【Gene思書齋】運用量子生物學解開生命之謎

本文與 PAMO車禍線上律師 合作，泛科學企劃執行

走在台灣的街頭，你是否發現馬路變得越來越「急躁」？滿街穿梭的外送員、分秒必爭的多元計程車，為了拚單量與獎金，每個人都在跟時間賽跑 。與此同時，拜經濟發展所賜，路上的豪車也變多了 。

這場關於速度與金錢的博弈，讓車禍不再只是一場意外，更是一場複雜的經濟算計。PAMO 車禍線上律師施尚宏律師在接受《思想實驗室 video podcast》訪談時指出，我們正處於一個交通生態的轉折點，當「把車當生財工具」的職業駕駛，撞上了「將車視為珍貴資產」的豪車車主，傳統的理賠邏輯往往會失靈 。

在「停工即停薪」（有跑才有錢，沒跑就沒收入）的零工經濟時代，如果運氣不好遇上車禍，我們該如何證明自己的時間價值？又該如何在保險無法覆蓋的灰色地帶中全身而退？

薪資證明的難題：零工經濟者的「隱形損失」

過去處理車禍理賠，邏輯相對單純：拿出公司的薪資單或扣繳憑單，計算這幾個月的平均薪資，就能算出因傷停工的「薪資損失」。

但在零工經濟時代，這套邏輯卡關了！施尚宏律師指出，許多外送員、自由接案者或是工地打工者，他們的收入往往是領現金，或者分散在多個不同的 App 平台中 。更麻煩的是，零工經濟的特性是「高度變動」，上個月可能拚了 7 萬，這個月休息可能只有 0 元，導致「平均收入」難以定義 。

這時候，律師的角色就不只是法條的背誦者，更像是一名「翻譯」。

施律師解釋「PAMO車禍線上律師的工作是把外送員口中零散的『跑單損失』，轉譯成法官或保險公司聽得懂的法律語言。」 這包括將不同平台（如 Uber、台灣大車隊）的流水帳整合，或是找出過往的接單紀錄來證明當事人的「勞動能力」。即使當下沒有收入（例如學生開學期間），只要能證明過往的接單能力與紀錄，在談判桌上就有籌碼要求合理的「勞動力減損賠償 」。

300 萬張罰單背後的僥倖：你的直覺，正在害死你

根據警政署統計，台灣交通違規的第一名常年是「違規停車」，一年可以開出約 300 萬張罰單 。這龐大的數字背後，藏著兩個台灣駕駛人最容易誤判的「直覺陷阱」。

陷阱 A：我在紅線違停，人還在車上，沒撞到也要負責？ 許多人認為：「我人就在車上，車子也沒動，甚至是熄火狀態。結果一台機車為了閃避我，自己操作不當摔倒了，這關我什麼事？」

施律師警告，這是一個致命的陷阱。「人在車上」或「車子沒動」在法律上並不是免死金牌 。法律看重的是「因果關係」。只要你的違停行為阻礙了視線或壓縮了車道，導致後方車輛必須閃避而發生事故，你就可能必須背負民事賠償責任，甚至揹上「過失傷害」的刑責 。 

數據會說話： 台灣每年約有 700 件車禍是直接因違規停車導致的 。這 300 萬張罰單背後的僥倖心態，其巨大的代價可能是人命。

陷阱 B：變換車道沒擦撞，對方自己嚇到摔車也算我的？ 另一個常年霸榜的肇事原因是「變換車道不當」 。如果你切換車道時，後方騎士因為嚇到而摔車，但你感覺車身「沒震動、沒碰撞」，能不能直接開走？

答案是：絕對不行。

施律師強調，車禍不以「碰撞」為前提 。只要你的駕駛行為與對方的事故有因果關係，你若直接離開現場，在法律上就構成了「肇事逃逸」。這是一條公訴罪，後果遠比你想像的嚴重。正確的做法永遠是：停下來報警，釐清責任，並保留行車記錄器自保 。

保險不夠賠？豪車時代的「超額算計」

另一個現代駕駛的惡夢，是撞到豪車。這不僅是因為修車費貴，更因為衍生出的「代步費用」驚人。

施律師舉例，過去撞到車，只要把車修好就沒事。但現在如果撞到一台 BMW 320，車主可能會主張修車的 8 天期間，他需要租一台同等級的 BMW 320 來代步 。以一天租金 4000 元計算，光是代步費就多了 3 萬多塊 。這時候，一般人會發現「全險」竟然不夠用。為什麼？

