人工智慧能幫助中國對抗霧霾嗎？

• 作者／賴昭正｜前清大化學系教授、系主任、所長；合創科學月刊

我擔心人工智慧可能會完全取代人類。如果人們能設計電腦病毒，那麼就會有人設計出能夠自我改進和複製的人工智慧。 這將是一種超越人類的新生命形式。

——史蒂芬．霍金（Stephen Hawking）　英國理論物理學家

大約在八十年前，當第一台數位計算機出現時，一些電腦科學家便一直致力於讓機器具有像人類一樣的智慧；但七十年後，還是沒有機器能夠可靠地提供人類程度的語言或影像辨識功能。誰又想到「人工智慧」（Artificial Intelligent，簡稱 AI）的能力最近十年突然起飛，在許多（所有？）領域的測試中擊敗了人類，正在改變各個領域——包括假新聞的製造與散佈——的生態。

圖形處理單元（graphic process unit，簡稱 GPU）是這場「人工智慧」革命中的最大助手。它的興起使得九年前還是個小公司的 Nvidia（英偉達）股票從每股不到 $5，上升到今天（5 月 24 日）每股超過 $1000（註一）的全世界第三大公司，其創辦人（之一）兼首席執行官、出生於台南的黃仁勳（Jenson Huang）也一躍成為全世界排名 20 內的大富豪、台灣家喻戶曉的名人！可是多少人了解圖形處理單元是什麼嗎？到底是時勢造英雄，還是英雄造時勢？

在回答這問題之前，筆者得先聲明筆者不是學電腦的，因此在這裡所能談的只是與電腦設計細節無關的基本原理。筆者認為將原理轉成實用工具是專家的事，不是我們外行人需要了解的；但作為一位現在的知識分子或公民，了解基本原理則是必備的條件：例如了解「能量不滅定律」就可以不用仔細分析，即可判斷永動機是騙人的；又如現在可攜帶型冷氣機充斥市面上，它們不用往室外排廢熱氣，就可以提供屋內冷氣，讀者買嗎？

CPU 與 GPU

不管是大型電腦或個人電腦都需具有「中央處理單元」（central process unit，簡稱 CPU）。CPU 是電腦的「腦」，其電子電路負責處理所有軟體正確運作所需的所有任務，如算術、邏輯、控制、輸入和輸出操作等等。雖然早期的設計即可以讓一個指令同時做兩、三件不同的工作；但為了簡單化，我們在這裡所談的工作將只是執行算術和邏輯運算的工作（arithmetic and logic unit，簡稱 ALU），如將兩個數加在一起。在這一簡化的定義下，CPU 在任何一個時刻均只能執行一件工作而已。

在個人電腦剛出現只能用於一般事物的處理時，CPU 均能非常勝任地完成任務。但電腦圖形和動畫的出現帶來了第一批運算密集型工作負載後，CPU 開始顯示心有餘而力不足：例如電玩動畫需要應用程式處理數以萬計的像素（pixel），每個像素都有自己的顏色、光強度、和運動等, 使得 CPU 根本沒辦法在短時間內完成這些工作。於是出現了主機板上之「顯示插卡」來支援補助 CPU。

1999 年，英偉達將其一「具有集成變換、照明、三角形設定／裁剪、和透過應用程式從模型產生二維或三維影像的單晶片處理器」（註二）定位為「世界上第一款 GPU」，「GPU」這一名詞於焉誕生。不像 CPU，GPU 可以在同一個時刻執行許多算術和邏輯運算的工作，快速地完成圖形和動畫的變化。

依序計算和平行計算

一部電腦 CPU 如何計算 7×5+6/3 呢？因每一時刻只能做一件事，所以其步驟為：

• 計算 7×5；
• 計算 6/3；
• 將結果相加。

總共需要 3 個運算時間。但如果我們有兩個 CPU 呢？很多工作便可以同時（平行）進行：

• 同時計算 7×5 及 6/3；
• 將結果相加。

只需要 2 個運算時間,比單獨的 CPU 減少了一個。這看起來好像沒節省多少時間，但如果我們有 16 對 a×b 要相加呢？單獨的 CPU 需要 31 個運算的時間（16 個 × 的運算時間及 15 個 + 的運算時間），而有 16 個小 CPU 的 GPU 則只需要 5 個運算的時間（1 個 × 的運算時間及 4 個 + 的運算時間）！

