「咬」之王者

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

流傳了六千萬年的血液！找到疑似暴龍的血管和細胞

體認到 DNA 不能持續存在個幾千年，讓大家失望不已。也因此，所有那些聲稱找到數百萬年前昆蟲、植物和細菌 DNA 的投稿文章，最後全都被學術期刊拒絕。

然而，要是恐龍化石中存在有其他種類的蛋白質呢？好比說骨骼中特定的蛋白質？一九九七年發表了一篇發現恐龍血跡的文章，又為大家帶來新希望。

由瑪麗．史懷哲（Mary Schweitzer）領導的蒙大拿州立大學（Montana State University）的研究團隊表示，他們已經從保存完好的暴龍骨骼中抽取出蛋白質和血液化合物。

若真是如此，這將使我們對恐龍的生理學有更進一步的認識——它們的血紅蛋白結構可能會提供攜氧能力的線索，解決恐龍是否為溫血動物的爭議。

瑪麗．史懷哲因為受到一具保存異常完好的暴龍骨架所啟發，而展開她尋找古代蛋白質的探尋。「就某些方面來看，它幾乎與現代骨骼相同，並沒有受到礦物質的填充，」她說。

外面一層緻密的骨層似乎阻止了水分進入，所以內部的骨骼看來和新鮮的一樣。史懷哲鑑定出這些內部區域的蛋白質和可能的 DNA。她這樣描述當時的興奮之情：

實驗室裡充滿了驚奇的低語聲，因為我注意到血管內有一些我們以前從未注意到的東西：微小的圓形物體，呈半透明的紅色，中間則是黑色的。

然後一位同事過來看了看，大喊道：「你找到紅血球。你找到紅血球了！這看起來就跟一塊現代骨骼一樣。

但是，當然，我無法相信。我問實驗室的技術員：「這骨骼畢竟有六千五百萬年的歷史。紅血球怎麼可能保存那麼久？」

然後我們對這根可能含有紅血球的骨骼進行測試。骨骼中似乎確實含有血紅素，這是血液中的血紅蛋白分子上負責攜帶氧氣的那部分。

血紅素呈紅色，這也是血液呈紅色的原因，因為這當中富含鐵，在與氧氣結合時就會呈現紅色，這有點類似鐵生鏽時會出現顏色變化的原理。

質疑：這些是恐龍本身的組織，還是外來汙染？

然而，許多其他科學家質疑這些報告，並認為骨骼中富含鐵的痕跡與血液或血液製品無關，可能只是這動物在遭到掩埋很長時間後進入骨骼的鐵質。

在受到許多評論——有些公平，有些可能不公平——後，瑪麗．史懷哲和她的團隊在二〇〇五年又在《科學》雜誌上發表了一篇後續文章，題為「暴龍的軟組織血管和細胞保存」（Soft-tissue vessels and cellular preservation in Tyrannosaurus rex）。

她的團隊溶解掉一些四肢部位堅硬骨骼的磷酸鈣，留下了由狹窄的血管組成的殘留物，其中包含可以擠出的圓形物體。

脫礦後的骨骼基質是纖維狀的，並保留了一些原始彈性——在一根將近有七千萬年的化石上，這是非常驚人的。

在後來針對相同材料的研究中，史懷哲和她的同事進行了一系列生化測試，試圖證明這些彈性纖維線是由膠原蛋白組成，就像在原始骨骼中那樣。

骨骼通常由兩種主要材料組成：磷灰石礦化針，這是一種磷酸鈣，會嵌入在纖維性的膠原蛋白中。正是這種彈性蛋白質和硬礦物質的結合，賦予活體骨骼有趣的特性，讓骨骼能夠彎曲（在某個角度範圍內），但彎太大還是會脆裂折斷。

在沒有磷灰石晶體的地方，膠原蛋白形成軟骨，這種柔軟的材料讓我們的耳朵和鼻子變硬，也是鯊魚骨骼的主要成分。

不久之後，在二〇〇八年，托馬斯．凱耶（Thomas Kaye）及其同僚將重新解釋所有這些化石發現，指出這全是人為因素所造成的。他們說，這個疑似血管的構造可能是細菌膜，而所謂的紅血球只是黃鐵礦晶體，是一種硫化鐵礦物。

