鏡花水月—萬花筒Part1

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

本文轉載自諾貝爾化學獎專題系列，原文為《【2021諾貝爾化學獎】他們的工具帶給了建構分子的革命性發展》

• 譯者／曹一允｜美國德州農工大學 Karen Wooley 教授指導下取得博士，現於日本萊雅公司進行研究。
• 譯者／蔡蘊明｜台大化學系名譽教授

他們的工具帶給了建構分子的革命性發展

化學家可以透過連接許多小的化學塊材來創造新分子，但控制這些看不見的物質，以所需的方式結合是很困難的。班傑明 • 李斯特（Benjamin List）和大衛 • 麥克米蘭（David MacMillan）獲得了 2021 年諾貝爾化學獎的桂冠，以表彰他們開發了一種新而巧妙的工具來建構分子：有機催化。它的用途包括研發新的藥物，以及使得化學更為環保。

許多行業和研究領域都須依賴化學家建構新功能分子的能力，那些可以是任何在太陽能電池中捕獲光或將能量儲存在電池中的物質，也可以是製造輕便跑鞋或抑制疾病在身體內進展的分子。

然而，如果我們將大自然建造化學物質的能力，與我們自己的能力進行比較，那我們就好像是長期的被困在石器時代一般。大自然的進化產生了令人難以置信的特殊工具，酵素（或稱酶），用於建構賦予生命形態的各種形狀、顏色和功能的分子複合物。最初，當化學家分離出這些化學傑作後，他們只能以崇敬的眼光看著。在他們自己的分子建構工具箱中的錘子和鑿子，顯得愚鈍和不可靠，所以當他們企圖複製大自然的產品時，往往最終會產生許多不需要的副產物。

精細化學的新工具

化學家添加到工具箱中的每一個新工具，都漸漸地提高了他們建構分子的精確度。緩慢但確實地，化學已經由用在石頭上的鑿子發展出許多精細的技藝。這對人類實在大有助益，而其中一些工具已經獲得諾貝爾化學獎的肯定。

獲得 2021 年諾貝爾化學獎的發現，已經將分子的建構拉到一個全新的水平。它不僅使化學更為環保，而且更容易製造不對稱分子。在化學分子的構築過程中，經常會出現一種狀況，就是可以形成兩種分子 —— 就像我們的手一樣 —— 是彼此的鏡像。尤其是在製造藥品時，化學家經常希望只得到這兩個鏡像中的一個，但卻很難找到有效的方法來做到這一點。李斯特和麥克米蘭為此研發出的概念 —— 不對稱有機催化 —— 既簡單又出色。實際上很多人都很納悶，為什麼我們沒有早點想到它。

真的，為什麼呢？這不是一個容易回答的問題，但在我們嘗試之前，需要快速地回顧一下歷史，我們將會定義「催化」（catalysis）和「催化劑」（catalyst）這兩個術語，並為 2021 年的化學諾貝爾獎奠定理解的基礎。

催化劑加速化學反應

在十九世紀，當化學家開始探索不同化學物質相互反應的方式時，他們有了一些奇怪的發現。例如，如果他們將銀放入含有過氧化氫（H₂O₂）的燒杯中，過氧化氫會突然開始分解成水（H₂O） 和氧氣（O₂）。但是促發這個過程的銀，似乎完全不會受到反應的影響。類似的，從發芽的穀物中獲得的一種物質，則可以將澱粉分解成葡萄糖。

1835 年，著名的瑞典化學家貝吉里斯（Jacob Berzelius）開始注意到其中的規律。在皇家瑞典科學院年度報告中，敘述物理和化學的最新進展時，他寫到了一種可以＂產生化學活性＂的新＂力＂。他列舉了幾個例子，其中只要有某一種物質的存在，就可讓化學反應發生，並指出這種現像似乎比以前認知的要普遍得多。他認為這種物質具有一種「催化力」，並稱這種現象為「催化作用」。

催化劑產生塑膠、香水和美味的食物

自貝吉里斯時代以來，大量的汗水流過了化學家的吸管，他們已經發現許多種催化劑，可以分解分子或將它們連接在一起。多虧了這些催化劑，他們現在可以開發出我們日常生活中使用的數千種不同的物質，例如藥品、塑膠、香水和食品調味劑。事實是，估計有世界 GDP 總量的 35%，在某種程度上涉及化學催化。

