《 用數學來解釋原力，用原力來顛覆物理 》——2019數感盃／國中組專題報導類佳作

• 作者／賴昭正｜前清大化學系教授、系主任、所長；合創科學月刊

我擔心人工智慧可能會完全取代人類。如果人們能設計電腦病毒，那麼就會有人設計出能夠自我改進和複製的人工智慧。 這將是一種超越人類的新生命形式。

——史蒂芬．霍金（Stephen Hawking）　英國理論物理學家

大約在八十年前，當第一台數位計算機出現時，一些電腦科學家便一直致力於讓機器具有像人類一樣的智慧；但七十年後，還是沒有機器能夠可靠地提供人類程度的語言或影像辨識功能。誰又想到「人工智慧」（Artificial Intelligent，簡稱 AI）的能力最近十年突然起飛，在許多（所有？）領域的測試中擊敗了人類，正在改變各個領域——包括假新聞的製造與散佈——的生態。

圖形處理單元（graphic process unit，簡稱 GPU）是這場「人工智慧」革命中的最大助手。它的興起使得九年前還是個小公司的 Nvidia（英偉達）股票從每股不到 $5，上升到今天（5 月 24 日）每股超過 $1000（註一）的全世界第三大公司，其創辦人（之一）兼首席執行官、出生於台南的黃仁勳（Jenson Huang）也一躍成為全世界排名 20 內的大富豪、台灣家喻戶曉的名人！可是多少人了解圖形處理單元是什麼嗎？到底是時勢造英雄，還是英雄造時勢？

在回答這問題之前，筆者得先聲明筆者不是學電腦的，因此在這裡所能談的只是與電腦設計細節無關的基本原理。筆者認為將原理轉成實用工具是專家的事，不是我們外行人需要了解的；但作為一位現在的知識分子或公民，了解基本原理則是必備的條件：例如了解「能量不滅定律」就可以不用仔細分析，即可判斷永動機是騙人的；又如現在可攜帶型冷氣機充斥市面上，它們不用往室外排廢熱氣，就可以提供屋內冷氣，讀者買嗎？

CPU 與 GPU

不管是大型電腦或個人電腦都需具有「中央處理單元」（central process unit，簡稱 CPU）。CPU 是電腦的「腦」，其電子電路負責處理所有軟體正確運作所需的所有任務，如算術、邏輯、控制、輸入和輸出操作等等。雖然早期的設計即可以讓一個指令同時做兩、三件不同的工作；但為了簡單化，我們在這裡所談的工作將只是執行算術和邏輯運算的工作（arithmetic and logic unit，簡稱 ALU），如將兩個數加在一起。在這一簡化的定義下，CPU 在任何一個時刻均只能執行一件工作而已。

在個人電腦剛出現只能用於一般事物的處理時，CPU 均能非常勝任地完成任務。但電腦圖形和動畫的出現帶來了第一批運算密集型工作負載後，CPU 開始顯示心有餘而力不足：例如電玩動畫需要應用程式處理數以萬計的像素（pixel），每個像素都有自己的顏色、光強度、和運動等, 使得 CPU 根本沒辦法在短時間內完成這些工作。於是出現了主機板上之「顯示插卡」來支援補助 CPU。

1999 年，英偉達將其一「具有集成變換、照明、三角形設定／裁剪、和透過應用程式從模型產生二維或三維影像的單晶片處理器」（註二）定位為「世界上第一款 GPU」，「GPU」這一名詞於焉誕生。不像 CPU，GPU 可以在同一個時刻執行許多算術和邏輯運算的工作，快速地完成圖形和動畫的變化。

依序計算和平行計算

一部電腦 CPU 如何計算 7×5+6/3 呢？因每一時刻只能做一件事，所以其步驟為：

• 計算 7×5；
• 計算 6/3；
• 將結果相加。

總共需要 3 個運算時間。但如果我們有兩個 CPU 呢？很多工作便可以同時（平行）進行：

• 同時計算 7×5 及 6/3；
• 將結果相加。

只需要 2 個運算時間,比單獨的 CPU 減少了一個。這看起來好像沒節省多少時間，但如果我們有 16 對 a×b 要相加呢？單獨的 CPU 需要 31 個運算的時間（16 個 × 的運算時間及 15 個 + 的運算時間），而有 16 個小 CPU 的 GPU 則只需要 5 個運算的時間（1 個 × 的運算時間及 4 個 + 的運算時間）！

