這部影片是用縮時攝影(Time lapse)技巧拍攝,由多種真菌擔綱演出,包括了Aspergillus fumigatus(煙曲黴)、Botrytis(灰黴)、Mucor(毛黴)、Trichoderma(木黴) 跟 Cladosporium(枝孢菌),你可以在此看見拍攝時所使用的器材。
不知怎麼著,看這部影片會讓我想起《風之谷》。
這部影片是用縮時攝影(Time lapse)技巧拍攝,由多種真菌擔綱演出,包括了Aspergillus fumigatus(煙曲黴)、Botrytis(灰黴)、Mucor(毛黴)、Trichoderma(木黴) 跟 Cladosporium(枝孢菌),你可以在此看見拍攝時所使用的器材。
不知怎麼著,看這部影片會讓我想起《風之谷》。
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?
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。
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:
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:
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 可分成兩種:
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。
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。」
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
。
討論功能關閉中。
從小時候的底片相機,發展到數位相機,如今手機就能拍出許多高清又漂亮的照片,你知道都是多虧了 CIS 晶片嗎?
本文轉載自宜特小學堂〈CIS晶片遇到異常 求助無門怎麼辦〉,如果您對半導體產業新知有興趣,歡迎按下右邊的追蹤,就不會錯過宜特科技的最新文章!
CIS 晶片又稱 CMOS 影像感測器(CMOS Image Sensor),最早是在 1963 年由美國一家半導體公司發明出來的積體電路設計,隨著時代進步,廣泛應用在數位攝影的感光元件中。而人們對攝影鏡頭解析度需求不斷增加,渴望拍出更精美的畫質。
CIS 已從早期數十萬像素,一路朝億級像素邁進,有賴於摩爾定律(Moore’s Law)在半導體微縮製程地演進,使得訊號處理能力顯著提升。如今的 CIS 已經不僅適用於消費型電子產品,在醫療檢測、安防監控領域等應用廣泛,近幾年智慧電車興起,先進駕駛輔助系統(ADAS, Advanced Driver. Assistance Systems)已成為新車的安全標配,未來車用 CIS 的市場更是潛力無窮。
然而,越精密、越高階的 CIS 晶片由於結構比較薄,加上特殊的 3D 堆疊結構,使得研發難度大大提升,當遇到異常(Defect)現象時,想透過分析找出故障的真因也更為困難了。
本文將帶大家認識三大晶片架構,並以案例說明當 CIS 晶片遇到異常,到底我們可以利用那些工具或手法,成功 DEBUG?
現今 CIS 晶片架構,可概分為三大類,(一)前照式(Front Side illumination,簡稱FSI);(二)背照式 (Back Side illumination,簡稱 BSI);(三)堆疊式 CIS(Stacked CIS):
為使 CIS 晶片能符合半導體製程導入量產,最初期的 CIS 晶片為前照式 (Front Side illumination,簡稱 FSI) CIS;其感光路徑係透過晶片表面進行收光,不過,前照式 CIS 在效能上的最大致命傷為感光路徑會因晶片的感光元件上方金屬層干擾,而造成光感應敏度衰減。
為使 CIS 晶片能有較佳的光感應敏度,背照式(Back Side illumination ,簡稱 BSI)CIS 技術應運而生。此類型產品的感光路徑,係由薄化至數微米後晶片背面進行收光,藉此大幅提升光感應能力。
