防彈衣跟 T 恤一樣輕？用了蜘蛛絲就可能！ ———《追光之旅：你所不知道的同步輻射》

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

本文轉載自中央研究院「研之有物」，為「中研院廣告」

• 採訪撰文｜簡克志
• 責任編輯｜簡克志
• 美術設計｜蔡宛潔

降低碳排還不夠，奈米材料幫你直接減少二氧化碳！

氣候變遷問題日益嚴重，2023 年 9 月成為全球有史以來最熱的月份，臺灣夏天飆破 38 ℃ 的頻率逐漸增加。為了避免地表升溫超過工業化前水準的 +1.5 ℃，世界各國訂出 2050 年淨零排放的目標，設法減少大氣中的溫室氣體。減碳解方除了低碳電力之外，直接減少二氧化碳也是一條路徑。中央研究院「研之有物」專訪院內原子與分子科學研究所陳貴賢特聘研究員，他的研究專長是奈米能源材料，我們將介紹一種複合光催化材料：硫化鋅（ZnS）／硫化銦鋅（ZnIn₂S₄，簡稱 ZIS），在太陽光照射下，此材料表面發生的氧化還原反應，會將二氧化碳還原成有用的工業化學原料！

地球「保冷」計畫——減碳是關鍵

我們每天排放多少二氧化碳？根據 Our World in Data 的人均二氧化碳排放數據，2021 年全球每人排放的二氧化碳為 4.69 噸，而燃燒 1 公升的汽油大概會產生 2.3 公斤的二氧化碳。換算一下，每人每天排放二氧化碳約為 12.8 公斤，相當於每人每天消耗 5.6 公升的汽油！

根據聯合國政府間氣候變化專門委員會（IPCC）的特別報告「全球暖化 1.5 ℃」，人類活動排放的溫室氣體，已經讓地球表面平均溫度上升了 1 ℃。若以人類目前經濟模式發展下去，碳排放量可預期將不斷上升，大量溫室氣體將讓暖化現象與極端天氣事件更加劇。

氣候科學家警示，地球表面平均溫度需控制在 +1.5 ℃ 以內 ^{註 1}，否則將有不可逆的後果，例如生物多樣性大幅度降低的風險。因此，世界各國有了 2050 年淨零排放的共同目標，並不是說都不排碳了，而是要設法讓溫室氣體的碳排放量和碳減少量相互抵消，達到「淨零」的目標。

要達到淨零的目標，除了尋找與開發減碳電力之外，直接減少二氧化碳也是一個方法。想像一下，如果可以像植物一樣，只要照太陽光，就把二氧化碳變成有價值的碳氫化合物，聽起來不錯吧？但是二氧化碳做為燃燒後的產物已相當穩定，要如何以人工方式讓二氧化碳再次參與反應？

我們可運用「陽光」與「光催化材料」（又稱光觸媒，photocatalyst），不僅可以減碳，還能產生有價值的碳氫化合物，是一種「一舉兩得」的方法！

光觸媒（光催化）材料是什麼？

在談到光催化材料之前，先複習一下「催化劑」這個概念，催化劑不參與化學反應，但是它讓原先不可能的化學反應變得可行！陳貴賢分享，這就像過去從臺北到宜蘭需要翻過雪山，經過九彎十八拐的北宜公路；但如今有了「雪山隧道」之後，就大大降低臺北到宜蘭的時間與難度。「雪山隧道」就是臺北通往宜蘭的催化劑。

除此之外，催化劑也可以說是推進人類歷史發展的重要角色！在過去，農作物施肥只有天然氮肥可以使用，產量有限。而肥料意味著糧食增加與生產力增加，《巫師與先知》這本書就提到位於秘魯的鳥糞島嶼成為各家跨國公司必爭之地。另一方面，波斯人也在各地建造供鳥類休息的高塔，用來收集當肥料用的鳥糞。

到了近代，陳貴賢提到在 20 世紀初，德國科學家哈伯（Fritz Haber）透過催化劑，在高溫高壓的條件下，以鐵粉做為催化劑，讓氮氣和氫氣轉換成氨。這讓人工固氮成為可能，人類不用再依賴緩慢的生物固氮反應就可以合成化學氮肥，農作物產量也大幅提昇。

本文主角「光催化材料」，顧名思義就是協助光化學反應的催化劑，但光催化材料與一般催化劑不同的地方在於，其化學反應通常發生在固態的表面環境，目標反應物、光子和電子都有參與反應。

