《天能》與其中可能的物理學：對稱性、熵、馬克士威爾的惡魔

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

• 作者／賴昭正｜前清大化學系教授、系主任、所長；合創科學月刊

在我看來，一位只讀報紙和當代作家書籍的人就像一個蔑視眼鏡的極度近視眼人：他完全依賴他那個時代的偏見和時尚，因為他永遠看不到或聽到任何其它東西。

——愛因斯坦（1879-1955）1921 年諾貝爾物理獎

2013 年 7 月，筆者在《科學月刊》之「大家談科學」專欄裡指出：電動車還是需要能量的，因此在考慮發展電動車時，必須同時考慮其能量來源的效率。如果發電廠的發電效率與直接燃燒汽油的汽車效率一樣（見「附錄－熱力學」），那麼發展電動車實質上的優勢只是將環境污染移到鄉下而已。該短文一出現後，立即有讀者分別在《科學月刊》及網際網路上反應，提出電動車的好處，應該發展；為此筆者又寫了兩篇有關發展電動車可能碰到的問題（詳情請參閱《我愛科學》）。

兩年半後（2016 年 2 月 21 日），筆者又在第 1666 期《世界週刊》提出；中國為燃煤發電的大國，要產生同樣的能量，燃煤所排放的二氧化硫、重金屬（水銀、鉛、鎘、及砷等）及懸浮顆粒（現代汽油車的廢氣中已幾乎不再出現）對人體的健康有巨大的負面影響，因此在未改變整個發電結構之前，在中國大量使用電動車不僅不能「減少空氣污染」，反而會對整個環境造成更大的災害。加上可設置私人充電樁的私宅少，電動車不可能普及化，因此「中國不適合發展電動汽車」。同樣地，此短文一出，立即有讀者反駁，謂中國不能落後，必須跟其它國家一樣，積極發展電動車。

中國現在已成為全球最大的電動車製造商及市場；截至今年（2023年）9 月，純電動車佔中國汽車銷量 25%。在全世界到處均在高喊發展電動汽車的此時，顯然筆者是錯了！真的嗎？在回答這問題之前，因為可以幫助我們了解電動車的銷售，讓我們在這裡先來複習一下電動車發展的簡史吧。因本文涉及不少時間點（如今年、現在），請讀者注意本文完稿於 2023 年 12 月 19 日。

電動車的發展

電動車當然不是一個新概念；事實上早在 1830 年代，第一輛電動車就已經被開發出來。而在台灣，筆者 1975 年暑「放棄高薪」從義大利回到清華化學系時，當時的工學院院長毛高文就已經積極在推動電動車的研發：1974 年首度發表自製電動車「清華一號」，從新竹走省道一路開到台北，開啟了國內電動車研發的先河。然而，由於各種原因，包括豐富的汽油和缺乏可靠的電池，電動車一直沒有商業化。電動車的真正復興發生於 21 世紀初鋰離子電池的發現與成熟 ¹。下面可以說是全世界電動車普化的兩個轉捩點：

第一個轉捩點是日本豐田普銳斯（Priuse）的推出。普銳斯於 1997 年在日本發布，成為世界上第一款量產的混合動力電動車（同時使用電池與汽油，完全不用插電，內燃機提供電源；詳情請參考《我愛科學》之「混動車值得發展嗎」）；2000 年，普銳斯在全球發布，一推出就獲得了名人的青睞，從而提高了該車的知名度。從那時起，不斷上漲的汽油價格和對碳污染的日益關注，使普銳斯成為全球最暢銷的混合動力車。

另一個幫助重矗電動車的事件是 2006 年矽谷一家小型新創公司。特斯拉（Tesla）汽車公司從美國能源部貸款計畫辦公室獲得了 4.65 億美元的貸款，在加州建立製造工廠；於 2010 年宣布將開始生產一款一次充電可行駛超過 200 英里的豪華電動跑車。此後不久，特斯拉就因其汽車贏得了廣泛讚譽，成為加州最大的汽車行業雇主。特斯拉的成功、日益受到關注的全球氣候溫度上升、加上政府政策的推動與大量金錢補助(特斯拉幾十億及購車者)，電動車開始變得更主流，迫使許多大型汽車製造商加速開發自己的電動車，甚至決定放棄傳統汽車的製造！

特斯拉汽車公司的創立

現在一談到電動車，似乎不能不談特斯拉。而一談到特斯拉，似乎便不能不談充滿爭議性、全世界最富有的馬斯克（Elon Musk）：相信很多讀者都以為他是特斯拉的創辦人，但事實上他只是提供創辦資金，不是創辦人！