而 BSI CIS 的前段製程與 FSI CIS 類似,主要差別在於後段晶片對接與薄化製程。BSI CIS 的製程是在如同 FSI CIS 一般製程後,會將該 CIS 晶片正面與 Carrier wafer 對接。對接後的晶片再針對 CIS 晶片背面進行 Backside grinding 製程至數微米厚度以再增進收光效率,即完成 BSI CIS。
隨著智慧型手機等消費電子應用的蓬勃發展,人們對於拍攝影像的影像處理功能需求也大幅增加,使製作成本更親民與晶片效能更能有效提升,利用晶圓級堆疊技術,將較成熟製程製作的光感測元件(Sensor Chip)晶片,與由先進製程製作、能提供更強大計算能力的特殊應用 IC(Application Specific Integrated Circuit,簡稱 ASIC)晶片、或是再進一步與記憶體(DRAM)晶片進行晶圓級堆疊後,便可製作出兼具高效能與成本效益的堆疊式 CIS(Stacked CIS)晶片(圖一),也是目前最主流的晶片結構。
介紹完三大類 CIS 架構,我們就來進入本文重點:「如何找到堆疊式(Stacked)CIS 晶片的異常點(Defect)?」
由於這類型的 CIS 晶片結構相對複雜,在進行破壞性分析前,需透過電路專家電路分析或熱點(Hot Spot)故障分析,鎖定目標、縮小範圍在 Stacked CIS 晶片中的其一晶片後,針對可疑的失效點/失效層,進行該 CIS 樣品破壞性分析,方可有效地呈現失效點的失效狀態以進行進一步的預防修正措施。
接著,我們將分享宜特故障分析實驗室,是如何(一)利用電性熱點定位;(二)移除非鎖定目標之晶粒(Die),並針對鎖定目標晶粒(Die)逐層分析;(三)電性量測分析;(四)超音波顯微鏡(SAT)分析等四大分析手法交互應用,進行 Stacked CIS 晶片進行故障分析,順利找到異常點(Defect)。
當CIS晶片具有高阻值(High Resistance)、短路(Short)、漏電(Leakage)或是功能失效(Function Failure)等電性失效時,可依據不同的電性失效模式,經由直流通電或上測試板通電,並透過選擇適合的電性故障分析(EFA, Electrical Failure Analysis)工具來進行電性定位分析。
設備 | OBIRCH | Thermal EMMI | InGaAs |
偵測目標 | 電晶體/金屬層 | 金屬層/封裝/印刷電路板 | 電晶體/金屬層 |
失效模式 | 漏電/短路/高阻值 | 漏電/短路/高阻值 | 漏電/短路/開路 |
包括雷射光束電阻異常偵測(Optical Beam Induced Resistance Change,簡稱 OBIRCH)、熱輻射異常偵測顯微鏡(Thermal EMMI)(圖二)、砷化鎵銦微光顯微鏡(InGaAs),藉由故障點定位設備找出可能的異常熱點(Hot Spot)位置,以利後續的物性故障(PFA, Physical Failure Analysis)分析。
接著,依照上述電性分析縮小可能的異常範圍至光感測元件晶片、ASIC 或記憶體晶片區後,根據 Stacked CIS 晶片堆疊的結構特性,需先將其一側的矽基材移除,方可進行逐層去除(Layer by layer),或層層檢查。
再者,透過特殊分析手法,移除不需保留的晶粒結構,進而露出目標晶粒之最上層金屬層(圖三)。接著,透過逐層去除(Layer by layer),最終在金屬層第一層(Metal 1)找到燒毀現象的異常點(defect) (圖四)。
當逐層去除(Layer by Layer)過程當中,除利用電子顯微鏡(SEM) 於故障點區域進行 VC(Voltage Contrast)的電性確認與金屬導線型態觀察外,亦可搭配導電原子力顯微鏡(Conductive Atomic Force Microscopy,簡稱C-AFM)快速掃描該異常區域,以獲得該區域電流分布圖(Current map)(圖五),並量測該接點對矽基板(Si Substrate)的電性表現,進而確認該區域是否有漏電 / 開路等電性異常問題。
