整個世界都是我的科學課室！uHandy結合教育，讓觀察力成為學生的超能力

本文由 鼎新數智 與 泛科學 共同規劃與製作

你有沒有想過，當 AI 根據病歷與 X 光片就能幫你診斷病症，或者決定是否批准貸款，甚至從無人機發射飛彈時，它的每一步「決策」是怎麼來的？如果我們不能知道 AI 的每一個想法步驟，對於那些 AI 輔助的診斷和判斷，要我們如何放心呢？

馬斯克與 OpenAI 的奧特曼鬧翻後，創立了新 AI 公司 xAI，並推出名為 Grok 的產品。他宣稱目標是以開源和可解釋性 AI 挑戰其他模型，而 xAI 另一個意思是 Explainable AI 也就是「可解釋性 AI」。

如今，AI 已滲透生活各處，而我們對待它的方式卻像求神問卜，缺乏科學精神。如何讓 AI 具備可解釋性，成為當前關鍵問題？

黑盒子模型背後的隱藏秘密

無法解釋的 AI 究竟會帶來多少問題？試想，現在許多銀行和貸款機構已經使用 AI 評估借貸申請者的信用風險，但這些模型往往如同黑箱操作。有人貸款被拒，卻完全不知原因，感覺就像被分手卻不告訴理由。更嚴重的是，AI 可能擅自根據你的住所位置或社會經濟背景給出負面評價，這些與信用風險真的相關嗎？這種不透明性只會讓弱勢群體更難融入金融體系，加劇貧富差距。這種不透明性，會讓原本就已經很難融入金融體系的弱勢群體，更加難以取得貸款，讓貧富差距越來越大，雪上加霜。

AI 不僅影響貸款，還可能影響司法公正性。美國部分法院自 2016 年起使用「替代性制裁犯罪矯正管理剖析軟體」 COMPAS 這款 AI 工具來協助量刑，試圖預測嫌犯再犯風險。然而，這些工具被發現對有色人種特別不友好，往往給出偏高的再犯風險評估，導致更重的刑罰和更嚴苛的保釋條件。更令人擔憂的是，這些決策缺乏透明度，AI 做出的決策根本沒法解釋，這讓嫌犯和律師無法查明問題根源，結果司法公正性就這麼被悄悄削弱了。

此外，AI 在醫療、社交媒體、自駕車等領域的應用，也充滿類似挑戰。例如，AI 協助診斷疾病，但若原因報告無法被解釋，醫生和患者又怎能放心？同樣地，社群媒體或是 YouTube 已經大量使用 AI 自動審查，以及智慧家居或工廠中的黑盒子問題，都像是一場越來越複雜的魔術秀——我們只看到結果，卻無法理解過程。這樣的情況下，對 AI 的信任感就成為了一個巨大的挑戰。

為什麼人類設計的 AI 工具，自己卻無法理解？

原因有二。首先，深度學習模型結構複雜，擁有數百萬參數，人類要追蹤每個輸入特徵如何影響最終決策結果，難度極高。例如，ChatGPT 中的 Transformer 模型，利用注意力機制（Attention Mechanism）根據不同詞之間的重要性進行特徵加權計算，因為機制本身涉及大量的矩陣運算和加權計算，這些數學操作使得整個模型更加抽象、不好理解。

其次，深度學習模型會會從資料中學習某些「特徵」，你可以當作 AI 是用畫重點的方式在學習，人類劃重點目的是幫助我們加速理解。AI 的特徵雖然也能幫助 AI 學習，但這些特徵往往對人類來說過於抽象。例如在影像辨識中，人類習慣用眼睛、嘴巴的相對位置，或是手指數量等特徵來解讀一張圖。深度學習模型卻可能會學習到一些抽象的形狀或紋理特徵，而這些特徵難以用人類語言描述。

深度學習模型通常採用分佈式表示（Distributed Representation）來編碼特徵，意思是將一個特徵表示為一個高維向量，每個維度代表特徵的不同方面。假設你有一個特徵是「顏色」，在傳統的方式下，你可能用一個簡單的詞來表示這個特徵，例如「紅色」或「藍色」。但是在深度學習中，這個「顏色」特徵可能被表示為一個包含許多數字的高維向量，向量中的每個數字表示顏色的不同屬性，比如亮度、色調等多個數值。對 AI 而言，這是理解世界的方式，但對人類來說，卻如同墨跡測驗般難以解讀。

