咖啡漬圈環有道理

• 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。

咖啡因對大腦的影響

咖啡因是一種分子上的模仿大師。人類醒著的每一分鐘，腦中都會不斷增加腺苷（adenosine）這種化學物質，像是沙漏的沙子不斷累積，能夠告訴我們已經醒著多久，且會讓大腦運作逐漸放緩，創造出一種睡眠壓力，讓人體做好入眠的準備。所以醒著 12 個小時到 16 個小時，人就會感受到一種難以抗拒的誘惑，想回臥室躺著進入夢鄉。

然而，咖啡因的分子結構十分類似腺苷，能夠搶先一步與腺苷的受體結合，卻不會活化受體；這樣一來，反而是對這些腺苷受體形成一種化學封鎖。所以，只要你的腦中有大量咖啡因，腺苷就無法與受體結合，難以傳遞正常的訊號咖啡因就是靠著這種藥理作用來抑制睡意，使大腦保持警覺與專注。雖然腺苷依然不斷在大腦中堆積，只不過所發出的訊號就這樣被咖啡因給堵住了。但是，等到身體分解了咖啡因，腺苷就會宛如大壩潰堤，讓人感受到沛不可擋的睏意——這就是可怕的咖啡因崩潰（caffeine crash）。

植物合成咖啡因，原本是做為一種天然的殺蟲劑，避免葉子或種子遭到啃食，甚至還能殺死昆蟲。但奇怪的是，像是包括幾種咖啡類與柑橘類植物在內，有些植物的花蜜也含有咖啡因，花蜜原本該是用來吸引昆蟲授粉的。實驗結果顯示，咖啡因能夠增強蜜蜂的嗅覺學習能力，讓蜜蜂更能記得這些花的氣味，於是不斷回訪這些有著咖啡香氣的花朵。也就是說，這些植物等於是讓蜜蜂吸了興奮劑，引誘它們成為自己忠實的授粉者；可以說，正是咖啡因讓蜜蜂願意不斷嗡嗡嗡上工。

咖啡因的另一個作用是增加依核裡的多巴胺濃度，同時也會提高多巴胺受體的敏感性。這會刺激我們前面提過的中腦邊緣報償路徑，讓人在喝到一杯好茶或咖啡的時候，感受到愉悅的好心情；但也會讓人上癮。人類之所以愛喝咖啡或茶之類的飲料，是因為這能夠刺激大腦、抑制睡意；而且只要一開始喝了，就會因為咖啡因成癮而讓人維持這樣的習慣。於是回過頭來，我們就看到咖啡因對歷史產生了長久的影響。

在啟蒙時代，咖啡在歐洲咖啡館裡刺激了知識份子的思想與話語；到了不斷變化的工業時代，則是茶讓英國工人階級的身心得以調適。工業革命淘汰了像是編織、打鐵這些傳統工藝，以龐大的機器加以取代。從煤氣燈到電燈泡，各種人造光源讓工廠開始能夠一路運作到深夜。而咖啡因不但能讓工人在單調無趣的工廠環境裡，維持清醒專注，連那些營養不良造成的飢餓感也能一併排除。茶裡面加的糖也能提供熱量，讓人在長時間的輪班期間維持體力。咖啡因就這樣將工人變成了更好的零件，更能配合那些永遠不知疲倦為何物的鋼鐵機器。

〔附注：出於類似的原因，戰爭時期的軍隊也會運用各種精神藥物。像是希特勒速度驚人的閃電戰，先是在 1939 年 9 月橫掃波蘭，接著在 1940 年初攻下法國與比利時。這一方面靠的當然是德意志國防軍裝甲師的機動性，坦克既配備了無線電裝置用於協調，還能得到德意志空軍轟炸機的空中支援。但另一方面，這項成功的背後還有另一項技術的支援：靠著合成興奮劑「甲基安非他命」（methamphetamine，分子結構類似腎上腺素），德軍能夠戰得更猛更久，而不會感覺精神倦怠或身體疲勞。安非他命的化學作用讓人進入高度警覺狀態，也大大提升了自信與攻擊性。閃電戰的成功，靠的其實也是部隊嗑了藥。就連希特勒本人也同時混打多種藥物（古柯鹼、甲基安非他命、睪固酮），提供作戰指揮時的體力。〕

