新元素的發現很重要嗎？從113號元素Nihonium談基礎科研

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

• 作者 / 楊建鄴

一個人在科學探索的道路上，走過彎路，犯過錯誤，並不是壞事，更不是什麼恥辱，要在實踐中勇於承認錯誤和改正錯誤。──愛因斯坦（Albert Einstein，1879−1955）

1914 年，第一次世界大戰爆發，哈恩被徵入伍，改換了身分，於是所有的研究工作都被迫中斷了。哈恩被派到哈伯那兒服役。1905 年，哈伯發明了將空氣中的氮合成氨的方法。我們知道，氨可以用來合成高效化肥，這一發明有極其重大的價值，為德國氮肥工業的興起作出了決定性貢獻。

1915 年年初，哈伯、哈恩與其他一些科學家被政府指令研究毒氣。哈伯是「毒氣計畫」的負責人。哈伯對哈恩說：「我們的任務是建立一支毒氣戰鬥特別部隊，我們要研製新的、殺傷力更大的毒氣。」

哈恩聽了，嚇了一跳，不由倒抽一口涼氣。

接著，哈伯說了一堆大「道理」，這些「道理」在第二次世界大戰發明原子彈時，又被一些科學家再次利用。哈伯在第一次世界大戰期間對德國可說是建立了卓偉功勛，但在第二次世界大戰時，這位無比忠於德國政府的人，因為是猶太人，受到希特勒的迫害，不得不逃離德國，最後暴病身亡。

第一次世界大戰結束後，哈恩和邁特納又在凱薩．威廉物理化學及電化學研究所，繼續已經中斷了四年多的合作研究。很快，他們發現了一種新元素，其原子序數是 91。他們給新元素取名為「鏷」(Pa)。接著，哈恩又做出了許多有價值的工作，因此他被認為是歐洲最權威的分析化學家，尤其在放射化學方面，更有著不同凡響的聲譽。

正在他學術上日見輝煌時，卻捲入了一場學術爭論之中。與他爭論的對手是很有威望的科學家，法國居禮夫人的大女兒伊雷娜–約里奧–居禮 (Irene Joliot-Curie，1897−1956)。

事情的起因和過程，這兒只簡單地介紹一下。義大利物理學家費米用慢中子轟擊 92 號元素鈾時，以為得到了 93 號元素。由於科學家在自然界只見過 92 號元素，從來沒有人見過 92 號之後的元素，所以，如果費米真的得到了 93 號元素，那真是一個非常了不起的發現。

費米開始還比較小心，不敢說自己真的發現了 93 號元素，只是說「有可能發現」新元素。但後來由於沒有人懷疑他的結果，於是費米也開始相信自己是真的發現了 93 號元素。

當時有一位叫伊達．諾達克 (Ida Norddack，1896−1978) 的德國女科學家曾經提出過批評。她在德國《應用化學》雜誌上發表了一封信，對費米提出了批評。在信中她寫道：現在費米還沒有把握說，中子撞擊了鈾以後反應的生成物是什麼，在這種情形下談論什麼「超鈾元素」是不合適的。

諾達克大膽假設，像原子量為 238 的鈾這樣的重原子核，當中子撞擊它時，它有可能分裂成幾大塊碎片，成為幾種比較輕的原子核。

諾達克的批評沒有受到費米和大家的重視，這有三個原因。一是諾達克不是很出名的科學家，刊登她的信的刊物也不是一流刊物。二是她的大膽假設，沒有任何人相信，因為中子的能量很小，「根本不可能」把堅固的原子核撞得分裂開來。舉個例子，一顆手槍子彈最多只能在牆上敲下幾塊碎片；如果說這顆子彈能把這座牆打倒，分裂成兩三大塊，恐怕你也不會相信的。三是哈恩同意了費米的意見，認為費米真的製出了超鈾元素；哈恩是公認的化學權威，這當然使費米相信自己對了。因此，費米拒絕了諾達克的意見。

諾達克與哈恩相識，哈恩也曾經關心過諾達克的研究。因此，在 1936 年一次見面時，諾達克向哈恩建議說：

「哈恩教授，您是否可以在您講課中，或者在著作中，提到我對費米的批評？」

哈恩嚴肅地拒絕了，並且說：

「我不想使您成為人們的笑柄！您認為鈾核會分成幾塊大碎片，依我看，純粹是謬論！」

但過了兩年之後，哈恩自己卻證明了這個「謬論」是真理；而且在 8 年之後，哈恩還因為這個發現得了諾貝爾化學獎！世界上有一些事情就這麼奇怪！

正當哈恩否定了諾達克意見之後，法國著名的化學家伊雷娜卻指出，諾達克的意見很可能是對的。伊雷娜在實驗中發現，用中子撞擊鈾以後，在反應產物中找到了比鈾輕得多的產物，其原子量只有鈾的一半。如果伊雷娜的實驗是真的，那鈾原子核就真的被中子撞成兩大塊了！

