鋼鐵人的弧形反應器事實上超大

• 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。

• 本文轉載自科技大觀園，原文為《試問Siri與Jarvis的距離有多遠？》
• 作者 / 科技大觀園特約編輯｜姚荏富

近年來因為人工智慧、大數據、區塊鏈等應用科技快速發展，以及 Google 等科技公司大舉來到臺灣進駐並招聘大量軟體工程師，臺灣頂大的資工科系成為超熱門志願。不過大家對資工系的印象就是要學寫程式，也就是俗稱的 coding，但 coding 在解決什麼問題？今天我們訪問了臺大資工系的陳縕儂副教授，從老師的專業「自然語言處理」（Natural Language Processing，縮寫 NLP）做切入，來帶大家了解資工系究竟在解決什麼問題。

讓 AI 聽得懂人話，就是「自然語言處理」

陳縕儂老師的機器智慧與理解實驗室，主要是針對語言處理及對話系統相關技術進行研發，藉由機器學習技術，透過資料讓機器自動學習，理解人類語言並且進行適當的互動，目標是希望能讓機器的智能比肩人類，甚至超越人類。

「自然語言處理」是資工領域中的一個分支，名字聽起來很抽象，但其實這項學門的目標就是讓電腦可以「聽懂」人類說的話、「理解」語意並給予「回應」，就像鋼鐵人電影中的 AI 助理 Jarvis，鋼鐵人只要說如常說話就可以下達指令，讓 Jarvis 協助生活中各種大小事。

不過理想很飽滿現實卻很骨感，要做到像 Jarvis 這樣有求必應的 AI 助理並不容易，目前市面上的智慧助理如 Apple Siri、Google Assistant 及 Amazon Alexa 都已經隨著 3C 產品普及化了，但很多時候它們仍會說：「很抱歉，我聽不懂你的意思。」可見，從 Siri 到到 Jarvis 仍有很長的一段路要走，但為什麼這是條漫漫長路？——歡迎來到「自然語言處理」的思考領域。

• 延伸閱讀：喜歡教書、喜歡台灣自由的研究學風 ，要讓語音助理「賈維斯」成真——陳縕儂專訪

從「聽懂」到「回應」，AI 必須克服多項關卡

大家可以想像一下，今天要跟一個 AI 互動，通常是透過語音或者文字來下達指令，接著 AI 就會協助我們完成特定的任務，並解決特定的問題。

在這個過程中，有四個主要的環節必須克服，分別是語音辨識 （Automatic Speech Recognition; ASR）、語意理解 （Natural Language Understanding; NLU）、對話決策 （Dialogue Management）、以及語言生成 （Natural Language Generation; NLG），說的白話一點，就是接收你講的話、翻譯成 AI 能理解的指令、要如何處理指令，以及怎麼把回應翻譯成人類能聽懂的聲音或文字。

在這四個環節裡都有相當複雜的問題需要去解決，譬如語音辨識，在技術上通常是將語音訊號直接轉換成文字，讓 AI 去理解，但在將音訊輸入的過程中，就必須要排除掉我們口語中會用的「嗯」、「啊」、「喔」等贅字或不自然的停頓，又或者是新創的流行語、方言、口音……等等的問題必須先解決，才能讓 AI 真的能聽懂人類的自然語言。

在「語意理解」上，要讓 AI 去分析語言或文字的脈絡、理解關鍵字，再找出對應的資料（搜尋資料庫）；而「對話決策」更是困難，前面理解了人類的語言或文字表意後，AI 應該要如何回應？可能使用者給的資訊不完整，AI 要追問使用者以釐清問題？又或者在語意理解上有聽不懂的字，得要再次詢問並確認？

這還只是 AI 面對人類自然語言時，其中幾個回應的選項，真實的對話情境可能更加複雜，而且整個對話過程只要有一個環節正確度不夠高，那 AI 後續也很難準確的回應，只要有一步錯了，就會對後續對話體驗造成負面影響。

