夫朗和斐誕辰｜科學史上的今天：3/6

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

• 林百尉　中央研究院民族學研究所
• 柯維盈　中央研究院歷史語言研究所
• 劉致慧　中央研究院歷史語言研究所
• 陳光宇　紐澤西州立羅格斯大學
• 黃銘崇　中央研究院歷史語言研究所

1928 至 1937 年間，中央研究院歷史語言研究所（以下簡稱史語所）於河南安陽小屯村周圍進行 15 次發掘，發現晚商時期的大量遺存，包括宮殿宗廟區的大型建築基址、西北崗的大型王陵、墓葬、祭祀坑等遺跡，以及青銅、陶、玉、骨等遺物，首次在考古學上證實以安陽小屯為中心的區域，是晚商的都城殷墟。除此之外，更發現了兩萬多片甲骨，包括 1936 年發現大量未經擾動的甲骨層、備受學者矚目的 YH127 坑，^[1]目前皆收藏於史語所。

過去學者對甲骨塗色現象多有關注，然而，由於缺乏科學儀器及技術，長期限於肉眼辨識顏色種類，以及推測顏料成分。近年，我們系統性整理史語所藏殷墟甲骨上的塗色現象，並採用拉曼光譜分析其顏料成分，首次揭開甲骨色彩與顏料的神秘面紗。

甲骨塗色現象的肉眼辨識記錄及其限制

甲骨塗色的記錄，始於 1910 年羅振玉《殷商貞卜文字考》記錄甲骨文字塗朱、墨；其後，王襄（1925）、容庚（1933）等著錄皆有提及塗朱、墨的現象。^[2]對史語所發掘甲骨文字所塗顏色的觀察，始於 1929 年董作賓〈新獲卜辭寫本後記〉，將所見塗色分為朱、墨兩種。屈萬里在《殷虛文字甲編考釋》中，更將顏色分為朱、墨、赭、淡紅、黃、紫等色。張秉權對 YH127 坑甲骨進行復原、綴合和考釋，出版《殷墟文字丙編》，以單版甲骨為單位，逐版記錄甲骨文字的塗色與褪色狀況，分成硃、褐、墨三種顏色，並直言其顏料成分有待定性分析。^[3]

除了史語所 1928 至 1937 年發掘的甲骨之外，1950 年後殷墟的考古發掘繼續進行，陸續出土許多甲骨。其中，最有名的兩次發現為 1973 年於小屯南地發現五千餘片甲骨、1991 年於花園莊東地 H3 坑出土 659 件龜腹甲、25 件背甲和 5 件卜骨，分別著錄於《小屯南地甲骨》與《殷墟花園莊東地甲骨》，並有塗朱、塗黑等現象的記錄。^[4]

2014 年，林宏明在檢視大量甲骨彩照之後，認為過去學者所判斷的顏色，可能受到埋藏環境及時間的影響，且無法確定是否為商人所塗原色，因此主張僅以塗朱、塗墨區分即可；而其學生林雅雯則認為褐色與朱、墨有顯著差異，提出甲骨塗色應有朱、墨、褐三色。^[5]

以上對甲骨塗色現象的記錄，皆為肉眼辨識，並未透過科學技術和方法進行顏料成分的定性分析。肉眼辨識的缺點，除了在人對顏色的感知和判斷標準不同之外，甲骨所塗顏料經過多年地下埋藏，可能導致嚴重的褪色，進一步使得今日學者肉眼辨識的顏色，不見得是晚商製作甲骨時所施用的顏色。除此之外，肉眼辨識僅能推測顏料材質，無法予以證實。因此，透過當代科學技術和方法進行顏料成分的定性分析，成為進一步討論甲骨塗色現象及其可能意義的突破點。 

拉曼光譜用於分析甲骨所塗顏料的可行性與突破性

過去使用科學方法檢驗顏料性質的研究，僅有 Benedetti-Pichler 透過傳統濕化學分析法，刮下普林斯頓大學所藏甲骨上的紅色顏料，推測其為硫化汞，存於自然界的硃砂。^[6] 然而，這種侵入式方法不僅方法繁複、造成文物耗損，且僅能測出顏料可能的成分元素，而非分子結構。

