Loading [MathJax]/jax/output/HTML-CSS/config.js

0

3
2

文字

分享

0
3
2

量子力學可以幫你判斷物體溫度?從古典物理過渡到近代的一大推手——黑體輻射

PanSci_96
・2024/03/24 ・3639字 ・閱讀時間約 7 分鐘

-----廣告,請繼續往下閱讀-----

1894 年,美國物理學家邁克生(Albert Abraham Michelson)作為芝加哥大學物理系的創立者,在為學校的瑞爾森物理實驗室(Ryerson Physical Laboratory)落成典禮致詞時,表示:「雖然無法斷言說,未來的物理學不會比過去那些驚奇更令人驚嘆,但似乎大部分的重要基本原則都已經被穩固地建立了。」

以我們現在的後見之明,這段話聽起來固然錯得離譜,但在當時,從 17、18 到 19 世紀,在伽利略、牛頓、馬克士威等前輩的的貢獻之下,物理學已經達成了非凡的成就。

我們現在稱為古典的物理學,對於整個世界的描述幾乎是面面俱到了,事實上沒有人預料到 20 世紀將出現徹底顛覆世界物理學認知的重要理論,量子力學。

而這最一開始竟只是出自於一件不起眼的研究,關於物體發出的光。

-----廣告,請繼續往下閱讀-----

萬物皆輻射

在此我們要先理解一個觀念:所有物體無時無刻不在發出電磁波輻射,包括了你、我、你正使用的螢幕,以及我們生活中的所有物品。

至於為什麼會這樣子呢?其中一個主要原因是,物體都是由原子、分子組成,所以內部充滿了帶電粒子,例如電子。這些帶電粒子隨著溫度,時時刻刻不停地擾動著,在過程中,就會以電磁波的形式放出能量。

除了上述原因之外,物體發出的電磁波輻射,還可能有其他來源,我們就暫時省略不提。無論如何,從小到大我們都學過的,熱的傳遞方式分成傳導、對流、輻射三種,其中的輻射,就是我們現在在談的,物體以電磁波形式發出的能量。

那麼,這些輻射能量有什麼樣的特徵呢?為了搞清楚這件事,我們必須先找個適當的範本來研究。

-----廣告,請繼續往下閱讀-----

理想上最好的選擇是,這個範本必須能夠吸收所有外在環境照射在上面的光線,只會發出因自身溫度而產生的電磁輻射。這樣子的話,我們去測量它發出的電磁波,就不會受到反射的電磁波干擾,而能確保電磁波是來自它自己本身。

這樣子的理想物體,稱為黑體;畢竟,黑色物體之所以是黑的,就是因為它能夠吸收外在環境光線,且不太會反射。而在我們日常生活中,最接近理想的黑體,就是一點也不黑、還超亮的太陽!這是因為我們很大程度可以肯定,太陽發出來的光,幾乎都是源於它自身,而非反射自外在環境的光線。

或者我們把一個空腔打洞後,從洞口發出的電磁波,也會近似於黑體輻射,因為所有入射洞口的光都會進入空腔,而不被反射。煉鐵用的鼓風爐,就類似這樣子的結構。

到目前為止,一切聽起來都只是物理學上一個平凡的研究題目。奇怪的是,在對電磁學已經擁有完整瞭解的 19 世紀後半到 20 世紀初,科學家儘管已經藉由實驗得到了觀測數據,但要用以往的物理理論正確推導出黑體的電磁波輻射,卻遇到困難。正是由此開始,古典物理學出現了破口。

-----廣告,請繼續往下閱讀-----

黑體輻射

由黑體發出的輻射,以現在理論所知,長得像這個樣子。縱軸代表黑體輻射出來的能量功率,橫軸代表黑體輻射出來的電磁波波長。

在理想狀況下,黑體輻射只跟黑體的溫度有關,而跟黑體的形狀和材質無關。

以溫度分別處在絕對溫標 3000K、4000K 和 5000K 的黑體輻射為例,我們可以看到,隨著黑體的溫度越高,輻射出來的能量功率也越大;同時,輻射功率最高的波段,也朝短波長、高頻率的方向靠近。

為了解釋這個曲線,物理學家們開始運用「當時」畢生所學來找出函數方程式,分成了兩派:

-----廣告,請繼續往下閱讀-----

一派是 1896 年,由德國物理學家維因(Wilhelm Carl Werner Otto Fritz Franz Wien),由熱力學出發推導出的黑體輻射公式,另一派,在 1900 與 1905 年,英國物理學家瑞立(John William Strutt, 3rd Baron Rayleigh)和金斯(James Jeans),則是藉由電磁學概念,也推導出了他們的黑體輻射公式,稱為瑞立-金斯定律。

你看,若是同時擺上這兩個推導公式,會發現他們都各自對了一半?

