施虐循環

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

南美曾經存在著名為「印加帝國」的文明國度。

印加帝國有著以分毫不差的精密度加工製造的巨大岩石建築、美麗的織品、以及高度進化的統治制度。雖然沒有車輪、文字、鐵器等文明基礎，卻擁有高度技術，堪稱歷史之謎，是一個神祕的大帝國。印加帝國也擁有優異的農業技術。其中尤以鳥糞肥料給予帝國極大的恩惠。這不是普通的糞，而是能夠提高作物收穫量十倍的魔法大便，由祕魯鰹鳥為首的海鳥的糞堆積而成。

祕魯鰹鳥是棲息於海洋的鰹鳥的一種，主要分布在南美洲的祕魯和智利北部。牠們在斷崖群集築巢，形成大規模群體，從上空如火箭般俯衝入海面捕捉沙丁魚。南美祕魯的島嶼自古以來就是祕魯鰹鳥的棲息地。鰹鳥已經在當地生生不息地生活了數千、數萬年。鳥群長年棲息，就會在地面堆積糞便。累積數萬年的糞便化為化石之後，形成厚厚的地層。這些糞化石稱為「Guano（糞石）」。Guano 是印加帝國時代的語言中代表「糞」的詞。

先民很早就知道鳥糞石能夠發揮家畜糞便十倍的效果，是非常優異的肥料。印加帝國利用糞石來耕作，使食物生產量穩定，因而有多餘的勞力整頓總長達五千公里的道路等公共設施，或是挖掘金銀礦。然而號稱有一千萬以上人口的這座帝國卻被一小撮西班牙軍隊的前哨輕易殲滅。西班牙人壓榨印加帝國的原住民，逼迫他們在礦山挖掘金銀。辛苦的勞役使許多人喪命，導致人口銳減。人類歷史好像總是重複著這種情節。

後來印加帝國被西班牙人稱為「祕魯」。一八二一年，祕魯終於脫離將近三百年的西班牙苛政統治，但當時國內已經沒有任何產業。然而印加帝國的子孫相當堅強。他們想到外銷遠古時代使國家富強的糞石。

這項貿易大獲成功。祕魯開始挖掘糞石，外銷到歐美國家。糞石不愧是奇蹟的肥料，能夠讓小麥和菸草收成突飛猛進，使歐美各國瞠目結舌。日本有「金肥」這樣的詞，而在土地貧瘠、食物供給開始出現危機的歐洲，糞石可說具有等同於黃金的價值。

很多人也許以為農作物只要有土壤、太陽和水就能生長，不過這種想法就像不知道石油存在還想讓車子跑一樣。要培育作物，必須定期補充土壤中被消耗的養分。其中重要的是氮、磷、鉀三大元素。尤其是氮，具有讓植物長大的作用。糞石當中便含了豐富的氮。

既然知道有這麼重要的功用，當然不能輕易放手。這一來就成了賣方市場。歐美各國只能依照祕魯價，但卻遭到頑強抵抗。在慣例的口水戰後，氣昏頭的美國竟然訂立了「糞石島嶼法（Guano Islands Act）」，硬是規定「生產糞石的土地可以視作美國國土」，簡直就跟搶人東西的霸道小鬼沒有兩樣。

祕魯因為外銷糞石而一夕致富，不僅還掉借款，設置港灣、電信等基礎設施，還創建了軍隊。然而在採掘、生產糞石上，祕魯卻沒有花費任何金錢。採掘工作主要是利用囚犯、逃兵和黑人奴隸的勞力。祕魯一方面從非洲輸入奴隸，另一方面又派船到圖帕伊島、彭林島、庫克群島、拉帕努伊島（復活節島）等島嶼，拐走當地居民送入採掘現場壓榨勞力。他們毫無忌憚地複製昔日西班牙帝國的惡行。

林肯的奴隸解放宣言對祕魯來說造成很大的困擾。祕魯因為無法壓榨黑人奴隸而傷腦筋，於是就改用被稱為「苦力」的中國勞工。這些苦力美其名為「移民」，實際上卻等同於奴隸，多半是被拐或被騙來的的人。他們形同商品般，從本國被「外銷」。

採糞石的工作條件極為惡劣。勞工必須在令人窒息的糞便粉塵飛揚中用鏟子挖掘糞石，然後又要背負裝了數十公斤糞石的袋子行走。勞工變得羸弱不堪，背上腫起蚯蚓狀的痕跡，臉上刻印著苦工與絕望的深深皺紋，甚至也有人自殺。十九世紀中葉，苦力人數多達十萬人，而糞石採集現場的七成是中國人。

