Loading [MathJax]/extensions/MathMenu.js

0

0
0

文字

分享

0
0
0

如果青蛙會發螢光,那牠自己看得到嗎?

曾 文宣
・2017/03/15 ・1008字 ・閱讀時間約 2 分鐘 ・SR值 448 ・四年級
相關標籤:

-----廣告,請繼續往下閱讀-----

關於反射螢光,可以參考林思民老師這篇。那青蛙到底看不看的到?夜行性的青蛙看的到顏色嗎?我在這邊回答大家:

青蛙的顏色在性擇上所扮演的角色一直有個很關鍵的問題,他們究竟看不看的到顏色?畢竟對很多夜行性的動物來說,顏色的訊息幾乎可有可無。對這些夜貓子來說,重要的是負責明暗視覺的桿狀細胞和桿狀色素。而不少夜行性、穴居性、深海棲息的動物,要嘛完全丟掉了錐狀細胞和色素(感應顏色、需要較強的光強度啟發),不然就是桿狀細胞占了 80、90 %以上。更甚至,有些守宮已經二次適應夜晚生活,把錐狀細胞演化成桿狀細胞的樣子和功能。

很有趣的是,一般脊椎動物具有感應紅、綠、藍、紫外光的錐狀細胞及其對應色素。至於青蛙呢,牠把感應綠色(中波長)的錐狀色素(Rh2)完完全全丟掉了。欸,啊螢光訊號不是綠的嗎?不緊張,我們再往下看。

針對青蛙視網膜的研究中,很早就發現正常脊椎動物僅有一種的桿狀細胞,但在多數青蛙和少部分的蠑螈物種上,竟然發現有「兩種」桿狀細胞!!!9成以上是正常具有 Rh1 桿狀色素的桿狀細胞,另外有不到 1 成的桿狀細胞竟然具有「 sws2 錐狀色素」[註1],超級反常呀XD。可是到底為什麼會這樣?沒人知道。

-----廣告,請繼續往下閱讀-----

結果一個月前發表在《自然科學會報》的研究,就從行為實驗上指出,青蛙們(常見的高緯度物種,林蛙 Rana temporaria)確實可以僅透過「桿狀細胞」的生理反應來「看見顏色」,能夠區別藍色和綠色的色光!換句話說,當完全沒有半點光的夜晚(這正是桿狀細胞可以做事但錐狀細胞耍廢的狀態),青蛙們還是看的到顏色啦!真好奇這樣子的綠色螢光對這種南美洲的樹蛙來說,有著甚麼樣的功能或是訊息呢?

Ps. 不過選用的蟾蜍物種(中華蟾蜍 Bufo gargarizans)[註2],就可能沒有這個用桿狀細胞看顏色的技能。

註解:

  1. 正常來說,脊椎動物的視網膜祖徵應該是一種桿狀細胞 + 四種錐狀細胞,分別具有桿狀色素跟四種錐狀色素。  sws2 是感應短波長,通常是藍光的色素,會位於 SWS2 錐狀細胞中。而桿狀細胞,清一色都具有Rh1色素,跟顏色沒啥關係。 文中提到的反常之處就是青蛙們多出來的一種「桿狀」細胞,裏頭竟然有「錐狀」色素。至於這個反常的 sws2 的功能,是不是真的可以感應藍光,還不確定。但有人認為這個反常的東西,或許有可能彌補青蛙丟失掉的可感應綠色的錐狀色素(Rh2),但目前還沒有直接證據。
  2. 本研究的研究對象是林蛙和中華蟾蜍

文獻連結:

-----廣告,請繼續往下閱讀-----
-----廣告,請繼續往下閱讀-----
文章難易度
曾 文宣
22 篇文章 ・ 15 位粉絲
我是甩啊!畢業於臺灣師範大學生科系生態演化組|寫稿、審稿、審書被編輯們追殺是日常,經常到各學校或有關單位演講,寒暑假會客串帶小朋友到博物館學暴龍吼叫。癡迷鱷魚,守備領域從恐龍到哺乳動物,從陰莖到動物視覺,因此貴為「視覺系男孩」、或被稱呼「老二大大」。

0

1
0

文字

分享

0
1
0
數智驅動未來:從信任到執行,AI 為企業創新賦能
鳥苷三磷酸 (PanSci Promo)_96
・2025/01/13 ・4938字 ・閱讀時間約 10 分鐘

-----廣告,請繼續往下閱讀-----

本文由 鼎新數智 與 泛科學 共同規劃與製作

你有沒有想過,當 AI 根據病歷與 X 光片就能幫你診斷病症,或者決定是否批准貸款,甚至從無人機發射飛彈時,它的每一步「決策」是怎麼來的?如果我們不能知道 AI 的每一個想法步驟,對於那些 AI 輔助的診斷和判斷,要我們如何放心呢?

