3

18
1

文字

分享

3
18
1

善用會吃塑膠的細菌,分解寶特瓶不用再等 450 年

Sherry
・2021/04/16 ・2556字 ・閱讀時間約 5 分鐘 ・SR值 536 ・七年級

-----廣告,請繼續往下閱讀-----

生活中總有那種到商店選購了很多商品,結帳後卻發現自己忘記攜帶環保袋的經驗,這時候銅板價的塑膠袋就是把商品輕鬆帶回家的好選擇。根據統計,每年全世界使用高達 5 億個一次性塑膠袋。

你知道塑膠袋發明是為了重複使用嗎?

瑞典工程師圖林 (Sten Gustaf Thulin) 發明了第一個塑膠袋。因為相較於紙袋,塑膠袋較不容易因為潮濕或拉扯破損,利於重複使用,能減少樹木砍伐,而且相對於紙袋,塑膠袋也較能攜帶重物。透過塑膠袋的發明,圖林希望解決紙袋造成的環境問題。不過統計至今,其中超過半數的塑膠袋並沒有達成「重複使用」這個使用初衷,有許多塑膠袋反而被隨意扔棄在大自然中,造成了另一種的生態壓力。

過去幾年來,塑膠製品嚴重影響環境生態。數年前,一支我們習以為常的吸管卡進海龜鼻子裡,短短 8 分多鐘的 Youtube 影片,驚醒了許多人的環保意識,開始拒用一次性塑膠吸管,行政院環保署也在 108 年 5 月宣布一次性塑膠吸管使用規範。除了限制一次性使用塑膠吸管,部分商店與機構也紛紛推出自備環保餐具即享折扣的優惠,對於不得不使用的一次性塑膠製品,政府也提倡回收再利用。

2018 年,台灣塑膠總回收量為 53 萬公噸,而其中寶特瓶回收量則高達 54 億支,資源回收率號稱全球第三,寶特瓶的回收量更高達 95%,即便是這樣,每年仍有 2-3 億支寶特瓶流入大自然,因此除了推行塑膠減量外,科學家也開始思考如何減短膠製品的分解週期。

-----廣告,請繼續往下閱讀-----

發現會吃塑膠的細菌

塑膠製品那麼多,那就先從民生用品最常見的 PET(苯二甲酸乙酯)說起。

PET 是一種常見的塑膠材料,在衣服、包裝及地毯都可以看到它的蹤跡,其中 PET 最廣為人知的製品就是寶特瓶。PET 價格低、輕便的特性讓他成為常見的塑膠材料,不過卻也因為結構中將兩個單體聚合在一起的酯鍵並不容易被分解,因此有著驚人的抗生物分解能力,分解一支寶特瓶至少需要長達 450 年的時間。

即便數據顯示,目前寶特瓶的回收率並不低,但在台灣每年卻還是有 2-3 億支寶特瓶沒有成功回收。這些被遺忘的寶特瓶最終被丟棄在人類的生活軌跡,好一點的丟進垃圾掩埋場,運氣不好的則被帶入山林或流進海洋,再次造成野生動物們的傷害。

PET 有著驚人的抗生物分解能力,分解一支寶特瓶至少需要長達 450 年的時間。圖/Pexels

等等!剛才說分解寶特瓶需要 450 年,那就是還有辦法分解啊,所以只要找到這些年是誰在分解寶特瓶,事情不就好喬了?