目前學界常見的其他分析方法，包括氣相色譜—質譜聯用分析法（GC-MS）、傅里葉轉換紅外光譜分析法（FTIR）、核磁共振法（NMR）以及 X 射線螢光光譜法（XRF）；然而，如學者所指出，這些方法或需進行化學預先處理、或易受不同因素干擾、或無法進行物相分析等。因此，非侵入式、高效的拉曼光譜（Raman Spectra），成為受到重視的分析方法。^[7]

1928 年，印度科學家拉曼（Chandrasekhara Raman）發現，光線穿透透明液體時有散射現象，散射光的波長與原入射光不同，此一現象被稱為拉曼效應。波長改變的數值，反應分子內部的化學鍵振動（包括轉動）與不同能階的間距。因此，入射光與散射光的頻率移動差距，與分子的化學鍵與構成元素，有一定的密切關係。換言之，透過某一特定化合物入射光與拉曼光頻率之差所得光譜，等於該化合物的分子指紋（molecular fingerprint）。  

由於拉曼散射強度僅為入射光的千萬分之一，直到雷射器問世，能提供優質、高強度的單色光，方推進其研究與應用。拉曼光譜儀結合共聚焦顯微鏡及雷射器，形成精準微量取得分子指紋的理想組合，可迅速辨識樣品中的各種化合物。自 2000 年代技術成熟之後，拉曼光譜已被學界大量用於分析考古所出土無機質類（包括陶瓷、玻璃等）、有機質類（包括竹木漆器、紡織品、紙質等）以及複合類（包括壁畫、彩陶等）文物，進行顏料成分鑑定、膠料及有機殘留物鑑定、胎體分析，以及真偽鑑別；其中，顏料成分鑑定被廣泛用於壁畫、紙本手稿、漆器、陶器，以及青銅器等，為學者提供關於古代文物所塗顏料種類、來源、製作方法，以及彩繪復原的重要材料。^[8]

過去學者對甲骨塗色現象多有關注，然而，由於缺乏科學儀器及技術，長期限於肉眼辨識顏色種類，以及推測顏料成分。使用拉曼光譜分析甲骨所塗顏料，不僅具有技術上的可行性，更在相關研究上具有突破性。近年，我們系統性整理史語所藏殷墟甲骨上的塗色現象，由本所文物維護實驗室採用拉曼光譜進行分析。

實驗採用美國 Horiba Jobin Yvon 所出產 iHR320 拉曼光譜儀，採用共焦型—夾縫空間率波法，搭配 Olympus LMPLFLN 50x/0.50 物鏡或 PLL 80x/0.80 物鏡及 CCD 感光元件（1024×256 pixels）偵測儀，搭配 632.8nm 雷射光源約 17mW，物鏡下有效雷射能量約在 1.29-0.11mW 之間，將甲骨直接置於物鏡下進行顯微拉曼分析。此種無損分析方法，不須取樣或事前制樣作業，可針對甲骨刻辭塗色殘留區域進行分析。每件樣本分析前，須以單矽晶片校正光譜。進入分析過程後，先以 10x 物鏡觀察顏料殘留集中區域、避開纖維或汙染物干擾，再以 50x 或 80x 物鏡獲取圖譜分析位置，至少採集 1-5 次拉曼圖譜。條件設定如下：夾縫寬度（front entrance）約 100-400μm、光柵（grating）設定值為 1800 grooves/mm、曝光時間（Exposition）為 2-20 秒（sec）、掃描（Accumulation）次數皆為 1 次，可偵測波長範圍（wavenumber）為 100-4000cm-1。