反轉、反轉再反轉，究竟誰比較靠近真相？

瑪麗．史懷哲對這些批評並不買單，到了二〇一五年，她的研究似乎得到了另一個研究團隊的證實，他們表示從八塊白堊紀時代的恐龍骨骼中取得膠原蛋白和紅血球。

然而，到了二〇一七年，又有一篇文章發表，曼徹斯特的麥克．巴克萊（Michael Buckley）及其同事顯示，這些暴龍的膠原蛋白主要是由實驗室汙染物、土壤細菌以及鳥類血紅蛋白和膠原蛋白所組成的。

他們特別指出，那個所謂的恐龍蛋白質與現代鴕鳥的序列相吻合——這是很容易出錯的地方，若是在分析化石材料的實驗室中，也處理這些現代生物的樣本，就會出現這樣的錯誤。

然後，情況變得比較明朗。在二〇一八年的一篇論文中，耶魯大學的博士生亞斯米娜．偉曼恩（Jasmina Wiemann）帶領的一個小組再次研究了那些去除所有礦物質後的化石骨骼中的血管和其他褐色物質。

她進行了一連串複雜的測試，發現這些血管和組織都是真的，但其組成已經不是最初的蛋白質，可能只有膠原蛋白還保持原樣。

其他的成分都已腐爛，轉變成另一種形式，稱為N－雜環聚合物（N-heterocyclic polymers）——所以事實上，瑪麗．史懷哲是對的，她發現的確實是血管、皮膚細胞和神經末梢的一部分，只是在化石化的過程中，蛋白質發生本質上的轉變。

原始的膠原蛋白有可能被保存下來，但處理時必須格外小心，確保它沒有受到汙染。在一九九二年，荷蘭研究人員傑哈德．麥瑟（Gerard Muyzer）從兩隻白堊紀恐龍的骨骼中找到另一種骨蛋白，稱為骨鈣素（osteocalcin）。

骨鈣素存在於所有脊椎動物的骨骼中，其作用類似於荷爾蒙，可以刺激骨骼修復以及其他生理功能。骨鈣素是一種堅韌的蛋白質，可以非常牢固地與骨礦物質結合，正是因為如此，似乎可以逃過腐化的命運。

它也是一種相對較小的蛋白質，由大約五十個胺基酸組成。在二〇〇二年，曾經為一隻五萬五千年前的野牛化石的骨鈣素分子進行完整定序。也許有一天，我們也可以幫恐龍的骨鈣素定序。

雌、雄恐龍長得到底一不一樣？

長久以來古生物學家一直認為，恐龍具有雌雄二形性，也就是兩性的外觀不同，至少有些種類是如此，就如同之前在第四章中看到的。

在過去，有人曾認為晚白堊世長角的角龍類和長冠的鴨龍類這些植食性動物是如此，牠們的骨架組成大同小異，只是頭上頂著的冠或角不同。

但若根據這種說法，奇怪的案例就出現了：所有的雄性會在一個時期都生活在一個地方，而所有的雌性，也就是頭骨稍微有些差異的個體，則碰巧在另一個時期生活在另一個地方。

這個例子讓假設完全無法成立！

然而，近來恐龍的雌雄二型性再度成為焦點，因為現在我們可以辨識一些羽毛顏色和圖案細節。

現在普遍認為，許多恐龍的羽毛可能是用於展示，而條紋和頭冠則暗示著雄性在交配前的求偶展示，就跟多數鳥類一樣，而這正是性擇在恐龍演化中扮演的關鍵作用，如之前在第四章所提到的。

髓質骨，也許是破解恐龍性別的關鍵！

最棒的是，我們或許能夠根據這些明確的證據來辨別某些恐龍的性別。

大多數的雌鳥都長有一種特殊的骨骼叫做髓質骨（medullary bone），這是一種填充髓腔的海綿狀骨骼，會出現在某些肢體骨骼的核心。

在現代鳥類中，最初是一九三四年在鴿子身上注意到，然後在麻雀、鴨子和雞的骨架中也有觀察到。鳥的身體可以很快生成髓質骨，也可以很快地將其拆解回收，算是一種鈣質的儲藏庫，在需要形成蛋殼時可以快速釋出原料。

後來的研究發現，所有的現代鳥類都是如此。

生理實驗顯示，在雌鳥開始產卵時，髓質骨會在整套骨架的許多骨骼核心累積，然後隨著鈣進入發育中的蛋殼而減少。髓質骨的發育和轉移會隨著季節而出現週期性的變化，主要是受到雌激素（Oestrogen）和其他與繁殖週期相關的荷爾蒙所控制。