試想，AI 協助診斷疾病時，若理由是基於醫生都無法理解的邏輯，患者即使獲得正確診斷，也會感到不安。畢竟，人們更相信能被理解的東西。

打開黑盒子：可解釋 AI 如何運作？我們要如何教育 AI？

首先，可以利用熱圖（heatmap）或注意力圖這類可視化技術，讓 AI 的「思維」有跡可循。這就像行銷中分析消費者的視線停留在哪裡，來推測他們的興趣一樣。在卷積神經網絡和 Diffusion Models 中 ，當 AI 判斷這張照片裡是「貓」還是「狗」時，我需要它向我們展示在哪些地方「盯得最緊」，像是耳朵的形狀還是毛色的分布。

其次是局部解釋，LIME 和 SHAP 是兩個用來發展可解釋 AI 的局部解釋技術。

SHAP 的概念來自博弈，它將每個特徵看作「玩家」，而模型的預測結果則像「收益」。SHAP 會計算每個玩家對「收益」的貢獻，讓我們可以了解各個特徵如何影響最終結果。並且，SHAP 不僅能透過「局部解釋」了解單一個結果是怎麼來的，還能透過「全局解釋」理解模型整體的運作中，哪些特徵最重要。

以實際的情景來說，SHAP 可以讓 AI 診斷出你有某種疾病風險時，指出年齡、體重等各個特徵的影響。

LIME 的運作方式則有些不同，會針對單一個案建立一個簡單的模型，來近似原始複雜模型的行為，目的是為了快速了解「局部」範圍內的操作。比如當 AI 拒絕你的貸款申請時，LIME 可以解釋是「收入不穩定」還是「信用紀錄有問題」導致拒絕。這種解釋在 Transformer 和 NLP 應用中廣泛使用，一大優勢是靈活且計算速度快，適合臨時分析不同情境下的 AI 判斷。比方說在醫療場景，LIME 可以幫助醫生理解 AI 為何推薦某種治療方案，並說明幾個主要原因，這樣醫生不僅能更快做出決策，也能增加患者的信任感。

第三是反事實解釋：如果改變一點點，會怎麼樣？

如果 AI 告訴你：「這家銀行不會貸款給你」，這時你可能會想知道：是收入不夠，還是年齡因素？這時你就可以問 AI：「如果我年輕五歲，或者多一份工作，結果會怎樣？」反事實解釋會模擬這些變化對結果的影響，讓我們可以了解模型究竟是如何「權衡利弊」。

最後則是模型內部特徵的重要性排序。這種方法能顯示哪些輸入特徵對最終結果影響最大，就像揭示一道菜中，哪些調味料是味道的關鍵。例如在金融風險預測中，模型可能指出「收入」影響了 40%，「消費習慣」占了 30%，「年齡」占了 20%。不過如果要應用在像是 Transformer 模型等複雜結構時，還需要搭配前面提到的 SHAP 或 LIME 以及可視化技術，才能達到更完整的解釋效果。

講到這裡，你可能會問：我們距離能完全信任 AI 還有多遠？又或者，我們真的應該完全相信它嗎？

我們終究是想解決人與 AI 的信任問題

當未來你和 AI 同事深度共事，你自然希望它的決策與行動能讓你認可，幫你省心省力。因此，AI 既要「可解釋」，也要「能代理」。

舉例來說，當一家公司要做一個看似「簡單」的決策時，背後的過程其實可能極為複雜。例如，快時尚品牌決定是否推出新一季服裝，不僅需要考慮過去的銷售數據，還得追蹤熱門設計趨勢、天氣預測，甚至觀察社群媒體上的流行話題。像是暖冬來臨，厚外套可能賣不動；或消費者是否因某位明星愛上一種顏色，這些細節都可能影響決策。

這些數據來自不同部門和來源，龐大的資料量與錯綜關聯使企業判斷變得困難。於是，企業常希望有個像經營大師的 AI 代理人，能吸收數據、快速分析，並在做決定時不僅給出答案，還能告訴你「為什麼要這麼做」。

傳統 AI 像個黑盒子，而可解釋 AI （XAI）則清楚解釋其判斷依據。例如，為什麼不建議推出厚外套？可能理由是：「根據天氣預測，今年暖冬概率 80%，過去三年數據顯示暖冬時厚外套銷量下降 20%。」這種透明解釋讓企業更信任 AI 的決策。

但會解釋還不夠，AI 還需能真正執行。這時，就需要另一位「 AI 代理人」上場。想像這位 AI 代理人是一位「智慧產品經理」，大腦裝滿公司規則、條件與行動邏輯。當客戶要求變更產品設計時，這位產品經理不會手忙腳亂，而是按以下步驟行動：

