若大禹再世（五）：大地之腎 濕地也能減洪喔！

本文與 研華科技 合作，泛科學企劃執行

我們都看過那種影片，對吧？網路上從不缺乏讓人驚嘆的機器人表演：數十台人形機器人像軍隊一樣整齊劃一地耍雜技 ，或是波士頓動力的機器狗，用一種幾乎違反物理定律的姿態後空翻、玩跑酷 。每一次，社群媒體總會掀起一陣「未來已來」、「人類要被取代了」的驚呼 。

但當你關掉螢幕，看看四周，一個巨大的落差感就來了：說好的機器人呢？為什麼大街上沒有他們的身影，為什麼我家連一件衣服都還沒人幫我摺？

這份存在於數位螢幕與物理現實之間的巨大鴻溝，源於一個根本性的矛盾：當代AI在數位世界裡聰明絕頂，卻在物理世界中笨拙不堪。它可以寫詩、可以畫畫，但它沒辦法為你端一杯水。

這個矛盾，在我們常見的兩種機器人展示中體現得淋漓盡致。第一種，是動作精準、甚至會跳舞的類型，這本質上是一場由工程師預先寫好劇本的「戲」，機器人對它所處的世界一無所知 。第二種，則是嘗試執行日常任務（如開冰箱、拿蘋果）的類型，但其動作緩慢不穩，彷彿正在復健的病人 。

這兩種極端的對比，恰恰點出了機器人技術的真正瓶頸：它們的「大腦」還不夠強大，無法即時處理與學習真實世界的突發狀況 。

這也引出了本文試圖探索的核心問題：新一代AI晶片NVIDIA® Jetson Thor™ ，這顆號稱能驅動「物理AI」的超級大腦，真的能終結機器人的「復健時代」，開啟一個它們能真正理解、並與我們共同生活的全新紀元嗎？

為何我們看到的機器人，總像在演戲或復健？

那我們怎麼理解這個看似矛盾的現象？為什麼有些機器人靈活得像舞者，有些卻笨拙得像病人？答案，就藏在它們的「大腦」運作方式裡。

那些動作極其精準、甚至會後空翻的機器人，秀的其實是卓越的硬體性能——關節、馬達、減速器的完美配合。但它的本質，是一場由工程師預先寫好劇本的舞台劇 。每一個角度、每一分力道，都是事先算好的，機器人本身並不知道自己為何要這麼做，它只是在「執行」指令，而不是在「理解」環境。

而另一種，那個開冰箱慢吞吞的機器人，雖然看起來笨，卻是在做一件革命性的事：它正在試圖由 AI 驅動，真正開始「理解」這個世界 。它在學習什麼是冰箱、什麼是蘋果、以及如何控制自己的力量才能順利拿起它。這個過程之所以緩慢，正是因為過去驅動它的「大腦」，也就是 AI 晶片的算力還不夠強，無法即時處理與學習現實世界中無窮的變數 。

這就像教一個小孩走路，你可以抱著他，幫他擺動雙腿，看起來走得又快又穩，但那不是他自己在走。真正的學習，是他自己搖搖晃晃、不斷跌倒、然後慢慢找到平衡的過程。過去的機器人，大多是前者；而我們真正期待的，是後者。

所以，問題的核心浮現了：我們需要為機器人裝上一個強大的大腦！但這個大腦，為什麼不能像ChatGPT一樣，放在遙遠的雲端伺服器上就好？

機器人的大腦，為什麼不能放在雲端？

聽起來好像很合理，對吧？把所有複雜的運算都交給雲端最強大的伺服器，機器人本身只要負責接收指令就好了。但……真的嗎？

想像一下，如果你的大腦在雲端，你看到一個球朝你飛過來，視覺訊號要先上傳到雲端，雲端分析完，再把「快閃開」的指令傳回你的身體。這中間只要有零點幾秒的網路延遲，你大概就已經鼻青臉腫了。

現實世界的互動，需要的是「即時反應」。任何網路延遲，在物理世界中都可能造成無法彌補的失誤 。因此，運算必須在機器人本體上完成，這就是「邊緣 AI」（Edge AI）的核心概念 。而 NVIDIA  Jetson 平台，正是為了解決這種在裝置端進行高運算、又要兼顧低功耗的需求，而誕生的關鍵解決方案 。

