原子理論是什麼？你夠了解原子嗎？——《科幻小說不是亂掰的：白日夢世界中的真實科學》上

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

古希臘哲學家中，不乏能精準測量天體位置的人，還有能運用幾何學知識來丈量土地的人。儘管他們尚未發展出「實驗」這項科學方法，但相對的，他們非常仔細觀察自然界發生的變化，並思考形形色色的問題，成為自然界和社會的知識探索者。

萬物皆由水組成

古希臘最早深入探索「萬物根源」的人是泰利斯（Thales）。他是個生意做很大的貿易商，曾搭船經由地中海，到埃及推銷橄欖油，是個見多識廣的人。

某天，泰利斯開始萌生疑惑：

世界上有數之不盡的萬象事物，都是由物質所構成的，而且物質的變化方式多得令人驚奇。雖說物質會不斷變化，卻並非無中生有，存在的東西也不可能完全消失；由此可知，物質是不生不滅的。無數物質不斷變化，但為什麼大家都是不生不滅的？

泰利斯認為，所有物質必然是由唯一的「本原」所組成的，而他得到的答案就是水：

水遇冷後凝結成冰，加溫之後就會恢復原狀；溫度繼續升高的水會成為水蒸氣，再冷卻後又會形成水滴。河川、海洋和地表的水，都會變成水蒸氣上升到空中、形成雲朵，雲又會降水成為雨和雪。水能如此千變萬化，不論怎麼變也不會消失殆盡。話說回來，金屬的變化、生物形體的變化，不也都和水一樣嗎？

泰利斯推論，這些物質的型態和外形不論再怎麼變化，也不會完全消失，應該是因為所有物質都是由某個「本原」所組成的——不論構成的是金屬或生物。

後來泰利斯便把構成所有物質的「本原」命名為「水」。

值得注意的是，泰利斯所說的「水」，並不是指現代科學做為研究對象、做為物質的水，而是將變化不歇、變換型態後生成其他物質，並能再度回歸原初型態的萬物本原稱為「水」而已。這種思考的背景，可能來自於他曾到東方旅行，聽聞流傳在美索不達米亞的世界起源傳說、得知其故事中心就是「水」，才深受影響。

泰利斯的「水」，促使眾多學者開始思考萬物的「本原」（元素）為何。有人認為本原是「空氣」，經過壓縮和稀釋，分別形成水、土和火，進一步創造了自然界；也有人認為本原就是「火」，並將自然界比喻為「燃起、消失，無時無刻都在活動的火」。

微粒組成萬物

對於「萬物根源」是什麼的問題，德謨克利特（Democritus）提出了名為「原子論」的主張。

和泰利斯一樣，德謨克利特曾周遊地中海沿岸，徒步觀察風土、歷史和文化迥異的各個國家裡，有什麼樣的自然環境與人民，並學習各國的學問和技術。他認為，創造萬物的「本原」存在於無數微粒中，而且這一顆顆粒子永遠不會毀滅。他將這些無法再分解得更小的微粒，以希臘語中意指「不可分割之物」的「atomos」（原子）來命名。

德謨克利特還思考了另一項觀點，也就是「虛空」（什麼都沒有的空間），若改用現代科學的用語來說，就是「真空」。因為原子會占據空間、四處活動，所以必須要有提供給原子活動的「虛空」。

簡單來說，德謨克利特的原子論就是「萬物是由原子和真空所構成的，除此之外別無其他」。

德謨克利特認為，無數原子在除了原子以外什麼都沒有的空間裡，激烈且毫不停歇地四處活動，互相撞擊、形成漩渦。有的原子雖然會和其他原子相連成一團，但這團東西總有一天會分解，恢復成原本四散的原子。只要改變原子的排列方式和組合，就能製造出不同種類的物質。萬物是藉由原子的組合而形成，就連火、氣、水、土也不例外。

據說德謨克利特寫了一系列共七十多部鉅著，但沒有一本流傳下來。由於他大膽主張，人類的靈魂也是由輕盈、活潑好動的原子組成，不會遵從神的指示，而是跟隨控制原子運動的自然定律；只要構成人類肉體的原子瓦解分散，人類的靈魂就會消失。也就是說，神並不存在。他因此遭到統治階層指控「試圖抹滅神的存在」，並飽受攻擊，與他有關的書籍全數遭到銷毀。我們之所以能認識德謨克利特的事蹟，主要是由於反對原子論的哲學家們，將他的思想記錄在自己的著作之故。