現在就讓我們來看看為什麼稱 GPU 為「圖形」處理單元。圖一左圖《我愛科學》一書擺斜了，如何將它擺正成右圖呢？ 一句話：「將整個圖逆時針方向旋轉 θ 即可」。但因為左圖是由上百萬個像素點（座標 x, y）組成的，所以這句簡單的話可讓 CPU 忙得不亦樂乎了：每一點的座標都必須做如下的轉換

x’ = x cosθ + y sinθ

y’ = -x sinθ+ y cosθ

即每一點均需要做四個 × 及兩個 + 的運算！如果每一運算需要 10^-6 秒，那麼讓《我愛科學》一書做個簡單的角度旋轉，便需要 6 秒，這豈是電動玩具畫面變化所能接受的？

人類的許多發明都是基於需要的關係，因此電腦硬件設計家便開始思考：這些點轉換都是獨立的，為什麼我們不讓它們同時進行（平行運算，parallel processing）呢？於是專門用來處理「圖形」的處理單元出現了——就是我們現在所知的 GPU。如果一個 GPU 可以同時處理 10⁶ 運算，那上圖的轉換只需 10^-6 秒鐘！

GPU 的興起

GPU 可分成兩種：

• 整合式圖形「卡」（integrated graphics）是內建於 CPU 中的 GPU，所以不是插卡，它與 CPU 共享系統記憶體，沒有單獨的記憶體組來儲存圖形／視訊，主要用於大部分的個人電腦及筆記型電腦上；早期英特爾（Intel）因為不讓插卡 GPU 侵蝕主機的地盤，在這方面的研發佔領先的地位，約佔 68% 的市場。
• 獨立顯示卡（discrete graphics）有不與 CPU 共享的自己專用內存；由於與處理器晶片分離，它會消耗更多電量並產生大量熱量；然而，也正是因為有自己的記憶體來源和電源，它可以比整合式顯示卡提供更高的效能。

2007 年，英偉達發布了可以在獨立 GPU 上進行平行處理的軟體層後，科學家發現獨立 GPU 不但能夠快速處理圖形變化，在需要大量計算才能實現特定結果的任務上也非常有效，因此開啟了為計算密集型的實用題目編寫 GPU 程式的領域。如今獨立 GPU 的應用範圍已遠遠超出當初圖形處理，不但擴大到醫學影像和地震成像等之複雜圖像和影片編輯及視覺化，也應用於駕駛、導航、天氣預報、大資料庫分析、機器學習、人工智慧、加密貨幣挖礦、及分子動力學模擬（註三）等其它領域。獨立 GPU 已成為人工智慧生態系統中不可或缺的一部分，正在改變我們的生活方式及許多行業的遊戲規則。英特爾在這方面發展較遲，遠遠落在英偉達（80%）及超微半導體公司（Advance Micro Devices Inc.，19%，註四）之後，大約只有 1% 的市場。

事實上現在的中央處理單元也不再是真正的「單元」，而是如圖二可含有多個可以同時處理運算的核心（core）單元。GPU 犧牲大量快取和控制單元以獲得更多的處理核心，因此其核心功能不如 CPU 核心強大，但它們能同時高速執行大量相同的指令，在平行運算中發揮強大作用。現在電腦通常具有 2 到 64 個核心；GPU 則具有上千、甚至上萬的核心。

結論

我們一看到《我愛科學》這本書，不需要一點一點地從左上到右下慢慢掃描,即可瞬間知道它上面有書名、出版社等，也知道它擺斜了。這種「平行運作」的能力不僅限於視覺，它也延伸到其它感官和認知功能。例如筆者在清華大學授課時常犯的一個毛病是：嘴巴在講，腦筋思考已經不知往前跑了多少公里，常常為了追趕而越講越快，將不少學生拋到腦後！這不表示筆者聰明，因為研究人員發現我們的大腦具有同時處理和解釋大量感官輸入的能力。

人工智慧是一種讓電腦或機器能夠模擬人類智慧和解決問題能力的科技，因此必須如人腦一樣能同時並行地處理許多資料。學過矩陣（matrix）的讀者應該知道，如果用矩陣和向量（vector）表達，上面所談到之座標轉換將是非常簡潔的（註五）。而矩陣和向量計算正是機器學習（machine learning）演算法的基礎！也正是獨立圖形處理單元最強大的功能所在！因此我們可以了解為什麼 GPU 會成為人工智慧開發的基石：它們的架構就是充分利用並行處理，來快速執行多個操作，進行訓練電腦或機器以人腦之思考與學習的方式處理資料——稱為「深度學習」（deep learning）。