NVIDIA Jetson 就像一個緊湊、節能卻效能強大的微型電腦，專為在各種裝置上運行 AI 任務設計 。回顧它的演進，早期的 Jetson 系統主要用於視覺辨識搭配AI推論，像是車牌辨識、工廠瑕疵檢測，或者在相機裡分辨貓狗，扮演著「眼睛」的角色，看得懂眼前的事物 。但隨著算力提升，NVIDIA Jetson 的角色也逐漸從單純的「眼睛」，演化為能夠控制手腳的「大腦」，開始驅動更複雜的自主機器，無論是地上跑的、天上飛的，都將NVIDIA Jetson 視為核心運算中樞 。

但再強大的晶片，如果沒有能適應現場環境的「容器」，也無法真正落地。這正是研華（Advantech）的角色，我們將 NVIDIA Jetson 平台整合進各式工業級主機與邊緣運算設備，確保它能在高熱、灰塵、潮濕或震動的現場穩定運行，滿足從工廠到農場到礦場、從公車到貨車到貨輪等各種使用環境。換句話說，NVIDIA 提供「大腦」，而研華則是讓這顆大腦能在真實世界中呼吸的「生命支持系統」。

這個平台聽起來很工業、很遙遠，但它其實早就以一種你意想不到的方式，進入了我們的生活。

從Switch到雞蛋分揀員，NVIDIA Jetson如何悄悄改變世界？

如果我告訴你，第一代的任天堂Switch遊戲機與Jetson有相同血緣，你會不會很驚訝？它的核心處理器X1晶片，與Jetson TX1模組共享相同架構。這款遊戲機對高效能運算和低功耗的嚴苛要求，正好與 Jetson 的設計理念不謀而合 。

而在更專業的領域，研華透過 NVIDIA Jetson 更是解決了許多真實世界的難題 。例如

• 在北美，有客戶利用 AI 進行雞蛋品質檢測，研華的工業電腦搭載NVIDIA Jetson 模組與相機介面，能精準辨識並挑出髒污、雙黃蛋到血蛋 
• 在日本，為避免鏟雪車在移動時發生意外，導入了環繞視覺系統，當 AI 偵測到周圍有人時便會立刻停止 ；
• 在水資源珍貴的以色列，研華的邊緣運算平台搭載NVIDIA Jetson模組置入無人機內，24 小時在果園巡航，一旦發現成熟的果實就直接凌空採摘，實現了「無落果」的終極目標 。

這些應用，代表著 NVIDIA Jetson Orin™ 世代的成功，它讓「自動化」設備變得更聰明 。然而，隨著大型語言模型（LLM）的浪潮來襲，人們的期待也從「自動化」轉向了「自主化」 。我們希望機器人不僅能執行命令，更能理解、推理。

Orin世代的算力在執行人形機器人AI推論時的效能約為每秒5到10次的推論頻率，若要機器人更快速完成動作，需要更強大的算力。業界迫切需要一個更強大的大腦。這也引出了一個革命性的問題：AI到底該如何學會「動手」，而不只是「動口」？

革命性的一步：AI如何學會「動手」而不只是「動口」？

面對 Orin 世代的瓶頸，NVIDIA 給出的答案，不是溫和升級，而是一次徹底的世代跨越— NVIDIA Jetson Thor 。這款基於最新 Blackwell 架構的新模組，峰值性能是前代的 7.5 倍，記憶體也翻倍 。如此巨大的效能提升，目標只有一個：將過去只能在雲端資料中心運行的、以 Transformer 為基礎的大型 AI 模型，成功部署到終端的機器上 。

