東京灣太臭讓冬奧選手狂吐?從蝦子到「廢物發電」,看各城市如何解決污水難題
東京灣太臭讓冬奧選手狂吐?從蝦子到「廢物發電」,看各城市如何解決污水難題

東京奧運相關賽事於上週起如火如荼展開,不過在7月26日鐵人三項賽後卻傳出多國選手嘔吐,雖然事後有專家指出嘔吐主因應是與天氣濕熱、運動強度高有關,但東京的污水排放系統問題也再度浮上檯面。

事實上早在開賽前,就已有許多媒體點出東京灣「很臭」的問題,究竟汙水處理有多困難?無論是波士頓或京都琵琶湖,許多先進城市經歷多年整治都還是無法處理完善;但其中也是有像岡山的兒島湖用蝦改善水質,或像仙台一樣用「發電」處理廢水的先例,也許可以做為解方參考。

tokyo 2020 olympics.jpeg
東奧鐵人三項賽後傳出多國選手嘔吐,使東京的污水排放系統問題也再度浮上檯面。

舊式下水道系統,讓東京雨水汙水無法分流

時間倒回至2019年8月,為了解東京灣的場地狀況,東奧組委會曾在這舉辦測試賽。當時許多選手反映「水很臭」,主辦單位也馬上檢測水質,果然裡面的大腸桿菌超標2倍,場地也被國際鐵人三項聯盟認證為最糟糕的「第四級」,測試賽隨即終止,日本也承諾會改善水質。

東京長年有「最先進的下水道系統」、「最完整的下水道覆蓋率」等美名,為何東京灣還會散發惡臭?

目前大部分先進城市的下水道,雨水跟家用、工廠用廢水,再流進地下前會先行分流,不過東京部分下水道是於1880年代山手線施工時代就施作,當時雨水和廢水分流機制尚不完善,若突發暴雨,為了避免城市淹水要加速排水,只好讓來不及流入汙水處理廠的廢水流進河中,若該年雨季較長,甚至1年可能出現120天上述情形。

比賽場地距離東京灣汙水出水口只有2公里,東京都1年多內也積極作出相關對策,包含設置水下頻障擋住大腸桿菌流入河中、增加汙水處理廠的處理量、加速排水速度、加強出水口清潔等。當時東奧準備局負責競技規劃的矢嶋浩一就保證,除非遇到大雨天,否則舉辦比賽沒有問題。奧委會賽前也評估若是好天氣,比賽就能正常舉行,沒想到卻還是有臭味。

工業廢水.PNG
圖/ EcoWorth Tech官網

波士頓、京都努力治水,卻也無法完全復原

過去因為缺乏環保觀念,髒東西都往水裡倒,日後有意改善往往也都是大工程,花費大量的維護費還是難以百分百復原。

80年代波士頓港可說是是美國最可怕的港口之一,當時的污水處理廠技術仍不成熟,許多人亂排廢水,讓海岸充滿細菌和毒素。污水經常溢出到海灘,使當地海岸魚隻因此生出腫瘤等其他疾病,沒人會想去海邊。

當地從25年前開始整治Charles和Mystic兩條河流,多年過去大部分的河段都已在美國國家環境保護局的評比下達到A或B的標準,代表可以游泳或划船。不過,2條河還是至少有一段只有D或F的分數。

美國環保署負責當地水域部門的主任Ken Moraff深入調查發現,有河川仍不及格,是因依舊有人在偷排廢水、下水道溢流和污水管老舊破裂,尤其後兩者又特別會在雨天讓大腸桿菌濃度飆升。即使當地政府已在下水道系統投資超過1.5億美元,也減少了87%的雨天排水量,然而雨水徑流中的其他污染物,包含草坪肥料、道路鹽分和汽油等,都會影響成效,如化肥會導致藍藻大量繁殖。

目光轉向日本,京都近郊滋賀縣的琵琶湖自60年代以來就不斷有居民抱怨惡臭問題,1977年更發生大規模的淡水赤潮,讓滋賀縣不得不對琵琶湖問題進行改善。縣政府發現惡臭主因是當地工廠擴張,讓含氮和磷的污染廢水流入湖內導致而成,於是在1980年實施了「琵琶湖富營養化防止條例」,成為日本第一個禁止銷售和使用含磷合成家用洗滌劑的地區。

40年過去,隨著汙水處理成效提高,減少了浮游生物的流入,湖水也重現了透明,去年琵琶湖北湖水質也首次通過了日本的國家環境標準,然而這樣的結果,當地人卻不滿意,因為湖內的漁獲量也回不去了。

2019年,的年漁獲量下降至896噸,僅有歷年產量尖峰的10%。因為水中缺少浮游生物,等於湖中養分被去除,處於「貧營養」化的狀態,水內也了無生機。令當地政府意識到,水質回到標準仍不夠,琵琶湖下個目標將打造動、植物適合的環境,重建生態圈。