1. 檢查倉庫物料：庫存夠不夠？有沒有替代料可用？
2. 評估交期影響：如果需要新物料，供應商多快能送到？
3. 計算成本變化：用新料會不會超出成本預算？
4. 做出最優判斷，並自動生成變更單、工單和採購單，通知各部門配合執行。

這位 AI 代理人不僅能自動處理每個環節，還會記錄每次決策結果，學習如何變得更高效。隨時間推移，這位「智慧產品經理」的判斷將更聰明、決策速度更快，幾乎不需人工干預。更重要的是，這些判斷是基於「以終為始」的原則，為企業成長目標（如 Q4 業績增長 10%）進行連續且動態地自我回饋，而非傳統系統僅月度檢核。

這兩位 AI 代理人的合作，讓企業決策流程不僅透明，還能自動執行。這正是數智驅動的核心，不僅依靠數據驅動決策，還要能解釋每一個選擇，並自動行動。這個過程可簡化為 SUPA，即「感知（Sensing）→ 理解（Understanding）→ 規劃（Planning）→ 行動（Acting）」的閉環流程，隨著數據的變化不斷進化。

以偉勝乾燥工業為例，他們面臨高度客製化與訂單頻繁變更的挑戰。導入鼎新 METIS 平台後，偉勝成功將數智驅動融入業務與產品開發，專案準時率因此提升至 80%。他們更將烤箱技術與搬運機器人結合，開發出新形態智慧化設備，成功打入半導體產業，帶動業績大幅成長，創造下一個企業的增長曲線。

值得一提的是，數智驅動不僅帶動業務增長，還讓員工擺脫繁瑣工作，讓工作更輕鬆高效。

數智驅動的成功不僅依賴技術，還要與企業的商業策略緊密結合。為了讓數智驅動真正發揮作用，企業首先要確保它服務於具體的業務需求，而不是為了技術而技術。

這種轉型需要有策略、文化和具體應用場景的支撐，才能讓數智驅動真正成為企業持續增長的動力。

還在猶豫數智驅動的威力？免費上手企業 AI 助理！ 企業 AI 體驗 現在使用專屬邀請碼《 KP05 》註冊就享知：https://lihi.cc/EDUk4 訂閱泛科學獨家知識頻道，深入科技趨勢與議題內容。 立即免費加入

本文由 環境部 委託，泛科學企劃執行。 

政策環評是什麼，跟一般環評差在哪？

隨著公共建設的規模越來越大，傳統的環境影響評估（EIA），難以應對當今層層疊疊的環境議題。當我們評估一項重大政策時，只看「單一開發案」已經不夠，就像評估一棵樹，卻忽略了整片森林。因此，政策環境影響評估（SEA）應運而生，它看樹，也看森林，從政策的角度進行更全面的考量與評估。

與只專注於「單一開發案」的個案環評不同，政策環評更像是一場全面性的檢視，強調兩個核心重點：「整合評估」與「儘早評估」。簡單來說，這不再是逐案評估的模式，而是要求政府在制定政策時，就先全面分析可能帶來的影響，從單一行為的侷限中跳脫，轉而聚焦在整體影響的視角。無論是環境的整體變化，還是多項行為累計起來的長期影響，政策環評的目的就是讓這些潛在問題能儘早浮現、儘早解決。

除此之外，政策環評還像是一個大型的協商平台，以永續發展為最高指導原則，公開整合來自不同利益團體、民眾與各機關的意見。這裡，決策單位不再只是單純的「評分者」，而是轉為「協調者」或「仲裁者」，協調各方的意見看法在這裡得到整合，讓過程更具包容性。

政策環評並沒有所謂的「否決權」，而是側重意見的蒐集與整合，讓行政機關在政策推動時，能更全面地掌握各方意見。政策環評旨在建立系統化、彈性的決策評估程序（包含量化、特徵化等評估方式），也廣納社會面或民眾滿意度等影響因子，把正式與非正式的作法一併考量進去。再來，決策程序中能層層檢討、隨時修正，也建立了追蹤機制和成效評估標準（如環境殘餘效應、累積效應等），透過學習來強化決策品質與嚴謹度。就像一場球賽，隨時根據變化、調整策略。

這樣的制度設計，就非常適合離岸風電這類規模大、跨區域、影響層面廣泛的能源政策評估，讓我們可以在政策推動初期就想到整個工程對環境、產業發展與社會的諸多影響，也為後續政策執行奠定更穩固的基礎。

離岸風電為何需要的是政策環評？

離岸風電是能源轉型的重要策略之一，但這不是只在某塊空地上架幾個風車，而是要在廣闊的大海中進行大規模建設，牽涉的不僅是發電，還涉及海洋保育、航空交通、水下文化資產等議題，更與當地漁民的權益息息相關。

