集權而非威權的「辛辛納圖斯式」台灣防疫

• 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。

菇類採集

在新冠肺炎（COVID-19）大流行後，馬斯洛「需求層次理論」裡的食品與安全在眾目睽睽下被抽離出來，變成後疫情時代最重要的兩個元素。對食物的焦慮點燃人們大腦中所有生存意志，於是大家開始恐慌性地購買，讓原本就已經脆弱、易受攻擊的現代糧食系統更岌岌可危。

值得慶幸的是，我們的祖先以前就經歷過這一切，留下來的經驗值得借鏡。菇類採集的興趣在艱難時期達到顛峰，這反映了人類本能上對未來產生的恐懼。¹ 無論是否有意，我們意識到需要找回擁有食物的主導權，循著古老能力的引導來找尋、準備我們自己的食物，如此才能應付食物短缺所產生的焦慮。

我們看見越來越多人以城市採集者的身分對野生菇類有了新的品味，進而找到安全感並與大自然建立起連結。這並不是說菇類採集將成為主要的生存方式，而是找回重新獲得自給自足能力的安全感。此外，菇類採集的快感就足以讓任何人不斷回歸嘗試。

在這個數位時代，菇類採集是讓我們能與自然重新連結的獨特活動。我們早已遺忘，身體和本能，就是遺傳自世世代代與自然和諧相處的菇類採集者。走出現代牢籠、進入大自然從而獲得的心理和心靈滋養不容小不容小覷。森林和其他自然空間提醒著我們，這裡還存在另一個宇宙，且和那些由金錢、商業、政治與媒體統治的宇宙同樣重要（或更重要）。

只有願意撥開遮蓋的落葉並專注尋找，才能體認到菇類的多樣性和廣泛分布。一趟森林之旅能讓人與廣大的生態系統重新建立連結，另一方面也提醒我們，自己永遠屬於生命之網的一部分，從未被排除在外。

腐爛的樹幹不再讓人看了難受，而是一個充滿機遇的地方：多孔菌（Bracket Fungi）──這個外觀看起來像貨架的木材分解者，就在腐爛的樹幹上茁壯成長，規模雖小卻很常見。此外，枯葉中、倒下的樹上、草地裡或牛糞上，也都是菇類生長的地方。

菇類採集是一種社會的「反學習」（遺忘先前所學）。你不是被動地吸收資訊，而是主動且專注地在森林的每個角落尋找真菌。不過度採集、只拿自身所需，把剩下的留給別人。你不再感覺遲鈍，而是磨練出注意的技巧，只注意菇類、泥土的香氣，以及醒目的形狀、質地和顏色。

菇類採集喚醒身體的感官感受，讓心靈與身體重新建立連結。這是一種可以從中瞭解自然世界的感人冥想，每次的發現都振奮人心，運氣好的話還可以帶一些免費、美味又營養的食物回家。祝您採集愉快。

計畫

菇類採集就像在生活中摸索一樣，很難照既定計畫執行，而且以前的經歷完全派不上用場。最好的方法就是放棄「非採集到什麼不可」的念頭，持開放心態走出戶外執行這項工作。菇類採集不僅是享受找到菇的滿足感，更重要的是體驗走過鬆脆的樹葉、聞著森林潮濕的有機氣味，並與手持手杖和柳條筐的友善採菇人相遇的過程。

你很快就會明白為什麼真菌會有「神秘的生物界」的稱號。真菌無所不在但又難以捉摸，採集過程幾乎就像玩捉迷藏，只不過你根本不確定自己在找什麼，甚至根本不知道要找的東西是否存在。但還是要有信心，只要循著樹木走、翻動一下原木、看看有落葉的地方，這個過程就會為你指路。一點點的計畫，將大大增加你獲得健康收益的機會。所以，讓我們開始吧。

去哪裡找？

林地和草原，是你將開始探索的兩個主要所在。林地底層提供真菌所需的有機物質，也為樹木提供菌根關係。橡樹、松樹、山毛櫸和白樺樹都是長期的菌根夥伴，所以循著樹種，就離找到目標菇類更近了。

