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

在流感盛行的嚴冬，您可曾為了開窗與否，天人交戰？還是在搭公車的時候，選擇開走道對面的窗戶，凍死別人，造福自己？通風能降低感染空氣傳播疾病的風險，但交通工具的窗戶到底要怎麼開，才能達到最佳效果？墨西哥物理學團隊發揮所長，在 2022 年 12 月的《科學報告》（Scientific Reports）期刊上，推薦開公車窗戶的方法。^[1]

公車模型

COVID-19 疫情期間，防疫資訊滿天飛。因為事關人命，「♪ 雖然我曾經這樣以為／♪ 我真的這樣認為」，並不能做為給予建議的理由。許多公衛措施的效益，例如：戴口罩和保持社交距離等，都被嚴厲地以科學的方法檢視。這群墨西哥物理學家著眼於通風的機制，想瞭解到底挑哪個位置的窗戶，打開多少扇，對公車內的空氣品質最好。當然，他們並未唱著林憶蓮的〈為你我受冷風吹〉，親自搭車實測，被風吹到掉眼淚；而是打造了一台小模型來實驗，再以電腦模擬運算。^{[1, 2]}

他們參考一輛 9.92 x 2.5 x 2.2 公尺，地板內側離路面 0.4 公尺的實體公車，打造出約 1/10 大的壓克力模型。如圖所示，車體透明，僅窗戶用黑色虛線框出，方便觀察；裡面有二氧化碳偵測器（CO₂ sensor）、風速計（anemometer）；以及可裝卸的 3D 列印乘客，方便創造空車和滿載等狀態。由於假人不會呼吸，所以得從模型的中央車底灌入二氧化碳，代替真實的吐氣。測試氣流時的車速，則主要設定在每小時 50 公里。^[1]

實驗項目

這個實驗從下列兩個角度，來探討通風效果：

1. 開啟的窗戶數目：從不開窗、開 2 扇或 4 扇，到全部開啟等，都嘗試一輪。^[1]
2. 窗戶的位置：一般常見的公車，窗戶都是開在車體兩側，也就是乘客座位的旁邊。不過，科學家在模型的車頭，挖了 2 個長方形的氣窗，看看這種設計的效果又是如何。^[1]

實驗結果

研究團隊發現，在一般擁有左右兩排窗戶的公車上，氣膠（aerosols，又稱「氣溶膠」或「懸浮微粒」）的擴散與排出，均受車內負壓造成的吸力驅動。打開 4 扇，也就是左右各 2 扇窗戶最通風；全開也不會加快氣膠排散，或減少累積。氣流促使氣膠向車頭聚集；有些從前面離開的氣膠，會由後面的窗戶回流；而氣膠在車裡停留的時間，平均為 6 分鐘。不過，當科學家拿出他們改造的新型公車，馬上就超越了傳統公車開 4 扇窗的成效。^[1]

有別於市面上常見的款式，這種新型公車的前方擋風玻璃，靠近車頂處，多了兩個氣窗。如下圖所示，公車移動時，前方氣窗會進氣，產生一股推力帶動通風，而不再仰賴車內負壓的吸力。空氣從前方灌入，通過座位區域，再由車尾原本就設在兩側的窗戶出去；不像開 4 扇的，氣流無法完全貫穿車體。^[1]

以公車滿載 50 人的狀況為例，車速每小時 50 公里時，新款公車內的通風換氣速率，為每人每秒 100 公升；遠高於英國急難科學顧問團（Scientific Advisory Group of Emergencies，簡稱SAGE），在 COVID-19 疫情期間建議的 8 至 10 公升。就算行車速度只有每小時 9 公里，也還能符合 SAGE 的標準。同時，車內氣膠的總量減少，在車速每小時 50 公里的狀態下，滯留的時間降至 50 秒。^[1]

尚待研究的變因

既然新款公車這麼通風，何不趕快上市？上述實驗未涵蓋的數個變因，其實仍有待探究。比方說，3D 列印的假人沒有體溫，真實的公車坐滿活人乘客時，車內的溫度可能較高。如果再考量各地天候，造成的車外氣溫差異，這裡關於氣體流動的結論，便不見得適用。^[1]更何況在空氣污染嚴重的市區，開窗搞不好會弄得灰頭土臉，大概也無益於呼吸功能。假如將來臺灣除了密閉且附空調的公車，也有這種墨西哥的新式車款，身為乘客的您，會想搭哪一種？

1. Alexei Pichardo-Orta F, Luna OAP, Cordero JRV. (2022) ‘A frontal air intake may improve the natural ventilation in urban buses’. Scientific Reports, 12, 21256.
2. 滾石唱片ROCK RECORDS（01 JUN 2012）「林憶蓮Sandy Lam【為你我受冷風吹 Suffer for you】Official Music Video」YouTube.

