地球之水來自碳質球粒隕石的可能性比較大

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

彗星送水論？地球的水是從哪來？

想知道古地球如何得到水的行星科學家將矛頭指向大泥球。似乎數十億年前曾有彗星雨落下，為我們帶來大量的水。

但，彗星又來自何方？

科學家長期認為彗星誕生於比火星更遠的寒冷區域。一九九〇年代，學者更進一步認定大部分彗星已經被日益成長的行星吸收。然而荷蘭天文學家揚．歐特（Jan Oort）提出不同見解，主張可以有數以兆計的彗星在太陽系邊緣存活，它們距離行星太遠所以沒被重力拉扯，最終圍繞太陽系形成巨大球形外殼，現在將該區域稱為歐特雲。歐特雲的大量彗星可以填滿地球海洋，問題是它們太遠，是地日距離的數千倍，實在不大可能到得了。

於是又有研究者懷疑部分彗星在太陽系較內側存活，或許是土星軌道外，這樣也比歐特雲近了一千倍。然而僅僅停留在臆測，因為想要在那麼遠的地方找到直徑不過數十英里或更小的彗星太困難，大家沒有傻到去做這種嘗試。

唯二例外是年輕的麻省理工學院教授戴夫．朱維特（Dave Jewitt）和他的研究生盧珍（Jane Luu）。裘伊特頭頂高聳，笑容可掬，性格充滿英國式幽默，父母是倫敦的工廠工人和電話操作員。童年時偶然在夜空看見流星勾起他對天文學的迷戀。

從天文學觀測到重水比例：揭開水的宇宙密碼

一九八五年，他突發奇想將新的數位型光感測器 CCD（譯按：感光耦合元件）連接到望遠鏡，藉此在太陽系遙遠角落尋找彗星這種小天體。朱維特認為我們看不見不代表不存在，但研究需要資金，只可惜多數人都不相信，所以計畫案一次一次被拒絕。三十多年後，回憶起當初遭受的輕蔑他依舊義憤填膺。「最常得到的回答是『無法證明計畫裡的測量實際可行』，」他說：「我的天，這是什麼蠢邏輯？整個計畫的意義就是去做一些以前沒做過的嘗試。就算最後真的不可行又怎麼樣呢，重點不就是得試試看嗎？」批判他的人可能陷入了「現有工具檢測不到就代表不存在」的認知偏誤，習慣性地假設科學家尚未找到就代表目標處什麼也沒有。

朱維特和盧珍拒絕放棄，偷偷從其他研究案借用望遠鏡時間尋找數十億英里外可疑的微小物體。

很長時間毫無收穫。一年又一年，然後四年五年六年。直到一九九二年夏夜，他們在夏威夷大島茂納凱亞天文臺工作。那時候他們心灰意冷，覺得五年多光陰白費了，卻沒想到忽然發現了非常微弱的光點。察覺這個點微微移動時，朱維特還暗忖「不可能是真的」，但它確實存在。兩人找到的天體位於海王星外的軌道，後來進一步證實那邊還有數百萬顆彗星。該區域被命名為古柏帶，淵源是最早提出此概念的荷蘭天文學家³⁰，他在一九五〇年代就探討了這個可能（諷刺的是他本人不相信）。

科學家在古柏帶找到大量彗星，人體內的水看似已經確定來源。地球形成後不久，彗星從古柏帶，或許一部分從更遠的歐特雲抵達，送來覆蓋這顆行星表面的水。彗星堪稱飛行的冰山，攜帶的水量確實足以填滿地球海洋。理論很快得到多數人接納及傳播，謎題終於得到解答。

小行星的貢獻：來自太空岩石的生命之源

真的嗎？一九九五年，波瀾再起。亞利桑那州鳳凰城附近一場觀星派對上，輪到混凝土供應公司零件經理湯瑪斯．博普（Thomas Bopp）借用朋友的望遠鏡，他留意到視野角落有個模糊光點。同一天晚上，新墨西哥州克勞德克羅夫特村天文學家艾倫．海爾在家中發現同樣物體。這顆新發現的彗星，是有史以來見過最亮的，命名為稱為海爾─博普彗星。

翌年，戴夫．朱維特隨學者團隊返回茂納凱亞觀測站，這次以強大的電波望遠鏡觀測海爾─博普彗星。他們在海拔一萬四千英尺（約四千兩百六十七公尺）的稀薄空氣中每十三至十六小時輪班一次測量夜間光譜，試圖比較彗星中一種罕見的水形式比例是否與地球海洋相符。

