地底下的模樣：想像與現實

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

深海之下，有著許多的資源蘊藏在其中，例如天然氣、石油、金屬礦床等等，然而要找到這些珍貴的資源，就必須要先知道海床之下的地質構造，才能有效率地進行開採。怎麼樣才能知道海底下是什麼樣子呢？美國奧勒岡州立大學 (Oregon State University) 的兩位科學家在近日發表了一種新方法，那就是聽鯨魚唱歌！¹

科學家如何透過神秘的鯨魚之聲，研究海底下的世界？讓我們先從地震說起吧。

地下構造長怎樣，科學家用聽的

要知道海底之下有什麼，最簡單的方法，莫過於直接鑽井下去一探究竟，但是在海底鑽井可是一門大工程，光是鑽一口井就會花費大量的時間及成本，因此在鑽井之前，必須仰賴其他的方式進行探測，而最常使用的方式之一便是所謂的「震測」。

震測顧名思義，就是利用震動來進行測量。當地震發生時，地震波會在地底下傳遞，而地震波在不一樣的地層之中有著不同的速度。這使得地震發生後，行經不同路徑的地震波，抵達同一個地點的時間會有差異，而也是因為這個差異，讓科學家可以藉此推測地底下的構造是如何。

然而地震的發生並不是人為可以控制的，因此除了自然的地震以外，有時也需要一些超自然人為的震動，其中最常見的方法就是用空氣槍 (air gun) 產生聲波，再藉由聲波在地層中的傳播來得到震測結果。

為了監測奧勒岡州外海的斷層，研究團隊 Kuna 和 Nábělek 等人在 2012 及 2013 年之間，總共施放了 54 個海底地震儀 (Ocean-bottom seismometer)。然而，除了地震波的訊號以外，他們意外地發現了一些不一樣的訊號。

海洋裡的大聲公：長鬚鯨

海底地震儀所接收到的神祕訊號，在 Kuna和Nábělek 的好奇研究之下，終於發現聲音的主人──長鬚鯨。是的，你不敢相信鯨魚在身邊~♪

長鬚鯨 (Balaenoptera physalus) 是僅次於藍鯨的現今第二大生物，體長最多可達 26 公尺，體重最高為 80 公噸，長鬚鯨也是海中數一數二的游泳高手，最快的速度約是 15 節（時速約 28 公里）。善於游泳的長鬚鯨會隨著季節進行長距離的遷徙，廣泛分布在全球的海洋之中，絕大多數的大洋中都可以發現牠們的蹤跡。

而被地震儀記錄到的，正是長鬚鯨的歌聲，它的歌聲不像大翅鯨的長音，而是類似於鼓聲的短音（歌聲在此），一唱便可以連續數十幾個小時，只有在水面換氣時會短暫停止。長鬚鯨的聲音最高的記錄為 189 分貝，相當於大型船艦航行時發出的聲音，巨大的聲響足以在海洋中傳播數百公里之遠。

發現了如此宏亮又長時間的聲音訊號，讓 Kuna 和 Nábělek 想到，是否可以利用鯨魚的歌聲來繪製震測剖面圖呢？於是發現了歌聲的主人之後，他們又繼續分析起鯨魚的歌聲。

來自鯨聲的震測剖面

Kuna 和 Nábělek 發現，訊號中長鬚鯨歌曲是由兩種頻率不同的叫聲相互交錯組成，一種是頻率約在 20-25 赫茲的高頻音，另一種則是大約 15-20 赫茲的低頻音。為了減少低頻噪音的影響，他們只選用高頻音作為分析對象，每首歌所包含的叫聲次數為 212-593 次，每次叫聲的間隔大約是 30 多秒。

而鯨魚的位置也可以從聲音來判斷，根據從直線抵達地震儀的聲音訊號，以及經過反射後才抵達的訊號間的時間差，可以推算出鯨魚和地震儀之間的距離。知道了距離之後，還需要方向與深度才能確定鯨魚的位置，地震儀可以記錄方位，但鯨魚的深度卻無法得知，還好長鬚鯨大多只在水下二十米以內的深度活動，因此 Kuna 和 Nábělek 假設鯨魚的深度為十公尺，這樣一來就可以推測出鯨魚所在的位置，也就可以正式開始震測圖的繪製了。

Kuna和Nábělek從三個地震儀中各別分析了兩首歌，總共有六首歌，也就是得到了六個震測結果。結果顯示在每個地震儀的兩首歌之間，所計算出來不論是 P 波和 S 波的波速，或者是玄武岩之上的海洋沉積物厚度，都有著相近的數據，代表了長鬚鯨的歌聲確實可以被用來作為震測的音源。

未來的震測資料，會變成鯨魚們的專輯嗎?

