就你最特別：富勒烯，發現！｜科學史上的今天：11/14

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

用天然氣發電可以完全沒有二氧化碳排放？這怎麼可能？

2023 年 11 月，台電和中研院共同發表去碳燃氫技術，說是經過處理的天然氣，燃燒後可以不產生二氧化碳。

誒，減碳方式百百種，就是這個聽起來最怪。但仔細研究後，好像還真有這麼一回事。這種能發電，又不產二氧化碳的巫術到底是什麼？大量使用天然氣後，又有哪些隱憂是我們可能沒注意到的？

去碳燃氫是什麼？

去碳燃氫，指的是改良現有的天然氣發電方式，將甲烷天然氣的碳去除，只留下乾淨的氫氣作為燃燒燃料。在介紹去碳燃氫之前，我們想先針對我們的主角天然氣問一個問題。

最近不論台灣、美國或是許多國家，都提升了天然氣發電的比例，但天然氣發電真的有比較好嗎？

好像還真的有。

根據聯合國底下的政府間氣候變化專門委員會 IPCC 的計算報告，若使用火力發電主要使用的煙煤與亞煙煤作為燃料，並以燃燒率百分之百來計算，燃料每釋放一兆焦耳的能量，就會分別產生 94600 公斤和 96100 公斤的二氧化碳排放。

如果將燃料換成天然氣，則大約會產生 56100 公斤的二氧化碳，大約只有燃燒煤炭的六成。這是因為天然氣在化學反應中，不只有碳元素會提供能量，氫元素也會氧化成水並放出能量。

除了碳排較低以外，煤炭這類固體燃料往往含有更多雜質，燃燒時又容易產生更多的懸浮顆粒例如 PM 2.5 ，或是溫室效應的另一主力氧化亞氮（N2O）。具體來說，產生同等能量下，燃燒煤炭產生的氧化亞氮是天然氣的 150 倍。

當然，也別高興這麼早，天然氣本身也是個比二氧化碳更可怕的溫室氣體，一但洩漏問題也不小。關於這點，我們放到本集最後面再來討論。

燃燒天然氣還是會產生二氧化碳？

雖然比較少，但也有燃煤的六成。像是綠能一樣的零碳排發電方式，不才是我們的終極目標嗎？別擔心，為了讓產生的二氧化碳量減到最小，我們可以來改造一下甲烷。

在攝氏 700 至 1100 度的高溫下，甲烷就會和水蒸氣反應，變成一氧化碳和氫氣，稱為蒸汽甲烷重組技術。目前全球的氫氣有 9 成以上，都是用此方式製造的，也就是所謂的「灰氫」。

而產物中的一氧化碳，還可以在銅或鐵的催化下，與水蒸氣進一步進行水煤氣反應，變成二氧化碳與氫氣。最後的產物很純，只有氫氣與二氧化碳，因此此時單獨將二氧化碳分離、封存的效率也會提升不少，也就是我們在介紹碳捕捉時介紹的「燃燒前捕捉」技術。

去碳燃氫又是什麼？

即便我們能將甲烷蒸氣重組，但只要原料中含有碳，那最終還是會產生二氧化碳。那麼，我們把碳去掉不就好了？去碳燃氫，就是要在第一步把甲烷分解為碳和氫氣。這樣氫氣在發電時只會產生水蒸氣，而留下來的碳黑，也就是固態的碳，可以做為其他工業原料使用，提升附加價值。

在氫氣產業鏈中，我們習慣將氫氣的來源做顏色分類。例如前面提到蒸氣重組後得到的氫氣被稱為灰氫，而搭配碳捕捉技術的氫，則稱為藍氫。完全使用綠能得到的氫，例如搭配太陽能或風力發電，將水電解後得到最潔淨的氫，則稱為綠氫。而介於這兩者之間，利用去碳燃氫技術分解不是水而是甲烷所得到的氫，則稱為藍綠氫。

但先不管它叫什麼氫，重點是如果真的不會產生二氧化碳，那我們就確實多了一種潔淨能源可以選擇。這個將甲烷一分為二的技術，聽起來應該也不會太難吧？畢竟連五◯悟都可以一分為二了，甲烷應該也行吧。