比起光催化材料，你可能更常聽到它的同義詞「光觸媒」，例如某某產品宣稱具有「奈米光觸媒消毒」的功能，其實就是照射足夠的光，讓材料表面的氧化還原反應把細菌分解。而之所以光觸媒需要做到奈米尺寸，這是因為奈米小顆粒可以改變物質的電子能量結構，且大幅增加反應的表面積，讓光催化反應更有效率。

陳貴賢：「一個高表面積的奈米粉末，它的表面積可能是薄膜的一萬倍，甚至於十萬倍。」

給你電子，還你原形！光催化材料上的氧化還原反應是怎麼發生的？

光催化材料之所以能夠減少二氧化碳，是因為照光後材料表面發生「氧化還原反應」，氧化反應會失去電子，還原反應會得到電子。陳貴賢與團隊開發的複合光催化材料：硫化鋅（ZnS）／硫化銦鋅（ZnIn₂S₄，簡稱 ZIS），可以讓二氧化碳還原成甲醇（CH₃OH）和乙醛（CH₃CHO），這兩種產物都是工業常用的化學原料。反應式如下：

要持續減少二氧化碳，就要持續發生上述還原反應，持續供給電子。不過，我們要怎麼讓電子快速又順利的補充到材料表面？這裡就開始涉及到半導體的核心問題：電子與電洞的產生、分離和傳輸。

陳貴賢與團隊開發的複合光催化材料：ZnS／ZIS，是結合兩種奈米半導體材料，透過水熱法合成，將 0 維的 ZnS 奈米顆粒沉積在 2 維的 ZIS 奈米片之上，形成 0D-2D 結構的 ZnS／ZIS 複合物，就像製作巧克力豆餅乾，不過要複雜得多。

既然 ZnS／ZIS 是半導體，當受到光照之後，原來的價帶（valence band）電子會被光激發成導帶（conduction band）電子，原本價帶電子佔據的位置則留下一個空位，就是電洞。電子和電洞的遷移，就是半導體形成電流的原因，因此電子和電洞都稱為「載子」（charge carrier）。

還記得上面的還原反應嗎？

對光催化材料來說，為了在光照環境下把二氧化碳還原成乙醛和甲醇，必須獲得穩定的電子來源，材料內部要迅速補充電子到表面，因此：

照光產生的電荷載子數量越多越好；產生的電子和電洞要傾向分離，分得越遠越好；電子和電洞越快移動到表面參與反應越好。

載子輸送要快速穩定，首先照光產生的載子要多，就有更多電子和電洞參與反應。分離載子是為了避免復合，照光產生的電子和電洞很容易復合，一旦復合，等同於減少載子。再來是載子越快移動到表面越好，可以讓每次的氧化還原反應都是最佳效率。

尋找最有效的光催化材料

陳貴賢團隊總共做了 4 種不同比例的 ZnS／ZIS 光催化材料，依照 Zn:In 比例 1:0.12、1:0.26、1:0.46 和 1:0.99，分別標記為 ZnS/ZIS-1、ZnS/ZIS-2、ZnS/ZIS-3 和 ZnS/ZIS-4。其中，ZnS/ZIS-3 的光催化效果最好，可以有效減少二氧化碳，產生最多的乙醛和甲醇（如下圖）。

為了驗證光催化材料產生有效載子的效率，陳貴賢團隊計算了 ZnS/ZIS-3 的總 AEQ 值（apparent quantum efficiency），用來評估「照到光催化材料上的每顆光子數量，產生了多少實際參與催化反應的電子數」。測量之後，ZnS/ZIS-3 的 AEQ 值為 0.8%，量子效率比單獨的 ZnS 材料提高了將近 200 倍！

這也是為什麼陳貴賢團隊要使用兩種不同的材料結合，因為單一半導體材料照光產生的電子和電洞有很高的復合機率，選擇兩種不同的半導體材料組合，讓兩種材料形成特殊的「能量階梯」就可以有效分離電子和電洞，並且把電子送到它該去的材料表面。

此外，使用兩種半導體材料的好處還有「二次激發電子到更高能階」，以符合光催化反應的能量門檻，自由電子掙脫 ZnS 的束縛之後，繼續往 ZIS 跑，光的能量會繼續把電子往上送到更高能級的材料表面，還原二氧化碳的反應在此發生。

