日本第一位諾貝爾獎得主──湯川秀樹誕辰｜科學史上的今天：1/23

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

說明：此篇文章原本乃為泛科學 Youtube 影片所寫，經簡化之後，拍攝成〈缺電、輻射、核廢料有解嗎？「核融合發電」有可能嗎？〉和〈最受期待的核融合發電在哪裡？能源數據誰在膨風？〉兩部作品。又，本文並不針對核融合的技術性問題多做解釋，而是想用最少的字數，讓讀者瞭解核融合發展的全貌與大致進程。同時，此文主題也跟「世界是否應該採用核能發電」、「臺灣是否該使用核能發電」、「台灣是否該重啟核四」無關；這是三個完全不同的問題，核融合發電跟現有的核能發電技術也有所不同，無法一概而論。

在漫威電影裡，許多情節設定都跟真實世界的科學有所關連。就前陣子上映的《蜘蛛人：無家日》來說，在公開預告片中可見到知名反派八爪博士的回歸；他不但是研究核能的科學家，在《蜘蛛人2》還打造出了核反應爐。

八爪博士的核反應爐，跟太陽可說有 87 分像；姑且不論畫面呈現得正不正確，這部機器特別的地方就在於，它是核融合反應爐，而非目前核能發電所用的核分裂反應爐。然而，這兩者差在哪裡？都已經有核能發電技術了，為什麼還要研發核融合發電？不僅如此，核融合研究甚至一度引發學術界的爭議醜聞，甚至被拿來拍成 IMDb 超低分的電影。

傳統核能發電的發展趨勢

不久前（2021 年底），臺灣舉辦了是否重啟核四的公投。在選舉期間，我們或許聽過不少關於核能發電的利弊分析與討論。在溫室效應越來越受到關注、以及強調 2050 年要淨零碳排放的現代，核能發電極低的碳排放，是不容忽視的優點；但另一方面，核廢料問題，和核子事故風險，也是反核人士眼中無法接受的缺點。

不管如何，近數十年來，全球核能發電量雖然在日本福島核災後一度減少，但整體而言，仍大致呈現緩慢增長的趨勢。不過，核能在全球的發電佔比，則是於 1996 年達到 17.5% 的高峰後，開始緩慢下降。

另一方面，若比較從 1954 年到 2020 年，「開始運轉的核電廠」和「停止運作的核電廠」兩者的數目。可以發現，在 1990 年之前，開始運轉的核電廠，遠比停止運作的核電廠要多得多。但從 1990 年開始，兩者就呈現差不多的趨勢。

基於上述統計資料，大抵可以說，因為總總複雜的原因，不管是對是錯，在上世紀 90 年代以後，核電廠慢慢地不像以前那麼受到歡迎。而近年來對溫室效應的關注，以及仍是現在進行式的俄烏戰爭，會對核能發展帶來什麼影響，有待我們持續關注。

為什麼要研究核融合發電？

就在核能前景尚未完全明朗的同時，我們卻也能在許多新聞媒體上看到，除了新式核分裂發電技術的研發之外，還有「Google 和比爾蓋茲投資核融合反應爐」、「世界最大核融合反應爐進入組裝階段」、「中國核融合再創新世界紀錄」、「核融合新創 Helion 獲 22 億美元資金」、「貝佐斯投資核融合新創」等，關於核融合發電的消息；美國政府和其他許多國家也都投入資源在核融合研究。

同樣是核能發電，核融合發電和傳統的核分裂發電，有什麼不一樣？為什麼許多國家與知名人士都對核融合發電寄予厚望？八爪博士又為什麼打擊蜘蛛人的正事不幹，要去研究核融合？（搞錯重點了好ㄇ）

