沒看過打不壞的木製球棒？最新「加工法」讓木材硬度堪比金屬！

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

邁向 2050 淨零轉型，當企業在面對客戶價值鏈要求時，導入 ESG 早已成為提升營運績效的重要指標。而「產品碳足跡」是企業在品質、價格、規格之外，貼近客戶價值鏈、爭取國際品牌廠青睞的重要關鍵。透過本文一起深入探討，如何有效率地開展產品碳足跡計算與報告領域。

本文轉載自宜特小學堂〈把握淨零轉型契機　用產品碳足跡提升 ESG 績效〉，如果您對半導體產業新知有興趣，歡迎按下右邊的追蹤，就不會錯過宜特科技的最新文章！

全球氣候變遷早已成為國際間重要環境議題，目前不同國家和地區具有針對碳足跡的要求和指南，例如：法國的 ADEME（環境和能源管理署）指南和日本的碳足跡計劃；而國際大廠（包含 Microsoft 及 Bosh 等車電大廠等）也積極推動供應商碳足跡管理，以降低整體供應鏈的碳排放，致力於實現其永續發展目標（Sustainable Development Goals，簡稱 SDGs）。臺灣也針對「2050 淨零轉型」提出四大策略及兩大基礎。

企業導入產品碳足跡可以幫助其成為客戶 ESG（Environmental, Social, and Governance）發展策略中重要合作夥伴，促進長期合作關係。然而，在企業開始進行碳足跡計算時，常常會面臨邊界設定、數據收集與量化等方面的各種問題，不知道該從何下手導致進展受阻。

宜特科技已有為數百家企業提供輔導服務的豐富經驗，成功協助客戶獲得多項增值認證，順利進入國際產業供應鏈。在本文中，我們將分享透過實例經驗，並深入探討如何有效率地開展產品碳足跡計算與報告領域，滿足客戶在 ESG 需求，從而幫助企業在國際供應鏈中保持競爭優勢！

產品碳足跡-基於生命周期評估（Life Cycle Assessment，簡稱 LCA）

碳足跡是一種特定的環境指標，用於量化某個活動、產品或服務在生命周期內，直接和間接產生的溫室氣體排放量，通常會以二氧化碳當量（CO_2e）來表示。而產品碳足跡是基於 ISO 14040  和 14044 所定義之系統化的方法，針對整個生命周期中對暖化的影響加以評估，這其中包括從原材料的獲取、製造、使用到最終處置的各個階段排碳量。

( 一 ) ISO 14040：生命周期評估原則與框架（Life Cycle Assessment-Principles and Framework）提供了 LCA 的總體框架和原則，涵蓋了 LCA 的基本概念、應用範圍和限制，以及進行 LCA 的基本步驟和程序。

( 二 ) ISO 14044：生命周期評估需求與準則（Life Cycle Assessment-Requirements and Guidelines）描述了 LCA 各階段的技術要求，包括數據收集、數據品質、影響評估方法和解釋結果的方法。ISO 14044 對 LCI（Life Cycle Inventory，生命周期清單）　的實施提供了全面指導和技術要求，LCI 作為 LCA 的一個關鍵階段，在 ISO 14044  的框架下進行，可以確保其數據的品質和結果的可靠性。常見 LCI 如下：

綜合上述 LCA 提供了一個全面的環境影響評估，可以幫助企業和決策者了解各種環境影響並進行綜合決策；LCA 涵蓋了多種環境影響指標（如暖化效應、臭氧層破壞、資源消耗、酸化效應、生態毒性等），而碳足跡是則聚焦於暖化效應。

產品碳足跡系統邊界設定：

設定產品碳足跡盤查範疇（Boundary）是準確量化碳足跡的關鍵步驟。此過程包括確定哪些生命週期相應階段、活動和排放源應被納入碳足跡計算，並據此推動相關減排措施。基於生命週期的產品碳足跡，通常會涵蓋以下幾個主要階段：

1. 原材料獲取：從自然資源中提取和加工原材料。
2. 生產：製造和裝配產品的過程。
3. 運輸和配銷：產品從生產地運輸到消費地的過程。
4. 使用：產品在其使用壽命期間的階段。
5. 最終處理階段：產品使用壽命結束後的處理，包括回收、再利用或廢棄處置。

