誰最先發明無線電報？│科學史上的今天：5/7

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

特斯拉即將在 2024 年 10 月推出無人計程車，並且 Robotaxi 的正式名稱，將取名為 Cybercab。
等等，在無人車正式上路之前，我先問你一個重要問題。如果我開特斯拉自駕車撞死人，要負責的是我這個駕駛、乘客，還是特斯拉與馬斯克？

自駕車撞死人：駕駛、乘客，還是特斯拉負責？

當你駕駛特斯拉自駕車撞死人，責任歸屬是個複雜問題。無人車上路前，了解現行法律與技術界限至關重要。如果你強行介入自駕車運行，解除自駕功能後的事故責任由你全擔。如果不干預，事故責任可能由車商承擔。然而，最終誰來負責，仍取決於多方因素，包括車輛技術和法律規定。

這是個很現實的電車難題，應該說自駕車難題。如果你駕駛的自駕車正在失控向人群駛去，你是否有勇氣按下緊急剎車，承擔一切責任？

這類問題正是現在無人駕駛技術面臨的道德和法律挑戰。

電車難題再現：自駕車技術的進展與挑戰

自駕車並不是未來的幻想，而是已經在我們的日常生活中逐漸實現的技術。特斯拉和其他汽車製造商已經展示了他們的自動駕駛系統，這些系統能夠完成從停車到高速公路駕駛的各種操作。目前的自駕技術主要依賴於先進駕駛輔助系統（ADAS），這些系統結合了多種技術以提升駕駛的安全性和效率。

ADAS 並不是一個新概念，它可以追溯到 1950 年代的汽車巡航控制系統，隨後在 1970 年代加入了防鎖死煞車系統和車身動態穩定系統。現代的 ADAS 功能更加多樣化，包括防撞系統、車道偏離警示、盲點監控、自適應巡航和駕駛監控等，這些功能大大降低了人為失誤導致的事故風險。

自駕車三隻眼睛：相機、光達和雷達的全面解析

自駕車依賴於三種主要感知技術：相機、光達和雷達。相機負責辨識交通號誌和行人，光達則通過發射紅外雷射光脈衝繪製 3D 地圖，雷達在惡劣天氣中表現尤為出色，能夠在雨天、霧天和沙塵暴中提供穩定的數據。

自駕車的決策過程可以分為感知、決策和控制三個步驟。感知階段依賴於相機、光達和雷達提供的數據，決策階段則依靠 AI 算法來判斷最佳行動方案，最後由控制系統執行決策。這些技術的進步使得自駕車在面對複雜的交通情況時，能夠做出更準確的反應。

全球無人計程車競賽：各國如何迎接自動駕駛未來

特斯拉並不是唯一的自駕車領導者，Google 的 Waymo 和通用汽車的 Cruise 已經在無人計程車領域取得了重大進展。中國的自動駕駛公司小馬智行和百度的蘿蔔快跑也已成功讓無人計程車在主要城市上路營運。根據預測，到 2025 年，全球將有約 800 萬輛 3 級或 4 級的自駕車在道路上行駛。

特斯拉的 Cybercab 無人計程車即將上路，標誌著自駕車技術進入新的階段。隨著技術的不斷進步和法律框架的完善，自駕車將在未來的交通系統中扮演越來越重要的角色。然而，自駕車事故責任的問題仍需進一步探討和解決，以確保這一新技術能夠安全、可靠地服務於社會。

埃米爾．貝利納（Emil Berliner），1851 年 5 月 20 日至 1929 年 8 月 3 日。

如果你是一位古典音樂發燒友，那麼一定聽過德意志唱片公司的鼎鼎大名。這家公司成立於 1898 年，是世界上最早的古典音樂廠商，它的創始人正是唱盤留聲機的發明者——埃米爾．貝利納。貝利納是出色的發明家兼企業家，是當之無愧的「唱片之父」。到目前為止，世界最知名的幾大唱片商標幾乎都與他有關聯。

愛迪生是個具有商業頭腦的發明家，他很在意一項發明的商業前景，因此根本不會花精力去推廣那個音質不太好、用幾次就壞的留聲機。這和他大力推廣照明系統形成了鮮明的對比。

不過，在研究錄音和揚聲裝置的過程中，愛迪生不斷改進揚聲器的語音品質，並將很多的專利授權給了做電話的貝爾。雖然貝爾對留聲機比較感興趣，也改進過愛迪生發明的留聲機，但效果也不是十分理想。

延伸閱讀：愛迪生誕辰｜科學史上的今天：2/11

要製造出一種實用的、大家真正願意購買的留聲機，就需要搞清楚聲音中到底包含了哪些資訊，然後將它們不失真地記錄下來；同時，還需要把記錄下來的聲音資訊大量複製，賣給大眾。