核反應的類型

簡單來說，核反應可分成兩大類，一是原子核分裂成其他較輕原子核，稱為核分裂（nuclear fission）；另一則是，兩個以上的原子核結合成新的原子核，稱為核融合（nuclear fusion）。因為核反應往往伴隨能量的吸收或釋放，核能電廠於是利用這一點，擷取核分裂過程中釋出的能量，作為發電之用。

至於太陽，主要由氫構成。龐大的重力將氫向內擠壓，於太陽核心產生極端的高溫和高壓，並促使氫進行核融合反應成為氦，連帶產生能量。目前的核融合研究，目的就是在地球上複製這個過程，以獲取釋出的能量。只不過，地球上並不存在如太陽核心般的高溫和高壓，所以必須人為地製造出適合的環境，核融合發電才有可能實現。也因此，有人會把核融合技術形容成人造太陽，而《蜘蛛人 2》電影裡，八爪博士製造出的核融合裝置，就長得一副太陽的樣子。

核融合發電的優點與困難

相較於傳統的核能電廠，核融合發電擁有許多優點。首先，在許多人擔心的安全性問題上，核融合發電不可能出現像是爐心熔毀或熱失控等狀況。因為核融合發電所需的「燃料」（雖然核反應不算是燃燒）需要人為持續提供，而且核融合反應的環境也需要精密控制，所以一旦系統出現狀況，就會使得整個發電程序停止運作——換言之，不可能「爆走」。

但核融合發電在安全性上的優點，也是它最大的缺點——因為核融合反應實在太容易動不動就停止了，科學家們想方設法，目前也沒辦法做到讓反應爐持續不間斷地運作；換言之，它不具有商業發電的價值。也是因為這樣，我們在新聞裡常會看到，某國科學家成功突破紀錄，讓核融合反應持續了幾秒鐘或幾分鐘。而如何讓核融合反應爐能夠持續運作，就成為相關研究最重要的課題之一。

除了安全性問題之外，核能發電產生的核廢料也常為人所詬病。不可否認，目前的核能發電方式，會產生具輻射性的核廢料，半衰期從數百年到百萬年不等，而台灣一直未能設立核廢料的最終處置場，全世界至今也沒有任何一座高階核廢料處置設施正式運轉。預計最快要到 2024 年，在芬蘭才會有全球第一座的高階核廢料永久處置場正式啟用。然而，臺灣的地質條件跟芬蘭完全不同，能否找到適合的最終處置場，仍是個問號。

那麼在核融合發電，也會面臨核廢料的難題嗎？答案既是，也不是。核融合發電也會產生核廢料，但其屬於低階核廢料，基本上就是工作人員使用過後的防護衣和清潔用品，以及反應爐的腔壁等。這些核廢料的半衰期大體而言都不長；因情況而異，約數十年到數百年，其輻射水平即可回覆到接近一般環境的背景值。所以，做為結論，核融合發電還是會產生核廢料，但相較於現有的核能發電，其危險程度以及對環境的影響要小上很多。

最後，核融合發電還有另一個優勢：燃料。現在的核能發電，主要使用鈾 -235 做為燃料；雖然全球的鈾礦礦藏相對豐富，根據世界核能協會（World Nuclear Association）的估計，足夠人類再使用 90 年，但並非取之不竭。相對地，核融合發電常用的燃料是氫的同位素——氘和氚；而氫在地球上極為豐富，要製備氘和氚也並不困難。換句話說，人類完全不需要擔心核融合的燃料不夠這種事情。除此之外，在核融合過程中，還會運用到鋰，它可幫助生成反應所需的氚，而幸好鋰的存量在地球上也是非常豐富，若把陸地上和海洋中的鋰都考慮進來，同樣不需要擔心鋰會用光。^[1]

核融合發電的分類

在核融合發電中，為了讓相異原子核能夠進行融合，一般會將其加熱到一億度上下的高溫。一種作法是，利用雷射直接或間接加熱裝了燃料的膠囊，以誘發膠囊內部燃料的核融合反應，稱為慣性局限融合（Inertial confinement fusion）。

