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

本文轉載自顯微觀點

「我開始拍攝美麗的影像是出於興趣，因為我喜歡神經科學圖像藝術性的一面。」

史蒂芬妮．希爾思（Stephanie Shiers）是美國德州達拉斯大學的認知神經科學家，她拍攝的顯微鏡影像曾被選作多本期刊的封面，包括《神經科學雜誌》 (The Journal of Neuroscience)、《科學轉化醫學》 (Science Translational Medicine)等。要怎麼做才能讓自己拍攝的作品登上期刊封面呢？

希爾思在 2019 年取得認知和神經科學博士學位，目前從事疼痛研究，以移植捐贈者的神經組織探索慢性疼痛的臨床前機制和治療方法。

最驕傲的時刻——影像獲選期刊封面

希爾思攻讀博士期間，當第一篇論文獲得刊登且拍攝的照片一同被選為封面發表時，是她最引以為傲的時刻。她表示，第一篇論文被發表本身已經很令人興奮，當時並未預期會獲選封面，「因為我只是基於我對神經科學藝術的熱愛，而拍攝漂亮的圖片」。

事實上，論文中所有影像都使用 40 倍物鏡拍攝，但她後來決定使用 100 倍物鏡拍攝，以捕捉一些漂亮的影像，加以觀察。

「我能看到所有的樹突和軸突初始段，這看起來令人震撼！」當希爾思與她的指導教授分享時，教授鼓勵她投稿期刊封面，同時提交論文。

希爾思表示，在攻讀博士學位時，面對周遭的同行都非常專業，自己曾感到無所適從。然而，當成功的數據和封面影像出現時，過去辛勤的工作和壓力都值得了。

歷經徬徨　受科學魔法吸引踏上研究路

對於自己選擇踏入神經科學研究，並繼續攻讀博士、成為科學家，希爾思坦承自己也曾經歷徬徨。「因為不知道自己想做什麼」，希爾思大學時曾選了三個主修、一個副修。

原想攻讀醫學院的希爾思，在接受緊急救護技術（EMT）訓練時，意識到自己不想當醫師。因此她又選了神經科學和歷史專業，因為她自認可能喜歡人文學科、可能想成為律師。

直到完成學士學位後希爾思仍不清楚自己的職涯方向。但當她加入校內實驗室時，發現自己「真的很喜歡」，進而申請進入加州大學戴維斯分校的 NeuroMab 研究機構（UC Davis/NIH NeuroMab facility），從事免疫組織化學的工作。

在這份工作中，希爾思研究進行免疫組織化學染色、抗體驗證，在顯微鏡下觀察「肉眼」看不見的東西。這時她意識到「科學是最我們所擁有，最接近魔法的東西」，也因此確認了職業道路——走上學術研究之路。

而現在對希爾思來說，最難忘的時刻莫過於帶領在實驗室掙扎的學生領略科學的奇妙。

曾經有一名學生未受太多訓練，因此希爾思帶著她完成染色工作、教她操作共軛焦顯微鏡；而當學生第一次看到顯微鏡下的影像時，露出驚訝的表情。 「看到別人也能體驗到科學的神奇，真是太好了！」希爾思這麼說道。

超敏通道

圖像顯示小鼠背根神經節表現瞬態受體蛋白 5 （TRPC5，紅色）編碼瞬時受體電位規範 5（TRPC5，紅色）、抑鈣基因相關胜肽（CGRP，綠色）、P2X3 受體（藍色）和神經絲蛋白 200（青色）的基因。

希爾思為〈Transient Receptor Potential Canonical 5 Mediates Inflammatory Mechanical and Spontaneous Pain in Mice.〉的共同作者。

本篇論文主要探討，多種原因引起疼痛超敏反應，其中 TRPC5 的活化增加了囓齒動物對疼痛的敏感性，而 TRPC5 通道也在人類感覺神經元中表現，因此研究認為 TRPC5 抑制劑可能可有效減輕患者的疼痛超敏反應。

拍科學藝術照　封面也可以很抽象

對於如何拍出「封面等級」的科學藝術照，希爾思也給出幾點建議。首先，她強調擁有適合的儀器至關重要，以降低信噪比和提升影像品質。

此外，研究者必須接受更多基礎訓練。她表示，過去自己雖操作過很多次顯微鏡，但主要使用明視野照明觀察。直到開始博士課程後學習神經解剖學、蛋白質定位等知識，使用免疫螢光染色最適當的卻是使用暗視野照明。因此持續接受培訓，了解如何正確使用顯微鏡也是非常重要的。