甲烷如何去碳？

甲烷要怎麼變成乾淨的氫氣呢？

很簡單，加溫就好了。

只要加溫到高過攝氏 700 度，甲烷就會開始「熱裂解」，鍵結開始被打斷，變成碳與氫氣。

等等等等…為了發電還要耗費能源搞高溫熱裂解，划算嗎？

甲烷裂解確實是一個吸熱反應，也就是需要耗費能量來拆散原本的鍵結。根據反應式，一莫耳甲烷要吸收 74 千焦耳的熱量，才會裂解為一莫耳的碳和兩莫耳的氫氣。但是兩莫耳的氫氣燃燒後，會產生 482 千焦耳的熱量。淨能量產出是 408 焦耳。與此相對，直接燃燒甲烷產生的熱量是 891 千焦耳。

而根據現實環境與設備的情況，中研院與台電推估一公噸的天然氣直接燃燒發電，與先去碳再燃氫的方式相比，發電量分別為 7700 度和 4272 度。雖然因為不燃燒碳，發電量下降了，但也省下了燃燒後捕存的成本。

要怎麼幫甲烷去碳呢？

在近二十幾年內，科學家嘗試使用各種材料作為催化劑，來提升反應效率。最常見的方式，是將特定比例的合金，例如鎳鉍合金，加熱為熔融態。並讓甲烷通過液態的合金，與這些高溫的催化劑產生反應。實驗證實，鎳鉍合金可以在攝氏 1065 度的高溫下，轉化 95% 的甲烷。

中研院在 2021 年 3 月，啟動了「 Alpha 去碳計畫」，進行去碳燃氫的設備開發。但團隊發現，盡管在理論上行得通，但實際上裝置就像是個不受控的火山一樣，熔融金屬與蒸氣挾帶著碳粒形成黏稠流體，不斷從表面冒出，需要不斷暫停實驗來將岩漿撈出去。因此，即便理論上可行，但熔融合金的催化方式，還無法提供給發電機組使用。

去碳燃氫還能有突破嗎？

有趣的是，找了好一大圈，驀然回首，那人卻在燈火闌珊處。

最後大家把目光放到了就在你旁邊，你卻不知道它正在等你的那個催化劑，碳。其實過去就有研究表明碳是一種可行的催化劑。但直到 201 3年，才有韓國團隊，嘗試把碳真的拿來做為去碳燃氫的反應催化劑。

他們在高溫管柱中，裝填了直徑 30 nm 的碳粒。結果發現，在 1,443 K 的高溫下，能達到幾乎 100 % 的甲烷轉化。而且碳本身就是反應的產物之一，因此整個裝置除了碳鋼容器以外，只有碳與氫參與反應，不僅成本低廉，要回收碳黑也變得容易許多。

目前這個裝置需要加緊改良的，就是當碳不斷的積蓄，碳粒顆粒變大，反應會跟著下降。如何有效清除或更換濾網與反應材料，會是能否將此設備放大至工業化規模的關鍵。

最後，我們回頭來談談，在去碳燃氫技術逐漸成熟之後，我們可能需要面對的根本問題。

天然氣是救世主，還是雙面刃？

去碳燃氫後的第一階段，還是會以天然氣為主，只混和 10 % 以下的氫氣作為發電燃料。

這是因為甲烷的燃燒速度是每秒 0.38 公尺，氫氣則為每秒 2.9 公尺，有著更劇烈的燃燒反應。因此，目前仍未有高比例氫氣的發電機組，氫氣的最高比例，通常就是 30 % 。

目前除了已成功串連，使用 10 % 氫氣的小型發電機組以外。台電預計明年完成在興達電廠，使用 5 % 氫氣的示範計畫，並逐步提升混和氫氣的比例。根據估計，光是 5 % 的氫氣，就能減少每年 7000 噸的二氧化碳排放。