維因近似 Wien approximation 只在高頻率的波段才精確。而瑞立-金斯定律只對低頻率波段比較精確,更預測輻射的強度會隨著電磁波頻率的提升而趨近無限大,等等,無限大?――這顯然不合理,因為現實中的黑體並不會放出無限大的能量。

顯然這兩個解釋都不夠精確。

-----廣告,請繼續往下閱讀-----

就這樣,在 1894 年邁克生才說,物理學可能沒有更令人驚嘆的東西了,結果沒幾年,古典物理學築起的輝煌成就,被黑體輻射遮掩了部分光芒,而且沒人知道,這是怎麼一回事。

普朗克的黑體輻射公式

就在古典物理學面臨進退維谷局面的時候,那個男人出現了——德國物理學家普朗克(Max Planck)。

1878年學生時代的普朗克。圖/wikimedia

普朗克於 1900 年就推導出了他的黑體輻射公式,比上述瑞立和金斯最終在 1905 年提出的結果要更早,史稱普朗克定律(Planck’s law)。普朗克假想,在黑體中,存在許多帶電且不斷振盪、稱為「振子」的虛擬單元,並假設它們的能量只能是某個基本單位能量的整數倍。

這個基本單位能量寫成 E=hν,和電磁輻射的頻率 ν 成正比,比例常數 h 則稱為普朗克常數。換言之,黑體輻射出來的能量,以hν為基本單位、是一個個可數的「量」加起來的,也就是能量被「量子化」了。

-----廣告,請繼續往下閱讀-----

根據以上假設,再加上不同能量的「振子」像是遵循熱力學中的粒子分佈,普朗克成功推導出吻合黑體輻射實驗觀測的公式。

普朗克的方程式,同時包含了維因近似和瑞立-金斯定律的優點,不管在低頻率還是高頻率的波段,都非常精確。如果我們比較在地球大氣層頂端觀測到的太陽輻射光譜,可以發現觀測數據和普朗克的公式吻合得非常好。

其實有趣的是普朗克根本不認為這是物理現象,他認為,他假設的能量量子化,只是數學上用來推導的手段,而沒有察覺他在物理上的深遠涵意。但無論如何,普朗克成功解決了黑體輻射的難題,並得到符合觀測的方程式。直到現在,我們依然使用著普朗克的方程式來描述黑體輻射。不只如此,在現實生活中,有許多的應用,都由此而來。

正因為不同溫度的物體,會發出不同特徵的電磁波,反過來想,藉由測量物體發出的電磁波,我們就能得知該物體的溫度。在疫情期間,我們可以看到某些場合會放置螢幕,上面呈現類似這樣子的畫面。

-----廣告,請繼續往下閱讀-----

事實上,這些儀器測量的,是特定波長的紅外線。紅外線屬於不可見光,也是室溫物體所發出的電磁輻射中,功率最大的波段。只要分析我們身體發出的紅外線,就能在一定程度上判斷我們的體溫。當然,一來我們都不是完美的黑體,二來環境因素也可能產生干擾,所以還是會有些許誤差。

藉由黑體輻射的研究,我們還可以將黑體的溫度與發出的可見光顏色標準化。

在畫面中,有彩虹背景的部分,代表可見光的範圍,當黑體的溫度越高,發出的電磁輻射,在可見光部分越偏冷色系。當我們在購買燈泡的時候,會在包裝上看到色溫標示,就是由此而來。所以,如果你想要溫暖一點的光線,就要購買色溫較低,約兩、三千 K 左右的燈泡。

結語

事實上,在黑體輻射研究最蓬勃發展的 19 世紀後半,正值第二次工業革命,當時鋼鐵的鍛冶技術出現許多重大進步。

德國鐵血宰相俾斯麥曾經說,當代的重大問題要用鐵和血來解決。

就傳統而言,煉鋼要靠工匠用肉眼,從鋼鐵的顏色來判斷溫度,但若能更精確地判斷溫度,無疑會有很大幫助。

德國作為鋼鐵業發達國家,在黑體輻射的研究上,曾做出許多貢獻,這一方面固然可能是學術的求知慾使然,但另一方面,也可以說跟社會的需求與脈動是完全吻合的。
總而言之,普朗克藉由引進能量量子化的概念,成功用數學式描述了黑體輻射;這件事成為後來量子力學發展的起點。儘管普朗克本人沒有察覺能量量子化背後的深意,但有另一位勇者在數年後繼承了普朗克的想法,並做出意味深長的詮釋,那就是下一個故事的主角――愛因斯坦的事了。

歡迎訂閱 Pansci Youtube 頻道 獲取更多深入淺出的科學知識!

