衛星追蹤珊迪後污染趨勢

• 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。

2022 年 9 月 30 日，^[1]在巴黎時裝週 2023 春夏大秀上，近乎全裸的超模 Bella Hadid 緩步走上伸展台。她氣定神閒地，任由與法國時尚品牌 Coperni 合作的科學家們，用噴槍將液態布料覆蓋在她身上。^{[2, 3]}經剪刀裁去布邊，並劃出高衩，一件服貼簡約的雪白平口洋裝，當場完成，驚豔全場。^[4]

時裝秀的科技時刻

英國品牌 Alexander McQueen 也曾於 1999 春夏系列時裝秀中，讓超模 Shalom Harlow 在緊湊高亢的音樂襯托下，接受二支機械手臂的顏料洗禮，演繹出時尚史上經典的噴墨洋裝。^[5]不過，這兩次乍看雷同的科技嘗試，其實有根本上的差異：Alexander McQueen 的做法，是把洋裝當作畫布，透過機械手臂在上頭忘情揮灑。放蕩不羈的風格，使模特兒的皮膚上沾染不少墨水，帶著一縷淒美的頹喪。^[5]然而，這次巴黎時裝週的白色洋裝製作，則是宛如迪士尼動畫《睡美人》的情節。噴槍就是設計師的魔杖，妙手一揮便幻化出成品，整個過程乾淨俐落。做完馬上走秀，都不怕沿路滴水。^[4]

這款神奇的噴霧布料，是 Manel Torres 博士研發的 Fabrican。^[3]

Fabrican 噴霧的原理

來自西班牙的 Torres 博士，^[6] 2003 年於英國倫敦創立 Fabrican 有限公司。他希望用皮膚般貼身的媒材，來製作衣服，並加速生產的流程。^[7]一件 Fabrican 服飾的生成，從無到有約莫只要 9 到 15 分鐘，^{[1, 6]}而且材質和顏色都有多元的選擇。^{[8, 9]}無論是棉、毛、亞麻、尼龍或是奈米碳纖維等原料，^{[6, 9]}加入特製的揮發性溶劑後，噴在人體上便會快乾成形。 ^[6]這種液態布料能做出一年四季的服飾，差別主要在於塗層的厚度。成品噴好後，不僅可以重複穿著和洗滌，也能以溶劑即刻還原再利用，^[10]十分環保。

Fabrican 服飾的量產

Copern i 的二位品牌創辦人 Sébastien Meyer 與 Arnaud Vaillant ，在這次的巴黎時裝週開始前 6 個月，就已經緊鑼密鼓地和 Torres 博士，一起研究如何呈現這件白色洋裝。「我們不會因此賺錢」，回想秀場上的那一刻 Meyer 如是說：「但那是段美麗的時光 ── 一個創造情感的體驗。」^[3]

以人工一件一件地噴出衣服，並不符合經濟效益，所以除了上述量身訂做的方法，Torres 教授還開發出適合工業化量產的模式。這個概念有點類似 Alexander McQueen 1999 春夏系列服裝秀的演出，不過要把那位面目驚恐，非常入戲的模特兒，換成冰冷的人體模型。如此一來，裝有噴槍的機械手臂以及負責運算的可程式邏輯控制器（programmable logic controller，簡稱PLC），便能以每秒 9 公尺的速度噴出原料，不眠不休無休地將已經設計好的服飾，精準地製作出來。由於針對不同產品，只要依照個別需求，微調程式或液態布料的成份，Fabrican 官網宣稱，這比起仰賴為數龐大的傳統機器，更適合剛起步的事業和開發程度較低的國家。^[11]

Fabrican 的其他用途

此外，同樣的技術也能運用在汽車內裝，^[11]以及醫療器材上。比方說，口罩、繃帶、藥物貼片、創傷敷料，^[12]還有取代石膏的骨折固定器等。^[13]比較出乎意料的是，據說 Fabrican 也有清除海洋汙染，例如：原油外洩等的功能，可惜相關的資訊不多。^[14]看到如此萬用的布料科技，只能期望它無論如何都要打入一般市場，造福大眾。別像伸展台上的高級服飾，永遠那麼遙不可及。