NVIDIA Jetson Thor 的誕生，將驅動機器人控制典範的根本轉變。這要從 AI 模型的演進說起：

1. 第一階段是 LLM（Large Language Model，大型語言模型）：
   我們最熟悉的 ChatGPT 就屬此類，它接收文字、輸出文字，實現了流暢的人機對話 。
2. 第二階段是 VLM（Vision-Language Model，視覺語言模型）：
   AI 學會了看，可以上傳圖片，它能用文字描述所見之物，但輸出結果仍然是給人類看的自然語言 。
3. 第三階段則是 VLA（Vision-Language-Action Model，視覺語言行動模型）：
   這是革命性的一步。VLA 模型的輸出不再是文字，而是「行動指令（Action Token）」 。它能將視覺與語言的理解，直接轉化為控制機器人關節力矩、速度等物理行為的具體參數 。

這就是關鍵！ 過去以NVIDIA Jetson Orin™作為大腦的機器人，僅能以有限的速度運行VLA模型。而由 VLA 模型驅動，讓 AI 能夠感知、理解並直接與物理世界互動的全新形態，正是「物理 AI」（Physical AI）的開端 。NVIDIA Jetson Thor 的強大算力，就是為了滿足物理 AI 的嚴苛需求而生，要讓機器人擺脫「復健」，迎來真正自主、流暢的行動時代 。

其中，物理 AI 強調的 vision to action，就需要研華設計對應的硬體來實現；譬如視覺可能來自於一般相機、深度相機、紅外線相機甚至光達，你的系統就要有對應的介面來整合視覺；你也會需要控制介面去控制馬達伸長手臂或控制夾具拿取物品；你也要有 WIFI、4G 或 5G 來傳輸資料或和別的 AI 溝通，這些都需要具體化到一個系統上，這個系統的集大成就是機器人。

好，我們有了史上最強的大腦。但一個再聰明的大腦，也需要一副強韌的身體。而這副身體，為什麼非得是「人形」？這不是一種很沒效率的執念嗎？

為什麼機器人非得是「人形」？這不是一種低效的執念嗎？

這是我一直在思考的問題。為什麼業界的主流目標，是充滿挑戰的「人形」機器人？為何不設計成效率更高的輪式，或是功能更多元的章魚型態？

答案，簡單到令人無法反駁：因為我們所處的世界，是徹底為人形生物所打造的。

從樓梯的階高、門把的設計，到桌椅的高度，無一不是為了適應人類的雙足、雙手與身高而存在 。對 AI 而言，採用人形的軀體，意味著它能用與我們最相似的視角與方式去感知和學習這個世界，進而最快地理解並融入人類環境 。這背後的邏輯是，與其讓 AI 去適應千奇百怪的非人形設計，不如讓它直接採用這個已經被數千年人類文明「驗證」過的最優解 。

這也區分了「通用型 AI 人形機器人」與「專用型 AI 工業自動化設備」的本質不同 。後者像高度特化的工具，產線上的機械手臂能高效重複鎖螺絲，但它無法處理安裝柔軟水管這種預設外的任務 。而通用型人形機器人的目標，是成為一個「多面手」，它能在廣泛學習後，理解物理世界的運作規律 。理論上，今天它在產線上組裝伺服器，明天就能在廚房裡學會煮菜 。

但要讓一個「多面手」真正活起來，光有骨架還不夠。它必須同時擁有強大的大腦平台與遍布全身的感知神經，才能理解並回應外在環境。人形機器人的手、腳、眼睛、甚至背部，都需要大量感測器去理解環境就像神經末梢一樣，隨時傳回方位、力量與外界狀態。但這些訊號若沒有通過一個穩定的「大腦平台」，就無法匯聚成有意義的行動。

這正是研華的角色：我們不僅把 NVIDIA Jetson Thor 這顆核心晶片包載在工業級電腦中，讓它成為能真正思考與反應的「完整大腦」，同時也提供神經系統的骨幹，將感測器、I/O 介面與通訊模組可靠地連結起來，把訊號傳導進大腦。你或許看不見研華的存在，但它實際上遍布在機器人全身，像隱藏在皮膚之下的神經網絡，讓整個身體真正活過來。