二〇〇五年，瑪麗．史懷哲首次在現代鳥類之外的暴龍身上發現髓質骨。從那時起，也陸續在其他獸腳類恐龍和鳥臀目中的腱龍（見隔頁）和難捕龍（Dysalotosaurus），以及已滅絕的孔子鳥和企鵝（Pinguinis）中發現。

由位於開普敦的南非博物館的阿努蘇亞．欽薩米－圖蘭（Anusuya Chinsamy-Turan）及其同僚所發表的一篇關於孔子鳥的研究特別有說服力，因為他們證明鑑定出髓質骨的化石都是雌性標本（參見下圖）。

在中國博物館蒐集到的數千個烏鴉大小的孔子鳥標本中，已經確定出雌雄兩性的形態。

有一個非常經典的標本是在同一塊石板上同時有雄鳥雌鳥——推測是雄鳥的那隻，長有旗桿般的長尾羽，而假設是雌鳥的那隻則沒有。

因此，就跟現代鳥類一樣，雄性長有荒謬的裝飾品，以便向較為敏感但外表單調的雌性炫耀，試圖展現牠強韌的特性，暗示牠將會是一個好父親。

欽薩米－圖蘭及其同僚在一個顯微切片中發現了位於內腔的髓質骨，其海綿狀的骨組織與一般較為規則和緻密的骨骼完全不同。髓質骨只有在雌性身上發現，從來沒有在雄性身上發現——雖然也不是所有的雌性都有，因為牠們死時並非都處於繁殖季。

不過，在其他例子中對於髓質骨的功能則還有爭議，比方說有研究指出在暴龍和異特龍等大型恐龍身上也有發現髓質骨。他們提出另一種解釋，認為些大型恐龍中之所以有海綿骨，可能與生長突增（growth spurt）有關。

有些體形較大的恐龍，生長速度非常快，幾個月內，體重可增加數百公斤，因此會需要快速取得和調動鈣質，我們將在第六章談這類恐龍。

在現生鳥類，甚至是化石鳥類中，髓質骨的存在是為了繁殖，這一點毋庸置疑，但只有在小型恐龍身上發現這類骨骼，也許是因為產卵對牠們來說是一項巨大工程，就像對今天的鳥類一樣。

深入研究恐龍骨骼，認識牠們的生理機能和交配行為是一回事，但我們到底能不能一如本章開頭的主題所問的，設計出一隻活生生的恐龍呢？

——本文摘自《誰讓恐龍有了羽毛？ 》，2022 年 7 月，臉譜出版。

本文轉載自諾貝爾化學獎專題系列，原文為《【2013 諾貝爾化學獎】將實驗帶入網際空間》

• 譯者／曹一允｜美國德州農工大學 Karen Wooley 教授指導下取得博士，現於日本萊雅公司進行研究。
• 譯者／蔡蘊明｜台大化學系名譽教授

化學反應以閃電的速度進行著；電子在原子核間跳躍，閃避著化學家們虎視眈眈的雙眼。2013 年的諾貝爾化學桂冠得主們利用電腦，讓化學的神祕路徑得以現形。對於化學運作的細部暸解，使得催化劑、藥物以及太陽能電池的最佳化變得更有效率。

將實驗帶入網際空間

全世界的許多化學家幾乎每天在電腦上設計以及執行實驗，透過馬丁．卡普拉斯（Martin Karplus）、麥可．李維特（Michael Levitt）以及艾瑞．瓦歇爾（Arieh Warshel）於 1970 年代所發展的方法，化學家們檢視著用肉眼無法看到的複雜化學過程之中的每一個小小的步驟。

爲了讓讀者感受到人類如何因此而受惠，讓我們用一個例子來開頭。請穿上你的實驗衣，因為我們要給你一個挑戰：創造人工光合作用。這個在綠葉中進行的化學反應，讓大氣充填了氧氣，也是地球上有生命存在的必要條件之一。但是從環境的角度來看，這是很有意義的，因為如果你能夠模擬光合作用，就能創造更有效率的太陽能電池。當水分解時會產生氧氣，但隨伴產生的氫氣則可以用於驅動我們的車輛。因此你有十足充分的理由參與這個計畫，假若你成功了，對解決溫室效應的問題，你也會有所貢獻。

一張圖超過千言萬語──但並非全部

做為第一步，你應該會上網去找尋那些控制光合作用的蛋白質的三維結構圖像。這些圖像均可從網路裡自由的取得，你可將圖像在電腦上隨意旋轉和扭曲，它揭露了巨大的蛋白質分子裡數以萬計的原子。在其中心某處，有一個小小的區域，被稱為反應中心，這就是水分子被裂解的地方。不過只有幾個原子是直接參與這個反應的。圖像很清楚的顯示了原子與離子相互坐落的位置，但卻無法說出這些原子與離子如何運作，這就是你需要搞清楚的。不知如何地，電子必須從水分子中取出，另有四個質子（H⁺）必須處理，這到底如何發生呢？