現在廣為人知的故事是 2003 年時，艾伯哈德（Martin Eberhard）和塔彭寧（Marc Tarpenning）為了要為他們剛剛成立的新公司收集消費者數據，開車在美國最富有之一郊區、史丹佛大學所在地的帕洛阿爾託（Palo Alto）街道上來回走動，觀察其居民擁有哪些類型的汽車。他們發現在價值 200 萬美元的房屋前，總是停著一輛豪華轎車和一輛當時環保寵兒的普銳斯。因此他們認為環保主義已經來到了富人家門口，可以開始向少數的富人出售電動車，希望最終會滲透到中產階級。他們以塞爾維亞裔美國發明家特斯拉（Nikola Tesla）命名，成立了特斯拉汽車公司。該公司的資金來源中最著名的就是貝寶（PayPal）控股公司聯合創始人馬斯克。馬斯克為這家新企業提供了超過 3000 萬美元的資金，從 2004 年開始擔任該公司董事長；2008 年艾伯哈德和塔彭寧兩人離職後，馬斯克接任執行長。

特斯拉公司於 2010 年上市；2020 年開始賺錢 ² 時，其股票市值首次超過了通用汽車公司和福特汽車的總市值。

炫耀性保護

艾伯哈德和塔彭寧相信因為環保主義的抬頭, 富人會買電動車來展示其綠色美德的現象，經濟學家稱為「炫耀性保護」（conspicuous conservation）；他們也相信這最終還是會滲透到中產階級的。果然不錯，富有的愛好者競相排隊購買特斯拉，使得其市值在 2021 年曾經一度超過 1.2 兆美元 ³，成為世界上最有價值的公司之一。歲月匆匆，艾伯哈德和塔彭寧所盼望之慢慢普及的時候似乎應該到了，但卻沒有發生！顯然中產階級消費者就是不合作：他們似乎像筆者一樣，對於如何處理收入有自己的想法，他們需要汽車來上班、購物、帶小孩上學、度假、⋯⋯，他們沒有必要、也負擔不起購買一輛昂貴且不實用的電動車來炫耀。

注意電動車發展的讀者應該都已注意到：最近（2023 年 11 月）報章雜誌都開始報導電動車銷量在一年前就已經開始放緩，促使許多電動車製造商大幅降價，並在第一季引發價格戰。電動車的需求雖然還在擴張，但成長速度已大幅放緩。根據《華爾街日報》報道，繼去年上半年全球成長 63% 後，今年同期僅成長了 49%；而與此同时，2023 年混合動力車銷量卻大幅成長（前三季年增 48%）。

汽車製造商終於開始有點頭痛了：第一波富有的環保主義者買家已經購買了他們的電動車後，現在該如何推動到中產階級的手中呢？通用汽車、福特、賓士、日產，甚至特斯拉，都因最近需求放緩發出了危險信號：通用汽車縮減了 2024 年的計劃，並表示將推遲新電動卡車工廠的開幕；福特正在考慮削減其去年非常暢銷的電動卡車工廠的班次；日產正在將更多資源轉移到混合動力汽車而不是電動車；馬賽地－賓士將現在的電動車市場描述為「殘酷」；⋯⋯⋯。曾經自稱將是「特斯拉殺手」的美國豪華跑車和旅行車製造商 Lucid 現在看起來也只是「普通而已」，宣布將生產速度放緩 30%，許多人甚至擔心該公司能否在當前電動汽車行業的低迷中生存下來。

電動車車主的自述

2023 年 4 月 26 日《洛杉磯時報》社論版的副主編加爾薩（Mariel Garza）在「我已準備好更換我的（純）電動車」一文寫道：

我喜歡我的電動車，我真的喜歡。我喜歡我永遠不需要加汽油；我喜歡它在街上安靜滑行的樣子；我喜歡它有那麼多馬力——如果我願意的話，我真的可以超越汽油動力的跑車；我喜歡貼上可以讓我在高載客量車道上單獨駕駛的貼紙；我喜歡日常維護只不過是旋轉輪胎而已 ⁴。但三年後，我正在認真考慮將其換成插電式混動汽車（見後）。⋯⋯為什麼？ 因為儘管我很喜歡我的車，但我討厭我不能在這個引領電動車革命、確信我可以（隨時）在需要時充電的加州旅行。