現在就讓我們來看看為什麼稱 GPU 為「圖形」處理單元。圖一左圖《我愛科學》一書擺斜了，如何將它擺正成右圖呢？ 一句話：「將整個圖逆時針方向旋轉 θ 即可」。但因為左圖是由上百萬個像素點（座標 x, y）組成的，所以這句簡單的話可讓 CPU 忙得不亦樂乎了：每一點的座標都必須做如下的轉換

x’ = x cosθ + y sinθ

y’ = -x sinθ+ y cosθ

即每一點均需要做四個 × 及兩個 + 的運算！如果每一運算需要 10^-6 秒，那麼讓《我愛科學》一書做個簡單的角度旋轉，便需要 6 秒，這豈是電動玩具畫面變化所能接受的？

人類的許多發明都是基於需要的關係，因此電腦硬件設計家便開始思考：這些點轉換都是獨立的，為什麼我們不讓它們同時進行（平行運算，parallel processing）呢？於是專門用來處理「圖形」的處理單元出現了——就是我們現在所知的 GPU。如果一個 GPU 可以同時處理 10⁶ 運算，那上圖的轉換只需 10^-6 秒鐘！

GPU 的興起

GPU 可分成兩種：

• 整合式圖形「卡」（integrated graphics）是內建於 CPU 中的 GPU，所以不是插卡，它與 CPU 共享系統記憶體，沒有單獨的記憶體組來儲存圖形／視訊，主要用於大部分的個人電腦及筆記型電腦上；早期英特爾（Intel）因為不讓插卡 GPU 侵蝕主機的地盤，在這方面的研發佔領先的地位，約佔 68% 的市場。
• 獨立顯示卡（discrete graphics）有不與 CPU 共享的自己專用內存；由於與處理器晶片分離，它會消耗更多電量並產生大量熱量；然而，也正是因為有自己的記憶體來源和電源，它可以比整合式顯示卡提供更高的效能。

2007 年，英偉達發布了可以在獨立 GPU 上進行平行處理的軟體層後，科學家發現獨立 GPU 不但能夠快速處理圖形變化，在需要大量計算才能實現特定結果的任務上也非常有效，因此開啟了為計算密集型的實用題目編寫 GPU 程式的領域。如今獨立 GPU 的應用範圍已遠遠超出當初圖形處理，不但擴大到醫學影像和地震成像等之複雜圖像和影片編輯及視覺化，也應用於駕駛、導航、天氣預報、大資料庫分析、機器學習、人工智慧、加密貨幣挖礦、及分子動力學模擬（註三）等其它領域。獨立 GPU 已成為人工智慧生態系統中不可或缺的一部分，正在改變我們的生活方式及許多行業的遊戲規則。英特爾在這方面發展較遲，遠遠落在英偉達（80%）及超微半導體公司（Advance Micro Devices Inc.，19%，註四）之後，大約只有 1% 的市場。

事實上現在的中央處理單元也不再是真正的「單元」，而是如圖二可含有多個可以同時處理運算的核心（core）單元。GPU 犧牲大量快取和控制單元以獲得更多的處理核心，因此其核心功能不如 CPU 核心強大，但它們能同時高速執行大量相同的指令，在平行運算中發揮強大作用。現在電腦通常具有 2 到 64 個核心；GPU 則具有上千、甚至上萬的核心。

結論

我們一看到《我愛科學》這本書，不需要一點一點地從左上到右下慢慢掃描,即可瞬間知道它上面有書名、出版社等，也知道它擺斜了。這種「平行運作」的能力不僅限於視覺，它也延伸到其它感官和認知功能。例如筆者在清華大學授課時常犯的一個毛病是：嘴巴在講，腦筋思考已經不知往前跑了多少公里，常常為了追趕而越講越快，將不少學生拋到腦後！這不表示筆者聰明，因為研究人員發現我們的大腦具有同時處理和解釋大量感官輸入的能力。

人工智慧是一種讓電腦或機器能夠模擬人類智慧和解決問題能力的科技，因此必須如人腦一樣能同時並行地處理許多資料。學過矩陣（matrix）的讀者應該知道，如果用矩陣和向量（vector）表達，上面所談到之座標轉換將是非常簡潔的（註五）。而矩陣和向量計算正是機器學習（machine learning）演算法的基礎！也正是獨立圖形處理單元最強大的功能所在！因此我們可以了解為什麼 GPU 會成為人工智慧開發的基石：它們的架構就是充分利用並行處理，來快速執行多個操作，進行訓練電腦或機器以人腦之思考與學習的方式處理資料——稱為「深度學習」（deep learning）。