但隨著天然氣的使用量逐步提高，我們也應該同時留意另一個問題。

天然氣洩漏導致的溫室效應，是不可忽視的！

根據 IPCC 2021 年的報告，若以 20 年為評估，甲烷產生的溫室效應效果是二氧化碳的 82.5 倍，以 100 年為評估，效果為 29.8 倍，是僅次於二氧化碳，對於溫室效應的貢獻者第二名。這，不可不慎啊。

從石油、天然氣井的大量甲烷洩漏，加上運輸時的洩漏，如果沒有嚴格控管，我們所做的努力，很有可能就白費了。

非營利組織「環境保衛基金」曾在 2018 年發表一篇研究，發現從 2012 到 2018 年，全球的甲烷排放量增加了 60 % ，從煤炭轉天然氣帶來的好處，可能因為甲烷洩漏而下修。當然，我們必須相信，當這處漏洞被補上，它還是能作為一個可期待的發電方式。

另一篇發表在《 Nature Climate Change 》的分析研究就說明，以長期來看，由煤炭轉為天然氣，確實能有效減緩溫室氣體排放。但研究也特別提醒，天然氣應作為綠能發展健全前的過渡能源，千萬別因此放慢對於其他潔淨能源的研究腳步。

去碳燃氫技術看起來如此複雜，為什麼不直接發展綠氫就好了？

確實，綠氫很香。但是，綠氫的來源是電解水，而反應裝置也不可能直接使用雜質混雜的海水，因此若要大規模發展氫能，通常需要搭配水庫或海水淡化等供水設施。另外，綠氫本來就是屬於一種儲能的形式，在台灣自己的綠能還沒有多到有剩之前，當然直接送入電網，還輪不到拿來產綠氫。

相比於綠氫，去碳燃氫針對的是降低傳統火力發電的碳排，並且只需要在現有的發電廠旁架設熱裂解設備，就可以完成改造。可以想像成是在綠能、新世代核能發展成熟前的應急策略。

當然，除了今天提到的灰氫、藍氫、綠氫。我們還有用核能產生的粉紅氫、從地底開採出來的白氫等等，都還沒介紹呢！

除了可以回去複習我們這一集的氫能大盤點之外，也可以觀看這個介紹白氫的影片，一個連比爾蓋茲都在今年宣布加碼投資的新能源。它，會是下一個能源救世主嗎？

歡迎訂閱 Pansci Youtube 頻道 獲取更多深入淺出的科學知識！

• https://research.sinica.edu.tw/methan…
• https://www.sciencedirect.com/science…
• https://unfccc.saveoursky.org.tw/nir/…
• https://www.science.org/doi/10.1126/s…
• https://link.springer.com/article/10….
• https://www.nature.com/articles/s4146…
• https://www.nature.com/articles/s4155…
• https://www.scimonth.com.tw/archives/…

• 本文轉載自諾貝爾化學獎專題系列，原文為《【2005諾貝爾化學獎】歧化 – 一個更換伴侶的舞蹈》
• 譯者／蔡蘊明｜台大化學系名譽教授

今年的諾貝爾化學獎由三位化學家所共同獲得，他們是法國的 Yves Chauvin，以及兩位美國的學者 Robert H. Grubbs 及 Richard R. Schrock，得獎的原因在表彰他們發展歧化（metathesis）反應在有機合成上的運用所造成的卓越貢獻。得獎者的成就已經在化學工業上成為一項重要的方法，並在合成化合物上開啟了新的機會而將使工業上製造藥物、塑膠以及其它材料的生產更為方便，這些物質的價格會因此降低而且減少對環境的衝擊。

歧化 — 一個更換伴侶的舞蹈

什麼是歧化？

在化學的反應中，原子之間的鍵結會斷裂而新的鍵結會生成。今年諾貝爾化學獎的焦點是稱為＂歧化＂的反應，這個名詞具有＂改變位置＂的意義。如（圖1）所示，在烯（一種含有碳－碳雙鍵的化合物）的歧化反應中，形成雙鍵的兩個碳會與另外一組雙鍵的兩個碳交換伴侶，形成另一個新的組合。在所示的反應中，一個丙烯的分子將其中的一個 CH₂ 基團與另一分子的丙烯中之 CH₃CH 交換，結果就產生了丁烯及乙烯。這個反應需要使用一個催化劑（催化劑是一個能使反應加速進行但卻不會成為產物的一部份的分子）才會發生。