這個過程用傳統的化學方法基本上是無法弄清楚的，有太多的事情發生在一個毫秒（10^-3秒）之內，這種速度排除了用試管實驗來研究之可能。從你的電腦圖像也仍然很難猜測反應的過程，因為圖像是在靜態取得的，然而當太陽照射在綠葉上時，那些蛋白質充滿了能量，而整個分子的結構改變了。為了瞭解這個化學反應，你需要知道充填了能量的分子結構是什麼樣子。

這就是需要召喚電腦程式來幫助你的時刻，而這些電腦程式就是基於 2013 年的諾貝爾化學獎得主們所奠定的基石。

理論與實踐──一個成功的相輔相成

利用這種電腦程式，你可以計算各種可能的反應路徑，這被稱為模擬（simulation or modeling），此法讓你對那些原子在化學反應的不同階段扮演的角色有些概念，而當你有一個可能的反應路徑時，會較容易執行真實的實驗，來證實電腦的對錯，這些實驗反過來提供了新的線索，以導致更好的電腦模擬結果；理論與實踐達到相輔相成的效果。結果是，化學家們花在電腦前面的時間，與花在試管之間的時間幾乎一樣多！

那麼這次諾貝爾化學獎得主們發展的電腦程式，到底有何神奇之處呢？

將兩個世界最好的整合起來

過去，當科學家們要在電腦上模擬分子時，他們擁有的程式不是基於古典牛頓物理，就是基於量子物理，二者各有其長處與短處。基於古典物理的程式能計算與處理大的化學分子，它們只能顯示靜態的分子，給予化學家們關於分子內的原子的相對位置很好的圖像，可是你無法用這些程式去模擬化學反應。在化學反應時，分子是充滿能量的，處在激發的狀態，古典物理就是無法理解這些狀態，而這就成為一個嚴重的限制。

當科學家們要模擬化學反應時，他們需要轉而求助量子物理；其二元理論（dualistic theory）將電子視為同時具有粒子與波動的雙重性質，其中著名的「薛丁格的貓」，藏在盒中，可能是活的也可能是死的。量子物理的強項在於它是沒有偏見的，其模型不包括科學家們的預測，因此這樣的模擬較為真實。但其缺點在於計算需要耗費龐大的電腦資源，因為電腦需要處理分子中的每一個電子以及原子核。這就好像一張數位圖像的像素（pixel）數目，像素越多，解析度越佳，但是需要較多的電腦空間。類似地，透過量子物理的計算，雖然可以描繪化學反應中的詳細過程，但是需要強大的電腦。在 1970 年代，這意味著科學家們只能對小分子進行計算。在模擬時，他們被迫忽略分子與周遭環境的作用，雖然真實世界中的化學反應大都在某些溶液中進行，但是假若科學家們計算時，要電腦將溶劑也一併考慮的話，他們將需要等待個幾十年才能得到結果。

所以古典物理與量子化學是兩個本質上不同，而且在某些方面相互衝突的世界。但是 2013 年的諾貝爾化學獎得主們，替這兩個世界打開了一扇大門。在他們的模型裡，牛頓與他的蘋果，跟薛丁格和他的貓合作。

量子化學與古典物理合作

在 1970 年代，在美國劍橋哈佛大學卡普拉斯的實驗室裡，開展了合作的第一步。卡普拉斯具有深厚的量子背景，他的研究小組發展的電腦程式，藉著量子物理的幫助可以模擬化學反應。他也發展了所謂的「卡普拉斯方程式」應用於核磁共振（NMR），那是一個化學家熟知的方法，乃基於分子的量子化學性質所建立的。當瓦歇爾完成他的博士學位後，在 1970 年進入了卡普拉斯的實驗室。他的博士學位是在以色列 Rehovot 的 Weismann 科學研究院所獲得的，該研究院擁有一台能力強大的電腦，被稱為 Golem，那是取自猶太傳說中的一位有生命的泥人的名字。透過 Golem 的幫助，瓦歇爾與李維特基於古典理論，發展了一個突破性的電腦程式，此程式能夠模擬各種分子，甚至於真正很大的生物分子。

