當科學遇到募資──〈SciMu科學募資〉平台使用說明

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

首先恭喜大家度過七八月份的颱風與暑假（呃沒有暑假嗎）九月份開學，〈SciMu科學募資平台〉從八月底到現在增加了幾個案件，內容一個比一個熱血。這幾個案子從北到南、從純基礎科學研究（台灣光子源發聲Ｔ恤）到在地氣象服務（屋頂上的天氣先生），正好展現了科學各式各樣不同的面向。

開始介紹幾個熱血專案之前，還是要再次強調：〈SciMu科學募資平台〉依然徵求各式各樣專案，不學術也無所謂，非科普也沒關係，只要你心心念念想完成的工作內容夠科學，不管是科學研究計畫或是偏鄉科學營，或者任何我們還沒想像到的內容，都歡迎你來提案，讓群眾來支持你！

醫起嗡嗡嗡──「醫週譯小時」前進校園推廣

先從八月底開始的「醫起嗡嗡嗡」談起。

在這個百家爭鳴的年代，人人想要留下痕跡、表彰自己的貢獻；卻有一群人抱持著「正確的知識屬於公眾共享」的心情固守在電腦前，為中文世界的大家們翻譯中文維基醫療條目，每個周五，風雨無阻。維基百科的社群精神強調知識的共享與中立，卻對於表彰貢獻者相當低調。也就是說，我們可以看完通篇精心整理過的條目，卻絲毫不會對作者留下任何印象。

這個「醫周譯」計畫聚集了優秀的醫學人才、翻譯人才以及熱情的維基人，希望透過翻譯經專家審核的英文醫學條目，有效提升中文維基醫學條目，甚至夢想未來可以完成一個可靠的中文醫療資料庫。這項工作他們不求金錢回報，只希望能夠有更多的夥伴加入他們的行列；也因此，才帶出了這個「醫起嗡嗡嗡」的專案。

「醫周譯」的夥伴們希望透過「醫起嗡嗡嗡」這個專案，募集經費來進行校園推廣（染指學校），讓他們可以找到更多的夥伴，替中文的網路世界轉譯出更多可靠的醫學資訊。

雖然個人曾經很無禮地形容維基百科撰寫者的形象為「一群電腦宅宅」（而且居然沒有被揍XD），接觸這個專案之後， 我腦海裡他們的身影高大而神祕了起來。這群擁有醫療知識、英文翻譯能力、程式翻譯能力的熱血青年們，替我們翻譯可靠的維基百科醫療條目，認真找出可信的資訊分享給大眾。他們的形象，越來越接近以下這樣。

中文維基保健醫療 「醫周譯」小組，邀請你來「醫起嗡嗡嗡」！

屋頂上的天氣先生

下一位，是同時具備鄉土服務與熱血精神的〈銀星氣象研究站〉。獨自觀測天氣37年，並非科班出身，卻將一份從孩提時代的興趣硬生生打磨成一套專業的呂權恩。在早期資訊不發達的年代，提供天氣資訊給在地的研究需求；時到今日，在臉書社團每天發布彰化地區的及時雨訊。

孩提時代經歷兩個颱風帶來的興趣，直到今日卻成為在地居民仰賴的天氣資訊服務。最大的夢想，是哪一天能募到足夠的資金，蓋一座足以做為在地地標的民間氣象站。因此雖然「屋頂上的天氣先生http://bit.ly/1LkkASQ」成為〈SciMu科學募資〉平台第一個正式達標的案件，也請大家繼續支持。

且不談太認真勵志的內容，光是看到呂大哥這三十年氣象相關的收藏，編輯部就小小地沸騰了，驚呼內容包括「那個是手繪的天氣圖嗎」、「我出生那一年的資料！」、「兩個颱風！」

請期待近日將發布更詳細的報導。

支持世界最亮的台灣之光！──〈台灣光子源〉

位於新竹的〈台灣光子源〉在2014年12月底試俥完工，可以發出全世界最亮的光，這件事情有多重要呢？

對謝耳朵來說重要到列入室友合約（而且遠比情人節重要）的大型強子對撞機，其主持機構〈歐洲核子研究組織〉（European Organization for Nuclear Research）在2015年4月以封面故事的報導了〈台灣光子源〉。

以下這段影片如果在今年開拍，兩位科宅爭論的內容有機會換成：到底是誰可以來台灣參觀！

更多的介紹請見：台灣之光「台灣光子源」能幹嘛？

但是一個這麼絕對世界級的研究機構，對於大眾來說卻非常陌生，尤其是還取了一個非常嚴肅圖文不符的名字「國家同步輻射研究中心」。同步輻射中心在2015年5月底的經費爭議後，希望能聚集關心台灣基礎科學研究的人們繼續關心〈台灣光子源〉後續的進展，因此發起了「台灣光子源紀念Ｔ恤發聲」活動，所得盈餘將全部用做科普活動推廣。