完成生命週期設定後，需要進一步定義產品系統的邊界，包括哪些過程和活動應該納入盤查範疇。例如對於包材，應涵蓋包材的生產、製程中的能源消耗以及廢棄包裝的處理等完整階段，以供後續執行數據分配，如下圖所示：

若屬於 B2C 產品將涵蓋上述完整五個階段，而 B2B 產品則只包含上述前兩階段；下圖是 B2C 產品碳足跡的案例。

量化產品碳足跡：依據 ISO14067 產品碳足跡來量化要求與指引

ISO 14067 提供了關於如何量化產品碳足跡的詳細指引，產品碳足跡計算基於「活動數據」與「排放係數」，下圖為相關案例。

( 一 ) 如何蒐集活動數據

基於生命週期的不同階段，說明如下：

  1. 原材料階段

• 原材料（包含輔材與包材）使用量：每種原材料的數量和重量。
• 原材料製造過程的排放：包括從自然資源提取和加工過程中的溫室氣體排放。
• 運輸數據：原材料從提取地點到加工廠的運輸距離和運輸方式（如貨運、海運等）。

  2. 生產階段

• 能源消耗：生產過程中使用的電力、燃料（如天然氣、汽柴油）等能源的消耗量。
• 製程排放：生產過程中直接排放的溫室氣體（如化學反應產生的排放）。
• 廢棄物管理：製造過程中產生的固體廢棄物、廢水和廢氣的處理過程中，涉及燃燒、分解等清理方式之處理量。

  3. 運輸和分銷階段

• 運輸距離和方式：產品從生產地到消費地的運輸距離和運輸方式。
• 運輸工具的能源消耗：運輸過程中運輸工具的燃料消耗量和類型。

  4. 使用階段

• 使用過程中的能源消耗：產品在使用過程中消耗的能源（如家電使用的電力，車輛使用燃料等）。

  5. 最終處理階段

• 廢棄物處理方式：產品生命終期（End of Life）不同處理方式（如焚燒、掩埋）對應之處理量。

( 二 ) 蒐集與應用排放係數

藉由排放係數（Emission Factors，簡稱EF）可將活動數據（如能耗、材料使用等）轉換為溫室氣體排放量。ISO 14067 提供了量化產品碳足跡相關指引，幫助企業有效地收集和應用排放係數。以下是收集和使用排放係數的步驟和建議：

1.選擇排放係數來源

• 官方資料庫：使用來自政府和國際組織的標準化排放係數，例如： United States Environmental Protection Agency（EPA）的排放係數資料庫、European Environment Agency（EEA）的排放係數、國際能源署（IEA）的能源數據以及台灣碳足跡資料庫。
• 供應商提供的一手數據（Primary Data）：來自供應商自行盤查的數據。
• 第三方商業資料數據：市售第三方商業數據庫和工具，如 Ecoinvent（Simapro）和 GaBi。

2.評估和選擇排放係數

• 地理相關性：確保排放係數與產品生產和使用的地理位置相關。例如，電力生產的排放係數在不同國家或地區可能差異很大。
• 時間相關性：使用最新的排放係數數據，因為技術更新可能會影響排放量。

 3.應用排放係數

• 計算流程標準化：在計算產品碳足跡時，應建立標準化計算流程來應用排放係數，確保一致性和可比性。
• 善用軟體工具：使用專門 LCA 軟體工具來管理和應用排放係數，如 SimaPro、GaBi 等。
• 數據整合：將排放係數整合到產品碳足跡的計算公式中，與活動數據（如能源使用、材料消耗等）相結合，以計算總的溫室氣體排放量。

確保碳足跡量化數據品質

ISO 14067 對數據品質管理提出了明確的要求，以確保產品碳足跡量化準確性和可信度。以下是 ISO 14067 對數據品質管理的主要要求：

1. 數據品質的評估指標

• 代表性（Representativeness）：數據應該反映真實的情況，包括地理範圍、時間範圍的相關性。
• 一致性（Consistency）：應使用一致的方法和假設來收集和處理數據，確保不同數據集之間的可比性。
• 可靠性（Reliability）：數據應該來自可信的來源，並經過適當的驗證。
• 精確度（Accuracy）：數據應該盡可能準確，減少誤差。
• 完整性（Completeness）：數據應該包含生命週期各階段重大排放，確保碳足跡計算的全面性。
• 可追溯性（Traceability）：數據來源和處理方法應該可追溯至原始單據，以便審查和驗證。

