因為人口集中在都市，交通問題常常限制了都市的發展型態，在一些場合，汽車比起大眾運輸工具仍然有不可取代的優勢。這影片介紹一種新的汽車設計方式，主要的概念來自於購物商場的購物車，購物車一方面可以有大容量，一方面也可以靈活運動跟堆疊，而這兩種特性都是目前汽車所需要的。
影片介紹的設計重點有兩項，一項是針對輪胎傳動轉動方式的改進，就如同很多購物車的輪子都設計可以朝多方向轉動一樣，汽車輪胎一旦可以那樣轉動，很多複雜的停車問題都可解決，另一項設計是車身可以收縮，讓停車的時候佔有的面積可以縮小。當然，一些額外的設計，像是用使用電力而非汽油，使用搖桿而非方向盤，還有未來跟資訊系統的結合等…應該還有很多更好的設計汽車的方式等著被創造出來。
本文原發表於科學影像Scimage
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。
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！
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。
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。
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。
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。
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。
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
討論功能關閉中。
「好不容易綠燈了，怎麼又有路人擋在斑馬線上？現在汽機車要停讓行人，不是只會讓路口更塞嗎？」
「怎麼一綠燈，腳才剛踏出去，就差點被撞到，台灣真的是行人地獄啊！」
話說道路設計的最高原則，就跟ＸＸ製藥一樣，是先研究不傷身體，再講求效果。包括行人、駕駛者等用路人的安全要確保，再來才是讓所有用路人都能在安全的條件下，快速地到達目的地。
那麼駕駛轉彎時須等候行人的規定，你怎麼看呢？身為行人的我覺得，這只是遲來的行人正義，本該如此啊！以前每次過馬路都要急急忙忙，還擔心被司機怒瞪，感覺真的很差。不過握上方向盤的我卻又覺得，哇靠，現在每次汽車轉彎遇到行人就要停下來，結果根本如入行車地獄，一整排車子在路上塞爆，綠燈都結束了，車子還卡在路中間！
與其讓每個人都陷入行人與駕駛的無間道，也許我們該思考的是最根本的燈號設計問題，調整號誌設置加上增設行人專用時相（Pedestrian Scramble），被認為是擺脫行人地獄惡名的關鍵一招，但這招真的有用嗎？該怎麼用才真的好棒棒呢？
最近交通改革的呼聲很高，820「還路於民大遊行」也即將登場。台灣交通雖然不會因為一次的遊行，在一夕之間改變，但能讓更多人在乎交通的癥結，願意理性討論，我認為都是很好的發展。
因為多起令人傷心的事故，「道路設計」如今備受重視，然而設計道路不是看心情或靠直覺，不論是車道寬度、人行道寬度或是標線位置，都是集合交通學、數學和心理學分析的綜合結果。其中，紅綠燈的設計相對來說比較簡單，因為那就是解數學題嘛。
喔？這數學題該怎麼解呢？我們先以最簡單的雙時相號誌來舉例。這裡所謂的時相，就是指號誌的狀態。例如一個最一般的十字路口，會由一個南北向綠燈、東西向紅燈的時相，加東西向綠燈、南北向紅燈的另一個時相，組成雙時相系統。如果又加上禁止直行、僅允許轉彎的情況，那就是又多了一個時相。而由三個以上組成的系統，就是我們常聽到的「多時相交通號誌」。
