0

0
0

文字

分享

0
0
0

《這不科學!——魔戒中的數學思辯》——2019數感盃 高中職組專題報導類佳作

數感實驗室_96
・2019/05/24 ・3159字 ・閱讀時間約 6 分鐘 ・SR值 588 ・九年級

-----廣告,請繼續往下閱讀-----

數感盃青少年寫作競賽」提供國中、高中職學生在培養數學素養後,一個絕佳的發揮舞台。本競賽鼓勵學生跨領域學習,運用數學知識,培養及展現邏輯思考與文字撰寫的能力,盼提升臺灣青少年科普寫作的風氣以及對數學的興趣。
本文為 2019數感盃青少年寫作競賽 / 高中組專題報導類第三名之作品,為盡量完整呈現學生之作品樣貌,本文除首圖及標點符號、錯字之外並未進行其他大幅度編修。

  • 作者:王治鈞、呂建霆、洪林竹/國立科學工業區實驗高級中學。
圖/IMDb

序章

在世界級奇幻名著《魔戒》改編的電影《魔戒首部曲:魔戒現身》之中,反派角色「炎魔」和全書靈魂角色「甘道夫 」在摩瑞亞礦山中的武打場面非常精彩,並因此常常為魔戒粉絲們津津樂道。

讓我們先把目光放回中土大陸的摩瑞亞礦山。在一場驚心動魄的激戰之中,住在礦山中的怪獸——炎魔因腳下的橋樑突然崩落而墜入底下的深淵。就在甘道夫鬆了一口氣的時候,陰魂不散的炎魔在墜落過程中甩出火鞭纏繞住甘道夫的膝蓋,使得甘道夫跌了一跤,並跟炎魔一樣摔了下去。

在電影中,從炎魔開始墜落的那一刻起到甘道夫墜落,整個過程共約 32 秒。但是,最後甘道夫和炎魔卻「同時」墜入一個地底湖中,並且繼續激戰。

相信不少人在看到這一幕的時候都會被電影逼真的特效和磅礡的畫面所震懾,我們也不例外。而在此同時,我們更聯想到一個問題:……是不是有哪裡怪怪的?

-----廣告,請繼續往下閱讀-----

讓我們先再次整理條件:

  1. 伽利略告訴我們,在同個高度下,不同物體掉到地上的時間皆應相同
  2. 炎魔比甘道夫更早開始下墜
  3. 更精確地說,炎魔早了32秒

從上述條件我們似乎可以得到一個結論——炎魔應該要比甘道夫早 32 秒掉到地底湖中才對。電影情節終究只是虛構,是不可能發生的。

但是,這真的完全不可能嗎?
難道《魔戒》不是真的?
難道約翰·托爾金(《魔戒》原著作者)騙了我?
難道我這輩子最愛的小說其實盡是謊話連篇的荒唐之論?

先暫且不論「《魔戒》本來就是歸類在『奇幻作品』中,所以一切皆有可能」,在數理上,電影中的情節究竟有沒有可能呢?

-----廣告,請繼續往下閱讀-----

剛才的推導是建立在十分簡單的假設上,所以結果可能和真實的情況不太一樣。接下來,我們將利用一些詳細的資訊分析當他們墜落深淵時到底會發生什麼事,更定量地討論「同時到達底部」這個結果的合理性。

加入「空氣阻力」的條件

在這個段落裡面,我們將會逐一進行下列步驟:

  1. 寫出甘道夫和炎魔墜落時所必須遵守的運動方程式
  2. 根據電影本身和其他資料估計一些參數(像是質量、空氣密度等)
  3. 解微分方程
  4. 把之前估計的參數代回式子中解完方程
  5. 回答我們提出來的問題——甘道夫和炎魔到底會不會同時墜地?

首先,翻閱課本便可以知道空氣阻力的公式和運動方程式是

$$ F = \frac{1}{2}ρC_DAv^2 $$

-----廣告,請繼續往下閱讀-----

\( ma\)\(=m\frac{dv}{dt}\)\(=F-mg \)\(=\frac{1}{2}ρC_DAv^2-mg \)

其中m是質量、ρ空氣密度、CD阻力係數、A截面積、v速度。空氣密度大約是 1.29kg/m3,其他的參數我們必須根據電影和其他網路上的資料來估計。

下面這個表格分別列出甘道夫和炎魔的參數:

讓我們解釋一下這些估計是怎麼來的。

-----廣告,請繼續往下閱讀-----

首先,根據Tolkien Gateway (類似魔戒專屬的維基百科)的資料,甘道夫的身高約 1.67 公尺,體重則並未提及。如果甘道夫是一個健康的巫師,我們可以預期他的 BMI 是 21,並進一步推得體重大約是 60 kg。

炎魔的話比較麻煩些,維基百科上寫炎魔站起來約人類的 3 倍高。假設炎魔的肌肉能承受的壓力和人類的一樣強,那麼肌肉截面積可估計為32=9倍,能承受的重量也是人類平均重量的32=9倍。不過我們可以合理地推測炎魔應該比人類強壯一些,所以實際上的重量應該大於60×9=540(kg),在這邊估計800kg。

至於阻力係數,則是和身體的形狀有關。根據這篇論文,人的阻力係數大約是1.2,因為炎魔大致上也是人形,在這邊就假設阻力係數一樣。另外,根據這篇皇家氣象學會的論文,人體的截面積約0.68m2,而從電影畫面估計,炎魔的截面積大約是6m2

現在回到方程式的部分, 為了讓方程式好看一點,我們可以定義

-----廣告,請繼續往下閱讀-----

$$ γ\equiv \frac{1}{2m}ρC_DA $$

,所以對於甘道夫和炎魔來說,他們的 γ 分別是 0.0088 和 0.0058。

\(\frac{dv}{dt}\)\(=γv^2-g, \int \frac{dv}{γv^2-g}\)\(=\int dt\)

\(\frac{1}{2\sqrt{γg}}(ln(\sqrt{\frac{g}{γ}}-v)-ln(v+\sqrt{\frac{g}{γ}}))\)\(=t+t_0\)

-----廣告,請繼續往下閱讀-----

\(v=-\sqrt{\frac{g}{γ}} \tan{h}\tan{h}[\sqrt{gγ}(t+t_0)]\)

\(y=\int_{0}^{t}vd{t}’\)\(=-γ^{-1}\ln \ln\cos{h}\cos{h}\sqrt{gγt}\)

t0是積分常數,如果把t=0設定成開始墜落的時間,那麼 t應該是0,這樣一開始的速率才會是0 (因為 tanh0=0)。底下兩個式子中的第一個告訴我們當一個法師(或是某種遠古怪獸)墜入深淵時,速度和時間的關係;而第二個則是掉落距離和時間的關係。我們需要知道的只有 γ,而這和掉落物本身的性質有關。

我們可以發現當時間 t 越來越大的時候,tanh 後面的參數也會越來越大,這會讓 tanh 的值接近1,這時候速率接近\(\sqrt{\frac{g}{γ}}\),就是終端速率。而 y 則是墜落深度和時間的關係。

-----廣告,請繼續往下閱讀-----

炎魔比甘道夫早32秒出發,這代表牠在這32秒內已經先掉落了\( 0.0058^{-1}\ln\ln\cos{h}\cos{h}(\sqrt{9.8\cdot 0.0058\cdot 32})\)\(\approx 1200(m)\)