這樣的大型離岸風電工程，因海洋環境的風險和不確定性極高，很容易讓人擔心生態影響。如何在海洋生態保護和綠能發展之間找到平衡點？這就需要政策環評的把關，從多方檢視這些複雜的挑戰，確保政策推行既能穩妥，又能達成發電目標。

2016 年 3 月，經濟部自願提出「離岸風電區塊開發政策評估說明書」，是臺灣首次針對再生能源政策所進行的政策環評。根據這份評估說明書，政府將採分期公告、逐年檢討的方式，每三年開放 0.5~1 百萬瓩（GW）的電量額度鼓勵業者投入開發。當時環保署（現為環境部）歷經九個月召開 2 次意見徵詢會議，蒐集環評委員、專家學者、相關機關、民眾等意見，最終於同年 12 月的環評委員會作出徵詢意見。這些協商和檢討的過程，讓政策「名正言順」，得以充分顧及各方利益與生態平衡。

共通性環境議題與因應對策

在「離岸風電區塊開發政策評估說明書」中，環評會議盤點了開發過程中共通的環境議題。

首先，對於海洋生態保育的重點，特別是對中華白海豚的保護。環評會要求風機基座必須距離白海豚棲地1公里以上，以減少對其生態的干擾。實際上，這項規範在後續的實務執行中更為嚴格，例如，福海二期示範風場已退縮到 2.5 公里外，臺電二期風場甚至退到 4.2 公里外，顯示政策環評確實發揮了實質作用。此外，針對施工期間的聲音干擾，要求施工需有 30 分鐘以上的打樁緩啟動時間，並限制聲量不得超過 180 分貝等。

針對鳥類保育，政策環評也訂立了具體規範。其中，包括風機之間必須留設 500 公尺以上的鳥類穿行廊道，並在施工期間避開每年 11 月至隔年 3 月的候鳥過境期。同時，為確保這些措施確實生效，工程方也被要求設置「鳥類活動監測系統」，持續追蹤、評估風場對鳥類的影響。

此外，環評會也確立了「先遠後近」的開發原則，要求優先開發較單純的航道外側區塊，待累積足夠經驗及相關資料後，再進行近岸區域的開發。這項原則考量了近海生態系的複雜性，也顧到養殖漁業的漁民權益，展現出政策環評在平衡發展需求與環境保護上的價值。

新一代的審查機制：達成能源轉型及環境保護雙贏

為提升環評效率並確保審查品質，環境部參考過去離岸風電審查經驗，制定「風力發電離岸系統開發行為環境影響評估初審作業要點」，建立了全新的二階段審查機制。

這套新機制分為兩個階段。第一階段，就像「初步檢查」，由環境部依照檢核表進行初審，並由環評審查委員會執行秘書邀集 2-5 位環評委員進行初審，通過第一階段初審之業者，可取得經濟部遴選資格，其初審結果有效期為兩年，必要時可申請展延一年。接著進入「第二階段」，開發單位檢附目的事業主管機關核配的容量證明文件等資料，提供更詳細的環境影響說明書以進行實質審查。

檢核表明確規範了 15 大項審查事項、112 項檢核項目，涵蓋開發案的全生命週期。

在工程面，包含風機及海上變電站基礎設置、海域電纜路線規劃、陸域設施工程等硬體設施的規範。其中，風機基礎設置必須避開海岸保護區、河口、潮間帶等環境敏感區域，且須進行地震危害度分析。海域電纜部分，除特殊情形外，埋設深度至少須達 1.5 公尺，且不得跨越中華電信海底電纜 1 公里的範圍。

環境保護上，檢核表則對施工噪音管制訂立了明確標準。舉例來說，打樁期間警戒區 750 公尺範圍內的水下噪音不得超過 160 分貝，且必須全程採用最佳噪音防制工法。同時，每個開發案或聯席審查的風場，同一時間內只能進行一支基樁施作，而日落前一小時到日出前也不得啟動新的打樁作業。

環境監測計畫更是檢核表中的重點，分為「施工前、施工期間、營運期間」三階段，每個階段都規定了詳細的監測要求（包括海域底質監測、水下噪音監測、鯨豚目視監測等）。以鯨豚監測為例，每年需執行20趟次，四季中每季至少執行 2 趟次。此外，所有監測數據都必須上傳至環境部「環保專案成果倉儲系統」（https://epaw.moenv.gov.tw/）供各界查閱。

這套標準化的審查機制不僅解決了「同一風場可能有多家廠商重複調查或審查」的資源浪費，也透過明確的檢核項目，讓開發單位在規劃階段就能掌握更具體的環境保護要求。不僅如此，該機制亦確保了環境保護標準前後一致，避免不同案件之間標準不一。