綜上所述，透過非侵入式的拉曼光譜對甲骨所塗顏料進行成分鑑定，不但不必對甲骨進行任何化學前置處理作業，對甲骨刻槽中大小僅數微米的顏料顆粒，亦能借助顯微鏡，精準、迅速地獲得散射光譜。截至 2021 年，我們已檢測了史語所藏甲骨 48 片，並將所得結果與數據庫對照，確認甲骨所塗顏料的化學成分。^[9]

史語所藏甲骨上的色彩與顏料

本文精選史語所藏甲骨中，肉眼辨識色彩鮮明、具代表性，且經拉曼光譜分析證實，含括硃砂、赤鐵礦、碳黑、針鐵礦等不同顏料成分的 4 片甲骨，針對其形制、塗色分布、塗色刻辭內容，以及實驗分析顏料所得成果，逐片進行介紹。

由於下文將介紹甲骨上的塗色分布，在此先介紹龜腹甲的部位，以便讀者對照文字敘述與甲骨彩照，找到拉曼分析的刻辭位置。我們採用陳夢家《殷墟卜辭綜述》所繪龜腹甲線圖，^[10] 並於其上標示不同部位名稱（圖 1）。以下，針對本文所選 4 片甲骨，逐一進行介紹。

一、R041287（碳黑）

此版為一龜腹甲殘片，左右甲橋、下半部皆殘泐，表面有多處剝蝕，下端有一裂縫；全版長 13.7 公分、寬 12.2 公分。刻辭塗色部分，正面明顯塗黑；背面除左側占辭明顯塗黑，而首甲、中甲卜辭則呈現深褐色。甲骨正面及背面塗黑的刻辭均屬於生育事類，卜問商王武丁的三后之一——婦好分娩的時間和嬰兒性別，而武丁親自觀兆，並於占辭慎重推測丁日或庚日生男，而壬戌日則生女。然而，正問的驗辭「三旬又一日，甲寅娩；不嘉，惟女。」一段，記錄婦好是在 31 天後的甲寅日生出女嬰，生女不嘉，可見商人對於生男有所期待。^[11] 我們透過拉曼光譜分析本段驗辭中，位於正面左首甲和中甲交界處「甲」字（圖 2-1 A），發現其拉曼特徵峰值為 1365.8、1585.3 cm^-1（圖 2-1），為含碳黑顏料的特徵（圖 2-2），故判斷此處塗黑為碳黑。

圖 2-1　R041287 碳黑拉曼分析圖譜。 　　　　A. R041287 正面分析位置。B. 圖 A 紅點區 10x 物鏡下顯微照片。 　　　　C. 圖 A 紅點區 50x 物鏡下顯微照片。

圖 2-2　碳黑顏料樣品拉曼圖譜，拉曼特徵峰值為 1329.7、1581.1cm-1， 　　　　參考標準樣為 Kremer47710-碳黑色粉。

二、R044327（硃砂）

此版為一龜腹甲殘片，甲橋及下半部多有殘泐，長 23.8 公分、寬 20.7 公分。刻辭塗色部分，正面從中甲以降，前甲與後甲部位皆塗紅；正面首甲兆序和背面首甲刻辭同為塗黑，應是同組。塗紅之刻辭皆屬於建築事類，記錄貞人「爭」於壬子日及次日癸丑，卜問上帝是否順祐興築城邑一事，占卜次數高達 35 次；癸丑日亦卜問上帝是否順祐商人遷入此邑，高達 20 次；可見商人對此次「作邑」、「宅邑」之重視。「癸丑卜，爭貞：帝弗若？」一段屬於「宅邑」正反對貞的反問，位於左前、後甲交界，左後甲殘泐之處。我們透過拉曼光譜分析其中橫跨齒紋的「貞」字（圖 3A），發現其拉曼特徵峰值為 200.6、252.8、342.5cm^-1，為硃砂（硫化汞）的特徵峰，故判斷此處塗朱為硃砂（圖 3）。

圖3　R044327硃砂拉曼分析圖譜。比對樣本為Kremer-10620硃砂色粉。 　　　A. R044327拉曼分析位置。B. 紅點區10x物鏡下顯微照片。C. 紅點區50x物鏡下顯微照片。

