對政府科專計畫的正確認識：回應「投資一百賠九十 經濟部科專計畫年燒142億給官方研究機構」一文

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

「發現」是看到別人所看到的，但思考著別人所沒想到的。（Discovery is seeing what everybody else has seen, and thinking what nobody else has thought.）

　

Albert von Szent-Györgyi Nagyrápolt——1937 年諾貝爾醫學獎

科學史上那些來自「意外」的大發現

許多謮者可能覺得科學的進展是有條有理的：每年向國科會提出研究計劃，然後按部就班地完成。但事實上科學上的許多大發現可以說大都是「意外」的：例如德國理論物理學家普朗克 (Max Planck) 謂他是靠「幸運的直覺 (lucky intuition) 」而意外地敲響了量子力學革命之鐘聲！一位名不見經傳，任教於東巴基斯坦的講師玻色 (Styendra Bose) 也以一篇 1500 字的論文糊里糊塗地意外開啟了量子統計力學之大門（見「量子統計的先鋒——波思」）！

除了上面那類「意外」外，科學上還有一種靠天幫忙的「機緣巧合幸運的意外發現」（英文稱為 serendipity ）。

例如諾貝爾 (Alfred Nobel) 炸藥之發現，有一傳說是因為儲存的硝化甘油意外泄漏，與用來包裝儲存鐵桶之板狀矽藻土混合，使他想到了試用此板狀矽藻土。經實驗後，他發現兩者相混之固體不但安全可靠（硝化甘油為液體，非常不穩定，一不小心就爆炸），而且還可保持原有之爆炸威力──這不正是他研究甚久而未能找到的「穩定炸藥」嗎（見「量子統計的誕生」）？！

醫學上這類的幸運發現更是層出不窮。例如 1889 年，為了瞭解胰臟的功能，法國兩位外科手術醫生梅倫 (Joseph von Mering) 及明考斯基 (Oskar Minkowski) 將狗的胰臟割除，發現這隻可憐狗整天口渴及隨地小便。

數日後，一位助手覺得實驗室內的蒼蠅好像突然多了起來⎯⎯尤其是在狗小便過的地板處。分析狗尿及其血液後，梅倫及明考斯基很驚奇地發現裡面充滿了糖份！顯然地，胰臟具調解體內糖份的功能，它一旦受損，將導致糖尿病！就這樣，梅倫及明考斯基無意中發現了「困擾」人類三千多年之糖尿病的病源（見「胰島素與生技產業誕生的故事」）。

在「認識病毒全攻略！病毒的發現、與細菌的不同、科赫假說和致病機制」一文裡，筆者提到了抗生素的發現是醫學史上最重要的突破之一。但多少謮者知道英國細菌學家弗萊明 (Alexander Fleming) 是靠機緣巧合及運氣而發現第一個抗生素——盤尼西林（ penicillin，或稱「青黴素」）——嗎？

發現青黴素還把專利交給政府的辣個男人

弗萊明 (1881-1955年) 出生於蘇格蘭的洛克菲爾德 (Lochfield) 小城，七歲時父親去世。 弗萊明在當地學校接受了良好的基礎教育，13 歲時跟隨同父異母兄弟前往倫敦，十幾歲的時候就在攝政街理工學院 (Regent Street Polytechnic) 上課。在貨運公司工作了四年後，進入倫敦聖瑪麗醫院醫學院 (St. Mary′s Hospital Medical School)。

原想成為一名外科醫師；但 1906 年在疫苗治療的先驅賴特 (Almroth Wright) 爵士帶領下的研究使他確信他的未來在於細菌學的新領域。他於 1908 年獲得學位後，便留校當講師，直到 1914 年因第一次世界大戰而從軍擔任陸軍醫療隊的上尉。1918 年回到了聖瑪麗醫學院，1928 年昇等為該學院教授，1943 年當選為皇家學會會士 (fellow) ，1948 年當選為倫敦大學細菌學名譽教授，於 1944 年獲封為爵士。 

1999 年，弗萊明被《時代》雜誌評選為 20 世紀的 100 位最重要人物；2002 年，他在英國廣播公司 (BBC) 的電視民意調查中被選入為 100 個最偉大的英國人。弗萊明爵士不是因為發現了可拯救數百萬生命的抗生素而非常受人尊敬，而是他並沒有因專利成為一個很有錢的人。

相反地，他了解青黴素具有克服梅毒、壞疽、和結核病等疾病的潛力，必須將其釋放給世界，以服務更大的群眾。因此在第二次世界大戰前夕，弗萊明將專利移交給了美國和英國政府，使他們能及時大量生產青黴素，救治了那場戰爭中的許多傷員。

