觀遺傳學資訊，甚至於補充收羅新住民下一代的遺傳資料。

臺灣生物資料庫的這些累積，都將為臺灣精準醫療、精準健康的未來，奠定無以倫比的重要基石。

延伸閱讀

• 臺灣人體生物資料庫網站
• 國家級人體生物資料庫整合平台
• 臺灣精準醫療計畫

ebird Taiwan

ebird 是目前全世界最大的賞鳥紀錄資料庫及共享平台，由康乃爾鳥類研究室及奧杜邦學會共同營運，隨時蒐集來自世界各地30萬用戶的賞鳥紀錄。自2002年起，已經提供一億五千萬筆的鳥類分布資料至全球生物開放資料的核心「全球生物多樣性資訊機構（Global Biodiversity Information Facility, GBIF ）」。ebird之所以成功，在於他緊緊抓住狂熱賞鳥人的心，提供這些賞鳥人許多方便輸入、管理、查閱、下載及展示自己賞鳥成果的服務，甚至可以與其他賞鳥人一較高下，來個全球大車拚。就像打獵一樣，這些賞鳥紀錄的累積有如展示狩獵成果，唯一不同的是，那把殺戮的獵槍已經典雅的轉化為欣賞野鳥的望遠鏡。

ebird Taiwan 則是 ebird的臺灣入口網站，由中華民國野鳥學會與特有生物研究保育中心共同管理。四年期間，我方與ebird密集的協商與討論，終於建置完成ebird的繁體中文入口網。對外國人來說，東亞的語言一直是很大的罩門，尤其是中國（各位可觀察以下的資料圖，非常缺乏中國的資料）。使用繁體中文的臺灣提出與ebird合作，建置繁體中文網站，對ebird團隊來說，是填補缺漏的一大福音。對臺灣的賞鳥人來說， 少了英文這一到障礙，更方便的使用這個迷人的資料庫。快讓我們來看看ebird有什麼功能吧！

管理個人的賞鳥紀錄 

對賞鳥人來說， 很大的志業是記錄自己在全世界看過幾種鳥，這個數字稱為「生涯鳥種數」，生涯首次目擊的鳥種稱為「生涯新種（Lifer）」。將每一次的賞鳥紀錄輸入ebird，便可快速的統計自己的生涯鳥種數。以我自己為例，我的生涯鳥種數是616種，並且顯示在各國目擊的鳥種數：臺灣347種、印度156種、日本87種…等。對賞鳥人來說，最困擾的是生物分類的變動，都有可能改變這個數字，需要密切的追蹤鳥類分類研究。不過，ebird幫忙省了這樁苦差事，ebird團隊會依照Clements世界鳥類名錄，定期更新資料庫的鳥類分類歸屬。ebird是以物種為單位，但這對某些賞鳥人(我)來說是不夠的，還要以亞種為單位，而且還自己製作生涯鳥種數累積曲線（ebird目前無此功能）。

查詢最近有什麼好鳥可看

查查看最近有什麼稀有鳥來報到，是很重要的即時資訊。點選【探索資料】、【探索地區】，輸入所要查詢的國家或地區之後，顯示如下圖。下圖是查詢臺灣的顯示結果，可見在資料庫內，臺灣的鳥類紀錄清單共有14,186份，共記錄527種小鳥，以下則是鳥種清單，右邊可見最即時上傳賞鳥紀錄。如果想要ebird主動通知鳥訊，可點選【探索資料】、右下角的【鳥訊快報】，輸入email便可由ebird主動通知你稀有鳥的鳥訊，以及鳥尚未目擊過的鳥種訊息。不過，以我個人的使用經驗，幾乎完全是坐在辦公桌前面扼腕，根本無暇立即去鳥點報到。

查詢各鳥種的資料分布

ebird資料庫最大的價值，在於可透過各種方式探索資料庫裡的資料，滿足使用者的應用需求。查閱某鳥種的資料是相當基本的功能，點選 【探索資料】、【鳥種分布圖】，可在右上角輸入鳥類的英文名或學名，顯示該鳥種的資料分布（目前暫無法以中文查詢）。如下圖為麻雀的資料分布圖，將地圖拉近則可檢視資料細節。該注意的是，麻雀是廣泛分布於歐亞大陸的鳥類（印度半島除外），但未曾有資料的地點則無法顯示，如中亞及中國。

查閱世界各地的鳥類名錄與遷留狀態

點選【資料探索】、【條型圖】，選擇所要查詢的國家或地區後，便能顯示該地的一整年鳥類數量變化。ebird將每個月分成四週，厚度代表該鳥種的數量，時間範圍可自行設定。這樣的結果可以判對當地個鳥種的遷留狀態，對賞鳥人來說，就可以知道哪個月份造訪可看到最多種小鳥，哪些月份去的話就打消念頭乖乖陪老婆購物。