黃仁勳在 5 月 22 日的發布業績新聞上謂：「下一次工業革命已經開始了：企業界和各國正與英偉達合作，將價值數萬億美元的傳統資料中心轉變為加速運算及新型資料中心——人工智慧工廠——以生產新商品『人工智慧』。人工智慧將為每個產業帶來顯著的生產力提升，幫助企業降低成本和提高能源效率，同時擴大收入機會。」

附錄

人工智慧的實用例子：下面一段是微軟的「copilot」代書、谷歌的「translate」代譯之「one paragraph summary of GPU and AI」。讀完後，讀者是不是認為筆者該退休了？

GPU（圖形處理單元）和 AI（人工智慧）之間的協同作用徹底改變了高效能運算領域。GPU 具有平行處理能力，特別適合人工智慧和機器學習所需的複雜資料密集運算。這導致了影像和視訊處理等領域的重大進步，使自動駕駛和臉部辨識等技術變得更加高效和可靠。NVIDIA 開發的平行運算平台 CUDA 進一步提高了 GPU 的效率，使開發人員能夠透過將人工智慧問題分解為更小的、可管理的、可同時處理的任務來解決這些問題。這不僅加快了人工智慧研究的步伐，而且使其更具成本效益，因為 GPU 可以在很短的時間內執行與多個 CPU 相同的任務。隨著人工智慧的不斷發展，GPU 的角色可能會變得更加不可或缺，推動各產業的創新和新的可能性。大腦透過神經元網路實現這一目標，這些神經元網路可以獨立但有凝聚力地工作，使我們能夠執行複雜的任務，例如駕駛、導航、觀察交通信號、聽音樂並同時規劃我們的路線。此外，研究表明，與非人類動物相比，人類大腦具有更多平行通路，這表明我們的神經處理具有更高的複雜性。這個複雜的系統證明了我們認知功能的卓越適應性和效率。我們可以一邊和朋友聊天一邊走在街上，一邊聽音樂一邊做飯，或一邊聽講座一邊做筆記。人工智慧是模擬人類腦神經網路的科技，因此必須能同時並行地來處理許多資料。研究人員發現了人腦通訊網路具有一個在獼猴或小鼠中未觀察獨特特徵：透過多個並行路徑傳輸訊息,因此具有令人難以置信的多任務處理能力。

註解

（註一）當讀者看到此篇文章時，其股票已一股換十股，現在每一股約在 $100 左右。

（註二）組裝或升級過個人電腦的讀者或許還記得「英偉達精視 256」（GeForce 256）插卡吧?

（註三）筆者於 1984 年離開清華大學到 IBM 時，就是參加了被認為全世界使用電腦時間最多的量子化學家、IBM「院士（fellow）」Enrico Clementi 的團隊：因為當時英偉達還未有可以在 GPU 上進行平行處理的軟體層，我們只能自己寫軟體將 8 台中型電腦（非 IBM 品牌！）與一大型電腦連接來做平行運算，進行分子動力學模擬等的科學研究。如果晚生 30 年或許就不會那麼辛苦了?

（註四）補助個人電腦用的 GPU 品牌到 2000 年時只剩下兩大主導廠商：英偉達及 ATI（Array Technology Inc.）。後者是出生於香港之四位中國人於 1985 年在加拿大安大略省成立，2006 年被超微半導體公司收購，品牌於 2010 年被淘汰。超微半導體公司於 2014 年 10 月提升台南出生之蘇姿豐（Lisa Tzwu-Fang Su）博士為執行長後，股票從每股 $4 左右，上升到今天每股超過 $160，其市值已經是英特爾的兩倍，完全擺脫了在後者陰影下求生存的小眾玩家角色，正在挑戰英偉達的 GPU 市場。順便一題：超微半導體公司現任總裁（兼 AI 策略負責人）為出生於台北的彭明博（Victor Peng）；與黃仁勳及蘇姿豐一樣，也是小時候就隨父母親移居到美國。

（註五）或。

延伸閱讀

• 「熱力學與能源利用」，《科學月刊》，1982 年 3 月號；收集於《我愛科學》（華騰文化有限公司，2017 年 12 月出版），轉載於「嘉義市政府全球資訊網」。
• 「網路安全技術與比特幣」，《科學月刊》，2020 年 11 月號；轉載於「善科教育基金會」的《科技大補帖》專欄。