馬斯克與 OpenAI 的奧特曼鬧翻後,創立了新 AI 公司 xAI,並推出名為 Grok 的產品。他宣稱目標是以開源和可解釋性 AI 挑戰其他模型,而 xAI 另一個意思是 Explainable AI 也就是「可解釋性 AI」。

如今,AI 已滲透生活各處,而我們對待它的方式卻像求神問卜,缺乏科學精神。如何讓 AI 具備可解釋性,成為當前關鍵問題?

-----廣告,請繼續往下閱讀-----
AI 已滲透生活各處,而我們對待它的方式卻像求神問卜,缺乏科學精神。如何讓 AI 具備可解釋性,成為當前關鍵問題?圖/pexels

黑盒子模型背後的隱藏秘密

無法解釋的 AI 究竟會帶來多少問題?試想,現在許多銀行和貸款機構已經使用 AI 評估借貸申請者的信用風險,但這些模型往往如同黑箱操作。有人貸款被拒,卻完全不知原因,感覺就像被分手卻不告訴理由。更嚴重的是,AI 可能擅自根據你的住所位置或社會經濟背景給出負面評價,這些與信用風險真的相關嗎?這種不透明性只會讓弱勢群體更難融入金融體系,加劇貧富差距。這種不透明性,會讓原本就已經很難融入金融體系的弱勢群體,更加難以取得貸款,讓貧富差距越來越大,雪上加霜。

AI 不僅影響貸款,還可能影響司法公正性。美國部分法院自 2016 年起使用「替代性制裁犯罪矯正管理剖析軟體」 COMPAS 這款 AI 工具來協助量刑,試圖預測嫌犯再犯風險。然而,這些工具被發現對有色人種特別不友好,往往給出偏高的再犯風險評估,導致更重的刑罰和更嚴苛的保釋條件。更令人擔憂的是,這些決策缺乏透明度,AI 做出的決策根本沒法解釋,這讓嫌犯和律師無法查明問題根源,結果司法公正性就這麼被悄悄削弱了。

此外,AI 在醫療、社交媒體、自駕車等領域的應用,也充滿類似挑戰。例如,AI 協助診斷疾病,但若原因報告無法被解釋,醫生和患者又怎能放心?同樣地,社群媒體或是 YouTube 已經大量使用 AI 自動審查,以及智慧家居或工廠中的黑盒子問題,都像是一場越來越複雜的魔術秀——我們只看到結果,卻無法理解過程。這樣的情況下,對 AI 的信任感就成為了一個巨大的挑戰。

為什麼人類設計的 AI 工具,自己卻無法理解?

原因有二。首先,深度學習模型結構複雜,擁有數百萬參數,人類要追蹤每個輸入特徵如何影響最終決策結果,難度極高。例如,ChatGPT 中的 Transformer 模型,利用注意力機制(Attention Mechanism)根據不同詞之間的重要性進行特徵加權計算,因為機制本身涉及大量的矩陣運算和加權計算,這些數學操作使得整個模型更加抽象、不好理解。

-----廣告,請繼續往下閱讀-----

其次,深度學習模型會會從資料中學習某些「特徵」,你可以當作 AI 是用畫重點的方式在學習,人類劃重點目的是幫助我們加速理解。AI 的特徵雖然也能幫助 AI 學習,但這些特徵往往對人類來說過於抽象。例如在影像辨識中,人類習慣用眼睛、嘴巴的相對位置,或是手指數量等特徵來解讀一張圖。深度學習模型卻可能會學習到一些抽象的形狀或紋理特徵,而這些特徵難以用人類語言描述。

深度學習模型通常採用分佈式表示(Distributed Representation)來編碼特徵,意思是將一個特徵表示為一個高維向量,每個維度代表特徵的不同方面。假設你有一個特徵是「顏色」,在傳統的方式下,你可能用一個簡單的詞來表示這個特徵,例如「紅色」或「藍色」。但是在深度學習中,這個「顏色」特徵可能被表示為一個包含許多數字的高維向量,向量中的每個數字表示顏色的不同屬性,比如亮度、色調等多個數值。對 AI 而言,這是理解世界的方式,但對人類來說,卻如同墨跡測驗般難以解讀。

假設你有一個特徵是「顏色」,在傳統的方式下,你可能用一個簡單的詞來表示這個特徵,例如「紅色」或「藍色」。但是在深度學習中,這個「顏色」特徵可能被表示為一個包含許多數字的高維向量,向量中的每個數字表示顏色的不同屬性,比如亮度、色調等多個數值。圖/unsplash

試想,AI 協助診斷疾病時,若理由是基於醫生都無法理解的邏輯,患者即使獲得正確診斷,也會感到不安。畢竟,人們更相信能被理解的東西。

打開黑盒子:可解釋 AI 如何運作?我們要如何教育 AI?