日本滋賀縣琵琶湖
日本滋賀縣琵琶湖。
圖/ Sirada Worasarn on Unsplash

延伸閱讀:東京奧運「勝利花束」藏暖意!選用311災區花材,搭配吉祥物「未來永遠郎」

透過蝦子、發電,改善汙水問題

事實上日本也有靠生物淨化髒水,達到生態圈平衡的例子。位於岡山北部的兒島湖,過去也被長期汙染,不過他們靠著「食材」重新淨化水質。

兒島湖是一個靠著淡化海水的方法創建的人工湖。當時落成是僅次於荷蘭愛塞湖(IJsselmeer)的世界第二大人工湖,預計要作為農業用水,然而當地因人口稠密,瀨戶內區降雨量又少,還有農田化肥產生的氮、磷流入湖內,讓水質快速惡化,並在50年代成為日本污染最嚴重的湖泊之一。

研究發現,兒島湖的污染是有機物含量高導致浮游生物增加以及水中含氧量減少造成的,因此當地認為可以透過減少水中有機物來改善水質,於是把頭腦動到了「沼蝦」身上。沼蝦在一般的水族館內就有「水族館清潔工」的美名,它們以水中的有機物為食,有利於淨化水質。

自2018年兒島湖開始養殖沼蝦後,湖水內的氮和磷以減少約30%,不只如此,現在這種沼蝦製成的炸蝦,也成為當地的熱門美食。另外,鰻魚也很喜歡吃這款蝦子,因此,評估後續也有利於鰻魚數量的成長,對環境和漁業都是正向循環。

除了靠生物淨化水質,用髒污來發電也是個選項。位在仙台的南蒲生淨化汙水處理廠,每日可以處理39萬戶污水,卻也製造了2,090立方公尺的髒污。為了有效運用「廢物」,他們在汙泥焚燒前先加入細菌,使其產生沼氣進行發電,預計每年可發948萬千瓦的電,供3,000戶家庭使用,這些電力每年幫處理廠增加了9,800萬日圓的收入,並且因為減少焚燒,每年減少了3,360噸二氧化碳的排放量。當地更喊出要在50年內讓沼氣發電更上軌道,達到無碳城市的目標。

城市在汙水治理上是條相當漫長的道路,不過隨著科技的進步,加上成功的案例,要讓汙水區變成可以親水,已非不可能的任務。

責任編輯:傅珮晴

文章授權轉載自:FC未來商務

最新8月號雜誌《區塊鏈上的金融新世界》馬上購:傳送門
「電子雜誌」輕鬆讀:傳送門

資料來源:BloomberglivedoorTSURINEWS河北新報社京都新聞WBUR

關鍵字: #東京奧運
往下滑看下一篇文章
從模型競爭走向算力經濟,INFINITIX 助客戶打造軟體定義 AI 基礎建設
從模型競爭走向算力經濟,INFINITIX 助客戶打造軟體定義 AI 基礎建設

過去兩年,人工智慧技術以史無前例的速度翻轉企業營運與競爭態勢,從客服、知識管理到軟體開發,越來越多企業將大型語言模型(LLM)導入企業營運流程,隨著應用程度的深化與廣化,越來越多發現,真正的挑戰早已不只是「選擇哪個模型」,而是如何管理算力、控制成本、確保資料安全,以及讓不同世代GPU、模型與AI應用可以持續共存與調度。

代理式AI崛起後,AI應用從回答問題進展為執行任務、操作系統以及串接流程,連帶拉升對AI基礎設施的需求與架構複雜度,而這意味著,想要發揮AI綜效,光只有模型與技術尚不夠,必須將整體IT環境逐步升級為AI基礎建設(AI Infra)。

深耕AI管理領域多年的數位無限(INFINITIX),近年積極布局軟體定應AI基礎建設(Software Defined AI Infrastructure)市場,除持續深化與GPU、伺服器與AI硬體生態系的合作關係,如於2021年取得NVIDIA Solution Advisor全球夥伴資格,2025年亦獲AMD GPU生態建設夥伴獎,也因應市場需求推出AI-Stack與ixCSP兩大產品線,協助企業、雲端服務供應商(CSP)與新世代AI雲端業者,更有效率地管理跨世代AI算力資源。

數位無限執行長陳文裕表示:「我們的目標是協助客戶打造軟體定義AI基礎架構,讓其可以視需求向下整合不同世代GPU、儲存與網路設備,同時,向上鏈結模型、Token跟AI應用,加速企業的AI創新轉型腳步。」