結語

透過新的審查機制，環境部正積極推動再生能源開發案的環評審查作業，在提升行政效率之餘，也確保環境影響評估的品質，支持臺灣的離岸風電開發及國家能源轉型政策，也做好把關。藉由標準化檢核表和二階段審查制度，期待能在推動能源轉型的同時落實環境保護。

為確保制度能持續精進，環境部每半年至一年會進行制度檢討，並持續公開所有環評書件於「環評書件查詢系統」（https://eiadoc.moenv.gov.tw/eiaweb/）。此外，環評會議召開前一週，也必須在指定網站公布開會訊息，讓民眾能申請列席旁聽或發表意見。透明化措施一方面展現了政府推動永續發展的決心，另一方面也確保全民能共同參與監督離岸風電的發展過程。未來，這套制度將在各界的檢視與建議中持續完善，為臺灣的永續發展貢獻心力，發揮環評作業的最大效益。

數學絕對是科學上非常重要的工具，當科學面對重大疑難雜症時，往往確實是由數學來解決問題。歷史上有很多例子，可以用來說明科學家遇到科學問題時，發明數學工具來解決問題。

例如我們知道，一個物體如果維持每秒鐘 30 公尺的速度前進，那麼 100 秒之後，它會前進 3,000 公尺。但如果這個物體的速度是會穩定減少，平均每一秒鐘還會穩定的減少每秒 10 公尺，也就是一秒後它的速度就變成 20m/s、兩秒之後變成 10m/s，以此類推。

這樣的話，我們知道它 3 秒之後會停下來，但你能知道它前進的距離總共有多少嗎？

為了解決這個問題，牛頓發明「微積分」這個數學工具。

先有雞還是先有蛋？先有科學還是先有數學？

物理學家為了要處理像是「位移」、「力」、「速度」這類問題，也發明「向量」這樣的數學工具來幫助物理學家解決問題。

這樣看起來，好像應該說「科學是數學之母」才對？

也有的時候，科學家為了精準簡潔的描述自然界規則，運用數學語言來作為描述的方式。

例如我們知道，兩物體之間永遠存在一個互相吸引的萬有引力，萬有引力的大小和兩物體的質量大小乘積成正比，和兩物體的距離平方成反比。這麼一大段落落長的描述，如果用數學符號來表達，就會變成：

\(F = G \frac{m_{1}m_{2}}{r^{2}}\)

這樣的表達既簡潔又精準，當然是很不錯的描述方式，很受科學人的喜愛。數學是科學中重要的工具，可以幫助科學解決很多問題。在學習科學或發展科學的某些階段，數學更是不可或缺的工具，沒有數學便跨越不了某些門檻。

即便如此，數學好像也說不上是「科學之母」。

科學始於好奇心，每個孩子都是天生的科學家

我總覺得「科學之母」的意思，應該是科學的產生者。那什麼才是科學的產生者？我認為是「觀察」。

觀察與好奇心促成科學的動機觀察的意思不是觀看，不是說用眼睛看到些什麼東西就是觀察。觀察是會產生疑問的，會勾起你的好奇心。看到一些「怪怪的」、好像跟平常不一樣的事物時，你可能會留心的多看個兩眼，腦袋裡想著：「昨天跟今天看到的太陽升起位置，是不是有什麼不一樣？」、「上次釀的酒跟這一次喝起來好像不一樣？」

察覺這些差異之後，你的好奇心可能就會接手，開始思考如何解釋這樣的差異。

如果你認真一點的話，可能會對現象進行系統化的描述記錄，將那些雜亂的事物根據相同處、相異處進行比較並分類，有時候或許能從中發現一些現象的規律性或者因果性。

例如我們的祖先們長期觀看著海，把每天看的海水高度做了記錄，時間一長就慢慢看出一些規律性，發現每天海水高度變化跟月亮的位置有關：滿月的那天，當潮水最高的時候就是在正中午。

進而發現不同的月相和漲退潮的時間，有某種特定的關係。等蒐集到夠多的事實之後，很可能就可以發現規律性。

察覺這些規律性、相同處、相異處之後，有些人會興起強烈的好奇心，想要一探這些現象背後的完整詳細規則，或是探詢造成這些規則背後的原因，這時，科學的動機就出現了。

自文明誕生以來，有很長一段時間，人們只是用神話的方式來解釋自然，直到近幾百年才發展出有系統的科學方法，以極端嚴謹的態度來檢視心中的答案。雖然科學是近代產物，但產生科學的動機卻是每個人都天生具備的，那就是「觀察」和「好奇心」。