首先,可以利用熱圖(heatmap)或注意力圖這類可視化技術,讓 AI 的「思維」有跡可循。這就像行銷中分析消費者的視線停留在哪裡,來推測他們的興趣一樣。在卷積神經網絡和 Diffusion Models 中 ,當 AI 判斷這張照片裡是「貓」還是「狗」時,我需要它向我們展示在哪些地方「盯得最緊」,像是耳朵的形狀還是毛色的分布。

-----廣告,請繼續往下閱讀-----

其次是局部解釋,LIME 和 SHAP 是兩個用來發展可解釋 AI 的局部解釋技術。

SHAP 的概念來自博弈,它將每個特徵看作「玩家」,而模型的預測結果則像「收益」。SHAP 會計算每個玩家對「收益」的貢獻,讓我們可以了解各個特徵如何影響最終結果。並且,SHAP 不僅能透過「局部解釋」了解單一個結果是怎麼來的,還能透過「全局解釋」理解模型整體的運作中,哪些特徵最重要。

以實際的情景來說,SHAP 可以讓 AI 診斷出你有某種疾病風險時,指出年齡、體重等各個特徵的影響。

LIME 的運作方式則有些不同,會針對單一個案建立一個簡單的模型,來近似原始複雜模型的行為,目的是為了快速了解「局部」範圍內的操作。比如當 AI 拒絕你的貸款申請時,LIME 可以解釋是「收入不穩定」還是「信用紀錄有問題」導致拒絕。這種解釋在 Transformer 和 NLP 應用中廣泛使用,一大優勢是靈活且計算速度快,適合臨時分析不同情境下的 AI 判斷。比方說在醫療場景,LIME 可以幫助醫生理解 AI 為何推薦某種治療方案,並說明幾個主要原因,這樣醫生不僅能更快做出決策,也能增加患者的信任感。

-----廣告,請繼續往下閱讀-----

第三是反事實解釋:如果改變一點點,會怎麼樣?

如果 AI 告訴你:「這家銀行不會貸款給你」,這時你可能會想知道:是收入不夠,還是年齡因素?這時你就可以問 AI:「如果我年輕五歲,或者多一份工作,結果會怎樣?」反事實解釋會模擬這些變化對結果的影響,讓我們可以了解模型究竟是如何「權衡利弊」。

最後則是模型內部特徵的重要性排序。這種方法能顯示哪些輸入特徵對最終結果影響最大,就像揭示一道菜中,哪些調味料是味道的關鍵。例如在金融風險預測中,模型可能指出「收入」影響了 40%,「消費習慣」占了 30%,「年齡」占了 20%。不過如果要應用在像是 Transformer 模型等複雜結構時,還需要搭配前面提到的 SHAP 或 LIME 以及可視化技術,才能達到更完整的解釋效果。

講到這裡,你可能會問:我們距離能完全信任 AI 還有多遠?又或者,我們真的應該完全相信它嗎?

-----廣告,請繼續往下閱讀-----

我們終究是想解決人與 AI 的信任問題

當未來你和 AI 同事深度共事,你自然希望它的決策與行動能讓你認可,幫你省心省力。因此,AI 既要「可解釋」,也要「能代理」。

當未來你和 AI 同事深度共事,你自然希望它的決策與行動能讓你認可,幫你省心省力。圖/unsplash

舉例來說,當一家公司要做一個看似「簡單」的決策時,背後的過程其實可能極為複雜。例如,快時尚品牌決定是否推出新一季服裝,不僅需要考慮過去的銷售數據,還得追蹤熱門設計趨勢、天氣預測,甚至觀察社群媒體上的流行話題。像是暖冬來臨,厚外套可能賣不動;或消費者是否因某位明星愛上一種顏色,這些細節都可能影響決策。

這些數據來自不同部門和來源,龐大的資料量與錯綜關聯使企業判斷變得困難。於是,企業常希望有個像經營大師的 AI 代理人,能吸收數據、快速分析,並在做決定時不僅給出答案,還能告訴你「為什麼要這麼做」。

傳統 AI 像個黑盒子,而可解釋 AI (XAI)則清楚解釋其判斷依據。例如,為什麼不建議推出厚外套?可能理由是:「根據天氣預測,今年暖冬概率 80%,過去三年數據顯示暖冬時厚外套銷量下降 20%。」這種透明解釋讓企業更信任 AI 的決策。

-----廣告,請繼續往下閱讀-----

但會解釋還不夠,AI 還需能真正執行。這時,就需要另一位「 AI 代理人」上場。想像這位 AI 代理人是一位「智慧產品經理」,大腦裝滿公司規則、條件與行動邏輯。當客戶要求變更產品設計時,這位產品經理不會手忙腳亂,而是按以下步驟行動:

  1. 檢查倉庫物料:庫存夠不夠?有沒有替代料可用?
  2. 評估交期影響:如果需要新物料,供應商多快能送到?
  3. 計算成本變化:用新料會不會超出成本預算?
  4. 做出最優判斷,並自動生成變更單、工單和採購單,通知各部門配合執行。

這位 AI 代理人不僅能自動處理每個環節,還會記錄每次決策結果,學習如何變得更高效。隨時間推移,這位「智慧產品經理」的判斷將更聰明、決策速度更快,幾乎不需人工干預。更重要的是,這些判斷是基於「以終為始」的原則,為企業成長目標(如 Q4 業績增長 10%)進行連續且動態地自我回饋,而非傳統系統僅月度檢核。

這兩位 AI 代理人的合作,讓企業決策流程不僅透明,還能自動執行。這正是數智驅動的核心,不僅依靠數據驅動決策,還要能解釋每一個選擇,並自動行動。這個過程可簡化為 SUPA,即「感知(Sensing)→ 理解(Understanding)→ 規劃(Planning)→ 行動(Acting)」的閉環流程,隨著數據的變化不斷進化。

偉勝乾燥工業為例,他們面臨高度客製化與訂單頻繁變更的挑戰。導入鼎新 METIS 平台後,偉勝成功將數智驅動融入業務與產品開發,專案準時率因此提升至 80%。他們更將烤箱技術與搬運機器人結合,開發出新形態智慧化設備,成功打入半導體產業,帶動業績大幅成長,創造下一個企業的增長曲線。

-----廣告,請繼續往下閱讀-----

值得一提的是,數智驅動不僅帶動業務增長,還讓員工擺脫繁瑣工作,讓工作更輕鬆高效。

數智驅動的成功不僅依賴技術,還要與企業的商業策略緊密結合。為了讓數智驅動真正發揮作用,企業首先要確保它服務於具體的業務需求,而不是為了技術而技術。

這種轉型需要有策略、文化和具體應用場景的支撐,才能讓數智驅動真正成為企業持續增長的動力。

還在猶豫數智驅動的威力?免費上手企業 AI 助理!👉 企業 AI 體驗
現在使用專屬邀請碼《 KP05 》註冊就享知:https://lihi.cc/EDUk4
訂閱泛科學獨家知識頻道,深入科技趨勢與議題內容。

👉立即免費加入

-----廣告,請繼續往下閱讀-----
文章難易度
鳥苷三磷酸 (PanSci Promo)_96
222 篇文章 ・ 313 位粉絲
充滿能量的泛科學品牌合作帳號!相關行銷合作請洽:contact@pansci.asia

0

1
0

文字

分享

0
1
0
解密離岸風電政策環評:從審查標準到執行成效,一次看懂
鳥苷三磷酸 (PanSci Promo)_96
・2024/12/21 ・3546字 ・閱讀時間約 7 分鐘

-----廣告,請繼續往下閱讀-----

本文由 環境部 委託,泛科學企劃執行。 

政策環評是什麼,跟一般環評差在哪?

隨著公共建設的規模越來越大,傳統的環境影響評估(EIA),難以應對當今層層疊疊的環境議題。當我們評估一項重大政策時,只看「單一開發案」已經不夠,就像評估一棵樹,卻忽略了整片森林。因此,政策環境影響評估(SEA)應運而生,它看樹,也看森林,從政策的角度進行更全面的考量與評估。

與只專注於「單一開發案」的個案環評不同,政策環評更像是一場全面性的檢視,強調兩個核心重點:「整合評估」與「儘早評估」。簡單來說,這不再是逐案評估的模式,而是要求政府在制定政策時,就先全面分析可能帶來的影響,從單一行為的侷限中跳脫,轉而聚焦在整體影響的視角。無論是環境的整體變化,還是多項行為累計起來的長期影響,政策環評的目的就是讓這些潛在問題能儘早浮現、儘早解決。

除此之外,政策環評還像是一個大型的協商平台,以永續發展為最高指導原則,公開整合來自不同利益團體、民眾與各機關的意見。這裡,決策單位不再只是單純的「評分者」,而是轉為「協調者」或「仲裁者」,協調各方的意見看法在這裡得到整合,讓過程更具包容性。

-----廣告,請繼續往下閱讀-----

政策環評並沒有所謂的「否決權」,而是側重意見的蒐集與整合,讓行政機關在政策推動時,能更全面地掌握各方意見。政策環評旨在建立系統化、彈性的決策評估程序(包含量化、特徵化等評估方式),也廣納社會面或民眾滿意度等影響因子,把正式與非正式的作法一併考量進去。再來,決策程序中能層層檢討、隨時修正,也建立了追蹤機制和成效評估標準(如環境殘餘效應、累積效應等),透過學習來強化決策品質與嚴謹度。就像一場球賽,隨時根據變化、調整策略。

這樣的制度設計,就非常適合離岸風電這類規模大、跨區域、影響層面廣泛的能源政策評估,讓我們可以在政策推動初期就想到整個工程對環境、產業發展與社會的諸多影響,也為後續政策執行奠定更穩固的基礎。

政策環評並沒有否決權,而是重在整合各方意見、量化影響以及建立追蹤與修正機制,這樣的制度設計便適用於離岸風電等大型政策評估。圖/envato

離岸風電為何需要的是政策環評?

