我念土木系，現在在做科學計算軟體──「不務正業」徵文

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

面對氣候災難，做最好的準備、最壞的打算

氣候調適還有一個面向值得更多關注，那就是我們需要做最壞的打算。

氣候科學家已確定了可能加速氣候變遷的許多臨界點。舉例來說，如果海床上含有大量甲烷的冰狀結晶體變得不穩定並破裂，短時間內災難恐怕就會在世界各地發生，導致我們對抗氣候變遷時疲於招架。氣溫愈高，就愈可能達到臨界點。 

我們看似正朝臨界點邁進，而接下來要說明一套大膽 （有人認為幾近瘋狂）的方法，這些都是所謂「地球工程」(geoengineering) 的範疇。雖然這些方法尚未得到證實，也引發道德爭議，但我們應該趁仍有餘裕時加以研究與辯論。 

地球工程屬於「緊急情況」下的尖端技術，基本概念是暫時改變地球的海洋或大氣層，以降低地球溫度。這些改變並不是為了豁免我們減少碳排的責任，只是幫我們爭取時間，以便藉此好好振作。

多年來，我一直都在資助地球工程的研究（與我支持的減緩與調適措施相比，這筆資金根本微不足道）。大多數地球工程技術都是基於一個想法：為了彌補我們釋放到大氣層中溫室氣體所造成的暖化，我們得把照射到地球的陽光總量減少 1% 左右。

有許多方法可以達成目標。其中之一是在大氣層上層分布極細顆粒，每個顆粒的直徑只有數百萬分之一英寸。科學家知道這些顆粒會反射陽光，導致地球降溫，因為他們已見證過類似的情況：大型火山爆發時，都會噴出類似的粒子，使得全球溫度明顯下降。

另一項地球工程是增亮雲層。由於陽光會被雲層頂部反射，我們可以使雲層更亮。方法是運用鹽霧讓雲層反射更多陽光，從而讓地球降溫。而且也不需要大幅增亮：想減少 1% 的陽光，只要將覆蓋地球面積 10% 的雲層增亮 10% 就可以了。 

還有其他類型的地球工程，但都有三個共同點：第一，相較於問題的規模，這些方法的成本相對較低，所需前期資金成本低於 100 億美元，而且執行費用極低。第二，雲層增亮的效果可持續一星期左右，所以我們可以依需求加以使用或停止，不會產生長期影響。第三，無論這些方法可能面臨何種技術問題，相較於必定會遭遇的政治障礙都不算什麼。有些批評人士抨擊，地球工程是把地球當成大型實驗品。

人類對地球的大型實驗：已經開始很久了！

不過正如支持者所指出，我們排放大量的溫室氣體，早就在對地球進行大規模的實驗了。

持平來說，我們需要更了解地球工程的在地潛在衝擊。這確實是合理的擔憂，值得多方研究，之後再考慮於現實世界大規模地測試。此外，由於大氣層屬於全球的問題，任何國家都不能自行決定嘗試地球工程。我們需要建立各國的共識。 

如今，很難想像如何要世界各國同意以人工方式決定地球溫度，但地球工程是唯一已知的方法，我們希望可以在數年、甚至數十年內降低地球溫度，卻又不至於癱瘓整體經濟。未來有一天，我們也許別無選擇，因此最好現在就做好準備。

身為消費者可以做的事：告訴市場，我們需要低碳的方案

市場受供需關係所宰制，身為消費者，你可以站在需求的那方來發揮影響力。如果我們所有人各自改變購買與使用的產品，只要專注於有實質意義的改變，整體就會產生很大的作用。舉例來說，如果你有能力安裝智慧型溫控器，減少不在家時的能源消耗，那麼裝就對了。此舉也會同時減少電費與溫室氣體的排放。 

但減少個人碳排放稱不上最有效果的事。你還可以影響市場動向，告訴市場你需要零碳的替代品、也願意付費。你只要多付錢買電動車、熱泵或素漢堡，形同表明：「這東西有市場，我們真的會買。」如果夠多人採取相同的舉動，企業就會加以因應。根據我的經驗，因應速度相當快。他們會把更多資金和時間投入於製造低碳排的產品，便有助這類產品的價格下降，到頭來也有助低碳產品的普及。這會提升投資人的信心，更願意資助正在設法創新的公司，幫助我們實現零碳排。 

如果消費者沒有發出這類需求訊號，政府和企業投資的創新就會被束之高閣，或根本沒機會被開發出來，只因為沒有生產的經濟誘因。以下是個人可以採取的具體步驟：

1.向公用電力事業申請綠色定價方案。部分公用事業允許家庭和企業支付額外費用選擇清潔電力。美國目前有 13 個州的公用事業必須提供綠色定價方案 (green pricing program)。這些方案的用戶支付較高電費，以彌補再生能源的額外成本，即每千瓦時平均一至二美分，等於一般美國家庭每月平均多支出 9 至 18 美元。當你參與這些方案時，就等於在告訴公用事業：你願意支付更多費用因應氣候變遷。這是十分重要的市場信號。但是，這些方案並不能抵銷碳排放，也無助電網中再生能源發電量的實質成長，這點只有政府政策和投資才能辦得到。

2.減少自家碳排。根據你能騰出的金錢與時間，你可以用 LED 替換白熾燈泡、安裝智慧型溫控器、幫窗戶做好隔熱、購買高節能電器，或用熱泵代替冷暖空調系統（只要確保環境的氣候可以讓空調正常運轉）。如果你是在外租屋，就在許可範圍內做出改變，例如更換燈泡，同時鼓勵房東來進行其餘的減碳工作。如果你正在蓋新家或翻新舊家，可以選擇回收鋼材，運用結構隔熱層板、隔熱混凝土模板、閣樓或屋頂輻射阻隔物、反射隔熱材料和地基隔熱材料，來提高自家的節能效率。 

