換尿布？閃開，讓專業的來！全自動嬰兒換尿布機登場啦——2019 搞笑諾貝爾工程獎

• 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。

「趕快下來、房子要倒了！」隨著工地主任一聲大喊，居民慌亂逃出。接著，基泰大直建案隔壁的公寓，就像坐電梯一樣往下陷落，原本的 1 樓，如今已成為地下室。

除了基泰大直案，台灣各處都偶有聽聞發生天坑、房屋沉陷等事件，這些災害，似乎又常常是地下工程惹的禍。

但這次事件是怎麼發生的？軟弱的地盤真的不適合蓋房子嗎？我家或你家，也會遇到嗎？

為什麼土壤會崩塌？

為什麼土壤會崩塌？大家應該都有過在海邊堆沙子的經驗，當砂子堆到一定的角度後，沙堆表面的沙子就會開始不穩定，這時如果繼續堆沙，沙子就會坍方。

土壤的「剪力強度」會使土壤坍塌到一定程度後就不會繼續坍塌，讓土壤的斜面與地面形成一個角度。所謂的剪力是指將物體推往相反方向的外力，例如用剪刀剪紙，或是用手撕紙。而土壤的剪力強度，指的是防止土壤發生平移破壞的阻抗，剪力強度愈大，代表愈不容易發生坍塌。

剪力強度的大小則受到土壤的顆粒形狀、大小分配比例、緊密程度以及凝聚力所影響。例如由不同形狀與大小的顆粒混雜而成的土壤，彼此之間的摩擦力比只有相同大小顆粒的圓形土壤，強度還要高。或是含水量較少的黏土，比含水量高的黏土黏滯性還高，凝聚力更強，因此剪力強度比較高，更不容易坍塌。

若是開挖基地的土壤剪力強度不足，很難形成垂直度高的壁面，這個時候若是沒有足夠的空間設立明挖邊坡，就需要擋土壁來擋住側向的砂土，保護開挖面，讓工程順利進行。

大家在這次事件一直聽到的「連續壁」，是一種常見的地下擋土設施，就可以擋住側向的沙土。開挖建築地下室前，常會在基地周圍施作一圈連續壁，阻擋地下水與土壤，再進行開挖工作。由於連續壁適用範圍廣、可以擋水、所需空間不大，對臨房影響較小，常被用在軟弱黏土以及都市密集區的工程。而連續壁的貫入深度，通常是開挖深度的 2~3 倍。

以台北市為例，根據臺北市建築工程基礎開挖安全措施管理作業要點，在有鄰房的狀況下進行地下開挖，深度只要達 8 公尺以上就要採用連續壁擋土工法。這些連續壁不僅能用來保護工地，還可以成為未來完工後，建築物地下室的永久外牆。

那麼，這次事件又發生了什麼事呢？

大直民宅坍塌事件是怎麼發生的？

為了抵擋側向土壓力與水壓力，通常擋土壁還需要配合基地內的支撐系統。常見的施工流程首先會在施作擋土壁之後打入中間柱，並且開挖第一階土方。接著在中間柱上架設一層臨時性的水平支撐與施工構台，才會繼續往下開挖下一階土方，重複這樣的步驟直到挖至設計深度。全部開挖完成後，最後在底面鋪設混凝土底版，由下往上開始施作地下室結構。

這次基泰大直事件中，基地位於軟弱黏土地盤。當開挖作業進行到一定深度後，連續壁外側的土壤重量，超過連續壁底部黏土的抵抗力，開挖底部失去平衡。外部的黏土沿著破壞面流動，湧入開挖區。緊接著，基地內的土壤連同中間柱被湧入的土壤向上抬起。當中間柱被向上推之後，橫向的水平支撐也隨之崩解，失去保護連續壁的作用，最後失去側向支撐力的連續壁朝基地內擠進破壞。

災難如連鎖反應，除了基地結構被破壞，基地外側的土壤也會因為向開挖區內流動，導致地面大量沉陷，蓋在上面的房子，也就是這次事件中受害的民宅，隨之下陷。這種工程災害稱為「隆起破壞」。

過程雖然是這樣，但導致這次事故發生的確切原因，目前還在調查當中。可能是調查與設計單位對地質狀況的判斷過於樂觀，連續壁的設計貫入深度不足，或是因施工不慎，導致連續壁與支撐系統並沒有完全發揮作用。

那麼你可能最擔心的是，我家會不會也遇到相同問題，買房前是不是也要挑地質？

常見的開挖災害有哪些？

這邊要先說明，其實不同的地質，需要對應不同的考量與施工工法，我們應該因材施工。而不同地質，也會面臨不同的挑戰與風險。例如基泰大直的隆起破壞，容易發生在軟弱黏土進行的開挖工程，而在透水性良好的砂質土壤中，則可能會因為地下水位差，發生管湧與砂湧等災害。