另一種常見的作法則是，將燃料加熱，使其成為電漿狀態。很顯然地，一億度的電漿，是沒有任何容器可以盛裝的；所以科學家會利用強大的磁場，拘束住電漿，讓核融合反應能夠穩定持續地發生，稱為磁局限融合（magnetic confinement fusion）。八爪博士製造的機器，就比較接近這樣的作法。但跟電影不同的是，現實裡的研究人員是不可能直接站在高溫電漿旁邊的。八爪博士的設計，跟現實不但有差距，而且也顯然更危險。

上述核融合發電方式，全部都需要人為地產生高溫，讓核融合得以發生——但這並不表示核融合只能在高溫環境中產生。實際上，早在 1950 年代，科學家就發現，確實有核融合反應在低溫環境即可發生，現在稱為緲子催化融合（muon-catalyzed fusion）。緲子是一種性質跟電子非常類似，但質量比電子大得多、且非常容易衰變的基本粒子。若在氘和氚組成的氫分子中，用緲子取代電子，那麼該氫分子內部的氘和氚，甚至在室溫就可能產生核融合反應。

只不過，緲子的備製不僅需要花費大量能量，其迅速衰變的性質，也讓我們很難拿來作為核融合發電之用，再考慮到其他的技術性問題，使得目前的核融合研究，都是朝著高溫的方向進行。

然而，1989 年，有兩位科學家聲稱，成功在室溫環境下，以他們發現的新方法實現了核融合反應。這樣的消息迅速獲得媒體注意，並被大肆報導，人們對實現低溫核融合又開始寄予期望。很可惜地，其他科學家嘗試複製兩人的實驗成果，卻都無法成功；另一方面，科學社群也發現了兩人實驗上的瑕疵。於是，沸騰一時的「冷融合」話題就這麼煙消雲散。現在，雖然仍有少部分人從事相關研究，但都未能成氣候。

儘管如此，或許因為冷融合很有話題性，這個議題並未在媒體上消失；2011 年美國好萊塢甚至以冷融合為主題，拍了一部 IMDb 超低分的電影，英文片名就是冷融合（cold fusion），臺灣翻譯成《關鍵核爆》，劇情甚至把幽浮（UFO）都扯進來了。

延伸閱讀：八爪博士4ni！？《蜘蛛人》裡的人造太陽或將問世？（下）

• 世界核能協會
• 2021世界核能產業現況報告
• World Nuclear Performance Report 2021 COP26 Edition
• 國際熱核融合實驗反應爐
• 國際原子能總署
• 馬克斯‧普朗克電漿物理學研究所
• JT-60U Experimental Report No. 46
• Muon-catalyzed fusion – Wikipedia
• Inertial confinement fusion – Wikipedia
• Magnetic confinement fusion – Wikipedia

[1] 其實，鈾也存在海洋中。若考慮到海水中的鈾，那麼基本上人類也不用擔心鈾礦不足。只不過，鈾在海水中濃度極低，約 10 億分之 3，不論在運用的技術還是成本上，挑戰都很高。

1936 年，美國物理學家安德森 (Carl David Anderson) 與同事終於辛苦的將器材運上洛磯山脈的派克峰峰頂。四年前他才發現正子，希望這一次也能幸運地從宇宙射線留下的蹤跡發現新粒子。是的，此時粒子加速器還沒發明，物理學家只能從抵達地球的宇宙射線中尋找跡象。安德森的辛苦有了代價，他再次發現了一種從未見過的新粒子，而西方也因此才終於發現了一位他們從未聽聞的日本物理學家──湯川秀樹。