當瓦歇爾加入卡普拉斯在哈佛大學的研究小組時，帶著他那古典的電腦程式，以這個程式為起點，他與卡普拉斯發展了一個新的程式，以不同的方式計算不同的電子。在大部分的分子中，每一個電子繞著特定的原子核運行，但是在某些分子中，某些電子可以毫無阻礙的在數個原子核間移動，這些「自由電子」可以存在於像是視網醛（retinal）這個分子中，此分子是嵌在眼睛的視網膜上。卡普拉斯對於視網醛有著長期的興趣，因為這個分子的量子化學性質，影響了某些生物的功能；當光照射在視網膜上，視網醛的自由電子就會得到能量，因此改變了分子的形狀，這是人類視覺的第一步。

最後，卡普拉斯與瓦歇爾終於能夠處理視網醛，不過他們是從具有簡單結構的類似分子開始的。他們發展了一個電腦程式，運用量子物理來處理自由電子的計算，但是用簡單的古典理論來處理其它的電子以及所有的原子核。在 1972 年，他們發表了研究結果，這乃是第一次有人能夠透過古典與量子物理的合作來處理化學相關的問題，但是此法僅能處理具有鏡面對稱性的分子（像人一般有一面鏡子在身體正中央而左右對映）。

一個萬用程式來計算生命的化學

在哈佛大學待了兩年之後，瓦歇爾又與李維特合作。此時李維特已經完成了英國劍橋大學的博士訓練，正值全球尖端的研究都在於探討像是 DNA、RNA 以及蛋白質這類的生物分子。他企圖用他的古典電腦程式，來對生物分子的結構做進一步的瞭解，然而限制仍然存在，僅能觀察靜態的分子。

李維特與瓦歇爾瞄準了一個很高的目標，他們想要發展一個程式用來研究酵素；也就是生命活體中，控制與催化化學反應的許多蛋白質。早在瓦歇爾還是一位年輕的學生時，他就對於酵素如何運作很好奇。透過酵素間的相互合作，生命才可能存在，它們控制了基本上所有生命體內的各種化學，如果你想要瞭解生命，你就必須瞭解酵素。

爲了能夠模擬酵素的反應，李維特與瓦歇爾必須讓古典與量子物理的合作更為順暢，這花了他們許多年去克服各種障礙。他們的探索始於 Weismann 科學研究院，但是當李維特在數年後完成了他的博士後研究的訓練，他回到了劍橋，在那裡瓦歇爾也來加入。在 1976 年，他們達成了目標，並發表了第一個酵素反應的電腦模擬，他們的程式是革命性的，因為它可以用在各種分子上，在模擬化學反應時，大小已經不成問題。

聚焦於運作的心臟

現在當化學家模擬化學反應時，他們需要時就會運用這種力量。他們對每一個直接影響化學過程的電子與原子核，進行吃力的量子物理計算，這樣，他們取得關鍵所在儘可能最佳的解析，分子其他的部分則用古典的方程式來模擬。

爲了不浪費電腦的能力，李維特與瓦歇爾將計算的負載進一步修減，電腦不需要一直處理分子中不重要部分的每一個原子，他們展示了可以將多個原子合併計算。

現在的計算中，科學家還在模擬時加入了第三個層次。簡單的來說，電腦可將離化學反應中心很遠的原子們包裹在一起，成為一個均勻的質體。在科學圈內，這被稱為介電介質（dielectric medium）。

模擬將帶我們進展至多遠決定在未來

因為現今的科學家可以用電腦來進行實驗，這讓我們對化學反應如何的進行得到了更深的理解。卡普拉斯、李維特以及瓦歇爾發展的方法的強度在於它們是萬用的，它們可以用來研究各種化學；從生命的分子到工業上的化學反應，科學家可以將太陽能電池、汽車用的催化劑或甚至於藥物最佳化，而這僅是舉幾個例子而已。

不過進展不會停在那裡，在李維特的一篇論文中，寫到了他的夢想：在分子的層次模擬生命體，那真是個極為誘人的想法。由 2013 年的諾貝爾化學獎得主們發展的電腦模擬，是極為有力的工具，到底它可將我們的知識推進到多遠，只有未來才能決定。

• 本文譯自諾貝爾化學獎委員會公佈給大眾的新聞稿，原文可自以下官方網站取得：http://www.nobelprize.org/nobel_prizes/chemistry/laureates/2013/popular-chemistryprize2013.pdf

• 若有興趣閱讀進階的資料，請由下列網址取得：
  http://www.nobelprize.org/nobel_prizes/chemistry/laureates/2013/advanced-chemistryprize2013.pdf