不過好消息是，現在的深度學習技術已經相當成熟，只要餵資料給電腦時，告訴他怎麼樣是對、怎麼樣是錯，基本上電腦都可以不斷修正（餵的資料也要夠多），再加上現行語言代表模型的優化，智慧 AI 在特定領域的應用上都有蠻不錯的成果。

Jarvis 仍遙遠，AI 的新突破是精準翻譯

聊到這幾年 AI 的重要突破，老師提到三年前 Google 所開發的語言代表模型 BERT（Bidirectional Encoder Representations from Transformers），當時 BERT 一出現市面上所有自然語言處理的模型都改採用了它的運作邏輯。相較於過去的語言模型，通常都是餵指定任務的文字來訓練電腦，BERT 是在給電腦任務前，先餵它吃很多的文章或書，接著再提供任務給它。

以翻譯為例，這就好像讓一般人翻譯，跟讀過很多書的人來翻譯一樣，讀過很多書的人懂得字彙跟用法，自然翻譯出來的成品更流暢。

而 BERT 的技術確實也得到相當好的成效，所以擊敗了當時許多正在開發的語言模型，成為了當前語言模型的基礎。有趣的是，BERT 的前身是一個名為 ELMo（Embeddings from Language Models，與芝麻街角色名字相同）的語言模型，所以 BERT 的開發者們就用芝麻街的角色，來為他們開發出來的語言模型命名。

• 延伸閱讀：別意外！Google 真的聽得懂「人話」：BERT 自然語意演算法如何提升關鍵字理解能力？

當前 AI 發展的目標，為它建立「人的常識」

雖然說 NLP 領域在商業與學術上都有相當大的發展空間，但陳老師認為，目前要達到人的「common sense（常識）」對 AI 來說還是非常困難，舉例來說，今天我們跟智慧助理說我今天要跟某某人吃晚餐，這個時候如果是人類的助理，我們可能會聯想到「吃什麼」、「要不要聯絡某某人」、「交通方式是？」……等等與飯局相關的問題，但 AI 目前並沒有辦法執行這麼複雜的互動，還得必須跟 AI 說「幫我訂位」、「幫我叫車」，仍在一個指令一個動作的狀態，這種 AI「common sense」的建立，可說是目前非常有挑戰性的項目。

• 延伸閱讀：剖析霍金的「代言人」：人機如何透過語音互動溝通？

AI 的開發方向——人類的工作輔具

身為 AI 的設計者，陳縕儂老師認為 AI 會成為輔助人類的一部分，雖然說現階段許多人對於 AI 可以執行我們的工作感到彆扭，但實際上 AI 正在減輕我們的工作量，舉例來說，像是目前醫院已經有在使用協助診斷的 AI，但這樣的 AI 並不會取代醫生的工作，因為 AI 只是提供醫生診斷的相關依據，實務上對於病患的判斷最終還是得由醫生來做。

雖然 AI 已在產業中被廣泛利用，但基本上仍以「人機協作」為大宗，雖然能取代部分人力，但像是創造類型的工作 AI 就幾乎無法獨自完成。至於大家想像中，AI 恐對人類造成威脅的情節，基本上不會發生，因為 AI 是不會憑空出現意識的，AI 威脅人類的可能，比較會是人類不當利用造成的風險，所以在未來 AI 的開發上，基本上會往輔助人類的方向去做應用。

資工領域瞬息萬變，「喜歡新知」很關鍵

談到什麼特質適合來讀資工系，陳縕儂老師認為，數學或是邏輯只是基礎，重要的是「喜歡接受新知」的特質，因為在資工領域瞬息萬變，資訊更新的相當快速，隨時都會有新東西出來，如果不喜歡吸收新知識，讀資工系可能會比較痛苦一點。另外，資工在應用上時常會和不同領域的人做合作，你必須了解對方的需求跟他們的條件，才能設計出能夠幫別人解決問題的方法，而這也是資工有趣的地方。