現在我們眼前有一個雙時相號誌路口，我們的目標，是設計一個在固定時間內，能讓更多車通過，駕駛可以花更少時間抵達目的地的路口。唯一的條件，是它的紅燈與綠燈時間必須一樣長，那麼你會希望紅燈長一點還是短一點呢？蛤，短一點比較好？真的是這樣嗎？
當我們在設計號誌週期 (signal timing) 時，通常會將號誌畫成類似於 PM 常用的甘特圖，更加一目了然。現在我們有第一種設計：紅燈、綠燈各一分鐘，一個號誌週期是兩分鐘。以及第二種設計：紅燈、綠燈各 30 秒，一個週期是一分鐘。實際畫成甘特圖，雖然一次的紅燈等待時間變短了。但長時間來看，你遇到綠燈跟等紅燈的時間，是一樣多的，也就是在相同時間內，前進的距離是一樣的。
當然啦，相信你也看出來了，現實情況不是這樣，就算是藤原豆腐店的送貨員，從零加速到一百，喔不對，一般道路速限是 50 公里。從零加速到 50，也是需要起步時間的，如果遇到紅燈也需要煞車時間。再加上黃燈的轉換時間，這些時間加起來會產生不少的時間損耗。如果遇到一次紅燈，就會損失 5 秒。那麼在週期為兩分鐘的道路上行駛兩分鐘，實際上的有效時間，只有 60-5 秒，也就是 55 秒的時間。在週期為一分鐘的路口呢？雖然行駛兩分鐘的綠燈時間總計也是一分鐘，卻因為會多遇到一次紅綠燈。所以有效時間會損失 2 次 5 秒，也就是有效時間只剩下 50 秒，比週期是兩分鐘的道路還少了五秒。
結論就是，雖然綠燈長一點，紅燈也需要等久一點，但比起不斷地走走停停，能將速度維持在速限的時間更久，就能節省更多時間。
當然，以上假設是紅燈與綠燈一樣長的情形，大部分的道路規劃都存在幹道、支道的區分。幹道是交通的命脈，也是車流量最大的地方，因此綠燈時間就會設計的比紅燈還要長，在號誌設計上也會有其他的考量。
例如，大家在路上看到一整排綠燈，一路大順暢，心情一定也十分舒暢，這被稱為號誌同步 (Signal Synchronization)。剛才討論的是單一紅綠燈的時間長短，現在我們同時考慮整條路上的紅綠燈，依照經驗也知道，沒有號誌同步的幹道，遇到的紅燈次數自然也會比較多，那麼因為頻繁減速、加速而出現的時間損失又多起來了。
但是，號誌同步真的是最優的作法嗎？其實不見得。當我們將號誌再次畫成圖，把號誌的時間和空間擺在一起，形成時空圖（Time-Space Diagram），並且加入行駛速限的考量。
我們會發現，放入合適的時差，能讓號誌如波浪般傳遞下去，每次你剛好到下一個路口，就會剛好遇到綠燈，達到真正的一路大順暢。這種安排方式被稱為號誌連鎖 (Signal Coordination)。而要讓雙向的道路都能受益於號誌連鎖的好處，就需要透過嚴密的車流量與數學計算。
在這些基礎之上，還需要加入時間、車流、轉彎道等資訊，才能做出最有效的號誌設計，實在不簡單。在這個基礎之上，若要解決行人屢屢遭遇事故的困境，該怎麼設計紅綠燈呢？
前陣子，關於駕駛轉彎時須等候行人的議題又再度浮上水面，有人提出既然每次汽車轉彎遇到行人就要停下來，不如增設「行人專用時相」（Pedestrian Scramble）來解決問題。在這個時相內，只有行人可以移動，反過來說，在汽車移動的時候，行人是不能移動的。
這有什麼好處呢？首先，因為行人穿越馬路時所有汽車都得靜止，因此行人可以穿越對角線，穿越馬路的次數從兩次變為一次。對於駕駛來說也有好處，因為駕駛行駛時已經沒有行人會穿越斑馬線，因此右轉車輛可以不受影響，降低等待時間。而最重要的是，行人移動時沒有任何交通工具正在移動，直接降低了車禍的風險。倫敦交通局在 2010 年的報告中，便說明行人專用時相可以降低 38% 的行人傷亡。
既然這麼立竿見影，那把所有路口都加設「行人專用時相」就解決問題了嗎？其實也不是。增加一個時相，就意味整個週期拉長了。因此不論是行人還是車輛，要等的紅燈時間也會拉長。在少部分城市，就觀察到駕駛更容易因為等得不耐煩而搶跑、闖紅燈，例如加拿大的多倫多，就因此在 2015 年取消了行人專用時相。