三、R044358（硃砂、碳黑）

此版為一龜腹甲殘片，下半部殘泐，長 17.5 公分、寬 13.4 公分。刻辭塗色部分，首甲正面、自右向左的刻辭，與位於首甲、中甲背面的驗辭，皆為塗紅；位於左前甲正面邊緣的命辭，與位於左前甲背面邊緣的驗辭，皆為黑色；甲骨背面，中甲下方的卜辭為黑褐色；左右甲橋正面皆為黑褐色。刻辭屬於祭祀、氣象事類；正面塗朱大字的部分，卜問乙巳日酒祭下乙（祖乙），商王判斷該祭恐有禍害，應鑿牲祭祖以避禍。驗辭「乙巳酒，明雨，伐；既雨，咸伐，亦雨。卯鳥星」一段，講述乙巳日天亮時正在下雨，進行酒祭、伐牲一人；酒祭進行時，雨停，酒祭結束後，繼續下雨。當天亦兼用、卯兩種殺牲法祭拜鳥星。我們透過拉曼光譜分析位於正面中甲左半部的「既」字（圖 4-1 A），發現其拉曼特徵峰值為 200.8、254.3、343.4cm^-1，為硃砂（硫化汞）的特徵峰，故判斷此處塗朱為硃砂。位於背面中甲左半部的「戠」字塗朱，亦有相同的特徵峰（圖 4-1 C），顯示此版甲骨正背面大字塗紅均為硃砂（圖 4-1）。

圖 4-1　R044358 硃砂拉曼分析圖譜。比對樣本為 kermer-10620 硃砂色粉。 　　　　A. R044358 正面分析位置。B. 圖 A 紅點區 50x 物鏡下顯微照片。 　　　　C. R044358 背面分析位置。D. 圖 C 紅點區 50x 物鏡下顯微照片。

另外，我們亦分析位於背面左首甲、左前甲的刻辭「九日，甲寅，不酒，雨」，此段驗辭為正面命辭「丙午卜，爭貞：來甲寅，酒大甲」的驗辭，講述於丙午日貞問後九天，即甲寅日，並未酒祭大甲，當天即下了大雨。我們透過拉曼光譜分析其中位於左首甲的「酒」字（圖 4-2 A），發現其拉曼特徵峰值為 1376.7、1580.9 cm^-1，屬於含碳物質的頻帶，故判斷此處塗黑為碳黑（圖 4-2）。

圖4-2　R044358 碳黑拉曼光譜分析。 　　　　A. R044358 分析位置。B. 圖 A 紅點區 10x 物鏡下顯微照片。 　　　　C. 圖 A 紅點區 50x 物鏡下顯微照片。

 四、R044852（針鐵礦、碳黑、赤鐵礦）

此版為一完整龜腹甲，長 20.3 公分、寬 11.7 公分。刻辭塗色部分，正面首甲和左右甲橋上半部以塗黑為主，僅有卜辭「貞」等個別字塗紅；前後甲所刻卜辭以褐色為主，僅卜辭末「年」字塗黃；背面左右前甲到後甲的卜辭和占辭，以及左右尾甲的卜辭，皆塗黑，有些呈現黑褐色。整版刻辭有官吏和農業等事類，而褐色為主，部分塗黃之卜辭屬農業事類。我們分析位於正面左前甲的「丙子卜，韋貞：我不其受年？」，貞人「韋」於丙子日卜問今年是否豐收，此段為該正反對貞的反問。我們透過拉曼光譜分析「年」字黃色筆畫處（圖 5-1 A），發現其拉曼特徵峰值為 300.6、387.3、471.3、547.2、1086.6，與針鐵礦（Goethite，α-FeOOH）的拉曼特徵峰值（299.3、355.1、386.5、551.8、1303.0 cm-1）相近，故判斷此處塗黃為黃色針鐵礦，主要成分為氧化鐵，是常見的天然礦物顏料之一，又稱土黃（Yellow ochre）（圖5-1）。