〈同步輻射中心〉未來還打算邀請贊助者參觀世界最亮的「科學神燈」！

看完這麼多精彩的提案，是不是很令人振奮呢？
〈SciMu科學募資平台〉誠心邀請你，不只是贊助這些提案，也趕快來提出你的科學好點子吧！

【同場加映】別讓鰻魚成為只能在博物館見到的傳奇生物！人工繁殖鰻魚的第一步
未來的二十年內鰻魚的命運究竟會如何呢？需要你的關注！
「鰻魚飯拯救計畫」倒數計時中！

【同場加映】火箭大叔前瞻計畫
資助校園火箭隊，讓他們飛向太空！

講到鰻魚，我們都會想到日式料理中的鰻魚飯，其實日本人眼中最好的鰻魚苗多來自台灣！鰻魚的培育和養殖曾經替台灣賺進大量外匯，直至今日鰻苗數量不再，鰻魚的養殖也漸漸步入夕陽產業。

高雄大學生命科學系副教授黃永森沉浸在鰻魚相關研究二十餘年，主要研究魚類的生殖生理學。一如經過多年漂蕩、終於抵達港灣的鰻魚的生活史，黃永森經歷水試所、海生館不同的研究環境後，終於在高雄大學落腳。他從在法國留學時就開始從事鰻魚的研究，經歷二十幾年與鰻魚相伴的學術歲月，談起相關的內容依然興致勃勃。

今年，他在〈SciMu科學募資平台〉提出的募資專案〈別讓鰻魚成為只能在博物館見到的傳奇生物！人工繁殖鰻魚的第一步〉希望能在資金短缺的情況下，找到方法繼續這項研究工作。

因上溪下海而鮮嫩可口

鰻魚是一種耳熟能詳的食材，牠們生活史卻超乎想像地複雜。日式料理常見的白鰻（又稱日本鰻，Anguilla japonica），幼體出生在馬里亞納海溝附近，剛孵出的鰻魚幼體為半透明、幾乎沒有運動能力的「柳葉魚」，循著洋流漂到大陸邊緣時第一次變態為「玻璃鰻」，漂浮到河口的玻璃鰻開始累積色素，就是每年冬天海口魚人撈捕的「鰻線」，在淡水成長的玻璃鰻成為「黃鰻」，經過數年的發育才再一次變態為「銀鰻」，需要回到海裡才能達到真正的性成熟、配對產卵。

黃永森解釋，鰻魚之所以滑嫩好吃，和牠們的生活史應該有很大關連。用顯微鏡觀察鰻魚的肌肉組織，可以發現牠們的脂肪分布在肌肉纖維間，就像霜降牛肉，脂肪與肌肉交雜。許多魚類最嫩的地方是累積了許多脂肪的魚肚，鰻魚則是全身都散布了脂肪。黃鰻長大就是一系列養胖的過程，脂肪比例可以高達體重的60%，很可能就是為了累積能量提供不進食的銀鰻時期回游到產卵地之用。

歐洲的研究已經證實，黃鰻和銀鰻的發育重點差異之一就在於體脂肪的含量不同，目前已知，黃鰻的體脂肪需要高到某個程度，才會開始變態為銀鰻，而銀鰻則還要等到降海之後才能真正達到性成熟。

生命，自有出路？

最近電影《侏儸紀公園》又拍了續集《侏儸紀世界》，許多人非常熟悉這句出自《侏儸紀公園》的名言：「生命自有出路。」但鰻魚複雜的生活史，卻像自找麻煩似的，出路難尋。

黃永森表示，就生殖生理學的角度，鰻魚是個非常有意思的研究對象。大小白鼠這類實驗室常見的飼養的物種反而難研究，因為生活史太快，一眨眼所有的事情都過去了；鰻魚則是另一種困難：所有細節都充滿謎題。

長成的鰻魚必須離開長大的河川潛入深海，才能達到性成熟，鰻魚的生活史和鮭魚正好倒過來。鮭魚如果受限某些因素無法降海，仍有機會演化出陸封型的鮭魚，台灣鱒就是個好例子；但假如鰻魚遲遲未能入海，牠們可以在淡水裡長得異常大隻，卻還是不會成熟產卵，停滯在黃鰻時期。2008年就有新聞報導，在日月潭裡捕捉到一隻175公分長、15公斤重的鰻魚，最後發現那是一尾澳洲鰻，推測是人為放到日月潭。

生殖生理學研究主要希望找出影響動物生理的關鍵環境因子，鰻魚入海後，會遭遇鹽分、溫度、深度、光線、運動量等等劇烈變化，究竟是哪個刺激因子誘發了型態變態和性腺發育？從黃鰻變態為銀鰻取決於身體體型，或是年齡？為何有一定比例的鰻魚就是無法人工催熟？目前為止鰻魚的生殖還是充滿謎題。