原則上，西元 2000 年之前發現的所有催化劑都屬於以下兩類之一：它們若不是金屬那就是酵素。金屬通常是極好的催化劑，因為它們具有特殊的能力，能在化學反應過程中暫時容納電子或將它們提供給其它分子。這有助於鬆開分子中原子間的鍵結，因此使得尋常時候很強的鍵結可以被打破，形成新的鍵結。

然而，一些金屬催化劑的問題是它們對氧氣和水非常敏感。因此，要使這些試劑正常運作，它們需要一個無氧和無濕氣的環境，而這在大規模的產業界很難實現。此外，許多金屬催化劑都是重金屬，可能對環境有害。

生命的催化劑以驚人的精確度運作

第二種形式的催化劑屬於一些稱為酵素（或酶）的蛋白質。所有的生物都具有數以千計的不同酵素，來驅動生命所必需的化學反應。其中有許多酵素是不對稱催化方面的專家，原則上，總是只生成兩個可能的鏡像中的一個。它們也並肩工作；當一個酵素完成反應時，另一個就會接管。通過這種方式，它們能以驚人的準確度建構複雜的分子，例如膽固醇、葉綠素或稱為番木虌鹼（strychnine）的毒素，它是我們知道的分子中最複雜的物質之一（我們將回到這一點）。

由於酶是如此有效的催化劑，1990 年代的研究人員試圖開發新的酵素變體，以驅動人類所需的化學反應。一個致力於此領域的，是總部設在美國加利福尼亞州南部的斯克里普斯（Scripps）研究所中，由已故的巴爾巴斯三世（Carlos F. Barbas III）所領導的研究小組。李斯特在巴爾巴斯的研究小組中獲得了博士後研究員的職位，此時一個絕妙的想法誕生了，從而導致今年諾貝爾化學獎其中的一項發現。

李斯特跨出了盒外來思考

李斯特在研究催化抗體（catalytic antibodies）。通常情況下，抗體會附著在外來病毒或我們體內的細菌之上，但斯克里普斯的研究人員重新設計了它們，使得它們反而可以驅動化學反應。

在研究催化抗體期間，李斯特開始思考酵素實際上是如何的運作。它們通常是由數百個胺基酸所構成的巨大分子，除了這些胺基酸，很大一部分的酵素也含有能幫助驅動化學反應的金屬。但是 —— 這就是重點 —— 許多酵素在沒有金屬幫助的情況下，也能催化化學反應。此外，反應只是由酶中的一個或幾個單獨的胺基酸所驅動的。李斯特跳脫出盒外所問的問題是：胺基酸是否必須是酶的一部分才能催化一個化學反應？或者一個單獨的胺基酸或其它類似的簡單分子，是否也可以達成同樣的工作？

產生具有革命性的結果

他知道 1970 年代初就有人研究過，用一種名為脯胺酸的胺基酸作為催化劑 —— 但那是 25 多年前的事了。當然，如果脯胺酸真的是一種有效的催化劑，當然有人會繼續研究它吧。

這或多或少是李斯特的想法；他認為沒有人繼續研究這一現像的原因，是發現效果不是特別好。 在沒有任何真正的期待下，他測試了脯胺酸是否可以催化一種「醛醇反應」（aldol reaction），將其中來自兩個不同分子的碳原子結合在一起。這只是一個簡單的嘗試，但令人驚訝的是，它立即奏效。

李斯特確定了自己的未來

通過他的實驗，李斯特不僅證明了脯胺酸是一種有效的催化劑，而且還認為這種胺基酸可以驅動不對稱催化反應。在兩個可能的鏡像產物中，其中的一個比另一個更易生成。

與之前測試脯胺酸作為催化劑的研究人員不同，李斯特了解它可能具有的巨大潛力。與金屬和酵素相比，脯胺酸是一個化學家夢幻的工具。它是一種非常簡單、廉價且環保的分子。當他在 2000 年 2 月發表他的發現時，李斯特將使用有機分子進行的不對稱催化，描述為一個具有很多機會的新穎概念：＂這些催化劑的設計和篩選是我們未來的目標之一＂。