就如過去印加帝國曾經繁榮，祕魯也倚賴糞石迅速發展經濟。然而過度的富裕會使人類的思考麻痺。祕魯人一再把理所當然的問題延宕到將來：糞石是海鳥糞的堆積，數量有限；只要繼續挖掘，總有一天會枯竭。經過好幾萬年累積熟成的大地黃金僅僅經過四十年就枯竭了。

完全仰賴糞石的祕魯經濟頓時萎縮。於是祕魯盯上了「硝石」來取代糞石。硝石是含有氮的礦物，可說是糞石的親戚。有人說來自鳥糞，也有人說是地殼變動產生的，可作為有用的肥料。

位在祕魯、玻利維亞、智利三國之間的「亞他加馬沙漠」便是硝石的礦床。三國原本約定在此採掘的硝石應平分，但智利旋即無視此項約定強行侵入，甚至還進逼玻利維亞與祕魯的領土。玻利維亞與祕魯因為產生危機意識而締結祕密同盟，並採取接收智利企業、增加課稅、逮捕經營者等手段與之對抗。智利則以占領玻利維亞領土的行動回敬。

到了這個地步，就只剩下一條路：戰爭。

智利軍隊與祕魯／玻利維亞軍隊之間的「太平洋戰爭」（一八七九年∼一八八四年）是舊時代的戰爭，有裝甲艦發射大砲、撞向敵船、再由士兵攻入對手船上展開格鬥。戰爭持續五年，造成數萬人死亡，最終由智利軍獲勝。祕魯和玻利維亞各失去部分領土。

這一來，智利似乎終於可以毫無忌憚地外銷硝石大賺一筆⋯⋯然而這樣的算盤卻遭到科學發展的阻撓。二十世紀初葉，兩名德國學者發明了「固氮法」。「固氮法」號稱「從空氣中製造麵包的方法」，達成了人類長久以來冀求穩定食物生產的心願，可說是畫時代的發明。

使用這項技術，就可以從空氣中合成氮。也就是說，想做多少肥料就能做出多少肥料。硝石的需求突然消失了。今日人類消費的食物據說有一半左右就是依靠固氮法製作的化學肥料種植的。也就是說，構成現代人肉體的氮有一半是人工物質。就各種層面來看，固氮法都是改變世界的發明。

氮也可以作為火藥原料，而這項原料變得能夠大量生產。有人甚至認為如果沒有這項發明，第一次世界大戰就不會發生了。德國科學家透過固氮法，同時開發了拯救人命與奪走人命的手段。後來祕魯透過砂糖、棉花、金屬礦山等讓經濟復甦，但是糞石礦山卻完全荒廢了。原本數量眾多的鰹鳥幾乎都消失蹤影。

挖糞石的勞工趕走了干擾工作的鰹鳥，毀掉牠們的鳥巢，撲殺大量的鳥。海風吹拂著大地，只有倖存的幾隻鰹鳥發出尖銳的叫聲，迴盪在荒涼的採掘場。

過了一個世紀的今日，祕魯的糞石再度受到重視。由於化學肥料導致地力衰落的問題逐漸受到重視，大家開始關注天然有機肥料。糞石堆積場經過重新調查，並設置採掘場。鰹鳥數量也恢復到三百萬隻，夜以繼日地把糞石原料的糞便落下並堆積在大地上。

祕魯導入了十九世紀時缺乏的「永續」概念。他們禁止捕捉海鳥賴以維生的沙丁魚，保護鰹鳥，並控制採掘量，希望能夠永續經營糞石產業。然而勞工做的事情仍舊和過去一樣。在令人窒息的粉塵中，勞工用毛巾作為口罩，拿著鏟子挖掘糞化石，並背負著沉重的麻袋。這些勞工不再像從前一樣是奴隸，不過因為擔心嚇跑海鳥，因此不能使用大型機械。

來自祕魯各地的勞工當然也領得到工資。他們不像過去的中國苦力遠離家園，在對故鄉的思念中客死他鄉。他們身上有手機。有人認為新興的糞石產業再怎麼撐也不會超過十年。人類與鰹鳥的共存關係不知能夠持續多久。

鰹鳥仍舊和往昔一樣，只是發出尖銳的叫聲。

大便、糞便、便便……不管是多優雅的稱呼，我們腦中想到的就只是從洞口「噗通」一聲掉下去，而且很臭的那一坨東西。生物的神經系統和免疫功能如此精密，為什麼只有排泄過程卻這麼草率？大便啊，你到底是何方神聖？