筆者不相信加爾薩的後悔僅是少數人的意見，例如 2022 年 8 月 19 日《世界日報》就報導：

川渝地區因高溫限電造成大量充電樁暫停營運,使電動車車主感受到前所未有的「充電」壓力 ⁵。有網約車師傅連跑八台充電樁才找到電，也有女性車主半夜 12 時還在外排隊 2 小時以上。充電焦慮讓車主們怕「掛在路上」，大嘆「不是在充電，就是在找充電樁的路上」。⋯⋯公共安全部數據顯示，今年上半年全國新能源汽車保有量已突破 1000 萬大關。高溫限電也引發了新能源汽車充電焦慮，多位網友網上抱怨「還是油車香」、「未來買新能源車要三思了」。

但是在政府及時髦的推動下，有多少人能獨立地三思、不人云亦云呢？

綠色能源

贊成發展電動車的還有一個建立在沙灘上的願景，那就是將來的能源將是綠色的，而不是從發電廠燃燒煤（氣）出來的。為什麼這是建立在沙灘上的希望呢？因為根據台電公司的相關資料，我國在 2021 年的再生能源佔比只有 6% 左右，距離原本政府時程內設下的 20% 目標非常遠。又經濟部今年 6 月 21 日公布最新全國電力資源供需報告，揭露 2023 年至 2029 年用電及供電預估，顯示再生能源建置進度較預期延後：原先預估 2025 年綠電占比要達 20％，重新調整為 15.5％，並謂至少必須等到 2026 年 10 月再生能源才會達到 20％ 的目標。讀者相信嗎？

而上面所提之「川渝地區因高溫限電」正是發生在中國水電第一大城的四川：其水利發電量佔全省發電量的 81.6%！能將日常生活用的電動車能源建立在難以預測與控制的綠能上嗎？由於此一罕見的大旱，北京當局為確保電力供應，宣告擱置優先發展清潔能源計畫，全力擴大煤礦的開採以及增加外國煤炭進口——中國應該發展電動車嗎？美國有線電視（CNN）指出，中國目前對煤炭發電的依賴已超過去年（因為大量使用電動車？），今年 7 月中國煤炭發電環比增加 22%。同樣地，去年歐洲大旱也造成其水利發電量產減少 20%（義大利 40%，西班牙 44%）；筆者好像還在報上看到過：為了達成綠色發電量比的目標，有些歐洲國家因之想將天然氣發電改歸屬於綠色發電！這不是「自欺欺人」嗎？

不再需基礎設施配合的混動汽車

現在智慧型手機找充電站已經非常容易，但是想一想：好不容易改道開到充電站，卻發現唯一的充電樁壞了 ⁶，不知道讀者將有何反應，但筆者雖然早已過了兩次四十而不惑，一定還三字經罵個不停！再不然就是所有的充電樁全被佔用了、或有一佔著茅坑不拉屎（已經充電完畢）的車主不知道跑到哪裡去了、……只好五十而知天命了：等吧。

相信有些人會辯稱那是因為充電站不夠多的關係，如果充電站像現在加油站一樣，這問題就不會出現。但簡單的計算告訴我們：這問題還是存在的，因為最快的充電大概也需要 30 分鐘 ⁷，而一般加油的時間只要 5 分鐘左右！事實上這正是筆者在 2013 年 8 月之「混動汽車值得發展值嗎」所指出的：「即使充電站能像加油站一樣普及，除非你多的是時間，否則等充電大概會讓你急得像熱鍋中的螞蟻。因此筆者認為電動車不可能大量取代汽油車，它只能用於日常上、下班或購物用。」

反之，在「混動汽車值得發展嗎」裡，筆者也辯謂：完全不用插電之電池與汽油兩用的混動汽車不但無純電動的缺陷，它的（汽油）能量使用效率已高達汽油汽車的兩倍以上，也不需要大量建造充電站來配合，因此應是將來汽車發展方向的主流。

在這段期間裡，市面上已經出現了一種可以完全使用汽油（不需要充電）、但是也可以充電的「插電式混動汽車（plug-in hybrid）」：以電池為主、汽油引擎為輔的混動汽車；前者可以在家中車房充電，用於日常上、下班或購物用，後者用於長途旅行（不需要找充電站）。事實上中國的插電式汽車市佔率已經突破 37%，高過純電動車的 25%，估計到今年底，將可能接近 40%。在美國，今年第二季混動汽車的 7.2% 輕型車輛市佔率也超過純電動車的 6.7%，插電式混動汽車則從 2021 年初的不到 1% 上升到 1.7%。