其實化學家早就知道可以透過這種反應來製造新的化合物，只是他們並不瞭解催化劑在這個反應中扮演的角色為何。Yves Chauvin 提出的反應機制在對這個反應的認知上跨出了一大步，因為他解釋了催化劑是如何的運作。此時，研究者獲得了一個新的挑戰機會，那就是如何的去創造一個新的且更有效的催化劑。緊接著，Robert H. Grubbs 及 Richard R. Schrock 的基礎研究進場，由於他們的貢獻，才有今日那些非常有用的催化劑可供使用。

有機化合物 — 豐富的多樣性

碳元素能與碳元素以及其它的元素如氫、氧、氯和硫形成很強的鍵結，碳原子能以單鍵、雙鍵或三鍵的方式與其它的原子結合，可得到直鏈或分岔的結構，又可生成具有各種型態和大小的環狀結構。這個領域的化學稱為有機化學，因為在地球上生命的存在都是基於碳的這種多樣性。

眾多的有機化合物中，目前其實只有一小部份被研究過，但即使如此，我們現在已經可以得到各種新的藥物、材料、塗料等等，這是幾年前所無法想像的。

有機合成

所謂的有機合成就是將不同的化合物以特定的方式反應而製造出其它的化合物；透過有機合成，我們可以從已知的化合物原料製造出新的化合物。許多的工業必需利用有機合成，例如製藥和生技的工業，以及纖維和特用化學品的工業。在（圖2）中，一個在癌症的研究中所需的化合物 A 需要用另一個化合物 B 來合成，而 B 又需要從別的分子來合成。在化合物 B 的結構中具有一個由碳原子所組成的長鏈，其中有一個碳原子被氧原子取代。在合成化合物 A 時，這個長鏈被轉變成了一個大環的結構，這個環狀的結構正是抗癌的活性所必需。

為了製造這個大環，催化性的歧化反應正好派上用場，而其使用的催化劑正是這次的諾貝爾獎得主之一所開發出來的。由化合物 B 的結構中之長鏈兩端的雙鍵（圖中圈出的部分），透過歧化反應可以製造出兩個新的雙鍵，其中一個雙鍵用在結合長鏈的兩端而形成大環，而另一個雙鍵則存在於另一個副產物乙烯當中。如果要用別的方法來形成這個大環，將需要非常複雜而冗長的步驟。

歧化反應是如何發現的

歧化反應的發現可回朔至 1950 年代，正如同許多有機化學反應的發現一般，它源自於工業界，有好些個專利描述了催化性的烯聚合反應，其中的一篇專利是由美國杜邦公司的 H. S. Eleuterio 在 1957 年所提出的，它描述了得到不飽和的碳鏈（鏈上具有許多雙鍵）的方法；在此之前，由乙烯聚合成聚乙烯只會得到飽和的碳鏈（鏈上不具雙鍵）。這個出人意外的發現造成了深遠的影響。

在同年，另一份專利顯示，當使用一個由三異丁基鋁（triisobutyl aluminum）與氧化鉬（molybdenum oxide）依附在氧化鋁上的催化系統時，丙烯可轉變成丁烯及乙烯，這個在（圖1）所示的反應被稱為菲利浦公司的三烯製程（Phillips triolefin process）。這兩個專利都成功的在工業界中使用。

在許多年之後，這兩個發現的關聯性才被固特異輪胎及橡膠公司的 N. Calderon 發現，他指出，在上述的兩種製程中所發生的是同一種型態的反應，並稱之為烯的歧化反應（olefin metathesis），只不過在分子的層次，其中的催化劑之結構及其運作的機制在當時仍屬未知，因而由此所啟動之精采的催化劑獵捕行動，只能在黑暗中透過隨意擲擊四處碰觸的方式盲目的摸索。