圖5-1　R044852 針鐵礦拉曼分析圖譜。 　　　　A. R044852 拉曼分析位置。B. 圖 A 紅點區 10x 物鏡下顯微照片。 　　　　C. 圖 A 紅點區 50x 物鏡下顯微照片。

另外，我們亦分析了位於正面左尾甲的刻辭「貞：王其有曰多尹，若？」，此段貞問：商王說過多位尹官，是否吉利順若？我們透過拉曼光譜分析「若」字（圖 5-2 A），發現其拉曼特徵峰值為 227.4、297.9、411.7、1322.4 cm^-1，與赤鐵礦（Hematite，α-Fe ₂O₃）的拉曼特徵峰值（228.25、294.75、299.5、 413.5、1318.37 cm^-1）相近，故判斷此處塗朱為赤鐵礦（圖 5-2）。

圖5-2　R044852 赤鐵礦拉曼分析圖譜。 　　　　A. R044852 塗珠分析位置。B. 圖 A 紅點區 50x 物鏡下顯微照片。 　　　　C. 圖 A 紅點區 80x 物鏡下顯微照片。

最後，我們透過拉曼光譜分析位於背面左前後甲交界、近千里路處的刻字「𡧊」（圖 5-3 A），發現其拉曼特徵峰值為 1369.6、1587.4 cm^-1，與碳黑的拉曼特徵峰值相近（圖 2-2），故判斷此處塗黑應屬於碳黑（圖 5-3）。

圖5-3　R044852 碳黑拉曼分析圖譜。 　　　　A. R044852 背面分析位置。B. 圖 A 紅點區 50x 物鏡下顯微照片。

結語與討論

綜上所述，我們以拉曼光譜分析塗色甲骨所得成果及其價值，主要有三點：

第一，顏料成分的鑑定。過去對甲骨所塗顏料成分的討論，長期停留在透過肉眼辨識進行推測，無法予以證實；以科學方法進行分析者僅有一例，但該分析技術不僅為侵入式，且缺乏效率及準確度。我們團隊透過精準且非侵入式的拉曼光譜，分析不同顏色的顏料成分，得出以下成果：紅色顏料成分為硃砂或赤鐵礦、黑色為碳黑，黃色則為針鐵礦 （見表一），從而解決學界長期懸而未決的顏料定性分析問題。

第二，顏色種類的確定。過去學者對塗色甲骨進行肉眼辨識，所提出的顏色種類，主要為紅色、黑色和褐色。然而，肉眼辨識受限於個人對顏色感知和判斷標準的不同，且甲骨經多年地下埋藏，常有嚴重褪色現象，故肉眼辨識建立的顏色分類，缺乏客觀、準確的科學基礎。透過拉曼光譜分析所得顏料材質，我們得以證實在紅、黑、褐三色之外，必須加上黃色。關於褐色的來源，過去學者多認為其為紅色顏料褪色的結果；然而，經拉曼光譜檢測，我們發現其為黑色顏料褪色的例子更多。除此之外，我們亦發現部分褐色有其獨立的顏料來源，但仍無法確定其成分為何。儘管如此，透過拉曼光譜分析，我們得以建立具有科學分析基礎的顏色分類。  

第三，提供進一步研究甲骨塗色功能及意義的科學基礎及可能性。過去學者基於肉眼辨識建立的顏色分類，認為甲骨塗色的功能及意義，可能有美觀、區分和宗教等。然而，該顏色分類缺乏客觀性及準確性。我們透過拉曼光譜分析成果建立的顏色分類，不僅為學者提供客觀且準確的科學基礎，更增加了新的顏色種類，提供進一步研究塗色功能及其意義的可能性。