使用鯨魚的歌聲來繪製震測圖有許多的優點。事實上，傳統常使用的空氣槍，並非在所有地方都可以使用，而人造的巨大聲響更會形成海洋中的噪音污染。因此使用鯨魚的歌聲除了可以補足空氣槍無法使用的範圍，也可以減少海洋中的噪音，更是幾乎全年無休的自動訊號來源，最重要的是用生物取代非生物比較討喜啊，Pui~Pui~

雖然有上述的優點，但這款長鬚鯨震測仍有些缺點，例如長鬚鯨的聲音頻率偏低，難以得到高解析度的結果（作者表示聲音較高的抹香鯨很有潛力），因此只適合在地型構造較為單純的環境下進行。若要觀測複雜的構造，則需要搭配多個地震儀同時進行觀測，或者利用演算法來協助分析數據。

或許有一天，鯨魚的歌聲真的可以取代會造成空氣槍這個目前的必要之惡。到那個時候，如果在海下探險是你的願望，那就放下儀器向鯨魚問路吧！

參考資料

1. Kuna, V. M. & Nábělek, J. L. (2021). Seismic crustal imaging using fin whale songs. Science, 371, 731–735.
2. Aguilar, A., & García-Vernet, R. (2018). Fin whale: Balaenoptera physalus. In Encyclopedia of marine mammals (pp. 368-371). Academic Press.
3. 臺灣大百科全書：海洋震測

• 文／馬國鳳

大地震總是難免會帶來傷亡和損失，為此從科學面來看更應盡其所能的將地震所帶來的各種數據觀測徹頭徹尾的研究。因此，雖然九二一集集地震許多台灣人的傷痛，但在地震科學界，也因此地震而有了獨步全球的研究成果；即使我們都不希望再有這樣的強震發生，但卻無法無視自然的法則。從強震中挖掘出更多未知，解決地震危害的問題，便是從事地震科學相關研究的學者畢生職志。接著，讓我們看看集集地震讓學界學習到了什麼。

每到九月，總是讓我們想起 1999 年的 9 月 21 日的集集大地震，當年地震帶來的災害至今仍讓大家餘悸猶存。在大地震發生後，臺灣不論在地震科學、工程或防災上，都有更深入的推廣及學習，相關的成果也為世界所重視。藉由此機會，本文將介紹近年來由臺灣出發而獲世界重視的斷層動力科學觀測及分析成果。

天搖地動後，萬眾矚目的車籠埔斷層

由於前人睿智的建議，臺灣自 1993 年開始，由中央氣象局地震測報中心架設了全世界最高品質且密集的強地動觀測網，成為當時全世界唯一在災害性地震發生前擺設完成的強地動觀測網。因此，在 1999 年集集地震發生後，此觀測網資料為世界提供了解大規模破壞性地震機制最全面的研究。

另外，也透過地震資料分析及其斷層模式反演，以及地表地質的觀測，了解到破裂的車籠埔斷層北段有高達約 12 公尺的斷層滑移量，及長週期的大滑移速度值，但是在南段雖無太大的滑移量，卻有高頻振動以及高的地震動加速度，而這種大的滑移量與滑移速率的整體斷層運動行為特別受到了世界的矚目。

集集大地震的這些現象為何會受到全球的關注呢？

首先，在當時對於地殼應力的理解中，是無法造成如此大的斷層位移的；其次，一直以來，地震工程大多認為是地震動加速度才是造成災害的主因，但此次地震資料也揭露了大地震的滑移速度之週期對大型建物的影響；最後，在分析災害行為中，也暗示了地震破裂的複雜動力行為，故集集地震提供了地震科學及工程深切了解斷層大滑移量的物理機制及其災害特性。

啟動斷層鑽探計畫、裝設現地井下地震儀

因此，在突破性的科學研究、國科會（現科技部）的支持下， 2006 年開啓了臺灣與美、日、德、義等多國共同參與的世界矚目的國際型臺灣車籠埔斷層鑽探計畫 (Taiwan Chelungpu-fault Drilling project, TCDP) 。

成功的鑽探到集集地震的滑移帶，其厚度約為毫米等級，且含有非常細緻，約為奈米等級的黏土礦物斷層泥，此項鑽探結果除了增進對地震能量分區的理解，也了解到地震動力學的行為是需要地質及地震科學相互的配合。

如上述，集集地震時的高品質密集地震記錄及成功的滑移帶鑽探，提供世界研究地震動力的分析基礎。因此，透過理論力學分析地震運動滑移的時間及空間分佈，研究團隊也得到地震斷層面上的動力學參數，顯示剪切應力在斷層面上分佈的不均勻性，且其斷層摩擦力會隨時間及空間變化的複雜性。