早在十七世紀，伽利略就發現聲音和振動相關，這種機械振動在空氣中以波的形式傳播，傳入我們的耳朵，就是聲音。振動的頻率越高，我們聽到的聲音就越高，人們甚至可以通過調整琴弦振動的頻率，發出不同的音高。但是人們並不知道為什麼每個語音聽起來都不一樣，為什麼 a 聽起來是 a，不會是 o。到了十九世紀初，法國數學家和流體力學家傅立葉（Jean Baptiste Joseph Fourier）發明了傅立葉轉換，它可以將任何波動信號變成很多單一頻率的波動信號（正弦波）的組合。

延伸閱讀：無所不能的傅立葉轉換：傅立葉誕辰｜科學史上的今天：3/21

這其實揭示了各種複雜聲音的本質，就是各種單一頻率聲音的組合。a 的聲音和 o 的聲音裡面都包含了很多相同頻率的波動信號，但是它們的組合方式不同。a 在某個頻率上音量特別大，而在另外一些頻率音量特別小；相反的，o 在另外一些頻率上音量比較大，因此它們聽起來並不相同。

要想清晰完整記錄聲音的資訊，記錄聲音振動的儀器就需要足夠精確地把不同頻率聲音的變化都記錄下來。同樣的，要想讓揚聲器播放的聲音十分逼真，就需要它振動的頻率範圍和人發音的頻率範圍一致。愛迪生其實僅解決了第二個問題，但是沒能很好地解決第一個問題，即他不能準確地把這種頻率的聲音都記錄下來。

解決第一個問題的，是美籍德裔發明家貝利納（Emile Berliner）。一八七○年，十九歲的貝利納為了躲避普法戰爭，隨著父母全家移民到了美國。貝利納剛到美國時做的是收入最低的工作，包括洗碗和送報。但是出於對發明的興趣，他很快就在電話和留聲設備研發方面嶄露頭角。他改進了電話話筒，並因此獲得專利。這個專利被貝爾買走，隨後他也就順理成章成為貝爾電話公司的一名工程師。

一八八六年，貝利納開始研究留聲機。他把一個圓盤均勻塗上石蠟，然後用一根針在石蠟上記錄聲音的振動。由於圓盤的旋轉比圓筒要穩定許多，而且堅硬的細針在石蠟上劃過時，可以準確記錄下各種頻率聲音振動時的細節，因此從一開始，貝利納研製的留聲機的聲音品質就比愛迪生的好很多。更重要的是，圓盤很容易生產，這種留聲機記錄聲音的材料成本要比愛迪生的低得多。

愛迪生是一個在發明權方面從不讓步的人。他和貝利納打了一場曠日持久的官司，最終獲勝。然而，他的那種圓筒式留聲機雖然後來也改進了聲音品質，但實在不便於普及，很快就在市場上消失了。

在和愛迪生打官司期間，貝利納在柏林開辦了一家唱片公司，這就是著名的「德意志留聲機公司」（Deutsche Gramophone）。直到今天這家公司的黃色商標，依然被音樂發燒友視為唱片高品質的象徵。

貝利納還發明了一種大量複製唱片的方法。他在圓形鋅片上塗上石蠟，在錄音時，聲音振動控制的錄音針就會劃去鋅片上的石蠟，然後將鋅片用酸腐蝕，被劃掉石蠟的部分就會被腐蝕出聲道。這樣就得到了唱片的母盤，之後就能大量地複製唱片了，唱片的成本低到工薪階層的家庭完全能夠支付得起。

進入二十世紀，馬可尼在無線電報上的成功讓一些發明家開始嘗試使用無線電傳輸語音和音樂信號。人們將聲音的頻率和振幅載入到固定頻率的無線電波上，並隨著無線電波一同被發送到遠方。在接收端，接收機再將聲音信號從無線電波中分離出來。

一九○六年十二月，美國發明家和企業家費森登（Reginald Fessenden）開始了無線電廣播業務，播放音樂和一些音訊節目。但是由於沒有很好的接收機，這種廣播失真嚴重，而且一台接收機只能接收很低頻率的信號，因此也無法普及。

人們在進行無線電廣播時認識到，在資訊傳輸中存在一個必須解決的大問題，那就是信號的失真和被干擾。雖然在進行有線傳輸或者無線電報發送時，資訊失真的問題也普遍存在，但是大家對它的認識只局限於信號「足夠好」或者「不太好」。如果是前一種情況，大家就認為此時能夠進行通信；如果是後一種情況，大家就認為此時通信中斷了。

但是到了無線電廣播時，人們發現，儘管收到的語音能夠辨識，但是和說話人的語音聽起來完全不同。至於干擾，有線通信是不容易被干擾的，因為每個設備之間都有自己專用的線路；但是無線通訊則不同，電磁波在經過大氣時，會被自然界本身的電磁波干擾，接收到的信號中混有大量雜訊，有時雜訊甚至比信號還強，以至無法準確辨識信號。

那時還沒有關於資訊失真和雜訊的理論，我們今天常說的失真率、信噪比，都是在資訊理論出來之後才被普遍接受的概念。當時的工程師只能靠摸索來消除失真和雜訊的影響，但是效果並不理想。

