超高速光學顯微技術，連使出電光一閃的病毒粒子都拍得到！

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

本文轉載自顯微觀點

鎖定薄層 TIRF 顯微鏡成單分子研究關鍵

單分子技術（single-molecule techniques）主要是觀察「個別」分子特性和反應過程；其中，全內角反射螢光顯微鏡（Total Internal Reflection Fluorescence, TIRF）是單分子研究的基礎關鍵技術。

生物研究中，螢光顯微鏡是常見的儀器，利用螢光標記特定的分子。當螢光分子被特定波長的入射光激發，從低能階躍遷至高能階後，掉回原本低階能狀態的過程，便會而釋放出光子，發光成像。

但傳統寬視野螢光顯微鏡會激發整個深度的螢光分子，因此也會同時激發目標區以外的分子而造成雜訊；TIRF 則是利用介質的差異，將照明限制在較淺的深度、約 200 奈米以內，便可有效減少背景訊號。

還記得之前文章曾提過，當光從一種介質傳遞到另一種介質，部分反射，部分因為波速變化而發生折射，例如從水到空氣。

折射角度遵守斯涅耳定律（Snell’s law）：n1 × sinθ1 = n2 × sinθ2

其中，若 n1 折射率較高（光密介質）、n2 折射率較低（光疏介質），光線從 n1 射向 n2。

當入射角 θ1 小於臨界角 θc 時，光線部分往 n2 介質以 θ2 角度折射，部分往 n1 介質以 θ1 角度反射；當入射角 θ1 大於臨界角 θc 時，則沒有折射光線，產生全反射現象。

雖然全反射時，光不會進入第二介質發生折射，但在介面處仍會產生漸逝波（evanescent wave）。漸逝波的頻率與入射光相同，且強度隨與介面的距離增加呈指數衰減，並垂直介面、沿著 z 方向最多達到奈米級的深度。

^{全反射時在介面處仍會產生漸逝波（左圖），TIRF 顯微鏡利用此作為螢光激發光源，將照明限制在較淺的深度（右圖左）。圖片來源：Olympus 官網}

而穿透深度（d） 取決於入射照明的波長（λ）、入射角（θ1）以及介質的折射率（n）。

d = λ/4π × (n1² sin²θ1 – n2²)^-1/2

TIRF 顯微鏡便是利用這樣的漸逝波作為激發光源，激發樣本介面的螢光分子，產生全反射螢光影像。

TIRF 顯微鏡依據光入射路徑，可分為稜鏡型（prism-based） 與物鏡型（objective-based） 兩類。

在稜鏡型 TIRF 中，在樣本另一側使用稜鏡產生全反射，以激發細胞培養基上的螢光生物樣本，不需要特殊物鏡。但稜鏡型 TIRF 為了要達到較高的解析度，接收螢光的物鏡工作距離較短，樣本和物鏡間的空間較小，限制了研究者進一步對樣本進行操作。

物鏡型 TIRF 則是將物鏡除了作為收集螢光信號的鏡頭外，同時也作為發生全反射的稜鏡。入射光從物鏡邊緣射向樣本，並使用高數值孔徑（NA 通常在 1.45 以上）的物鏡實現大於臨界角的入射角，以產生全反射。

樣本與蓋玻片介面處產生漸逝波，激發樣本表面區域的螢光物質，同時以高數值孔徑的同一物鏡收集螢光顯微鏡影像。

理論上，一般光源也可作為全反射螢光顯微鏡的光源，但前面提到穿透深度與波長、入射角及折射率等都有關係，因此常以雷射作為光源。例如中研院單分子生物核心實驗室就以三個常用波長（485、532、640 nm）的雷射作為光源，並自動調節入射光源角度及漸逝波穿透深度。

由於 TIRF 顯微鏡的可觀察深度僅在 200 奈米以內，因此常結合螢光共振能量轉換法（fluorescence resonance energy transfer, FRET）、光鉗（optical tweezer）等技術，大量地應用在蛋白質、細胞膜等研究。而相較於也能鎖定 z 軸光學切面、不會受到太多背景干擾的共軛焦顯微鏡，TIRF 也能以更快速度獲取細胞膜運送物質，如胞吞、胞吐等作用的影像。

中研院單分子生物核心實驗室負責人黃婉媜便曾提到，由於 TIRF 顯微鏡的可觀察深度僅在 200 奈米以內，恰好細胞膜上非常多離子通道和受體以及訊息傳遞分子都位於此深度內，是研究藥物作用及藥物動力學很好的工具。

1. 胡書銘（2008）。全反射螢光顯微術於生物單分子研究的樣品簡易處理。科儀新知，(164)，82-88。
2. 楊德明、林夏玉、蔡定平（2003）。全反射原理及在生物螢光顯微鏡之應用。科儀新知，(133)，67-73。
3. Olympus: Total Internal Reflection Fluorescence Microscopy
4. MICROSCOPY U:Total Internal Reflection Fluorescence (TIRF) Microscopy