黃仁勳在 5 月 22 日的發布業績新聞上謂：「下一次工業革命已經開始了：企業界和各國正與英偉達合作，將價值數萬億美元的傳統資料中心轉變為加速運算及新型資料中心——人工智慧工廠——以生產新商品『人工智慧』。人工智慧將為每個產業帶來顯著的生產力提升，幫助企業降低成本和提高能源效率，同時擴大收入機會。」

附錄

人工智慧的實用例子：下面一段是微軟的「copilot」代書、谷歌的「translate」代譯之「one paragraph summary of GPU and AI」。讀完後，讀者是不是認為筆者該退休了？

GPU（圖形處理單元）和 AI（人工智慧）之間的協同作用徹底改變了高效能運算領域。GPU 具有平行處理能力，特別適合人工智慧和機器學習所需的複雜資料密集運算。這導致了影像和視訊處理等領域的重大進步，使自動駕駛和臉部辨識等技術變得更加高效和可靠。NVIDIA 開發的平行運算平台 CUDA 進一步提高了 GPU 的效率，使開發人員能夠透過將人工智慧問題分解為更小的、可管理的、可同時處理的任務來解決這些問題。這不僅加快了人工智慧研究的步伐，而且使其更具成本效益，因為 GPU 可以在很短的時間內執行與多個 CPU 相同的任務。隨著人工智慧的不斷發展，GPU 的角色可能會變得更加不可或缺，推動各產業的創新和新的可能性。大腦透過神經元網路實現這一目標，這些神經元網路可以獨立但有凝聚力地工作，使我們能夠執行複雜的任務，例如駕駛、導航、觀察交通信號、聽音樂並同時規劃我們的路線。此外，研究表明，與非人類動物相比，人類大腦具有更多平行通路，這表明我們的神經處理具有更高的複雜性。這個複雜的系統證明了我們認知功能的卓越適應性和效率。我們可以一邊和朋友聊天一邊走在街上，一邊聽音樂一邊做飯，或一邊聽講座一邊做筆記。人工智慧是模擬人類腦神經網路的科技，因此必須能同時並行地來處理許多資料。研究人員發現了人腦通訊網路具有一個在獼猴或小鼠中未觀察獨特特徵：透過多個並行路徑傳輸訊息,因此具有令人難以置信的多任務處理能力。

註解

（註一）當讀者看到此篇文章時，其股票已一股換十股，現在每一股約在 $100 左右。

（註二）組裝或升級過個人電腦的讀者或許還記得「英偉達精視 256」（GeForce 256）插卡吧?

（註三）筆者於 1984 年離開清華大學到 IBM 時，就是參加了被認為全世界使用電腦時間最多的量子化學家、IBM「院士（fellow）」Enrico Clementi 的團隊：因為當時英偉達還未有可以在 GPU 上進行平行處理的軟體層，我們只能自己寫軟體將 8 台中型電腦（非 IBM 品牌！）與一大型電腦連接來做平行運算，進行分子動力學模擬等的科學研究。如果晚生 30 年或許就不會那麼辛苦了?

（註四）補助個人電腦用的 GPU 品牌到 2000 年時只剩下兩大主導廠商：英偉達及 ATI（Array Technology Inc.）。後者是出生於香港之四位中國人於 1985 年在加拿大安大略省成立，2006 年被超微半導體公司收購，品牌於 2010 年被淘汰。超微半導體公司於 2014 年 10 月提升台南出生之蘇姿豐（Lisa Tzwu-Fang Su）博士為執行長後，股票從每股 $4 左右，上升到今天每股超過 $160，其市值已經是英特爾的兩倍，完全擺脫了在後者陰影下求生存的小眾玩家角色，正在挑戰英偉達的 GPU 市場。順便一題：超微半導體公司現任總裁（兼 AI 策略負責人）為出生於台北的彭明博（Victor Peng）；與黃仁勳及蘇姿豐一樣，也是小時候就隨父母親移居到美國。

（註五）或。

延伸閱讀

• 「熱力學與能源利用」，《科學月刊》，1982 年 3 月號；收集於《我愛科學》（華騰文化有限公司，2017 年 12 月出版），轉載於「嘉義市政府全球資訊網」。
• 「網路安全技術與比特幣」，《科學月刊》，2020 年 11 月號；轉載於「善科教育基金會」的《科技大補帖》專欄。