陳縕儂老師也和我們分享了在他眼中臺灣學生和外國學生的差異，他認為臺灣學生應用網路資源自學的能力非常強，而外國學生則是勇於在課堂上和老師提問並討論，各有各的優點，不過教授也認為由於臺灣學生擅長自己找答案，所以在協作與表達上的可能相較於外國會比較弱一些，但如果這一塊能做到加強，臺灣的學生其實是非常有競爭力的。

最後老師還告訴我們，當初大學時機器學習與 NLP 領域並不是資工領域的主流，一開始只是選擇了自己有興趣的領域，也沒想到近幾年 NLP 會變成現在的顯學，他認為自己真的非常幸運，可以一路延續自己熱愛的主題。

最後的最後，陳縕儂老師建議有意投入資工領域的學員們，可以先了解這個領域需要的先備知識，像是 coding 要用到的程式語言、跟 AI 相關的內容則會牽涉到數學，最後當然就是對知識的熱情和態度，了解之後才比較能判斷這個領域適不適合你，千萬不要因為從眾而選擇。

• 延伸閱讀：大學科系選擇難題該怎麼解？背景知識、線索蒐集與獨立思考是你的最佳武器！

如果你是一個動漫迷，一定曾經夢想變身超級英雄，但這似乎終究只能是幻想──直到科技把想像化為現實。

隨著科技快速演進，人類終於可以製造出模擬各種超能力的裝備，像是讓上班族變身蜘蛛人的攀牆手套、只比超人視力差一點的千里眼隱形眼鏡等，擁有超能力不再是癡人說夢。

不過，這些裝備的發明並非如同漫畫情節：由億萬富翁為了懲奸除惡而打造；而是科學家和醫學專家為改善人類生活而研發。舉例來說，專家研發出能夠加速人體組織再生的植入體，雖然不可能像金鋼狼一樣迅速讓傷口癒合，卻可降低感染機率和醫療成本；另外還有能夠偵測周遭障礙物的特製服裝，用處不在增加超級英雄的第六感，而是為了幫助視障人士安全地行走。

這些新奇科技有些仍在研發階段，但也有一些已經實際問世。美國國防承包商雷神公司（Raytheon）已經交貨給美國陸軍一套讓士兵力大無窮的鋼鐵人裝；許多造船廠也用類似概念的外骨骼機械裝，協助工人操作重型機具。如果你有興趣，甚至可以在家自己拼裝超能力裝備。紐約羅徹斯特大學的學生，就運用唾手可得的現成材料，打造出一具隱形透視鏡。

雖然目前的科技還無法讓每個人都穿上紅色披風飛天入地，但透過本期為你介紹的高科技裝置，我們或許可以窺知未來擁有類似超能力的世界，甚至預先規劃好自己的超級英雄祕密基地。

蜘蛛人攀牆術

黏性手套的靈感來自壁虎的腳。

如果可以像蜘蛛人一樣發射蜘蛛絲，徒手攀爬辦公大樓，一定會讓上班變得更有趣。不過這套都市輕功服和蜘蛛的關係不大，是從壁虎的四隻腳得到靈感而發明出來的。

史丹佛大學學生模擬壁虎腳上的細微毛髮，開發出特製的乾式黏性手套，讓普通人透過類似的黏著原理來垂直爬行。然而，技術上的困難在於壁虎只有幾公克重，若要支撐體型相對龐大的人類，得另有對策。研發團隊利用加裝特殊簧片來平均分散人施加在手套上的重量，讓整組裝置可以承受高達91公斤的成人體重。另一方面，人類的上半身不像壁虎那樣強而有力，因此還需要一組活動式繩梯，將部分攀爬作用力轉移至雙腳，以減輕雙臂負荷。這副手套的初步測試相當順利，目前學生們正與美國航太總署噴射推進實驗室（Jet Propulsion Lab）合作，評估是否能把相關技術應用到太空船的機械手臂，以回收太空垃圾。