或許有些人還不知道其實水分子有不同形式。大部分水由氫原子組成，核心只有一個質子。但還有別種水存在，由於重量多出一成所以稱為重水，其氫原子是同位素，核心除質子外還包含一個中子。重水很罕見，在地球海洋中每六千四百個水分子只有一個是重水。因此，茂納凱亞團隊準備測量海爾─博普彗星時原本很有信心會找到相同比例的重水，畢竟地球的水應該來自彗星。

然而觀測結果並非如此。海爾─博普彗星重水含量是地球海洋兩倍。這就麻煩了，先前天文學家在哈雷彗星發現類似的高比例重水，當初只視為異常案例，然而後來在百武二號彗星又測量到相同數據。三次觀測結果一致成為難以忽視的證據，顯示彗星並不吻合地球海洋的水分子組成。

「天文學家對海爾─博普的觀測結果作何反應？」我問。

「嚇壞了。」朱維特的意思是指數據背後的涵義：「有點像新時代運動³¹的意識覺醒之類。」他笑了笑又說：「好像不該說這種話才對。」但顯而易見，學界頗受震撼，一夕間又不能靠融化彗星形成海洋了。雖然惠普爾沒說錯，彗星確實充滿水，但海洋來自太陽系其他地方。具體究竟是哪兒？

朱維特和其他許多學者一樣，注意力轉向飄浮在太空中的巨大岩石，即所謂小行星。

從石頭榨水，乍聽很無稽，但事實上有些岩石確實可以。如果加熱隕石，也就是從小行星落到地球的碎片，困在晶體結構內的水分子就能變成水蒸氣。多年前科學家已經知道小行星含水，這些岩石含水量差異很大。多數靠近太陽形成的小行星幾乎不含水，但在火星之外冰冷區域形成者水分含量則可高達百分之十三。

朱維特等人的想法是：如果撞擊地球的小行星夠大就會帶來豐沛的水。此外，天文學家還知道火星木星之間軌道上有一大群小行星，並將該區域稱為小行星帶。而且，小行星中重水與彗星不同，吻合地球海洋和人體。各種線索指向我們這兒的水應該來自宇宙岩石。

感覺好像結案了，但其實小行星帶距離地球三億英里遠。從那種距離要一桿進洞得有多高明的技術？有足夠數量的小行星算準角度飛向地球以水覆蓋地表，這個現象發生機率有多高？人類又如何進一步理解？

——本文摘自《你的身體怎麼來的？從大霹靂到昨日晚餐，解密人體原子的故事》，2025 年 01 月，商周出版，未經同意請勿轉載。

本文轉載自中央研究院「研之有物」，為「中研院廣告」

• 採訪撰文｜張琬婷
• 責任編輯｜簡克志
• 美術編輯｜蔡宛潔

水能被擠壓成冰？

水在攝氏零度以下會結冰。然而，當水被擠壓到極限時，會形成二維的奈米薄冰，不僅室溫下穩定存在，還有從未見過的鐵電特性（Ferroelectricity），而石墨烯則是實現這種擠壓條件的關鍵。中央研究院「研之有物」專訪院內原子與分子科學研究所的謝雅萍副研究員，她與我們分享了實驗室如何意外發現這層特殊的二維薄冰，以及團隊如何利用二維薄冰的鐵電特性製作有記憶電阻功能的奈米元件，研究成果發表在科學期刊《自然通訊》（Nature Communications）。

奈米尺度下，物質特性會跟著改變？

謝雅萍的主要研究題目之一就是合成新穎的二維材料，這是奈米科技的領域。奈米是什麼？奈米（nanometer）是長度單位，即 10^-9 公尺，一根頭髮的直徑長度約為 1 奈米的十萬倍。奈米尺度之下，很多物質的特性會隨之改變，最常見的例子是「蓮花效應」，因為蓮花葉上具有奈米等級的表面結構，為蓮葉賦予了疏水與自我清潔的特性，髒污與水珠都不易附著在蓮葉上。

奈米材料（nanomaterial）是指三維尺寸的材料，至少有一個維度的尺寸小於 100 奈米。只縮小一維，就是平面的二維材料（2D），例如石墨烯；縮小兩個維度，就是奈米線（1D）；三維都縮小，就是零維的奈米顆粒（0D）。

奈米科技（nanotechnology）的概念最早可追溯到 1959 年美國物理學家理查費曼（Richard Feynman）在演講中提出的願景「為什麼我們不能把大英百科全書全部寫在一根針頭上呢？」。1974 年日本科學家谷口紀男則是首度創造「奈米科技」這個詞的人，他認為奈米科技包括原子與分子層次的分離、固定與變形。