動物的大便可是超有用的呢！

本書作者早川為日本知名的「奇怪生物」研究大師，他將帶你認識各種不同動物的大便，以及這些動物如何藉由大便產生了令人嘖嘖稱奇的動物行為！《便便不思議》，貓頭鷹出版。

在橙嘴藍臉鰹鳥的世界，「虐童」事件每天都在上演；年輕的成鳥，會踏過鄰居的雛鳥，還會啄咬牠們，有時候導致雛鳥死亡。不過如果雛鳥倖存，且長大成鳥，會傾向成為施虐者，攻擊鄰近的雛鳥，讓這樣的不幸陷入無限循環。「施虐循環」常常被用來解釋人類的行為，但這次首次在野生動物身上發現證據。

我們知道，當小孩經歷過大人的虐待，長大之後往往會虐待自己的小孩。在人類以外的動物上卻很難研究這行為，像是恆河猴－會表現出類似的行為，但不常發生，或者鮮少被目擊。在加拉巴哥群島的Española島上，橙嘴藍臉鰹鳥成鳥會攻擊雛鳥，而且是令人髮指的頻繁。研究人員認為這樣的現象可以作為模型，對照人類的行為，而且牠們不在乎人類在一旁觀察，便於研究人員記錄。

維克森林大學的演化生態學家大衛‧安得森（David Anderson）提到，雛鳥的受虐事件，「你一眼就會注意到，那樣的明顯又讓你心神不寧。」。他自1984年起，就開始觀察鰹鳥，至今仍對牠們的行為感到驚奇，他提到「你不會預期看到動物浪費這麼多時間去打擾鄰居的雛鳥；牠大可以去做其他能提高是存度的事情，像是尋找配偶。」

為了了解虐待行為是如何在鰹鳥族群中發生的，安得森和他指導的大學生－包括第一作者馬丁那‧慕勒（Martina Muller），在三個繁殖季中收集資料。他們辨識出24隻雛鳥，有些經常受到成鳥攻擊，有些則不。研究團隊替鳥標上鮮豔的藍色腳環，持續追蹤直到牠們長大成熟。結果發現，幼期受到最多虐待的個體，長大後會成為最惡劣的施虐者。安得森說：「一隻鳥過去有成為受虐目標，則我們可以預期牠長大後的行為。鰹鳥的行為和人類的類似，不過有個重要的差別－人類虐童往往是和自己有關係的小孩，而鰹鳥則否。」

目前看來，鰹鳥的行為和牠的生命史有關，牠們通常只產兩顆蛋，即使雙親只能照顧一隻雛鳥。如果兩顆蛋都孵化，雛鳥體內的賀爾蒙會驅使牠去攻擊另一隻兄弟姊妹直到死亡。不過科學家還無法在演化上解釋這行為，推測可能跟是一些心理因素驅使，增加施虐者對雛鳥的興趣。

資料來源：ScienceNow: Abused Chicks Grow Up to Be Abusers [11 October 2011]

黃向文／國立臺灣海洋大學海洋事務與資源管理研究所教授兼所長，本刊副總編輯。

2015 年9 月，一篇海鳥誤食海洋垃圾的研究發表於《美國國家科學院院刊》（Proceeding of the National Academy of Sciences），許多媒體引述標題非常聳動，如「海水汙染嚴重，9 成海鳥曾吞過塑膠」、「2050 年99% 海鳥都會吃到塑膠」，真的嗎？ 99% 海鳥都會吃到塑膠？這可是非常嚴重的環境問題。

因應人類對於塑膠的需求量，塑膠產量從1950 年代以來每11 年倍增，也因為塑膠難以分解，加上儲存、處置的不當，導致大量塑膠被棄置、流入海中、成為主要的海洋廢棄物。最近研究數字顯示，海中塑膠垃圾的數量以對數成長，其密度已達每平方公里58 萬片。這些海洋垃圾可能使海洋生物因為纏繞、吞食無法消化、或者內含有毒物質致死。迄今，已有600 種海洋生物體內發現海洋垃圾。

於是，一群關心海鳥的科學家找出1962~2012 年間曾紀錄海鳥誤食垃圾的文獻，發現135 種海鳥中有80 種（59%）曾誤食海洋垃圾；個體方面則平均有29%。配合186 種海鳥的分布、覓食策略、體積大小、抽樣方法，再結合全球海洋塑膠垃圾的分布，模擬預測海鳥誤食海洋垃圾的高風險區。進而推論倘在今天進行此研究，預估90%海鳥個體的體內會有垃圾，到2050 年則有99% 種類的海鳥會誤食海洋垃圾。結論也提到，誤食垃圾風險最高的是在紐澳鄰近海域、海鳥種類分布最多的區域，並非海洋垃圾密度最高的水域。