高處不勝寒

豐田汽車雖然在電動發展史上佔了一席非常重要的地位，但其第一款純電動的汽車卻遲滯到 2022 年 5 月才出現 ⁸。在全世界一片發展電動車的時髦下，讀者應該不難想像到其執行長所受的壓力。今年元月，豐田汽車創始人的孫子豐田章男終因緩慢採用電動車，導致其領導能力受到質疑，而決定於 4 月 1 日辭去當了將近 14 年的執行長及總監職。 

在特斯拉 10 月中公佈了災難性的第三季收益，投資者意識到電動車並不是獲利的靈丹妙藥後，當時已改任豐田汽車公司董事長的豐田章男終於喘一口氣，表示銷售放緩事實上證明了他對電動車的抵制是正確的，並補充說：「人們終於看到了（電動車的）現實」。豐田北美業務銷售主管克里斯特（David Christ）11 月 26 日向《華爾街日報》表示：「這是一個異常火爆的市場」，豐田正在盡可能大量生產混合動力車。

同樣地，平時很少得到讀者的直接反應，但筆者在 2013 年及 2016 發表不贊同發展純電動車的看法時（因為有更好的方案），立即受到一些批評；使得筆者在 2017 年出版之《我愛科學》的自序裡覺得「高處不勝寒」。10 年後的今天，看來或許已經不再那麼冷了？！

結論

美國環保署今年發布了令人非常沮喪的《2022 年汽車趨勢報告》，謂 2021 年的最終數據顯示，美國在汽車減少二氧化碳排放方面仍然進展甚微，他們說是因為消費者（富人）雖買了電動車，但車房裡停的卻是更浪費汽油、更豪華的大車子。但更可能的解釋不正是筆者所說的「發展電動車未必能減少空氣污染」嗎？

即使在汽車大國的美國，私人汽車所造成的空氣污染佔不到 20%，因此筆者認為發展什麼樣的車子都只是表面的裝飾而已，因為全球加速暖化與空氣污染背後的主要原因是：人類永無止境的慾望。只要人的慾望不降、鼓勵消費的經濟理論不改，世界能量的使用將只會有增無減，否則將被識為「經濟衰退」或「落後國家」！而如「附錄－熱力學」所言，能量大部分都是透過效率最差的熱來產生的，在產生的同時，一定要製造出大量的廢熱，這些廢熱通常消散到大氣、河流、湖泊、甚至海洋等大型水體中，導致水的內部熱量增加。根據 2022 年年底美國太空總署的估計，自 1955 年有記錄以來，百分之九十的全球暖化都發生在海洋中。筆者不知道為什麼我們不談這一更嚴重的問題：掩耳盜鈴？眼不見為淨？不願意面對必須節慾的事實？⋯⋯或正是愛因斯坦所說的「時代的偏見和時尚」？

麥肯錫（McKinsey）2022 年 4 月報告謂；「如果到 2030 年，所有銷售車輛中有一半是零排放車輛（符合美國聯邦目標），我們估計美國到那一年將需要 120 萬個公共電動車充電樁和 2,800 萬個私人電動車充電樁。⋯⋯消耗資本超過 350 億美元。」這巨額開支（台灣 2023 年總生產額的 3% 左右）用來改進現有的基礎設施（如發電效率、增加其二氧化碳的排放回收等）不是更實際有用嗎？

附錄－熱力學

熱也是一種能量，但熱力學告訴我們它是品質最差的一種，我們一旦將其它能量變成熱，就再也不能 100% 地將它改回或改為其它能量形式，所以透過熱來發電是一種非常沒有效率的方法。例如高山上的水，對地面而言具有位能，我們原則上可以將它 100% 的改成電能，這正是水利發電的原理（其效率可以高達 90%）；但如果我們讓它掉到地面變成熱，再用這些熱來發電或做功，那麼其效率就受到熱力學的限制，原則上再也不可能 100% 了（實用上均難以達到 50%）：在改回其它能量形式的同時，一定要製造出一些廢熱（見圖）。不幸地，這正是內燃機（包括汽車引擎）和發電廠（包括核電廠）的操作方式，因此它們的效率都不高：燃煤電廠與核電廠的平均效率約為 33%，天然氣發電廠大約在 33% 至 43% 之間，內燃機的效率因類型和引擎的不同而變化很大（15%-45%），汽油引擎的效率只有 30% 到 35% 左右。