在地震總能量的分析上，藉由集集地震鑽探計畫所得到的斷層泥顆粒及厚度，得出產生此斷層泥的破碎能所做的功。在鑽井後的地球物理井測（分析穿透地層地性質的技術）及溫度量測，分析地震中熱能的耗損，以及鑽探所得的斷層帶岩芯、岩石力學分析等，皆為現在斷層力學中的高引用度文章。熱能為地震力學中最難分析的數值，在測量中所得斷層帶低摩擦係數，也促使往後世界各國在大地震後進行測量摩擦熱的鑽井計畫 (例： 2008 年汶川 WCSD 及 2011 年日本東北大地震 J-FAST) 。

隨著 TCDP 鑽井計畫成功定義出 1999 集集地震的滑移帶，研究團隊接著在井孔內安裝現地井下地震儀 (臺灣車籠埔斷層井下地震儀「Taiwan Chelungpu Fault Drilling Project Borehole Seismometers Array, TCDPBHS」) 以監測發生大滑移量後的斷層帶行為。

地震動力學的研究對了解地震物理行為，如起始、傳播和癒合至關重要，斷層滑移的物性關係是地震震源動力描述的關鍵，而科學深井鑽探計畫，提供了難得的機會觀察斷層深處的破裂，讓我們得以了解 1999 年集集地震的物理環境。

其簡略流程約為：

1. 首先，在彈性張量儲存以及釋放之處，也就是巨大的錯動破裂面上取出一段連續的岩心剖面
2. 在高速大滑移量區採樣
3. 確定斷層帶內的物理條件（應力、孔隙壓力、溫度）。

之後，再配合跨斷層帶的現地井下地震儀，提供斷層帶動態變化的近距離觀測資料，以了解大地震後斷層帶的構造及變化。

在多年血汗淚之後，科學家的研究成果是？

雖然 1999 年集集大地震造成大規模的災害，但由於在地震發生之前，已密集架設的強震站也提供了對集集地震進行廣泛研究的機會。因此，此項寶貴的資料除了促使世界關注高質量的近斷層資料，也提供了機會給地震學和地震工程師能更全面了解破壞性地震的災害特性。近地表最大的滑移量可達約 12 公尺，緩傾構造為科學鑽探提供了獨特的機會來了解大滑移量的斷層物理特性。

透過此項計畫，研究團隊發現微米級的滑移厚度是集集大地震的重要證據；由現地溫度測量得到的低摩擦係數也是解釋在地殼斷層是強或弱的悖論的重要發現；透過跨斷層現地井下地震儀的多年觀察，研究團隊持續努力透過近距離地震觀測資料揭示斷層帶的動力學。

從最近的研究中發現，透過動態觸發，斷層帶可能被區域或遠距離的地震影響，導致速度與應力異向性的變化，進而在大地震後，與世界上的斷層帶可能有遠程的連結；透過大地震後斷層帶的現地井下地震儀，研究團隊可以近距離觀測斷層帶行為及其隨時間的演變情形，獲得第一手資料，並瞭解地震的誘發行為。

與科學家一起展望地震科學的未來吧！

地震科學不只是科學研究，它與民眾、社會及國家經濟都有重要的關聯。隨著對地震科學前瞻研究的投入，研究團隊在幾年前再次結合地質及地震科學，成立臺灣地震模型 (Taiwan Earthquake Model, TEM) ，瞭解臺灣的斷層及孕震特性，尤其斷層震源破裂的物理特性，藉由分析其地震波傳遞特性來了解臺灣各區域的地震危害潛勢。而地震危害潛勢分析以及未來希望獲得推廣的全震源時間及空間的地震景況與情境模擬，除了有助於地震工程及政府相關法規的推展外，亦對產業面對的地震危害有更先進的風險管理，以降低下次災害性地震帶來的風險

• 延伸閱讀：防震不是只有預警那麼簡單：大地震過後，下一步該怎麼走？

臺灣位於活躍的板塊活動區，地震的發生是必然的。因此在科學面上，研究團隊希望臺灣可為世界帶來更多先進的觀測及前瞻性的科學研究成果；同時，也希望透過地質及地震科學的研究，整合相關領域，提供政府及民間甚至產業更多的地震防災資訊及知識，並透過科普教育的推廣防災知識。研究團隊已為此建立了 「震識」部落格，以透過社群網站提供正確的地震地質及防災知識，使地震科學教育更加落實。

本文轉載自震識：那些你想知道的震事，原文為《九二一地震啟示錄：科學家的課題》，也歡迎追蹤粉絲頁震識：那些你想知道的震事了解更多地震事。