查看原始文章

超高速光學顯微鏡，有影片有真相

動體視力對於運動員很重要，而研究移動快速的細胞、病毒、細菌時，為了讓顯微鏡底下的世界看得更快更清楚，中研院原子與分子科學研究所的謝佳龍助研究員，與團隊一起研發每秒可拍五十萬張影像的光學顯微技術，有助科學家在對生物系統造成最小干擾的情況下，直接觀察奈米尺度的活體現象。

超高速光學顯微鏡，追求速度與激清

2014 年諾貝爾化學獎，頒發給「超解析螢光顯微鏡」的發明團隊，當科學家得以在奈米尺度看見生命中最小「元件」運作時，例如細胞、病毒、細菌，就能發現傳統顯微技術無法察覺到的生物現象。看見各領域都想辦法為生物科學、醫學盡一份力，改善人類的健康，電機和光電工程背景的謝佳龍受到啟發。

我一直在尋找有什麼光學技術既簡單又可靠，而且影響力還能超越光學領域。

謝佳龍運用光學專業，改良廣泛使用的傳統明場（brightfield）顯微鏡，和團隊一起研發 COBRI 顯微鏡，可觀察奈米尺度單粒子在三度空間的高速運動。

COBRI 顯微鏡的核心概念是採用雷射作為光源，取代傳統的白熾燈，再透過干涉的方法，偵測線性散射（linear scattering）光訊號。當一個粒子的折射率和周圍環境不同時，在光的照射下便會將部分的光散射，運用這個特性就可以量測被觀察的粒子位於何處、又移到動哪裡。

追蹤拍攝單粒子時，「快狠準」是最重要的。謝佳龍團隊不斷改進顯微鏡的時間和空間解析度，一開始只想做到每秒拍幾千張影像，但慢慢地團隊越來越貪心，不斷試著超越極限。

目前實作中以一個 20 奈米直徑的金粒子為例，每秒可超高速拍攝五十萬張影像，並將金粒子的中心位置做到準確度 2 奈米的定位。

「要是我們可以做到……就好了」每次我向團隊說出更難的提議時，大家會崩潰吶喊「怎麼可能！」，但現在回頭看，過去不可能的事都是有可能的。

什麼東西跑得快？就決定觀察你了，病毒！

超高速光學顯微鏡，開啟許多過去無法進行的單分子生物研究。在中研院分子生物研究所的張雯博士的協助與建議下，謝佳龍團隊著手觀測牛痘病毒顆粒著陸在細胞表面上的高速運動。

生物學家們可以透過實驗了解病毒降落在細胞後會「發生什麼」，但無法直接看到「怎麼發生」，不知道病毒在過程中做了哪些奇怪的行為。

一開始，謝佳龍團隊在實驗室等了一整個下午，病毒都沒有掉到要觀測的細胞樣本上，比向月老求姻緣更難預測病毒降落細胞表面的時機。後來團隊成員黃逸帆想到一個方式突破困境，各位觀眾，請見下圖。

謝佳龍團隊透過超高速光學顯微鏡看見：當牛痘病毒粒子附著到細胞膜之後，一秒內便被侷限在幾百奈米的範圍中，並在微秒時間尺度下，做非常高速的橫向擴散運動（擴散係數〜1μm2/s）。影像紀錄的 3D 空間精準度 <3 nm，時間解析度高達每秒 100,000 幀。

我們看見病毒掉到細胞膜之後，在細胞膜上非常快速的擴散運動（diffusion），短暫地跟一些區域互動，最後找到一個區域停留，這是在我們觀察之前沒有人知道的。

觀測奈米尺度的活體現象，意義是？

以病毒為例，當病毒要入侵宿主細胞時，它如何遊走、它會不會進入細胞，跟病毒如何辨識細胞表面受體很有關連。雖然傳統分子生物實驗方法可以間接推測其關連性，但超高速光學顯微鏡能為整個過程提供第一手直接證據，有畫面有真相。

另外，超高速光學顯微鏡是在對生物系統造成最小干擾的情況下，直接觀察奈米尺度的活體現象，也能協助科學家檢驗傳統螢光標記的觀測方式，有沒有影響活體樣本原本的行為。

每個人都會有夢想，而對於打造出超高速光學顯微鏡的男人而言，謝佳龍希望能應用清楚看見奈米粒子高速運動的特性，協助找出健康問題的解決方案，例如細菌感染、腸病毒、登革熱病毒、或神經細胞的特定狀況。

儘管距離實現夢想還有一段路要走，但是謝佳龍想了想，很有自信地說：

只要朝對的方向走，再慢也會到達目的地。

延伸閱讀

• 謝佳龍的個人網頁
• 奈米生物光學實驗室
• Huang YF, Zhuo GY, Chou CY, Lin CH, Chang W, Hsieh CL*, “Coherent brightfield microscopy provides the spatiotemporal resolution to study early stage viral infection in live cells,” ACS Nano, 11(3), 2575 (2017).
• 〈在顯微鏡下拍一場高速電影：透過慢動作重播窺探生物系統的奈米世界〉