什麼是管湧呢？它指的是地下擋土壁因為施工不慎導致壁面出現裂縫，在裂縫處將容易形成透水路徑。如果沒有即時修補裂縫，滲出的水流會愈來愈大，並夾帶砂土，形成滲流管道。水流夾帶砂土持續湧入開挖基地，就會使得擋土壁外側逐漸被掏空，導致上方鄰近道路及房屋沈陷。

而砂湧，也是另一個容易發生在砂質地盤的災害，這種現象主要發生在基礎開挖時，基地內側與外側水位落差很大。水位差會使地下水由擋土壁底端上湧，當上湧水流的壓力大於開挖面底部土壤的重量，水壓會將基地內的土砂舉起，冒出開挖面，進而導致開挖基地的破壞。

不過除了先天的地質問題，擋土壁與支撐系統，也可能會因為設計與施工上有所疏失，使得擋土壁牆身的強度不夠或位移太大而發生破壞。

話說回來，這些軟弱地盤，是不是根本就不適合蓋房，爛泥扶不上牆，不對，是爛泥扶不住牆呢？

軟弱地盤真的不適合蓋房嗎？

就像蛋糕不是只有蛋，建築的地盤不只有土壤，而是由土壤、地下水及空氣所組成。依照不同的比例及成份，有著不同的特性。若是地質沒辦法讓蓋在上面的建築物穩定安全，就是所謂的軟弱地盤。

軟弱地盤通常位於沖積平原、湖沼地或是人工回填區。這些地方的土壤因為沒有經過地質變動等物理作用，通常由軟弱黏土、沉泥、或是鬆散的砂土所構成。例如台北盆地是河流所形成的沖積平原，因此大部分的地區都是屬於軟弱地盤，而桃園、台中的地質則穩固許多。

直接在軟弱地盤上蓋房子，就像將建築蓋在豆腐上，不僅施工時容易發生災害，建築也可能會因為自身的重量而沉陷。但隨著都市發展，所需要的土地大量增加，我們很難完全避免在這類地盤上興建工程，因此工程師會利用各種方法，來克服困難的地質條件。

軟弱地盤並不是完全沒有辦法蓋房子，我們可以選擇深基礎，透過數十公尺長的基樁，穿過軟弱土層，將建築固定在更深處的堅硬岩盤上。

或是透過地盤改良，改善土壤的特性，防止破壞、液化以及沉陷等問題發生。

除了加入岩隱村習得土遁忍術以外，地盤改良的方式非常多，同樣需要依據地盤的性質、改良的方向以及工程的類型來選擇最適合的工法。這裡介紹幾種台灣常見的地改方式。

第一種是振動夯實，這種方法是利用機械振動等外力，使基地土層的密度增加，加強支撐力，減少發生沉陷或液化的可能，這種方法適用在非黏性的土層。

第二種，排水預壓工法。這種方式則是在蓋房子前，在基地加上額外的載重，同時也可以搭配排水帶，縮短土壤孔隙水的排水路徑，讓水更容易排出，進而增加土壤的壓密速率，減少土壤內的孔隙與含水量，克服未來建築完成後的沉陷問題。

第三種，也是在都市建築中最常見的地盤改良，是深層攪拌工法，利用特殊機械，透過高壓噴射或是機械攪拌等方式，在地層中注入水泥，並同時攪拌土壤，讓水泥與周圍的土壤拌合成固結體，與原本的地層組成複合基地，以提高土壤強度，我們常聽到的地盤改良樁，就是屬於這種工法。

也就是說，透過合適的地盤改良、基礎形式與開挖工法，軟弱地盤也是能蓋房子的。

如果你對你家，或是你想要買房子地方的地質很好奇，那事不宜遲……就來介紹查詢看看你家地質吧。

我該怎麼知道我家的地質？

依照經濟部地質法的規定，只要是政府機關或公營事業所辦理的地質調查，都需要將調查結果提交給中央主管機關。而這些資料都會被上傳至中央地調所建置的公開平台——工程地質探勘資料庫，也就是說，如果你家附近曾經有公共工程進行過地質調查，就可以在上面找到鑽探資料。

另外，政府也公布了全台的地質分佈資料、土壤液化潛勢區以及活動斷層的分佈，資料都公開在網路上，有興趣的觀眾可以上去查看，更瞭解自己的居住環境。除此之外，國家地震研究中心甚至有有簡單的試算方式，可以評估自家住宅的耐震能力。

當然這些公開資料，只能作為工程設計的初步參考，還是需要請專業的地質調查公司進行鑽探與實驗，才能比較完整地瞭解基地的地質。因為即便知道自己家裡附近的地質類型，地質條件還牽涉到各種土壤參數，工程設計和施工品質也有重大的影響。此外，像順向坡角、土石流及易淹水潛勢區這類危害很大的地方，一般民眾原本也鮮少將此列入尋覓住處的考量。