註解

1. 吉野彰（Akira Yoshino）、惠廷漢姆（Stanley Whittingham）、和古迪納夫（John Goodenough） 因發展鋰離子電池獲得 2019 年諾貝爾化學獎。
2. 特斯拉在 2020 年公佈了首個全年淨利潤，但這並不是因為向客戶銷售電動車的結果，而是美國有 11 個州要求汽車製造商在 2025 年之前銷售一定比例的零排放汽車，如果達不到，汽車製造商就必須從另一家滿足這些要求的汽車製造商購買「碳信用額（carbon credit）」——只銷售電動車的特斯拉成了這項政府規定的最大贏家。
3. 現在約為 0.8 兆美元，市盈率高達 80 以上，通用汽車、福特則在 10 以下。
4. 美國權威《消費者報告》的最新調查顯示，電動車的平均可靠性遠低於汽油動力車、卡車、和運動型多用途車。該調查發現 2021 年至 2023 年車型中的電動車遇到的問題比普通汽車多近 80%。
5. 在政府大力支持下，中國已擁有地球上最廣泛的電動車充電基礎設施。
6. 加油站因為有大量的易燃及爆炸的汽油，不能像充電站一樣沒有人守著，因此壞了不知道或不修理的機會應該不多。美國權威數據分析、軟體和消費者情報公司 J.D. Power 今年 5 月的一份報告謂：「截至 2023 年第一季末，使用公共充電樁的電動車駕駛員中有 20.8% 遇到過充電故障或設備故障，導致他們無法為車輛充電。」今年 12 月 3 日《華爾街日報》報導謂：「根據美國處理汽車維修保險索賠的 CCC 智慧解決方案公司的數據，去年發生事故後維修電動車的平均費用為 6,587 美元，而所有車輛的維修費用為 4,215 美元。」
7. 但大多數需要 1 到 2 小時。充電速度快，將會縮短電池的壽命。
8. 2023 年豐田 bZ4X 是該汽車製造商的首款量產電動車，也是目前該品牌提供的唯一的一款電動車。

延伸閱讀

《我愛科學》（華騰文化有限公司，2017 年 12 月出版）：收集筆者自 1970 年元月至 2017 年 8 月在《科學月刊》及少數其它雜誌所發表之文章。內含熱力學與能源利用、電動車值得發展嗎、混動汽車值得發展嗎、再談電動車值得發展嗎、如何有效地儲存電力、台灣應該發展電動車嗎、中國不適合發展電動車等等與本文有關的文章。

為什麼時間向前走？

既然我們不能回到過去，你可能會合理的問：「為什麼時間向前走？」

對我們來說，時間不向前走的概念是匪夷所思的。你不會期待烤箱能把煮熟的食物變回原料，或杯子內的飲料在炎熱的日子裡形成冰塊，甚至女童軍餅乾也不會憑空出現。所有事情都以我們非常熟悉的方式隨時間前進，但如果你看到逆著時間走的情形，你可能會想自己是否是藥吃多了。

同樣的，你可以記住過去發生的事，但是你不能想起未來發生的事 ^*1。時間似乎有一個偏好的方向，我們不知道為什麼。

為什麼時間只向前走？這個基本問題長久以來深深困擾著物理學家。事實上，「時間向前」到底意味著什麼？在某些宇宙中，時間可能流向其他方向。他們的科學家可能會定義往「那個方向」向前。 所以真正的問題應該是：「為什麼時間朝著它前進的方向移動？」

我們先來考慮，如果時間往其他方向走，宇宙是否能夠運作。 物理學定律要求時間往單一方向流動嗎？想像你正在看某些宇宙影片，你能透過仔細檢查，來判斷影像是否正在向前或向後播放嗎？ 例如，假設你正在觀看一個球上下彈跳的影片，只要球完全彈跳 （並且不會因為摩擦或空氣阻力失去任何能量），那麼這個影像無論是往前或往後播放，看起來都會一模一樣！在罐內反彈的氣體粒子或在河中流動的水分子也是如此。即使量子力學也能逆著時間運作 ^*2。事實上，幾乎每個物理定律在時間往前或往後都可以成立。

但這不是全部的故事。

完全彈跳球的例子是不現實的，因為它忽略了球在地面上的摩擦力、空氣阻力以及諸多其他讓球的能量耗散成熱量的方式。經過幾次彈跳後，即使寵物雪貂最喜愛的超級彈力球也會停止彈跳，最終穩定在地面上。球的所有能量將轉化成熱，傳至空氣分子、球分子或地面分子。