在「胰島素與生技產業誕生的故事」一文裡，筆者也提到了發現胰島素之加拿大多倫多大學講師班廷 (Frederick Banting) 也應可賺大錢，但卻在取得胰島素萃取的專利後，將其使用權完全免費地轉給加拿大多倫多大學！這種清高的學術研究，在今日生物研究已成為一場金錢遊戲的社會裡（見「你的基因是別人的專利？生技產業的金錢遊戲由此開啟」）已經幾乎看不到，實在讓筆者非常懷念象牙塔的學府！

粗心致培養皿發霉，竟意外發現盤尼西林

弗萊明是一位粗心的實驗室技術員，1928 年夏在研究葡萄球菌¹的某一天，他忘了將含有葡萄球菌培養物的培養皿放在培養箱中，留在實驗室工作台上就匆匆忙忙地離開實驗室去度假。命運就是這樣作弄人：那時室內的溫度及濕度均適合霉菌（mold，或譯「黴菌」）的生長；因此兩個禮拜回來後，弗萊明發現在敞開窗戶旁的培養皿因未加蓋而發霉。

一般的研究者大多會將這些被霉菌孢子污染的培養皿丟掉；但弗萊明這次卻心血來潮⋯⋯。他回憶說：

基於以前「溶菌酶」的經驗，也像許多細菌學家那樣，我應會把污染的培養皿丟掉，⋯⋯某些細菌學家也有可能（早就）注意到我（那時）看到的相似變化，⋯⋯但是在對天然產生的抗菌物質沒有任何興趣的情況下，都會順手地將培養物丟棄。⋯⋯但（這次）我沒有找個藉口丟掉受污染的培養液，相反地，我做了進一步的探討。

弗萊明細心觀察到：霉菌掉落處周圍的瓊脂凝膠 (agar gel) 被溶解和清除；他隔離霉菌並鑑定其為由「真核細胞」組成的青黴屬成員。進一步研究後他發現抑製或預防細菌生長的不是黴菌本身，而是霉菌產生的某些「黴汁 (mold juice) 」，因為產生它的霉菌為 Penicillium notatum，故將之稱為 Penicillin（盤尼西林）；中文因為是由藍綠色黴菌分離出來的黴素，故又稱為「青黴素」。

在隨後的十年中，因在分離和穩定青黴素方面遇到的困難，弗萊明只能專注於青黴素作為傷口和表面感染的局部殺菌劑。

在哈密瓜上發現大量生產青黴素的方法

因之當時弗萊明本人並沒有真正意識到他的發現有多麼重要；而醫學界也很少注意到他發表在《英國實驗病理學雜誌》 (British Journal of Experimental Pathology, 1929 年 6 月) 上的論文。

1938 年由牛津大學的弗洛里 (Howard  Florey) 和錢恩 (Ernst Chain) 領導的化學家團隊終於分離和純化了青黴素²，生產足夠做臨床試驗的青黴素，於 1940 年證明青黴素可以用作抵抗多種細菌性疾病的治療劑［抗生素 (antibiotic)³］。1945 年，弗萊明、弗洛里、與錢恩因「青黴素的發現及其在各種傳染病中的療效」獲得諾貝爾醫學獎。

弗萊明後來回憶說：

有時候，人們會發現不是自己在找的東西。我 1928 年 9 月 28 日拂曉後醒來時，當然沒打算通過發現世界上第一個抗生素或細菌殺手來徹底改變所有藥物。 但是我想那正是我（當時）所做的。

早期青黴素無法大量生產，弗萊明實驗室一個月所生產的青黴素，僅能供一個病人治療用，因此如何大量生產青黴素便成為重要關鍵。大量生產之方法的發現事實上也是屬於「機緣巧合意外的發現」。

為了趕上可能救治二次世界大戰傷兵的需求，弗洛里還飛到美國諮詢如何提取及製造青黴素。1943 年的一天，在伊利諾州皮奧里亞 (Peoria) 的農業部北部區域研究實驗室 (NRRL) 工作的亨特 (Mary Hunt) ，無意中在一雜貨店裡發現了一顆表皮長滿漂亮及金色青黴的哈密瓜。

將它帶回實驗室，篩選出能大量分泌青黴素的菌株後，她發現該菌株產生的青黴素數量是 notatum 的 200 倍——她因之贏得「發霉瑪麗 (Moldy Mary) 」的綽號。在許多研究團隊紛紛加入菌種及製造方法的改良後，青黴素產量由 1943 年只能醫治不到 1000 人，一下子跳到 1944 年時，已有足夠的青黴素來治療每位需要的士兵，為第二次世界大戰提供了功不可沒的貢獻！也啓動了尋找其他抗生素的研究，開創了醫學的新紀元。