希爾思也建議，在實驗數據收集階段，就可預先規劃影像拍攝；一邊構思論文中需要使用的圖像和材料，如果材料和研究內容一致，就當場拍攝解析度更高的影像。

她也鼓勵研究者不斷嘗試新事物，例如使用不同染劑（明視野病理染色劑、鈣染色劑等）與顯微鏡搭配，將更容易拍攝出引人注目的影像。

希爾思鼓勵研究者盡可能地投稿封面影像，並強調封面不必與數據收集所用的影像完全相同；甚至許多期刊封面的圖片可以是抽象的、不一定要和照片一樣真實。

物種特異性表達

以原位雜合技術（in situ hybridization，左）和空間轉錄（Spatial Transcriptomics，右）並置的人類背根神經節，用於描述感覺神經元轉錄譜的特徵。

痛覺受器是專門的感覺神經元，存在於背根神經節（DRG）和三叉神經節中，對生成最終疼痛感知的神經元信號至關重要。

希爾思為〈Spatial transcriptomics of dorsal root ganglia identifies molecular signatures of human nociceptors.〉的第二作者。

本篇研究試圖為人類疼痛受器生成等效訊息，利用空間轉錄數據識別痛覺受器的轉錄組特徵，並藉以識別物種間差異和潛在的藥物靶點。

圖像為患有神經性疼痛的小鼠內側前額皮質神經元，紅色為 PV 陽性細胞小白蛋白陽性中間神經元（紅色）與軸突初始段標記（Ankyrin-G，綠色）和核標記（DAPI，藍色）的共同標記。

希爾思為〈Neuropathic Pain Creates an Enduring Prefrontal Cortex Dysfunction Corrected by the Type II Diabetic Drug Metformin But Not by Gabapentin〉的第一作者。

認知障礙是神經性疼痛的共病。本篇研究使用原治療糖尿病的藥物二甲雙胍，治療神經疼痛 7 天後出現逆轉，包括功能和解剖學出現變化，顯示該藥物或可老藥新用於治療神經性疼痛及其認知合併症。

1. https://www.olympus-lifescience.com/en/discovery/behind-the-lens-dr-stephanie-shiers-creates-cover-worthy-neuroscience-art/
2. Sadler, Katelyn E et al. “Transient receptor potential canonical 5 mediates inflammatory mechanical and spontaneous pain in mice.” Science translational medicine vol. 13,595 (2021).
3. Tavares-Ferreira, Diana et al. “Spatial transcriptomics of dorsal root ganglia identifies molecular signatures of human nociceptors.” Science translational medicine vol. 14,632 (2022).
4. Shiers, Stephanie et al. “Neuropathic Pain Creates an Enduring Prefrontal Cortex Dysfunction Corrected by the Type II Diabetic Drug Metformin But Not by Gabapentin.” The Journal of neuroscience : the official journal of the Society for Neuroscience vol. 38,33 (2018).

查看原始文章

眼皮底下的事實：環境史研究者看《價崩》

洪廣冀（臺灣大學地理環境資源學系副教授）

著名的漢學家卜正民以如下段落為《價崩：氣候危機與大明王朝的終結》一書定調：

生活在這個時代，我們彷彿逃不出莫測變幻的手掌心。變化讓人這麼痛苦、氣餒，為了安慰自我，我們便告訴自己：當代的生活特徵就是接連不斷的變化，正是這種不穩定，讓世界變得比以往更複雜。

他告訴我們，作為一個「長壽之人」，「過去十年來，氣候變遷、物價通膨，以及政治豪奪的速度與規模」，他認為也是前所未見。只是，作為一個歷史學者，他還是想問，若我們放大時空的尺度，當代人在過去十年來經歷的變化，真的是前所未見嗎？他的答案是否定的。在一六四○年代早期的中國，也就是明朝末期的中國，是一個連「生存條件都被剝奪，平安度日的尊嚴都被否定的時代」，因為「大規模的氣候寒化、疫情與軍事入侵，奪走數以百萬計的人命」。