-----廣告,請繼續往下閱讀-----
文章難易度
PanSci_96
1262 篇文章 ・ 2400 位粉絲
PanSci的編輯部帳號,會發自產內容跟各種消息喔。

0

0
0

文字

分享

0
0
0
E10 低碳汽油:台灣減碳新契機,為何我們應該接受?
鳥苷三磷酸 (PanSci Promo)_96
・2025/01/17 ・3468字 ・閱讀時間約 7 分鐘

-----廣告,請繼續往下閱讀-----

本文與美國穀物協會合作,泛科學企劃執行。

台灣將在 2040 年禁售燃油車。但別急,現在路上開的舊有車款不會馬上報廢消失,因為舊有的車輛會繼續開到年限結束。根據計算,當禁售燃油車的那一天來臨時,還有大約 60% 的車輛是燃油車。這時,在多數交通工具還是燃油的情況下,美國、歐盟等國已經開始使用酒精燃料來減少碳排放,那麼,台灣也能做到嗎?

你聽過 E3、E10 汽油嗎?

這是指在汽油中加入酒精,E3 代表有 3% 的汽油被酒精取代,而 E10 則是 10% 的汽油換成酒精。酒精是一種抗爆震性能更好的燃料,且比化石燃料更環保,因為它可以來自生質燃料,碳排放也較低。即便算上運輸和加工的碳足跡,用玉米製造的乙醇仍比傳統汽油的碳排放低了 43%。其實,在美國、歐洲、澳洲等地,E10 或更高比例的酒精汽油早已廣泛使用,這在我們之前的影片中也有提過。

現在,台灣有 14 間加油站可以加到 E3 汽油,而中油也正積極促使相關部門開放 E10 汽油的銷售。

-----廣告,請繼續往下閱讀-----

不過,在推動這項改變之前,仍有許多民眾對酒精汽油有疑慮。大家最關心的問題是,把不是汽油的燃料放到引擎中,到底會不會對車輛引擎造成不良影響?例如會不會影響引擎運行,甚至影響里程數?
其實,換燃料確實會對引擎有影響,因為不同燃料燃燒後所產生的能量與副產物都不一樣。但別擔心,根據我們之前的討論,2011 年以後生產的所有汽車,還有大部分 1990 年代後期生產的汽機車,都能直接相容 E10 汽油。換句話說,除了少數舊車或特殊車型,約 95% 的汽機車都不需要擔心這個相容性問題。

2011 年以後生產的所有汽車,還有大部分 1990 年代後期生產的汽機車,都能直接相容 E10 汽油。圖 / 美國穀物協會提供

E10 汽油在效能上的表現,會不會受到影響?

學過化學的人都知道,燃燒其實是一種氧化反應,可以用化學式表達。也就是只要汽缸的大小是固定的,就能算出空氣中能參與氧化反應的氧氣分子有多少,進而推算出每次汽缸燃燒時,應該搭配多少的燃料。

當引擎運作時,汽缸內的氧氣分子會與燃料反應,產生動力。為了最佳化效能,引擎的噴油嘴會精準控制每次的進油量,確保空氣和燃料的比例,稱為「空燃比」。接著調整噴油嘴的設定,讓出油量符合我們的需求。

每當空氣成分改變,燃料量或燃料的種類更換時,空燃比就會產生變化。在燃料相對空氣來說比較多時,我們通常稱為「富油」;相反的,如果燃料相比空氣來的少,就稱為「貧油」。如果我們把汽油換成百分之百的酒精,因為酒精每單位體積所需要的氧氣比較少,而且熱值比較低,因此會產生貧油現象,推力感受起來自然也會比較低。

要解決這個問題,方法其實不難,只要增加燃料量即可。而巴西早已證明,使用 E100 汽油是可行的。巴西近 50 年來推動 E85、E100 燃料車輛,並展示了彈性燃料引擎的優勢。

而巴西早已證明,使用 E100 汽油是可行的。巴西近 50 年來推動 E85、E100 燃料車輛,並展示了彈性燃料引擎的優勢。圖/美國穀物協會

這類交通工具被稱為彈性燃料引擎,顧名思義,能很彈性的使用汽油、E100 酒精汽油、或是任何比例的甲醇、乙醇、汽油的混合物。彈性燃料引擎跟一般引擎最大的差別,就是內建了「燃料成分感測器」。能透過判斷燃料的種類與比例,調整噴油嘴的出油量設定以及點火正時,讓引擎的輸出動力維持在最佳狀態,確保引擎效能不受影響。

-----廣告,請繼續往下閱讀-----

所謂的點火正時,指的是火星塞點火的時機。不同的燃料,化學反應的速度與膨脹的體積不同,當然會對應不同的點火時機。

但是 E100 其實也不是純酒精?