在流感盛行的嚴冬，您可曾為了開窗與否，天人交戰？還是在搭公車的時候，選擇開走道對面的窗戶，凍死別人，造福自己？通風能降低感染空氣傳播疾病的風險，但交通工具的窗戶到底要怎麼開，才能達到最佳效果？墨西哥物理學團隊發揮所長，在 2022 年 12 月的《科學報告》（Scientific Reports）期刊上，推薦開公車窗戶的方法。^[1]

公車模型

COVID-19 疫情期間，防疫資訊滿天飛。因為事關人命，「♪ 雖然我曾經這樣以為／♪ 我真的這樣認為」，並不能做為給予建議的理由。許多公衛措施的效益，例如：戴口罩和保持社交距離等，都被嚴厲地以科學的方法檢視。這群墨西哥物理學家著眼於通風的機制，想瞭解到底挑哪個位置的窗戶，打開多少扇，對公車內的空氣品質最好。當然，他們並未唱著林憶蓮的〈為你我受冷風吹〉，親自搭車實測，被風吹到掉眼淚；而是打造了一台小模型來實驗，再以電腦模擬運算。^{[1, 2]}

他們參考一輛 9.92 x 2.5 x 2.2 公尺，地板內側離路面 0.4 公尺的實體公車，打造出約 1/10 大的壓克力模型。如圖所示，車體透明，僅窗戶用黑色虛線框出，方便觀察；裡面有二氧化碳偵測器（CO₂ sensor）、風速計（anemometer）；以及可裝卸的 3D 列印乘客，方便創造空車和滿載等狀態。由於假人不會呼吸，所以得從模型的中央車底灌入二氧化碳，代替真實的吐氣。測試氣流時的車速，則主要設定在每小時 50 公里。^[1]

實驗項目

這個實驗從下列兩個角度，來探討通風效果：

1. 開啟的窗戶數目：從不開窗、開 2 扇或 4 扇，到全部開啟等，都嘗試一輪。^[1]
2. 窗戶的位置：一般常見的公車，窗戶都是開在車體兩側，也就是乘客座位的旁邊。不過，科學家在模型的車頭，挖了 2 個長方形的氣窗，看看這種設計的效果又是如何。^[1]

實驗結果

研究團隊發現，在一般擁有左右兩排窗戶的公車上，氣膠（aerosols，又稱「氣溶膠」或「懸浮微粒」）的擴散與排出，均受車內負壓造成的吸力驅動。打開 4 扇，也就是左右各 2 扇窗戶最通風；全開也不會加快氣膠排散，或減少累積。氣流促使氣膠向車頭聚集；有些從前面離開的氣膠，會由後面的窗戶回流；而氣膠在車裡停留的時間，平均為 6 分鐘。不過，當科學家拿出他們改造的新型公車，馬上就超越了傳統公車開 4 扇窗的成效。^[1]

有別於市面上常見的款式，這種新型公車的前方擋風玻璃，靠近車頂處，多了兩個氣窗。如下圖所示，公車移動時，前方氣窗會進氣，產生一股推力帶動通風，而不再仰賴車內負壓的吸力。空氣從前方灌入，通過座位區域，再由車尾原本就設在兩側的窗戶出去；不像開 4 扇的，氣流無法完全貫穿車體。^[1]

以公車滿載 50 人的狀況為例，車速每小時 50 公里時，新款公車內的通風換氣速率，為每人每秒 100 公升；遠高於英國急難科學顧問團（Scientific Advisory Group of Emergencies，簡稱SAGE），在 COVID-19 疫情期間建議的 8 至 10 公升。就算行車速度只有每小時 9 公里，也還能符合 SAGE 的標準。同時，車內氣膠的總量減少，在車速每小時 50 公里的狀態下，滯留的時間降至 50 秒。^[1]

尚待研究的變因

既然新款公車這麼通風，何不趕快上市？上述實驗未涵蓋的數個變因，其實仍有待探究。比方說，3D 列印的假人沒有體溫，真實的公車坐滿活人乘客時，車內的溫度可能較高。如果再考量各地天候，造成的車外氣溫差異，這裡關於氣體流動的結論，便不見得適用。^[1]更何況在空氣污染嚴重的市區，開窗搞不好會弄得灰頭土臉，大概也無益於呼吸功能。假如將來臺灣除了密閉且附空調的公車，也有這種墨西哥的新式車款，身為乘客的您，會想搭哪一種？

參考資料

1. Alexei Pichardo-Orta F, Luna OAP, Cordero JRV. (2022) ‘A frontal air intake may improve the natural ventilation in urban buses’. Scientific Reports, 12, 21256.
2. 滾石唱片ROCK RECORDS（01 JUN 2012）「林憶蓮Sandy Lam【為你我受冷風吹 Suffer for you】Official Music Video」YouTube.