藏在眼皮下的事實是什麼？小冰期如何發生？

一六四○年代初期的中國發生什麼事？這便是卜正民試圖回答的問題。他反對傳統史學的兩大見解：一者是訴諸人禍，即訴諸當時宮廷內的派系鬥爭，統治階層道德淪喪，導致民不聊生；二者是訴諸十六至十七全球的白銀貿易，即當時從美洲與日本湧入中國的白銀，造成物價波動與社會不安。卜正民認為，訴諸人禍與貿易會讓我們看不見「藏在眼皮底下的事實」：小冰河時期（簡稱小冰期）。

廣義地說，小冰期是從十四世紀至十九世紀初期的地球寒化現象，氣溫平均掉了攝氏兩度。乍看之下，攝氏兩度的溫差或許微小，但對作物而言，這樣的溫差已經足夠讓作物減少一次收成，或根本無法收成。再者，必須注意，兩度的溫差是「平均」，即可能是極熱與極寒的氣溫交錯變化造就此兩度溫差。這確實也是在小冰期中發生的事。

地球科學家推測，寒冷的氣候讓兩極的冰山範圍擴張，讓海水變得更鹹，也就是變得更重，影響洋流的流動方式，從而牽引了大氣與洋流間的循環。影響所及，所謂「聖嬰－南方震盪現象」（El Niño-Southern Oscillation, ENSO，即傳統上所說的「聖嬰現象」加「反聖嬰現象」）變得格外激烈，乾旱、水災等極端氣候頻傳。不僅如此，地球科學家也指出，小冰河期也是火山活動格外頻繁的時期。火山噴出的煙塵，遮蔽了太陽輻射，更加速了地球的寒化。

小冰期的起因為何？目前普遍接受的見解是太陽活動改變。此外，也有研究者指出，這與所謂歐洲人「發現」新大陸有關。受到所謂「哥倫布大交換」的衝擊，美洲原住民大量消失，森林擴張，吸收大量二氧化碳。眾所周知，二氧化碳是溫室氣體；二氧化碳濃度的減低，讓大氣保溫的能力下降，與前述太陽活動與火山噴發的效果耦合，讓寒化成為不可逆的過程。總之，我們現在已經知道，地球是個混沌系統，牽一髮不只動全身，甚至整個身體都會分崩離析。

回到《價崩》這本書。卜正民指出，明朝的存續時間（一三六八至一六四四年）即落在小冰期，並成為明朝覆亡的主因。他將小冰期之於明朝的影響分為六個泥沼期：一、永樂泥淖期（一四○三年至一四○六年）。二、景泰泥淖期（一四五○年至一四五六年）。三、嘉靖泥淖期（一五四四年至一五四五年）。四、萬曆一號泥淖期（一五八六年至一五八九年）。五、萬曆二號泥淖期（一六一五年至一六二○年）。六、崇禎泥淖期（一六三八年至一六四四年）。

永樂泥淖期欠缺災荒記載，景泰泥淖期以饑荒收尾，嘉靖泥淖期氣候異常乾冷，萬曆一號泥淖期爆發饑荒、洪水、蝗災與大疫，「人民相食，枕籍死亡」；萬曆二號泥淖期的乾旱與水災頻繁，饑荒再度爆發，「朝廷賑濟的請願如潮水湧來」。崇禎泥淖期是明代乃至於「整個千年期間最慘痛的七年」，「米粟踊貴，餓殍載道」。一六四四年四月末，闖王李自成兵臨北京，致書要求崇禎帝歸順。崇禎不從，在命皇后、貴妃與女兒自盡後，他爬上皇居後的煤山，自縊身亡。李自成稱帝後，滿人入關，將中國納入大清國版圖。

不可忽視的幽靈？拔除合理征服者的解釋，明朝滅亡原因還有哪些？

如此的歷史解釋是否會流於環境決定論？卜正民的回答是：「如果環境決定論的幽靈就在門外徘徊，我也不會在分析時將其拒於門外。」那麼，是什麼讓寫出《縱樂的困惑》、《維梅爾的帽子》等名著的歷史學者相信環境的決定作用？答案就是糧價。

以他的話來說，「太陽能與人類需求的關係，是透過糧價調節的。從景泰年間到崇禎年間，糧價在五次環境泥淖其中激增，每一次都把價格多往上推一截，這樣的事實也說服我必須採用氣候史的大框架。」卜正民表示，「一旦經濟體仰賴太陽輻射為能源來源，那麼無論大自然是幽而不顯還是顯而易見，都必然是社會或國家生命力的決定因素。」