——本文摘自《世界史是化學寫成的：從玻璃到手機，從肥料到炸藥，保證有趣的化學入門》，2022 年 2 月，究竟出版，未經同意請勿轉載。

• 張博宇／目前專研於高能高密度電漿、電漿推進、核融合等領域。

Take Home Message

• 美國國家點火設施（NIF）在去年使用慣性控制核融合，首次在可控的核融合反應中，令能量的輸出大於輸入，朝核融合產能邁進了一大步。
• NIF 將 2.05 百萬焦耳（MJ）的雷射能量注入靶材，經過核融合反應產生了 3.15 MJ 的能量，靶材增益為 1.5。但若將產生雷射能量的耗能考慮進去，則並沒有真正的能量輸出。
• 臺灣各學校的物理系、核工系、電漿所其實都有學者針對核融合投入理論、模擬、實驗的研究，期望這次NIF的成果能推動相關領域進展。

去（2022）年 12 月，美國能源部（Department of Energy, DOE）、DOE 所屬的國家核安全管理局（National Nuclear Security Administration, NNSA）、勞倫斯利佛摩國家實驗室（Lawrence Livermore National Laboratory, LLNL），以及 LLNL 所屬的國家點火設施（National Ignition Facility, NIF）召開了一場記者會。

在記者會中，他們共同宣布在實驗中實現增益值（gain）大於一的結果，意即實現了第一次在可控的核融合（controlled nuclear fusion）反應中，輸出的能量大於輸入的能量，朝核融合產能邁進了一大步。然而，這項結果是否代表著核融合發電即將被實現？

產生能量的核融合反應

在核融合反應中，若兩個較輕的原子核可以融合成一個較重的原子核，且反應之後的總質量減少，那麼根據愛因斯坦（Albert Einstein）質能互換的關係（E ＝ mc²），減少的質量將會轉換成能量。

最容易產生的核融合反應是將氫（¹H）的兩個同位素氘（²H，或稱為 D）及氚（³H，或稱為 T）的原子核融合，產生一個 α 粒子（即氦原子核，⁴He）加一個中子（neutron, n），同時產生 17.6 百萬電子伏特（MeV）的能量：

D⁺ ＋ T⁺ → α²⁺＋ n ——公式一

在公式一的核融合反應中，兩個帶有正電的原子核必須互相靠近才能融合在一起。然而，兩個帶正電的粒子互相具有排斥力，而且愈靠近排斥力就愈大。因此，除非這兩個粒子互相靠近的速度快到排斥力無法阻止它們相撞，核融合才能發生。除此之外，還必須要考量到庫倫散射（Coulomb’s scattering）的現象——若兩個帶正電的原子核沒有正面對撞，則兩者會因為排斥力的原因轉向——更增加了兩者靠近的難度。

因此，只能把氘與氚氣體加熱到高溫，長時間侷限這些高溫的燃料，讓極少數高速的原子核有機會互相靠近並發生核融合反應、產生能量。但即便是最容易發生的氘加氚核融合反應，也需要將燃料加熱到 50 千電子伏特（keV，約為 5.8 億 ℃）才能有最高的反應速率。

有什麼方法可以將燃料加熱到所需要的溫度呢？看回公式一，氘與氚的核融合產物中具有能量為 14.1 MeV 的中子，及 3.5 MeV 的 α 粒子。我們可以讓高能的中子將能量攜出後再轉換為電能，但讓帶有較少能量的 α 粒子保留在系統中加熱燃料。因此普遍實現核融合產能的系統，目標都是將燃料加熱到溫度約 10 keV（約為 1 億 ℃），讓核融合產生的 α 粒子能繼續加熱燃料。

帶來重大進展的核融合研究

目前國際間研究的核融合反應主要可分為磁場控制核融合（magnetic confinement fusion）與慣性控制核融合（inertial confinement fusion），NIF 去年的實驗便是使用間接驅動（indirect-drive）的慣性控制核融合。

在這次的實驗中，當 2.05 百萬焦耳（megajoule, MJ）的雷射能量注入環空器（hohlraum）¹並加熱中間的球殼靶材後，經過核融合反應產生 3.15 MJ 的能量，意即靶材增益（target gain）約為 3.15 / 2.05 ＝ 1.5，是人類首次在可控的核融合反應中，輸出的能量大於輸入的能量。

然而，若將產生 2.05 MJ 的雷射能量考慮進去，需要耗掉的能量約為 300 MJ；換言之，這次實驗的真正能量增益（energy gain）約為 3.15 / 300 ≈ 0.01，並沒有真正的能量輸出。