大家都知道,蒸餾酒需要經過多次反覆蒸餾,為什麼不能只蒸餾一次就好呢?原因在於,酒精與水的沸點雖然不同,但它們不完全互斥,會產生交互作用。在蒸餾過程中,即使酒精的沸點較低,水仍然會在加熱的過程中,隨著酒精部分蒸發進入容器中。

事實上,當酒精濃度達到 95.63% 時,不論再怎麼蒸餾,濃度也不會再上升。這是因為當酒精濃度接近這個比例時,酒精與水的沸點非常接近,這種現象稱為「共沸」,意思是酒精和水的混合物會一起沸騰,無法再進一步蒸餾分離。

共沸現象的結果,就是為什麼市面上銷售的藥用酒精,濃度最高都是 95%,而非 100%。因為更高濃度就必須使用脫水劑等方式處理,成本會提高,或是因為有添加物而不符合藥用標準。所以當然,E100 汽油裡面,實際上使用的也是濃度 95% 的酒精,而不是 100%。

-----廣告,請繼續往下閱讀-----
E100 汽油裡面,實際上使用的也是濃度 95% 的酒精,而不是 100%。 圖 / 美國穀物協會提供

解決迷思:酒精汽油是否容易因吸收水分,而產生油水分離?

事實上,酒精和水是高度互溶的,這使得高比例的酒精在汽油中有更高的水分耐受性。簡單來說,進入油箱的水氣,會溶在酒精汽油中而不會產生油水分離。

根據美國國家可再生能源實驗室的研究,即使在高溫高濕的極端環境下,E10 酒精汽油也需要經過三個月才會出現明顯的油水分離。而三個月也是一般汽油建議最長的保存時間,因為汽油放太久就會氧化。

也就是說,酒精與水混和物的特性,不是把酒精和水的相加除以二那麼簡單,它們的交互作用更加複雜。

一篇刊登在《國際能源研究期刊》的研究指出,在可變壓縮比引擎中的實驗結果,加入酒精後,引擎的功率會逐漸升高,在 E10 酒精時為最佳比例效果。

-----廣告,請繼續往下閱讀-----

當然,實際情況和實驗室當然不能直接類比。大多數汽車和機車並未專門為酒精汽油做調整,那這樣會有多大影響呢?根據英國政府的官方結論,直接使用 E10 汽油與一般汽油相比,每公升的里程數大約會降低 1%,但在日常駕駛中,這個差異幾乎不會被察覺。實際上,載貨量和駕駛習慣對油耗的影響,遠遠大於是否使用 E10 汽油的影響。

更好的一點是,酒精其實是一種常見的工業用品,以每美國為例,在過去一年中,酒精的離岸價格實際上都比汽油還低,因此不用擔心酒精會讓油價變貴。

此外,經過調校的引擎也不必擔心推力問題。事實上,F1 賽車從 2022 年開始使用 E10 作為燃料,納斯卡賽車更早在 2011 年就採用了 E15 燃料,運行上沒有太大問題。

F1 賽車從 2022 年開始使用 E10 作為燃料,納斯卡賽車更早在 2011 年就採用了 E15 燃料,運行上沒有太大問題。圖/unsplash

最重要的是,使用 E10 燃料的好處明顯更多。由於酒精和烷類燃料的分子式不一樣,酒精分子式中多了一個氧原子,這使得燃燒過程中反應會更完全,能夠產生更多二氧化碳而非有毒的一氧化碳,同時降低一氧化氮和二氧化氮等氮氧化物的產生。

-----廣告,請繼續往下閱讀-----

最關鍵的一點,酒精與化石燃料相比,能夠更快速地幫助減碳。只要確保使用永續農法、不與糧食競爭土地的前提下,所製造的玉米乙醇,碳排量就是比化石燃料還要低。

E10 低碳汽油是填補減碳缺口的最快方案,挑戰只在接受度

英國引入 E10 後,每年減碳 75 萬噸,相當於減少 35 萬輛汽車的碳排量。而台灣呢?目前根據政策規劃,台灣 2040 年起將新售的汽機車全面電動化。依照這個目標進程,在 2025 年將達成減碳 288.6 萬噸的目標。然而,這距離運輸部門須減少 487 萬噸碳排量目標,還差 198 萬噸。

如果燃油車全面改用 E10 低碳汽油,則能減碳 202 萬噸,幾乎能完全彌補缺口。這項方案的優勢在於,E10 與一般汽油性質相近,不需更換新的引擎設計或架設特規加油站,執行門檻低。

實際上,目前推動低碳汽油最大的瓶頸,大概就是民眾對於這個新燃料的接受度了吧!如果接受度提升,購買量上升,成本也有機會進一步再下降。

-----廣告,請繼續往下閱讀-----
-----廣告,請繼續往下閱讀-----
鳥苷三磷酸 (PanSci Promo)_96
222 篇文章 ・ 313 位粉絲
充滿能量的泛科學品牌合作帳號!相關行銷合作請洽:contact@pansci.asia

0

1
0

文字

分享

0
1
0
數智驅動未來:從信任到執行,AI 為企業創新賦能
鳥苷三磷酸 (PanSci Promo)_96
・2025/01/13 ・4938字 ・閱讀時間約 10 分鐘

-----廣告,請繼續往下閱讀-----

本文由 鼎新數智 與 泛科學 共同規劃與製作

你有沒有想過,當 AI 根據病歷與 X 光片就能幫你診斷病症,或者決定是否批准貸款,甚至從無人機發射飛彈時,它的每一步「決策」是怎麼來的?如果我們不能知道 AI 的每一個想法步驟,對於那些 AI 輔助的診斷和判斷,要我們如何放心呢?