在結語「氣候與歷史」中，卜正民再次反駁那些把明朝覆滅推給「失德」的見解。他認為，這種論調是「合理化明清兩朝遞嬗的過程」，且「編出這種敘事並為之背書的，就是征服者」。他強調，「明朝的滅亡固然不能推給災荒糧價，但講述崇禎末年重大危機時不把氣候因素納入考慮，那簡直就像莎士比亞所言，宛如癡人說夢，充滿著喧譁與騷動，卻沒有任何意義。」

然而，不至於將環境決定論「拒於門外」是一回事，認為社會變遷就此被環境「決定」，又是另一回事。卜正民並不認為，面對氣候因素帶來的種種挑戰，明朝各級官員只能雙手一攤，感嘆天要亡我，不做任何努力。就如其他生活在小冰期的人們一般，卜正民認為，明朝人建設基礎設施、育種、建立制度、開發新科技與控制生育力等；但問題是，一六三○年代晚期的種種災害，並未催出社會的適應力，反倒是摧毀其適應力。

拜此時勃發的火山活動與激烈的聖嬰－南方震盪現象「之賜」，不論是政府還是市場，都變不出糧食。卜正民認為，至少在前五個泥淖期，明朝人還是表現出相當的韌性，努力予以調適。然而，進入崇禎泥淖期後，春夏乾冷，田地龜裂，運河無水。當每公斤的米得需要兩千五百公升的水，而老天爺就是不願意降下一滴雨時，糧食供應體系就此崩潰，連帶把物價與政治體系拖下去陪葬。

是誰忽略了眼皮底下的事實？這段歷史帶給我們什麼警訊？

回到卜正民所稱的「眼皮底下的事實」。我們要問，是誰忽略了這項事實？誰是這對眼皮的擁有者？卜正民的答案有二。一則是以研究社會、政治與環境變遷的人文社會科學研究者。以小冰期的相關研究為例，他表示，當他開始研究明代中國糧價變異與氣候變化之關係時，驚訝地發現，「其他地方的環境史對糧價幾乎不提」。與之對照，精通糧價的歷史研究者，如不是太快地把糧價理解為「公平交易」的指標，便是視之為社會關係的一環，忽略了糧食必得是在特定的環境條件下孕育出來的。

另一個忽略氣候或環境此事實者便是卜正民的同代人，也就是在閱讀這本書的你我。現代人對物價飛漲的關注程度遠比全球暖化、極端氣候與環境破壞來得高；畢竟，前者是切身之痛，後者則相當遙遠，是北極熊與紅毛猩猩的事。然而，卜正民的分析告訴我們，即便明代中國離現在相當遙遠，所謂的小冰期至少也是一百五十年以上的事，但物價恐怕還是可作為某種氣候指標。換言之，若人們以關心物價的熱誠來關心環境，面對當代的環境危機，說不定人們多少可找出個解方。

此外，讓人心生警惕的是，卜正民告訴我們，小冰期多少是個漫長的地球系統變化。小冰期本身並未造成明朝衰亡，是相伴的極端氣候摧毀了明代社會的韌性與調適。他也認為，面對小冰期、火山噴發與聖嬰－南方震盪現象誘發的極端氣候，從後見之明來看，明朝人也做了他們可以做的，但也只多苟延殘喘了七年，且還是生存條件都被剝奪、生活尊嚴都被否定的七年。

那麼，當人類誘發的氣候變遷可能已加劇了聖嬰－南方震盪現象，讓去年（二○二三年）夏天成為有紀錄以來地球最熱的夏天，而極端氣候彷彿成為日常，人類還有多少時間可以調適？如果說明朝多少是被地球系統的正常運作摧毀，當今地球系統的異常，是人類自己造成的，數百年後的歷史學家，在回顧這段歷史時，恐怕無法如卜正民對待明朝人一樣地寬厚，只能說這是咎由自取。諸如此類的思考，都讓《價崩》有了跨越時代的現實意義。

畢竟，明朝人不是外星人，他們跟我們都生活在同一個地球上。

——本文摘自《價崩：氣候危機與大明王朝的終結》，2024 年 05 月，衛城出版出版，未經同意請勿轉載。