Loading [MathJax]/extensions/tex2jax.js

0

0
0

文字

分享

0
0
0

光的三原色與視神經的對比傳遞

Desiring Clicks
・2013/08/08 ・1436字 ・閱讀時間約 2 分鐘 ・SR值 546 ・八年級

在國中的物理課程中,我們學到光是由光的三原色所組成,分別是紅色、綠色和藍色,這三種顏色的光組成了我們五彩繽紛的世界。但是在 1878 年,由 Ewald Hering 所提出的色彩拮抗論則是提出了四色論的論點,這個論點主張色彩的視覺系統主要是由紅、黃、藍、綠四個顏色所組成的。這個論點獲得了許多的支持,例如色彩命名實驗中,把各種在可見光譜上出現的顏色呈現給受測者,要求他們以自己認為最精準的詞彙說出顏色的名稱,果不期然,紅、黃、藍、綠四個顏色果然特別突出,最容易被受測者所判別。這是怎麼回事?光只有三原色,可是我們的眼睛卻以四個顏色為基礎?

我們在「低解析度的人類視網膜?」討論過視網膜上的細胞主要分成錐細胞和桿細胞兩種,而其中經過實驗的證實錐細胞的光譜吸收曲線,主要是在光譜上的 450 nm、540 nm 和 580 nm 三種波長,剛好對應到藍、綠、紅三種顏色的光線。我們可以簡單的想像我們的眼睛裡面主要有三種細胞,分別負責不同的波長的光線,然後排列組合後變成了我們看到的世界。但這依舊沒有辦法解釋黃色是怎麼被我們當成基本色的?

如果我們更深入的研究視網膜,會知道錐細胞和桿細胞接收到刺激以後,把這些刺激轉成訊號交給水平細胞和兩極細胞接手,奇蹟就在這裡發生了,訊號在這裡被重新排列組合,達成一種非常類似電子訊號常距離傳遞的方法,來幫助我們降低色彩訊號的干擾。如下圖所示,紅色和綠色分別被相加與相減,而被相加的紅綠訊號則形成了黃色訊號(就像我們用 RGB 色碼一樣,FF0000 紅色加上 00FF00 綠色則變成了 FFFF00 黃色),最後黃色訊號再與藍色訊號進行對比。這個神奇的轉換把視網膜上接收到的絕對訊號轉換成了相對訊號,就像電子訊號一樣,相對訊號被送到大腦即使衰減,也可以利用類似放大器的機制來還原感受。

這似乎解釋了我們對色彩後像(Color Afterimage)的成像原因,所謂的色彩後像,是指我們的盯著某個顏色 30 秒,然後將眼球的注意力移動到白色的區域上,原本在視網膜上面的成像會變成非常鮮明的對比色。例如下圖的紅色正方形,注視 30 秒後看旁邊的白牆,會出現非常清楚的綠色。而藍色的對比則是黃色,這些互補關係都是因為我們已經被刺激到的細胞疲勞,所以誤判顏色訊號所導致的。

-----廣告,請繼續往下閱讀-----

我們對於光的感覺本來就具有色彩恆常性,不管我們在黃光還是白光底下,幾乎都可以正確的判斷出紅色、綠色與白色等顏色。一個紅色的蘋果被拿到其他顏色的光線底下,我們還是可以判斷出他是紅色的蘋果。對於光的強度也有類似的效應,我們在電影院裡面看到的海灘陽光,跟真正的海灘陽光的照度有絕對的差距,但我們依舊還是會覺得電影裡的陽光很刺眼。就像數位相機需的自動調整白平衡功能,我們的大腦似乎天生就具備了這種機制,幫助我們快速的調整並適應各種環境與光源。

 

參考文獻:

  • 陳一平(2011)。視覺心理學。台灣:翔郁整合行銷。
  • Ware, Colin (2008). “Visual Thinking: for Design”

(Image via Raksh1tha, CC License )

 

延伸閱讀:

-----廣告,請繼續往下閱讀-----

 

Desiring Clicks 是一個專門介紹使用者介面、使用者經驗、視覺設計、資訊架構和網路行為的網誌。歡迎你一起參與介面設計,讓這個世界變得更美好。

-----廣告,請繼續往下閱讀-----
文章難易度
Desiring Clicks
14 篇文章 ・ 1 位粉絲
Desiring Clicks(http://dclick.cc)是一個專門介紹使用者介面、使用者經驗、視覺設計、資訊架構和網路行為的網誌。我們相信任何設計、工程都必須由人的角度出發,更貼近人性與心靈,讓世界更美好!