Z 字形跑比較快！控制材料之間的微應變提升氧化還原效率

關於光催化材料的二次激發，陳貴賢提到：「材料低能階，然後光子進來後，把電子激發到高能階去做反應，太陽能電池也是這樣。但是呢，有時候沒那麼剛好，例如激發後的能階不夠高，雖然激發上去了，但電子沒有辦法跟二氧化碳做反應。那我把兩個材料拼在一起，電子上去以後又下來，然後再吸收第二個光子上去，那就變得很高了，高了以後它的反應效率就提升很多。」

如果我們把光催化材料的二次激發過程畫成示意圖，如下圖所示，電子在 ZnS 束縛區受到第一次光子的激發，變成自由電子，接著經過設計完善的材料介面，先降到較低的 ZIS 束縛區，受到第二次光子的激發，再次變成自由電子，跑到光催化材料的表面，和二氧化碳發生還原反應，將二氧化碳變成可再利用的乙醛和甲醇。

看看電子走過的路，如果向左歪著頭看，是不是就是一個 Z 字呢？科學家把這個過程稱為「直接 Z 方案」（Direct Z-scheme）。「直接」的意思是，電子從 ZnS 跑到 ZIS 的過程，不需要再經過一個中間地帶，降低電子和電洞復合的機會。

為什麼陳貴賢團隊設計的「直接 Z 方案」光催化材料，電子可以不需要中間的「轉接站」，直接轉移到另一個材料上呢？這裡也有一個巧思：不同材料之間的「微應變」。

不同材料的晶體排列規律是不一樣的，當兩種材料接在一起時，接面處會發生「晶格不匹配」，也就是兩種材料的原子會互相卡到、晶格微微變形。但是，如果我們可以控制微應變（Strain）的程度，就可以控制兩種材料「能量階梯」的相對位置，微應變可以讓材料接面自動帶有「轉接站」的功能，進而形成一個內部電場，讓電子和電洞更能快速分離，提高光催化效率。

總之，陳貴賢團隊開發的這套材料組合，是有微應變誘導的直接 Z 方案光催化材料，可做為未來量產光催化材料的研發設計參考，同時也是減碳的解方之一。

綠能趨勢——光催化材料未來可期

陳貴賢表示，目前表面科學和材料是中研院原分所的主要研究領域，他的實驗室選擇能源材料作為研究主軸，有太陽能電池和熱電材料，同時團隊也專注研究可還原二氧化碳的光催化材料，以及與燃料電池相關的催化劑。

陳貴賢看好將來能源材料的發展，因為在 2050 淨零排放之前，有愈來愈多企業紛紛加入「RE100 倡議」的行列，企業必須承諾最晚於 2030 年前使用 100% 再生能源。最著名案例是科技巨頭蘋果、Google 和微軟等公司都已宣布其全球供應鏈將符合 RE100 的要求。其中，台積電為蘋果主要供應商，2020 年也加入 RE100，目前為臺灣再生能源的主要買家。

可以預見，將來風能、太陽能與燃料電池的相關材料有其市場需求，而能夠減少二氧化碳的光催化材料，也將成為全球減碳的利器。陳貴賢提到，當前光催化材料還在基礎研究階段，目前的人工光合作用效率約 1%，接近大自然效率，而團隊希望提升到至少 5% 到 10% 以上，方能有其實用價值。

陳貴賢進一步強調，未來效率提高之後，能夠轉化二氧化碳的光催化材料就會有很大的經濟價值，不僅轉化後的燃料可以賣錢，處置二氧化碳原料亦可以收取負碳費用，是一種前所未有的概念。

註解

1. 根據 IPCC 的資料，如果要將全球暖化幅度控制在 +1.5 °C 以內，必須在 2050 年左右達到二氧化碳的淨零排放目標，同時也要大幅度降低非二氧化碳的溫室氣體排放，特別是甲烷。

本文由 LOCTITE® 樂泰 委託，泛科學企劃執行。

「結構接合」這個詞雖然很陌生，卻存在於我們四周！

只要能將兩塊材料黏在一起，拿起來不會散掉，都能被稱作「結構接合」，像是傢俱或電器產品上，就有許多螺絲把兩塊零件固定起來，另外，工業上「複合材料」的製作，也是一種「結構接合」，像是自行車、飛機，或手機殼所使用的「碳纖維」，就是將碳纖維纏繞在塑膠上，再用接著劑固定所形成的複合材料。