本文轉載自中央研究院研之有物，泛科學為宣傳推廣執行單位。

• 採訪撰文／陳儀珈
• 責任編輯／簡克志
• 美術設計／蔡宛潔

你以為的大氣，不是真實的大氣！

大氣邊界層是人類的生活範圍，也是大部分空氣污染物存在的地方。然而，傳統氣象學模擬的大氣邊界層結構並不符合臺灣的真實情況，因此真實的空氣污染現象和理論的模擬預測間往往存在顯著的差異，導致污染防制策略缺乏精確的指引。

中央研究院「研之有物」專訪院內環境變遷研究中心研究員兼空氣品質專題中心執行長周崇光，他是建立空品專題中心的主要推手，研究團隊從大氣結構出發，試圖改善臺灣空氣品質的診斷及預報，這項計畫集結了來自民生公共物聯網、國家高速網路與計算中心、環境保護署等跨部門的資源，以下讓我們一起看周崇光怎麼說。

根據國際貨幣基金組織（IMF） 2021 年的報告，臺灣位列全球第 22 大經濟體，這個只有 3.6 萬平方公里的小小島國，一年內卻可以創造出高達 7,855.89 億美元的市場價值。

在美國國家航空暨太空總署（NASA）公布的地球夜景照中，我們彷彿可以看見，高樓一棟棟升起、工廠一座座建成、百貨一間間林立，在又長又窄的西半邊，從北到南形成臺北、臺中和高雄三大都會區。

西部臨海，東部靠山，這個寬度可能不到 100 公里的窄長地區，不僅聚集了臺灣 2,300 萬人的極大多數人口，凝聚出商業與工業的巨大產能，更集結了大量、複雜的「空氣污染物」。中研院「研之有物」專訪周崇光研究員，請他從空氣品質與都市氣象學的角度，細細剖析空污議題在這座海島上的獨特之處。

臺灣雖然小，但空汙問題好複雜！

臺灣國土面積僅有 3.6 萬平方公里，以大氣尺度來看非常的小，然而，我們在空氣污染面臨的挑戰卻異常艱鉅。

臺灣不僅處於許多境外污染源的下風處，接受來自各方的空氣污染物，各大都會區也因為地形的關係吃足了苦頭，整個中西部更是在窄長的地域中，面臨來自山、海的多重影響。

以下圖的臺中都會區為例，臺中位處於中央山脈西側的中央，本身是一個有數個開口的盆地，被多重大氣動力機制所影響，包含季風、海陸風、山谷風以及熱島環流，形成極度複雜的區域環流。

盆地內的空氣污染物原本就不容易擴散，再加上複雜的大氣環流和大氣化學反應，讓臺中的空氣品質狀況非常、非常的複雜，無法使用現有的大氣理論進行簡單的描述，使得大氣科學家極為不易於觀測和研究臺中的空污情形。

「這裡就像是巫婆煉湯一樣。」周崇光這麼說。

臺灣在東北風的影響下，不適合傳統的高煙囪理論

周崇光笑著說，到處觀察「煙囪」是他的職業病。

大陸環境的大氣結構相對簡單，自歐洲工業革命開始，傳統大氣科學的理論都告訴人們：越高、風越大，只要把煙囪建得高高的，就可讓風把污染物吹散、吹到很遠的地方。

「到了大陸國家，你會發現他們煙囪排出來的煙，經常是非常穩定的水平煙流，可以飄得很遠，這種煙流挾帶著空氣污染物飛到 10 幾公里外都不是問題！」，然而反觀臺灣的煙囪，卻很少出現這樣的水平煙流。

根據中研院空品專題中心對火力發電廠的煙流觀測資料，如果臺灣的煙囪蓋得跟大陸國家一樣高，有時候反而容易造成空氣污染物的累積。

從上圖可知，當臺灣處在微弱東北風的大氣環境之中，西部沿海風速最快的大氣區域（藍底），大約落在 200～400 公尺高之間，此區的風速大約為 5～6 公尺/秒左右，以東北風為主，是空氣污染物的「最佳擴散區」。