你的手機能無線充電嗎？不過，雖說是無線充電，但還是得要放在充電盤上，由充電盤連結一條電線，這樣的充電方式，想必跟大家期待的「真．無線充電」有落差。

好消息是，有人提出一種藉由捕捉空間中的無線電波、獲得電能的無線充電方式，所以代表這些電能是完全免費的！但……這是真的嗎？

隔空充電可行嗎

現在我們已經可以透過無線網路串連全球的資訊，但是遠距能量傳輸卻尚未成真。

當代的無線通訊裝置，舉凡手機電話、wifi 網路、無線電、衛星定位等，都可以靠著不斷地發射無線電波來交換訊息。不過其實仔細想想，無線電波、電磁波其實就是不斷變化的電磁場。既然可以透過磁場變化來傳遞能量，那這些強大的電磁波網絡，是不是也可以拿來傳遞電能呢？

實際上還真有類似的例子，一百年前最早的收音機竟然完全不需要插電！礦石收音機只需要天然礦石、金屬針、線圈和一些電線，就能收到附近廣播電台送出的訊號，轉換成聲音並放出。

那麼為什麼沒有沿用至今呢？主要就是效率的問題。礦石收音機需要不斷調整金屬針接觸礦石的位置，還得拉長長的天線來捕捉更多的無線電波；市售的礦石收音機玩具，甚至附有一條長長的鱷魚夾電線，可以接到大型金屬家具，產生更清楚、更大聲的聲音。當然這種收音機很快就被以電驅動的真空管收音機取代了。

2021 年初小米曾發表過隔空充電技術專利，利用指向型遠距充電，系統會先定位出手機的位置，再透過多個天線組成的陣列將電波瞄準發射給手機，克服電磁波發散的問題，據稱能在數公尺內進行無線 5W 的無線充電，雖然還不到快充，但也算是革命性突破。不過目前還在技術發表階段，尚未正式推出。

無線射頻獵能

再換個角度思考，能量在傳遞的時候會向四周發散，而我們生活周遭到處都是會發出電磁波的 3C 產品，那能不能反過來，捕捉這些由其他電器溢散的電磁波，並轉為能量呢？

還真的有人這麼做了。收集這些廢能，並轉化成可用電能的技術，就稱為「無線射頻獵能」。近十年來，有許多相關的技術與研究，不過效率大多還未到達實用階段。

就在今年一月，美國麻州大學團隊發表了一種可以用於無線射頻獵能的線圈手環，而且功率竟然比一般的線圈天線高十倍以上。

有趣的是，其實他們當時並不是在研究無線充電，而是如何使用 LED 快速閃爍來傳遞訊息；這種名為可見光通訊 VLC 的技術，有望成為未來 6G 通訊的方式。但發現到，這種技術需要 LED 以每秒數百萬次的頻率閃爍，過程中會釋放出大量不可用的無線電波，浪費掉許多能量；於是轉念一想，嘗試用線圈收集這些逸散的能量，降低傳訊時的能量浪費。

研究團隊發現，當線圈靠近金屬片時，收集能量的效率會變得更好。透過反射增強訊號，金屬片吸收環境中的電磁波再向外放出；隨著金屬片面積越大，攔截到的電磁波也越多，收集能量的效果也越好。

但是無線充電就是要擺脫這些笨重的金屬板，於是研究人員開始拿生活周遭的 3C 產品來進行實驗。從獵能的功率來看，效果最好的依序是筆電、平板、手機。這和預期的一樣：面積越大，獵能效果越好。

然而，意想不到的是，實驗效果最好的，竟然是人體！

推測這是因為人體中含有大量水分，其容易導電、被極化的特性有助於蒐集空間中的電磁波。人體就是一根巨大的共振天線，能增加無線電訊號的發射效率，同樣的道理，也可以用來收集環境中的無線電波能量。

研究團隊將線圈手環的設計稱為「Bracelet+」，是第一個借助人體的獵能裝置；後續又嘗試將線圈做成戒指和手環，希望能打造出輕便的隨身獵能裝置。

那這樣是不是以後只要綁條線圈在手上，就再也不需要幫手機充電了呢？該線圈手環目前在數公尺的距離外最多可以捕獲微瓦等級的功率，也就是百萬分之一瓦。用這種電壓當然不可能幫手機充電，不過已經足以供應一些低功耗的隨身裝置，像是常見的智慧健康手環，或是負責監控體溫或血糖的元件，甚至類似心律調節器的植入式醫療器材，或許就可以利用該線圈設計，減少充電的頻率。