哈恩實驗室的工作人員都不相信伊雷娜的實驗結果，一些人嘲笑伊雷娜：

「伊雷娜還指望利用從她光榮的母親那兒學到一點化學知識，其實這早已經過時了。」

哈恩訓斥了說諷刺話的人，但他也不同意伊雷娜的意見。因此他以私人名義寫了一封信給伊雷娜，建議她更細緻地重做一次實驗。哈恩認為自己夠客氣的了，否則他會在刊物上提出批評，那伊雷娜就會出大醜了！

但是伊雷娜一點也不領哈恩的情，她在前一篇文章的基礎上，又發表了第二篇文章，進一步肯定了第一篇文章的結果。哈恩生氣了，覺得伊雷娜太不自量，竟然完全不聽一下他的善意勸告，一意孤行。他氣惱地對助手斯特拉斯曼（Fritz Strassman，1902−1980）說：

「我不會再讀這位法國太太的文章！」

繼續閱讀：原子彈的發明原理，從一個被說荒謬的假設開始（下）

• 作者／史坦利．萊斯 (Stanley A. Rice)；譯者／李延輝

月亮上，全部都是黑色和白色。晚上是晚上，白天是白天，沒有灰色地帶。但在地球上，因為大氣層分散了日光，所以會出現晨光與暮光的灰色陰影。地球具有多樣性，科學也在研究多樣性，上述只是幾乎無數種呈現方式中的第一種。

但人類心靈並不是一直輕易就接受多樣性。人類心靈有二元偏見，我們看待事物非黑即白，但科學必須抗拒這種偏見，就像抗拒其他許多偏見一樣。

即使人類心靈並未以二元的方式看待世界，也會以分類的方式看待：即使現實往往包含連續體而非各自獨立的類別，我們仍喜歡將所有事物分類。二元思考是分類思考的兩類別子集合。想知道一些分類和連續思考的例子嗎？這就是本章涵蓋的內容。

分類思考就是只能分兩類？

或許人類偏向分類思考是因為我們是兩兩對稱的生物。我們有左右手、腳和很多其他東西，也有上和下、前和後。相較之下，水母就是放射對稱，它有前和後，但除此之外其他部分都從中心點放射而出對稱。假如水母可以思考，它可能會將世界看成充滿各種可能性，而不只是「這個」相對於「那個」。

動物和人類祖先必須迅速決定是否該採取行動，例如是否要逃離老虎，是否要吃某種食物，這可能是我們演化出二元思考的原因。生死交關的決定往往是二元對立的，甚至對水母來說也是如此。

一方面，人類往往會將世界視為非黑即白，不是這個就是那個，非左即右，不是這裡就是那裡，非上即下，不是我們就是他們。另一方面（延續我二元對立的隱喻），我們也承認有許多多樣性無法納入分類思考的框架中。（世界上有兩種人：會將事物分類的人和不會將事物分類的人。）人類常常努力在分類思考和連續思考間取得平衡，但這是假設我們能將所有思考分類為分類或連續思考。

再者，二元對立也符合我們的公平感。記者就有強烈的偏見要「平衡雙方報導」，即使有兩方以上或其中一方顯然行事荒唐也是如此。

微世界中的多樣性

在科學家研究的物理、化學、生物和人類世界中，少有事物在分類上是絕對的。極少數二元對立的事物之一就是原子粒子的電荷。電子具有負電荷，而質子具有正電荷。但連電荷都是一種夸克的衍生特性，而夸克就構成了電子和質子粒子。其他事物無論是可分類或連續的，都以許多不同可能性的形式存在。

元素符號都一樣，中子、電子數目不一樣

以原子為例，「原子」一詞代表不可分割的事物。原子會分裂，但一旦發生分裂，原子就會喪失其特性，所以「它們」不可能分裂但仍維持原樣。

我們可能會認為所有的碳原子都很類似，全都屬於一種類別。但並不是這樣。它們的原子核都有六個質子。大多數也會有六個中子（使它們成為 ¹²C 或碳-12）。但少數碳原子多了一個中子，重量更重（¹³C 或碳-13）。再更少數的碳原子多了兩個中子，原子核變得不穩定，因此具有放射性（¹⁴C 或碳-14）。不同元素的同位素具有相同數目的質子，但中子的數目不同。