若是再往上，到了 450～800 公尺左右，風速驟然下降（橘底），僅有 0.5～3 公尺/秒。這個區域的大氣就像是被下層的東北風與上層的南風「夾擊」一樣，在兩個不同方向的風的對切之下，形成一個風速很低的「污染累積區」。

因此，若臺灣真的按照傳統的大氣理論建造高煙囪時，反而會讓煙囪的高溫煙流進入污染累積區；換個做法，如果煙囪低一點，才可以被強風吹散。

不過周崇光話鋒一轉：低煙囪設計要相當謹慎，也很難推行。高溫煙流排出去會有很明顯的白煙（水蒸氣凝結），一般人都不喜歡看到白煙離居住地太近，因此實務上還會特別做加熱設計，讓煙流先往上浮，再擴散，等於加高了煙囪的高度，這在工程上稱為「有效煙囪高度」。降低煙囪高度除了有視覺污染的問題，污染排放點離民眾越近，當工廠發生緊急異常排放時，異常事件的衝擊風險也會越大。

和傳統理論不一樣？那就做出臺灣自己的資料吧！

這麼經典的高煙囪理論，為什麼不能用在臺灣？

周崇光表示，大氣科學的理論大都源自於美國、歐洲，使得傳統大氣理論都更適用於大陸環境之下，因此難以直接應用於臺灣地狹人稠的海島結構，而中研院空品專題中心的目標之一，就是發展出屬於臺灣的「空污氣象學」。

周崇光提到：「臺灣跟大陸國家的空間條件實在差太多，所以我們必須要更精確知道，臺灣空氣污染物的高度分布到底長什麼樣子，才能更有效的管制並改善空品狀況。」

既然臺灣無法參考大陸型國家的大氣狀況，那麼小一點的、近一點的國家呢？韓國、日本的有沒有參考的價值？

周崇光笑著說，「你知道嗎？臺中盆地也才 10 幾公里，但是外圍的中央山脈高達 3,000 公尺以上！」就算是韓國、日本，它們的地理空間也比臺灣大多了，而且地形也沒有這麼複雜。

當這麼多的工廠、車輛都擠在這小小的區域，究竟會對臺灣的空氣品質造成多嚴重的後果？某種程度來說，這也許是個細思極恐的問題呀。

因此，為了國內空污氣象學的發展，搞懂臺灣的大氣邊界層（Atmospheric boundary layer）是刻不容緩的工作。

大氣邊界層除了是人類的生活範圍，也是大部分的空氣污染物存在的地方，又被稱為行星邊界層（Planetary boundary layer）。在氣象學中，大氣邊界層指的是「直接受到地表作用影響」的大氣，高度從地表一直到數百至數千公尺不等，是大氣層中最靠近地球表面的部分。

然而，傳統氣象學所模擬出來的大氣邊界層結構並不符合臺灣的真實情形，因此，大氣科學家必須釐清大氣邊界層的氣象參數、動力機制，未來才能夠更精準的找到影響都市氣象以及空氣品質的關鍵因子。

但周崇光也感慨的說，「坦白講，目前臺灣還沒有辦法很『系統化』的改善邊界層的模擬條件，但我們仍然不斷的在努力，透過很多很多的調查、研究、模擬參數，漸漸地發展出半經驗、半理論的結構，最終的目標是歸納成一個系統性的成果，作為臺灣空污氣象學最扎實的理論基礎。」

從大規模的調查研究、積極補足知識的缺口、重新建立理論模型，到回頭檢視國家的空污防制策略，大氣科學家必須腳踏實地的、一步一步的，藉由大氣科學研究的力量，才能讓空氣品質管制更上一層樓。面對迫切的空氣污染防制議題、空污氣象學理論的不足，「空氣品質專題中心」也應運而生。

中研院在「大氣物理與化學」的研究群早已相當成熟，有著極為厚實的研究經驗和基礎，然而為了讓研究目標更明確、進一步聚集研究能量並進行跨部門的合作，中研院以提出空污議題的科學解釋與建議對策為目標， 2021 年 1 月在環境變遷研究中心之下成立空氣品質專題中心，成為全國規模最大的空氣品質專業研究機構。

除了宣示中研院對空污議題的重視之外，如此一來，研究預算的匡列、人力的評估，都有更紮實、更有架構的基礎。擺脫以往研究員們「自動自發」的空品研究，在中心的管理之下，空污的學術研究更能夠產生聚焦效果。