每個孩子天生就很愛問問題，這也是為什麼許多科學家會說：「每個孩子都是天生的科學家」，不過這句話的下一句是：「直到 XX 歲為止」。

為什麼等到我們長大以後，就不會提問了呢？

身為老師的我們都曾發現，學生到了國中之後，似乎就變得很不愛問問題。

我相信造成這個結果的原因有很多，例如我們的科學教材教法往往是去情境化、去脈絡化的；我們的考題有許多是脫離現實的；我們的課程也經常不是以學生親身觀察而產生的探究問題作為出發點。

此外，大量意義不明的數學練習，恐怕也是重要的原因之一。

既然數學題目難以避免，我們該怎麼讓這些練習對學生而言，變得更有意義、更具有科學教育的價值呢？

數學在科學課堂上扮演的角色在科學的學習中，數學作為一種工具，其存在是必要且適當的。但我們應該注意的是：工具的使用必有其特定的使用動機和情境。

如何讓學生知道自己在幹嘛？以燃素說、氧化說為例

例如拉瓦節（Antoine Lavoisier）並不是一開始就在實驗室裡面計算數學，因而發現燃燒的本質是物質的氧化。他是因為用定性分析方式無法成功反駁當時主流的「燃素說」，才進一步使用量化實驗、測量精準的數據，得到足以駁倒「燃素說」的證據。

讓學生具備動機和情境後，在適當的難度下，引進必要的數學就會覺得理所當然。如果學生知道自己正在處理什麼問題，也知道為什麼需要運用這個工具的情況下，那麼在自然科裡面學習數學是沒有問題的。

於是我在燃燒的單元中，設計了讓學生閱讀並比較史塔爾（Georg Ernst Stahl）提出的「燃素說」和拉瓦節的「氧化說」。兩個學說都是在描述學生熟悉的燃燒現象，但卻有著截然不同的解釋方式。

史塔爾的「燃素說」認為：

因為物質燃燒時，物質裡面的可燃成分（燃素），會從物質內逃逸出來與空氣結合，從而發光發熱，這就是火。並且因為燃素從物質中釋放出來，重量就變輕了，釋放燃素的物質只剩下灰。

但有些物質，像是金屬，它們內部的空隙就像容器一樣，裡面充滿燃素。燃素與金屬分離後，空出來的容器會被空氣填滿，容器裝著比燃素重的空氣，重量自然就變重了。

而且物質在加熱時，燃素並不能自動分解出來，必須藉空氣來吸收燃素，才能將燃素釋放出來，而且愈好的空氣吸收燃素的效果愈好。

拉瓦節的「氧化說」則主張：

物質燃燒時，不是物質內部的燃素釋放出來，而是物質和空氣中的氧氣結合。結合的過程中會發光發熱。

結合之後的物質，稱為氧化物。氧化物如果是氣體或者變成飛灰離開了物體本身，質量就會變小，就像紙張燃燒一樣。

如果物質氧化物和物質是依附在一起的，那就會看到質量變重，就像金屬的燃燒一樣。

你會發現兩者的說法看起來都能完美的解釋燃燒現象，如果只是觀察各種燃燒的現象，並不足以判別誰說的才對。這時，用量化方式精準測量燃燒過程中各階段物質的質量變化，就變成判別是非的關鍵所在。

量化實驗當然是比定性實驗更加困難，但當我們對於某個事件產生興趣時，這些困難就會瞬間變成讓人興致高昂、願意去挑戰和克服的關卡。

數學的工具也是如此，所以我在運動學的課程設計中，利用交通安全宣導影片中常出現的「未維持安全距離」下產生的交通事故，讓學生感受到危險，並且產生「安全距離是怎麼計算出來的」的疑惑，激發學生解決問題的動機。

動機產生之後，我們就可以把待解問題轉化為比較嚴謹的文字敘述：「車子以 108km/hr 的速度行駛在高速公路上，因前方發生事故而緊急煞車。若車子能在 X 秒鐘之內停下來，我們的煞車距離有多少？」這就變成大家熟悉的考題了。

此時不管是使用公式也好，圖形法也好，學習起來就會比較自然而然、順理成章。在課堂上營造動機與脈絡，讓解決這些數學問題變成必要的過程，就是我們在課程設計上可以努力的方向。

——本文摘自《教出科學探究力》，2021 年 8 月，親子天下 ，未經同意請勿轉載。

這幾年，你不需要一台高單價的顯微鏡就可以做顯微觀察，只要一台能直接架在手機、平板電腦的手機顯微鏡，就可以輕鬆觀察。只是，你早就買了一台手機顯微鏡，卻不知道拿它來做什麼？開箱後又默默把它封存回去了嗎？