蜘蛛人超感應

對超級英雄來說，預知壞蛋來襲是必備的能力之一，而如今我們只要穿上感應裝，也能具備相同的能力。雖然就造型而言，它沒有緊身蜘蛛裝那麼酷，但這套「蜘蛛感應裝」卻能感應方圓152公分內的障礙物或接近的人，並向穿戴者發出警告。整套裝備包含多項感測模組，由一個測距儀和一具伺服馬達所構成。測距儀會不斷發射聲納波，當聲納波遇到物體反彈回來，便可由感測器計算出距離。一發現障礙物，伺服馬達──即遙控飛機上常見的那種馬達──便啟動推桿，對穿戴者的皮膚施加壓力。越接近障礙物，推桿壓力會越大，藉此讓使用者判斷物體遠近、作出反應。發明者維克托．麥特維席（Victor Mateevitsi）表示，開發這項技術的目的是希望造福視障人士；此外在昏暗環境下，像是濃煙密布的火場，也可以用來確保消防人員的安全。

超級戰鬥裝

披風和小褲褲不夠看，真正的超級英雄都穿外骨骼機械裝。

鋼鐵人的超能力不是因為被輻射蜘蛛咬到，也不是被伽瑪射線照到而突變；鋼鐵人裝說穿了，就是透過精密的工程設計──加上很多的錢──所打造出來的。既然如此，當然我們也可以如法炮製，事實上，現在已經有業者開發出類似的裝備了。

國防製造商雷神替美軍研發了一款超強外骨骼機械裝（Robot Exoskeleton）。士兵只要穿上這套裝備，就能在高液壓系統的輔助下，大幅提升力量、靈敏度和持久作戰能力，即使進行劇烈活動也不至於疲勞和受傷。雖然目前的版本必須連接到內燃液壓引擎以作為動力來源，但未來可望在2020年推出不需要外接線路的獨立外骨骼機械裝。

不只軍方需要外骨骼機械裝，洛克希德．馬丁公司也設計了一款專供重機械操作員使用的機械裝FORTIS，它可以承載大部分的機具重量，讓操作人員可以長時間作業，減少因為肌肉疲勞所需的休息時間和次數。

自製隱形斗篷：讓你看穿物體的簡單透鏡組

隱形和透視都是相當熱門的超能力，但你可能不知道，這兩種能力早已經成為現實，而且一般人在家裡就能辦到。羅徹斯特大學的學生利用市面上現有的便宜材料，設計出一組遮蔽裝置，可以讓光線繞過物體，製造出物體憑空消失的神奇效果。要製造出這種錯覺，需要四組焦距不同的透鏡，並將透鏡相隔特定距離擺設。當光線進入第一組透鏡時，會先聚焦，然後發散，因而繞過位於遮蔽區的物體。但此時後方景象是顛倒的，所以還需要另外一組透鏡，再把影像翻轉回來。這套裝置的遮蔽能力不限特定視角，也就是說不管從透鏡的任何角度看過去，都能清楚呈現物體後方的景象。

這套簡單裝置的遮蔽範圍其實只有透鏡內部，亦即類似甜甜圈的環狀區域內。不過研究團隊也研發出了另一套更為複雜的透鏡裝置，可以達到完全遮蔽的效果。

研發團隊希望這套「羅徹斯特斗篷」（Rochester Cloak）可以在醫療領域發揮作用，讓外科醫生在手術時，能更清楚地看到開刀部位，或是協助卡車司機繞過車輛的死角，察覺周遭狀況。

磁性第六感

這種彈性極佳的人造皮膚能感應地球磁場，讓路癡也不迷路。

鳥和鯊魚沒有GPS也能找到方向，但許多超級英雄仍需輔助裝置，才能正確且即時地找到壞蛋巢穴。科學家現在發明了一種電子皮膚，能夠透過偵測地球磁場來協助指認方向，讓衛星導航和Google地圖都成為過去式。

這種人造皮膚是一層鈷和銅的金屬薄膜，在磁場環境下可以感應電阻的變化。只要測量電阻差異，就可以計算出磁場距離，再把這個資料傳送到液晶顯示幕上，就能清楚判斷方位和距離。