在 5G 物聯網的架構中，各種居家和隨身裝置必須隨時維持連線，如何為這些獨立、低功耗的裝置供電便成了重要的課題。在這種情況下，如果可以汲取周遭無線電波的廢能，不只可以節省能源，還能免去定期更換電池或充電的麻煩。

遠距充電熱潮

目前的 5G 和開發中的 6G 技術，都持續往電磁頻譜中更高頻率的部分去探索，設置覆蓋率更高、頻譜更寬的無線通訊網絡，而這些頻率的電磁波也將為無線充電帶來新的發展機會。

去年在 Scientific Reports 期刊上，有篇研究提出了 5G 網路作為電力網的想法。團隊針對 5G 使用的頻率設計出一種天線以及搭配的電路，可以在 180 公尺外接收到 6 微瓦，為無線電力網的夢想邁出了第一步。

不過，在這波遠距無線充電的熱潮下，市面上也出現許多令人半信半疑的遠距充電技術。

例如 2011 年一家新創公司推出了超音波充電技術，宣稱可以透過空氣的震動替手機充電；然而，雖說超音波充電雖然在原理上可能可以運作，但在充電效率和經濟成本上根本不切實際，對人體健康的影響也相當有爭議。

除此之外，還有一家叫做 TechNovator 的公司推出了前所未聞的量子充電技術，他們宣稱可以透過「能量量子化」來傳輸能量，並且在「空間中創造能量結構」，還不需要任何形式的電磁場，就可以達成 100 瓦的無線充電！至於到底有沒有這麼好的事，就留給各位判斷了。

在所有物品與資訊都以無線網路相連的這個時代，無線的電力傳輸與電力網是關鍵的下一步；能夠有效的無線傳輸能量，才能讓我們生活周遭的智慧裝置擺脫電線的束縛，減少電池的消耗，成為一個自由移動，自給自足的物聯網。

不論是透過可見光、wifi、還是 5G 訊號，無線且遠距的充電與獵能，將來勢必會有讓人驚豔的發展。

歡迎訂閱 Pansci Youtube 頻道 獲取更多深入淺出的科學知識！

除了線材，市場上也到處可看到標榜使用氮化鎵、可支援大電流快充的充電頭。但為什麼之前充電速度一直快不起來呢？為什麼現在要改用氮化鎵呢？快充能變得更快更快更快嗎？

快充加速了充電速度

在快充出來以前，我們的智慧型手機充電器，功率大約是 5 瓦特（W）或是 2.5 瓦特，現在最夯的的氮化鎵快充頭功率則高達 65 瓦特，相差了 13 倍，理想上充電時間也會縮短為十三分之一。

實際上，這幾年快充的發展速度可能比想像的還要快上許多。

還記得在 21 世紀的 Nokia 3310 嗎？其功率僅 4.56 瓦特，而蘋果一直到 2014 年的 iPhone6 才支援更快的 10 瓦特快充。然而，現在不僅已經出現不少支援 50 瓦特以上快充的手機，今年二月中國手機品牌 realme 推出的 GT Neo5，甚至出現 240 瓦特的超快充技術，是目前充電最快的智慧型手機。

提升充電器功率的關鍵

從過去到現在，充電器不僅功率大幅提升，充電器的大小同時也縮小了許多。過去的線性充電器，除了有條細細長長的尾巴外，最大的特徵就是不僅大、充電時還會發熱的變壓器；為了將市電的 110V 交流電轉為手機可以使用的 5V 直流電，就需要變壓器協助降壓。

變壓器的發熱來源來自內部占了絕大部分體積的線圈，在電路學中被稱為「電感器」。輸入與輸出的線路會以線圈的形式綑在一組鐵芯上，兩端的線圈數量十分關鍵，線圈數量的比值就是兩側電壓的放大大小；若想從 110V 變成 5V，則為輸入的線圈圈數是輸出的 22 倍，那麼輸出的電壓就會減少 22 倍。

在變壓的過程中，輸入端的線圈與鐵芯就像一顆大電磁鐵，讓磁通量通過鐵芯，將能量傳到輸出線圈，輸出線圈則會因為電磁感應，產生相同頻率但電壓不同的交流電，完成降壓。只要再把 5V 交流電轉成 5V 的直流電，就可以幫手機充電啦。