歡迎訂閱 Pansci Youtube 頻道 獲取更多深入淺出的科學知識！

參考資料

• https://www.pcc.gov.tw/cp.aspx?n=BDB0…
• https://news.pts.org.tw/article/655460
• http://www.twce.org.tw/modules/freeco…
• http://www.twce.org.tw/modules/freeco…
• https://www.champmon.com.tw/H-1.htm
• https://udn.com/news/story/123732/742…

旋鈕多大才好轉？誰知道啊！

有些問題是生活中不斷遇到，卻從來不會加以思索的。像是當你在開車時調整車上的冷氣溫度，還有聽音樂時調整藍芽音響的音量與音色。此時，指尖所操控的旋鈕該做多大，才是最好轉的呢？

「誰知道啊！」你心裡這麼想。

這種日常體驗的問題看似微不足道，但其實就是產品設計和工業設計這類領域最關注的焦點，甚至能幫你贏得搞笑諾貝爾獎！

本年度的搞笑諾貝爾獎頒獎典禮在線上舉辦，表揚世界各地的研究者如何用專業能力探討奇妙的問題。今天要介紹的工程學獎，頒給了日本千葉工業大學的松崎元教授，以及他扎實的研究論文《如何用手指操控柱狀旋鈕》。透過實驗室中的實際測量，松崎教授紀錄了人們使用各種大小的旋鈕時，如何下意識地將不同手指放在不同位置來操作。

當我們看見一顆旋鈕，我們會透過目測其大小，來決定該用怎麼樣的手勢轉它。如果是直徑一公分左右的小旋鈕，我們會選擇只用拇指和食指來操作，更多的手指只會徒增不便；但如果是快十公分的大旋鈕，就需要動用四五根手指。這個決定不單純只是個人偏好，而是跟人類手掌和手指的構造有關聯。只有某種握法才是最舒服方便的。

此外，通常看到旋鈕就直接給它轉下去了，不會在旋鈕上面嘗試並修正來達成「最佳觸感」。也就是說，這個決策過程從小多次練習後，已經完全變成下意識的過程，只能透過實際測試結果來描繪。

下意識的選擇，只有做實驗才知道

在實驗室中，松崎教授的透明桌面上平放一個白色的圓形旋鈕，並請 32 名受試者順時針旋轉這個旋鈕，並從桌面下的攝影機捕捉人們手指的位置。旋鈕的直徑從七毫米到十三公分，總共 45 種。結果顯示，當旋鈕越大，動用的手指數量越多（一如預期）。只要旋鈕直徑超過五公分，大多數受試者便會開始使用五根手指。

根據所有受試者的統計結果，松崎教授整理出了上方這個十分優雅的圖表。標靶一般的同心圓代表各種大小的旋鈕。圖下半的粗黑直線是基準線，所有測試結果的拇指位置統一對齊這條線，以利進行比較。上方的四條曲線，由左到右分別是食指到小指的位置，虛線則是統計標準差（當然，實際上的實驗結果應該是一個一個離散的點，這裡簡單地用二次曲線進行擬合，比較好看）。

這張圖總結了不同旋鈕大小的情況下，人們手指位置如何變化。有趣的是，隨著旋鈕變大，四根手指的位置並非簡單地輻射向外，而是呈現螺旋狀。猜測是跟手掌張開並旋轉的方式有關。這種細微的趨勢不做實驗還真猜不到。

不是為了搞笑，每份研究都超認真

這份研究其實在 1999 年就已經發表，時隔二十多年獲得搞笑諾貝爾獎。儘管中文翻譯是「搞笑」諾貝爾獎，但是包括松崎教授在內的所有獲獎者，可是從來沒有要搞笑，而是以非常專業的態度在做他們的工作，這些研究成果也都發表在正式的期刊。自 1999 年的旋鈕研究之後，松崎教授又相繼研究了提袋握把和雨傘握把，可說是精通抓握之道的男人。

松崎教授表示，他很樂見這個獎項讓更多人開始關注設計工程的領域。這門學問專注於探索人與物品之間的關係，並藉此創造最舒適的使用體驗，打造出實用的工業產品。

更多有趣的研究，請到【2022 搞笑諾貝爾獎】

參考資料

1. Japanese professor wins Ig Nobel prize for study on knob turning
2. Japanese researchers win Ig Nobel for research on knob turning
3. 松崎元, 大内一雄, 上原勝, 上野義雪, & 井村五郎. (1999). 円柱形つまみの回転操作における指の使用状況について. デザイン学研究, 45(5), 69-76.