過去有不少科學家嘗試奈米材料的研發，但受限於製造技術不成熟，而無法順利製作出精細製程的奈米材料。1981 年，在掃描隧道顯微鏡（Scanning Tunneling Microscope, STM）發明之後，不僅有助於材料的微觀分析，操縱單個原子和分子也成為可能，奈米科技也逐漸實現。

無處不在的奈米科技？

我們生活周遭的奈米科技俯拾即是，從大賣場商品到半導體產業的電子元件都有。謝雅萍舉例：防曬霜之所以是白色，是因為裡面有二氧化鈦的奈米顆粒；許多塗料與噴漆亦會以奈米添加物，來增進耐蝕、耐磨、抗菌與除汙的特性，例如汽車鍍膜或奈米光觸媒；羽球拍或牙醫補牙會使用奈米樹脂，讓球拍和補牙結構更堅固。

至於半導體產業，奈米科技更是關鍵。透過縮小元件尺寸以及調整奈米元件的幾何形狀，以便於在單一晶片上乘載更多電晶體。「當今的電晶體大小皆是奈米等級，製作電子元件就等同在處理奈米科技的問題」，謝雅萍說道。

實驗中的難題，反而促成驚奇發現？

鐵電性是什麼？二維奈米薄冰有哪些可能的應用方式？

對謝雅萍來說，發現二維的奈米薄冰是個意外的驚喜。最初謝雅萍團隊其實是要製作以石墨烯為電極的開關，畢竟石墨烯是實驗室的主要研究項目，理論上當兩層石墨烯很靠近時，分別給予兩端電壓會是導通的「ON」狀態，沒電時就是斷開的「OFF」狀態。

然而，實驗過程中團隊卻發現當電壓為零時，石墨烯開關仍會導通，甚至要給予負電壓時才會成為 OFF 狀態。這個奇特的現象讓研究團隊苦惱許久，嘗試思考了各種可能性，但都無法完善的說明此現象。

「原本以為實現石墨烯開關應該是一件能夠很快完成的題目，沒想到過程中卻出現了這個意料之外的難題，因此這個研究比預期多花了一兩年」，謝雅萍無奈地笑道。

靈感總是突如其來，某次謝雅萍在與朋友討論研究時，突然想到一個可能的方向：「一直以來都有人猜測水是否為鐵電材料，但都沒有真正證實。臺灣氣候潮濕，開關關不緊會不會就是水的影響？」

設計實驗跑下去之後，謝雅萍團隊終於擺脫了一直以來的疑雲。原來，兩層石墨烯結構中，真的有水分子的存在！「一般水分子用手去捏，還是會維持液體的狀態。但是我們發現，當水被兩層石墨烯擠壓到剩下原子厚度時，水分子就會變成具有鐵電特性的二維薄冰！」，謝雅萍開心地說道。

換句話說，當極限擠壓之下，水會結成冰，而這層超薄的平面奈米薄冰會轉變成鐵電材料，而且可以在室溫下穩定存在！

鐵電材料乍聽之下很抽象，謝雅萍表示：「相較於會吸磁鐵的鐵磁材料，大多數人對鐵電材料比較不熟悉，其實概念十分相似」。她說，鐵磁材料經過外加磁場的「磁化」之後，即使不加磁場仍可維持原本的磁性。相對地，鐵電材料經過外加電場的「極化」之後，即使不加電場仍可維持原本的電荷極化方向。

謝雅萍團隊發現的二維冰具有鐵電性，這意味著水分子的正負極在外加電場之下會整齊排列，形成一個永久的電偶極，並且在電場消失後保持不變。

接著，謝雅萍發現，二維冰的鐵電性只存在於單層原子，增加多層原子之後，鐵電性會消失，變成普通的冰，這是因為多層原子的交互作用會打亂原本的極化排列。因此研究團隊發現的二維冰，是非常特殊的固態水，不是手搖飲加的冰塊那麼簡單。

因為石墨烯的擠壓和固定，二維冰可以在室溫下穩定存在，不會蒸發。謝雅萍團隊實驗發現，要升溫到攝氏 80 度，被夾住的二維冰才會變成水。如此大範圍的操作溫度，這讓謝雅萍開始思考將二維冰作為鐵電材料使用的可能性。