草原上也會有大量菇類，但由於這裡的樹木多樣性和環境條件不足，所以菇類種類會比林地少許多。如果這些地點選項對你來說都太遠了，那麼可以試著在自家花園或在地公園綠地當中尋找看看。這些也都是尋菇的好地方。

澳洲新南威爾斯州奧伯倫

澳洲可以說是真菌天堂。與其他大陸隔絕的歷史、不斷變化的氣候以及營養豐富的森林，讓澳洲真菌擁有廣大的多樣性。澳洲新南威爾斯州（New South Wales）的奧伯倫（Oberon）就有一座超過四萬公頃的松樹林，是採集菇類的最佳地點之一。

在那裡，有廣受歡迎的可食用菌松乳菇（又稱紅松菌），據說這種真菌的菌絲體附著在一棵歐洲進口樹的根部，而意外被引進澳洲。 1821 年，英國真菌學家塞繆爾・弗里德里克・格雷（Samuel Frederick Gray）將這種胡蘿蔔色的菇命名為美味乳菇（Lactarius deliciosus），這的確名符其實，因為「Deliciosus」在拉丁語中意為「美味」。如果想要在奧伯倫找到這些菇類，秋天時就要開始計劃，在隔年二月下旬至五月的產季到訪。

英國漢普郡新森林國家公園

在英國，漢普郡的新森林國家公園（Hampshire’s New Forest）距離倫敦有九十分鐘的火車車程。它由林地和草原組成，當中有種類繁多的植物群、動物群和真菌可供遊客觀賞，甚至還有野生馬匹在園區裡四處遊蕩。

這片森林擁有兩千五百多種真菌，其中包括會散發惡臭的臭角菌（Phallus impudicus），它的外觀和結構就如圖鑑中描述般，與男性生殖器相似且不常見。還有喜好生長於橡樹上，外觀像架子一樣層層堆疊的硫色絢孔菌（Laetiporus sulphureus ，又稱林中雞）。該國家公園不允許遊客採收這裡的菇，所以請把時間花在搜尋、鑑別與欣賞真菌上。如果幸運的話，該地區可能會有採集團體可以加入，但能做的也僅限於採集圖像鑑別菇類，而非採集食用。

美國紐約市中央公園

甚至紐約市的中央公園也有採集菇類的可能性。雖然在 1850 年代公園建造之時並未刻意引進菇類物種，但這個占地八百四十英畝的公園現已登錄了四百多種菇類，足以證明真菌孢子的影響之深遠。

加里・林科夫（Gary Lincoff）是一位自學成才、被稱作「菇類吹笛人」² 的真菌學家，他住在中央公園附近，並以紐約真菌學會的名義會定期舉辦菇類採集活動。林科夫是該學會的早期成員之一，該學會於 1962 年由前衛作曲家約翰・凱吉（John Cage）重新恢復運作。凱吉也是一位自學成才的業餘真菌學家，並靠自己的能力成為專家。

進行菇類採集時，找瞭解特定物種及其棲息地的在地專家結伴同行，總是有幫助的。如果你需要一個採集嚮導，求助於所在地的真菌學會會是一個正確方向。

何時去找？

在適當的環境條件下（例如溫度、光照、濕度和二氧化碳濃度），菌絲體全年皆可生長。某些物種對環境條件較敏感，但平均理想溫度介於 15~24 ℃ 之間，通常是正要進入冬季或冬季剛過期間，因此秋季和春季會是為採集菇類作計畫的好季節。

當菌絲體從周圍吸收水分時，會產生一股破裂性的力量，讓細胞充滿水分並開始出菇。這就是菇類通常會出現在雨後和一年中最潮濕月份的原因。牢記這些條件，就可以引導你找到寶藏。但也要記得，因為菇類受溫度變化模式和降雨量的影響很大，所以每年採菇的旺季時間會略有不同。