,甘道夫才開始往下掉。

由於tanh x 在 x 比 2 大的時候會十分接近 1。如果要讓√gγt 等於 2,對於甘道夫和炎魔來說,都需要經過約 7 到 8 秒。經過 32 秒後,炎魔的速率已經幾乎等於終端速率了,也就是\(\sqrt{\frac{g}{γ_B}}\approx 41(m/s)\);而這時候甘道夫才剛墜落,不過無論如何,他最多也只能和終端速率\(\sqrt{\frac{g}{γ_G}}\approx 33(m/s)\) 一樣快,在這樣的情況下,甘道夫是永遠沒辦法追上炎魔的。(上面的 \(γ_B\)  和 \(γ_G\) 分別代表炎魔和甘道夫的 \(γ\),如前所述,它們分別是 0.0058 和0.0088。)

因此,在將空氣阻力納入考量的情況下,我們發現甘道夫還是沒辦法在掉落過程中趕上炎魔。

關於炎魔的鞭子

經過上述探討,我們還可以算算看炎魔的鞭子大約有多長。電影中炎魔的鞭子在牠墜落大約14秒後從深淵伸上來打到甘道夫。我們可以利用之前推導過的深度和墜落時間的關係:

\(y=\int_{0}^{t}vd{t}’=-γ^{-1}\ln \ln\cos{h}\cos{h}\sqrt{gγt}\)

來計算。

將t=14和γ=0.0058代入算式,我們可以算出來這時候炎魔已經掉落了約 460 公尺,也就是說,炎魔的鞭子至少要

\( 0.0058^{-1}\ln\ln\cos{h}\cos{h}(\sqrt{g\cdot 0.0058\cdot 14})\)\(\approx 460(m)\)

,才有機會在墜落後 14 秒將鞭子伸上來勾住甘道夫。

結論

在上面的文章中,我們用數學與理性的角度分析了電影《魔戒》中經典的一幕——甘道夫大戰炎魔之後,兩者雙雙墜入深淵。

首先,我們對電影中的情況進行辨析,並發現甘道夫與炎魔同時到達底部似乎不符合科學。接著我們將空氣阻力納入考量並進行運算,但是仍得到相同的結果。換而言之,比較早掉下去的炎魔必定會比甘道夫更早掉到底部。而這結論和電影的畫面並不相符。

但是,這就代表電影都在亂演一通?其實倒也未必。或許是因為我們納入考量的條件不足,抑或是因為參數假設有誤,導致我們的推理出了差錯。

不過這些並不是大問題,因為透過上面這些分析,相信各位看官已經和我們一起體會到了數學的美妙和實用。它不只是一門死板的學科,更是可以應用在生活中、實際地解決問題的有力工具;透過將問題轉化成數學,再把數學答案轉化回問題的解答,很多令人摸不著頭腦的問題都能迎刃而解。

最後,《魔戒》本來就屬於奇幻小說,在看完我們的分析之後,千萬別因為糾結於內容合理性而失去了閱讀這部史詩級巨作的趣味呀!

參考資料

  1. Tolkien Gateway
  2. Koo, M. H., & Al-Obaidi, A. S. M. (2013). Calculation of aerodynamic drag of human being in various positions. Department of Mechanical Engineering, Taylor’s University, Malaysia.
  3. McIlveen, J. F. R. (2002). The everyday effects of wind drag on people. Weather57(11), 410-413.

更多2019數感盃青少年寫作競賽內容,歡迎參考 2019數感盃特輯、數感實驗室官網粉絲頁喔。

-----廣告,請繼續往下閱讀-----
文章難易度
數感實驗室_96
76 篇文章 ・ 54 位粉絲
數感實驗室的宗旨是讓社會大眾「看見數學」。 數感實驗室於 2016 年 4 月成立 Facebook 粉絲頁,迄今超過 44,000 位粉絲追蹤。每天發布一則數學文章,內容包括介紹數學新知、生活中的數學應用、或是數學和文學、藝術等跨領域結合的議題。 詳見網站:http://numeracy.club/ 粉絲專頁:https://www.facebook.com/pg/numeracylab/

0

2
1

文字

分享

0
2
1
「融合蛋白」如何全方位圍剿狡猾癌細胞
鳥苷三磷酸 (PanSci Promo)_96
・2025/11/07 ・5944字 ・閱讀時間約 12 分鐘

本文與 TRPMA 台灣研發型生技新藥發展協會合作,泛科學企劃執行

我們知道癌症是台灣人健康的頭號公敵。 為此,我們花了很多時間介紹最新、最有效的抗癌方法之一:免疫療法

免疫療法中最重要的技術就是抗體藥物。科學家會人工製造一批抗體去標記癌細胞。它們就像戰場上的偵察無人機,能精準鎖定你體內的敵人——癌細胞,為它們打上標記,然後引導你的免疫系統展開攻擊。

這跟化療、放射線治療那種閉著眼睛拿機槍亂掃不同。免疫療法是重新叫醒你的免疫系統,為身體「上buff (增益) 」來抗癌,副作用較低,因此備受好評。

-----廣告,請繼續往下閱讀-----

但尷尬的是,經過幾年的臨床考驗,科學家發現:光靠抗體對抗癌症,竟然已經不夠用了。

事情是這樣的,臨床上醫生與科學家逐漸發現:這個抗體標記,不是容易損壞,就是癌細胞同時設有多個陷阱關卡,只靠叫醒免疫細胞,還是難以發揮戰力。

但好消息是,我們的生技工程也大幅進步了。科學家開始思考:如果這台偵察無人機只有「標記」這一招不夠用,為什麼不幫它升級,讓它多學幾招呢?

這個能讓免疫藥物(偵察無人機)大進化的訓練器,就是今天的主角—融合蛋白(fusion protein)

-----廣告,請繼續往下閱讀-----
融合蛋白(fusion protein)/ 圖片來源:wikipedia

融合蛋白是什麼?

免疫療法遇到的問題,我們可以這樣理解:想像你的身體是一座國家,病毒、細菌、腫瘤就是入侵者;而抗體,就是我們派出的「偵察無人機」。

當我們透過注射放出這支無人機群進到體內,它能迅速辨識敵人、緊抓不放,並呼叫其他免疫單位(友軍)一同解決威脅。過去 20 年,最強的偵查機型叫做「單株抗體」。1998年,生技公司基因泰克(Genentech)推出的藥物赫賽汀(Herceptin),就是一款針對 HER2 蛋白的單株抗體,目標是治療乳癌。

這支無人機群為什麼能對抗癌症?這要歸功於它「Y」字形的小小抗體分子,構造看似簡單,卻蘊藏巧思:

  • 「Y」 字形上面的兩隻「叉叉」是敵人偵測器,能找到敵人身上的抗原特徵,並黏上去,稱為抗體結合區「Fab 區域」。
  • 「Y」 字形的「尾巴」就是我們說的「標籤」,它能通知免疫系統啟動攻擊,稱為結晶區域片段「Fc 區域」。具體來說,當免疫細胞在體內巡邏,免疫細胞上的 Fc 受體 (FcR) 會和 Fc區域結合,進而認出病原體或感染細胞,接著展開清除。

更厲害的是,這個 Fc 區域標籤還能加裝不同功能。一般來說,人體內多餘的分子,會被定期清除。例如,細胞內會有溶酶體不斷分解多餘的物質,或是血液經過肝臟時會被代謝、分解。那麼,人造抗體對身體來說,屬於外來的東西,自然也會被清除。

-----廣告,請繼續往下閱讀-----

而 Fc區域會與細胞內體上的Fc受體結合,告訴細胞「別分解我」的訊號,阻止溶酶體的作用。又或是單純把標籤做的超大,例如接上一段長長的蛋白質,或是聚乙二醇鏈,讓整個抗體分子的大小,大於腎臟過濾孔的大小,難以被腎臟過濾,進而延長抗體在體內的存活時間。