但有了大腦、有了身體，接下來的挑戰是「教育」。你要怎麼教一個物理 AI？總不能讓它在現實世界裡一直摔跤，把一台幾百萬的機器人摔壞吧？

打造一個「精神時光屋」，AI的學習速度能有多快？

這個問題非常關鍵。大型語言模型可以閱讀網際網路上浩瀚的文本資料，但物理世界中用於訓練的互動資料卻極其稀缺，而且在現實中反覆試錯的成本與風險實在太高 。

答案，就在虛擬世界之中。

NVIDIA Isaac Sim™等模擬平台，為這個問題提供了完美的解決方案 。它能創造出一個物理規則高度擬真的數位孿生（Digital Twin）世界，讓 AI 在其中進行訓練 。

這就像是為機器人打造了一個「精神時光屋」 。它可以在一天之內，經歷相當於現實世界千百日的學習與演練，從而在絕對安全的環境中，窮盡各種可能性，深刻領悟物理世界的定律 。透過這種「模擬-訓練-推論」的 3 Computers 閉環，Physical AI (物理AI) 的學習曲線得以指數級加速 。

我原本以為模擬只是為了節省成本，但後來發現，它的意義遠不止於此。它是在為 AI 建立一種關於物理世界的「直覺」。這種直覺，是在現實世界中難以透過有限次的試錯來建立的。

所以你看，這趟從 Switch 到人形機器人的旅程，一幅清晰的未來藍圖已經浮現了。實現物理 AI 的三大支柱已然齊備：一個劃時代的「AI 大腦」（NVIDIA Jetson Thor）、讓核心延展為「完整大腦與神經系統」的工業級骨幹（由研華 Advantech 提供），以及一個不可或缺的「教育環境」（NVIDIA Isaac Sim 模擬平台） 。

結語

我們拆解了那些酷炫機器人影片背後的真相，看見了從「自動化」走向「自主化」的巨大技術鴻溝，也見證了「物理 AI」時代的三大支柱——大腦、身軀、與教育——如何逐一到位 。

專家預測，未來 3 到 5 年內，人形機器人領域將迎來一場顯著的革命 。過去我們只能在科幻電影中想像的場景，如今正以前所未有的速度成為現實 。

這不再只是一個關於效率和生產力的問題。當一台機器，能夠觀察我們的世界，理解我們的語言，並開始以物理實體的方式與我們互動，這將從根本上改變我們與科技的關係。

所以，最後我想留給你的思想實驗是：當一個「物理 AI」真的走進你的生活，它不只是個工具，而是一個能學習、能適應、能與你共同存在於同一個空間的「非人智慧體」，你最先感受到的，會是興奮、是便利，還是……一絲不安？

這個問題，不再是「我們能否做到」，而是「當它發生時，我們準備好了嗎？」

研華已經整裝待發，現在，我們與您一起推動下一代物理 AI 與智慧設備的誕生。
https://bit.ly/4n78dR4

本文由海洋保育署廣告企劃，泛科學為宣傳推廣執行單位。

• 作者：採訪撰稿 ∕ 謝育哲 ∕ 本刊主編

大海中美麗的珊瑚礁是許多海洋生物的棲地，但由於海洋環境汙染及氣候變遷等問題，珊瑚的生存不斷受到壓迫，珊瑚白化問題更是屢見不鮮。為了讓一般大眾也能保育珊瑚，由海科館陳麗淑博士帶領的團隊從澳洲引進「珊瑚觀測」，用簡單色卡上的顏色與觀測珊瑚進行比對，就能評估該珊瑚的健康狀況。此外，海科館及海保署也進行更多的計畫與推廣，讓全民一起守護海底美麗的珊瑚。

海中有著形形色色的生物，如果要挑選出一種外觀最令人印象深刻的，肯定是色彩斑斕綺麗的珊瑚了！許多人常會誤認珊瑚是一種植物，但牠其實是不折不扣的動物。事實上，珊瑚是由許許多多的珊瑚蟲（coral polyps）所形成的群體。目前全世界共有超過 800 多種的珊瑚，而由珊瑚組成的珊瑚礁（coral reef）更是許多海洋魚類生存的家園。

但由於珊瑚生長速度極慢，且十分脆弱，近年來又因氣候變遷與海洋汙染等問題，造成珊瑚的生存出現危機。因此，保護珊瑚人人有責，但身為一般人的我們又該如何保育這些美麗又珍貴的海洋生物呢？本次《科學月刊》專訪了國立海洋科技博物館（以下簡稱海科館）的研究員陳麗淑博士，看看有哪些保護珊瑚的方式，以及介紹從澳洲引進的珊瑚觀測（coral watch）方法吧！

