【Gene思書齋】運用量子生物學解開生命之謎

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

即使再怎麼模仿，AI 終究無法以與生物相同的方式思考吧？畢竟電腦的電子元件和我們大腦中的神經細胞結構截然不同。再怎麼模仿，AI 終究無法以與生物相同的方式思考吧？

錯，可以。

2024 年諾貝爾物理學獎跌破所有專家的眼鏡，頒給了兩位研究機器學習的科學家——約翰·霍普菲爾德（John Hopfield）和傑佛瑞·辛頓（Geoffrey Hinton）。他們以「人工」的方法打造了類神經網路，最終模擬出生物的「智慧」，奠定了當代深度學習的基礎。

為什麼解決人工智慧發展瓶頸的，竟然會是物理學？物理要怎麼讓 AI 更像人類？

從巴甫洛夫的狗到赫布理論：理解學習的基礎

為了解答這個疑問，我們需要一些背景知識。

20 世紀初，俄羅斯心理學家巴甫洛夫發現，狗在食物還沒入口前，就會開始分泌唾液。他進行了一系列實驗，改變食物出現前的環境，比如讓狗習慣在聽到鈴聲後馬上得到食物。久而久之，狗只要聽到鈴聲，就會開始分泌唾液。

大約 50 年後，神經科學家赫布（Donald Hebb）提出了一個假說：大腦中相近的神經元，因為經常同時放電，會產生更強的連結。這種解釋稱為「赫布理論」，不僅奠定了神經心理學的發展，更成為現代深度學習的基礎。

然而，赫布理論雖然描述了鄰近神經元的關係，卻無法解釋大腦如何建構出如此複雜的聯想網路。

霍普菲爾德網路：物理學家對神經網路的貢獻

然而，赫布理論雖能描述神經元之間的關係，卻缺乏數學模型。物理學家約翰·霍普菲爾德從數學家約翰·康威（John Conway）的「生命遊戲」（Game of Life）中獲得靈感，試圖建立一個可以在電腦上運行的記憶系統。

「生命遊戲」由數學家康威（John Conway）發明，玩家開始時有一個棋盤，每個格子代表一個細胞，細胞可以是「活」或「死」的狀態。根據特定規則，細胞會根據鄰居的狀態決定下一次的生存狀態。康威的目的是展示複雜的系統不一定需要複雜的規則。

霍普菲爾德發現，這個遊戲與赫布理論有強大的關聯性。大腦中的大量神經元，在出生時處於初始狀態，經過刺激後，神經元間的連結會產生或斷裂，形成強大的記憶系統。他希望利用這些理論，創造一個能在電腦上運行的記憶系統。

然而，他面臨一個難題：赫布理論沒有明確的數學模型來決定神經元連結的規則。而在電腦上運行，必須要有明確的數學規則。

物理學的啟發：易辛模型

霍普菲爾德從物理學的研究中找到了類似的模型：易辛模型（Ising Model）。這個模型用於解釋鐵磁性物質的磁性特性。

在鐵磁性物質中，電子具有「自旋」，自旋產生磁矩。電子的自旋方向只有「向上」或「向下」，這就像生命遊戲中細胞的「生」或「死」。鄰近的電子會影響彼此的自旋方向，類似於細胞之間的互動。

易辛模型能用數學描述電子間的相互影響，並通過計算系統能量，得出自旋狀態的分佈。霍普菲爾德借用了這個概念，將神經元的互動視為電子自旋的互動。

他結合了康威生命遊戲的時間演化概念、易辛模型的能量計算，以及赫布理論的動態連結，創造了「霍普菲爾德網路」。這讓電腦能夠模擬生物大腦的學習過程。

突破瓶頸：辛頓與波茲曼機

然而，霍普菲爾德網路並非完美。它容易陷入「局部最小值」的問題，無法找到系統的全局最優解。為了解決這個問題，加拿大計算機科學家傑佛瑞·辛頓（Geoffrey Hinton）提出了「波茲曼機」（Boltzmann Machine）。

辛頓將「模擬退火」的概念引入神經網路，允許系統以一定的機率跳出局部最小值，尋找全局最優解。他還引入了「隱藏層」的概念，將神經元分為「可見層」和「隱藏層」，提高了網路的學習能力。

受限波茲曼機（Restricted Boltzmann Machine）進一步簡化了模型，成為深度學習的基礎結構之一。這些創新使得 AI 能夠更有效地模擬人類的思維和學習過程。