原來湯川秀樹在 1935 年就已經發表論文預測了一種新粒子的存在。他將剛興起的量子力學與狹義相對論結合，提出解釋強核力的理論，指出原子核內的質子與中子就是靠彼此交換一種「介子」才緊密的結合在一起。他計算出這個介子的質量約是電子二百倍，有正、負不同電荷兩種，並預測可在宇宙射線中發現。只不過湯川秀樹的論文只刊登在日本的期刊，因此並未引起注意，直到 1937 年安德森公布他發現的新粒子質量恰恰約電子二百倍，湯川秀樹的理論與他本人才獲的西方的注意。

雖然後來發現安德森發現的新粒子其實是緲子，與強核力的作用無關，但十年後（二次大戰使得很多科學家不得不中斷原來的研究工作）英國物理學家鮑威爾 (Cecil Powell) 還是發現了湯川秀樹所預測的介子── π 介子，湯川秀樹因而於 1949 年榮獲諾貝爾物理獎。

湯川秀樹得獎對日本具有極為重大的意義，除了他是日本首位諾貝爾獎得主，也因為此時正是日本作為一個敗戰國，正要從百廢待舉的廢墟中慢慢爬起來的時候。湯川秀樹是個土生土長，沒有出國留學過的物理學者，以他這樣的背景在此時此刻獲獎，對日本人民實有很大的鼓舞作用！

湯川秀樹本人則在 1948 年就受歐本海默之邀前往普林斯頓待了一年，與愛因斯坦等著名科學家成為好友。他在哥倫比亞大學任教了四年之後，返國成立基礎物理研究院，並大力推動日本與西方的學術交流，為日本基礎科學在戰後得以迅速發展奠下基礎，在日本人心中占有極高的地位；東野圭吾的推理小說《偵探伽利略》系列中的主角取名為湯川學，就是向他致敬啊！

本文同時收錄於《科學史上的今天：歷史的瞬間，改變世界的起點》，由究竟出版社出版。

• 作者｜盧彥森，目前任職於 德國于利希研究中心 能源與氣候研究所

第一個地表模型的開發者——真鍋淑郎

在大氣科學領域中，有一部份專業領域統稱為「氣象模擬」，其中，有一門名為「地表模式」的領域，是專門算地表上各種物理、化學、生物作用的行為。

在做這些模擬的研究者中，有個很有名的日本名字，叫做 Manabe，他的論文會一直出現在大家眼前，也就是（只有我們在乎的）《 Manabe 1969, CLIMATE AND THE OCEAN CIRCULATION I : THE ATMOSPHERIC CIRCULATION AND THE HYDROLOGY OF THE EARTH’S SURFACE 》^[1]，最近因為大量的報導，我才知道原來他名字的漢字是——真鍋淑郎，也就是第一個地表模型的開發者，而在 2021 年時，他拿下了諾貝爾獎。

地表模式（Land Surface Model）在大氣模擬中有舉足輕重的地位，可以算地面是怎麼跟大氣作反應的，像是降水是怎麼被樹冠層截流、土壤水是怎麼變成地表逕流跟地下水、水是怎麼靠蒸散發回到大氣中；還有太陽光怎麼被地面或葉面吸收、能量怎麼被蒸散發作用給吸收、地面上的溫度增加或減少了多少，還有太陽輻射是有多少返回大氣層。

而真鍋淑郎的地表模式，則涵蓋了一大部份的物理反應，供美國國家海洋暨大氣總署（NOAA）的 Geophysical Fluid Dynamics Laboratory 的全球大氣模型使用。

不過學界是殘酷的。在那個電腦比房子貴的年代（房價在 1960 年的中位數約為$11,900，CNBC報導），真鍋順便背了個學界的鍋，像是：你的模型是不夠真實的、你的土壤濕度估算不夠物理……等因為電腦計算跟理論發展還不夠成熟，所以尚未發展的物理與計算方法。

後來的論文也會稱真鍋的地表模式是水桶模型（因為其計算土壤濕度的方法宛如水桶一樣，滿了就去除，而非經土壤中水流方法流走的）。但無論如何，第一個地表模型，基本上就是真鍋與他在普林斯頓的好夥伴們發展出來的。因此，真鍋的地表模型也在後來的論文中，尊稱為第一代的地表模式，建立起祖師爺等級的封號(Sellers et al., 1997)。