更精確的空氣品質預報

如果大家點入行政院環保署的空氣品質監測網，可以發現，目前來自中央監測的空氣品質預報的解析度並不高，由於空品狀況站數僅有 85 站，只能以「北部」、「竹苗」、「宜蘭」、「花東」、「中部」、「雲嘉南」、「高屏」等大範圍空品區進行未來三日的預報，尚無法以「縣市」或更小的區域為單位提供精準的預報。

因此，為了提供更先進的空氣品質預報，致力掌握國內 PM_2.5 及 O₃ 等空氣污染物濃度變化情形的「高解析度空氣品質診斷與預報模式發展計畫」，是空品專題中心相當關鍵的研究計畫之一，此計畫是行政院前瞻基礎建設中「民生公共物聯網數據應用及產業開展計畫」的一個分支，集結了中研院、國家高速網路與計算中心、環保署等跨部門資源。

該計畫預計發展一套 1 km*1 km 高解析度的 72 小時空氣品質預報模式，並描繪空氣污染物的 3D 空間分布，預期能夠對臺灣地區 PM_2.5 及 O₃ 生成與傳輸過程進行更精確的模擬，進而應用於空氣污染事件的預報和成因診斷。

周崇光將這個計畫比喻為一個「神經系統」，由環保署統合高達 10,000 個感測器，就像是神經系統中的神經元，負責感知大氣環境中的變化，並透過民生公共物聯網提供的神經網路，將資訊傳輸至國家高速網路中心的超級電腦，而超級電腦就像是大腦一樣，提供強大的運算力，使得空污模式得以統合氣象條件、污染物排放量、以及感測器提供的環境變化狀況，計算和預報未來幾天空氣品質的可能變化。

雖然感測器來源不一，不同層級的靈敏度也有所落差，但隨著近年技術的進步和突破，微型感測器對 PM_2.5 的監測資料已經具有足供參考的準確度，目前各縣市大約都有 100 個以上的微型感測器，環保署已經在全臺灣佈建了約 10,000 個感測器，透過高密度的監測數據進行資料分析，有效掌握全臺各地的空品狀態。

此外，此研究計畫也希望藉由感測器的大量需求，協助推動臺灣感測器的產業，與經濟部、工研院合作推動感測器的國產化。目前工研院的技術已經技轉給國內廠商，國產感測器在環保署監測網的佔有率已達將近 3 成，未來會持續輔導相關廠商。

研究計畫一邊發展預報系統，也一邊透過微型感測器資料即時驗證預報的成效。就像是如果寫考卷時，我們可以一填答就馬上得知正確答案時，就可以隨時檢討自己的計算流程到底哪裡出了問題，不斷修正，找出最正確的解方。

同理，拜微型感測器遍布全臺之賜，大氣科學家逐漸能夠快速驗證空氣品質預報的模擬結果，有朝一日，國內空污的物理化學機制以及關鍵污染源，將不再是讓人頭痛的黑盒子。目前由於 PM_2.5 的感測器已相對成熟且數量足夠，因此中研院空品專題中心已成功驗證 3 km*3 km 解析度之 PM_2.5 預報資料，最終目標是精確到 1 km*1 km。

如何讓空氣品質變好，又不影響現有的生活？

在中研院環變中心周崇光研究員帶領下的空品專題中心，其中一個核心精神，就是要對社會關鍵議題有貢獻。

專注發表學術論文是科學研究的本質，也是科學進步的動力，不過進行社會議題相關的科學研究通常會更辛苦，往往會花費極大的心力與時間。

做空氣污染防制就像是「精準醫療」的概念一樣，如何讓藥物只攻擊癌細胞而不對身體的其他地方造成太大的副作用？經過科學研究的探索後，如何讓臺灣的空氣品質更好而不衝擊社會文化和經濟？

空污管制並非是一味阻擋臺灣經濟和工業發展，空品專題中心希望可以藉由科學的力量，更精準、更沒有副作用的改善臺灣空氣品質。

除了大氣科學理論和空氣污染排放清單有所不足之外，像是能源政策、交通規劃、國土計畫都需要重頭思考。周崇光說：「一路研究下去，我們開始疑惑，當初為什麼我們都傻傻的，把這麼多的大型污染源擺在海邊，讓海風把污染物往內陸帶？為什麼臺灣的國土利用那麼集中？」這一些命題，都是一環扣一環。