離岸風電是能源轉型的重要策略之一,但這不是只在某塊空地上架幾個風車,而是要在廣闊的大海中進行大規模建設,牽涉的不僅是發電,還涉及海洋保育、航空交通、水下文化資產等議題,更與當地漁民的權益息息相關。

這樣的大型離岸風電工程,因海洋環境的風險和不確定性極高,很容易讓人擔心生態影響。如何在海洋生態保護和綠能發展之間找到平衡點?這就需要政策環評的把關,從多方檢視這些複雜的挑戰,確保政策推行既能穩妥,又能達成發電目標。

-----廣告,請繼續往下閱讀-----

2016 年 3 月,經濟部自願提出「離岸風電區塊開發政策評估說明書」,是臺灣首次針對再生能源政策所進行的政策環評。根據這份評估說明書,政府將採分期公告、逐年檢討的方式,每三年開放 0.5~1 百萬瓩(GW)的電量額度鼓勵業者投入開發。當時環保署(現為環境部)歷經九個月召開 2 次意見徵詢會議,蒐集環評委員、專家學者、相關機關、民眾等意見,最終於同年 12 月的環評委員會作出徵詢意見。這些協商和檢討的過程,讓政策「名正言順」,得以充分顧及各方利益與生態平衡。

共通性環境議題與因應對策

在「離岸風電區塊開發政策評估說明書」中,環評會議盤點了開發過程中共通的環境議題。

首先,對於海洋生態保育的重點,特別是對中華白海豚的保護。環評會要求風機基座必須距離白海豚棲地1公里以上,以減少對其生態的干擾。實際上,這項規範在後續的實務執行中更為嚴格,例如,福海二期示範風場已退縮到 2.5 公里外,臺電二期風場甚至退到 4.2 公里外,顯示政策環評確實發揮了實質作用。此外,針對施工期間的聲音干擾,要求施工需有 30 分鐘以上的打樁緩啟動時間,並限制聲量不得超過 180 分貝等。

針對鳥類保育,政策環評也訂立了具體規範。其中,包括風機之間必須留設 500 公尺以上的鳥類穿行廊道,並在施工期間避開每年 11 月至隔年 3 月的候鳥過境期。同時,為確保這些措施確實生效,工程方也被要求設置「鳥類活動監測系統」,持續追蹤、評估風場對鳥類的影響。

-----廣告,請繼續往下閱讀-----

此外,環評會也確立了「先遠後近」的開發原則,要求優先開發較單純的航道外側區塊,待累積足夠經驗及相關資料後,再進行近岸區域的開發。這項原則考量了近海生態系的複雜性,也顧到養殖漁業的漁民權益,展現出政策環評在平衡發展需求與環境保護上的價值。

新一代的審查機制:達成能源轉型及環境保護雙贏

為提升環評效率並確保審查品質,環境部參考過去離岸風電審查經驗,制定「風力發電離岸系統開發行為環境影響評估初審作業要點」,建立了全新的二階段審查機制。

環境部推動二階段審查機制,提升離岸風電環評效率與審查品質。圖/envato

這套新機制分為兩個階段。第一階段,就像「初步檢查」,由環境部依照檢核表進行初審,並由環評審查委員會執行秘書邀集 2-5 位環評委員進行初審,通過第一階段初審之業者,可取得經濟部遴選資格,其初審結果有效期為兩年,必要時可申請展延一年。接著進入「第二階段」,開發單位檢附目的事業主管機關核配的容量證明文件等資料,提供更詳細的環境影響說明書以進行實質審查。

檢核表明確規範了 15 大項審查事項、112 項檢核項目,涵蓋開發案的全生命週期。

-----廣告,請繼續往下閱讀-----

工程面,包含風機及海上變電站基礎設置、海域電纜路線規劃、陸域設施工程等硬體設施的規範。其中,風機基礎設置必須避開海岸保護區、河口、潮間帶等環境敏感區域,且須進行地震危害度分析。海域電纜部分,除特殊情形外,埋設深度至少須達 1.5 公尺,且不得跨越中華電信海底電纜 1 公里的範圍。