水桶模型後，百家爭鳴的地表模式大戰

雖然第一代的地表模式，土壤當做水桶，地上也沒有植物，更不要說可以進行光合作用或是碳排放來研究二氧化碳是怎麼搞壞我們的人生，但也讓後續的第二代地表模型有了出發點。

1980年後，在個人電腦逐漸普及後，地表模式也開始百家爭鳴，其中真鍋的身影也就只存在各家論文的引用中了。後來再出現時，則是在地表模式大戰——PILPS（Project for the Intercomparison of Land-surface Parametrization Schemes）^[2]。這個計畫中，以水桶模型這個稱號出現。基本上始於 1995 年的 PILPS 計畫，就是利用荷蘭的 Cabauw 量測站測到的氣象狀況，來驗證各家第二代的地表模式中，誰才是最強的。

當然結果就是，沒有誰家最強。

更重要的是，雖然地表模式都比真鍋的模型更複雜了一點，但是有個東西是沒有人考慮到的：光合作用。

當時各家的蒸散發公式，主要都是用Jarvis的葉面氣孔參數化公式做考量^[3]，所以也沒有真的考慮到二氧化碳、水、太陽之間的直接關聯。而做出這個關連性主要公式——Farquhar等人^[4] 的二氧化碳同化作用公式，才在 1980 年時正式發表，離他同事 Berry 拿去演化成植物氣孔跟光合作用的連動公式^[5]，還有七年。而在地表模型大戰中發表的模型，其實都長得 87% 像。

在 1997 年時，NASA 的 Sellers等人^[6]，與多位同樣是地表模式的作者與植物氣孔模擬專家，在《Science》期刊中，登高一呼：我們要有能夠計算生態跟複雜物理的模型！畢竟在 PILPS 的大戰中，沒有真正的勝者，也沒有真正的輸家，甚至我們的真鍋大哥在水文計算上也沒有輸^[2]！

所以在 2003 年，集合了 PILPS 大戰中和解的部份朋友們，第一支集眾人之力誕生的通用地表模式（Common Land Model）上線了^[7]，這支從 1998 年開始寫的程式，過了近五年後才發表，算是第三代地表模式的代表作。

而這個第三代中，植物終於開始有了它的意義，這植物的葉子終於可以隨四季生長了，也會行光合作用了，土壤也增厚到兩公尺多了，土壤也會依不飽和水流公式往下滲流，也可以計算堆雪了。其中最重要的，就是那光合作用公式的應用。

持續再精進與貢獻

之後的地表模式，就一直著重在地面植物的改良，讓植物越來越真，從一開始的沒有植物，到會蒸發水，再到會跟二氧化碳互動，以及跟氮交互作用，計算植物的農作產出，一步步朝著更精細的方向前進。

當然地表模式也有很多需要改良的地方，首先是地表模型是假設地表跟大氣是一維方向的互動，而土壤中水流也是只會向下滲流，如果要計算真正的水流，就必須要進行三維的地下水流動，這就是另外一個耗資源的計算。另外植物也不是真的植物，植物被假設只有四片葉子，還只有一層。

英國的「JULES」模型曾報告說他們做了個多層葉冠層的模型，最後只能淡淡的說因為計算資源耗太兇，所以沒算完 ^[8]。更甚者，地底下的根是「死」的，一年四季，不生不滅、不垢不淨，持續地在只有兩公尺厚的土裡，把水吸到植物中行光合作用(Pitman, 2003)^[9]。

所以無論如何，地表模型不僅不死，其勢更烈，因為有太多的東西可以靠地表模式來計算，像是人類對地球表面的影響、化合物排放，也都可以靠地表模式計算其對大氣的影響，就連地下水模型也都要拜託地表模式處理複雜的地表水文狀況^[10]。