值得注意的是，本文所選四片甲骨中，內容相同的正反對貞或選貞卜辭（前辭、命辭、占辭及驗辭），即同組卜辭，所塗顏色大抵相同。R041287 正面卜辭與背面占辭，同為卜問婦好生育之事，且皆塗黑。R044327 正面大字卜辭，卜問興建、遷入城邑之事，左右正反對貞，且皆塗紅。R044358 的刻辭皆為祭祀、氣象事類，正、背面的同組卜辭，皆塗同色，分別為塗紅、黑。R044852 所刻對貞卜辭皆塗同色；其中，正面大字卜辭，卜問當年豐收與否之事，左右正反對貞，皆為褐色、僅尾字為黃色，且兆序多塗有黃色。同組卜辭塗色一致的現象，原因值得學者進一步研究。

綜上所述，透過拉曼光譜分析甲骨塗色現象，我們得以鑑定顏料成分、確定顏色種類，從而解決學界長期懸而未決的顏料定性分析問題，並建立客觀、準確的顏色分類，提供學者進一步討論甲骨塗色之功能及意義的可能性。本文透過精選具代表性的 4 片塗色甲骨，介紹其形制、塗色分布、刻辭內容，以及拉曼光譜對顏料成分的分析結果，將史語所具代表性的藏品，以及相關最新研究成果呈現於本文，以饗讀者。期能拋磚引玉，未來繼續開展對殷墟甲骨塗色現象及其功能與意義的研究。

表一　本文所選甲骨之拉曼光譜儀檢測結果^*　筆者製表

	史語所典藏編號	檢測位置	檢測刻辭	甲骨文字	拉曼光譜波數cm-1	顏料
1	R041287	正面，左首甲和中甲交界處	三旬又一日，甲寅娩；不嘉，惟女。		1365.8、1585.3	碳黑
2	R044327	正面，左前、後甲交界處	癸丑卜，爭貞：帝弗若？		254.0、342.5	硃砂
3	R044358	正面，中甲左半部	乙巳酒，明雨，伐；既雨，咸伐，亦雨。卯鳥星。		200.8、254.3、343.4	硃砂
		背面，中甲左半部	乙巳夕，有戠于西。		200.3、254.5、343.9	硃砂
		背面，左首甲	九日，甲寅，不酒，雨？		1376.7、1580.9	碳黑
4	R044852	正面，左前甲	丙子卜，韋貞：我不其受年？		300.6、387.3、471.3、547.2、1086.6	針鐵礦
		正面，左尾甲	貞：王其有曰多尹，若？		227.4、297.9、411.7、1322.4	赤鐵礦
		背面，左前後甲交界、近千里路處	庚戌卜，𡧊		1369.6、1587.4	碳黑