3.購買電動車。電動車的成本與性能已有長足進步，雖然可能並不適合每個人（例如不適合太多長途公路旅行，而且也不是每個人都方便在家充電），但對於許多消費者來說，電動車的價格愈來愈實惠。就此來說，消費者行為便可以產生巨大影響。如果民眾購買大量電動車，廠商就會跟著大量生產。 

4.嘗試吃植物漢堡。我承認，素食漢堡的味道有時差強人意，但新一代的植物性蛋白質替代品有大幅進步，更接近真肉的味道與口感。你在許多餐廳、商店甚至速食餐廳都買得到。購買這些產品清楚表明了一件事，即生產植物肉是明智的投資。此外，每周只要吃一、兩次植物肉（或者乾脆不吃肉），就能減少自己的碳排量。對於乳製品也可以採取相同的原則。

在這世界好快心好累的時代，我們大學修的很多學分都很難學以致用，「不務正業」、做著跟大學主修乍看沒什麼關係的工作，可能才是常態。五月的專題徵文，就讓我們來看看「職涯」能有哪些變化！

我目前在一間台灣的軟體公司上班，其中大一部份是在做流體相關計算，以及協助開發軟體，提供使用者良好的服務，這個工作與土木系的學科略有相關，並不是正相關。

舉凡工作內容中的偏微分方程、連續方程式、數值方法、C++語言，在大學與博班時期都屬於稍有涉略，卻不專精的科目。

我博班時雖然是氣象所，接觸的是整體水循環與數值模擬，一大部份又是針對地表與大氣互動的物理反應，並討論如何以數值方法建模，所以也並非完全符合工作的內容。而公司技術長看重的，則是我在地球科學上的專業知識。

然而不管是大學或是博班的訓練，都對我目前的工作內容都有關係。

土木系五大組中，大地水利組可架接水文以及土壤方面的知識，跨組別的數值方法、程式設計也可做為入門訓練，而測量組所習得的GIS與遙測知識，則是從事地球科學模擬時的一大利器。

更惶論博班時的知識統整（水文循環），更是數值建模中物理現象的基石。所以即使在大學時並非該工作的直接領域，在「師父領進門，修行在個人」的情況下，有著寬廣的知識樹做背景，加上個人對程式設計的興趣，所以我個人十分喜歡這份工作。

順帶一提，我博班與博後的工作中，遙測為地球科學領域中非常重要的一環，因此了解遙測，非常有助於在工作時，了解手中資料的來源，以及做為協助自己完成工作的工具。

之所以能夠從土木跨足氣象再跨足科學計算，其中最主要是我們土木系特有的廣域知識樹架構。

空間尺度的討論從公釐討論到公里，時間尺度從小時討論到百年，從太空遙測，討論到地質鑽探，因此銜接其他領域時，有背景知識樹供架接，而非從零開始進行工作。然而隨著土木系討論的主題日漸寬廣，已經不再僅專注於「民生工程（Civil Engineering）」，早已演進至實質上對地球進行量測、災害分析與工程建設的「地球工程（Earth Engineering）」。

我上班的公司裡，最主要的內容就是科學研究，因此我們公司可以算是一間科學研究公司。其日常內容除了撰寫C++程式外，就是要進行數學建模。因此數學要求我大學以及博班時期的要求更高，尤其公司的主要業務項目之一為傳說中的Navier-Stokes方程式，數學建模的複雜度相對困難。

好在公司的創立人自行開發程式底層進行網格的處理與數值運算方法，我現在的工作就是建立物理模型。所以最大的考驗就是數值方法，而背後的物理——連續方程式，就並非最困難的部份，因為物理模型的推導，課本有教，老師有教，線上資源一把抓，但是怎麼將其從抽象的物理描述轉變成實際上的數值，就是最關鍵的地方。

雖然我本身周圍的人都是理工人，但大多人對土木系的最大誤解之一就是土木系是造橋鋪路系。

但實際上土木領域之廣，土木系的大組別：結構、大地、水力、量測、營管、運輸、環工、水保，各負其職，卻又互有關連。目前身為理工人的親友可以理解我的工作內容，但就因為了解，所以通常第一句話常是「喔，好硬啊」。我個人是覺得雖然硬歸硬，但是在公司中能夠專心研究，並且在研究空檔中開發軟體、進行客戶服務，其實也是挺愉快的。

如果有志從事同業，我的建議當然是修好數學，數學才是建模的基礎。但另一方面，物理則是數值模型中的靈魂，所以了解連續方程式，知道每個項的代表意義，才能夠建立出接近事實的數值物理模型。至於程式就更不用說了，雖然工作時用的是C++，但我本身是從Python起家，也是需要補充更精確的程式知識，但只要有程式基礎，剩餘的就是精進了。

最後，我希望與土木系的學弟們共勉——

雖然我們的課又硬又難又汗流浹背（各位應該在材料實驗時都攪過混凝土，還在大熱天作量測實驗），但我們的世界卻是很廣的，從太空到地底，無一不是我們發揮的空間，所以不要妄自菲薄，覺得土木已經是黃昏了，畢竟土木營造可能已經飽合，但是土木相關領域：水土保持、太空遙測、數值模型、環境綠能、防災減災等等，都還有很大的發展空間，並非土木只能去挖地蓋屋、造橋鋪路。

套句我們系上前系主任老師的說法：無論學生將來會去哪，我們有盡心培育就是了。無論我們將來會去哪，帶著頭腦裡的知識與自我良知，就是了！

更多「不務正業」的相關文章，請見 特輯：我念XX系，但我現在在做OO

「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