以下為查詢臺灣所有資料的結果，可見白耳畫眉（White-eared Sibia）和藪鳥（Steere’s Liocichla）的數量相當多且全年可見，可判斷是不遷徙的留鳥。紋翼畫眉（Taiwan Barwing）也是留鳥不過數量較少。烏鶲（Dark-sided Flycatcher）、寬嘴鶲（Asian Brown Flycatcher）和灰斑鶲（Gray-streaked Flycatcher）的資料主要集中在春秋兩季，可判斷是遷徙季節時在臺灣短暫停留的過境鳥，有些寬嘴鶲則在冬天也有紀錄。紅尾鶲（Ferruginous Flycatcher）的資料集中在夏季，可判斷是夏天才到臺灣繁殖的夏候鳥。

查詢鳥類熱點

對賞鳥人而言，趁出國的空檔尋找新鳥種是很重要的任務，如果飯店附近有鳥類熱點，在開會之前早起賞鳥是再好不過的安排了。點選【資料探索】、【探索熱門鳥點】便會顯示熱門鳥點的世界地圖，拉近到查詢的地區就會顯示資料細節。從下圖可見，北臺灣的重要熱點不外乎關渡、華江橋雁鴨公園、金山、野柳和東北角的田寮洋，點選可顯示鳥種數與紀錄清單數。例如關渡自然公園目前共有131份鳥類紀錄清單，共記錄140種鳥。

百人排行榜

除了查詢鳥類資料，賞鳥另一大樂趣是與他人一較高下，也秤秤自己的斤兩。點選【資料探索】、【百人排行榜】，選擇國家或地區之後，便會顯示前100名的ebird使用者，可以用鳥種數排序，也能用上傳紀錄清單數排序。下圖是全臺灣在2015年至7月31日為止的排行榜（依鳥種數），共記錄459種鳥。

看看第一名已經記錄了400種鳥，第二名380種，第三名326種。我個人則是魯魯的以157種排在第44名(驚!)，連人家的車尾燈都看不到，連螢幕截圖都截不進來。當然，這表示有乖乖上班，沒有偷跑出去看小鳥。由於臺灣的使用者還不多，所以百人排行榜內大多數是認識的朋友，常常上來檢視可以看看誰去賞鳥卻又不揪。如果顧及隱私不希望自己的紀錄顯示於資料庫中，在帳號管理處可設定為匿名。

這麼多人提供資料，有錯怎麼辦？

ebird鳥類資料庫的強大功能，辨識資料偵錯與檢核機制。資料庫中已經先將各地區鳥種的「當月最大量」作為基礎，當你輸入的數量超過資料庫中的「當月最大量」時，系統便會提醒使用者：「這是一筆相當罕見的紀錄，請您再做確認，或提供照片或詳細資訊」。這樣的機制，也可以避免使用者不小心輸入錯誤，「當月最大量」也可以隨時修正調整。此外，將資料上傳資料，ebird會將資料交給由各地區資深賞鳥人所擔任的「審查委員團」審查，如果紀錄罕見或不合理，審查委員會直接寫信給使用者做溝通及確認。如果資料非常不合理，審查委員便會將資料剃除，使用者還是會在自己的紀錄中看見那筆稀有的資料，但是並不會進入資料匯算和整合的資料庫中。

有什麼很酷的成果嗎？

ebird累積了大量的鳥類分布資料，能提供研究者挖掘其所需要的資料，自行整理分析。其中一項相當酷的是建立美國部分鳥種（資料量要夠大）出現點位的全年變化，對候鳥來說，更可以顯示遷徙狀況。例如下圖是Black-throated Gray Warbler四月時的分布圖，疊合後可製成全年變化動態圖（更多鳥種的動態圖請看這裡）。

滴水足以穿石，聚沙可以成塔，ebird掌握了使用者的喜好，獲得大量的資料，涵蓋的時間與空間也非常龐大。如果沒有為數眾多的賞鳥人，ebird也難以有這樣的成績。ebird在此難以全面介紹，如果你需要一個方便管理賞鳥紀錄的平台，又希望讓賞鳥成果發揮出更多的價值，那就快來ebird註冊一個帳號吧！

註：因與ebird簽署合作協議，本文所有圖片皆已獲得授權使用。

參考文獻

• Lagoze, C. (2014). “eBird: Curating Citizen Science Data for Use by Diverse Communities.” International Journal of Digital Curation 9(1): 71-82.
• Sullivan, B. L. et al. (2014). “The eBird enterprise: An integrated approach to development and application of citizen science.” Biological Conservation 169: 31-40.