因為保險公司承擔的是「合理的賠償責任」，他們有內部的數據庫，只願意賠償一般行情的修車費或代步費 。但對方車主可能不這麼想，為了拿到這筆額外的錢，對方可能會採取「以刑逼民」的策略：提告過失傷害，利用刑事訴訟的壓力（背上前科的恐懼），迫使你自掏腰包補足保險公司不願賠償的差額 。

這就是為什麼在全險之外，駕駛人仍需要懂得談判策略，或考慮尋求律師協助，在保險公司與對方的漫天喊價之間，找到一個停損點 。

談判桌的最佳姿態：「溫柔而堅定」最有效？

除了有單據的財損，車禍中最難談判的往往是「精神慰撫金」。施律師直言，這在法律上沒有公式，甚至有點像「開獎」，高度依賴法官的自由心證 。

雖然保險公司內部有一套簡單的算法（例如醫療費用的 2 到 5 倍），但到了法院，法官會考量雙方的社會地位、傷勢嚴重程度 。在缺乏標準公式的情況下，正確的「態度」能幫您起到加分效果。

施律師建議，在談判桌上最好的姿態是「溫柔而堅定」。有些人會試圖「扮窮」或「裝兇」，這通常會有反效果。特別是面對看過無數案件的保險理賠員，裝兇只會讓對方心裡想著：「進了法院我保證你一毛都拿不到，準備看你笑話」。

相反地，如果你能客氣地溝通，但手中握有完整的接單紀錄、醫療單據，清楚知道自己的底線與權益，這種「堅定」反而能讓談判對手買單，甚至在證明不足的情況下（如外送員的開學期間收入），更願意採信你的主張 。

車禍不只是一場意外，它是認知、情緒、金錢與法律邏輯的總和 。

在這個交通環境日益複雜的時代，無論你是為了生計奔波的職業駕駛，還是天天上路的通勤族，光靠保險或許已經不夠。大部分的車禍其實都是小案子，可能只是賠償 2000 元的輕微擦撞，或是責任不明的糾紛。為了這點錢，要花幾萬塊請律師打官司絕對「不划算」。但當事人往往會因為資訊落差，恐懼於「會不會被告肇逃？」、「會不會留案底？」、「賠償多少才合理？」而整夜睡不著覺 。

PAMO看準了這個「焦慮商機」， 推出了一種顛覆傳統的解決方案——「年費 1200 元的訂閱制法律服務 」。

這就像是「法律界的 Netflix」或「汽車強制險」的概念。PAMO 的核心邏輯不是「代打」，而是「賦能」。不同於傳統律師收費高昂，PAMO 提倡的是「大腦武裝」，當車禍發生時，線上律師團提供策略，教你怎麼做筆錄、怎麼蒐證、怎麼判斷對方開價合不合理等。

施律師表示，他們的目標是讓客戶在面對不確定的風險時，背後有個軍師，能安心地睡個好覺 。平時保留好收入證明、發生事故時懂得不亂說話、與各方談判時掌握對應策略 。

從違停的陷阱到訂閱制的解方，我們正處於交通與法律的轉型期。未來，挑戰將更加嚴峻。

當 AI 與自駕車（Level 4/5）真正上路，一旦發生事故，責任主體將從「駕駛人」轉向「車廠」或「演算法系統」 。屆時，誰該負責？怎麼舉證？

但在那天來臨之前，面對馬路上的豪車、零工騎士與法律陷阱，你選擇相信運氣，還是相信策略？ 先「武裝好自己的大腦」，或許才是現代駕駛人最明智的保險。

PAMO車禍線上律師官網：https://pse.is/8juv6k 

本文轉載自顯微觀點

在古典科學觀念中，材料在物理學上的內含性質（intensive property）就如同它們的指紋，足以辨識材料成分的身分、本質，不會因材料大小、形狀而改變。但是 21 世紀的科學家卻發現，將材料剝離分解到無法更薄、僅剩 1 層原子厚的二維平面，竟會出現超導體、超流體、活躍強健的激子等奇特現象，與原本的物理性質大異其趣。