延伸閱讀

蠶繭電池是綠能的未來？！

參考資料

1. Testa J. (02 OCT 2022) ‘The Best Moment of Bella Hadid’s Life’. The New York Times.
2. Yang R, Chen L, Chiang R, Tseng R.（01 OCT 2022）〈巴黎時裝周2023春夏秀場盤點！Coperni現場噴墨製衣、Balmain邀請傳奇巨星Cher壓軸走秀〉Harpers Bazaar.
3. Maguire L. (01 OCT 2022) ‘A spray-on dress and a solid gold bag: Coperni goes after Gen Z with novelty and fun’. Vogue Business.
4. iDest. (01 OCT 2022) ‘Bella Hadid Closing Coperni Spring 2023 Collection’. YouTube.
5. Couture Daily. (13 JAN 2013) ‘Alexander McQueen spring/summer 1999’. YouTube.
6. Sample I. (17 SEP 2010) ‘Spray-on clothing becomes a reality’. The Guardian.
7. ‘Fabrican History’. Fabrican Spray-on fabric. (Accessed on 02 OCT 2022)
8. FannVideo Best. ‘New Spray-on Clothing Future Technology’. (28 MAY 2013) YouTube.
9. ‘Fabrican Technology’. Fabrican Spray-on fabric. (Accessed on 02 OCT 2022.)
10. New Scientist. ‘Spray-on clothing could be the future of fashion’. (17 SEP 2010) YouTube.
11. ‘Industrial – Industrial Application’. Fabrican Spray-on fabric. (Accessed on 02 OCT 2022.)
12. ‘Healthcare – Innovation, choice and flexibility in healthcare’. Fabrican Spray-on fabric. (Accessed on 02 OCT 2022.)
13. fabricanltd. (15 MAY 2012) ‘Spray-on arm cast. Fabrican Ltd’. YouTube.
14. ‘Environmental – Protecting our environment from seaborne spills’. Fabrican Spray-on fabric. (Accessed on 02 OCT 2022.)

本文轉載自中央研究院研之有物，泛科學為宣傳推廣執行單位。

• 採訪撰文／陳儀珈
• 責任編輯／簡克志
• 美術設計／蔡宛潔

有變好，但還遠遠不夠好

空氣雖然平常摸不到也看不到，但是它大大影響我們的生存空間，例如每日上下班聞到的汽機車廢氣、巷口小吃店的油煙，以及其他隱藏在社區的 PM_2.5 污染源等。這些年下來，臺灣整體的空氣品質是變好還是變壞？中央研究院「研之有物」專訪院內環境變遷研究中心研究員兼空氣品質專題中心執行長周崇光，請他深入談論空氣污染物 PM_2.5 和臭氧的變化趨勢，以及都市區空氣品質的首要難題：「衍生型 PM_2.5」。

臺灣的空氣品質到底有沒有進步？

2012 年 5 月，環境保護署發布「空氣品質標準修正草案」正式將 PM_2.5 納入臺灣空氣品質管制，從圖表中可以看到，自 2012 年以來，PM_2.5 的平均濃度的確有逐年降低的趨勢。

PM_2.5 除了逐年降低之外，大家也可以觀察到， PM_2.5 其實有非常強的「季節性」。

一般而言，秋天、冬天時，中西部大多位於中央山脈的背風面，風速微弱不易將污染物吹散，污染濃度相對高；反之春天、夏天時，因為擴散條件好，污染濃度就相對低。

因此，夏天時，臺灣各縣市的污染狀況差異不大，但一進入秋冬，污染濃度在空間分佈上就呈現出非常明顯的差異：中南部特別嚴重。

隨著時間推進，PM_2.5 污染正在逐漸改善，但整體而言，污染情況還是很嚴重，尤以中南部更為嚴峻。我們可以說，臺灣空氣品質在眾人努力之下慢慢變好，但我們離好的空氣品質仍然有一段很遙遠的距離。

「在變好，可是遠遠不夠好」周崇光這麼說。

大家的濃度都在降，除了臭氧？

前面已提到 PM_2.5 濃度逐年降低，其他空氣污染物諸如非甲烷碳氫化合物（NMHC）、氮氧化物（NOx）的數據都有逐年下降的趨勢，但臭氧（O₃）一枝獨秀，不僅沒有變少，有時甚至還會有上升的跡象。

這到底發生了什麼事？

若想要了解箇中原因，我們必須回顧臭氧的形成機制，與都市的光化學煙霧（Photochemical smog）有關（見下圖）。

首先，氮氧化物（NOx）和揮發性有機化合物（VOCs），是形成臭氧（O₃）的主要前驅物。

二氧化氮（NO₂）在紫外線的照射下（hν 表示能量），會分解成一氧化氮（NO）和一顆氧原子（O），當這顆氧原子碰到氧氣（O₂）時，就跑出臭氧（O₃）。

當揮發性有機化合物（VOCs）碰上氫氧自由基（OH·）時，會被氫氧自由基氧化形成有機過氧自由基（RO₂·），有機過氧自由基隨後會氧化一氧化氮（NO），並使二氧化氮（NO₂）再生回來，由此可在大氣中循環產生臭氧。

等等，那臭氧持續上升的原因是？

雖然 NO₂ 被紫外線分解後會產生 NO 和 O₃，要注意的是 NO 碰上 O₃ 時，又會反應為 NO₂，於是 NO—NO₂—O₃ 在大氣中保持著動態的平衡關係，因此當我們減少一氧化氮的污染時，上述的光化學平衡就會有利於增加臭氧的濃度。

而在過去這些年，我國的污染防制使得大氣中氮氧化物濃度一直在減少，一氧化氮也相應下降，當一氧化氮越來越少的時候，也越來越少的臭氧會被轉化成二氧化氮，使得累積在空氣中的臭氧變多了。