從 1969 年到 2021 年，無數的改良與改版，還有兩次的超級地表模式大戰（第二次利用 Rhône 流域量測結果^[11]），都增加了人們對大氣系統的了解，並且一步步改善天氣預報的準確度，而其中的功臣之一，當然是真鍋博士在 1969 年，比 Unix 更早發表的地式模型，所以的確功不可沒，而現在地球科學的眾多估算中，地表模式解決了很多的水文與能量問題，更遑論對氣候變遷的計算，才能在1975年提出二氧化碳加劇溫度上升的研究^[12]。拿下諾貝爾獎，不僅僅是贊同真鍋博士的功勞，更是對大氣模擬界的慰勞吧。

參考資料

1. Manabe S. (1969). CLIMATE AND THE OCEAN CIRCULATION 1: I. THE ATMOSPHERIC CIRCULATION AND THE HYDROLOGY OF THE EARTH’S SURFACE. Mon. Weather Rev. 97:739–774.
2. Pitman, A. J., Henderson-Sellers, A., Desborough, C. E., Yang, Z. L., Abramopoulos, F., Boone, A., … & Xue, Y. (1999). Key results and implications from phase 1 (c) of the Project for Intercomparison of Land-surface Parametrization Schemes. Climate Dynamics, 15(9), 673-684.
3. Jarvis PG. (1976). The Interpretation of the Variations in Leaf Water Potential and Stomatal Conductance Found in Canopies in the Field. Philos. Trans. R. Soc. Lond. B Biol. Sci. 273:593–610.
4. Farquhar, G. D., von Caemmerer, S. V., & Berry, J. A. (1980). A biochemical model of photosynthetic CO 2 assimilation in leaves of C 3 species. Planta, 149(1), 78-90.
5. Ball JT., Woodrow IE., Berry JA. (1987). A model predicting stomatal conductance and its contribution to the control of photosynthesis under different environmental conditions. In: Progress in photosynthesis research. Springer, 221–224.
6. Sellers PJ., Dickinson RE., Randall DA., Betts AK., Hall FG., Berry JA., Collatz GJ., Denning AS., Mooney HA., Nobre CA., Sato N., Field CB., Henderson-Sellers A. (1997). Modeling the Exchanges of Energy, Water, and Carbon Between Continents and the Atmosphere. Science 275:502–509
7. Dai Y., Zeng X., Dickinson RE., Baker I., Bonan GB., Bosilovich MG., Denning AS., Dirmeyer PA., Houser PR., Niu G. (2003). The common land model. Bull. Am. Meteorol. Soc. 84.
8. Best MJ., Pryor M., Clark DB., Rooney GG., Essery RLH., Ménard CB., Edwards JM., Hendry MA., Porson A., Gedney N., Mercado LM., Sitch S., Blyth E., Boucher O., Cox PM., Grimmond CSB., Harding RJ. (2011). The Joint UK Land Environment Simulator (JULES), model description – Part 1: Energy and water fluxes. Geosci Model Dev 4:677–699
9. Pitman AJ. (2003). The evolution of, and revolution in, land surface schemes designed for climate models. Int J Clim. 23:479–510.
10. Kollet SJ., Maxwell RM. (2006). Integrated surface-groundwater flow modeling: A free-surface overland flow boundary condition in a parallel groundwater flow model. 29:945–958.
11. Boone A., Habets F., Noilhan J., Clark D., Dirmeyer P., Fox S., Gusev Y., Haddeland I., Koster R., Lohmann D. 2004. The Rhone-Aggregation land surface scheme intercomparison project: An overview. J. Clim. 17:187–208.
12. Manabe, S., & Wetherald, R. T. (1975). The effects of doubling the CO2 concentration on the climate of a general circulation model. Journal of Atmospheric Sciences, 32(1), 3-15.