• 本文轉載自社團法人台灣國際生命科學會（ILSI Taiwan）《【ILSI Taiwan 國際會客室】2021年第2期-在食品安全及COVID-19風險中取得平衡》
• 發佈者／Dr. David Acheson，The Acheson Group （TAG）創始人、總裁兼執行長，超過30年醫療和食品安全經驗，曾任職美國農業部食品安全及檢驗服務局 （USDA FSIS）、食品藥物管理局食品安全與應用營養中心 （FDA CFSAN），在FDA期間制定2007食品防護計畫，作為美國食品安全現代化法案 （FSMA）的基礎。

在過去的兩年，食品業者都在努力對抗 COVID-19，避免員工染疫，同時持續種植、製造及銷售食品，並且努力維持食品安全倡議與計畫。這是全球性的挑戰，台灣也是如此。無法遠端上工的食品業者們，如何兼顧防疫，讓食品能夠安全生產呢？

食物中毒的汙染源頭，比供膳場所更前端

食媒性疾病（Foodborne illness，俗稱食物中毒）是全世界持續發生的議題，而且在一些情況下會產生危機，以台灣來說：

• 根據 Surveillance of Foodborne Diseases in Taiwan（Medicine, February 2021）的研究，在 2014 到 2018 年間，食物中毒事件患者數為 26,847 人，平均每年有 5,370 人。
• 2019 年，台灣有 503 件食物中毒案件，患者數為 6,944 人，創下 23 年來新高。
• 2020 及 2021 年已發現有許多食物中毒的攝食場所是發生在學校，2020 年，台中市的三所不同學校，共有 130 名學生發生食物中毒；新北市的一所國小有 106 名學生及教職員因為有食品中毒症狀 （food poisoning symptoms）被送往醫院。

雖然學校及供膳之營業場所已被列為食物中毒的主要重點，但汙染的源頭需要追溯到更前端的食品供應鏈（supply chain），這表示食品安全在食品生產及配送等各個層面的重要性。

但是食品公司要如何確保食品安全與如何保護員工免於 COVID-19 感染之間取得平衡，尤其居家工作（work-from-home）這個選項，對食品產業來說是不切實際的。

在保護員工的前提下，讓食品安全生產

在疫情流行期間，艾奇森集團 (The Acheson Group, TAG) 持續與客戶合作，幫助客戶在食品安全及保護員工進行食品生產間取得平衡，以下是對 COVID-19 防護措施之一些建議，同時亦可遵守食品安全規範。

COVID-19 防護措施：與全球大流行的傳染病應對，是一個全新的挑戰，COVID-19 是一種未知的疾病，這使得大家更難知道要如何好好的保護員工及民眾。但隨著我們對這個病毒的了解越多，就能了解病毒在工作場所傳播的風險，我們以金字塔管制階層（Hierarchy of Controls Pyramid，詳見圖一）為基礎，開發一個降低風險的策略 （Risk Mitigation Strategy），這種管制階層的建立可以降低在工作場所傳染或傳播疾病的風險。