-----廣告,請繼續往下閱讀-----

沒錯!首先想到的就是來自日本的研究團隊,他們將寶特瓶回收場的底泥、濕土、廢水,只要是有接觸到分解寶特瓶殘骸的環境樣本通通帶回實驗室。研究團隊將這些帶回來的樣本培養在 PET 塑膠薄膜上,希望看看是不是有微生物在分解 PET,可以靠著分解 PET 產生能量,維持細胞中的代謝與合成反應。

結果真的有。

2016 年,日本研究團隊發現了一株愛「吃」塑膠的新型細菌,這株細菌可以在大概 6 週的時間內,將 PET 薄膜完全分解。研究團隊將它命名為大阪堺菌 (Ideonella sakaiensis)。

生物產生的催化劑——酵素

找到新細菌然後呢?想知道他可能有什麼神奇的超能力,最快的方法就是送去定序。

研究人員根據定序結果發現細菌帶有一種水解酵素,推測這種酵素可能與大阪堺菌能分解 PET 有關。為了證明這樣的推測,研究人員進行酵素純化,並測試其分解 PET 的能力,發現在攝氏 30 度的環境中,酵素有最佳的反應效率將 PET 分解,決定命名為 PETase。

-----廣告,請繼續往下閱讀-----

團隊在找出大阪堺菌分解 PET 的關鍵機制後,成功以化學方法純化 PETase,擺脫微生物實驗中的許多條件限制。不過能在 6 週內分解 PET 塑膠薄膜只能確定酵素有分解的能力,但是真正要面對 2-3 億支比薄膜更厚實的 PET 寶特瓶,這樣的實驗成果遠遠不夠,因此科學家們紛紛開始思考如何加快分解 PET 的反應速率。

找到能分解塑膠的酵素,那能再快一點嗎?

2018 年英國樸茨茅斯大學 (University of Portsmouth) 研究團隊根據先前研究分析 PETase 的結構,發現其胺基酸序列與嗜高溫放線菌 (Thermobifida Fusca) 的水解酵素 TfH 有 52% 的相似度,但是兩者之間對於受質的專一性不同,其中 PETase 的結構相似於催化角質與脂肪酸分解的 α/β 水解酵素,因此研究團隊希望透過改變 PETase 的結構,設計出一種酵素能夠更快速分解 PET。

哈里·奧斯汀 (Harry P. Austin) 研究團隊將 PETase 的結構突變為更類似於此水解酵素,嘗試讓兩個水解酵素中的兩個活性位點,由殘基突變為保守氨基酸,使結合裂變窄,優化 PETase 對於 PET 的分解能力。在實驗中將野生型 PETase 和 PETase 雙突變體 (S238F / W159H) 透過掃描式電子顯微鏡進行比較(如圖 A-C),A 為緩衝溶液(對照組),B 為野生型 PETase,C 為 PETase 雙突變體 (S238F / W159H) ,在 pH7.2 的磷酸鹽緩衝溶液培養 96 小時後,可以看到對照組的 PET 表面沒有被分解產生的孔洞,而 PETase 雙突變體的孔洞較野生型 PETase 多且明顯,應證了雙突變的 PETase 在相同條件下,能更有效的分解 PET。

PETase 雙突變體 (S238F / W159H) 相較於野生型 PETase 更有效分解 PET。圖/參考資料 6

雖然透過科學家們的努力,在未來有機會利用蛋白質工程,嘗試更多組合,找到讓塑膠分解更快速的方法。不過以根本來說,降低塑膠使用量、在未來審慎考慮各種材料的利用,照顧好地球環境,才是我們的首要目標。

-----廣告,請繼續往下閱讀-----

參考資料

  1. Bag with handle of weldable plastic material
  2. How plastic bags were supposed to help the planet – BBC News
  3. 從海龜氣管拔出塑膠吸管
  4. 環保署公告「一次用塑膠吸管限制使用對象及實施方式」
  5. 台灣成就!寶特瓶回收率高達95%、資源回收率全球第3 但真的夠了嗎?
  6. 塑膠垃圾別亂丟,海洋分解得花600年
  7. Yoshida, S., Hiraga, K., Takehana, T., Taniguchi, I., Yamaji, H., Maeda, Y., … & Oda, K. (2016). A bacterium that degrades and assimilates poly (ethylene terephthalate). Science, 351(6278), 1196-1199.
  8. Austin, H. P., Allen, M. D., Donohoe, B. S., Rorrer, N. A., Kearns, F. L., Silveira, R. L., … & Beckham, G. T. (2018). Characterization and engineering of a plastic-degrading aromatic polyesterase. Proceedings of the National Academy of Sciences, 115(19), E4350-E4357.
文章難易度
所有討論 3
Sherry
2 篇文章 ・ 0 位粉絲