^* 每版均檢測多個刻字，本表僅舉數例，並使用粗體、畫底線標明被檢測字。

附錄：本文所引各版甲骨之彩照

註腳

• [1] Chi Li, Anyang (Seattle: University of Washington Press, 1977), 3-157.
• [2] 羅振玉，《殷商貞卜文字考》（玉簡齋石印本，1910），頁 31；王襄，《簠室殷契徵文．考釋．第一編》（天津：天津博物院石印本，1925），頁 2；容庚、瞿潤緡，《殷契卜辭》（1933 年），收入氏著《容庚學術著作全集．第一冊》（北京：中華書局，2011），頁 171、245-246。
• [3] 董作賓，〈新獲卜辭寫本後記〉，收入《安陽發掘報告（第一期）》（臺北：中央研究院歷史語言研究所，1929；1996 年景印一版），頁 212；屈萬里，《殷虛文字甲編考釋》（臺北：聯經出版公司，1984）；張秉權，〈序〉，收入氏編著《殷虛文字丙編．上輯（一）》（臺北：中央研究院歷史語言研究所，1957），頁 3-4。
• [4] 中國社會科學院考古研究所編著，《小屯南地甲骨》上、下冊（北京：中華書局，1980、1983）。中國社會科學院考古研究所編著，《殷墟花園莊東地甲骨》（昆明：雲南人民出版社，2003），頁 1575、1683。
• [5] 林宏明，《甲骨文中的塗朱卜辭研究》（科技部補助專題研究計畫成果報告，編號：NSC 102-2410-H-004-172，未出版，2014 年 10 月 30 日），頁 4；林雅雯，〈甲骨塗辭研究：以塗朱甲骨為核心〉（臺北：國立政治大學中國文學系碩士論文，2016），頁 83。
• [6] Anton Alexander Benedetti-Pichler, “Microchemical Analysis of Pigments Used in the Fossae of Incisions of Chinese Oracle Bones,” Industrial and Engineering Chemistry 9, no. 3 (March 1937): 149-152. 同年，白瑞華（Roswell S. Britton）發表文章介紹前者的研究成果，並據此認為甲骨塗朱的顏料即為硃砂。見 Roswell S. Britton, “Oracle-Bone Color Pigments,” Harvard Journal of Asiatic Studies 2, no. 1 (March 1937): 1-3.
• [7] 郭瑞、楊麗琴、楊璐，〈拉曼光譜法在彩繪文物分析中的應用進展〉，《光散射學報》，第 25 卷第 3 期（2013 年），頁 235-242。
• [8] 馮澤陽、張衛紅、鄭穎、朱鐵權、陳建，〈2000 年以來拉曼光譜在考古中的應用〉，《光散射學報》，第 28 卷第 1 期（2016 年），頁 27-41。
• [9] 柯維盈、林百尉、劉致慧、黃銘崇、陳光宇，〈甲骨刻辭之塗色及其意義——以 YH127 坑為例〉，收入《第二十一屆中區文字學學術研討會論文集》（臺中：逢甲大學中文系，2019 年），頁 1-48；陳光宇、劉致慧、柯維盈、林百尉、黃銘崇，〈甲骨刻辭塗色的拉曼光譜分析〉，收入宋鎮豪主編，《甲骨文與殷商史》新十輯（上海：上海古籍出版社，2020），頁 458-474；陳光宇、劉致慧、何毓靈、柯維盈、黃銘崇，〈殷墟出土甲骨、文物、棺土的拉曼光譜分析〉，《古今論衡》，37 期 （2021.12），頁 73-89；Jhih-huei Liu, Weiying Ke, Ming-chorng Hwang, Kuang Yu Chen, “Micro-Raman Spectroscopy of Shang Oracle Bone Inscriptions,” Journal of Archaeological Science: Reports 37 (2021), doi:102910. Available at ScienceDirect.com: https://doi.org/10.1016/j.jasrep.2021.102910. Jhih-huei Liu, Yuling He, Weiying Ke, Ming-chorng Hwang, Kuang Yu Chen, “Cinnabar Use in Anyang of Bronze Age China: Study with Micro-raman Spectroscopy and X-ray Fluorescence,” Journal of Archaeological Science: Reports 43 (2022), doi:103460. Available at ScienceDirect.com: https://doi.org/10.1016/j.jasrep.2022.103460.
• [10] 陳夢家，《殷墟卜辭綜述》（北京：中華書局，2008），插圖一。
• [11] 本文釋文參考張秉權，《殷虛文字丙編考釋》（臺北：中央研究院歷史語言研究所，1972）；朱岐祥，《殷虛文字丙編選讀》（臺北：台灣學生書局，2021）。

近年來，在新課綱推行之下，「素養」這個詞成為熱門關鍵字，「對我來說，素養就是面對世界的行為模式，在面臨問題時，一個人會抱著什麼樣的態度去解決問題。而科學素養就是『像科學家一樣思考』」LIS 科學情境教材（台灣線上教育發展協會）創辦人嚴天浩這麼說。

嚴天浩在大學時開始製作教學影片，最初的動機來自上大學後體會到城鄉差距、資源落差，想藉由線上教材擴大影響力，然而觀看次數卻不如預期。

2013 年起，嚴天浩和夥伴到台東，向「孩子的書屋」負責人陳爸（陳俊朗）請益，並長期蹲點接觸孩子，發現學生們面臨最大的問題不在於「學什麼」，而在於「為什麼要學」，因此意識到若要改變孩子的學習狀態，不能只是單方面灌輸「老師想教的」，而要從學生的需求出發，了解「孩子想學什麼」。