馬斯克與 OpenAI 的奧特曼鬧翻後,創立了新 AI 公司 xAI,並推出名為 Grok 的產品。他宣稱目標是以開源和可解釋性 AI 挑戰其他模型,而 xAI 另一個意思是 Explainable AI 也就是「可解釋性 AI」。

如今,AI 已滲透生活各處,而我們對待它的方式卻像求神問卜,缺乏科學精神。如何讓 AI 具備可解釋性,成為當前關鍵問題?

-----廣告,請繼續往下閱讀-----
AI 已滲透生活各處,而我們對待它的方式卻像求神問卜,缺乏科學精神。如何讓 AI 具備可解釋性,成為當前關鍵問題?圖/pexels

黑盒子模型背後的隱藏秘密

無法解釋的 AI 究竟會帶來多少問題?試想,現在許多銀行和貸款機構已經使用 AI 評估借貸申請者的信用風險,但這些模型往往如同黑箱操作。有人貸款被拒,卻完全不知原因,感覺就像被分手卻不告訴理由。更嚴重的是,AI 可能擅自根據你的住所位置或社會經濟背景給出負面評價,這些與信用風險真的相關嗎?這種不透明性只會讓弱勢群體更難融入金融體系,加劇貧富差距。這種不透明性,會讓原本就已經很難融入金融體系的弱勢群體,更加難以取得貸款,讓貧富差距越來越大,雪上加霜。

AI 不僅影響貸款,還可能影響司法公正性。美國部分法院自 2016 年起使用「替代性制裁犯罪矯正管理剖析軟體」 COMPAS 這款 AI 工具來協助量刑,試圖預測嫌犯再犯風險。然而,這些工具被發現對有色人種特別不友好,往往給出偏高的再犯風險評估,導致更重的刑罰和更嚴苛的保釋條件。更令人擔憂的是,這些決策缺乏透明度,AI 做出的決策根本沒法解釋,這讓嫌犯和律師無法查明問題根源,結果司法公正性就這麼被悄悄削弱了。

此外,AI 在醫療、社交媒體、自駕車等領域的應用,也充滿類似挑戰。例如,AI 協助診斷疾病,但若原因報告無法被解釋,醫生和患者又怎能放心?同樣地,社群媒體或是 YouTube 已經大量使用 AI 自動審查,以及智慧家居或工廠中的黑盒子問題,都像是一場越來越複雜的魔術秀——我們只看到結果,卻無法理解過程。這樣的情況下,對 AI 的信任感就成為了一個巨大的挑戰。

為什麼人類設計的 AI 工具,自己卻無法理解?

原因有二。首先,深度學習模型結構複雜,擁有數百萬參數,人類要追蹤每個輸入特徵如何影響最終決策結果,難度極高。例如,ChatGPT 中的 Transformer 模型,利用注意力機制(Attention Mechanism)根據不同詞之間的重要性進行特徵加權計算,因為機制本身涉及大量的矩陣運算和加權計算,這些數學操作使得整個模型更加抽象、不好理解。

-----廣告,請繼續往下閱讀-----

其次,深度學習模型會會從資料中學習某些「特徵」,你可以當作 AI 是用畫重點的方式在學習,人類劃重點目的是幫助我們加速理解。AI 的特徵雖然也能幫助 AI 學習,但這些特徵往往對人類來說過於抽象。例如在影像辨識中,人類習慣用眼睛、嘴巴的相對位置,或是手指數量等特徵來解讀一張圖。深度學習模型卻可能會學習到一些抽象的形狀或紋理特徵,而這些特徵難以用人類語言描述。

深度學習模型通常採用分佈式表示(Distributed Representation)來編碼特徵,意思是將一個特徵表示為一個高維向量,每個維度代表特徵的不同方面。假設你有一個特徵是「顏色」,在傳統的方式下,你可能用一個簡單的詞來表示這個特徵,例如「紅色」或「藍色」。但是在深度學習中,這個「顏色」特徵可能被表示為一個包含許多數字的高維向量,向量中的每個數字表示顏色的不同屬性,比如亮度、色調等多個數值。對 AI 而言,這是理解世界的方式,但對人類來說,卻如同墨跡測驗般難以解讀。

假設你有一個特徵是「顏色」,在傳統的方式下,你可能用一個簡單的詞來表示這個特徵,例如「紅色」或「藍色」。但是在深度學習中,這個「顏色」特徵可能被表示為一個包含許多數字的高維向量,向量中的每個數字表示顏色的不同屬性,比如亮度、色調等多個數值。圖/unsplash

試想,AI 協助診斷疾病時,若理由是基於醫生都無法理解的邏輯,患者即使獲得正確診斷,也會感到不安。畢竟,人們更相信能被理解的東西。

打開黑盒子:可解釋 AI 如何運作?我們要如何教育 AI?