一般認為，適合設置行人專用時相的地方，僅在行人人流量高的路口，例如鬧區、車站前、幹道交叉口等等。在行人數量不多的路口，增加時相可能反而會使塞車問題更加嚴重。
事實上，台灣交通安全協會理事長陳宏益也表示，行人專用時相只是短期應急作法，更好的做法是搭配不同路口採用不同的措施。例如設置「行人早開時相」（Leading Pedestrian Interval），讓行人比車輛早 3~7 秒綠燈，增加行人被駕駛看到的機會、減少人車爭道。
或是呢，設置行人庇護島或將行穿線退縮，除了庇護島能多一分保障外，重要的是行穿線退縮能增加汽車的等候空間，並且因為車輛在轉入時已經轉直，比較不容易因為 A 柱死角而看不見行人。
這樣聽起來，只要根據每個路口車流、人流，調整燈號設計，台灣的「行人地獄」應該有解囉？你覺得呢？有可能改變嗎？
歡迎訂閱 Pansci Youtube 頻道 獲取更多深入淺出的科學知識！
108 課綱開啟全新閱讀素養時代。
科學素養不再侷限於考試的解題方法，學生閱讀科學讀物時,如何在氾濫資訊中找到高品質、適合學習程度的科學素材，是教育現場至關重要的課題。
臺灣師範大學 SmartReading 團隊將 AI 讀物難度分級技術，透過測驗、選書、閱讀、讀後回饋四大功能，完整記錄孩子的學習歷程，提升中小學生科普閱讀動機，成為自律自主的科普學習者。
臺灣師範大學於 110 年至 111 年間，與國科會、新北市、臺中市等單位合作，連續辦理三屆「SmartReading 科普閱讀力大賽」，每屆競賽歷時半年。競賽組別以國小三年級至高中一年級共分七個組別。參賽學校涵蓋臺北市、新北市、臺中市、臺南市、高雄市、花東等十九縣市，報名參賽人數累計八千餘人。
競賽期間，參賽學生使用「SmartReading 適性閱讀」系統,透過精準快速的中文閱讀能力診斷，將閱讀程度與讀物難度適配。藉由系統已建置，適合國小三年級至高中一年級的 2,180 餘本科普讀物，不僅能激勵其學習動機，更可有效提升選擇的效率，降低科學閱讀恐懼。第三屆科普閱讀力大賽不受疫情波擾，採實體與線上兩種施測方式，於 111 年 5 月份圓滿完成賽事。
111 年 9 月 24 日於臺灣師範大學舉行頒獎典禮，邀請新北市教育局張明文局長、臺北市教育局鄧進權副局長、臺灣閱讀協會陳昭珍理事長、康橋國際學校秀岡校區卓意翔副校長、親子天下兒童產品事業部副總經理林彥傑、新北市信義國小陳桂蘭校長到場擔任頒獎嘉賓。參賽學校師生、家長齊聚典禮會場，為優秀的得獎同學喝采。
臺師大宋曜廷副校長表示，數位閱讀邁向新時代,團隊使用「SmartReading 適性閱讀」系統作為科普賽競賽平台，期望在知識爆炸的時代,藉由測驗、選書、規劃的「智慧閱讀三步驟」，培養學子的跨領域閱讀力與閱讀習慣，讓學生們手握知識大門的鑰匙，成為自律自主的「SmartReader」。
一、適配閱讀能力與圖書難度，擴增多元書籍與文章素材
參賽學生首先須參加中文適性閱讀能力診斷（DACC），依據診斷結果,配合其當前閱讀能力的科普推薦書單，讓學生選書有依據、個人化。本競賽目前共有「推薦書單」、「推薦文章」等 2 種閱讀素材，主題包含植物／動物、數學、天文地科、物理／化學等 8 大類別。「推薦文章」功能，則與「PanSci 泛科學」及「數感實驗室 Numeracy Lab」合作評選，當前提供 600 餘篇線上科普短文,競賽期間提供已超過 4,000 人次的瀏覽次數。
二、綜合性閱讀五力分數，開啟學生全方位閱讀力
本競賽賽程為期半年，學生透過「前測、閱讀任務挑戰、後測」三個階段。競賽期間，系統詳細記錄每週閱讀歷程，並產出線上「閱讀五力分數」報表。自主規劃閱讀期間計算為「規劃力」；讀後評量填答結果計算為「執行力」；閱讀多元書籍類別的結果計算為「博學力」；閱讀單一書籍類別的深化成果則計算為「精進力」；前後測成長結果計算為「成長力」。將閱讀能力數據化、可視化。
三、閱讀任務徽章，深化學生文化素養與科普閱讀興趣