0

1
0

文字

分享

0
1
0
拆解邊緣AI熱潮:伺服器如何提供穩固的運算基石?
鳥苷三磷酸 (PanSci Promo)_96
・2025/05/21 ・5071字 ・閱讀時間約 10 分鐘

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。

-----廣告,請繼續往下閱讀-----

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。

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。/ 圖片來源:MotionArray

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)」!

-----廣告,請繼續往下閱讀-----

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。

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。

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。/ 圖片提供:研華科技

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。

-----廣告,請繼續往下閱讀-----

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。

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。/ 圖片來源:MotionArray

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)。

-----廣告,請繼續往下閱讀-----

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。

-----廣告,請繼續往下閱讀-----

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。

-----廣告,請繼續往下閱讀-----
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。/ 圖片提供:研華科技

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

-----廣告,請繼續往下閱讀-----
-----廣告,請繼續往下閱讀-----
文章難易度

討論功能關閉中。

0

0
0

文字

分享

0
0
0
【成語科學】雨過天青:天空為什麼是藍色的?傍晚的橘紅色天空又是怎麼形成的?
張之傑_96
・2023/10/06 ・1183字 ・閱讀時間約 2 分鐘

下過雨後,天空藍得透明。這個自然現象,衍生出成語雨過天青,比喻情況由壞轉好。雨過天晴也有同樣的意思,不過仍以雨過天青較為正式。閒話少說,讓我們造兩個句吧。

這事挽救及時,現已雨過天青。

雨過天青,您的事可以放心了。

下過雨後,天空藍得透明。圖/pixabay

這個成語還有個故事呢。有一種瓷器,稱為雨過天青,起源於五代‧後周柴世宗。某日臣子請示,皇家瓷器要燒成什麼顏色?柴世宗隨手批示:「雨過天青雲破處,這般顏色作將來。」工匠經過多次實驗,終於燒製出來,這就是有名的「柴窯」。由於沒有作品傳世,柴窯的真面目已無從查考。

談到這裡,該談談這個成語的意涵了。大雨過後,天空為什麼藍得透明?這是因為空氣中的灰塵隨著雨下降下,空氣較為潔淨的關係。喜歡打破沙鍋問到底的小朋友或許還會問:為什麼空氣潔淨、天就較藍?

這要從天空為什麼呈藍色說起。空氣的成份,主要是氮氣和氧氣。晴天的時候,射到地球上的陽光碰到空氣中的氮分子或氧分子,會引起散射作用。藍光的波長較紅光短,散射得較厲害,看在我們眼裡,天空就成為藍色的。

-----廣告,請繼續往下閱讀-----
藍光的波長較紅光短,散射得較厲害,看在我們眼裡,天空就成為藍色的。圖/pixabay

這個道理看起來好像很簡單,但是人類明白這個道理是 19 世紀末的事。1873 年,英國物理學家瑞利是第一位看天看出名堂的人。他的散射理論——瑞利散射,破解了天色的秘密。

在陽光的七種色光中,紅、橙、黃光的波長較長,藍、靛、紫光的波長較短。空氣中的氧分子、氮分子,大小恰好可以散射波長較短的藍光,藍光散了一天,天空當然呈藍色的。

到了傍晚,夕陽西下,陽光打斜裡射過來,較接近地面,而地面的空氣含有較多的水氣和灰塵,粒子比氧分子、氮分子大得多,較容易散射波長較長的紅光、橙光或黃光,艷麗的晚霞就是這樣散射出來的。

陽光打斜裡射過來,而地面的空氣含有較多的水氣和灰塵,較容易散射波長較長的紅光、橙光或黃光。圖/pixabay

如果天上懸浮著小水滴,也就是雲,那又是另一種景象。小水滴比灰塵大得多,各種波長的色光都能被它散射,結果雲就成為白色的。如果雲層較厚較密,陽光穿不過去,就變成了灰色或黑色。白雲蒼狗,不過是陽光玩的把戲而已!