珊瑚遇到了什麼危機？

關於珊瑚，我們最常聽到的是「珊瑚白化」（coral bleaching）。但珊瑚白化代表什麼？又是什麼造成了珊瑚白化呢？

由於珊瑚對於生存環境的溫度十分敏感，一般來說，對珊瑚而言最自在的水溫環境為 23～28℃，而生存的極限溫度範圍則為 18～32℃，若超過這個溫度區間，對珊瑚來說即為太冷或太熱的環境。陳麗淑表示，一但海水溫度超過 32℃，珊瑚就會出現白化現象。當然不是所有的珊瑚都會同時白化，各種珊瑚因生長速度不同，白化現象發生的情形也會有所差異。一般來說，生長速度較快的枝狀珊瑚比較容易白化，而團塊狀珊瑚則比較有抵抗力。

不過珊瑚到底是怎麼「變白」的？其實珊瑚白化詳細原因，是因為當環境溫度出現劇烈變化時，珊瑚內部的共生藻數量就會下降。由於共生藻是珊瑚繽紛色彩的來源，因此在珊瑚內部的共生藻數量多時，顏色就會飽滿鮮豔，而當共生藻離開珊瑚後，珊瑚的顏色便會越變越淡，最後白化，若後續沒有適當保護與處置，珊瑚就可能會因而死亡。所幸珊瑚白化並不是不可逆的，只要海水溫度回到適合珊瑚生存的溫度，珊瑚就會逐漸穿上牠美麗的彩衣，恢復原本繽紛的色彩。

過去臺灣周遭海域曾出現過多次珊瑚大量白化的現象，陳麗淑表示，珊瑚大規模的白化的情形主要集中發生在夏季，甚至在去（2020）年夏季就曾發生珊瑚大量白化的現象，由於當時的海水溫度偏高，且維持時間較長，使得臺灣各地出現珊瑚白化的情形。不過好消息是，根據調查，今（2021）年還未發生大規模的珊瑚白化，且時節已進入秋季，海水溫度下降，至少目前珊瑚不會面臨溫度升高的生存壓力。不過，陳麗淑也語重心長地提醒：「近年來海水溫度過高的發生頻率相較以往提高了不少。」令人擔心的是，若海水溫度升高頻繁，將可能嚴重衝擊珊瑚的生存。因此，我們必須想辦法保護珊瑚。

一般人該怎麼保護珊瑚？平易近人的「珊瑚觀測」

對一般大眾來說，並不是所有人都具備珊瑚的相關知識，對此，陳麗淑一直在思考該用什麼方法，才能讓沒有專業知識背景的大眾能參與保育珊瑚的活動呢？在公民科學領域中，有個名為「珊瑚礁體檢」（reef check）的珊瑚監測計畫。但由於珊瑚礁體檢的入門門檻較高，需要先經過一定時數的課程訓練，且所費不貲，因此這並不是一項適合所有人的方法。

這時陳麗淑想到了「珊瑚觀測」。事實上，珊瑚觀測約莫在 2009 年就已有人引進臺灣，但當時並未受到大量關注。直到 2018 年，陳麗淑帶領的團隊開始重新研究珊瑚觀測的方式，發現其背後的科學大有學問，也可簡化成任何人都能理解並運用的珊瑚監測方式。

珊瑚觀測主要是透過一張卡片，上頭有 4 種由淺至深的色調。陳麗淑表示，這些色調涵蓋了約 70～80％ 的珊瑚種類，即使無法囊括其他特殊顏色的珊瑚，但卡片上的設計對普通人來說已是綽綽有餘。而觀測方法也很簡單，任何人只要帶著這張卡片潛水至珊瑚旁，將卡片上的顏色與想觀察的珊瑚顏色進行比對與拍照即可。如果是前往水深 6 公尺以上的區域，則建議觀測時攜帶光源，以避免色差造成的誤判。前文有提到，珊瑚的顏色代表其內部共生藻的數量，當共生藻數量越多，珊瑚顏色越深，也就代表越健康；反之，若顏色越淡則代表珊瑚的健康可能出現狀況了。