聰明的你應該已經想到，提升充電功率的關鍵就在於——線圈數量。

如果希望變壓器的輸出提升，必須在維持線圈比值的情況下，等比例增加輸入與輸出端的線圈數量；更多的線圈就意味更多的磁通量能透過鐵芯傳到另一端，更多的能量也隨之傳遞。但如此一來，早已被塞滿的變壓器，為了塞進更多的線圈就只能繼續增加充電器的體積，還會因能量耗損放出大量的熱。

若想提升功率，又能減少電感器大小，最好的方法就是——增加工作頻率。

透過「高頻變壓器」的幫忙，將原先市電 60 赫茲的頻率提升到 50K 赫茲，被轉為高頻的交流電再進行變壓，如此一來就能降低能量損耗，所需的電感器大小也會大幅降低。

然而，要注意的是，要想改變交流電的頻率，是無法直接轉換的。要先將交流電轉為直流電，再經由特殊的「開關」電路將直流電轉為特定頻率的交流電；這類型的充電器就被稱為「開關充電器」，現在的智慧型手機就是使用開關充電器。

救世主材料

但隨著手機電池容量不斷增加，手機充電效率的需求永無止盡，充電器又開始一個比一個大。

不是繼續提升工作頻率就好了嗎？那是因為，我們遇到了「矽的極限」。

開關電路中將直流轉為交流的關鍵，就是我們熟知的半導體元件電晶體。裡頭的原料過去都以我們熟知的矽為主，然而以矽為材料的半導體工作頻率極限僅在 100k 以下，如果超過 100k，轉換效率會大幅下降，更有嚴重的能量浪費問題。

解決的方法就是：尋找下一個材料。沒錯，就是最近最夯半導體的——氮化鎵（GaN）；其能隙是矽的 3 倍，電子遷移率為 1.1 倍，崩潰電壓極限則有 10 倍。

顯然，氮化鎵擁有更良好的電特性，還能在高頻、高電壓的環境下工作，使用氮化鎵為材料的快充頭因此誕生！氮化鎵最高的工作頻率是 1000K，是矽的 10 倍，除了讓變壓器的電感線圈能再次縮小，連帶縮小充電頭的體積；亦能降低能耗並減少電容與散熱器的大小，成為好攜帶的快充豆腐頭。

到這裡，或許你會想問，提高充電效率應該不只有換材料一條路吧？還會有更快的充電技術出現嗎？

當然會的；和矽相比，氮化鎵仍有很大的研究性。

而且不僅手機，就以現在市面上正夯的電動車來說，也需要快充技術支援，來減少充電時所需要的時間；為應對龐大的充電市場需求，綜觀整個半導體材料的發展歷史，已經有許多材料問世。除了氮化鎵，還包括矽、鍺、三五族半導體「砷化鎵」（GaAs）、「磷化銦」（InP），以及化合物半導體「碳化矽」（SiC）；在能源產業中，又以氮化鎵和碳化矽的發展最令人期待。

氮化鎵與碳化矽的未來與挑戰

不論以技術發展還是成本考量，這兩位成員還不會那麼快取代矽的地位。

兩者應用的範圍也不完全相同。氮化鎵擁有極高的工作頻率，在高頻的表現佳，並且耐輻射、耐高溫，除了運用在充電技術內外，在高功率 5G 基地台、航空通訊、衛星通訊也都將大展身手。碳化矽則在高溫及高電壓下擁有良好的穩定性，尤其在未來電動車快充的需求增加，1000 伏特以上的充電需求，將使得僅能承受 600 伏特的矽半導體無法負荷，預期將接手電動車中的關鍵元件。

兩者看來潛力無窮，但目前在製程上仍需克服許多問題；如：材料介面的晶格缺陷及成本考量；在它們能像矽材料應用在各方領域之前，還需要投入更多研發能量。

但令人興奮的是，駛向下個半導體世代的鳴笛聲已經響起，不論是台積電、晶圓大廠環球晶，國內外各家半導體大廠，都早以搭上這班列車。不同的材料也意味著，從磊晶、製程、元件設計、晶圓製造都將迎來改變，陸續也有廠商開始使用 AI 輔助設計氮化鎵半導體元件。

未來半導體與科技產業將迎來何種轉變，就讓我們拭目以待吧！

歡迎訂閱 Pansci Youtube 頻道 獲取更多深入淺出的科學知識！