0

2
2

文字

分享

0
2
2
圖形處理單元與人工智慧
賴昭正_96
・2024/06/24 ・6944字 ・閱讀時間約 14 分鐘

  • 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?

黃仁勳出席2016年台北國際電腦展
Nvidia 的崛起究竟是時勢造英雄,還是英雄造時勢?圖/wikimedia

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。

-----廣告,請繼續往下閱讀-----

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:

-----廣告,請繼續往下閱讀-----
  • 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

-----廣告,請繼續往下閱讀-----

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?

圖形處理的例子

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。

-----廣告,請繼續往下閱讀-----
典型的CPU與GPU架構

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?

-----廣告,請繼續往下閱讀-----

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?

-----廣告,請繼續往下閱讀-----

(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)

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。
文章難易度

討論功能關閉中。

賴昭正_96
43 篇文章 ・ 54 位粉絲
成功大學化學工程系學士,芝加哥大學化學物理博士。在芝大時與一群留學生合創「科學月刊」。一直想回國貢獻所學,因此畢業後不久即回清大化學系任教。自認平易近人,但教學嚴謹,因此穫有「賴大刀」之惡名!於1982年時當選爲 清大化學系新一代的年青首任系主任兼所長;但壯志難酬,兩年後即辭職到美留浪。晚期曾回台蓋工廠及創業,均應「水土不服」而鎩羽而歸。正式退休後,除了開始又爲科學月刊寫文章外,全職帶小孫女(半歲起);現已成七歲之小孫女的BFF(2015)。首先接觸到泛科學是因爲科學月刊將我的一篇文章「愛因斯坦的最大的錯誤一宇宙論常數」推薦到泛科學重登。

2

2
1

文字

分享

2
2
1
奠定現代通信基礎的克勞德.香農(Claude Shannon)
數感實驗室_96
・2024/06/06 ・743字 ・閱讀時間約 1 分鐘

-----廣告,請繼續往下閱讀-----

本文由 國立臺灣師範大學 委託,泛科學企劃執行。 

以前小時候如果調皮不聽話,就會被大人叫去跪算盤,現在的家長家裡沒算盤了,反而會拿出電路板讓小孩跪。

咦?為什麼總是拿算數工具來懲罰小孩呢?

電路板上看似複雜電路板密密麻麻的,是電腦進行邏輯計算的關鍵。這小小的薄片能執行驚人的運算功能,背後的奧秘離不開一位傳奇科學家的貢獻。他不僅奠定了現代通信的基礎,還開創了人工智慧研究,這可不是一般人一生能做到的成就,但克勞德.香農(Claude Shannon)卻一次搞定。

-----廣告,請繼續往下閱讀-----

這位非凡的科學家是如何改變了我們的時代?

他讓我們今天能享受高效的通訊技術和智慧生活。如果你也覺得現在生活離不開手機和電腦,那你應該感謝這位數學和電機工程的天才。

對於 2000 年後出生的人而言,或許覺得用手機傳訊息、用電腦看影片再平常不過。但在 Shannon 出現之前,沒有人能系統性地定義「資訊」和「通訊」。他以其對動手實驗的熱忱,將這些看似無形的概念轉化為實際的理論,為世界帶來了一場資訊革命。

正是因為 Shannon 的卓越貢獻,我們才能享受如此便捷的現代通信技術。他不僅改變了科學的面貌,還深刻地影響了我們的日常生活。

Shannon 的故事也提醒我們,熱愛與好奇心是推動進步的核心力量。他用智慧和創造力,為我們打造現代通信的基礎,並開啟未來的無限可能。

-----廣告,請繼續往下閱讀-----

更多、更完整的內容,歡迎上數感實驗室 Numeracy Lab 的 YouTube 頻道觀看完整影片,並開啟訂閱獲得更多有趣的資訊!