數位無限執行長陳文裕.JPG
數位無限執行長陳文裕
圖/ 數位時代

從AI模型到AI經濟,企業競爭焦點轉向算力與Token調度能力

過去市場談AI,焦點多半放在模型參數、推論效能與模型能力,但在大型語言模型推論需求暴增的現下,AI Infra早已從單純GPU採購演變成涵蓋機櫃、網路、儲存、散熱與電力的整體工程;企業真正需要的,不是更多GPU、而是如何更有效率地調度與利用算力。

尤其在NVIDIA提出Token Factory概念後,全球AI產業正逐步從模型競賽轉向「AI經濟」,亦即,影響企業AI決策的再也不是使用哪個模型、部署多少GPU,而是消耗多少Token、產生多少AI服務,以及算力是否能被有效共享與調度。

換言之,在AI新世界,算力調度能力的重要水漲船高。對此,陳文裕十分認同的說:「企業想要提升AI競爭力,不僅要掌握模型與應用,還必須進一步思考如何有效切割GPU資源、讓不同部門甚至集團子公司共享算力、延長舊世代GPU的使用壽命,甚至是如何將閒置算力轉變成可交易的資源等。」

事實上,這也是大量AI資料中心(AIDC)跟新世代AI雲端服務(Neo Cloud)業者出現的原因,包括CoreWeave、Nebius、Lambda Labs、GMI Cloud等業者皆試圖以更具彈性的方式,提供企業所需的GPU服務與AI算力平台。

看準這波趨勢,數位無限除透過AI-Stack提供GPU切片、模型部署、模型管理與MLOps等服務,協助客戶提升GPU使用率,更進一步推出ixCSP平台,讓雲端服務供應商與新世代AI雲端業者,能從過去單純販售GPU資源轉型為提供GPU as a Service、Token as a Service與Model as a Service等創新AI服務。

以Software Defined AI Infrastructure助企業以「通用化、鬆耦合」迎戰瞬變AI世代

因應AI新世代帶來的挑戰:模型快速升級、算力需求攀升、GPU世代交替迅速,企業在追逐AI落地的同時,勢必得面臨基礎建設更新速度過快、硬體投資壓力升高,以及資源利用效率難以最佳化等挑戰。

為協助企業在AI快速演進與基礎建設投資之間取得平衡,數位無限的作法是,透過AI-Stack將底層硬體抽象化,以Token或模型服務形式提供,讓企業客戶、AIDC與Neo Cloud業者可以延長不同世代與不同品牌的AI硬體設備的生命週期、創造更高的使用價值、甚至是展開更多元的營收模式。

例如,高雄醫學大學附設中和紀念醫院便透過數位無限的AI-Stack解決GPU資源調度效率不彰問題,加速39項AI模型進入臨床應用階段,成功建立起「從模型開發到臨床落地」的完整生態系統。而日本精密製造大廠–Union Tool Co.–則是透過AI-Stack簡化GPU資源共享、加速AI模型的開發與測試腳步,為提升生產效率做最佳準備。

「如果大型企業或AIDC業者擁有閒置資源,也可以透過ixCSP平台,把算力共享或調度給集團內部團隊、子公司,甚至上下游合作夥伴使用,進一步提升整體資源利用率。」數位無限執行長陳文裕如是說道。

隨著AI從工具演變成企業核心基礎建設,企業真正需要的,也不再只是單一模型,而是一套能持續適應AI快速演進的AI Infra,而這與數位無限近年來的重要轉型方向一致:從AI管理軟體提供者轉型為軟體定義AI基礎建設供應商,更好協助客戶打造具備「通用化」與「鬆耦合」特性的AI基礎建設。

除以AI-Stack與ixCSP協助客戶提升算力使用效率與價值,數位無限亦計畫與硬體合作夥伴推出Agentic AI一體機方案,協助企業快速建立可驗證、可部署、可切割、可共享的AI運算環境,降低企業從PoC走向實際導入的門檻,加速AI落地。

總的來說,隨著AI競爭從模型能力延伸到算力治理,企業比拚的不僅是導入速度,而是能否建立一套足夠彈性、可持續演進的AI Infra,而這與數位無限的發展目標一致,將持續不斷優化產品服務,化身企業搶進AI新世代的關鍵合作夥伴。

登入數位時代會員

開啟專屬自己的主題內容,

每日推播重點文章

閱讀會員專屬文章

請先登入數位時代會員

看更多獨享內容

請先登入數位時代會員

開啟收藏文章功能,

請先登入數位時代會員

開啟訂閱文章分類功能,

請先登入數位時代會員

我還不是會員, 註冊去!
追蹤我們
代理式商務連動百兆商機
© 2026 Business Next Media Corp. All Rights Reserved. 本網站內容未經允許,不得轉載。
106 台北市大安區光復南路102號9樓