AI 的未來：跨學科的融合

霍普菲爾德和辛頓的工作，將物理學的概念成功應用於人工智慧。他們的研究不僅解決了 AI 發展的瓶頸，還奠定了深度學習的基礎，對現代 AI 技術產生了深遠的影響。因此，2024 年諾貝爾物理學獎頒給他們，並非意外，而是對他們在跨學科領域的重大貢獻的肯定。

AI 的發展，離不開物理學、生物學、數學等多學科的融合。霍普菲爾德和辛頓的工作，正是這種融合的典範。未來，隨著科學技術的進步，我們有理由相信，AI 將越來越接近人類的思維方式，甚至可能超越我們的想像。

老實說，當我一看到「量子生物學」這名詞時，我還以為又是詐騙 XD

怎麼說呢？量子力學，本來就是個乍看之下很玄的學科，因為有大多觀念和事實是完全違反日常直覺而匪夷所思的，而真的有接觸過量子力學的人又不多，這就給了許多偽科學的倡導者一個好機會，胡亂把量子力學的專有名詞套在一堆超能力、氣場、靈魂、心靈感應等的解釋上，甚至還自創各種似是而非的名詞，所有的亂入又完全沒有任何科學根據，叫嚴謹的科學工作者感到非常反感。

可是一讀了這本認真討論量子生物學的好書《解開生命之謎：運用量子生物學，揭開生命起源與真相的前衛科學》（Life on the Edge: The Coming of Age of Quantum Biology），卻真是令人腦洞大開！《解開生命之謎》作者吉姆．艾爾—卡利里（ Jim Al-Khalili ）和約翰喬伊．麥克法登（ Johnjoe McFadden ），一位是貨真價實的量子物理學家，一位是位分子遺傳學家。艾爾 — 卡利里同時也是位著名的科普作家，著有暢銷科普好書《悖論：破解科學史上最複雜的九大謎團》（Paradox: The Nine Greatest Enigmas in Science）。

《解開生命之謎》這本好書由學術和科普都有卓越貢獻的兩位科學家來探討，是不可多得的優異作品，不僅生動有趣，連學界人士相信都能從中有不少收獲；因為這是本為生物學家推介量子力學的概念的科普好書，《解開生命之謎》 當然也能當作所有對量子力學感興趣的朋友的最佳參考書，無論對生物學感不感興趣。

神秘又基礎的量子力學

量子力學，是現代物理學和化學的基礎，也是電子、電機、材料、化工等工程學科的基礎，所以這本好書不僅生命科學家讀起來會腦洞大開，相信物理學家、化學家和工師學家等等來讀，也能激發出許多跨領域研究的好靈感！

雖然我不是物理學家，可是大學上普通物理和物理化學時，一定需要學習量子力學的一些基礎，尤其是原子結構等等。對我們這些非物理學家，修習量子力學的部分，常常是需要頗多腦力的，因為量子的世界實在太過詭異。

例如光為何是波又能是粒子？為何粒子能夠同時出現在不同地方？粒子為何能夠穿透障礙？為何基本粒子能夠隔空傳遞能量？總之，量子力學有許多玄妙之處。儘管看似玄妙，這些理論背後，都有堅實的數學基礎，以及紮實的實驗結果，並不是科學家純粹的天馬行空！在數學、實驗及想象力之間達成完美的平衡，讓科學成為最令人著迷和引人入勝的偉大心智活動！

儘管過去有許多物理學家參與推動分子生物學的革命，量子力學似乎就和生物學較不相關。既然這本《解開生命之謎》 探討的是量子生物學，那麼生命系統卻和量子力學有何相關呢？偶爾我們會學到一些量子力學在生醫研究或檢驗上的應用，例如正電子發射計算機斷層掃描（Positron emission tomography，簡稱 PET），或者螢光共振能量轉移（Förster resonance energy transfer, fluorescence resonance energy transfer(FRET)）在 DNA 定序新技術上的應用等等。

量子力學是研究微觀世界的粒子，我們很清楚，在我們熟知的世界裡頭，熱力學和古典力學就足以解釋我們生活中遇到的幾乎所有現象了！如果基本粒子是物理的基礎，那為我們不能像基本粒子那樣穿牆或同時出現在不同地方？原因是因為在我們認知的世界尺度中，有量子的相干性，把量子的效應抵消，熱力學的作用遠大過量子力學的效應。