不過他並不孤單，在加利福尼亞北部的一個實驗室裡，麥克米蘭也在朝著同樣的目標努力。

麥克米蘭將敏感的金屬拋諸腦後

兩年前，麥克米蘭剛從哈佛搬到加州大學伯克萊分校。他在哈佛曾致力於改善使用金屬的不對稱催化反應，那是一個受到許多研究人員關注的領域，但麥克米蘭注意到，為何研究人員開發的催化劑在工業界卻很少使用？他開始思考原因，並認為那是因為敏感的金屬使用起來很困難，而且太貴了。一些金屬催化劑所要求的無氧無濕氣的條件，在實驗室中運作相對簡單，但要在這種條件下進行大規模工業製造是很複雜的。

他的結論是，如果要讓他正在開發的化學工具有用，他需要一個新的思維。所以，當他搬到伯克萊時，他把金屬拋在腦後。

開發了一種型式更簡單的催化劑

取而代之，麥克米蘭開始設計簡單的有機分子 —— 就像金屬一樣 —— 可以暫時提供或容納電子。在這裡，我們需要定義什麼是「有機分子」 —— 簡而言之，那是建構所有生物的分子。他們擁有一個穩定的碳原子骨架，各種活性化學基團可附著在這個碳骨架上，它們通常含有氧、氮、硫或磷。

因此，有機分子是由簡單而常見的元素組成，但是，取決於它們是如何組合在一起的，它們可以具有複雜的性質。麥克米蘭的化學知識使得他認為，若要用有機分子來催化他感興趣的反應，它需要能夠形成一個「亞胺離子」（iminium ion），這個離子包含了一個氮原子，而且對電子具有天生的親和力。

他選擇了幾種具有正確特性的有機分子，然後測試了它們驅動狄耳士－阿德爾（Diels－Alder）反應的能力，化學家用這個反應來建構碳原子環。正如他所期盼並相信的那樣，它們運作得非常出色。其中的一些有機分子，在不對稱催化方面的表現也很突出。在兩個可能的鏡像產物中，其中一個佔了 90% 以上。

麥克米蘭創造了有機催化一詞

當麥克米蘭準備發表他的結果時，他意識到自己發現的催化概念需要一個名字。事實上，研究人員雖早已成功地使用有機小分子催化化學反應，但這些都是個別單獨的例子，沒有人意識到這種方法可以被推廣。

 麥克米蘭希望找到一個術語來描述這個新方法，如此一來其他研究人員就能夠理解，尚有更多有機催化劑仍未被發現。他的選擇是「有機催化」（organocatalysis）。

於 2000 年 1 月，就在李斯特發表他的發現之前，麥克米蘭送出了他在科學期刊上發表的原稿。文章中的引言寫著：

＂在此，我們介紹了一種新的有機催化策略，而我們預計這個新策略將適用於一系列的不對稱轉化。＂

有機催化應用的蓬勃發展

李斯特和麥克米蘭各自獨立地發現了一個全新的催化概念。從 2000 年至今，此領域的發展幾乎可以比擬為淘金熱，其中李斯特和麥克米蘭保持著領先地位。他們設計了大量廉價且穩定的有機催化劑，可用於驅動各式各樣的化學反應。

有機催化劑不僅一般由簡單分子組成，在某些情況下 —— 就像自然界的酵素一樣 —— 它們可以在輸送帶上工作。以前，在化學生產過程中，需要對每個中間產物進行分離和純化，否則副產物的量會太多，這導致了在化學合成的每個步驟中都會有一些物質損失。

有機催化劑的寬容度則比較高，因為相對而言，合成過程中的幾個步驟可以連續進行，這稱為串級反應（cascade reaction），可以減少許多化學合成中的浪費。

番木虌鹼的合成效率提高了 7,000 倍

一個有機催化使分子建構更有效率的例子，是合成天然且極其複雜的番木虌鹼分子。許多人會從謀殺案件小說女王阿加莎・克莉絲蒂（Agatha Christie）的書中認出番木虌鹼。然而，對於化學家來說，番木虌鹼的合成就像一個魔術方塊：一個步驟越少越好的挑戰。

在 1952 年首次合成出番木虌鹼時，需要經過 29 種不同的化學反應步驟，只有 0.0009% 的起始物被轉換成產物，剩下的都浪費掉了。

到了 2011 年，研究人員能夠使用有機催化和串級反應，在僅僅 12 個步驟中建構番木虌鹼分子，生產過程的效率提高了 7,000 倍。

有機催化在藥物生產中最為重要

有機催化對經常需要不對稱催化的藥物研究產生了重大影響。在化學家可以進行不對稱催化之前，許多藥物分子都含有兩個鏡像的異構物。其中一個是有活性的，而另一個可能有時會產生不良的影響。一個災難性的例子是 1960 年代的沙利多邁（thalidomide）醜聞，沙利多邁藥物分子的一個鏡像，導致數千個發育中的人類胚胎產生嚴重畸形。