科學家把磁場感測材料黏在PET軟性膠膜上──類似透明投影片的材質──然後再將它貼以彈性膠帶，好讓人造皮膚可以自由伸縮。一平方公尺的感測膠膜只有不到3公克的重量，厚度僅兩微米，比人髮的十分之一還要細，因此人造皮膚可以貼附在人體上，甚至植入皮膚下方，而不至於造成不適。

快速自體療癒：讓骨肉再生的智慧型植體

除了全身擁有強化金屬骨骼，以及金鋼爪之外，金鋼狼還有一項特異功能，那就是快速的自體療癒。其實人體本身就已經有不錯的修復功能，但和X戰警第一男主角的再生能力相比，卻是差得遠了。不過現在這個差距，正在逐漸縮小。

有業者開發出內含大量生長因子的醫療用植體，其中的組織再生分子可以有效提升人體自我療癒的速度。雖然跟金鋼狼的超能力比起來仍舊略遜一籌，不過對於皮膚或骨頭受傷的患者來說，已經能大幅縮短癒合的時間。

除了加速自體療癒，FeyeCon公司所研發的智慧植體還有幾項聰明的特色。首先，它是由可生物分解的材料所製成，因此等到傷口復原後，它會逐漸分解成對人體無害的自然成分；此外，它還可以事先添加抗生素，以減少身體組織排斥外來物質時的發炎機率。目前研究人員仍在微調成分，為的是更適應身體各部位組織，但預估在不久的將來就可以正式推出。

千里望遠鏡：一眨眼就能放大遠方物體的超強眼鏡

超人的千里眼可以隨時看見哪裡有麻煩，不過現在普通人也能擁有類似的能力，儘管目的大不相同。老年性黃斑病變是全世界老年人失明的罪魁禍首，而致病的原因是主管視覺敏銳度的黃斑部位細胞受損。

為了幫助患有此病的老年人提升視物能力，聖地牙哥和瑞士的科學家研發出具有望遠功能的隱形眼鏡，它能將視覺影像放大2.8倍。這種硬式隱形眼鏡比普通隱形眼鏡更大一些，但和過去用來矯正黃斑病患視力的厚重眼鏡相比，已經是一大進步。配戴者仍須戴上由三星3D眼鏡改造而成，且具備精巧操作功能的特製眼鏡。

鏡架上的感測器讓配戴者只須眨動單眼，就能在普通和望遠視力之間切換。眨右眼，便開啟2.8倍放大功能，眨左眼，則會關閉。瑞士聯邦科技學院的研究團隊負責人艾利克．川布雷（Eric Tremblay）表示：「目前這種眼鏡仍處於研究評估階段，但我們期待未來能夠實際生產，嘉惠黃斑部受損的病患。」

念力波動：用腦波控制一切

如果光用念力就能移動物體，確實可以讓生活方便許多，可惜所謂的隔空移物始終只是科幻小說裡的虛構情節。不過，在現代科技的協助下，我們還是可以利用腦波做到很多事情。

真正的腦波控制技術是利用安裝在頭顱上的腦電波感測器（EEG sensor）來偵測大腦活動。當穿戴者專注於某個物體時，額頭後方的大腦前額葉會激發神經元，產生腦電波。這種腦電波足以引起腦波感測器的電位差，再由電腦演算法分析轉譯為電子訊號，下達指令給連接的裝置設備。

透過這個原理，航太技術廠Tekever已經開發出透過腦波操作的無人機。操作員須戴上腦波感測帽，且事先接受訓練，學習透過專注力來讓電腦螢幕上的圖示向上或向下移動，藉以指揮無人機向左或向右轉；當腦波感測器偵測到大腦特定部位的活動後，便可以傳送相對應的指令給無人機。業者希望這套技術未來能夠應用於更大型的飛行器，減少飛行員的工作負荷，或是讓身障人士也能一圓飛行夢。

本文節錄自《How It Works知識大圖解 國際中文版》第16期（2016年01月號）

更多精彩內容請上知識大圖解