量子力學如何應用於生物學？

不僅是生物學家難以想像量子力學在生物系統上的應用，恐怕許多對生命科感到非常有興趣的物理學家或化學家，大多不知量子力學能夠用來理解生物系統的現象吧？可是《解開生命之謎》這本由一流的物理學家和分子遺傳學家所寫的好書，就提出許多實例，指出量子力學確實能用來理解一些有趣的生物現象，而且比許多其他理論的預測更精準。這整本書談到的，絕對是最嚴謹的科學，比一堆實際壓根兒不懂量子力學的神棍，卻亂用量子力學來招搖撞騙來強行解釋氣場、靈魂、心靈感應等等怪力亂神的東西，還有趣多了！

有些生物能夠感應地球磁場，是廣為大家所知的，我碩士班時就是研究蜜蜂磁場感應的，和物理系的同學一起合作，用磁力顯微鏡和電子順磁共振的方法，分析蜜蜂腹部細胞內的磁鐵奈米顆粒的物理性質。《解開生命之謎》也解釋了有些動物如何感應地球的磁場，使用的居然是量子力學的性質。

像是酵素活性、嗅覺、光合作用是生物化學和分子生物學教科書都會詳述的，真沒想到原來它們也都和量子力學有關。例如嗅覺，有些化學結構相似分子，聞起來卻不太相同，可是相反的有些化學結構看似差異不小的分子，聞起來卻很相似，古典理論對這的解釋仍有不足，於是有科學家提出用量子振動理論來解釋，振動頻率接近的分子，聞起來相似，這補足了古典理論無法解釋之處；酵素的活性，卻能夠用量子穿隧效應來解釋，為何酵素能夠降低反應所需的能量；在光合作用中，被光子激發的電子，需要快速地在幾個分子中流到抵達反應中心，這很難用隨機漫步解釋光合作用的高效率，可是用量子力學提出的激子同時經由不同路徑到達反應中心，卻能夠更好地解釋光合作用的高效率。

這些對生命現象更好的解釋，正是物理學和生物學跨領域結合的最佳範例！在將近廿年前，我選擇到清華大學唸生命科學系，也就是我剛就職任教的科系，目標很明確，就是要學習現代生物學。而現代生物學的方法和觀念，並非完全由生物學家建立的，而是由物理學家、化學家、數學家等等其他自然科學家所一同奠定的。清華生科有一半的教授，大學部是非生命科學相關科系出身的，而是主修物理、化學或化工等科系的，這也是清華生科相較其他大學的生物系或生命科學系最特別的一點，跨領域地研究生命科學，更是令我們驕傲的一點。我們大一時，普通物理的上下學期各有四學分，比工學院一些科系上下學期各三學分還多，同時我們也需要修習有機化學和物理化學。

物理化學跨領域合作，破解生命奧秘

雖然如果不讀《解開生命之謎》，還真不知量子力學在生物學上是有應用價值的，可是量子力學之父薛丁格（Erwin Schrodinger，1887－1961）的經典著作《生命是什麼？》（What is Life?），這本演講稿集，旨在引介與探討生命物質的物理基礎，激發了許多物理學家和生物學家。催生了 DNA 結構的發生，並導致分子生物學的誕生，這是一段佳話。

物理學家和化學家一同加入破解生命的奧秘而創立分子生物學的歷史，在非常知名的分子生物學歷史學者賈德森（Horace Freeland Judson，1931－2011）的巨著《創世第八天》（The Eighth Day of Creation: Makers of the Revolution in Biology） 中，有很詳盡的描述。這部巨著有繁體中文版的三部曲：《創世第八天：二十世紀分子生物學革命首部曲 DNA》、《創世第八天：二十世紀分子生物學革命二部曲 RNA》和《創世第八天：二十世紀分子生物學革命三部曲 蛋白質》。

如果《創世第八天》探討的是分子生物學的過去，《解開生命之謎》談的就是分子生物學的未來。由這些探討科學史和科學的未來的好書，我們能夠很清楚的得知，跨領域的學習和合作是能夠產生一加一大於二的效果的！未來理工科系的大學生跨科系選修課程，以及研究生和科學家跨科系尋求合作，將會是很有效益的工作。

《解開生命之謎》提到的，相信一定是冰山一角而已，未來分子生物學和量子力學的雙劍合璧的量子生物學相信會產生更多有趣且紮實的研究，甚至量子生物學也會成為許多大學會開設的課程，在這天的到來前，我們先來用《解開生命之謎》來嘗個鮮吧！

本文原刊登於 The Sky of Gene。

在這個充滿光與生命的宇宙中，我們的存在其實與一種看不見的力量密切相關，那就是量子力學。沒有量子力學，太陽將不會發光，地球上的生命將無法誕生，甚至整個宇宙的運行規則都會截然不同。這些微觀層次的奧秘深深影響了我們日常生活的方方面面。