七年來，LIS 拍攝超過 100 支線上科學影片，包括將科學家的思想歷程、時代背景融入角色劇情的科學史，以及結合時事、生活情境的科學實驗，目前已經超過 250 萬觀看人次，也成為全台許多中小學的教材。

這次，LIS 歷時三年研發出一套科學實境解謎遊戲，不只在玩遊戲的過程中學科學，也引導孩子練習「像科學家一樣思考」。

什麼是「像科學家一樣思考」？

過去，我們在國中課本裡學到的科學方法「觀察、提出假說、進行實驗、得到結論」，然而許多學生能對步驟琅琅上口，卻不見得理解背後的邏輯。LIS 分析百位科學家的思考歷程以及參考教育學者的理論，設計出適合培養國小學生科學思維的「科學推理階梯」，共有四個步驟，包括「發現問題」、「聯想原因」、「大膽假設」、「實際驗證」。

嚴天浩坦言，對於國小的孩子來說，他認為最難的在於——第一步「發現問題」，這取決於孩子過去是否累積足夠的觀察經驗，因此，如何訓練孩子觀察是培養探究學習的重點。然而，在沒有老師的引導下，要怎麼讓孩子能聚焦在實驗的現象上，成為開發遊戲過程中的一大考驗，後來，團隊想出了運用 RPG 中的角色對話，設計句子讓玩家將注意力集中在現象上的差異，「當孩子觀察到的與他原本的認知有所不同，產生衝突時才會進而發現問題。」嚴天浩說。

有適當的引導，才能從問題中學習

在發現問題之後，還須激發玩家思索問題的意願，因此在遊戲中便成為一個個解謎關卡，玩家為了破關、練等會主動尋找答案，在玩完遊戲後得到的成就感，會讓孩子對科學產生動機，在未來有自信用這樣的方式去思考、面對問題。

嚴天浩說：「大學時我修過教育學的課，設計課程的第一步往往是『引起動機』，但我們認為應該從遊戲開始到結束的每一個動作，都需要一個『引起動機』，目前玩過這套遊戲的孩子有持續玩過兩個小時以上，玩得越久代表引起的學習動機越強烈。」

了解背後的意義才是學科學

然而，有時在做完實驗後，學生只會記得當時看到的實驗結果或現象，卻沒有把背後的邏輯和原理帶走，關於這部分，嚴天浩分享，「玩實驗」和「學科學」最大的差別在於，是否了解每個步驟的意義，如同以往「食譜式實驗」，照著課本一步一步做，卻不知道為什麼這麼做。

因此，他們把演示型實驗設計成遊戲，將探究歷程拆分成關卡，透過與 NPC 對話帶領玩家思考，並預想玩家可能卡關的地方，就像是在蓋房子時的鷹架，一層層建構、支持，逐漸將學習的責任放回孩子身上，傳統課堂中搭鷹架的角色可能是老師，而在這個遊戲裡，是精心設計過的關卡提示。

讀到這裡，或許你會想問，在探究式的學習中，真的能夠學會「像科學家一樣思考」嗎？

「我認為探究學習中，知識其實只是附帶的。」嚴天浩解釋：「我們想告訴孩子的是，科學家最厲害的並不是他成功發現了什麼，而是他在失敗了那麼多次之後，還是願意繼續努力。」

如果現在的台灣是二十年前教育的結果，那麼 LIS 正在改變的是二十年後的台灣，那時的每個人在面對問題時都能有邏輯地看待、抱著自信的態度去解決，這是 LIS 的憧憬，也是我們對於台灣未來世代的期盼。

• 科學實驗解謎遊戲 募資計畫｜https://bit.ly/3zqyXCR
• LIS情境科學教材 官網｜https://official.lis.org.tw
• LIS情境科學教材 FB｜https://www.facebook.com/Learningissharing
• LIS情境科學教材 YouTube｜https://goo.gl/WCtXjA