註解

1. Sonya Sachdeva, Marla R Emery and Patrick T Hurley, ‘Depiction of wild food foraging practices in the media: Impact of the great recession’, Society & Natural Resources, vol. 31, issue 8, 2018, <doi.org/10.1080/08941920.2 018.1450914>. ↩︎
2. 譯注：民間傳說人物。吹笛人消除了哈梅林鎮的所有老鼠，但鎮上官員拒絕給予承諾的報酬，於是他就吹奏著美麗的音樂，把所有孩子帶出哈梅林鎮。 ↩︎

——本文摘自《真菌大未來：不斷改變世界樣貌的全能生物，從食品、醫藥、建築、環保到迷幻》，2023 年 12 月，積木文化出版，未經同意請勿轉載。

潛水艇到底有多重要？

最近關於潛水艇的新聞可不少，首艘國造潛艦「海鯤號」下水典禮、中國 093 潛艇「疑似」失事、前陣子還有烏克蘭使用導彈與無人機成功襲擊俄羅斯基洛級潛艇的新聞，潛水艇的關注度一時間高了不少。

但是你一定好奇，潛水艇對國防來說，真的很重要嗎？還有，現代觀測技術那麼發達，在這些儀器的眼皮之下，潛艇真的還能保持隱形嗎？

反潛方怎麼找到藏匿海中的潛艦？

潛水艇以安靜、隱蔽著稱，有著極重要的戰略價值，不僅可以水下布雷、隱蔽投送兵力與物資；它難以被發現的特性，更是打擊水面艦的刺客，往往能讓敵人不敢越雷池一步。

當然，要造一艘能潛在水下的潛艇肯定不簡單，畢竟如果在水面下出事了，很難立即取得救援，安全的要求遠高於其他載具。另一方面，以隱蔽為最高原則的潛艦，從引擎、外型、武器到主動聲納，都需要新科技的改進，來讓自己發出的聲音降到最低。

但潛艦與反潛就像臥虎捉藏龍，如果能隨時掌握這隻水中蛟龍的動向，潛艦的威懾力就會大幅降低，甚至能將其一網打盡。因此相對地，隱蔽的技術進步時，反潛的技術也有所突破，透過光學、聲學、磁場等技術，要讓潛艦原形畢露。

既然我們知道潛艦的隱蔽性是最高考量，現在我們就站在反潛方，來看看如何抓出一艘潛水艇。
主動偵查其實跟「通訊」很像，都是傳送一個訊息到目標物，再接收傳回來的訊號。只是通訊的訊號是對方主動回傳回來的。主動偵查呢，則是訊號碰到目標物再反射回來被我們接收。沒錯，這跟蝙蝠的回聲定位很像，只是一個在水面上，一個在水裡。

為什麼水中使用的是「聲納」而非「雷達」？

現代遠距無線傳輸的方式主要有兩種，電磁波通訊與聲波通訊。在水面以上，我們通常以電磁波傳輸，因為在空氣中這麼做最有效率，因此不論是無線通訊還是手機微波訊號，多是以電磁波的形式在傳輸。
可惜這個方法到水中就不管用了，為什麼呢？電磁波穿過水的時候會因為兩個原因，讓強度快速衰減。一是電磁波容易被水吸收，二是電磁波與水分子碰撞會產生散射，舉例來說，太陽光也是電磁波的一種，而太陽光就會因為在海水中散射，而讓海看起來是藍色。

這種電磁波衰減的程度有多少呢？具體來說，在最清澈的海水中，可見光每前進 1 公尺，亮度就會衰減 4% 。如果想使用無線電通訊，以一個頻率 1000 赫茲的電磁波來說，每向前進一千碼（大約 900 公尺），訊號強度就會減少 1300 分貝。這邊說明一下，「分貝 dB 」不只是聲音音量的單位，而是可以用在各種需要表達強度比例的單位。

舉例來說，電磁波每減少 10 分貝，就意味能量減小 10 倍。在前進一千碼時減少 1300 分貝，就意味能量會衰退 10 的 130 次方倍，小到等於沒有。在實務上，通常電磁波的極限穿透距離就只有幾十到幾百公尺而已。相比之下，如果從電磁波換成低頻聲波，每一千碼的損失約為 0.01 分貝，跟電磁波相比起來可以說是幾乎沒有損失。