   2. 管控數據品質

• 內部稽核：定期進行內部查核，評估數據品質，確保數據的準確性和可靠性。
• 外部驗證：在必要時，進行外部驗證，確保數據和碳足跡計算結果的可信度。

   3. 執行數據敏感度分析

• 碳足跡的敏感度分析是確保碳足跡計算結果的可靠性和準確性的重要步驟。敏感度分析有助於識別和理解不同參數對碳足跡數據的影響，從而幫助決策者進一步優化產品環境表現。
• 執行方式為識別在碳足跡計算中使用的所有主要參數（能源消耗、材料用量、排放係數）等。選擇那些對結果有較大影響或存在較大不確定性的變量進行分析。
• 執行方式為單因素分析（逐一改變每個變量，在保持其他變量不變的情況下，逐一調整每個變量的值，計算並記錄每次調整後的碳足跡結果）或多因素分析（同時改變多個變量，評估這些變量之間的交互作用及其對碳足跡結果的綜合影響）。
• 根據敏感度分析結果，提出具體的改進方案，例如替換高碳排放材料、提高能源效率等。

 4. 持續改善和更新

• 持續改進：定期檢討和改進數據收集和處理流程，採用最新的技術和方法，提高數據品質。
• 數據更新：根據最新的技術、方法和排放因子，定期更新數據，確保碳足跡計算的準確性。

ISO 14067 對數據品質管理的要求涵蓋了數據收集、評估、管控、改進的各個方面。通過遵循這些要求，企業可以確保其產品碳足跡計算的數據是準確、可靠和透明的，從而提高碳足跡報告的可信度和科學性。

碳足跡與產品環境宣告（Environmental Product Declaration）：

產品碳足跡和產品環境宣告（Environmental Product Declaration，簡稱 EPD）是兩個相關但不同的概念，它們都提供產品的環境衝擊資訊，以幫助企業與消費者做出更可持續的選擇。

產品環境宣告是根據 ISO14025 國際標準所編制的技術文件，提供產品在生命周期內的環境影響資訊。EPD 基於生命周期評估（LCA）數據，可申請第三方認證。產品碳足跡通常是 EPD 中的一部分數據，尤其是在全球變暖潛勢（GWP）方面。EPD 包含了更廣泛的環境影響數據，而碳足跡專注於溫室氣體排放，相關範例如下：

產品碳足跡和產品環境宣告（EPD）兩者都是評估和傳達產品環境影響的重要工具。產品碳足跡專注於溫室氣體排放，而 EPD 則提供全面的環境影響資訊。兩者結合使用，可以幫助企業和消費者做出更可持續的選擇，推動環境保護和可持續發展。除了 ISO14067 外，溫室氣體議定書（GHG Protocol）也提供了計算產品碳足跡的詳細指導方針和方法。

自 2011 年起，宜特透過經濟部技術處科技專案「產品碳足跡與節能減碳資訊服務平台暨工具開發計畫」，積累輔導國內指標企業導入碳足跡的豐富經驗。我們認為，供應商碳排占比與減量機會，都是彰顯「產品環境績效」之關鍵，這正是導入碳足跡的重要目的之一。

因此供應商實地盤查至關重要，尤其針對排放貢獻占較大的本土供應商，宜特已定義出約 30 種盤查指標，企業可利用相關數據，偕同供應商建構減碳價值鏈。

我們輔導的客戶中包含全球知名代工龍頭廠、半導體設備製造廠、IC 設計廠商、光電業、電子元器件製造業、電子系統廠、傳產等國內上市櫃公司。在 ESG 輔導方面，亦有協助溫室氣體盤查、產品碳足跡、氣候相關財務揭露建議（TCFD）及 SBTi （科學基礎減量目標倡議，Science Based Targets Initiative）與 ISO 50001 能源管理與節能等相關輔導服務。

本文出自 宜特科技。

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。