這種新興的「二維材料（2-dimensional materials）」物理不僅召喚著科學家的濃厚好奇心，也具備科技創新的潛力。要探究二維材料這些超越既有材料科學認知的神祕特性，就要從量子世界中的電子行為「能帶理論」談起。

決定材料性質的電子能帶

能帶理論（Energy Band Theory）是以高低不同的「能量帶」空間觀念，對晶體中的電子行為進行解讀：電子平時處於能量較低的價電子帶（亦稱價帶，covalence band）。此能帶的電子受到原子核束縛，不能自由運動，且許多電子塞滿其中，沒有流動空間，因此價帶中的電子不能導電。

若從外來光子獲得足夠能量，電子會躍升到傳導帶（亦稱導帶, conduction band），在此空間充沛的能帶，電子能夠自由移動，在外部電場的作用下形成電流、展現出導電性。

導帶、價帶之間的能量帶稱為「能隙（band gap）」，是電子無法停留的能帶位階，不同種類晶體的能隙大小不同，電子由價帶升往導帶的難易度因此相異。若價帶電子得到的外來能量並未超過能隙大小，就沒辦法升往導帶。

金屬晶體具有極小的能隙，某些金屬的導帶與價帶甚至重疊，因此電子可以輕易進入導帶，展現出良好導電性。而絕緣體的能隙極大，電子難以躍升到導帶，因此困在價帶，無法導電。半導體介於金屬與絕緣體之間，在適當的能量激發或能隙調整下，就能展現導電性，人類得以調控電訊號。

備受眾望的石墨烯，終究因為其沒有電子能隙、導電性過佳，難以成為實用的半導體材料。但是另一種二維材料：過渡金屬二硫族化物（Transition Metal Dichalcogenides, TMD）卻展現出了可調控的導電性，讓半導體產業界的希望之火繼續燃燒，也為物理學界展開寬闊的未知境地。

未來的超級材料：TMD

TMD二維材料的大型原子之間具有原子核、電子的相互作用，產生一般材料罕見的超導特性與巨磁阻，成為具備高潛力的半導體材料。從上方觀察，TMD如石墨烯一般形成六角形晶格平面，但從側面看，會發現上下兩層硫族原子將金屬原子夾在中央，猶如一個原子三明治。

在TMD的原子三明治菜單上，二碲化鎢（WTe₂）、二硫化鉬（MoS₂）、二硫化鎢（WS₂）、二硒化鉬（MoSe₂）、二硒化鎢（WSe₂）等，都是極具潛力的二維層狀半導體材料。

這些潛力TMD與石墨烯相似的不僅是晶格排列模式，同時它們也具有強力的層內共價鍵與薄弱的層間凡德瓦力，這種力量分配讓它們更容易剝離成單層結構。相較之下，其他材料（例如純金屬）通常具備延伸共價鍵或金屬鍵，材料塊不容易層層剝落、難以形成單層二維材料。

TMD 單層分子平面成形之後，電子能帶結構會從原本的間接能隙轉變為直接能隙，使互相吸引的導帶電子與價帶電洞（即為激子）結合時直接放出光子。在間接能隙結構中，激子結合的能量會轉換為熱能，不利於能量或訊號傳輸。單層 TMD 的直接能隙則讓它們在光照之下，可以透過電子活動而激發出螢光，成為光致發光（photoluminescene）的良好材料。

矽或鍺等等電子元件常見材料，在二維狀態下依然保持間接能隙，能量會化為熱能，不會轉換為光。因此 TMD 二維材料取代傳統材料，成為產業界創新光電材料的希望所在。

透過顯微操作，科學家更利用 TMD 的層間凡德瓦力，將不同的 TMD 二維材料疊合、錯位，形成異質結構（Heterostructures），透過材料堆疊位置調整電子能帶，產生如超導體或莫特絕緣體等特殊物理現象。就像在玩奈米尺度的樂高積木，只是成果比樂高更令人驚奇。電子在異質結構中產生的新奇行動模式，有機會應用在量子計算、奈米元件等領域。

此外，TMD 二維材料本質上比石墨烯更加特殊之處，是其中的金屬原子質量較重，導致更強的電子自旋-軌道耦合（Spin-Orbit Coupling, SOC）效應，於是 TMD 在 2 個電子能谷（Energy Valleys）中表現不同的電子特性，使科學家能夠操縱電子的「谷自由度」來進行訊號傳輸（類似1與0的二進位訊號）。