在完成C-AFM分析後,若有相關疑似異常路徑需要進一步進行電性量測與定位,可使用奈米探針電性量測(Nano-Prober)進行更精準的異常點定位分析,包括電子束感應電流(EBIC , Electron Beam Induced Current)、電子束吸收電流(EBAC, Electron Beam Absorbed Current)、與電子束感應阻抗偵測(EBIRCH , Electron Beam Induced Resistance Change)等定位法。而Nano-Prober亦可針對電晶體進行電性量測,如Vt、 IdVg、IdVd等基本參數獲取(圖六)。
當透過上述分析手法精準找到異常點後,亦可再透過雙束聚焦離子束(Dual-beam FIB,簡稱DB-FIB)或是穿透式電子顯微鏡(Transmission Electron Microscopy,簡稱TEM)來對異常點進行結構確認,以釐清失效原因(圖七)。
超音波顯微鏡(SAT)
超音波顯微鏡(SAT)為藉由超音波於不同密度材料反射速率及回傳能量不同的特性來進行分析,當超音波遇到不同材料的接合介面時,訊號會部分反射及部分穿透,但當超音波遇到空氣(空隙)介面時,訊號則會 100% 反射,機台就會接收這些訊號組成影像。
在背照式(BSI)與堆疊式(Stacked)CIS 製程中晶圓與晶圓對接(bonding)製程中,SAT 可作為偵測晶圓與晶圓之間接合不良造成存在空隙的重要利器(圖八)。
半導體堆疊技術的蓬勃發展,加上人們對影像感測器在消費性電子、車用電子、安控系統等應用,功能需求大幅度增加,CIS 未來將繼續進化,無論是晶圓級對接的製程穩定度分析,或是堆疊式(Stacked)CIS 故障分析,都可以透過宜特實驗室豐富的分析手法,與一站式整合服務精準地分析、加速產品開發、改善產品品質。
路易.雅克.馬克.達蓋爾(Louis-Jacques-Mandé Daguerre),1787 年 11 月 18 日−1851 年 7 月 1 日。
記錄下真實的影像,將彼時的美好場景長久留存——攝影技術,載著人類幾千年來如夢幻般的希冀越走越遠,一步步幫我們達成所願。
達蓋爾出生於法國,學過建築、戲劇設計和全景繪畫,在舞台幻境製作領域聲譽卓著。 1839 年,他宣布達蓋爾攝影法獲得了圓滿成功,從此,作為攝影術的最後一個發明人,他便以銀版攝影法發明者的身份為後人所知。
一九四五年八月十四日傍晚,日本無條件投降的消息傳到美國,整個美國都沸騰了,紐約的人們紛紛湧向時代廣場慶賀戰爭的結束。一位海軍士兵難以抑制自己喜悅的心情,摟住路過的一位護士小姐就親吻起來。
這個場景被當時在場的兩位記者捕捉到了,他們用手邊的徠卡相機記錄下這一令人難忘的歷史性時刻。一張照片的表達力勝過千言萬語。在人類付出了近一億人的生命代價之後,和平終於再次回到了這個世界上,這種發自內心的喜悅是難以用文字形容的。
時過境遷,今天我們大多數人雖然沒有經歷過那場戰爭,但依然能從這些精彩的照片中深刻地體會到當時人們狂喜的心情。
世界上的任何事情,只要發生過,就會留下或多或少的痕跡。對於這些痕跡的記錄,以前只有筆。雖然也有繪畫,但是繪畫無法在瞬間完成,因此很多描繪歷史性大事件的名畫,都是畫家後來參考文字記載,然後憑藉著想像而創作的。那些畫作再現了當時人們所能夠看到的一些視覺資訊,畫家也難免會按照自我意願對資訊內容進行添加或者刪改。
比如,反映美國獨立戰爭最著名的油畫《華盛頓橫渡特拉華河》,就有多處和歷史事實不一致。比如,華盛頓身邊的門羅(美國第五任總統)當時根本就不在船上,甚至畫作中還出現了當時並不存在的星條旗。這些都是畫家在半個多世紀後憑自己的想像加進去的,這種人為因素,讓繪畫很難做到真實地記錄歷史事實。
要做到對真實畫面的記錄,就需要發明一種儀器來自動進行記錄,而不是人們主觀地進行繪製,這種儀器就是我們今天所說的照相機。當然,要想得到照片,光有照相機是遠遠不夠的,還需要一整套工藝將照片處理沖洗出來。這一整套的工藝流程,被稱為攝影術(照相術)。
今天,法國科學院確認的攝影術發明人是法國藝術家路易.雅克.馬克.達蓋爾(Louis-Jacques-Mandé Daguerre)。和很多重大發明的榮譽給予了最後一個發明人一樣,達蓋爾是攝影術的最後一個發明人,而非第一個。在他之前另一名法國人涅普斯(Joseph Nicéphore Nièpce)已經在一八二六年拍攝出一張永久性的照片,但是涅普斯使用的裝置與後續處理技術和後來大家普遍使用的攝影術,沒有什麼關係。