因此，我們在下圖可看到，代表臭氧的紅線上升了，而代表二氧化氮的綠線下降了。

既然無論空氣品質變好或變壞，臭氧的濃度都很高，甚至都會變高，那麼研究人員到底該怎麼確認整體空氣品質真的有所改善？

周崇光指出，事實上，只要將「臭氧和二氧化氮的濃度加起來」，統合為「大氣氧化劑的濃度」，並和其他污染物進行比對，就可以從數據中確認：即使臭氧的濃度上升，但兩者總和的數據是減少的、空氣品質的確正在改善！不過還要更加努力才能克服上述的困境，進而成功降低大氣中臭氧的濃度。

衍生型 PM_2.5：都市空氣品質的挑戰

我們總是用 PM_2.5 來統稱粒徑小於或等於 2.5 微米的細懸浮微粒，用 PM₁₀ 統稱粒徑小於或等於 10 微米的懸浮微粒，也就是說，它指的是粒徑在某個尺寸內的粒子濃度。

然而，你有沒有想過，這些懸浮微粒到底包含了哪些東西呢？

周崇光笑著說，「裡面五花八門，什麼怪東西都有啦！」，懸浮微粒的成分可是高達上百種呢！

臺灣的 PM_2.5 組成非常複雜，像是海鹽、元素碳（也稱黑碳，EC）、硝酸離子（NO₃-）、硫酸離子（SO₄²-）、銨離子（NH₄⁺）、重金屬、以及各式各樣的有機化合物等等，不同縣市的組成分布也有所差異。

比較中研院過去（2003-2009）與環保署最近（2017-2021）各自調查的 PM_2.5 化學組成，近五年來雖然臺灣 PM_2.5 整體濃度下降了，但是 PM_2.5 主要的組成分布則沒有明顯改變。

周崇光提到，要解決臺灣的 PM_2.5 空污問題，減少衍生型 PM_2.5 才是主線！

與黑碳、海鹽這些直接來自大自然或人為產生的「原生」微粒不同，大部分硫酸鹽、硝酸鹽、銨鹽和有機微粒是在大氣中經過複雜化學反應「衍生」而成的，因此稱為「衍生型 PM_2.5」。

衍生型微粒的生成，除了需要有特定的前驅氣體，例如：SO₂ 氧化後產生硫酸鹽、NO₂ 氧化後產生硝酸鹽，以及有機氣體氧化後產生有機微粒等；還需要有促成反應的大氣氧化劑，例如：臭氧（O₃）和氫氧自由基。

這顯示出臺灣的 PM_2.5 跟臭氧是一體兩面的空污難題。

由於高濃度的衍生型 PM_2.5 在人類肉眼來看宛若煙霧一般，再加上是由一系列光化學反應而成，因此又稱為光化學煙霧。

中研院團隊過去幾年持續在臺灣地區進行的 PM_2.5 的化學特徵調查，研究顯示，衍生型 PM_2.5 在細懸浮微粒污染中佔據了非常大的比例（>70％）。然而可惜的是，礙於儀器技術的關係，團隊無法在全臺灣遍布監測 PM_2.5 成分的儀器。

若是想要將不同來源的 PM_2.5 化學成分準確即時的分析出來，這樣的儀器造價不菲。因此周崇光表示，在光化學煙霧的議題上，大氣科學家的目標並非獲得長期連續的監測資料，而是在關鍵的幾個研究站中，致力於找出光化學煙霧的基礎理論架構和反應機制，並協助政府機關制定防制策略。

就在臺中！全臺第一座都市空氣污染研究站

為了釐清城市臭氧和 PM_2.5 濃度變異的物理化學機制，中央研究院環變中心底下的空氣品質專題中心於 2021 年底，在臺中建立了全臺第一座整合都市氣象學和大氣化學的研究站，是國內目前最完整的大氣物理化學監測站。

在這個研究站中，大氣科學家除了可以即時監測 PM_2.5 的濃度，也可以掌握懸浮微粒的化學成分，包括量測揮發性有機物、二氧化氮、二氧化硫、一氧化氮、臭氧等微粒前驅污染物的濃度變化，藉此釐清都市空品的關鍵因子，協助研擬污染防制策略。

然而，為什麼要將研究站設立在臺中呢？周崇光表示，「無論是人口、能源、地理位置，還是大氣科學的角度，臺中均有著特殊的價值和意義」。

在空氣品質不佳的中西部之中，臺中不僅是人口數最多的都市，地理位置也讓臺中的邊界層條件具有相當高的複雜性，若能破解臺中盆地大氣環流的詳細機制，將對都市氣象學帶來可觀的突破，而臺中火力發電廠的污染和牽涉的能源議題，更是國內社會相當關注的重要焦點，因此，中研院空品專題中心最終決定將研究站設立於臺中。

中研院空品專題中心預計在三年後（2025 年），於臺中研究站取得第一階段的經驗和資料，隨後延伸應用至臺灣的其他城市，希望能透過學術研究與各單位協作逐步解決都市空氣品質的問題，突破當前空氣污染防制的瓶頸。