於是，謝雅萍團隊嘗試開發新型的電子元件，他們將二維冰與石墨烯整合成機械式的奈米開關。由於二維冰具有鐵電特性，在施加不同外加電壓之後，元件可以維持上次操作的電阻值，並保留至下次操作，有這種特性的元件稱為「憶阻器」（memristor）。

憶阻器這個詞是由記憶體（memory）與電阻（resistor）組合而成，字面上的解釋便是：具備記憶先前電阻值的能力。

謝雅萍表示：「我們可以藉由不同的外加大電壓寫入電阻值，再以微小電壓讀取之前的電阻值，允許快速存取」。而單獨一個二維冰奈米開關可以記住 4 個位元的資料，具備未來記憶體的發展潛能。

此外，二維冰奈米開關也是很好的開關裝置，團隊驗證導通電流和截止電流的比值可以達到 100 萬，開路和斷路的功能極佳，並且允許雙向操作。而開關的功能經過 1 萬次循環還不會衰減，相當穩定。

謝雅萍團隊是全世界第一個證實二維薄冰鐵電性的團隊，並實現第一個以石墨烯為架構的二維冰機械式憶阻器。她的團隊將往新穎二維材料的方向繼續邁進，目前實驗室有和台積電（TSMC）合作，希望透過產學合作，將更多奈米技術的應用落地實現。

與二維材料實驗的相遇？

謝雅萍目前除了是中研院原分所的副研究員，同時也是國立臺灣大學 MY Lab 實驗室的共同主持人，她和人生伴侶 Mario Hofmann 教授共同指導的 MY Lab 發揮了 1+1>2 的效果，創意與想法的激盪和交流，是產生傑出研究的關鍵。

回到碩博士時期，謝雅萍都在臺大物理所，鑽研材料的光電性質與新穎光電元件的機制。她回憶：「當時我們都要向化學系要材料，他們給什麼我們就得用什麼，但難以了解整個材料製造的細節。」後來她體認到，擁有製造材料的調控能力才能真正突破元件設計上的侷限。

謝雅萍在博士班時申請到了千里馬計畫，讓臺灣博士生獲得國科會補助前往國外頂尖研究機構，進行為期約半年至一年的研究。「我認為這個計畫非常好，也可以幫助學生建立重要人脈！」在指導教授引薦下，謝雅萍因緣際會進入美國麻省理工學院（MIT）的二維材料實驗室，自此與二維材料結下不解之緣，她認為：「好材料與好元件是相輔相成的，前瞻材料更是如此。」

「我到了 MIT 之後，深刻體悟到他們做研究的態度與臺灣學生的不同。臺灣學生像是把研究當作一份工作，然而我在 MIT 時就感受到他們學生對於自身研究的熱忱。討論風氣也非常盛行，學生之間會互相分享自己的研究內容，互相幫忙思考、激盪出新想法」，謝雅萍分享自己在 MIT 時期的觀察。

當年二維材料還在萌芽階段，她所在的 MIT 實驗室已是此領域的佼佼者，她也因此立下了目標：「希望未來我有能力時，能夠自己掌控自己的材料做出好元件！」如今，謝雅萍正走在自己目標的道路上，過去認識的朋友也都是各頂尖大學的二維材料實驗室主持人，直到現在都還會互相幫忙。

從物理到二維材料，身處這些男性為主的學術環境，謝雅萍顯得自在，而且積極參與討論和交流。「我發現女科學人會把自己變得較中性，讓自己融入整個以男性居多的環境中，才不會在團體中有突兀的感覺」，她分享道。

謝雅萍的實驗室 MY Lab，是與臺大物理系 Mario Hofmann 教授共同主持的奈米科技實驗室，他們除了是工作上的夥伴，更是人生中的最佳拍檔！當初兩人就是在美國麻省理工大學 MIT 相識，再一起回到臺灣。

讓「研之有物」團隊好奇的是：這種共同主持的模式與一般實驗室相比，是否有特別之處？

「從多個面向而論，我認為都是 1+1>2 的」，謝雅萍說道，「實驗室會有兩倍的資源、儀器、計畫與兩倍的人脈。遇到一個題目，兩個人思考時會從不同的觀點切入。即便是夫妻，我們在研究上看的面向也都不一樣，因此可以激盪出許多有趣的想法」。

她補充，不僅對實驗室本身而言，對學生也有很大的好處，「因為學生的研究必須同時說服我們兩個人，代表學生的研究成果會非常扎實，也可以為學生帶來信心。」重要的是，「學生也會得到兩倍的照顧與關愛，我覺得我們的學生是蠻幸福的」，謝雅萍笑笑地說。