結論

青黴素被稱為是一種「神奇藥物 (wonder drug) 」，而事實也確名副其實： 在發現青黴素之前，今天看起來非常小的傷害和疾病（不管是由被感染的小傷口或是由鏈球菌性咽喉炎等疾病引起的），那時候都可能導致死亡；而梅毒和淋病等性病則更不用說。

因此在二次世界大戰後，青黴素以及其他抗生素的使用成幾何級數地增加，導致細菌耐藥性也以驚人的速度增強。 2019 年，世衛組織因此將細菌耐藥性增強列為對全球健康的十大威脅之一。事實上早在 1945 年，在諾貝爾獎領獎典禮的演講中，弗萊明就已經警告說: 「過度使用青黴素可能會導致細菌耐藥！」

弗萊明意識到自己的發現是偶然與機遇，他因此謙虛地說：「青黴素的故事蘊含著十足的浪漫色彩，有助於說明機遇及命運在一個人職業生涯中所佔有的影響。」

但儘管如此，因為「命運較照顧已有準備的人」⁴，請不要痴痴地等著機遇及命運來敲門！勸君惜取少年時，多一份準備，免得黃金掉到家門前都不知道！

註解

1. 葡萄球菌感染是由葡萄球菌引起的「疾病」；在少數情況下，這些細菌只會導致皮膚感染。但是如果細菌深入到體內，進入血液、關節、骨頭、肺、或心臟，則葡萄球菌感染可能致命。
2. 牛津大學的 Dorothy Crowfoot Hodgkin 於 1945 年用 X 光晶體繞射確定了青黴素的化學構造（獲 1964 年諾貝爾化學獎）；因為合成困難，麻省理工學院的John C. Sheehan 遲至 1957 年才完成了青黴素的首次化學合成。
3. 早在 19 世紀，人類就已經觀察到某些細菌和黴菌之間的拮抗作用，並且將這種現象稱為「抗生作用 (antibiosis) 」。
4. 「Fortune favors the prepared mind」出自因接種疫苗、微生物發酵、和巴氏滅菌法原理的發現而聞名的法國生物學家、微生物學家、和化學家巴斯德 (Louis Pasteur) 。

延伸閱讀

1. 「量子統計的先鋒——波思」、「量子統計的誕生」、及「胰島素與生技產業誕生的故事」的內容，均收錄在《我愛科學》（華騰文化有限公司，2017年12月出版）一書中。
2. 有關量子力學發展的故事請參考《量子的故事》（第2版，新竹市凡異出版公司, 2005年），及《我愛科學》內的相關物理內容。

1. Roberts, R. M. (1989). Serendipity: Accidental discoveries in science. Published by Wiley
2. 賴昭正（1982）。〈量子統計的先鋒——波思〉，收入於《科學月刊》1982 年第 13 卷第 4 期，總卷號 148 期，39頁。
3. 賴昭正（2015）。〈量子統計的誕生〉，收入於《科學月刊》2015 年第 46 卷第 1 期，總卷號 541 期，73頁。
4. 發現能治療糖尿病的胰島素——胰島素與生技產業的誕生（上） – PanSci 泛科學
5. 你的基因是別人的專利？生技產業的金錢遊戲由此開啟 – PanSci 泛科學
6. 認識病毒全攻略！病毒的發現、與細菌的不同、科赫假說和致病機制 – PanSci 泛科學

• 文／ Witold Rybczynski 摘自《轉動世界的小發明：螺絲釘與螺絲起子演化的故事》 

早期的螺絲，工匠們都拒用！

第一批由工廠製造的螺絲則完全不是這麼一回事。首先，雖然手工螺絲是有尖頭的，工廠製造的螺絲卻只有鈍頭，而且無法自行起動，必須先為它鑽個導孔。問題出在製造的過程。

鈍頭螺絲壓根兒沒法銼出一個尖頭來，螺紋本身也必須停止在尖端；但當時的車床沒有切削推拔螺紋的能力，螺絲製造商曾試著改變刀具下刀的角度，結果是螺絲的全長都得經過推拔。然而，這類螺絲的固定力很差，所以木匠都拒絕使用，當時所需要的是一台能同時在螺絲本體（圓柱狀）以及螺旋尖端（錐狀），切出連續螺紋的機器。

歷經幾十年的螺絲演進

一位有發明天分的美國技工找到了解決之道。美國最早的螺絲工廠於一八一○年成立於羅德島州，用的是經過改良的英國機器。該州首府普洛威頓斯成為美國螺絲工業的中心，於一八三○年代中期之前，其產品需求量日益激增。自一八三七年起，有一連串的專利都與具螺旋尖端螺絲的製造問題相關，但經過十年以上的試誤學習之後，才終於找出解決之道。

一八四二年，一名為新英格蘭螺絲公司工作、來自普洛威頓斯的技工惠波，發明了一種完全由機器自動製造螺絲的方法，七年之後，他有了新的突破，遂成功取得尖頭螺絲生產方法的專利。