偵測器(Fab)加上標籤(Fc)的結構,使抗體成為最早、也最成功的「天然設計藥物」。然而,當抗體在臨床上逐漸普及,一個又一個的問題開始浮現。抗體的強項在於「精準鎖定」,但這同時也是它的限制。

「Y」 字形上面的兩隻「叉叉」是敵人偵測器,能找到敵人身上的抗原特徵,並黏上去,稱為抗體結合區「Fab 區域」/ 圖片來源:shutterstock

第一個問題:抗體只能打「魔王」,無法毀掉「魔窟」。 

抗體一定要有一個明確的「標的物」才能發揮作用。這讓它在針對「腫瘤」或「癌細胞本身」時非常有效,因為敵人身上有明顯標記。但癌細胞的形成與惡化,是細胞在「生長、分裂、死亡、免疫逃脫」這些訊號通路上被長期誤導的結果。抗體雖然勇猛,卻只能針對已經帶有特定分子的癌細胞魔王,無法摧毀那個孕育魔王的系統魔窟。這時,我們真正欠缺的是能「調整」、「模擬」或「干擾」這些錯誤訊號的藥物。

-----廣告,請繼續往下閱讀-----

第二個問題:開發產線的限制。

抗體的開發,得經過複雜的細胞培養與純化程序。每次改變結構或目標,幾乎都要重新開發整個系統。這就像你無法要求一台偵測紅外線的無人機,明天立刻改去偵測核輻射。高昂的成本與漫長的開發時間,讓新產線難以靈活創新。

為了讓免疫藥物能走向多功能與容易快速製造、測試的道路,科學家急需一個更工業化的藥物設計方式。雖然我們追求的是工業化的設計,巧合的是,真正的突破靈感,仍然來自大自然。

在自然界中,基因有時會彼此「融合」成全新的組合,讓生物獲得額外功能。例如細菌,它們常仰賴一連串的酶來完成代謝,中間產物要在細胞裡來回傳遞。但後來,其中幾個酶的基因彼此融合,而且不只是基因層級的合併,產出的酶本身也變成同一條長長的蛋白質。

-----廣告,請繼續往下閱讀-----

結果,反應效率大幅提升。因為中間產物不必再「跑出去找下一個酶」,而是直接在同一條生產線上完成。對細菌來說,能更快處理養分、用更少能量維持生存,自然形成適應上的優勢,這樣的融合基因也就被演化保留下來。

科學家從中得到關鍵啟發:如果我們也能把兩種有用的蛋白質,「人工融合」在一起,是否就能創造出更強大的新分子?於是,融合蛋白(fusion protein)就出現了。

以假亂真:融合蛋白的HIV反制戰

融合蛋白的概念其實很直覺:把兩種以上、功能不同的蛋白質,用基因工程的方式「接起來」,讓它們成為同一個分子。 

1990 年,融合蛋白 CD4 免疫黏附素(CD4 immunoadhesin)誕生。這項設計,是為了對付令人類聞風喪膽的 HIV 病毒。

-----廣告,請繼續往下閱讀-----

我們知道 T 細胞是人體中一種非常重要的白血球。在這些 T 細胞中,大約有六到七成表面帶有一個叫做「CD4」的輔助受體。CD4 會和另一個受體 TCR 一起合作,幫助 T 細胞辨識其他細胞表面的抗原片段,等於是 T 細胞用來辨認壞人的「探測器」。表面擁有 CD4 受體的淋巴球,就稱為 CD4 淋巴球。

麻煩的來了。 HIV 病毒反將一軍,竟然把 T 細胞的 CD4 探測器,當成了自己辨識獵物的「標記」。沒錯,對 HIV 病毒來說,免疫細胞就是它的獵物。HIV 的表面有一種叫做 gp120 的蛋白,會主動去抓住 T 細胞上的 CD4 受體。

一旦成功結合,就會啟動一連串反應,讓病毒外殼與細胞膜融合。HIV 進入細胞內後會不斷複製並破壞免疫細胞,導致免疫系統逐漸崩潰。

為了逆轉這場悲劇,融合蛋白 CD4 免疫黏附素登場了。它的結構跟抗體類似,由由兩個不同段落所組成:一端是 CD4 假受體,另一端則是剛才提到、抗體上常見的 Fc 區域。當 CD4 免疫黏附素進入體內,它表面的 CD4 假受體會主動和 HIV 的 gp120 結合。

-----廣告,請繼續往下閱讀-----

厲害了吧。 病毒以為自己抓到了目標細胞,其實只是被騙去抓了一個假的 CD4。這樣 gp120 抓不到 CD4 淋巴球上的真 CD4,自然就無法傷害身體。

而另一端的 Fc 區域則有兩個重要作用:一是延長融合蛋白在體內的存活時間;二是理論上能掛上「這裡有敵人!」的標籤,這種機制稱為抗體依賴性細胞毒殺(ADCC)或免疫吞噬作用(ADCP)。當免疫細胞的 Fc 受體與 Fc 區域結合,就能促使免疫細胞清除被黏住的病毒顆粒。

不過,這裡有個關鍵細節。

在實際設計中,CD4免疫黏附素的 Fc 片段通常會關閉「吸引免疫細胞」的這個技能。原因是:HIV 專門攻擊的就是免疫細胞本身,許多病毒甚至已經藏在 CD4 細胞裡。若 Fc 區域過於活躍,反而可能引發強烈的發炎反應,甚至讓免疫系統錯把帶有病毒碎片的健康細胞也一併攻擊,這樣副作用太大。因此,CD4 免疫黏附素的 Fc 區域會加入特定突變,讓它只保留延長藥物壽命的功能,而不會與淋巴球的 Fc 受體結合,以避免誘發免疫反應。

從 DNA 藍圖到生物積木:融合蛋白的設計巧思

融合蛋白雖然潛力強大,但要製造出來可一點都不簡單。它並不是用膠水把兩段蛋白質黏在一起就好。「融合」這件事,得從最根本的設計圖,也就是 DNA 序列就開始規劃。

我們體內的大部分蛋白質,都是細胞照著 DNA 上的指令一步步合成的。所以,如果科學家想把蛋白 A 和蛋白 B 接在一起,就得先把這兩段基因找出來,然後再「拼」成一段新的 DNA。

不過,如果你只是單純把兩段基因硬接起來,那失敗就是必然的。因為兩個蛋白會互相「打架」,導致摺疊錯亂、功能全毀。

這時就需要一個小幫手:連接子(linker)。它的作用就像中間的彈性膠帶,讓兩邊的蛋白質能自由轉動、互不干擾。最常見的設計,是用多個甘胺酸(G)和絲胺酸(S)組成的柔性小蛋白鏈。

設計好這段 DNA 之後,就能把它放進細胞裡,讓細胞幫忙「代工」製造出這個融合蛋白。接著,科學家會用層析、電泳等方法把它純化出來,再一一檢查它有沒有摺疊正確、功能是否完整。

如果一切順利,這個人工設計的融合分子,就能像自然界的蛋白一樣穩定運作,一個全新的「人造分子兵器」就此誕生。

CD4免疫黏附素問世之後,融合蛋白逐漸成為生物製藥的重要平台之一。而且現在的融合蛋白,早就不只是「假受體+Fc 區域」這麼單純。它已經跳脫模仿抗體,成為真正能自由組裝、自由設計的生物積木。