同樣地，純粹的鐵原子具有 26 個質子和 26 個電子。但許多鐵原子已經失去了它們的電子。亞鐵離子失去了兩個電子，而三價鐵離子則失去了三個。這讓它們具有不同的電荷。同一元素的不同離子具有相同數目的質子，但電子數目則不同。因此，每一種元素組成的類型都不同。

拉著電子不放的氧，讓水分子也「黏」在一起

我們可能會想，在這些類別中，原子都很相似。但連這也不是完全正確，因為原子絕對不會獨立存在。

舉例來說，思考一下兩個氫原子和一個氧原子組成了水分子（H₂O）。分子內的原子都自由分享它們的電子，但也不能說完全自由。氧分子就是出了名的渴求電子。在水分子內，自由移動的電子時間大多花在氧原子上，而較少花在出了名軟弱的氫原子上。

水分子具有一個中性電荷，電荷中共有 18 個質子和 18 個電子，但它有三極：兩個正氫極和一個負氧極。一個水分子的正極會吸引其他水分子的負極，讓水分子稍微黏在一起。

水分子的黏性是造成冰會漂浮的重要特性，也會使液態水最後煮沸前保留許多熱度，並在蒸散作用時透過植物將水往上拉，還有其他許多事物，少了這些事物，生命就不可能存在。

這些「氫鍵」也將 DNA 的股鏈結合在一起，強韌到足以保存分子完整性，但又寬鬆到足以讓各股鏈分解再重新聚集。（DNA 是細胞內儲存遺傳訊息的分子。為了讓這些資訊可以供細胞使用或是傳給下一代，股鏈必須能夠彼此分離，顯示出其隱藏的訊息。）因此，一個原子的特性取決於哪個或哪些其他的原子與其結合。

壁虎不貼牆也能爬牆，也是原子搞的鬼？

一個原子或分子可以互相改變，甚至不必結合也可以做到。用個隱喻來說，一個分子的電子可以嚇跑其他鄰近分子的電子，造成電荷差異，讓分子可以互相吸引。

這種「凡得瓦力」（Van der Waals forces）也讓壁虎不用真的黏在牆上就可以爬上牆。2014 年，國防高等研究計畫局（Defense Advanced Research Projects Administration, DARPA）宣布要發展壁虎裝，使用這樣的力量讓軍人可以爬牆，就算不像壁虎一樣輕而易舉，也可以勝過其他軍人。在每個原子的離子或同位素類別中，有一整個可能特性的連續體，這取決於其他可能與其結合的原子，甚至是那些恰好接近它的原子。

向左旋，向右旋，性質大不同！

許多分子可以以一種以上的構造存在，例如就像彼此的鏡像一樣。（這種分子只有兩種可能的鏡像，這可能是宇宙中除了電荷外，少數二元對立的性質之一。）這會造成很大的差異。

「左旋」的胺基酸組成的蛋白質讓我們維持生命，「右旋」的蛋白質則常有毒。左旋和右旋的胺基酸混合起來造成不穩定的蛋白質。因此，自然淘汰已經排除任何結合左旋和右旋型態的蛋白質。地球上的生命恰好是以左旋胺基酸開始，右旋胺基酸只好扮演壞人的角色。在火星的生命非線性死亡之前，火星上如果有蛋白質，或許就是由右旋胺基酸組成。

溫度也來參一咖

變化越來越多了。想一下有一堆同樣種類的分子，電荷和左右旋都沒有差異。分子集合在一起會具有特定溫度。溫度來自於移動的能量，或分子的動能。但沒有任何兩個分子具有一模一樣的動能。每個分子都有自已獨特的能量狀態，有些移動得多，有些移動得少。你可以把溫度想成是分子的平均動能，但這不是嚴格數學定義下的平均。

水一煮沸，平均動能就足以造成分子在液體中不再彼此黏合，自由地以氣態移動飛散。但早在水煮沸之前，許多水分子就已有足夠的能量可以蒸發。連冰都有一些水分子，可以進入氣態，以美麗的科學術語來說，這種過程稱為昇華，但這種例子很罕見。所以甚至連一杯水裡的水分子也有多樣性，而且是連續的多樣性。分子並不是屬於動能的類別。

可能存在的分子種類數目理論上是無窮無盡。在真實世界中，這並非無窮無盡，但當然也超越人類心靈所能理解的範圍，至少我無法理解。1976 年，我在有機化學拿了 C，後來每況愈下。

所以這就是多樣性、多樣性、多樣性，且常是連續而非可分類——而且我們還只是在講分子而已。

——本文摘自泛科學 2020 年 5 月選書《像科學家一樣思考》，2020 年 4 月，商周出版。