其中，量子穿隧效應是一個看似違背直覺但至關重要的現象，從太陽的核融合反應到基因的突變，這種效應無處不在，甚至還牽動著當今的高科技產業。

什麼是量子穿隧效應？

我們可以將量子穿隧效應比作一個奇妙的穿牆術。想像一下，你身處一個被高牆包圍的城市，牆外是未知的世界。通常，如果你要越過這道牆，需要極大的力量來翻越它，或者用工具打破它。然而，在量子的世界裡，情況並不如此。

在微觀的量子力學世界中，粒子同時具有波的特性，這意味著它們並不完全受限於傳統物理的規則。當一個微觀粒子遇到能量障礙時，即使它沒有足夠的能量直接穿過障礙，卻仍有一定機率能出現在障礙的另一邊，這就是「量子穿隧效應」。粒子彷彿直接在牆上挖了一條隧道，然後穿越過去。

這聽起來像魔法，但它背後有深刻的物理學道理。這個現象的發生取決於量子粒子的波動性質以及能量障礙的高度和寬度。如果障礙較矮且較窄，粒子穿隧的機率就較高；反之，障礙越高或越寬，穿隧的機率則會降低。

太陽發光：核融合與量子穿隧效應的結合

量子穿隧效應的存在，讓我們能夠理解恆星如何持續發光。以太陽為例，太陽內部的高溫環境為核融合反應提供了所需的能量。在這個過程中，氫原子核（質子）需要克服極大的電磁排斥力，才能彼此靠近，進而融合成為氦原子核。

然而，單靠溫度提供的能量並不足以讓所有質子進行核融合。根據科學家的計算，只有約10的 434 次方個質子中，才有一對具備足夠的能量進行核融合。這是一個極小的機率。如果沒有量子穿隧效應，這種反應幾乎不可能發生。

幸好，量子穿隧效應在這裡發揮了關鍵作用。由於量子粒子具有波動性，即便質子沒有足夠的能量直接跨越能量障礙，它們仍然能透過穿隧效應，以一定機率克服電磁排斥力，完成核融合反應。這就是為什麼太陽內部的核融合能夠源源不斷地發生，並且持續產生光與熱，讓地球成為適合生命生存的家園。

量子穿隧效應與生命的演化

除了恆星的發光之外，量子穿隧效應還對生命的誕生和演化起到了關鍵作用。地球上物種的多樣性，很大一部分源於基因突變，而量子穿隧效應則幫助了這一過程。

DNA 分子是攜帶遺傳訊息的載體，但它的結構並不穩定，容易在外界因素影響下發生變異。然而，即使沒有外界因素的干擾，科學家發現 DNA 仍會自發性地發生「點突變」，這是一種單一核苷酸替換另一種核苷酸的突變形式。

量子穿隧效應讓氫原子隨時可能在 DNA 結構中進行位置轉換，從而導致鹼基對的錯位，這在 DNA 複製過程中，可能會引發突變。這些突變若保留下來，就會傳遞給下一代，最終豐富了基因與物種的多樣性。

半導體技術中的量子穿隧效應

除了在宇宙和生命中發揮作用，量子穿隧效應還影響著我們的日常生活，尤其在現代科技中。隨著半導體技術的發展，電子設備的體積不斷縮小，這也讓電子元件的性能面臨更大的挑戰。

在微小的電子元件中，量子穿隧效應會導致電子穿過元件中的障礙，產生不必要的漏電流。這種現象對電晶體的性能帶來了負面影響，因此設計師們需要找到方法來減少穿隧效應的發生，以確保元件的穩定性。

雖然這是我們不希望見到的量子效應，但它再次證明了量子力學在我們生活中的深遠影響。設計更有效的半導體元件，必須考慮到量子穿隧效應，這讓科學家與工程師們需要不斷創新。

量子力學是我們宇宙的隱藏力量

量子穿隧效應看似深奧難懂，但它對宇宙的運作和生命的誕生至關重要。從太陽的核融合反應到基因突變，甚至現代科技中的半導體設計，量子力學影響著我們生活的方方面面。

在這個充滿未知的微觀世界裡，量子現象帶來的影響是我們難以想像的。正是這些看似不可思議的現象，塑造了我們的宇宙，讓生命得以誕生，科技得以發展。當我們仰望星空時，別忘了，那閃耀的光芒，背後藏著的是量子力學的奇妙力量。