CD4免疫黏附素問世之後,融合蛋白逐漸成為生物製藥的重要平台之一 / 圖片來源:wikipedia

融合蛋白的強項,就在於它能「自由組裝」。

以抗體為骨架,科學家可以接上任何想要的功能模組,創造出全新的藥物型態。一般的抗體只能「抓」(標記特定靶點);但融合蛋白不只會抓,還能「阻斷」、「傳遞」、甚至「調控」訊號。在功能模組的加持下,它在藥物設計上,幾乎像是一個分子級的鋼鐵蜘蛛人裝甲。

一般來說,當我們選擇使用融合蛋白時,通常會期待它能發揮幾種關鍵效果:

  1. 療效協同: 一款藥上面就能同時針對多個靶點作用,有機會提升治療反應率與持續時間,達到「一藥多效」的臨床價值。
  2. 減少用藥: 原本需要兩到三種單株抗體聯合使用的療法,也許只要一種融合蛋白就能搞定。這不僅能減少給藥次數,對病人來說,也有機會因為用藥減少而降低治療成本。
  3. 降低毒性風險: 經過良好設計的融合蛋白,可以做到更精準的「局部活化」,讓藥物只在目標區域發揮作用,減少副作用。

到目前為止,我們了解了融合蛋白是如何製造的,也知道它的潛力有多大。

那麼,目前實際成效到底如何呢?

一箭雙鵰:拆解癌細胞的「偽裝」與「內奸」

2016 年,德國默克(Merck KGaA)展開了一項全新的臨床試驗。 主角是一款突破性的雙功能融合蛋白──Bintrafusp Alfa。這款藥物的厲害之處在於,它能同時封鎖 PD-L1 和 TGF-β 兩條免疫抑制路徑。等於一邊拆掉癌細胞的偽裝,一邊解除它的防護罩。

PD-L1,我們或許不陌生,它就像是癌細胞身上的「偽裝良民證」。當 PD-L1 和免疫細胞上的 PD-1 受體結合時,就會讓免疫系統誤以為「這細胞是自己人」,於是放過它。我們的策略,就是用一個抗體或抗體樣蛋白黏上去,把這張「偽裝良民證」封住,讓免疫系統能重新啟動。

但光拆掉偽裝還不夠,因為癌細胞還有另一位強大的盟友—一個起初是我軍,後來卻被癌細胞收買、滲透的「內奸」。它就是,轉化生長因子-β,縮寫 TGF-β。

先說清楚,TGF-β 原本是體內的秩序管理者,掌管著細胞的生長、分化、凋亡,還負責調節免疫反應。在正常細胞或癌症早期,它會和細胞表面的 TGFBR2 受體結合,啟動一連串訊號,抑制細胞分裂、減緩腫瘤生長。

但當癌症發展到後期,TGF-β 跟 TGFBR2 受體之間的合作開始出問題。癌細胞表面的 TGFBR2 受體可能突變或消失,導致 TGF-β 不但失去了原本的抑制作用,反而轉向幫癌細胞做事

它會讓細胞骨架(actin cytoskeleton)重新排列,讓細胞變長、變軟、更有彈性,還能長出像觸手的「偽足」(lamellipodia、filopodia),一步步往外移動、鑽進組織,甚至進入血管、展開全身轉移。

更糟的是,這時「黑化」的 TGF-β 還會壓抑免疫系統,讓 T 細胞和自然殺手細胞變得不再有攻擊力,同時刺激新血管生成,幫腫瘤打通營養補給線。

為了對抗這個內奸,默克在 Bintrafusp Alfa 的結構裡,加上了一個「TGF-β 陷阱(trap)」。就像 1989 年的 CD4 免疫黏附素用「假受體」去騙 HIV 一樣,這個融合蛋白在體內循環時,會用它身上的「陷阱」去捕捉並中和游離的 TGF-β。這讓 TGF-β 無法再跟腫瘤細胞或免疫細胞表面的天然受體結合,從而鬆開了那副壓抑免疫系統的腳鐐。

為了對抗這個內奸,默克在 Bintrafusp Alfa 的結構裡,加上了一個「TGF-β 陷阱(trap)」/ 情境圖來源:shutterstock

告別單一解方:融合蛋白的「全方位圍剿」戰

但,故事還沒完。我們之前提過,癌細胞之所以難纏,在於它會發展出各種「免疫逃脫」策略。

而近年我們發現,癌細胞的「偽良民證」至少就有兩張:一張是 PD-L1;另一張是 CD-47。CD47 是癌細胞向巨噬細胞展示的「別吃我」訊號,當它與免疫細胞上的 SIRPα 結合時,就會抑制吞噬反應。

為此,總部位於台北的漢康生技,決定打造能同時對付 PD-L1、CD-47,乃至 TGF-β 的三功能生物藥 HCB301。

雖然三功能融合蛋白聽起來只是「再接一段蛋白」而已,但實際上極不簡單。截至目前,全球都還沒有任何三功能抗體或融合蛋白批准上市,在臨床階段的生物候選藥,也只佔了整個生物藥市場的 1.6%。

漢康生技透過自己開發的 FBDB 平台技術,製作出了三功能的生物藥 HCB301,目前第一期臨床試驗已經在美國、中國批准執行。

免疫療法絕對是幫我們突破癌症的關鍵。但我們也知道癌症非常頑強,還有好幾道關卡我們無法攻克。既然單株抗體在戰場上顯得單薄,我們就透過融合蛋白,創造出擁有多種功能模組的「升級版無人機」。

融合蛋白強的不是個別的偵查或阻敵能力,而是一組可以「客製化組裝」的平台,用以應付癌細胞所有的逃脫策略。

Catch Me If You Can?融合蛋白的回答是:「We Can.」

未來癌症的治療戰場,也將從尋找「唯一解」,轉變成如何「全方位圍剿」癌細胞,避免任何的逃脫。

-----廣告,請繼續往下閱讀-----
文章難易度

討論功能關閉中。

0

1
0

文字

分享

0
1
0
解密機器人如何學會思考、觸摸與變形
鳥苷三磷酸 (PanSci Promo)_96
・2025/09/09 ・6820字 ・閱讀時間約 14 分鐘

-----廣告,請繼續往下閱讀-----

本文與 Perplexity 合作,泛科學企劃執行

「Hello. I am… a robot.」

在我們的記憶裡,機器人的聲音就該是冰冷、單調,不帶一絲情感 。它們的動作僵硬,肢體不協調,像一個沒有靈魂的傀儡,甚至啟發我們創造了機械舞來模仿那獨特的笨拙可愛。但是,現今的機器人發展不再只會跳舞或模仿人聲,而是已經能獨立完成一場膽囊切除手術。

就在2025年,美國一間實驗室發表了一項成果:一台名為「SRT-H」的機器人(階層式手術機器人Transformer),在沒有人類醫師介入的情況下,成功自主完成了一場完整的豬膽囊切除手術。SRT-H 正是靠著從錯誤中學習的能力,最終在八個不同的離體膽囊上,達成了 100% 的自主手術成功率。

-----廣告,請繼續往下閱讀-----

這項成就的意義重大,因為過去機器人手術的自動化,大多集中在像是縫合這樣的單一「任務」上。然而,這一場完整的手術,是一個包含數十個步驟、需要連貫策略與動態調整的複雜「程序」。這是機器人首次在包含 17 個步驟的完整膽囊切除術中,實現了「步驟層次的自主性」。

這就引出了一個讓我們既興奮又不安的核心問題:我們究竟錯過了什麼?機器人是如何在我們看不見的角落,悄悄完成了從「機械傀儡」到「外科醫生」的驚人演化?