使用有機催化，研究人員現在可以相對簡單地製造大量不同的不對稱分子。例如，他們能以人工方式來合成具有治療潛力的物質，否則就只能從稀有植物或深海生物中，分離出微量的相同分子進行研究。

在製藥公司，這種方法還用於簡化已知藥物的生產。這方面的例子包括用於治療焦慮和抑鬱的帕羅西汀（paroxetine），以及用於治療呼吸道感染的抗病毒藥物克流感（oseltamivir）。

簡單的構想往往是最難設想的

我們可以很簡單地舉出數千個如何使用有機催化的例子 —— 但為什麼沒有人更早提出這種簡單、綠色且廉價的非對稱催化概念？這個問題有很多答案，其中一個是簡單的構想往往是最難設想的。我們的觀點被這個世界應該運作的模式，先入為主且強烈地遮蔽了，例如只有金屬或酵素才能驅動化學反應的想法。李斯特和麥克米蘭成功地打破了這些先入為主的想法，找到了困擾化學家數十年問題的巧妙解方。因此，有機催化劑才能夠 —— 在此時此刻 —— 為人類帶來莫大的裨益。

• 本文譯自諾貝爾化學獎委員會公佈給大眾的新聞稿，原文可自以下官方網站取得：
  https://www.nobelprize.org/uploads/2021/10/popular-chemistryprize2021.pdf
• 若有興趣閱讀進階的原文資料，請由下列官方網址取得：
  https://www.nobelprize.org/uploads/2021/10/advanced-chemistryprize2021.pdf

緣起

之前一時興起組了一台《大人的科學》35mm雙眼相機，想說是否可以來改造一下，因此就利用自己很愛做的萬花筒(詳見鏡花水月)，來打造一個獨一無二的延伸鏡頭。

所需材料

1. PC鏡板(一些較大的書店或美術行有賣，價格70-100之間)
2. 200P西卡紙(這種厚度的比較好塑形)
3. 雙面膠
4. 美工刀
5. 膠帶

製作流程

1. 於PC鏡板背後做切割標記

2. 切割PC鏡板

3. 稍微使用美工刀劃開黃色虛線處(有兩條，方便之後彎折)

4. 將切下的PC鏡板，沿剛才劃開的兩條線折成一個正三角形(頂部用膠帶固定)

5. 切割200P西卡紙做鏡筒(8.5cm是為了符合相機鏡頭圓周長以及預留黏合邊，7.2cm是留黏合邊讓相機跟萬花筒鏡頭相接)

PS: 鏡頭直徑2.5cm，圓周長大約7.85cm

6. 將裁好的西卡紙捲成圓柱，用雙面膠固定(捲成比相機鏡頭大一些，剛好可以卡上去)

7. 將三角鏡放入圓紙筒中，並塞入廢紙，固定其三頂點(這樣做可以藉由廢紙厚度，調整三角鏡於筒中的位置)

8. 安裝萬花筒鏡頭於相機上(稍微用雙面膠或保麗龍膠固定)

9. 拿起相機去拍攝吧(以下為手機模擬效果)

一開始只想到隨意拍攝XD

多重影分身の术

拍景物時

後來突然想到可以拍蝴蝶，結果意外的，蝴蝶幻化成花!!!

蝶．花

看更多實例(部分圖片，感謝好友陳民峰提供)

生活應用:

萬花筒利用的是，多次反射來達到絢麗的視覺效果。像印度為了讓大家養成將垃圾隨手丟入垃圾桶的習慣，就設計出垃圾萬花桶(Cleanoscope)，每當有人丟進新垃圾後就會出現不同的景象。

馬路上看到的反光器也是利用到多次反射的原理

它是藉由三個互相垂直的平面鏡，組成角反射器，讓射向三鏡的光線反向射回(如下圖)

人類的太空任務中，角反射器也曾經應用在測量準確的月-地距離
阿波羅十一、十四、十五號在月球上曾裝上回向反射器(由許多角反射器為單位組成，下圖為阿波羅十五號的回向反射器)

它是藉由反射地球上發出的雷射光，測出月球與地球之間的距離
(回向反射器詳細資料可參考：Lunar Retroreflectors 或 Lunar Laser Ranging experiment）