因此在水中，大家聽到的不會是什麼「雷達」，因為雷達（RADAR）的全名是 Radio Detection and Ranging ，是使用電磁波偵查的技術。在水裡我們用的是「聲納」，是利用聲音當傳輸訊息與探知物體的手段。

此時蝙蝠的回聲定位使漆黑水底頓時明亮起來，聲波在海裡的傳播速度約為每秒 1500 公尺，只要計算我們發出的聲波與接收到聲波的時間差，我們就能辨別物體的距離。例如我們在聲波發出後的 10 秒後接收到反彈的訊號，就代表聲波來回走了 10 秒共 1 萬 5 千公尺的距離，我們和目標物就是這個距離的一半，也就是 7 千 5 百公尺。

聲納裝載潛水艇上可以成為潛水艇的眼睛，裝在水面艦上，可以成為抓出潛水艇的掃描儀。潛水艇沒有聲納，姑且可以靠海圖小心航行，水面艦沒有聲納，面對潛水艇就只能海底撈針。

潛艦與反潛技術的發展

潛水艇在第一次世界大戰中開始展現出重要的戰略價值，其中最著名的潛艇戰就是德國的 U 艇和德國實施的「無限制潛艇戰」。當時德國的對手英國是個島國，因此便想到利用潛艦封鎖英國，無論是軍艦或商船一律擊沉，希望能拖垮英國的經濟。雖然德國最後未取得戰爭勝利，但潛水艇也確實擊沉了多艘協約國的船艦，立下的戰績是有目共睹。

有鑑於此，反潛聲納的技術由此萌芽。第一個主動式聲納在第一次世界大戰期間，被著名物理學家朗之萬發明。 1915 年，第一個潛艇探測器「ASDIC」開始在英國海軍的艦艇上被運用。 1931 年，美國也發明了潛艇偵測裝置，並稱它為「SONAR」，顯然這名字取得比較好，也成為現在最常稱呼這種技術的名稱，聲納。

至此，水面艦就像開了白眼一樣，潛水艇終於無所遁形⋯⋯真的嗎？聲納既然已經發明了百年，為何潛水艇至今似乎仍保有隱蔽優勢呢？在科技發達的現代，聲納為何還是無法抓出所有潛艇？

很可惜，事情沒有那麼簡單。當大家帶著最新科技和設備準備挑戰潛水艇這個可敬對手，卻突然被隱藏 BOSS 跳出來狠狠地打了臉，他就是：物理。

什麼是「陰影區」？潛艦能夠躲藏的位置？

讓我們回到大家都做過的實驗，準備一個透明杯子裝水，把筷子插入水中。因為光線在穿過不同介質的介面時，會因為速度改變而轉彎，所以筷子插到水杯中會出現偏折，水面上跟下呈現不同角度，看起來就像是被折彎了。

聲音跟光一樣都是「波」的一種，因此在穿過不同密度的介質時也會產生折射，路徑出現偏折。你說道理我都懂，但海裡面只有水，哪來的不同介質？

還真的有，那就是隨著經緯度與深度變化，鹽分、水溫、密度都不同的海水。鹽分、水溫、密度的升高，都會導致聲速變快。而這三者在海中的各處都不會是固定的。例如在不同深度的海水中，深度 1000 公尺內上層海域的斜溫層，當深度越深離海面越遠，海水越得不到太陽的加溫，因此海溫快速驟減，而海溫的降低也會導致聲速降低。深度超過 1000 公尺以後的深海等溫層，溫度、鹽分的變化趨緩，此時壓力會隨著深度增加而增加，海水密度開始小幅度上升，因此聲速緩慢增加。

每一層有不同聲速的海水，就等於是不同的介質，聲波會在不同層的海水之間產生折射。類似的現象也發生在空氣中。在炙熱的沙漠或是天氣熱的柏油路面，偶而會因為空氣的密度分布不均，光線在不同密度的空氣間產生偏折，出現影像在空中出現的錯覺，也就是海市蜃樓的現象。