這趟思想探險,將為你解密 SRT-H 以及其他五款同樣具備革命性突破的機器人。你將看到,它們正以前所未有的方式,發展出生物般的觸覺、理解複雜指令、學會團隊合作,甚至開始自我修復與演化,成為一種真正的「準生命體」 。

所以,你準備好迎接這個機器人的新紀元了嗎?

-----廣告,請繼續往下閱讀-----

只靠模仿還不夠?手術機器人還需要學會「犯錯」與「糾正」

那麼,SRT-H 這位機器人的外科大腦,究竟藏著什麼秘密?答案就在它創新的「階層式框架」設計裡 。

你可以想像,SRT-H 的腦中,住著一個分工明確的兩人團隊,就像是漫畫界的傳奇師徒—黑傑克與皮諾可 。

  • 第一位,是動口不動手的總指揮「黑傑克」: 它不下達具體的動作指令,而是在更高維度的「語言空間」中進行策略規劃 。它發出的命令,是像「抓住膽管」或「放置止血夾」這樣的高層次任務指令 。
  • 第二位,是靈巧的助手「皮諾可」: 它負責接收黑傑克的語言指令,並將這些抽象的命令,轉化為機器手臂毫釐不差的精準運動軌跡 。

但最厲害的還不是這個分工,而是它們的學習方式。SRT-H 研究團隊收集了 17 個小時、共 16,000 條由人類專家操作示範的軌跡數據來訓練它 。但這還只是開始,研究人員在訓練過程中,會刻意讓它犯錯,並向它示範如何從抓取失敗、角度不佳等糟糕的狀態中恢復過來 。這種獨特的訓練方法,被稱為「糾正性示範」 。

SRT-H 研究團隊收集了 17 個小時、共 16,000 條由人類專家操作示範的軌跡數據來訓練它 。 / 圖片來源:shutterstock

這項訓練,讓 SRT-H 學會了一項外科手術中最關鍵的技能:當它發現執行搞砸了,它能即時識別偏差,並發出如「重試抓取」或「向左調整」等「糾正性指令」 。這套內建的錯誤恢復機制至關重要。當研究人員拿掉這個糾正能力後,機器人在遇到困難時,要不是完全失敗,就是陷入無效的重複行為中 。

-----廣告,請繼續往下閱讀-----

正是靠著這種從錯誤中學習、自我修正的能力,SRT-H 最終在八次不同的手術中,達成了 100% 的自主手術成功率 。

SRT-H 證明了機器人開始學會「思考」與「糾錯」。但一個聰明的大腦,足以應付更混亂、更無法預測的真實世界嗎?例如在亞馬遜的倉庫裡,機器人不只需要思考,更需要實際「會做事」。

要能精準地與環境互動,光靠視覺或聽覺是不夠的。為了讓機器人能直接接觸並處理日常生活中各式各樣的物體,它就必須擁有生物般的「觸覺」能力。

解密 Vulcan 如何學會「觸摸」

讓我們把場景切換到亞馬遜的物流中心。過去,這裡的倉儲機器人(如 Kiva 系統)就像放大版的掃地機器人,核心行動邏輯是極力「避免」與周遭環境發生任何物理接觸,只負責搬運整個貨架,再由人類員工挑出包裹。

-----廣告,請繼續往下閱讀-----

但 2025 年5月,亞馬遜展示了他們最新的觸覺機器人 Vulcan。在亞馬遜的物流中心裡,商品被存放在由彈性帶固定的織物儲物格中,而 Vulcan 的任務是必須主動接觸、甚至「撥開」彈性織網,再從堆放雜亂的儲物格中,精準取出單一包裹,且不能造成任何損壞。

2025 年5月,亞馬遜展示了他們最新的觸覺機器人 Vulcan / 圖片引用:https://www.aboutamazon.com/news

Vulcan 的核心突破,就在於它在「拿取」這個動作上,學會了生物般的「觸覺」。它靈活的機械手臂末端工具(EOAT, End-Of-Arm Tool),不僅配備了攝影機,還搭載了能測量六個自由度的力與力矩感測器。六個自由度包含上下、左右、前後的推力,和三個維度的旋轉力矩。這就像你的手指,裡頭分布著非常多的受器,不只能感測壓力、還能感受物體橫向拉扯、運動等感觸。

EOAT 也擁有相同精確的「觸覺」,能夠在用力過大之前即時調整力道。這讓 Vulcan 能感知推動一個枕頭和一個硬紙盒所需的力量不同,從而動態調整行為,避免損壞貨物。

其實,這更接近我們人類與世界互動的真實方式。當你想拿起桌上的一枚硬幣時,你的大腦並不會先計算出精準的空間座標。實際上,你會先把手伸到大概的位置,讓指尖輕觸桌面,再沿著桌面滑動,直到「感覺」到硬幣的邊緣,最後才根據觸覺決定何時彎曲手指、要用多大的力量抓起這枚硬幣。Vulcan 正是在學習這種「視覺+觸覺」的混合策略,先用攝影機判斷大致的空間,再用觸覺回饋完成最後精細的操作。

-----廣告,請繼續往下閱讀-----

靠著這項能力,Vulcan 已經能處理亞馬遜倉庫中約 75% 的品項,並被優先部署來處理最高和最低層的貨架——這些位置是最容易導致人類員工職業傷害的位置。這也讓自動化的意義,從單純的「替代人力」,轉向了更具建設性的「增強人力」。

SRT-H 在手術室中展現了「專家級的腦」,Vulcan 在倉庫中演化出「專家級的手」。但你發現了嗎?它們都還是「專家」,一個只會開刀,一個只會揀貨。雖然這種「專家型」設計能有效規模化、解決痛點並降低成本,但機器人的終極目標,是像人類一樣成為「通才」,讓單一機器人,能在人類環境中執行多種不同任務。

如何教一台機器人「舉一反三」?

你問,機器人能成為像我們一樣的「通才」嗎?過去不行,但現在,這個目標可能很快就會實現了。這正是 NVIDIA 的 GR00T 和 Google DeepMind 的 RT-X 等專案的核心目標。

過去,我們教機器人只會一個指令、一個動作。但現在,科學家們換了一種全新的教學思路:停止教機器人完整的「任務」,而是開始教它們基礎的「技能基元」(skill primitives),這就像是動作的模組。

-----廣告,請繼續往下閱讀-----

例如,有負責走路的「移動」(Locomotion) 基元,和負責抓取的「操作」(Manipulation) 基元。AI 模型會透過強化學習 (Reinforcement Learning) 等方法,學習如何組合這些「技能基元」來達成新目標。

舉個例子,當 AI 接收到「從冰箱拿一罐汽水給我」這個新任務時,它會自動將其拆解為一系列已知技能的組合:首先「移動」到冰箱前、接著「操作」抓住把手、拉開門、掃描罐子、抓住罐子、取出罐子。AI T 正在學會如何將這些單一的技能「融合」在一起。有了這樣的基礎後,就可以開始來大量訓練。

當多重宇宙的機器人合體練功:通用 AI 的誕生

好,既然要學,那就要練習。但這些機器人要去哪裡獲得足夠的練習機會?總不能直接去你家廚房實習吧。答案是:它們在數位世界裡練習

NVIDIA 的 Isaac Sim 等平台,能創造出照片級真實感、物理上精確的模擬環境,讓 AI 可以在一天之內,進行相當於數千小時的練習,獨自刷副本升級。這種從「模擬到現實」(sim-to-real)的訓練管線,正是讓訓練這些複雜的通用模型變得可行的關鍵。