執行編輯｜林婷嫻  美術編輯｜張語辰

本著作由研之有物製作，以創用CC 姓名標示–非商業性–禁止改作 4.0 國際 授權條款釋出。

本文轉載自中央研究院研之有物，泛科學為宣傳推廣執行單位

本文轉載自顯微觀點

顯微鏡在觀察微小物體上發揮非常重要的作用，但傳統光學顯微鏡通常愈將倍率放大，景深就愈淺，在觀察立體的生物標本或是組織切片，觀察者無論怎樣調焦，依然無法獲得完全清晰的圖片。數位顯微鏡便能解決這樣的問題。

數位顯微鏡和光學顯微鏡最大的差異在於觀察方式。數位顯微鏡不像傳統顯微鏡透過目鏡來觀察，而是使用數位相機獲取畫面，再將即時畫面投影到連接的電腦螢幕。

三要件組成數位顯微鏡

數位顯微鏡結合了傳統光學顯微鏡、數位多媒體和數位處理技術，其成像系統通常包括三個模組：顯微鏡光學模組、資料擷取模組、數位影像處理和軟體控制模組。

顯微鏡光學模組執行顯微成像的功能，將欲觀察的樣本影像聚焦。一旦聚焦，資料擷取模組就會將影像以數位格式儲存在感光元件，如 CCD（電荷耦合裝置‍）或 CMOS‍（互補式金氧半導體），再透過 USB 或其他介面傳輸到電腦儲存裝置。

軟體控制模組則是整個數位顯微鏡系統的核心，可即時控制、優化擷取的影像，並加以處理、分析測量。尤其隨著功能更強大的電腦出現，數位顯微影像可以得到更有效和高效的處理，例如可以取代手動計數功能，或是快速推疊或拼接影像。

D_tot 表示景深，λ 是照明光的波長，n 是物鏡至觀察物體間介質的折射率，NA 是物鏡的數值孔徑

e 是放置在顯微鏡物鏡圖像中，可分辨的最小距離，M 是橫向總放大倍率

從公式可以看到，景深和總放大倍率幾乎成反比。而以過去難以同時兼備的高倍率和大景深來說，使用顯微鏡調整焦點，搜尋並到達分佈在不同深度的樣本後，再以數位成像設備捕捉分佈在這些深度的所有清晰影像，傳輸到電腦就能產生高品質、清晰的影像。

另外，也可結合雷射和共軛焦顯微鏡觀察不同深度的橫斷切面影像，再利用電腦影像處理和 3D 重建演算法，便能可以獲得高解析度的立體輪廓，進而觀察複雜的細胞骨架、染色體、細胞器和細胞膜。

數位顯微鏡的電腦即時處理也常應用在動態或活體（in vivo）檢測的研究中，例如細胞膜潛在變化、藥物進入組織或細胞膜的過程等。

數位顯微鏡的倍率計算

傳統顯微鏡的總放大倍率為目鏡倍率 x 物鏡倍率，既然數位顯微鏡拿掉了目鏡改以數位相機、電腦取代，該如何計算總放大倍率呢？

數位顯微鏡除了光學放大倍率，還必須考慮數位放大倍率，因此總放大倍率＝光學放大倍率 x 數位放大倍率

• 光學放大倍率：物鏡放大倍率 x C 型轉接環放大倍率

由於連接顯微鏡和相機通常有一個 C 型轉接環（C-mount），且內建鏡頭。因此必須先將物鏡放大倍率乘以轉接環的放大倍率。

• 數位放大倍率＝螢幕（顯示器）尺寸／感光元件尺寸

數位放大倍率必須考慮的元素有螢幕和感光元件。通常螢幕的對角線尺寸以英吋為單位，因此必須先將測量值轉換為毫米（mm）；以 19 吋顯示器為例，其對角線測量值則為 19 吋 x 25.4＝482.6 （mm）。

感光元件尺寸同樣以對角線的測量值來計算。以 1” 的晶片來說，其對角線測量值為 16（mm）。

因此若以 10X 的物鏡搭配 0.67X 的 C 型轉接環，變焦 5X 後使用 2/3”CMOS 攝錄器拍攝並投影在 24 吋螢幕上。此時總放大倍率為：10 X 0.67 X 5 X 24 X 25.4 / 11 = 1856.5 （倍）

不過，隨著技術的不斷進步，數位顯微鏡和光學顯微鏡間的界限變得越來越模糊，有些數位顯微鏡採用更多光學元件，光學顯微鏡也採用了數位相機技術；相信打破藩籬的那一天指日可待。

查看原始文章

1. Digital vs. Optical Microscopes: An In-Depth Comparison
2. How to Calculate Microscope On-Screen Magnification
3. Chen, X., Zheng, B., & Liu, H. (2011). Optical and digital microscopic imaging techniques and applications in pathology. Analytical cellular pathology (Amsterdam), 34(1-2), 5–18.