想像一下，倒著播放的彈跳球影像會變得多麼奇怪，坐在地上的球會突然開始彈跳起來，而且愈彈愈高。能量流將看起來更奇怪：空氣、球和地面會冷卻下來，失去的熱將轉化為球的動能。

在這個例子中，你可以肯定指出時間向前和向後的區別。烹飪食物、融化冰塊和吃餅乾等也都相同。但是，如果物理學的大部分定律都能反向工作，特別是熱和擴散等微觀物理，為什麼宏觀過程似乎只在一個時間方向發生？原因是系統中的無序量，也就是熵，非常強烈傾向於單一時間方向。

熵總是隨時間增加。這稱為熱力學第二定律。熵視為某些事物中的無序量。你忘記餵食雪貂時，雪貂會毀壞客廳，撞翻整疊有完整簽名的這本書，雪貂透過增加亂度來提高客廳的熵。

如果你回家重新整理客廳，可以減少客廳的熵，但是這樣做需要相當程度的能量，你把能量釋放成熱、沮喪和低聲咒罵著要如何告訴室友說：「養雪貂是個壞主意。」在整理客廳時，你釋放的能量將保持總熵的增加。每當你產生任何局部秩序，例如：堆疊書籍、在方格紙上做標記，或打開空調時，你都會同時產生亂度這個副產品，且通常以熱的方式呈現。根據熱力學第二定律，平均而言，總熵沿順向時間減少是不可能發生的事。

（注意：這是機率描述。技術上來說，一群憤怒的雪貂有可能意外的組織一個完全有序的隊伍，從而減少了牠們的熵，但機率微乎其微。孤立事件可能發生，但平均熵總是增加。）

這會導致令人不寒而慄的後果：因為熵只會增加，在最終非常非常久遠的未來，宇宙將會達到最大亂度，這有個聽起來很酷的名字：「宇宙熱寂」。在這種狀態下，整個宇宙將處於相同溫度，這表示一切都將完全無序，沒有一丁點有用的有序結構（如人類）。在熱寂之前，我們仍然有空間可以創造局部秩序，只因為宇宙還沒有達到最大亂度。

現在我們逆著時間回想。過去每個時刻，宇宙的熵比現在更少（更有秩序），一直回溯到大霹靂時。把大霹靂當成是搬家卡車和小孩來到新房子之前的那一刻。宇宙的初始狀態（當熵最低時）決定了宇宙從誕生到熱寂之間有多少時間。如果宇宙從一開始就已經有大量亂度，不需要太多時間就能達到熱寂。在我們自身的例子中，宇宙似乎始於非常有序的狀態，在達到最大熵之前給了我們很多時間。

為什麼宇宙從一開始是從高度有組織的低熵狀態中啟動？我們不知道，但是我們確實很幸運，因為宇宙在開始和結束之間，留下了很多時間來做有趣的事情，比如製造行星、人類和冰棒。

熵是否幫助我們了解時間？

熵是少數幾個關心時間如何流逝的物理定律之一。

影響熵的多數過程（例如影響氣體分子如何互相反彈的運動學定律），可以完美的逆著時間走。但大體來說，它們遵循一項定則：有序數量隨時間前進而遞減。所以時間和熵互相以某種方式連接起來。但到目前為止只有一個相關性：熵隨時間而增加。

這是否代表熵導致時間只能向前流動，就像是山丘只讓水往下流那樣；或者熵是遵循時間的箭頭，像被捲入龍捲風的碎片？

即使你接受熵隨時間前進而增加，仍然不清楚為什麼時間只會向前進。例如，你可以想像一個時間向後的熵，熵隨負時間而減少，這將保持熵和時間的關係，而不會違反熱力學第二定律！

與其說熵洞察了時間的一切，不如說它是個線索。熵是我們關於時間如何運作的少數線索之一，所以值得注意。熵是理解時間方向的關鍵嗎？雖然很多人如此臆測，但我們還是毫無頭緒。不僅如此，我們能把這問題弄清楚的辦法也寥寥無幾。

註解

1. 如果你能記得未來的事，請打電話給我們，我們有些問題想請教你。
2. 除了波函數的崩陷之外，有些人認為它是不可逆的、有些人則認為是失去同調性，而其他人只是為了辯論而辯論。

——本文摘自《關於宇宙我們什麼都不知道》，2023 年 9 月，天下文化出版，未經同意請勿轉載。