所有討論 2
數感實驗室_96
76 篇文章 ・ 49 位粉絲
數感實驗室的宗旨是讓社會大眾「看見數學」。 數感實驗室於 2016 年 4 月成立 Facebook 粉絲頁,迄今超過 44,000 位粉絲追蹤。每天發布一則數學文章,內容包括介紹數學新知、生活中的數學應用、或是數學和文學、藝術等跨領域結合的議題。 詳見網站:http://numeracy.club/ 粉絲專頁:https://www.facebook.com/pg/numeracylab/

0

0
0

文字

分享

0
0
0
古人用的超大型手機?從烽火臺到智能手機:通信科技的演進
數感實驗室_96
・2024/05/13 ・883字 ・閱讀時間約 1 分鐘

-----廣告,請繼續往下閱讀-----

本文由 國立臺灣師範大學 委託,泛科學企劃執行。 

現代人手機普及率極高,你可能正在用手機閱讀這篇文章。

仔細想想,我們每天使用的手機真的很厲害。只需幾下操作,就能傳訊息、視訊通話,還能上網看影片、玩遊戲、使用社群網路等。

你可能知道全世界的第一支手機是 Motorola 在 1973 年 4 月 3 日推出的黑金剛,重達 2 公斤的程度。不過,早在幾千年前,其實已經有「手機」存在了。

-----廣告,請繼續往下閱讀-----

當時的手機不只兩公斤重或兩公升水壺大,甚至是有好幾層樓那麼高,那這些手機的傳輸速率也超級慢,看影片一定是不可能,連打電話聊天都辦不到。超級陽春,基本上只能傳遞「有」或「沒有」這樣的是非題。

應該有些人猜到了,其實就是「烽火臺」。

烽火臺是中國古代為了傳遞軍情所設計的通信系統。一座烽火臺上有幾位士兵,備有大量的稻草與木柴,如果看到敵人侵犯,或是前後的烽火臺燃起狼煙,士兵們就會立刻燃燒乾柴,釋放狼煙,傳遞攸關國家存亡的重要資訊。雖然,烽火臺的尺寸大小與現今我們常用的手機差很多,傳輸能力也差很多,但烽火臺還真是上古時代標準的通信設施哦!

接下來還會推出一系列「通信科技」相關的節目,內容囊括了通信發展的歷史故事、重要的通信科學家、通信相關的技術知識。

-----廣告,請繼續往下閱讀-----

讓你認識新聞報導中,常聽到的一些通信專有名詞,什麼是頻帶、頻寬?現代通信技術如此厲害的關鍵又在哪裡?甚至,這些技術跟我們平常在學校裡學到的各科知識,又有怎樣的連結呢?

這系列將用影片帶領大家進入這個有趣、改變全人類生活的通信世界,敬請期待哦!有更多想法也可以留言分享喔!

更多、更完整的內容,歡迎上數感實驗室 Numeracy Lab 的 YouTube 頻道觀看完整影片,並開啟訂閱獲得更多有趣的資訊!

討論功能關閉中。

數感實驗室_96
76 篇文章 ・ 49 位粉絲
數感實驗室的宗旨是讓社會大眾「看見數學」。 數感實驗室於 2016 年 4 月成立 Facebook 粉絲頁,迄今超過 44,000 位粉絲追蹤。每天發布一則數學文章,內容包括介紹數學新知、生活中的數學應用、或是數學和文學、藝術等跨領域結合的議題。 詳見網站:http://numeracy.club/ 粉絲專頁:https://www.facebook.com/pg/numeracylab/