再往前,針孔成像的原理在中國古代的《墨子》中就有了相關記載,但是我們顯然無法把發明攝影術的功勞給予墨子。達蓋爾和前人不同的是,他不是設法得到一張照片,而是發明了一整套設備和一系列工藝流程,這就使得我們能夠通過攝影術記錄下真實的場景資訊,並且能夠以照片的形式完美地呈現出來。
達蓋爾發明攝影術,並不僅僅為了記錄資訊,而是為了能夠取代當時十分流行的肖像油畫。達蓋爾本人是一位非常著名的建築設計師和全景畫家,他發明了建築繪圖的全景透視法,也就是從兩個(或多個)視角來觀察一個三維的物件(比如一棟大樓),然後將它畫在同一個畫面中。
這和布魯內萊斯基所發明的單點透視法不同。當時畫一幅油畫要花很長時間,如果要在戶外繪畫,更是一件十分困難和艱苦的事情,因為人們還沒有發明出牙膏管裝的油畫顏料,一罐罐的顏料既不好攜帶,也不便於保存。
因此,達蓋爾想,如果能夠發明一種方法自動將所看到的圖像「畫」下來,這樣可以省去一筆一筆畫油畫的麻煩。
當得知涅普斯用很複雜的方法得到了一張可以永久保存的照片後,達蓋爾就找到他決定一起合作研製攝影術。涅普斯則看中了達蓋爾在繪畫界的巨大影響力,作為出版商的他希望能夠借此賣出更多的畫冊,於是十分爽快地答應了。雖然一開始兩個人是各取所需,目的不同,但是因為目標一致,合作也算順暢。
然而不幸的是,當時已經六十四歲高齡的涅普斯沒幾年就去世了,而他們在攝影術方面的研究才剛剛開始。接下來,達蓋爾只好自己一個人繼續摸索研究。
涅普斯最早是用瀝青作為感光材料。因為瀝青在強光的照耀下會逐漸變硬,這樣就能夠把攝影物件的輪廓迅速地描下來,但這樣照相至少要在陽光下曝光幾個小時甚至長達幾天。
一個偶然的機會,達蓋爾瞭解到一百多年前化學家所發現的銀鹽具有感光的特點,將銀鍍在銅版上,然後在碘蒸氣中形成一層碘化銀,碘化銀在感光後就會在銅版上留下影像。這和後來膠捲上塗溴化銀的原理是一樣的。達蓋爾用這種方法將原來涅普斯需要幾個小時才能完成的曝光過程縮短到了幾十分鐘,後來又縮短到幾分鐘。
一八三八年末(或者一八三九年初),達蓋爾將他的照相機擺在自己家的視窗,拍了一張街景照片——《坦普爾大街街景》。
這張照片拍攝得非常清晰。達蓋爾在處理完照片後,極其興奮地對人們說:「我抓住了光,我捕捉到了它的飛行!」他的這個說法非常形象化,這是人類第一次發明實用的、以圖片方式記錄現實景象的技術。
在這張照片中,這條大道顯得非常寂靜,實際上達蓋爾拍照時,大道上車水馬龍,人來人往,熙熙攘攘,非常繁華。照片之所以沒有能夠記錄下這些人和車輛是因為曝光的時間長達十分鐘之久,移動的人和車輛只能留下淡淡的陰影。當時摩斯看到照片中的巴黎街頭居然沒有人,感到非常吃驚。
今天的攝影家依然採用這種長時間曝光的手法來濾除鬧市中過多的閒人。不過如果你仔細觀察這張照片,就會在左下角發現一個擦皮鞋的人,由於他一直站在那裡不動,因此被拍了進去。這個人成為被攝影術記錄下來的第一個人。
從一七一七年德國人舒爾策(Johann Heinrich Schulze)發現銀鹽的感光效果,到達蓋爾用這種原理記錄下影像,中間經過了一個多世紀的時間。為什麼在這麼長的時間裡沒有人想到用銀鹽感光的性質來記錄影像?
因為這項技術雖然原理並不複雜,但是要變成一個可以記錄影像的工藝過程卻不是那麼簡單。銀鹽感光背後的原因是它們在光照下會分解,其中的銀會以細微的粉末狀出現,這就是人們在感光銅版上看到的黑色部分。但是這些銀粉一碰就掉,不可能形成一張能永久保存的照片。而且由於被感光部分是黑色的,未被感光的部分是白色的,和我們眼睛所看到的景物亮度正好相反(它們也被稱為負片),所以我們難以直接欣賞,還需要想辦法把它還原成我們肉眼所習慣看到的照片。
這個記錄和還原圖像的過程有很多環節而且非常複雜。
達蓋爾最為了不起的地方,就在於他不只簡單發現了一種記錄圖像的現象,或者一個照相機,而是發明了一整套記錄圖像資訊的工藝過程。特別是在成像之後需要用水銀和食鹽在銅版底片上進行顯影和定影。這個過程有很多複雜的技術難題,都被達蓋爾成功地解決了。
今天「銀版攝影術」(又稱為達蓋爾銀版法)一詞,就是以他的名字命名的。
延伸閱讀:第四種元素:銀 —《改變世界的七種元素》
——本文摘自《資訊大歷史:人類如何消除對未知的不確定》,2022 年 6 月,漫遊者文化,未經同意請勿轉載。