試想，如果你有機會在2050 年到海邊賞鳥，每看到100隻就會有99 隻胃內有海洋塑膠垃圾，那是多驚人的景象？先回頭比較原文與媒體報導，「99% 海鳥」與「99% 種類的海鳥」就有不同，「種類」與「數量」是截然不同的定義。這是中文媒體在翻譯外文新聞時，未仔細查證的結果。其次，倘從數據反向解讀，海鳥中有41%物種（或71%個體）沒有誤食塑膠垃圾，從這個數字來看是否會比較安心？

此類研究屬於後設分析（Meta-analysis），利用多篇前人研究，將各文章之統計資料經過標準化等各種統計過程，得到整合性結果，提供世人對該議題的全面性了解。不過，我們可以從相關資料來源與方法，思考幾項此類環境議題研究的可能誤差：

Q1. 抽樣種類偏差？

從「種類」來說，全世界海鳥多達350 種，生態習性各有不同，對於掠食表層食物的鳥類，誤食垃圾的情況較嚴重；而覓食深層食物的海鳥，誤食垃圾比例較低。但該研究蒐集到的鳥種資訊未達半數，如何僅能依據半數海鳥的分布與誤食趨勢，就誇言另外半數的海鳥在未來30 年內也都將誤食海洋垃圾？

Q2. 抽樣地點誤差？

有關分布水域，結論認為海鳥誤食海洋垃圾的熱點在紐澳外海等南半球水域，然而，此觀點也顯示其可能為抽樣地點的誤差，因為紐澳水域海鳥種類眾多，相關研究也多。然而，該文章沒有交代相關論文的涵蓋水域或是各區域內的研究數量。因此，目前認為誤食比率較低的水域，其實可能是因為研究較少而造成，這部分仍尚待討論。另有科學家表示，在南極洋裡棲息有數量極高的海鳥（例如企鵝），但鮮少發現他們誤食塑膠垃圾，這部分可能歸功於南極條約的保護力，所以未若作者所言的嚴重。反之，在夏威夷群島研究信天翁的海鳥學者則認為夏威夷鄰近太平洋海域，才是海洋垃圾密度最高的地區，學者也見到越來越多住在中途島的信天翁幼鳥因為誤食海洋垃圾而亡，不認為熱帶水域相對比較安全。

Q3. 研究發表謬誤？

對於此類研究，都可能存在「研究發表誤差」，如果科學家蒐集到的海鳥胃內沒有誤食垃圾，則不具有發表效應，也不會有期刊接受此類「沒有保育價值」的文章。通常是情況越嚴重者，被接受的機率越高，長久以往，能夠見諸期刊的都是情況較危急的研究，因此，如果單純以研究報告分析，可能會造成高估。

這篇文章令人聯想到兩篇海洋保育界的文章，其一是在1990 年代，澳洲科學家發表一篇有關日本延繩釣漁船誤捕的海鳥數量，推估結果認為南太平洋每年因為延繩釣漁業而混獲的海鳥超過十萬隻，引起保育團體憂心忡忡，呼籲政府採取行動。為此，聯合國糧農組織召開多次專家諮商會議，並於1999 年通過乙份避免延繩釣漁業意外混獲海鳥之國際行動計畫，之後更因此成立「信天翁與海燕保育公約」，力推各項海鳥保育措施。但該研究僅利用一艘漁船在短短數個月期間、澳洲沿岸水域的混獲狀況。實際上，海鳥分布並非平均，漁船作業水域亦然。該文章忽略此現象，直接相乘結果造成此極大偏差，之後發表的文章也依據混獲變化情況下修數值。但不可諱言，因此引發的海鳥保育浪潮也的確發揮保育功效。

無獨有偶地，一群英美科學家在2006 年發表一篇文章，預估2048 年將無魚可吃，亦引起各方關注。即便受到一些海洋漁業學家的質疑，第一作者隨後也在2009 年發表文章表示此類過度漁撈的危機能夠被控制。不過，在2006年之後，因應該文章的論點而發起的許多海洋資源保育行動、生態標章等開始風行，相信對於資源保育仍有一定之成效。

所以，從研究方法觀點來看，該等論文或有可議之處，然而，不過才兩周之後，一篇類似的文章隨後於《全球變遷生物學》（Global Change Biology）期刊發表，該文以海洋垃圾與海龜分布區域的資料進行模擬，表示有52% 的海龜可能誤食海洋垃圾。開始有科學家評論這現象有如海洋版寂靜的春天，塑膠垃圾對於海洋的危害已經不下當年DDT 對於陸地環境的危害，我們應該採取積極的行動全面抵制、減少塑膠類垃圾的使用，這才是研究之後更深遠的呼籲吧！