環境保護上,檢核表則對施工噪音管制訂立了明確標準。舉例來說,打樁期間警戒區 750 公尺範圍內的水下噪音不得超過 160 分貝,且必須全程採用最佳噪音防制工法。同時,每個開發案或聯席審查的風場,同一時間內只能進行一支基樁施作,而日落前一小時到日出前也不得啟動新的打樁作業。

環境監測計畫更是檢核表中的重點,分為「施工前、施工期間、營運期間」三階段,每個階段都規定了詳細的監測要求(包括海域底質監測、水下噪音監測、鯨豚目視監測等)。以鯨豚監測為例,每年需執行20趟次,四季中每季至少執行 2 趟次。此外,所有監測數據都必須上傳至環境部「環保專案成果倉儲系統」(https://epaw.moenv.gov.tw/)供各界查閱。

這套標準化的審查機制不僅解決了「同一風場可能有多家廠商重複調查或審查」的資源浪費,也透過明確的檢核項目,讓開發單位在規劃階段就能掌握更具體的環境保護要求。不僅如此,該機制亦確保了環境保護標準前後一致,避免不同案件之間標準不一。

-----廣告,請繼續往下閱讀-----

結語

透過新的審查機制,環境部正積極推動再生能源開發案的環評審查作業,在提升行政效率之餘,也確保環境影響評估的品質,支持臺灣的離岸風電開發及國家能源轉型政策,也做好把關。藉由標準化檢核表和二階段審查制度,期待能在推動能源轉型的同時落實環境保護。

為確保制度能持續精進,環境部每半年至一年會進行制度檢討,並持續公開所有環評書件於「環評書件查詢系統」(https://eiadoc.moenv.gov.tw/eiaweb/)。此外,環評會議召開前一週,也必須在指定網站公布開會訊息,讓民眾能申請列席旁聽或發表意見。透明化措施一方面展現了政府推動永續發展的決心,另一方面也確保全民能共同參與監督離岸風電的發展過程。未來,這套制度將在各界的檢視與建議中持續完善,為臺灣的永續發展貢獻心力,發揮環評作業的最大效益。

-----廣告,請繼續往下閱讀-----
文章難易度

討論功能關閉中。

鳥苷三磷酸 (PanSci Promo)_96
222 篇文章 ・ 313 位粉絲
充滿能量的泛科學品牌合作帳號!相關行銷合作請洽:contact@pansci.asia

0

0
0

文字

分享

0
0
0
「哈佛最優秀的人」卻被迫低頭:塞西莉亞·佩恩未被承認的天文革命——《你的身體怎麼來的?》
商周出版_96
・2025/01/20 ・4176字 ・閱讀時間約 8 分鐘

-----廣告,請繼續往下閱讀-----

世人接受新觀念分為三個階段:

  A. 胡說八道

  B. 早就有人想過了

  C. 我們一直都是這樣想

-----廣告,請繼續往下閱讀-----

──佛萊德.霍伊爾,轉述雷蒙.利托頓(Raymond Lyttleton)說法

滿懷熱情的劍橋叛逆者:佩恩如何走上科學之路

一九二三年春天,二十一歲、身材高䠷的劍橋大學學生塞西莉亞.佩恩(Cecilia Payne)開始對未來感到惶恐。她熱愛天文學研究,夢想能走上研究道路,長期筆記自己成為科學家之後想研究的課題。但在校最後一年,她意識到面前可能是個死胡同。

那時代的英國,如她這般具備聰明才智的女性充其量只是當上女子學校的教師或校長。「彷彿腳下裂開一條深淵,」後來佩恩在自傳這樣比喻:「對我而言,當女教師是『比死亡還糟糕的命運』。」所幸悲慘命運沒有降臨在她身上,儘管面臨種種困難,佩恩仍舊在科學上做出突破,為二十世紀科學的轉捩點奠定基礎:她發現人體所有元素(除了氫)最初如何形成。

佩恩對科學的興趣萌芽於六歲,那年一顆流星給她留下深刻印象。十歲時,她在天主教學校做實驗測試禱告的力量,為一半考試的成績祈禱、另一半則不做祈禱。事後發現成績沒有差別時,她轉而肯定理性的力量,對科學的興趣於此扎根。至於宗教,佩恩後來相信一位論14

-----廣告,請繼續往下閱讀-----

虔誠女校長對佩恩說學習科學是「糟蹋她的天賦」。學校合唱團指揮古斯塔夫.霍爾斯特(Gustav Holst)雖然當時默默無聞但之後會創作《行星組曲》,他則鼓勵佩恩走音樂這條路。