斯隆設計出一個稍微不同的方法，而其專利則成為大企業美國螺絲公司的主力；另一位新英格蘭人羅捷斯則解決了將有螺紋的核心推拔至平滑頸幹的問題。諸如此類的改進，將美國螺絲業者穩定地推上了領導者的寶座，到了該世紀末，螺絲已演變至其最終的形式，美國的生產方法也已主宰全球。

自十五世紀以來，螺絲一向有著正方形、八角形或有槽的螺絲頭；前者以扳手轉動，後者則以螺絲起子轉動。溝槽的起源不難理解，正方頭必須非常精確才能與扳手配合；溝槽則是個能以手工大略銼出或切出的形狀。有槽螺絲也可埋頭旋入鑽孔中不至於凸出表面；這正是連結對接鉸鏈必須的一點。埋頭螺釘一旦於十九世紀早期普及之後，有槽螺絲頭（還有平刃式螺絲起子）就成了標準規範。

所以，儘管螺絲至此已全由機器製造，傳統式的溝槽卻得以留存下來。但有槽螺絲也有數項缺點。

螺絲起子很容易就自溝槽滑脫，結果經常是對需要固定的物件、操作者的手指——甚或兩者——造成損傷。溝槽僅能微弱地抓住螺絲，而在試著上緊一枚新螺絲或鬆開一枚舊螺絲時，磨壞溝槽也是司空見慣的事。

最後，有些不便的情況，如在摺梯上試圖保持平衡、在狹窄空間工作的同時，往往必須以單手拴上螺絲。這對有槽螺絲而言幾乎是不可能辦到的。螺絲搖晃不定，再一滑，掉到地上後又滾開，修理工氣得破口詛咒（也不是頭一回了）這令人發狂工具的始作俑者。

美國螺絲業者完全了解這些缺失。在一八六○和一八九○年之間，有一大堆的專利申請：磁性螺絲起子、收納螺絲的器具、不完全延伸整個螺絲頭的溝槽、雙溝槽，以及各式各樣的正方形、三角形和六角形的凹頭或凹洞等等，其中以最後一項最具潛力。

以凹洞代替溝槽，能把螺絲起子緊緊握牢，螺絲起子就不會自溝槽滑脫。然而困難又一次出在製造過程上，螺絲頭是經由機器在一根冰冷的鋼條上打印成型，若要印出一個深度足以握緊螺絲起子的凹洞，往往不是減弱螺絲的強度，就是會使螺絲頭變形。

取得專利的強力推銷員——羅伯森

二十七歲的加拿大人羅伯森發現了解決的方法。羅伯森是費城一家工具公司所謂的強力推銷員，一個在加拿大東部的街角和鄉間市集販賣他所有商品的旅行推銷員。他把空閒的時間花在自己的工作室裡，嘗試著各種機械發明。他宣傳自己發明的「羅伯森氏二十世紀扳手曲柄鑽」——一個集曲柄鑽、猴頭扳手、螺絲起子、檯鉗和鉚釘製造器於一身的組合工具。

他擁有一種改良式拔塞鑽、一種新型的袖釦，甚至改良式捕鼠器的專利，卻只是白費力氣而已。一九○七年，他取得了凹頭螺釘的專利。羅伯森後來說，他在蒙特婁為一群站在人行道旁觀望的行人展示一只彈簧式螺絲起子時，因為螺絲起子的刃部自溝槽滑脫傷了手，因而讓他得到凹頭螺絲的靈感。他這項發明的祕密在於凹洞精確的形狀：具去角緣的正方形、稍呈錐形的四邊，以及金字塔型的底部。

「很早之前就有人發現利用這種打印方式，根據指定的角度分毫不差地製造，冷金屬會流向四周而非被逼至刀具的前頭，結果是有益地緊密結合金屬原子，使其強度增加，卻絲毫不需浪費或切除所處理的金屬，這和一般有槽螺絲的製造迥然不同。」他相當自負地解釋。

身為一個熱心的推銷者，羅伯森找到了金錢上的後援，說服了位於安大略省的小鎮米爾頓，許他一筆免稅貸款以及其他特權，並成立了他自己的螺絲工廠。「大財富來自於小發明，」他向有可能投資的人士鼓吹，「很多人都認為，這是二十世紀目前最大的小發明。」

事實上，正方形的凹洞真的是個很大的進步，這種特殊的方頭螺絲有適貼的配合（羅伯森聲稱，其精確度達千分之三公分），而且螺絲起子從來不會滑脫。對工匠們尤其是製造家具和船隻的人而言，能自定中心並以單手拴入的螺絲所帶來的便利，真是讓人額手稱慶。