這也是黃永森今年在〈SciMu科學募資平台〉提出的募資專案〈別讓鰻魚成為只能在博物館見到的傳奇生物！人工繁殖鰻魚的第一步〉想要解決的問題。

一尾一億日圓的人工繁殖鰻

一條白鰻要完成完整的生活史，需要經過溯溪下海，超過三千里的漫長遷徙，因此，人工繁殖鰻魚籠罩了許多難題尚待解決。直到今日，人工養殖的鰻魚種源還是只能來自野外捕捉的鰻苗。

日本鰻魚養殖加工是非常龐大的產業，日本在人工養殖的研究砸下大筆經費。一隻鰻魚的平均產卵量是80萬顆卵，這可說是以「魚海戰術」完成的研究。2000年的時候養出了第一代人工繁殖達到性成熟的個體3隻，平均每隻花費一億日圓（依當時匯率約為新台幣2780萬）；目前日本已經養到了 F3（第三代人工繁殖的子代），成本為一尾一千萬日圓（約新台幣256萬），他們期望能做到十年內將成本壓低到一尾一百日元以內。

黃永森自許以自身實驗室設計，綜合不同的環境調控以及人工注射腦下垂體研磨液，能研發出以簡易設備研究完成的白鰻催熟的操作配方，針對人工養殖建立初步可行可推廣的飼養模式。「之前曾經達到過GSI（生殖腺指數）超過20，鰻魚約30多就算性成熟了。」

國內嘗試養殖種鰻往往要大筆投資在設備，由於受限經費以及考量未來的推廣效益，黃永森希望未來參考日本的研究內容，能以簡單而關鍵的設備完成飼養模式的開發。

20年後還看得到鰻魚嗎？

2013年開始，農委會公告除花蓮縣及台東縣，其餘縣市每年自3月至10月底，禁止以任何方式捕撈鰻苗，並輔導各縣市政府公告轄屬至少一條河川之中下游流域，全年禁止以任何方式捕撈鰻魚，讓成鰻降河產卵，以增裕鰻魚資源。農委會之所以採取此措施，主因就是近年全球的鰻苗數量正逐漸降低，台灣的鰻魚養殖產業也因此岌岌可危。

談到大家關心的二十年內還吃不吃得到鰻魚飯，黃永森表示：「我想20年內應該都還看得到，60年就很難講了。」

他認為，因為鰻魚溯溪的生活範圍很廣，所以鰻苗被捕捉殲滅的速度沒那麼快。從台灣、中國大陸沿海一路到東北亞的韓國、日本一帶都是鰻魚生活範圍，這麼大的範圍讓牠們還有一點點喘息的空間，但是在鰻苗日漸減少、價格越來越高的情況下，可以預見捕捉範圍會逐漸擴大。實際上，最有效的資源管理方法就是盡量不要抓，至少在冬天這段人為捕捉最密集的時間裡設立一些限制，好留給鰻魚苗一條生路。

有人提議，採取放流鰻魚作為保育措施。黃永森對此採取較保守的看法，一方面，難以確定人工飼養的個體是否已感染疾病，可能會影響野外的族群；另一方面，被放流的個體很可能還沒成熟，尚未達到自然界鰻魚回歸大海時的生理狀態。近年來的保育趨勢強調「棲地保育」，與其針對一個單一物種用盡資源，有效地保護牠們的棲息環境效用會更大。

科學還只是真理大海之前的小貝殼

Q：請黃永森老師提供一些建言給泛科學的讀者。

A：（頓一下）科學不是人生唯一的解答。

對生命科學有接觸的人都知道，這些年做生科研究的成本越來越高，實際上的發現卻越了越少。以這些年很熱門的癌症研究為例子，每個學生報論文結論都說，這個研究可以替癌症治療帶來一線曙光，聽一聽就會覺得，這麼多年來這麼多個一線曙光加起來總該天亮了吧。

並不是說科學方法或科學態度是錯誤的，而是我們常用的科學研究方法重點在於控制變因，找出那個細節對結果最有影響；對於一些複雜系統的解謎能力相對地弱，只強調科學方法有些時候反而會對於解讀問題構成阻礙。就像我們現在談到中醫，中醫的系統不完全科學，有時候卻能解決西醫無法解決的問題。

科學研究，大概就像牛頓的名言：我們就像在海邊玩的小孩，會為了偶爾撿到的小石頭和貝殼欣喜，卻對面前的真理大海視若無睹。

為什麼現在的鰻魚飯越來越貴越來越少？因為到今日所有鰻苗都還是來自越來越少的野外撈捕。想在人工環境下繁殖鰻魚，還有很長的路要走。本研究需要你支持，挑戰鰻魚人工繁殖第一步：改進刺激種魚卵巢發育之方法。

黃永森的募資專案〈別讓鰻魚成為只能在博物館見到的傳奇生物！人工繁殖鰻魚的第一步〉