但佩恩有自己的想法:她拿到劍橋大學獎學金,準備攻讀植物學。然而適逢第一次世界大戰之後物理學風起雲湧的時期,佩恩正好聽了天文學家亞瑟.愛丁頓那場劃時代講座,得知太陽引力場能夠扭曲光線路徑,而且一切符合愛因斯坦的預測。佩恩大受震撼,人生再次拐了個彎。她後來寫道:「我的世界天旋地轉,感覺差點神經休克。」那瞬間她徹底愛上物理學,所以隔天就去「面對校方」,申請從植物學系轉到物理學系。回家以後她幾乎逐字逐句默寫講座內容,為此三天沒怎麼睡。

天文學家亞瑟.愛丁頓的講座改變了佩恩的志向,讓她的人生轉了彎。圖 / unsplash

劍橋卡文迪什實驗室的氣氛像是帶著電。發現電子的湯木生、發明雲室的威爾遜都在這裡,但最耀眼的常駐明星是發現原子核的傳奇人物拉塞福。對佩恩來說美中不足的是拉塞福不喜歡課堂有女性參與。儘管當時年輕女性不再需要年長者時時監護,但仍要求座位與男性分開。因此每次進入講堂,佩恩作為唯一女性必須單獨坐在最前排,而拉塞福更是刻意每堂課都以「各位女士先生」這句話開場。佩恩在自傳中回憶:「男生聽到教授意有所指總是很捧場,歡聲雷動之外還會老派地跺腳,每次上課我都想挖個洞鑽進去。」[38]

星星的祕密:她用光譜解開宇宙的指紋

她很快投靠愛丁頓。愛丁頓理解她的熱忱,也比拉塞福更加包容,允許她參與研究團隊。同時佩恩還接觸到最新領域量子物理學,帶她入門的正是理論發現者之一尼爾斯.波耳(Niels Bohr)。即便如此,在學最後一年她又發現面前是死路,因為劍橋大學根本不允許女性獲得高等學位。(不授予文憑,也無法獲邀參加畢業典禮。)險阻重重,但她堅持不懈、動用一些關係,終於爭取到哈佛天文臺的女性研究員資格,能在臺長哈洛.沙普利指導下工作。

-----廣告,請繼續往下閱讀-----

天文臺位於麻薩諸塞州劍橋市距離校園大約一英里的小山上,特點是願意僱用女性,因為前任臺長愛德華.皮克林(Edward Pickering)發現她們除了勤奮聰明還能大幅降低預算壓力。在一次史無前例的星體清點作業中,皮克林僱用超過八十位女性處理大量圖片,最終數量高達五十萬份。有些人將這群女性稱為「皮克林的計算機」,但更常見的諢名是「皮克林的後宮」。

一開始沙普利也期望佩恩幫忙利用照片來對星體進行分類和編目,但她才第一個獨立研究就急於解決劍橋教授提出的大哉問。當時人類對宇宙的理解有個顯而易見的盲點:星星是由什麼構成的?

當時的人們還不知道,星星是由什麼構成的。圖 / unsplash

科學家已經掌握部分答案。除了拍攝恆星,哈佛天文學家還會記錄玻璃底片上的光譜。光譜提供線索,可以判斷星星含有何種元素。星體發出的光包含各種顏色,但元素周期表中每個元素會吸收一組特定波長。換句話說,飄浮在星體大氣層的元素原子會在星光到達地球前吸收特定波長的光。天文學家觀察星體光譜的水平面會發現波長缺失部分出現細黑線,從這些黑線就能推測出光線被什麼元素吸收了。可以說感光玻璃板留下了指紋光譜、宇宙條碼,結論是星星含有許多地球上能找到的元素,例如鐵、氧、矽、氫。

隨之而來的問題是光譜模式有異常,想要詮釋並不容易。儘管玻璃底片能告訴科學家星星包含什麼元素,卻無法有效判斷各元素的份量。

-----廣告,請繼續往下閱讀-----

星星的祕密:她用光譜解開宇宙的指紋

儘管如此,天文學家卻認為自己已經知道答案是恆星和行星必定由相同物質構成。當時許多人認為行星是另一顆恆星經過時從太陽拉出大團熱氣體之後凝固而成,因此地球與太陽必然成分相近。就連恆星研究龍頭亨利.諾里斯.羅素也信心滿滿,他相信太陽就像地球有個巨大鐵核心,如果將地球地殼加熱到太陽的溫度就會散發出幾乎一模一樣的光譜。

這正是佩恩想研究的問題。她意圖藉由底片確認恆星中各種元素的比例,並提議採納最新的前沿理論:遠在加爾各答的傑出天體物理學家梅納德.薩哈(Meghnad Saha)指出新的量子力學理論中,電子只能在特定軌道圍繞原子核旋轉,能量越高就必須離原子核越遠。據此出發,薩哈認為恆星溫度各有不同,即使原子是相同元素,其中電子也很可能處於不同路徑(若是最高溫的恆星,原子還可能直接失去電子)。這些變化導致相同原子會吸收光線中的不同波長組合,混淆人類對星星光譜的理解。