首先,可以利用熱圖(heatmap)或注意力圖這類可視化技術,讓 AI 的「思維」有跡可循。這就像行銷中分析消費者的視線停留在哪裡,來推測他們的興趣一樣。在卷積神經網絡和 Diffusion Models 中 ,當 AI 判斷這張照片裡是「貓」還是「狗」時,我需要它向我們展示在哪些地方「盯得最緊」,像是耳朵的形狀還是毛色的分布。

-----廣告,請繼續往下閱讀-----

其次是局部解釋,LIME 和 SHAP 是兩個用來發展可解釋 AI 的局部解釋技術。

SHAP 的概念來自博弈,它將每個特徵看作「玩家」,而模型的預測結果則像「收益」。SHAP 會計算每個玩家對「收益」的貢獻,讓我們可以了解各個特徵如何影響最終結果。並且,SHAP 不僅能透過「局部解釋」了解單一個結果是怎麼來的,還能透過「全局解釋」理解模型整體的運作中,哪些特徵最重要。

以實際的情景來說,SHAP 可以讓 AI 診斷出你有某種疾病風險時,指出年齡、體重等各個特徵的影響。

LIME 的運作方式則有些不同,會針對單一個案建立一個簡單的模型,來近似原始複雜模型的行為,目的是為了快速了解「局部」範圍內的操作。比如當 AI 拒絕你的貸款申請時,LIME 可以解釋是「收入不穩定」還是「信用紀錄有問題」導致拒絕。這種解釋在 Transformer 和 NLP 應用中廣泛使用,一大優勢是靈活且計算速度快,適合臨時分析不同情境下的 AI 判斷。比方說在醫療場景,LIME 可以幫助醫生理解 AI 為何推薦某種治療方案,並說明幾個主要原因,這樣醫生不僅能更快做出決策,也能增加患者的信任感。

-----廣告,請繼續往下閱讀-----

第三是反事實解釋:如果改變一點點,會怎麼樣?

如果 AI 告訴你:「這家銀行不會貸款給你」,這時你可能會想知道:是收入不夠,還是年齡因素?這時你就可以問 AI:「如果我年輕五歲,或者多一份工作,結果會怎樣?」反事實解釋會模擬這些變化對結果的影響,讓我們可以了解模型究竟是如何「權衡利弊」。

最後則是模型內部特徵的重要性排序。這種方法能顯示哪些輸入特徵對最終結果影響最大,就像揭示一道菜中,哪些調味料是味道的關鍵。例如在金融風險預測中,模型可能指出「收入」影響了 40%,「消費習慣」占了 30%,「年齡」占了 20%。不過如果要應用在像是 Transformer 模型等複雜結構時,還需要搭配前面提到的 SHAP 或 LIME 以及可視化技術,才能達到更完整的解釋效果。

講到這裡,你可能會問:我們距離能完全信任 AI 還有多遠?又或者,我們真的應該完全相信它嗎?

-----廣告,請繼續往下閱讀-----

我們終究是想解決人與 AI 的信任問題

當未來你和 AI 同事深度共事,你自然希望它的決策與行動能讓你認可,幫你省心省力。因此,AI 既要「可解釋」,也要「能代理」。

當未來你和 AI 同事深度共事,你自然希望它的決策與行動能讓你認可,幫你省心省力。圖/unsplash

舉例來說,當一家公司要做一個看似「簡單」的決策時,背後的過程其實可能極為複雜。例如,快時尚品牌決定是否推出新一季服裝,不僅需要考慮過去的銷售數據,還得追蹤熱門設計趨勢、天氣預測,甚至觀察社群媒體上的流行話題。像是暖冬來臨,厚外套可能賣不動;或消費者是否因某位明星愛上一種顏色,這些細節都可能影響決策。

這些數據來自不同部門和來源,龐大的資料量與錯綜關聯使企業判斷變得困難。於是,企業常希望有個像經營大師的 AI 代理人,能吸收數據、快速分析,並在做決定時不僅給出答案,還能告訴你「為什麼要這麼做」。

傳統 AI 像個黑盒子,而可解釋 AI (XAI)則清楚解釋其判斷依據。例如,為什麼不建議推出厚外套?可能理由是:「根據天氣預測,今年暖冬概率 80%,過去三年數據顯示暖冬時厚外套銷量下降 20%。」這種透明解釋讓企業更信任 AI 的決策。