在這些管制措施中，業者可以採用 4 種基本但必須的規範，能保護員工又可確保營運持續性（business continuity）：

1. 員工健康檢查：員工抵達後，每天定期量測體溫，並詢問員工目前的健康狀況、旅遊史及密切接觸者，問題要包括在過去 24 小時內有無發燒、咳嗽、呼吸困難、嗅覺或味覺喪失 （anosmia）、疲倦或疲勞、喉嚨痛、頭痛、腸胃道疾病，如腹瀉（diarrhea）等，並詢問該員工是否在出現症狀前 48 小時內，接觸過有 COVID-19 症狀的人或已確診患有 COVID-19 的人。
2. 社交距離：員工之間保持 2 公尺的社交距離，區隔有助於防止已受 COVID-19 感染的人傳染給其他員工，雖然在廠房內難以進行，但公司可以採用輪班方式及錯開休息時間、減少休息室椅子數量、盡可能增加設置格欄（placing barriers）、增加生產班次或放慢生產線速度等策略，讓員工之間的距離可以拉遠，也可以在廠房周圍張貼海報，提醒員工要保持社交距離的重要性。
3. 個人衛生：勤洗手並避免碰觸臉、鼻子、眼睛和嘴巴，可以減少 COVID-19（與其他疾病）的傳播，若能同時做到上述兩者，即使我們手不小心接觸到傳染性飛沫，也可以確保不會轉移到鼻子、眼睛和嘴巴。洗手要用肥皂及水至少 20 秒，如果無法執行，要使用酒精含量至少 60% 的洗手液，如果手已經明顯弄髒了，要先用肥皂及水洗手，再使用含酒精的洗手液。
4. 口罩：儘管戴口罩的文化在台灣已經根深蒂固，但值得一提的是，在廠房內以及戶外群聚時，戴口罩有助於減少病毒的傳播。口罩的選擇要有兩層或多層緊密編織、透氣、可清洗的不織布（fabric），如棉或亞麻；第三層（中間層） 是過濾型的不織布，如聚丙烯不織布，可以增加防護力。重點是口罩的貼合度及過濾性（而不是增加層數），口罩大小要夠大，至少可以完全覆蓋鼻子及嘴巴，且緊密貼合臉的兩側、沒有縫隙，而且仍然能夠輕鬆的呼吸。

若能強制執行上述策略和管制階層中的其他策略，將有助於降低 COVID-19 的傳播，以及因為受 COVID-19 感染而導致員工缺勤。

「可追溯性」是食品安全的重要關鍵

食品安全：台灣在 2016 年制定的食安五環政策，與美國的食品安全法規有一些相似之處，尤其是著重於可追溯性（traceability）的「從農場到餐桌的食品安全系統」，不論是在美國、台灣，以及全世界，我們發現食品鏈（food chain）可追溯性是食品安全的重要關鍵，上述提到的，台灣學校食品中毒案件也證明其重要性，雖然汙染源可能發生在學校，但也可能是從食品供應鏈中被帶入，所以要了解汙染發生在哪個環節，才是預防和去除汙染源的關鍵。

雖然可追溯性在台灣和美國都不是新的策略，但在疫情期間更顯重要，供應商也面臨一些挑戰，食品製造商、零售商和餐飲業者要確保他們的供應鏈風險評估及管理盡可能達到健全及徹底落實。

食品業者應保持關注其他食品安全領域包括：

• 環境監測及管制：環境管制計畫 （Environmental Control Program, ECP）是客製化系統（customized system）的規範，有助於降低加工環境中的汙染風險，包括遵守一般作業規範、良好的衛生（proper sanitation）、製程管制（process controls）、預防維護（preventive maintenance）和矯正措施（corrective actions），並確保上述這些措施皆符合法規要求。
• 回收及危機處理之管理：即使在良好的情況下，食品汙染仍然會發生，所以產品回收也會發生，做好產品回收的準備，不僅保護消費者，更是對品牌的保護。尤其是在一些危機情況，譬如疫情期間，業者如何管理產品回收，取決於業者對產品回收的準備情況。
• 過敏原：2016 年，台灣將食品過敏原標示規範，從 6 項主要食品過敏原，增加為 11 項，施行日期剛好在全球疫情大流行的高峰期（2020 年 7 月），所以很容易被忽視，但重要的是，所有食品公司都必須備製好系統性的過敏原檢測及管制規範，這不僅是為了確保符合法規規範，更是要保護消費者。
• 法規及全球標準：每個國家皆有特定的法規規範食品業者，但是在全球競爭下，業者通常還需要遵守全球標準，例如全球食品安全倡議  （Global Food Safety Initiative, GFSI），其中許多標準在疫情期間臨時進行調整，以符合各國「宅在家（stay-at-home）」的規範，但是，隨著許多地區的疫情開始趨緩，完整的標準規範將恢復施行，許多業者需要重新評估操作情況，以確保在面對 COVID-19 的同時，沒有遺漏任何重點。

雖然臺灣在2021年中出現 COVID-19 病例增加，目前在民眾努力配合下疫情逐漸趨緩，但對食品安全的需求會持續管制。因此，業者必須要在 COVID-19 與持續性食品安全議題間取得平衡，以確保可保護員工、消費者，以及業者本身。

1.  Surveillance of Foodborne Diseases in Taiwan（Medicine, February 2021）
2. 食安五環政策
3. 供應鏈風險評估及管理