-----廣告,請繼續往下閱讀-----

DeepMind 的 RT-X 計畫還發現了一個驚人的現象:用來自多種「不同類型」機器人的數據,去訓練一個單一的 AI 模型,會讓這個模型在「所有」機器人上表現得更好。這被稱為「正向轉移」(positive transfer)。當 RT-1-X 模型用混合數據訓練後,它在任何單一機器人上的成功率,比只用該機器人自身數據訓練的模型平均提高了 50%。

這就像是多重宇宙的自己各自練功後,經驗值合併,讓本體瞬間變強了。這意味著 AI 正在學習關於物理、物體特性和任務結構的抽象概念,這些概念獨立於它所控制的特定身體。

AI 正在學習關於物理、物體特性和任務結構的抽象概念,這些概念獨立於它所控制的特定身體。/ 圖片來源:shutterstock

不再是工程師,而是「父母」: AI 的新學習模式

這也導向了一個科幻的未來:或許未來可能存在一個中央「機器人大腦」,它可以下載到各種不同的身體裡,並即時適應新硬體。

這種學習方式,也從根本上改變了我們與機器人的互動模式。我們不再是逐行編寫程式碼的工程師,而是更像透過「示範」與「糾正」來教導孩子的父母。

NVIDIA 的 GR00T 模型,正是透過一個「數據金字塔」來進行訓練的:

  • 金字塔底層: 是大量的人類影片。
  • 金字塔中層: 是海量的模擬數據(即我們提過的「數位世界」練習)。
  • 金字塔頂層: 才是最珍貴、真實的機器人操作數據。

這種模式,大大降低了「教導」機器人新技能的門檻,讓機器人技術變得更容易規模化與客製化。

當機器人不再是「一個」物體,而是「任何」物體?

我們一路看到了機器人如何學會思考、觸摸,甚至舉一反三。但這一切,都建立在一個前提上:它們的物理形態是固定的。

但,如果連這個前提都可以被打破呢?這代表機器人的定義不再是固定的形態,而是可變的功能:它能改變身體來適應任何挑戰,不再是一台單一的機器,而是一個能根據任務隨選變化的物理有機體。

有不少團隊在爭奪這個機器人領域的聖杯,其中瑞士洛桑聯邦理工學院特別具有代表性,該學院的仿生機器人實驗室(Bioinspired Robotics Group, BIRG)2007 年就打造模組化自重構機器人 Roombots。

有不少團隊在爭奪這個機器人領域的聖杯,其中瑞士洛桑聯邦理工學院(EPFL)特別具有代表性。該學院的仿生機器人實驗室(BIRG)在 2007 年就已打造出模組化自重構機器人 Roombots。而 2023 年,來自 EPFL 的另一個實驗室——可重組機器人工程實驗室(RRL),更進一步推出了 Mori3,這是一套把摺紙藝術和電腦圖學巧妙融合的模組化機器人系統。

2023 年來自 EPFL 的另一個實驗室—可重組機器人工程實驗室(RRL)推出了 Mori3 © 2023 Christoph Belke, EPFL RRL

Mori3 的核心,是一個個小小的三角形模組。別看它簡單,每個模組都是一個獨立的機器人,有自己的電源、馬達、感測器和處理器,能獨立行動,也能和其他模組合作。最厲害的是,它的三條邊可以自由伸縮,讓這個小模組本身就具備「變形」能力。

當許多 Mori3 模組連接在一起時,就能像一群活的拼圖一樣,從平面展開,組合成各種三維結構。研究團隊將這種設計稱為「物理多邊形網格化」。在電腦圖學裡,我們熟悉的 3D 模型,其實就是由許多多邊形(通常是三角形)拼湊成的網格。Mori3 的創新之處,就是把這種純粹的數位抽象,真正搬到了現實世界,讓模組們化身成能活動的「實體網格」。

這代表什麼?團隊已經展示了三種能力:

  • 移動:他們用十個模組能組合成一個四足結構,它能從平坦的二維狀態站立起來,並開始行走。這不只是結構變形,而是真正的協調運動。
  • 操縱: 五個模組組合成一條機械臂,撿起物體,甚至透過末端模組的伸縮來擴大工作範圍。
  • 互動: 模組們能形成一個可隨時變形的三維曲面,即時追蹤使用者的手勢,把手的動作轉換成實體表面的起伏,等於做出了一個會「活」的觸控介面。

這些展示,不只是實驗室裡的炫技,而是真實證明了「物理多邊形網格化」的潛力:它不僅能構建靜態的結構,還能創造具備複雜動作的動態系統。而且,同一批模組就能在不同情境下切換角色。

想像一個地震後的救援場景:救援隊帶來的不是一台笨重的挖土機,而是一群這樣的模組。它們首先組合成一條長長的「蛇」形機器人,鑽入瓦礫縫隙;一旦進入開闊地後,再重組成一隻多足的「蜘蛛」,以便在不平的地面上穩定行走;發現受困者時,一部分模組分離出來形成「支架」撐住搖搖欲墜的橫樑,另一部分則組合成「夾爪」遞送飲水。這就是以任務為導向的自我演化。

這項技術的終極願景,正是科幻中的概念:可程式化物質(Programmable Matter),或稱「黏土電子學」(Claytronics)。想像一桶「東西」,你可以命令它變成任何你需要的工具:一支扳手、一張椅子,或是一座臨時的橋樑。

未來,我們只需設計一個通用的、可重構的「系統」,它就能即時創造出任務所需的特定機器人。這將複雜性從實體硬體轉移到了規劃重構的軟體上,是一個從硬體定義的世界,走向軟體定義的物理世界的轉變。

更重要的是,因為模組可以隨意分開與聚集,損壞時也只要替換掉部分零件就好。足以展現出未來機器人的適應性、自我修復與集體行為。當一群模組協作時,它就像一個超個體,如同蟻群築橋。至此,「機器」與「有機體」的定義,也將開始動搖。

從「實體探索」到「數位代理」

我們一路見證了機器人如何從單一的傀儡,演化為學會思考的外科醫生 (SRT-H)、學會觸摸的倉儲專家 (Vulcan)、學會舉一反三的通才 (GR00T),甚至是能自我重構成任何形態的「可程式化物質」(Mori3)。

但隨著機器人技術的飛速發展,一個全新的挑戰也隨之而來:在一個 AI 也能生成影像的時代,我們如何分辨「真實的突破」與「虛假的奇觀」?