不過，NIF 使用的是 90 年代的雷射技術，它的建造目的是為了國防研究所需，因此並不是最適合核融合的研究場域，在雷射技術上還有很大的進步空間。再者，回顧 NIF 從 2011 年開始進行的核融合實驗，歷經了超過十年終於第一次實現靶材產生的能量超過了雷射的能量，對 NIF 而言可說是向前邁進了一大步。

更重要的是，在去年的實驗中，靶材都進入了 α 粒子能夠繼續加熱燃料的燃燒電漿（burning plasma）範圍，是過去核融合研究從未達到的條件，只要稍微最佳化實驗條件便能讓輸出能量有顯著的提升。因此，這次的重大突破顯示了核融合的可行性並非天方夜譚。

臺灣的核融合相關研究發展

核融合研究本身是一個複雜的系統，在科學上及工程上都有許多的挑戰，許多名字上並沒有「核融合」的研究，其實也都間接與核融合相關。以這次的慣性控制核融合為例，相關的研究就包含了雷射技術、靶材製作技術、粒子量測技術、高速攝影技術等。

若以磁場控制核融合來說，也包含了高溫超導、微波技術、高壓脈衝技術、粒子加速器等科技。當然，最重要的就是電漿科學、電漿加熱、電漿量測技術等研究，因為任何材料在高溫的條件下，都會變成電漿態。 

在臺灣各個學校的物理系、核工系、電漿所分別都有 1～2 位老師在研究電漿相關的領域，尤其成功大學的太空與電漿科學研究所，更有針對核融合投入理論、模擬、實驗的研究。然而，相較於國外蓬勃發展核融合的環境相比，臺灣投入核融合研究的人數仍然明顯不足。

期盼這次NIF的實驗成果，能夠吸引更多臺灣的學生及研究人員投入核融合的相關研究，更刺激政府、民間團體投入更多的資源在核融合研究上。

兩種不同的核融合方式

當物質被加熱到 1 億 ℃ 時，原子內部帶負電的電子便會脫離帶正電的原子核，形成帶負電的電子及帶正電的原子核混合在一起的狀態，稱為電漿（plasma）。我們可以利用帶電粒子的特性侷限高溫的電漿，目前廣泛被研究的核融合反應可分為磁場控制核融合與慣性控制核融合，它們的原理有哪些不同？

磁場控制核融合

其中一種方式便是藉由稱為「托卡馬克」（tokamak）的環形容器產生核融合。透過環磁場線圈及延著環形方向的電漿電流（plasma electric current），在環磁場線圈的內部形成一個扭曲但繞著環磁場線圈的螺旋磁力線（helical magnetic field），讓電漿不斷延著螺旋磁力線移動，被侷限在環磁場線圈形狀的真空腔中但不與真空腔的腔壁接觸。

最後，再將電漿加熱到 10 keV的溫度。此核融合的方式能透過磁場將低密度（接近真空）的電漿侷限在真空腔中上百秒或更久的時間，讓高溫的氘、氚原子核有機會互相靠近並發生核融合反應。

慣性控制核融合

慣性控制核融合是利用電漿本身的「慣性」來侷限電漿。由於粒子本身的質量不等於零，所以離開系統需要時間，只要燃料在離開系統前反應完畢，那是否被持續侷限就不重要了。

因此，慣性控制核融合必須將氘與氚的燃料加熱到近 10 keV，並壓縮到高壓力（約千兆大氣壓，gigabar）及高密度，讓粒子間碰撞的頻率在極高的密度下大幅度提升，增加核融合發生的頻率。因此僅需要將系統維持／侷限在奈秒（ns）內，同樣能將燃料燒完。

慣性控制核融合可分為直接（direct drive）或間接驅動，不過兩種驅動方式都是為了快速加熱球殼外層。當球殼中心的氘及氚溫度達到 10 keV 時，核融合反應便會從中心開始發生，產生的能量可以由內而外藉由核融合反應燃燒球殼。

球殼內部在前述的過程中因為壓縮產生高壓，外部的雷射也會停止使得外部的壓力減少，因此球殼又會被向外推。然而，因為球殼本身的慣性，被向外推較為耗時，因此只要向外燃燒球殼的速度大於球殼被向外推的速度，便能將整個球殼再被外推前燃燒殆盡，產生能量。

註解

• 〔註 1〕環空器是一種腔壁與腔內達到輻射熱平衡的空腔，在慣性控制核融合實驗中燃料球會被放入環空器，再於環空器兩端孔洞射入雷射提供能量。

• 〈本文選自《科學月刊》2023 年 4 月號〉
• 科學月刊／在一個資訊不值錢的時代中，試圖緊握那知識餘溫外，也不忘科學事實和自由價值至上的科普雜誌。