重點來了，在海裡的折射會是怎麼樣的呢？假設我們有一艘潛的足夠深的潛艇，海面附近的聲納發出一道聲音斜向海洋深處前進，根據決定折射角度的斯乃爾定律，當聲速上升，聲音會偏離介面的法線，偏向兩個液體的交界面。在海中的實際表現，就是聲音產生偏折，漸漸與海平面平行，當偏折的角度超過 90 度，最後甚至會向上偏折，產生全反射。

而斯乃爾定律也告訴我們，偏折的程度跟入射角有關，當角度超過臨界角時，才會產生全反射。根據這些聲波行進路線畫出來的圖，可以看到一塊聲波永遠到達不了的地方，這就是陰影區（shadow zone）。如果潛艇躲藏在這個位置，那麼水面上的敵人就永遠也無法透過主動聲納發現你。

除此之外，從聲納路徑圖可以看得出來，在水中聲納走的路徑像是 U 字型一樣，會不斷在海面反射，在海中全反射。而線與線之間的空白處，是聲波不會經過的地方，也屬於陰影區。因此實際從水面偵測潛艦時，只有在碰到這些線的時候會收到該點的訊號，如果要抓出敵人，就要在獲知訊號時抓緊時間。

如何減少陰影區範圍？

為了減少這些陰影區死角的範圍，也有一些有趣但複雜的想法，例如使用拖曳式陣列聲納，一個點不夠，那我就拉一排，減少盲區。或是透過小角度的海底反射，來覆蓋近距離內的更多範圍。然而這也不會只是畫一張圖那麼簡單，平常聲納就要過濾來自自身引擎的噪音，或是因為海底等非目標物的環境反射。多一次反射，就意味會多一道訊號反射到聲納中，要如何將這些訊號區分開來，判斷哪些是海床訊號，哪些是敵艦訊號，就各憑本事。

沒錯，就算有了聲納系統還不夠，海底資訊的掌握度和後期運算更是兵家相爭的關鍵。你想想，就算你知道聲音會隨著密度轉彎，但你知道眼前海域每個深度的實際密度嗎？如果你不知道這些資料，就算接收到訊號，你真的算得出敵艦的位置嗎？

舉例來說，冬天和夏天的海溫不同，聲音偏折的角度不同，能探查的範圍與死角就不相同。當你在不同緯度，不同海域作戰時，所需要的資料也不相同。

台灣冬夏兩季分別受東北季風與西南季風吹拂，周圍又有黑潮、中國沿岸流等洋流影響，各層水溫隨季節變化影響劇烈，台灣海峽又因地形原因海流複雜，被稱為黑水溝。在此之上，能掌握好周圍的海流活動，除了能兼顧潛艦的航行安全外，也有助於提升潛艦的隱蔽性。

潛艦與反潛的無數過招？

海洋的複雜性，構成了潛艦至今仍能維持隱蔽優勢的原因。而這場臥虎捉藏龍的對決到此還沒有結束，我們只介紹了第一招，後面大概還有 99 種招式等待要過招。例如潛艦關掉主動聲納後，如何靠被動聲納安全航行並鎖定目標？

除了透過聲納，搭載磁性探測儀的反潛機怎麼從異常磁場訊號中辨別海底的金屬潛艇？又或是水面上的聲納會被全反射，那麼改變深度的話是不是就能解決了？實際上，既然在海面上聽不見，反過來把聲納放進海中，放在海水密度最低的「深海聲道通道軸」這個如同光纖般的區域，就能清楚聽到來自遠方的聲音。

諸如此類的軍事科技對弈，就像其他科技一樣，對決永遠不會結束。如果你還有那些想了解的面向，不論是潛艦或是其他軍事科技，也歡迎留言告訴我們。

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

• Fleet Oceanographic and Acoustic (RP33)
• https://www.mdpi.com/2077-1312/10/3/424
• http://stream1.cmatc.cn/pub/comet/Mar…
• https://www.nec.com/en/global/techrep…
• https://oceanservice.noaa.gov/facts/s…
• https://www.navalgazing.net/Sound-in-…