舉一個近期的案例:2025 年 2 月,一則影片在網路上流傳,顯示一台人形機器人與兩名人類選手進行羽毛球比賽,並且輕鬆擊敗了人類。我的第一反應是懷疑:這太誇張了,一定是 AI 合成的影片吧?但,該怎麼驗證呢?答案是:用魔法打敗魔法。

在眾多 AI 工具中,Perplexity 特別擅長資料驗證。例如這則羽球影片的內容貼給 Perplexity,它馬上就告訴我:該影片已被查證為數位合成或剪輯。但它並未就此打住,而是進一步提供了「真正」在羽球場上有所突破的機器人—來自瑞士 ETH Zurich 團隊的 ANYmal-D

接著,選擇「研究模式」,就能深入了解 ANYmal-D 的詳細原理。原來,真正的羽球機器人根本不是「人形」,而是一台具備三自由度關節的「四足」機器人。

如果你想更深入了解,Perplexity 的「實驗室」功能,還能直接生成一份包含圖表、照片與引用來源的完整圖文報告。它不只介紹了 ANYmal-D 在羽球上的應用,更詳細介紹了瑞士聯邦理工學院發展四足機器人的完整歷史:為何選擇四足?如何精進硬體與感測器結構?以及除了運動領域外,四足機器人如何在關鍵的工業領域中真正創造價值。

AI 代理人:數位世界的新物種

從開刀、揀貨、打球,到虛擬練功,這些都是機器人正在學習「幫我們做」的事。但接下來,機器人將獲得更強的「探索」能力,幫我們做那些我們自己做不到的事。

這就像是,傳統網路瀏覽器與 Perplexity 的 Comet 瀏覽器之間的差別。Comet 瀏覽器擁有自主探索跟決策能力,它就像是數位世界裡的機器人,能成為我們的「代理人」(Agent)

它的核心功能,就是拆解過去需要我們手動完成的多步驟工作流,提供「專業代工」,並直接交付成果。

例如,你可以直接對它說:「閱讀這封會議郵件,檢查我的行事曆跟代辦事項,然後草擬一封回信。」或是直接下達一個複雜的指令:「幫我訂 Blue Origin 的太空旅遊座位,記得要來回票。」

接著,你只要兩手一攤,Perplexity 就會接管你的瀏覽器,分析需求、執行步驟、最後給你結果。你再也不用自己一步步手動搜尋,或是在不同網站上重複操作。

AI 代理人正在幫我們探索險惡的數位網路,而實體機器人,則在幫我們前往真實的物理絕境。

立即點擊專屬連結 https://perplexity.sng.link/A6awk/k74… 試用 Perplexity吧! 現在申辦台灣大哥大月付 599(以上) 方案,還可以獲得 1 年免費 Perplexity Pro plan 喔!(價值 新台幣6,750)

◆Perplexity 使用實驗室功能對 ANYmal-D 與團隊的全面分析 https://drive.google.com/file/d/1NM97…

-----廣告,請繼續往下閱讀-----
文章難易度

討論功能關閉中。

1

14
12

文字

分享

1
14
12
為什麼在下雨天時,你不會被雨滴狠狠痛扁?
若芽_96
・2022/04/21 ・5518字 ・閱讀時間約 11 分鐘

下雨天的時候走在路上,天氣涼涼的,聽著雨聲的感覺非常好。但是你有沒有想過,為什麼雨滴會從天上掉下來?

「啊!就像蘋果會掉到地面一樣,會受到重力的作用嗎?」你可能會這麼說。

好,那我們這邊就來帶大家算一下,一滴雨從高空落到地面,純粹只有受到重力時,應該是什麼樣子的感覺吧!

只有受到重力作用雨滴的運動分析

當不考慮空氣阻力時,由高空落下的物體全程會受到重力加速度值 g 的作用,而因為地表的重力加速度約為定值,以海平面且緯度 45º 為標準,其數值為 9.8m/s2 [1]。因此雨滴從高空落下時,可以視為一個單純的等加速度運動,而這個運動我們又稱之為自由落體

-----廣告,請繼續往下閱讀-----

假設雨滴是靜止落下且受到重力加速度值 g 作用,即可根據等加速度運動公式,求得雨滴從高度 h 自由落下時的末速度值:

然而,在探討雨滴落下的末速度之前,我們必須對於雲的分類以及大致上的高度有一個基本的了解,才能比較明確地知道我們要探討的雨滴大概是從什麼樣的高度落下來的。

氣象學家 Luke Howard 於 1803 年中的著作《論雲的變形》(The Essay on the Modification of Clouds)中,按照不同雲的形狀、組成、形成原因,將雲分為 10 大雲屬,並且將這 10 大雲屬劃為三個雲族,分別為:位於距地表 6,000 至 7,000 公尺的高雲族,位於距地表 2,000 至 6,000 公尺的中雲族,以及位於距地表 0 至 2,000 公尺的低雲族[2]。另外,則還有橫跨了三個不同雲族高度的直展雲族,常常造成短暫但是相當豐沛的降雨量[3]

國際氣象組織所提供的基本雲的分類標準對照圖。圖/世界氣象組織[2]

按照國際氣象組織所提供的分類,以及 Luke Howard 的定義,天空中主要的降雨來源為積雨雲(cumulonimbus)以及雨層雲(nimbostratus),降雨來源以雨層雲較為常見,且其雲底多為 1,200 公尺以下。故我們這邊計算雨滴的高度時,便以 1,200 公尺作為高度的參考依據。

-----廣告,請繼續往下閱讀-----

因此,當一滴雨從高空落下,代入前述自由落體公式,即可計算出雨滴理論上應該要有的末速度:

根據上述的計算式子可以知道,當雨滴從高處落下時,如果沒有任何的空氣阻力,雨滴落到地面的速度大約會是 153 m/s。

對於這個數字沒有感覺嗎?那這邊簡單地計算給你看一下,讓你有點 fu。但是在這個計算之前,首先我們要先對於雨滴的大小有個概念。

依照 2009 年的相關研究[4]顯示,小雨滴在降落時幾乎是圓形,可是隨著體積越大,就會變得越扁平,受到空氣的影響也會越明顯。當雨滴達到特定的大小時,就會被切割為較小的雨滴,也因此最大的雨滴直徑會被限制在 6 mm 左右。

而按照另一個研究[5]對於雨滴粒徑的分布探討,發現雨滴的直徑多數是落在 0.5 mm 至 4 mm 之間,也就是半徑 0.25 mm 至 2 mm 之間。

-----廣告,請繼續往下閱讀-----
不同大小的雨滴受到空氣影響的形變研究示意圖。圖/Wikipedia [6]

這邊先姑且不論雨滴本身的化學成分所帶來的密度差異,以及落下過程中的密度和質量變化。因此我們可以簡單的利用密度、質量和體積的關係式,假設有一顆雨滴的成分皆為水,密度為 1 g/cm3,半徑 2 mm,且為均勻球體的情況下,計算這顆雨滴的質量如下:

接著,我們利用牛頓第二運動定律動量衝量的概念,來計算平均一顆雨滴所造成的衝擊力大小。這邊,我們假設你是淋雨的狀態,雨滴跟你的腦袋接觸的時間大約為 0.001 秒,且雨滴最後會完全靜止在你的腦袋上,也就是末速度為 0。

此時,造成雨滴會有速度變化的作用力有二,一為雨滴所受到的重力、二為腦袋給雨滴的正向力。根據牛頓第三運動定律,腦袋給雨滴的作用力,與雨滴給腦袋的作用力,為「作用力與反作用力」之間的關係。

那我們要怎麼知道雨滴對於腦袋的衝擊力有多少呢?

根據前面的假設,我們假設腦袋給雨滴的作用力使用變項為 N,可以列式如下:

-----廣告,請繼續往下閱讀-----

雖然我們前面說,在計算正向力 N 時,應該要將重力納入考量,不過實際計算後會發現雨滴本身重量也不算大,相較之下,後面的重力項是可以忽略的,因此計算出來的衝擊力約為 0.52 kgw。

嗯?你說你還是沒有感覺嗎?再說白話一點好了,這個重量就差不多是一瓶 500 ml 的礦泉水壓在你身上的感覺。這只是單一顆雨滴,平常在下雨的時候絕對不可能只有一顆雨滴。一瓶礦泉水壓在身上其實是有感覺的,那很多雨滴下在身上,等同於很多很多瓶礦泉水壓在身上,那肯定也是非常有感。

修但幾勒,這個結論跟我們平常淋雨的感覺完全不同吧!那到底問題出在哪裡?