陳麗淑說明，珊瑚觀測背後的科學基礎十分紮實。這套由澳洲昆士蘭大學（The University of Queensland）學者馬歇爾（Justin Marshall）等人組成的團隊研發設計。團隊將珊瑚搬至實驗室中進行一系列實驗，觀察在各溫度區段中，不同溫度會如何影響珊瑚中的共生藻數量，並記錄珊瑚的顏色變化。在經過嚴謹的科學實驗後，馬歇爾團隊將其簡化並歸納成珊瑚觀測的色卡。陳麗淑表示，這套化繁為簡的觀測方式在經過推廣後，許多保育團體對於珊瑚觀測的接受度都非常高，能進而達到推廣珊瑚保育目的。

海洋公民科學知識報你知

※珊瑚觀測

珊瑚觀測是一項由澳洲昆士蘭大學學者所辦理的非營利全球珊瑚礁監測計畫，將珊瑚的顏色變化標準化後，製作成珊瑚健康色卡，提供一種簡單的方法用以評估珊瑚健康，並為 CoralWatch 的全球數據庫做出貢獻。大家可以使用這些色卡協助科學家收及數據，支持珊瑚礁監測工作。

另外，珊瑚觀察也透過與世界各地的志願者合作，包括了潛水中心、科學家、學校團體、遊客參與其中，讓大眾更加了解珊瑚礁白化、氣候變化對於珊瑚礁的影響。

保育珊瑚面臨哪些困境？

雖然保育珊瑚是許多人的共識，但過程中依然面臨到許多的挑戰及困難。目前最常見的是海洋垃圾問題。由於珊瑚本身不會移動，當海洋垃圾在海中漂浮時不慎卡在珊瑚上，若沒有人為協助清理，則非常有可能造成珊瑚死亡。

陳麗淑舉例說明，由於今年 5 月起爆發 2019 冠狀病毒疾病（COVID-19）的本土疫情，位於基隆的潮境公園也為了防疫而禁止一般人下水。但當研究人員下水觀察後發現，因為沒人下水協助清理海洋垃圾，許多卡在珊瑚上的垃圾無法被及時移除，發現的當下已有許多珊瑚出現白化現象，這些珊瑚後續花了約一個月才慢慢恢復正常。

對此，陳麗淑曾與中研院學者邵廣昭等人討論，若保育區都沒有人進入可能並不是件好事，尤其當海洋汙染嚴重，垃圾很多的情況下，還是必須定期有人去協助清理。因此，保育區在人為管理的情況下或許才是保育珊瑚好方法。

你我都可以為珊瑚盡一份心力

我們還有什麼方法可以保護珊瑚呢？陳麗淑表示，如果你是一個會下水觀測的人，使用珊瑚觀測是個好選擇。無須再多帶任何設備，只要準備珊瑚觀測的卡片，攜帶相機與光源，就可以拍攝並記錄珊瑚的健康狀況。不過若是沒有相關潛水經驗或半路出家的遊客，反而可能在潛水的過程中不慎踢到或傷害珊瑚，因此潛水者必須要具備一定的潛水技術。

海洋保育署（以下簡稱海保署）為推廣友善珊瑚礁生態旅遊，提出「珊瑚礁區你該注意的 8 件事」，包含不踩踏、不揚沙、合格玩家、保持適當距離、使用海洋友善防曬、不餵魚、不吃珊瑚礁魚、減塑行動。

即便沒有下水，在岸上也有許多可以保護珊瑚的方法。舉例來說，在我們常用的防曬乳中，多數含有可能傷害珊瑚的成份，因此在選購時可以優先考慮「海洋友善防曬」。此外，由於珊瑚礁魚類可以協助清理珊瑚礁之中的藻類，讓珊瑚順利生長，我們應盡量避免食用珊瑚礁魚類。所以最重要的，是希望大家一起落實節能減碳，全球暖化是影響珊瑚生存的主要原因之一，若減碳能從個人做起，也是保育珊瑚的積極作為。