這種情況在兩個發明出現之後才得到有效的改善：一是一九○七年美國科學家德福里斯特（Lee de Forest）發明了電子三極管；二是一九一七年法國發明家萊維（Lucien Lévy）提出了超外差式接收原理。之後，馬可尼及時將業務轉移到無線電廣播上來，他在英美等國迅速建立起無線電臺，並在全世界銷售收音機。

一九二○年六月，英國馬可尼公司利用廣播轉播了音樂會的盛況。同年，美國西屋電氣公司的廣播站利用廣播報導了總統選舉的情況。

留聲機和無線電廣播的出現大幅度豐富了人們的生活，大眾可以藉由它們欣賞高水準的音樂和文藝節目，同時，人們獲取資訊的方式也從閱讀報刊書籍逐漸變為聽廣播。當然，人類也從此開始記錄文字以外的資訊。

今天，我們能夠聽到邱吉爾在二戰時的精彩演說，以及馬丁．路德在半個世紀前呼籲人權平等的聲音。那些聲音所傳達給人們的資訊，不僅包括演說的內容，還有他們豐富的情感，這是在留聲機出現前人們完全無法想像的。

當然，對人類來說，更豐富的資訊是在圖片中。

——本文摘自《資訊大歷史：人類如何消除對未知的不確定》，2022 年 6 月，漫遊者文化，未經同意請勿轉載。

在電話發明之前，電報是傳送緊急訊息最重要的通訊工具。然而要四處豎立電桿、架設電線不但所費不貲，還曠日累時，因此一般都沿著既有的鐵道鋪設，電報發送也就僅限於鐵路可及的城鎮。直到無線電報發明以後，才終於擺脫諸多限制，加速電報網的普及，讓更多民眾受惠。

然而，究竟是誰先發明無線電報的？咦，不是義大利發明家馬可尼於 1896 年發明的嗎？嗯，正史是這麼寫，不過俄羅斯人可不這麼認為。對他們而言，他們的物理學家波波夫（Alexander S. Popov, 1859－1905）才是真正的發明人。1895 年的今天，他公開發表閃電偵測器的設計圖，其原理就是接收閃電所產生的無線電波。因此，5 月 7 日這一天還被俄羅斯官方訂為「無線電日」，以資紀念。

不過「無線電報發明者」這項桂冠的角逐者除了馬可尼與波波夫，還有美國的特斯拉與英國的物理學家洛奇（Oliver Lodge）。那麼，就讓我們看看能否釐清四位入圍者中，誰應該獲獎吧。

追本溯源，最早用感應線圈成功發送／接收電磁波的，當然是赫茲在 1886 到 1888 這幾年所作的實驗，但他目的只為了證明馬克士威的理論，因此並未繼續研究電磁波的可能應用。不過卻是因為他的實驗，才開啟了無線電的研究。

洛奇是在 1894 年 8 月為了介紹赫茲的研究成果，並演示電磁波與光有類似的性質，而在五十公尺外向檢波器發射無線電波。波波夫正是讀了介紹洛奇這項演示的報導，才得到靈感而設計更靈敏的無線電接收器，可以偵測到五十公里外的閃電，但他直到 1896 年 3 月才首度用無線電傳送了一則訊息。三個月後，馬可尼在英國申請無線電報的專利。因此俄羅斯人才會認為波波夫只是沒有提出專利申請才讓馬可尼專美於前，而許多英國人則認為洛奇才是最早的發明人。

事實上，馬可尼早在 1895 年中就完成無線電收發訊息的實驗；而洛奇當初根本沒有想到要用無線電作為通訊工具，所以波波夫與洛奇兩人已經可以宣判出局。而特斯拉雖然早在 1891 年就發明了特斯拉線圈，但是他主要埋首於如何用以隔空傳輸電力，加上他誤以為電磁波與光一樣會被障礙物阻擋，以致於直到1897 年才提出專利申請。雖然馬可尼 1900 年才來美國申請專利而被駁回，不過兩人的專利權卻因為外來因素而多次轉換。

美國專利局先於 1904 年突然撤銷特斯拉的專利權，並改授予馬可尼專利（有陰謀論者認為是愛迪生從中作梗），但到了 1943 年──就在特斯拉死後幾個月，最高法院又回復他的專利權，並撤銷馬可尼的專利。倒不是要還特斯拉公道，而是因為馬可尼的電報公司控告美國政府於一次大戰期間用到他的電報專利。

其實還有許多名不見經傳的發明家也獨力開發出無線電報（例如成為史上第一位駭客那位），不過，以真正開發出完整的無線電報系統，並予以商業化普及應用的角度而言，馬可尼還是真正的發明者。只不過回顧無線電報的發明者頭銜與專利權之爭，可以清楚看到當遇到民族情感與國家利益時，科學還是很難置身事外，維持中立啊！

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。