其實雨滴不只受到重力的作用

雨雲本身存在於大氣層的對流層內,而對流層內充滿很多空氣分子。當雨滴在這些空氣分子所形成的「流體」裡面移動的時候,會使得雨滴本身除了受到重力以外,還會額外受到空氣阻力(drag force)的作用。

-----廣告,請繼續往下閱讀-----

在流體動力學中,在流體中移動的物體會受到一個和運動方向相反的阻力。這個阻力來自流體,會存在於兩個流體層之間,或者是流體與固體之間。可是,這和以往我們所學的固體和固體之間的摩擦力不同,因為物體在流體中受到的阻力其實是和物體移動的速度有關[7][8]

物體在流體中所受到的阻力,會受到物體大小、形狀、特性,以及流體性質的影響。阻力方程式(drag equation)概括了這些因素,描述如下[7]

其中,ρ 為流體的密度(如果是在空氣中,則是空氣的平均密度)、A 為物體在流體中的有效面積、v 為物體在流體中之速度;CD 則是阻尼係數,是一個沒有因次的數字,一般來說會跟物體的形狀以及雷諾數(Reynolds number)有關。

而雷諾數則是在流體動力學之中,流體慣性力(inertial force)和黏性力(viscous force)的比值,用來預測流體狀態的無因次物理量。對於不同的流體來說,雷諾數會有很多不同的表達方式,但一般來說都會包含流體的密度(density)、黏滯性(viscosity)、流體的流速,以及特徵長度或尺寸。

-----廣告,請繼續往下閱讀-----

最基本的雷諾數可以表示如下[9]

其中,ρ 為流體的密度,v 為流體的平均流速、D 為特徵長度,而 μ 則為流體的黏滯性。

雷諾數低的時候,流體會呈現層流(laminar flow)的狀態。流體分子會在每一層中平順流動,相鄰層之間就像堆疊的紙牌,鮮少或甚至幾乎沒有混合,當然也不會產生漩渦[10]

相反地,在雷諾數高的時候,流體則是會呈現紊流(turbulent flow)的狀態,流體的流速跟壓力沒有一定的變化規律,流體分子也沒有明顯的平行層,很常會互相混合在一起[11]

-----廣告,請繼續往下閱讀-----
圖 a 為層流的流線示意圖,而圖 b 則為紊流的流線示意圖。圖/SimScale [12]
黏滯力是一種流體受到外來作用力所產生的阻力,來源為液體內部的摩擦力。黏度較高的流體比較不容易流動,黏度較低的流體反之。本圖為不同黏性的流體所呈現出來的狀態模擬。左邊為黏性低的流體、右邊則為黏性高的流體。圖/Wikipedia [13]

扯遠了扯遠了,我們還是繼續回到原本的阻力方程式。

根據實驗觀察,在雷諾數較高,也就是流體的密度較大、流速較快,而且黏滯性較小時,阻力係數可以幾乎視為定值。此時,阻力就會跟流體流速的平方成正比,公式如下:

而在雷諾數低,也就是流體密度較小、流速較慢且黏滯性較大時,阻力係數會和雷諾數的倒數成正比,因此我們結合雷諾數本身的定義以及阻力方程式,就可以知道「在雷諾數較低時,阻力與流速之間的關係為線性關係」,公式如下:

依照前面講過的阻力方程式和流速之間關係的背景知識,讓我們回到最一開始遇到的雨滴問題。

之前在分析雨滴的受力時,只有考慮到重力的作用,計算出雨滴自 1200 m 高的雨雲雲底落到頭上時,速度約為 153 m/s。在考慮到空氣阻力時,由於阻力與雨滴的運動方向恆相反,因此我們可以將雨滴的質量先以 m 作為變項,假設雨滴為正球形且半徑為 R,繪製雨滴所受到的力圖如下:

雨滴所受到的力。圖/筆者親繪

因為空氣阻力恆與物體運動的速度反向,而雨滴在落下的時候,速度一定是向下的,加速度也向下,故空氣阻力會向上。

阻力方程式中的 A 是投影的等效面積,在球形的雨滴中,即為上圖斜線部分,可以用半徑 R 和圓面積的公式來計算。此時,我們利用牛頓第二運動定律計算雨滴運動過程中所受到的加速度量值,來觀察雨滴運動的情形:

如果今天的流體狀況是屬於高雷諾數的情況(流體的密度較大、流速較快且黏滯性較小)時,則前述的式子可以下表示,並計算出加速度的關係式:

反之,如果是低雷諾數的情形(流體的密度較小、流速較慢且黏滯性較大),則前述的式子可以下表示,也順手計算出加速度的關係式:

從前面的兩條化簡式子,可以看出雨滴掉落時,不論雷諾數如何,速度漸大都將造成阻力漸大,並使得加速度漸小。當達到一定的速度時,雨滴就不再會有加速度,而是改以等速度的方式落下。此時,雨滴所具有的速度即終端速度(terminal velocity, vt)。在終端速度時,我們可以知道雨滴所受到的重力與拖曳力達到力平衡,因此可以根據不同的雷諾數而列式。高雷諾數的情況下所計算出的終端速度如下:

低雷諾數的情況下所計算出的終端速度如下:

我們這邊以高雷諾數的流體情形來考量大氣中的情況,與前面的條件相同假設,也就是雨滴為半徑是 2 mm 的正球體,雨滴密度主要成分為水,因此密度為 1000 kg/m3,而阻尼係數這邊我們根據雨滴的形狀和經驗公式簡單取 0.6 來概略估算[14]

利用高雷諾數的情況計算終端速度實際值時,會需要流體的密度。在這裡,我們討論的對象是空氣中的雨滴,故理想上(當然,這是很理想的情況下)可以使用理想氣體方程式來求出於 1 大氣壓、20ºC 時候的空氣密度,來代入終端速度的公式。

代入我們目前空氣的條件,也就是 1 大氣壓、20ºC 的情形,而這邊務必將所有單位都轉為 SI 制,加上理想氣體常數,此時使用的是 8.314。其中,M 為空氣的分子量,我們這邊使用 28.97 g 配合以上的條件代入計算[15]

將前述所得到的空氣密度數值,結合前面的其他條件,代入高雷諾數情況的終端速度公式,即可計算終端速度:

由計算結果可以知道,當考慮到空氣阻力時,雨滴會以 8.52 m/s 的終端速度落下,比起之前純粹考慮重力時,求出的 153 m/s 來說小了非常多,是原本的二十分之一。按照牛頓第二運動定律,這樣的雨滴打到腦袋時,對於腦袋瓜的正向力也會減為原本的二十分之一。如此一來,就比較像我們平常淋雨的情況了。

由前面的計算過程,我們可以明白從高空落下的雨滴不只有受到重力。能夠讓我們下雨天走在路上不被雨滴狠狠槌死的最重要因素,其實就是空氣阻力的功勞。同時,我們可以知道,造成雨滴落下的運動過程並非等加速度,而是變加速度運動。利用牛頓第二運動定律得出加速度的關係式後,也知道速度越來越大,加速度就會越來越小。在加速度為 0 時,則會以終端速度等速落下。

最後,讓我們來感謝空氣阻力,讓每一個人在下雨天的時候都能安心走在路上。

註解

-----廣告,請繼續往下閱讀-----
所有討論 1
若芽_96
1 篇文章 ・ 2 位粉絲
因為人生想要追求知識跟技能樹的全開,而遊走在物理、法律、職業安全衛生、數位行銷、數據分析等各種不同領域的人。下一個領域會去哪呢?我也不知道,不過持續不停向前這是絕對必要的。個人網站:https://wakame.tw