-----廣告,請繼續往下閱讀-----

但會解釋還不夠,AI 還需能真正執行。這時,就需要另一位「 AI 代理人」上場。想像這位 AI 代理人是一位「智慧產品經理」,大腦裝滿公司規則、條件與行動邏輯。當客戶要求變更產品設計時,這位產品經理不會手忙腳亂,而是按以下步驟行動:

  1. 檢查倉庫物料:庫存夠不夠?有沒有替代料可用?
  2. 評估交期影響:如果需要新物料,供應商多快能送到?
  3. 計算成本變化:用新料會不會超出成本預算?
  4. 做出最優判斷,並自動生成變更單、工單和採購單,通知各部門配合執行。

這位 AI 代理人不僅能自動處理每個環節,還會記錄每次決策結果,學習如何變得更高效。隨時間推移,這位「智慧產品經理」的判斷將更聰明、決策速度更快,幾乎不需人工干預。更重要的是,這些判斷是基於「以終為始」的原則,為企業成長目標(如 Q4 業績增長 10%)進行連續且動態地自我回饋,而非傳統系統僅月度檢核。

這兩位 AI 代理人的合作,讓企業決策流程不僅透明,還能自動執行。這正是數智驅動的核心,不僅依靠數據驅動決策,還要能解釋每一個選擇,並自動行動。這個過程可簡化為 SUPA,即「感知(Sensing)→ 理解(Understanding)→ 規劃(Planning)→ 行動(Acting)」的閉環流程,隨著數據的變化不斷進化。

偉勝乾燥工業為例,他們面臨高度客製化與訂單頻繁變更的挑戰。導入鼎新 METIS 平台後,偉勝成功將數智驅動融入業務與產品開發,專案準時率因此提升至 80%。他們更將烤箱技術與搬運機器人結合,開發出新形態智慧化設備,成功打入半導體產業,帶動業績大幅成長,創造下一個企業的增長曲線。

-----廣告,請繼續往下閱讀-----

值得一提的是,數智驅動不僅帶動業務增長,還讓員工擺脫繁瑣工作,讓工作更輕鬆高效。

數智驅動的成功不僅依賴技術,還要與企業的商業策略緊密結合。為了讓數智驅動真正發揮作用,企業首先要確保它服務於具體的業務需求,而不是為了技術而技術。

這種轉型需要有策略、文化和具體應用場景的支撐,才能讓數智驅動真正成為企業持續增長的動力。

還在猶豫數智驅動的威力?免費上手企業 AI 助理!👉 企業 AI 體驗
現在使用專屬邀請碼《 KP05 》註冊就享知:https://lihi.cc/EDUk4
訂閱泛科學獨家知識頻道,深入科技趨勢與議題內容。

👉立即免費加入

-----廣告,請繼續往下閱讀-----
鳥苷三磷酸 (PanSci Promo)_96
222 篇文章 ・ 313 位粉絲
充滿能量的泛科學品牌合作帳號!相關行銷合作請洽:contact@pansci.asia

0

2
0

文字

分享

0
2
0
從門得列夫到 118 種元素:元素週期表是怎麼出現的?
F 編_96
・2025/01/04 ・2302字 ・閱讀時間約 4 分鐘

-----廣告,請繼續往下閱讀-----

F 編按:本文編譯自 Live Science

「氫鋰鈉鉀銣銫砝、铍鎂鈣鍶鋇镭…」相信很多人離開高中很多年,都還朗朗上口。

列著 118 種已知化學元素的「元素週期表」(Periodic Table),雖然唸起來像咒文,但有了它之後便能夠快速查詢原子序(proton number)、價電子(valence electrons)數量,以及元素可能的化學性質,成為各領域科學家與工程師設計實驗、預測物質反應必不可少的工具。

有趣的是,元素週期表並非一蹴可及。縱觀歷史,化學家們歷經數世紀的摸索、爭論與資料整理,才在 19 世紀後半葉逐漸確立。

我們現在看到的元素週期表,是在 19 世紀後半才逐漸確定。 圖/unsplash

週期表之父:門得列夫的突破

19 世紀中葉,已知的化學元素約有 63 種,許多化學家嘗試找出元素間的共同點,卻苦無系統性整理。當時能區分「金屬」與「非金屬」,或利用價電子概念將一些元素歸類,但要涵蓋大多數元素仍顯不足。俄國化學家門得列夫在撰寫《化學原理》教科書時,因接觸各元素的資料而產生新思路。他索性把已知元素各種性質寫在紙卡上,再一一比對它們的原子量(類似當今的原子量或原子序概念)與化學性質。