最後周崇光強調，「空氣品質絕對是應用導向的研究，因此，我們除了做科學，也要讓這些研究結果有願景、有視野，讓臺灣變得更好。」

本文轉載自機器之心〈抗擊霧霾的戰鬥中，人工智慧的身影〉，原文來自 IEEE，作者 Lucas Laursen

北京和中國很多其他城市都正籠罩在厚重的霧霾之下。在霧霾嚴重的時候，到達這些城市的飛機都需要備降其他機場。2016 年 12 月 14 日，北京發布了今年第一次霧霾「紅色預警」。據報道，北京地區 1200 家工廠被下令關閉或是減少生產量。

2016 年冬天，中國政府已經開始使用 IBM 和微軟的預測工具，而這些工具在去年已經進行過了測試。各市政府使用的 IBM 預測工具能夠結合傳統來源的數據，例如北京 35 個檢測多種污染物的空氣測量站，另外還有一些成本更低但是卻更廣泛的數據來源，如環境監測站、交通系統、氣象衛星、地形圖、經濟數據，甚至是社交媒體。微軟的系統能夠運用全中國超過 3000 個站點的數據。IBM 和微軟的工具結合了傳統的大氣化學物理模型和基於數據的統計工具如機器學習相結合，以便可以在更短時間內做出更準確的預測。

IBM 中國研究院「綠色地平線」計劃項目經理黃瑾說：「我們的優勢或者說是不同之處就在於我們將這些都結合在了一起。」IBM 提前三天預測空氣狀況的準確率高達 80%，提前 7-10 天預測準確率可達 75% 左右。目前，微軟為中國環保部提供 48 小時的空氣預測支持。2015 年在北京進行測試時，微軟的預測工具在提前 6 小時預測時，準確率達到 75%，提前 12 小時預測準確率達 60%。

怎麼將物理模型和機器學習結合在一起從而實現最好的空氣品質預測，「這是目前一個很活躍的研究領域」氣體科學家 Vincent-Henri Peuch 說，他是英國歐洲哥白尼大氣監測服務的主管。他補充說融合是一個正確的解決問題思路：兩種類型的模型都可以發揮作用且不會互相阻礙。目前的市場情形似乎也印證了這點。IBM 目前在新德里和約翰內斯堡發布了自己的融合模型，北京的初創公司 AirVisual 也提供私人商業應用的機器學習增強型空氣預測解決方案。

北京政府已宣稱在降低可吸入顆粒物污染的努力中取得了一些成果：他們的報導裡表明 2015 年的污染程度比 2014 年降低 6%。北京政府處於減輕空氣污染的壓力之下，同時也面臨防止經濟增長下滑的雙重壓力。IBM 的預測工具包含一個模擬裝置來估量類似關閉一到兩天城市中逆風工廠或者限制一兩天的汽機車所產生的作用。「這個工具逐一估計所建議調解措施下氣體排放引起的後果和經濟影響，」Huang 說道。

AirVisual、 IBM 和微軟都正在針對不同的工作地點對他們的軟體進行泛化，這不但需要集成不同城市的物理模型，還需要對不同類型的輸入數據和變化參數進行調整。例如，在南非約翰尼斯堡（Johannesburg）有 8 個北京空氣品質的監測站。IBM 約翰尼斯堡研究室的電腦工程師 Tapiwa M. Chiwewe 說道：「目前我們仍然可以對南非的一些數據重新進行利用。」

加拿大英屬哥倫比亞大學（University of British Columbia）的一個研究團隊在 2016 年中的報告稱，每一個不同的環境都需要有自己的機器學習模式。在他們的研究中發現，不同的學習方式的成本取決於其包含的數據量以及在運算期間程式中的數據量。對於像北京這樣的城市來說，其累積的空氣品質數據很少，這和那些有著多年歷史數據的城市不同，也為政府提出了挑戰，所以最好的解決辦法就是需要北京政府為當地選擇正確的系統。Peuch 說，「如果不在同一個地方使用相同的數據集，我們很難對不同的模型進行比較。」

要想把空氣品質控制在世界衛生組織建議標準下，全世界的各個城市都需要為之努力。根據 2015 年全球疾病負擔研究的報告顯示，2015 年，空氣懸浮微粒（不包括煙草煙霧）共帶來了 1.031 億失能調整生命年（disability-adjusted life years，一種衡量人類生命品質和長度的單位），它已成為第六大疾病風險因素。這也成為了各國政府和公司工作的重點。據估計，在未來 5 年內，檢測空氣品質的市場每年都將增長 8.5%，有望達到 56.4 億美元。所以也可以預見，空氣品質預測的市場也將會隨之增長。