簡而言之，這就是結構工程師的活兒！

結構接合的三種方法

一般來說，結構接合可以粗分為三種方法。

1. 螺栓（bolting）：也就是傢俱家電上的螺絲釘，用額外零件來把兩塊材料鎖緊，這種作法是最方便的，鑽個洞、鎖進去、大功告成，但最大的問題是受到的應力，會全集中在螺絲的洞口上，就像是你撕開用釘書機釘起來的文件，輕輕一扯，訂書針附近就會裂開，文件就會脫落。

2. 焊接（welding）：兩片金屬或熱塑性塑膠，可以局部加熱使材料熔化再冷卻後固定，或是用熔點較低的「焊料」加熱後直接接合，另外也有不需要加熱到熔點，透過外力敲打來接合的「鍛焊」，日本刀的刀身，是由「刀心」、「刃金」與兩塊「鐵皮」，藉由鍛焊的方式接合在一起。焊接雖然不會像螺栓一樣應力集中在洞口，但也會讓應力集中在焊接線上，此外，也不是所有材料都能用焊接加工。

3. 黏接（Bonding）：用膠水、三秒膠……等「接著劑」塗在兩塊材料的表面，形成「膠體」後黏在一起，好處是不會有上面提到的應力問題，但必須考慮接著劑的適用範圍，因此接著劑有非常多的不同型號，來應對不同材料或使用情境。由於黏接的應力問題最少且使用方便，因此在工業上被大量使用，除了取代原有螺栓與焊接，在「碳纖維」等複合材料製作上，接著劑可說是唯一的解決方案。

怎麼測量接著劑的效果？

測量接著劑的效果，相當於測量膠體什麼時候會斷裂。在材料力學上，通常會討論「拉伸（Tensile）」、「擠壓（Compression）」、「剪切（Shear）」這三種行為，對材料造成的影響。

要測量上述三種情況，我們可以用機器以特定方式，對受測物整體均勻緩慢施力，直到兩片材料分離，就能得到「理論上」膠體能承受的最大力量大小。這種均勻緩慢施力的測量方式，稱為「靜態分析」。

為什麼「靜態分析」得到的結果是「理論上」呢？這是因為真實世界的受力狀況，大多都不是均勻緩慢的。像是撞車就是「非均勻且快速」的衝擊，車子受力會集中在某個點上，且作用時間很短。

而針對接著劑的真實效果，通常會著重討論「膠體被撕開」的狀況，這包含了「劈裂（Cleavage）」與「剝離（Peel）」兩種情況，「劈裂」是撕開較為堅硬的材料時遇到的狀況，而「剝離」則是較有彈性的材料，基於接著材料的彈性差異，膠體斷裂的方式會不一樣。

上圖是劈裂與剝離的示意圖，會發現無論是劈裂還是剝離，膠體的受力都不是均勻的，會全部集中在裂縫邊緣上，我們無法用「靜態分析」來評估膠體的真實狀況，因此必須使用「動態分析」來確認。

經典動態分析—夏比衝擊試驗（Charpy impact test）

動態分析就是更接近真實狀況的分析（廢話），其精隨主要是在分析方法上，靜態分析是做「力」分析，而動態分析則改做「能量」分析，那為什麼改成「能量」分析就能更容易解決真實問題呢？

我們先想一個情況，當你用槌子把釘子釘到木板上時，突然想知道自己對釘子施了多少力。這時，你有兩個方法可以得到答案：

1. 用「力」分析：錄下槌子撞到釘子的過程，分析撞擊過程的受力狀況，包含槌子的運動軌跡、落下的角度、速度改變的過程。
2. 用「能量」分析：透過木板的阻力係數與釘子釘進木板的長度，回推撞擊的力量大小。

大家應該都會選第二種方法來算答案吧？因為比第一種來得簡單！這就是用「能量」的好處，我們可以不用考慮施力方向或運動變化，以更簡單的方式來得到相同的結果。

在動態分析中，最經典的分析方式就是「衝擊試驗」，大家直覺想到的可能是汽車的衝擊試驗，看安全氣囊會不會正常運作或是車體結構的受損狀況，這的確也是動態分析的一種，但今天，我們會從更基礎的夏比衝擊試驗（Charpy impact test）來說起。