-----廣告,請繼續往下閱讀-----

確切的靈光乍現時刻,如今已無從完全重現,但我們知道門得列夫最後觀察到:「如果按照原子量(或後來的原子序)由小到大排列,某些化學性質就會呈週期性重複。」進一步來看,元素的價電子數量通常也會對應到表格的「欄位」或「族群」。於是,在 1869 年,他將研究結果發表,提出了第一版週期表的雛形,更大膽預言了尚未被發現的元素「eka-aluminium」(後來證實即鎵 gallium)及其他四種元素的性質。

讀懂週期表:原子序、符號與原子量

今日的週期表之所以能快速讓人獲得豐富資訊,關鍵在於三個核心欄位:

  1. 原子序(Atomic Number)
    代表該元素核內所含質子數。如果一原子核有 6 顆質子,就必定是碳(C),無論其他中子或電子數如何。此序號由上而下、由左而右遞增,貫穿整張表格。
  2. 元素符號(Atomic Symbol)
    多為一至兩字母縮寫,如碳(C)、氫(H)、氧(O)。但也有如鎢(W,因「Wolfram」得名)或金(Au,取自拉丁文「Aurum」)等較不直覺的符號。
  3. 原子量(Atomic Mass)
    表示該元素在自然界中各同位素的加權平均值,故通常是帶小數的數字。對合成元素則標示最常見或最穩定同位素的質量,但由於這些元素壽命極短,數值往往會被不斷修正。

舉例來說,硒(Se)在週期表中顯示原子序 34,屬於第 4 週期、第 6A 族,表示它有四層電子軌域,其中最外層(價電子層)有 6 顆電子。有了這些資訊,科學家可快速判斷硒的化學傾向、可形成何種化合物,乃至於在生物或工業應用中可能扮演的角色。

週期表的內部結構:週期、族與軌域

門得列夫最初按照原子量遞增排列元素,現代則依靠原子序(即質子數)來分類。橫向稱為「週期」(Period),從第 1 週期到第 7 週期;縱向稱為「族」(Group),目前總共有 18 組。週期數量在於顯示該元素電子軌域有幾層;而同一族則代表外層價電子數相同,故有相似化學性質。

-----廣告,請繼續往下閱讀-----

例如,第 18 族常被稱作「貴氣體」或「惰性氣體」,如氦(He)、氖(Ne)、氬(Ar)等皆不易與其他元素起反應。另一個顯著群體是位於第一族的鹼金屬(Alkali Metals),如鋰(Li)、鈉(Na)等,因外層只有 1 顆電子,極容易失去該電子而形成帶 +1 價的陽離子,故與水猛烈反應。

此外,在表格中央有一塊「過渡元素」(Transition Metals)區域,包括鐵(Fe)、銅(Cu)、鎳(Ni)、金(Au)、銀(Ag)等。它們具有部分填充的 d 軌域,使得該區域的元素呈現多樣性質,例如具有金屬光澤、可塑性或導電性等,被廣泛應用於工業及工程領域。

同一族的外層價電子數相同,因此大多有著相似化學性質。圖/unsplash

再進化:從 63 種到 118 種

當門得列夫在 1869 年發表週期表時,已知元素只有 63 種,表格中甚至留有空白以預留「未來或存在尚未發現的元素」。他果然預測到了鎵(Ga)以及日後證實的日耳曼ium(Ge)等新元素性質,贏得舉世矚目。隨後,有越來越多元素透過科學發展,尤其是光譜分析與放射性研究而被發現,例如鐳(Ra)和氡(Rn)等。

到 20 世紀後期,隨著粒子加速器的誕生,人類可以合成更重的超鈾元素(Atomic Number > 92)。這些人工合成元素往往極度不穩定,壽命僅能以毫秒或微秒計,但仍證實存在、並填補週期表後段空白。如今,週期表已收錄到第 118 號元素「鿆(Og,Oganesson)」,但科學家預測或許還能繼續向上延伸;只要能合成更重、更穩定的原子核,我們就能拓展週期表的新邊境。

-----廣告,請繼續往下閱讀-----

一般認為,隨原子序遞增,原子核內部的質子數目激增,原子愈趨不穩,往往在極短時間內衰變成較輕元素。然而,一些理論物理學家提出「島狀穩定性」(Island of Stability)的概念:也許在某特定質子與中子數量組合下,能出現意外長壽的「穩定」重元素。

是否真能在表格上方再增添「第八週期」甚至更高週期的列,仍有待更多實驗來驗證。但無法否認的是,週期表一直是科學家檢驗自然規律的試驗場,也見證了人類探索未知的無盡熱情。

-----廣告,請繼續往下閱讀-----

討論功能關閉中。

F 編_96
21 篇文章 ・ 0 位粉絲
一個不小心闖入霍格華茲(科普)的麻瓜(文組).原泛科學編輯.現任家庭小精靈,至今仍潛伏在魔法世界中💃