透過不同於傳統半導體的超導、絕緣、谷電子學性質，TMD 二維材料可以提供極快速、低耗能的訊號調控與傳導，在小於奈米的空間中，也能保持訊號精確。此外，由於激子的活動現象，二維材料也更有機會實現利用光子傳輸訊號的計算機元件。

在家裡研究量子物理

提及激子的研究方法，台灣大學人工低維量子材料物理實驗室（Quantum Physics of Artificial Low-dimensional Materials Lab, 又稱 QPALM 實驗室）主持人陳劭宇解釋，雖然量子力學被多數人視為難以捉摸的神秘領域，但製作二維材料的方法卻可以非常貼近日常生活。

陳劭宇說，「我們實驗室最常用來製作二維材料的工具，你一定也用過，就是有名的 Scotch Tape 法。」

Scotch Tape 法又稱機械剝離法（exfoliation）：使用膠帶黏住小塊材料，材塊對面再以膠帶黏貼，接著將兩側膠帶撕開，就會將材料一分為二。如此反覆黏撕，最後出現極為單薄的單層二維材料。這也是當年海姆（A. Geim）與諾沃蕭洛夫（S. Novoselov）將石墨塊製作成單層石墨烯、邁向 2010 年諾貝爾物理學獎的方法。陳劭宇團隊則更進一步，對各種材料塊採用不同的膠帶，以得到最佳的剝離效果。

若你在生活百貨結帳時遇見購買各式膠帶的顧客，除了封箱收納，他也可能是位準備動手研究量子物理的科學家。

得到單層材料之後，科學家透過顯微操作將其放上六方氮硼（h-BN）等基材，再加熱使膠帶與二維材料分離。材料與操作方法相當平易近人，卻可以結合顯微觀察、拉曼光譜等方法從中測得奇妙的量子物理現象。

陳劭宇回憶道，「這是可以自己『在家動手做』的物理研究，在 COVID-19 疫情嚴峻隔離的時候，我們輪班工作、不能持續待在實驗室。只好自己組裝一台顯微鏡，用不同的光線觀察二維材料，竟因此發現某些材料在特定顏色光照射下，才有辦法清晰觀測。」

這個發現雖然尚未發表，但也成為他的實驗秘技之一。而當時「在家動手做量子物理」的研究過程也錄製成影片，作為疫情期間透過網路推廣科學的素材。

在二維材料研究中，材料層數是最重要的數字，而光學顯微鏡就在材料層被剝離後，擔任檢驗的工具。陳劭宇說，不同的材料有各自適合的顯微觀察方式，從常見的穿透光、反射到微分干涉（DIC）顯微術都是他會採用的方法。

確認材料層數之後，便能以光、電與材料互動，或是疊合異質材料，並以顯微鏡或拉曼光譜儀觀測，針對觀測結果進行運算，實驗人員可以得知二維材料的激子束縛能、能量轉換、導電性等物理特質。

例如，因為二維材料的層間空間極小，因此受到激發的電子可能移動到相鄰的異質材料層，而其相應的電洞還停留在原本材料層，電子與電洞在不同材料層互相吸引，形成奇妙的跨層激子（interlayer excitons），產生新穎的電學、光學、磁學現象。

陳邵宇舉例，暗激子的超流體狀態就是其中一種神奇現象。他說，「超導體的節能來自於傳輸電荷時不耗能，而超流體則是粒子移動時不耗能。若能控制超流體狀態的激子，我們就能得到超級節能的元件。」

陳劭宇闡明，超流激子在理論上已被預測，但還沒有人在實驗中成功操縱這項性質。他表示，控制超流激子是物理學界共有的、也是他個人追求的遠大目標之一。二維材料中包含超流體、高效率光電轉換等特質，為未來科技開創了廣大的可能。在陳劭宇等物理學家的持續投入下，我們有機會親眼見到他們利用輕於鴻毛的二維材料，實現宏大的未來科技。

（更多深入淺出的二維材料知識，請看降維展開新宇宙：陳劭宇和激子物理）

參考資料

• Paylaga, N.T., Chou, CT., Lin, CC. et al. Monolayer indium selenide: an indirect bandgap material exhibits efficient brightening of dark excitons. npj 2D Mater Appl 8, 12 (2024).
• 二維量子半導體中的激子物理
• 二維材料：未來科技的新前沿

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。