顯微鏡是一個工具、一個能力，重要的是你怎麼去使用它。

——林建明博士， uHandy 行動顯微鏡開發團隊

當你獲得了這個能力，就能變成超級英雄、改變世界嗎？先別說不可能，讓我們來看看其他人怎麼使用手機顯微鏡改變他們的生活、他們的工作吧！

阿簡老師：讓生物課走出教室

在 uHandy 還沒誕生前，研發的團隊就曾經去拜訪在網路上長期分享自己生物教學心得的阿簡老師。任教於新竹市光華國中的阿簡老師，將他在課程上的需求轉化成給團隊的設計建議，也讓可以適用於教學的手機顯微鏡終於誕生。

「在教室裡面上生物、生態系很怪！」

阿簡老師說，在他的課程裡面，每個月都會安排讓學生走出教室的課程。學生如果沒有親眼看到這些生物，對他們而言就只是背起來應付考試而已，一點都不有趣。

現在在阿簡老師的課堂上，學生已經可以很熟練地操作手機顯微鏡。他帶著學生直接到校園中的生態池採樣觀察水生生物、尋找不同植物的花粉、看蕨類植物背後的孢子囊等。阿簡老師說，學生拍出來的這些顯微照片，雖然就跟課本看起來一樣，但自己拍攝的感覺就是不同。而這些顯微照片，也不只是給學生臉書打卡用（誤）。阿簡老師還把學生拍攝出來的顯微照片，製作成一個一個的胸章、鑰匙圈，又幫照片找到新的價值。

在前（2016）年一月，阿簡老師的學生們，也一個一個成為小助教，在學校辦理給國小學生的營隊「大手牽小手」中，帶著小學生使用手機顯微鏡。

把髒手手放到顯微鏡下觀察

宜蘭縣中山國小的校園內，也出現手機顯微鏡的蹤跡！

筆者印象中自己國小的時候，大概只用過小型攜帶式的顯微鏡，還有個鑰匙圈可以掛在背包上面，但實際拿出去也沒看過幾次，小小的鏡頭下最常塞進去的大概是打死的蚊子。

中山國小老師黃昭銘畢業於台大動物系（現在改為生命科學系），希望將以往製作玻片樣本在顯微鏡下觀察的經驗，分享給現在的學生，只是苦於找不到合適的工具。他曾在整理學校的實驗器材時，發現顯微鏡竟然都因為久未使用、保存不當而發霉。這些老舊、簡陋的顯微鏡，老師、學生都不願意使用，根本不可能帶學生做顯微觀察。

黃昭銘在 10 年前就留意到，國外募資網站陸續開始出現 Maker 們設計出的新型顯微鏡，搭配當時才剛推出的 iPhone 做使用。不過，由於手機還未那麼普及，要在課堂中使用不易，他就只能繼續觀望。直到 2016 年他在朋友分享 Computex Taipei 的展覽時，看到了一絲曙光。「太好了，這就是我要的！」黃昭銘看到 uHandy 顯微鏡後，立馬找上億觀生技，自告奮勇要用這個顯微鏡為小學生設計課程－－許多有趣的課程從此誕生。

「魔鏡！魔鏡！」是黃昭銘設計的第一個課程，從虎克製作顯微鏡的科學史談起，介紹到顯微鏡的使用方式，最後讓學生自己出去採樣，回來在放在手機顯微鏡下觀察。這個課程設計給四年級的學生，初次嘗試的效果很不錯。

既然成功了，那就再來試試給低年級的課程。黃昭銘說，第二個課程「你洗手了沒？」是與學校的護理師合作，在小朋友最容易感染腸病毒的夏天進行。課程特別選擇在學校其中一節 30 分鐘下課後操作，在這超長的下課時間，學生跑到操場打球、玩耍，在最後一刻髒兮兮回到教室。這時老師拿出採樣貼紙，在學生的手上黏了幾下，就放到顯微鏡下做樣本觀察。黃昭銘說，他會將顯微鏡下的畫面投影到大螢幕，讓學生們看看自己的手有多髒，順便叮嚀他們要好好洗手的概念。

「如果學生受老師引導到一個地方，他願意學，這才是教育的目的，而不是教了他多少。」

現在手機顯微鏡在中山國小，已經成為自然課教學的一部份。黃昭銘說，學生們或許知道學校裡有這棵樹，但他們沒有近距離看過它的葉子、種子，不管是皺褶、花紋等細部的結構。重要的是他們學會觀察，並敘述他們所看到的，或是跳脫框架表達他們的想法，不管是覺得觀察的東西很噁心或是很可愛。這樣的課程引起學生們的興趣，讓他們對於周圍的世界感到好奇、想去探索。