工程浩大,但佩恩不畏挑戰,將薩哈方程式應用於哈佛的龐大底片館藏。哈佛天文臺也只有她具備足夠的量子理論知識能完成這項工作。[40]

佩恩辦公室位於紅磚大樓三樓,裡頭堆滿了底片。她不舍晝夜努力分析,數萬筆恆星光譜看得人眼花繚亂。底片至今仍保存在同一棟大樓,只是外面護膜泛黃了。曾經接受佩恩指導的天文學家歐文.金杰里奇(Owen Gingerich)拿了一張給我看過,上面的黑色帶狀紋路每條約四分之一英寸寬(約零點六公分),裡頭交織亮度不一的模糊細線,必須拿放大鏡才能判讀。「單純這樣看想必一頭霧水,」金杰里奇解釋:「但其實有一套辨識的系統,只要日復一日觀察就能跟它們變成朋友。」我盯著那些線條直呼不可思議。

-----廣告,請繼續往下閱讀-----

天文臺臺長沙普利偶爾在夜裡經過那間辦公室,發現佩恩邊抽菸邊端詳底片,絞盡腦汁在模糊線條裡辨認出模式、與計算結果做對照。她自己也寫下:「我日以繼夜研究,時常處在疲憊崩潰的邊緣。」研究計畫從幾個月延長到將近一年,期間只能以「霧裡看花」形容,但皇天不負苦心人,佩恩運用薩哈方程式之後得到出乎意料的結果。

論文初稿中她大膽宣稱:儘管大家相信恆星與地球成分應該相同,但事實並非如此。恆星中幾乎沒有地球上最常見的元素如鐵、矽、氧、鋁。反之,每顆恆星有百分之九十八是氫和氦,而且太陽的氫比地球多一百萬倍。

太奇怪了,與她在劍橋所學不符,也與老師們對地球形成的理解不一致。「佩恩小姐?你很勇敢」,物理學家艾爾弗雷德.福勒(Alfred Fowler)這樣對她說。沙普利臺長很得意地將佩恩的論文草稿寄給自己以前的指導教授、普林斯頓大學著名天文學家亨利.諾里斯.羅素。

哈佛大學最優秀的人也被迫低頭

羅素回信以高度讚揚夾帶了強烈警語:他認為佩恩的主張,也就是星星幾乎完全由氫和氦組成,「顯然是不可能的」。否定這種說法的理由很充分,其中之一在於他們為何認為太陽中含有大量的鐵。太陽光譜中代表鐵的線條比其他元素更多,而且許多隕石也由鐵構成、地球的核心同樣充滿鐵。在羅素看來,種種現象指向任何天體都含有大量的鐵。

-----廣告,請繼續往下閱讀-----

一邊是研究所學生,另一邊在學界已經聲譽卓著,佩恩自然接受了對方觀點,或者應該說她感覺自己不得不從,回憶時提到:「年輕科學家有沒有前途就看對方一句話。」於是她在論文加上一句前提,表示這部分結論「幾乎肯定不真實」。據佩恩的女兒告訴作家唐納文.摩爾(Donovan Moore),她一生都為這個決定感到遺憾,因為不出幾年量子理論進步了、其他人也透過其他方法得出同樣結論,羅素又回頭肯定了佩恩的發現。

後來很長一段時間裡,大家認為她寫出了天文學史上最傑出的博士論文。著名天文學家愛德溫.哈伯稱她為「哈佛大學最優秀的人(man)」。即便如此,佩恩在哈佛大學內部升遷卻花了很長時間,講座有非常多年沒被列入哈佛的課程目錄。原因出在校長勞倫斯.羅威爾(Lawrence Lowell)強烈排斥女性進入教職一事,還發誓有生之年絕不錄用,所以拖到一九五六年,羅威爾去世非常久以後,佩恩才終於當上教授。

她的發現改變人類對恆星運作的理解。確定恆星主要由氫和氦組成,研究人員得以解決另一個長期未解的謎團:星星以什麼作為燃料?他們發現恆星內部壓力極大,單質子的氫原子融合形成雙質子的氦原子時會釋放能量,太陽就以這種方式產生光和熱。也由於佩恩的貢獻與對恆星的新知識,學界終於有機會揭開重元素誕生的祕密,答案就在星星裡。

——本文摘自《你的身體怎麼來的?從大霹靂到昨日晚餐,解密人體原子的故事》,2025 年 01 月,商周出版,未經同意請勿轉載。

-----廣告,請繼續往下閱讀-----
-----廣告,請繼續往下閱讀-----

討論功能關閉中。

商周出版_96
120 篇文章 ・ 362 位粉絲
閱讀商周,一手掌握趨勢,感受愜意生活!商周出版為專業的商業書籍出版公司,期望為社會推動基礎商業知識和教育。