Chauvin 的機制

越來越多的化學家開始注意到到歧化反應可能提供給有機合成的高度潛力，不過可能沒有人料想到它會成為如此的重要。雖然有許多的研究者提出各種歧化反應如何發生的可能機制，但真正的突破要等到 1970 年 Yves Chauvin 所發表的一份研究報告，他和他的學生 Jean-Louis Herrison 指出其中的催化劑是一個金屬碳烯（metal carbene），這種化合物具有一個金屬與碳形成的雙鍵。在之後的文獻中，金屬碳烯也被稱為金屬亞烷基（metal alkylidine）。在更早些年 E. O. Fisher（1973年諾貝爾化學獎）也發現過一些其它的金屬碳烯。Chauvin 也提出了一個嶄新的機制來解釋這個金屬化合物在反應中扮演何種功能。他們所進行的一些新的實驗結果完全符合這個新機制的運作，而無法用之前所提出的各種機制來解釋。在（圖3）（a ）中，一個金屬亞甲基做為催化劑，造成兩個雙鍵上的亞烷基之交換，導致兩個新的雙鍵生成（圖中金屬 M 上所用的中括號代表金屬除了與碳之間有一個雙鍵之外其上還有其它的基團）。

（圖3）（b）所示為此反應的機制，在反應的第一階段，金屬亞甲基與一個烯形成一個四元環，這個環含有一個金屬和三個碳，相互以單鍵結合。在下一個階段，其中的兩個單鍵斷裂並形成一個新的烯（即乙烯）和一個新的金屬亞烷基。在第三步驟，這個新的金屬亞烷基又與原先的烯結合成一個新的四元環。在最後的步驟中，這個含有金屬的四元環裂解產生歧化的產物並同時重新得回原先的金屬亞甲基，這個重新得回的金屬亞甲基又繼續投入另一個歧化反應的循環當中。這個反應的最終結果就是兩個烯的分子交換了它們的亞烷基，也就是進行了歧化反應（圖3）（a）。Chauvin 的機制一舉解釋了所有早先文獻中的結果，他的機制也得到了 Robert H. Grubbs、Thomas J. Katz 以及 Richard R. Schrock 等研究團隊的實驗之強烈支持，現已廣為大家所接受。

上面所描述的 Chauvin 機制可以視為一種舞蹈（圖4），其中催化劑與烯這兩組在舞蹈中交換舞伴。金屬和他的舞伴雙手相牽，當碰到烯隊時這兩組人馬結合成一個圈圈跳舞，隔了一會兒，他們與原先的同伴鬆手然後與新的伴侶湊成一對共舞。現在新形成的金屬隊又開始尋找新的烯隊，再次組成圈圈跳舞，換句話說，金屬隊成為一個分歧化的媒介者。

研發新的催化劑

到此時更多的化學家開始體認到，如果能找到更有效而可靠的催化劑，將可以使得這個反應在有機合成上成為一個極為重要的方法。早先所使用的催化劑結構並不明確，對空氣及濕氣極為敏感，穩定度很差而只能短暫的存在。一個好的催化劑必須是穩定的，並具有確定的結構，其化學活性要能針對需要而做調整，此外它們必須具有選擇性，也就是說只會與雙鍵反應而不會作用到分子上的其它部位。Chauvin 的研究結果顯示了有效率的催化劑可以如何的建立，但問題是在所有結構很明確的已知金屬亞烷基中，沒有一個可以成功的運用在烯的歧化反應上。雖然有好些位化學家在研發歧化反應的催化劑及其運用，並且也有重要的貢獻，不過，在此研究領域中關鍵性的進展則出自於 Robert H. Grubbs 及 Richard R. Schrock 的團隊。