城市養蜂計畫：要養好蜜蜂，先要瞭解牠們

在台北市有另一名老師，他所帶領的學生年紀都稍長一點，每一個人都戴著頭套面罩，圍在一個一個的箱子旁邊，箱子以及他們的四周都是蜜蜂。這是松山農會養蜂研究班的教學現場，蔡明憲老師只戴著一頂鴨舌帽，穿梭在每個蜂箱間，幫忙學員檢查蜜蜂生長的狀況。

蔡明憲是「城市養蜂計畫」的推動者，他希望透過實際的行動將蜜蜂帶回城市，不只復育蜜蜂，也從養蜂的過程不斷檢視環境的變遷，進而改善人與人、人與環境之間的關係。為了這個理念，他陸續在松山社區大學、松山農會等地開班授課。在他的養蜂班中，不僅要會養蜜蜂，更要了解蜜蜂。從蜜蜂出發，他帶領這群學員認識昆蟲、了解生態。

「一般的農民只會用他的經驗教你一套養蜂的SOP，但蜜蜂是活的，總有許多狀況，有一天這些SOP會失效。」

養蜂研究班上個月的聚會，是個三個小時的室內課與戶外實務操作，但這一天他們不養蜂，而是要解剖蜜蜂。學員們帶著自己的手機，接上手機顯微鏡開始觀察蜜蜂，在手機螢幕上他們才發現原來蜜蜂的後翅有翅鉤，將前翅和後翅鉤在一起。也會拿著鑷子解剖小心翼翼地解剖蜜蜂，觀察牠們的口器、觸角等構造。

在解剖蜜蜂的過程，還會讓學員幫蜜蜂們做身體檢查，蔡明憲說，蜜蜂生態與生物學的基本知識很重要，外部形態與內部解剖是養蜂學的基礎，例如有些疾病會讓蜜蜂拉肚子，得透過解剖過程拉出牠的中腸，觀察腸道是否有異常狀況，做為疾病判斷的依據，避免誤診和濫用藥物。

除了陪著這些都市蜂農養蜂之外，蔡明憲的蜜蜂課將走進中崙高中，也將有機會繼續與手機顯微鏡合作，開辦一系列課程。透過這些課程，不僅是了解蜜蜂，也可以體驗養蜂所產出的副產品，包括蜂蜜以及用來取代保鮮膜的蜂蠟布等。

從生物到化學：口袋大小的教案組合

開發手機顯微鏡的團隊，除了繼續改良顯微鏡的功能之外，他們也著手為顯微鏡量身訂做教師專用研習套組。每一個中型夾鏈袋中就包含了一個教案，以及這個教案操作所需要的素材，只要搭配手機顯微鏡就能實際操作。比方說，若你不像蔡明憲老師一樣自己養蜜蜂，那麼「透視蜜蜂的超能力」這個套組，就包含了老師提供的蜜蜂樣本，還有解剖技巧教學跟觀察重點。就算沒有專業背景，簡單就能觀察蜜蜂的結構並且瞭解現代科學的延伸應用。

或者，你想看活蹦亂跳的草履蟲，不需要靠運氣跑去池塘撈泥巴，直接試試「召喚草履蟲」套組，只要一兩天，就能在顯微鏡下看見草履蟲及各種微生物游來游去。不僅如此，科學也可以很藝術！「種植一片銅珊瑚」材料包，教的是氧化還原的觀念，可以直接在顯微鏡上看見美麗的結晶；「微米雕刻家」材料包則運用類似於奈微米壓印微影的技術，將自然界中精緻的微小結構保存下來，成為一個藝術作品，只有透過顯微鏡才能欣賞。

建明希望這些教案研習套組，能賦予老師們教學上的靈感，也減輕備課壓力，輕鬆就能帶給學生好玩又有趣的課程。

看了這些運用手機顯微鏡來作觀察、教學的例子，你是不是也躍躍欲試了呢？歡迎跟我們分享，你用手機顯微鏡作了什麼有趣、有創意或很特別的觀察。

本文相關系列文章

• 《讓「帶著顯微鏡闖蕩異世界」變成可能！從bench到口袋，uHandy 行動顯微鏡是如何煉成的？》
• 《用科學知識和那顆想助人的心勇闖新視界：億觀生技的科學創業之路》

開啟你的掌心實驗，請至泛科市集《uHandy Duet 行動顯微鏡組》