夏比衝擊試驗會把左邊的擺錘當作衝擊力的來源，當擺錘拉高到一定高度後（h’），我們就能透過重力位能公式（E_g = mgh），知道他初始的能量是多少（W_h’），而樣本會擺在下方，之後釋放擺錘衝擊樣本。

當樣本被擊破了之後，擺錘會繞到另一邊並有一定的高度（h），透過這個高度我們能知道擺錘殘餘的能量有多少 （W_h），這時只要 W_h’ – W_h，就能得到作用在樣本上的能量有多少了！

衝擊試驗的好處是，我們可以在同樣能量的情況下，透過改變樣本的形狀與撞擊點等條件，模擬出更接近真實的狀況。

LOCTITE® 樂泰：眼見為憑 – Seeing is Believing！

LOCTITE® 樂泰是全球接著劑的龍頭，自開業初期，就秉持著「眼見為憑（Seeing is Believeing）」的理念，不僅在客戶面前直接實驗演示產品效果，更創建了「移動實驗室」，巡迴各地協助客戶分析與排除接著劑的使用問題。

自 1964 年以來 LOCTITE® 樂泰的移動實驗室一直有效地指導客戶和培訓銷售人員 – 拍攝於 Newington, Connecticut （美國康乃狄克州的紐因頓）。

如今 60 年過去，LOCTITE® 樂泰仍秉持著「眼見為憑」的精神，為客戶解決問題。

LOCTITE® 樂泰出品的接著劑，除了有做「膠合收縮測試」，也輔以其他「動態分析」來測試產品特性，幫助客戶快速取得不同材料接合的有效數據，以下是漢高 LOCTITE 樂泰實驗室在  PIDC 塑膠中心發表複合材料的部分實驗結果。

第一部分：碳纖維複合材料的動態測試報告

實驗材料大小為 2.5 x 114.3 x 1.6 mm，材料上下表面貼上「3K 碳纖維製成的 45° 單向布」，每一層碳纖維重（FAW）為 175 g/m²，材料表面粗糙度以算術平均數（Ra）取得的數值為 50 ~ 60 𝜇m。兩片材料以水平的方式上下堆疊，並用 5 種不同的接著劑，接合上下表面。

實驗方法為試驗衝擊，使用擺錘撞擊受測物體的接合處直到材料分開，來測試接著劑的抗衝擊性能，為了數據呈現的易讀性，我們將衝擊能量（Impact Energy）的大小，化約為衝擊參數（Impact index）。

實驗結果分為上接著劑後壓緊接著，中間沒有膠體空隙（Gap 0mm）的藍色數據；以及使用 Spacer 控制，有 0.17mm 的膠體空隙的紅色數據，我們可以發現在 3 號接著劑上，有著最好的抗衝擊性能。

第二部分：可回收熱塑型複合材料的動態測試

實驗材料為長興材料的可回收熱塑型複合材料 —— TP032C – U52。

材料大小為 2.5 x 100 x 1.6 mm，複合材料外部包覆的碳纖維是台麗朗的 TC36P，包覆的碳纖維重（FAW）為 110 g/m²，共包覆 8 層，材料表面粗糙度以算術平均數（Ra）取得的數值為 50 ~ 60 𝜇m。

實驗方法為垂直撞擊，透過改變高度與負重，來控制衝擊能量大小。

實驗結果為 4 號接著劑對可回收熱塑型複合材料的效果最好，但如果我們回頭看接著劑本身的特性，會發現 4 號也許沒有那麼適合，因為 4 號接著劑的固化溫度很高，已經超過熱塑形複材的熱穩定溫度上限，這樣的溫度很可能會讓熱塑型複合材料變形，因此固化溫度較低又有一定強度的 3 號或 1 號接著劑，才會是熱塑型複合材料的首選。

最後，LOCTITE® 樂泰也做了生動有趣的影片，來演示接著劑在不同狀況下的效果。

在影片中，LOCTITE® 樂泰先是用接著劑黏接兩個治具——S45C中碳鋼的單邊，並對有接著劑的單邊進行正向力測試，發現直到 6298 公斤重，都還不會分開，但只要從沒有接著劑的部分拉扯，只要 1124 公斤重，膠體就會剝離破壞。而這也正反映到前面所說的，必須對各種使用情境去做動態分析，才能知道接著劑的真正能耐！

延伸閱讀

LOCTITE®樂泰品牌官網

歡迎加入 LOCTITE®樂泰 Fanclub 工業用接著劑交流社團 交流專業接著知識!