-----廣告,請繼續往下閱讀-----

當雲聚成雨滴的時候,顆粒就更大了,大得具有稜鏡的作用。倘若一邊已出太陽,一邊還在下雨,陽光穿過雨滴,就會形成彩虹。噴泉和瀑布上也可以出現彩虹,原理是一樣的。

-----廣告,請繼續往下閱讀-----
張之傑_96
103 篇文章 ・ 224 位粉絲
張之傑,字百器,出入文理,著述多樣,其中以科普和科學史較為人知。

0

0
0

文字

分享

0
0
0
【成語科學】青出於藍:用藍草提煉出的藍染染料——靛青
張之傑_96
・2023/10/04 ・1065字 ・閱讀時間約 2 分鐘

戰國時大哲學家荀子寫過一篇〈勸學〉,鼓勵大家好好學習。

文章中有這樣一段話:「青,取之於藍而青於藍;冰,水為之而寒於水。」意思是說,靛青是從藍草中提煉出來的,但顏色比藍草還要青;冰是水結凍而成的,但溫度比水還要低。

成語「青出於藍」就是從這段話演變出來的,用來比喻弟子勝過老師,或後輩優於前輩。談到這裡,讓我們造兩個句吧。

他的繪畫得自母親傳授,但已青出於藍。

名師出高徒,這些學生早已青出於藍了。

接下去要談談這個成語的科學意涵了。首先要說明的是:「青」這個字,除了有綠的意思,也有藍的意思;譬如「青天」,指藍天;青瓷,指藍色的瓷器;靛青,指一種藍色的染料,用來「藍染」,將白布染成藍色。

-----廣告,請繼續往下閱讀-----
譬如「青天」,指藍天。圖/pixabay

靛青,一般稱作靛藍。用來提取靛藍的植物主要有 4 種:爵床科的馬藍,豆科的木藍,蓼科植物蓼藍和十字花科的菘藍。台灣一般將藍草稱作大菁,其中最常用的是馬藍。

提取藍靛,首先要將馬藍的新鮮葉子浸泡在水中,讓葉子腐爛,溶解出藍靛。然後撈出腐爛的葉子,加入適量的石灰,攪拌,使藍靛和石灰起化學作用,待沈澱成不溶性的泥狀物,取出過濾,就可以得到藍靛。

泥狀物的靛藍,不溶於水,無法直接染色,必需先將其「還原」成暗綠色染液,這個過程稱為「建藍」。建藍的工序很複雜,限於篇幅,就不多說了。當要染的布自染缸中取出,染料一接觸空氣,就會進行「氧化」作用,再度「還原」成為不溶性的靛藍。

染布的時候,要反覆地在染缸中浸泡,取出擰乾、晾曬,讓染料與空氣中的氧起氧化作用,就會從暗綠色轉變成藍色。染的步驟重複愈多次,色調就會愈深。染好了用水漂洗,洗到水變清為止,然後以醋定色,晾乾後就大功告成了。

-----廣告,請繼續往下閱讀-----

藍染的時候,如果按照事先設計好的方式,把布紮起來,被紮緊的地方染色較淺,這樣就可以染出自己設計的圖案,這是藍染最迷人的地方。

藍染可以染出自己設計的圖案,這是藍染最迷人的地方。圖/pixabay

自從有了化學染料以後,費時、費工的藍染漸漸退出歷史舞台。然而藍染的藝術性以及個性化,使得這一流傳幾千年的工藝仍綿延不絕。如今三峽等地仍有藍染作坊,如三峽歷史文物館旁的藍染展示中心,還可供人 DIY 呢。

-----廣告,請繼續往下閱讀-----
張之傑_96
103 篇文章 ・ 224 位粉絲
張之傑,字百器,出入文理,著述多樣,其中以科普和科學史較為人知。