Schrock 的第一個實用的催化劑

Schrock 在 1970 年代初期開始研究新的金屬亞烷基錯合物，但是到底哪一種金屬最適合製造出最有效的催化劑呢？他嘗試了含有鉭（tantalum）、鎢及鉬的催化劑，逐漸的掌握了哪些金屬可以使用以及它們如何的運作。對 Schrock 而言，鎢及鉬很快的顯示出是最適當的金屬，雖然用這些金屬合成了一些催化劑，但對於在金屬上到底要放上什麼基團才能製造出穩定而活性又高的催化劑仍不確定。在 1990 年，Schrock 的團隊終於得到突破而發表了一系列活性又高而結構又很明確的含鉬之催化劑（圖5）。

由於他的發現，化學家開始體認到烯的歧化反應可以普遍的運用在有機合成上，歧化反應越來越受到那些活躍的有機合成化學家們的注意，他們發現歧化反應可以取代許多傳統的合成方法，而在同時也提供了一種嶄新的方式來合成有機化合物。在（圖5）中所示的含鉬催化劑雖然對氧氣及濕氣是很敏感的，但只要透過適當的處理方式，不失為一個在有機合成上威力強大的工具。

一種由 Grubbs 所研發的通用催化劑

另一個突破則發生在 1992 年，Robert Grubbs 的研究團隊報導了他們所發現的一個含釕（ruthenium）的催化劑，它在空氣中是穩定的，表現出很高的化學選擇性，但是化學活性較 Schrock 的催化劑為低，這個新的催化劑可以在醇、水及有機酸的存在下催化歧化反應（參考圖2），在此之後 Grubbs 進一步的改進了他的催化劑，在（圖6）中所示的是幾個很有效而又容易合成的催化劑中的一個。

Grubbs 的催化劑已成為在普通的實驗室中，被普遍使用在歧化反應上，而且功能明確的催化劑。在（圖6）中所示的催化劑被稱為 Grubbs 催化劑，並成為一個被其它新的催化劑用來比對的標準。Grubbs 催化劑的通用性導致其後在有機合成上新的展望。Grubbs 對催化劑的設計是基於詳細的反應機制研究，他持續的開發以釕為基礎的催化劑，朝著製造合成上最具威力的催化劑而努力，這些合成包括了具有特殊性質的聚合物。

運用以及影響

這幾位諾貝爾獎得主所發展的合成方法，已經在學術研究上迅速的成為普遍使用的工具。為了製造新化合物所設計的工業製程，在這方面也有熱烈的發展，利用催化性的歧化反應可以縮短合成的步驟，得到更高的產率及更少的廢物，這導致更乾淨而對環境衝擊較小的製程。這種反應開啟了更多的機會去探索更多樣性的有機分子。除了他們之外，許多其他的研究者也提供了重要的貢獻，並持續的為了解決特定的問題例如合成複雜的天然物及其類似物，而開發新的歧化反應催化劑。

歧化反應在製藥工業、生技工業及食品工業上具有極大的商業潛力；新的催化劑亦可廣泛的運用在聚合物的合成上，雖然截至目前許多最有用的聚合物仍然是用傳統的方式來合成，但最近在聚合物合成的研究顯示，某些歧化反應催化劑在合成具有特殊性質的聚合物方面具有光明的前景。

雖然 Schrock 與 Grubbs 所發展的催化劑問世不過短短數年，但是他們所發展的應用性之深入的確是令人驚訝，這包括了昆蟲費洛蒙、除草劑、聚合物和燃料的添加劑、具有特殊性質的聚合物以及各種在藥物發展上很有潛力的各種分子之合成。有關一些可以對付各種人體疾病所發展的各種分子尤其值得一提，因為許多的研究者正投入於製造可能的藥物來治療各種狀況，例如細菌感染、C 型肝炎、癌症、阿茲海默症、唐氏症、骨質疏鬆、風濕、發炎、纖維症、HIV／AIDS、偏頭痛等等，歧化反應也因此成為一項重要的武器來尋找新的藥物以治療這世界上許多主要的疾病。

參考資料

蔡蘊明譯自諾貝爾化學獎委員會公佈給大眾的參考資料：

http://nobelprize.org/chemistry/laureates/2005/info.html

若要參考更深入的說明請見：

http://nobelprize.org/chemistry/laureates/2005/adv.html