本競賽內建徽章蒐集系統，參賽者於指定時間依據提示完成閱讀任務，即可獲得期間限定的特色科普徽章。任務內容包含閱讀指定的書單及文章類別、世界性科普節日、科學家生辰、台灣重要節慶與其他隱藏任務。本屆各年級累計獲得徽章達 20423 枚，因設計活潑及任務類型多樣，大受參賽者好評。
一、科普閱讀參與，國小男性最踴躍
活動期間參賽者共完成約 21,153 本的書籍評量。以不同學習階段來看；國小參賽者整體閱讀平均本數為 24 本，男生平均閱讀本數為 28 本，女生平均閱讀本數為 20 本。國、高中參賽者因科普讀本難度較高，需要較長的閱讀時間及一定的科學基礎知識，國中參賽者整體平均閱讀書籍數為 10 本；高中參賽者中女性平均閱讀本數多於男性，整體平均閱讀書籍數為 7 本。
| 總閱讀量／本 | 人數 | 平均閱讀量／本 | |
|---|---|---|---|
| 全體學生 | 21,153 | 1,100 | 19 |
| 女 | 8,051 | 505 | 16 |
| 男 | 13,102 | 595 | 22 |
| 國小學生 | 17,479 | 716 | 24 |
| 女 | 6,474 | 325 | 20 |
| 男 | 11,005 | 391 | 28 |
| 國中學生 | 3,459 | 355 | 10 |
| 女 | 1,461 | 166 | 9 |
| 男 | 1,998 | 189 | 11 |
| 高中學生 | 215 | 29 | 7 |
| 女 | 116 | 14 | 8 |
| 男 | 99 | 15 | 7 |
二、學生偏好閱讀動物／寵物類與地球生態／天文類書籍
整體參賽學生對於科普書籍的喜愛程度，以植物／動物類（男生 28.19%、女生 27.91%）最能引起學生的閱讀興趣（如：《昆蟲老師上課了！：吳沁婕的超級生物課》、《小島上的貓頭鷹》、《神奇樹屋》等系列）。在次要類別，男女皆喜好生態／生命科學類的書籍（男生 15.20%、女生 16.87%）。
三、參賽學生閱讀歷程的質與量均佳，表現令人驚豔
本次參賽學生皆積極參與競賽。
以三年級組第一名得主，臺北市立大同國小的林靖軒同學為例，競賽期間閱讀書籍本數高達 383 本，書籍讀後評量的通過率更高達 95%，書籍不僅讀得多，更是能讀得要領。
四年級組第一名為第二次參賽的新北市信義國小謝秉言同學，本次競賽期間共閱讀 427 本書。
其中五年級組為本次競爭最激烈的一組，臺北市立長春國小的黃葦川同學以及高雄市立集美國小的吳勁毅同學，兩者僅以極小的分數差距位居第一及第二名。
此外，第一次參與競賽的高雄市立正義國小的孫政遠，競賽期間閱讀 281 本書籍，通過率達到 97%。
四、教育主管機關、學校師長及家長支持鼓勵，帶動學生優異表現
新北市教育局致力於推動智慧閱讀教育，不遺餘力，成果豐碩。本屆競賽全台共 2,104 人報名參與，全國賽獎項獲獎學生共計 36 人，其中新北市得獎學生便囊括 14 位，表現相當亮眼。
家長與學校師長共同陪伴，使得學生能專注於本次競賽，並有相當卓越的成果，例如新北市康橋國際學校、臺中市明道中學、臺中市葳格國際學校、臺北市東山中學等校，皆因全力推廣閱讀活動，才能有優異的競賽成果。以新北市康橋國際學校國中部為例，此次七年級組參賽者，全國賽前5名得主中，康橋中學就獲有 3 名的佳績。
延續前三屆廣受好評之科普賽事，第四屆科普賽將擴大辦理，邀請「PanMedia 泛科知識股份有限公司」馮瑞麒總經理、「數感實驗室 Numeracy Lab」賴以威教授、「國立臺灣大學科學教育發展中心」賴亦德執行長，持續提供參賽者更生活化、趣味化的科普文章，預期第四屆科普閱讀力大賽將能讓全球讀者有更高品質的閱讀體驗和更充實的閱讀收穫。
活動詳情請參閱官方網站。
新聞聯絡人：高等教育深耕計畫辦公室——鄭德蓉 02-2366-0916 #111
草仔粿有料