出書、展覽、辦活動 海科館邀你一起守護珊瑚

除了上述的個人保育行為外，海科館也辦理了一系列保育珊瑚計畫。陳麗淑表示，海科館的研究人員會定期前往珊瑚礁進行監測，還會前往各地宣傳及教導大家如何使用珊瑚觀測。

至於在珊瑚復育方面，海科館內也有養殖珊瑚，研究人員會把這些珊瑚移植到野外，或是使用不同的材質，測試珊瑚附著生長的情形等。未來希望透過這些方法，協助加速珊瑚的生長。

在教育方面，去年海科館與行政院環境保護署及科技部等單位，共同主辦的「2020 海洋公民科學家行動計畫」中，包含了「珊瑚保育監測」的主題。對此，海科館團隊舉辦了一系列的「針織珊瑚」活動。「針織珊瑚」主要是前往各地的小學，除了教導珊瑚的知識，以及倡導珊瑚保育外，讓小朋友們藉由織毛線的方式，訴說一則關於珊瑚的故事。每所國小的作品都有自己的主題，也讓小朋友在織毛線的過程中，思考珊瑚對於生態的重要性，從小扎根珊瑚保育知識。並在後續收集作品後，舉辦「陸上造礁——針織珊瑚計畫特展」。

此外，海科館也曾於 2019 年出版《珊瑚很有事：珊瑚保育×環境藝術×手作針織×珊瑚教案》一書，並榮獲第 44 屆金鼎獎。今年更在海科館官網建置「海科館悠遊數位海洋行動學堂懶人包」，整合科普電子書、電子繪本、數位課程學習平台、海洋知識、動畫學習、影片等。陳麗淑表示，透過這些教材與教案的持續推廣，希望能讓更多人利用這些資源，一起守護海洋中的美麗珊瑚。

海洋保育署與臺灣珊瑚保育

海保署於今年透過「臺灣珊瑚監測交流網絡建立與保育策略規劃」計畫，建立珊瑚監測與保育示範點，以及珊瑚監測交流網絡，選訂全臺灣共 32 個地點進行水下珊瑚礁調查。調查結果截至今年 9 月底，澎湖、恆春半島、東部、北部珊瑚覆蓋率多呈現穩定狀態，但小琉球珊瑚礁卻多數已衰退，可見除了受到全球暖化影響，不當的遊憩踩踏行為也對珊瑚礁造成嚴重衝擊。

此外，海保署也與行政院農業委員會水產試驗所共同合作，針對澎湖池東淺坪海域的棲地環境現況進行調查及珊瑚復育，增加棲地多樣性。截至今年 9 月底，珊瑚移植面積已達到 100 平方公尺，其中珊瑚礁魚類包含青嘴龍占（Lethrinus nebulosus）、鸚哥魚（Scaridae）、隆頭魚（Labridae）等也逐漸聚集在移植區域，豐富當地生態。

此外，有鑒於目前許多單位都在進行珊瑚保育及復育相關工作，海保署今年度與海生館合作成立珊瑚保育專案辦公室，除了作為各單位資料蒐集整合中心，提供數據科學家分析資料外，還能進一步轉化為資訊呈現給大眾，使珊瑚礁相關專家學者、單位，以及一般民眾等，都可藉由此互相交流，同時兼具諮詢、推廣功能，協助提供珊瑚保（復）育相關標準作業方式及技術指導。並設立臺灣珊瑚礁水質採樣點及進行水樣分析，了解水質狀態，以作為後續珊瑚復育棲地及規畫保育方式選擇的依據。

為了鼓勵更多在地民間團隊參與，海保署亦透過辦理「海洋保育在地守護計畫」，支持在地團體進行公民科學、清除珊瑚礁覆網及珊瑚復植，希望能夠結合在地生活方式及資源提出具體保育策略，發揮社會影響力，促進在地參與珊瑚保育及復育作業，並提高民眾對海洋保育的參與及投入。

從政策面、科學面，再到行動面，海保署將持續呼籲全民共同守護臺灣珍貴的珊瑚資源。

海洋委員會海洋保育署正在舉辦 海有問題 我來分析 | 第一屆海洋公民科學家數據松！為臺灣周遭的海洋生態盡一份心力吧！