所以講到工業革命，工廠與磨坊的動力靠的是蒸汽機，但如果是操作機器的工人，靠的燃料就是東印度公司帶來的茶葉、加上來自西印度群島的糖。於是，茶的歷史深深植根於對勞工的剝削——從印度的茶園、加勒比海的甘蔗栽培園、再到英國的工廠，都壓榨著這些工人所有清醒的時分。

如今，若想要控制我們的睡眠清醒週期（sleep-wake cycle），咖啡因仍然是一項重要工具。這個科技社會的步調太過急促，不允許我們被動順應自己的生物時鐘，得主動加以調整，適應數位時鐘的要求。而很多人靠的就是自行攝取咖啡因，在每天上班途中把自己叫醒、讓自己能在辦公桌前熬夜趕工，或是在長途飛行後，把生理時鐘同步到新的時區。很多咖啡因成癮者都能自己調整這種藥物的劑量，一方面巧妙發揮咖啡因的正面作用，讓自己更能面對現代世界對專注力的需求，另一方面也能避免過度攝入造成的負面作用，像是焦躁不安、心跳加速、胃部不適。

然而，咖啡因雖然讓我們得以抑制大腦發出的睡意訊號，卻也成了現代人常常睡眠不足的一大主因。咖啡和茶就這樣和人類玩著兩面手法：我們喝咖啡和茶，是為了緩解長期的嗜睡；但造成這種情形的元凶也正是咖啡因。事實上，我們早上會想趕快來杯咖啡，讓腦子清醒一點、或是提振精神，很多時候其實是在緩解一夜難眠的戒斷症狀。

——本文摘自《人類文明：生物機制如何塑造世界史》，2024 年 05 月，天下文化出版，未經同意請勿轉載。

• 文／小風，剛拿到化工系畢業證書的 Swing Dance 愛好者。喜歡把複雜的事情用聽得懂的方式跟大家分享，致力於讓社會了解化學工程的美好。
• 上集〈翡冷萃咖啡的祕密（上）：市售冷萃咖啡其實是「非冷萃」嗎？〉

上集，我們利用輸送現象，並建立模型，解釋了市售冷萃咖啡為什麼可能不是冷萃的原因。理論與模型終究是紙上談兵，複雜的現實情況必然無法用我們的簡單理論完美描述。

「一個好的模型，是帶來出乎意料成功的非現實簡化。¹」

本集，我們就要透過實驗，來檢視簡化模型預測的咖啡濃度差是否跟實驗結果相似。這個實驗不需要任何實驗室儀器，只需要手機鏡頭跟圖片編輯軟體就能辦到！

利用「比色法」辨別濃度

若要辨認咖啡的濃度，在使用同一種咖啡豆的情況下，我們一般會很直觀的認為顏色深的咖啡比較濃，顏色淺的咖啡比較淡吧²！如果我們知道什麼濃度的咖啡會有什麼樣的顏色，當我們沖出一杯咖啡時，就能以顏色判別濃度，這就是「比色法」的概念。咖啡濃度與顏色之間的關係，從「檢量線」可看出來 。可想而知，檢量線如果準確，實驗結果就會比較準。因此，如何建立檢量線就很重要了！

要建立檢量線，我們可以透過「連續稀釋法」，先取得數個已知濃度的咖啡樣品。首先，我們以正常方式用 80℃ 熱水沖一杯咖啡，設定這個濃度為 1.0，也就是標準濃度。接著，取出一部分的咖啡與等量的水混合，稀釋後的咖啡濃度就是原本的一半，也就是 0.5。再將稀釋後的咖啡取出一部分與等量水混合，得到 0.25 濃度的咖啡，依此類推。

小畫家就能量化顏色

有了咖啡樣品，接著需要找到量化咖啡顏色的方式。相信大家都有使用小畫家的經驗吧！若用小畫家開啟一張照片，使用「顏色滴管（color picker）」就可以知道某個特定顏色的 RGB 值，也就將顏色量化了。

所以，我們可以將咖啡樣品用相同規格的透明容器裝起來，在相同的光源、背景、角度下用手機拍照，傳到電腦再用小畫家開啟，就能知道這些咖啡顏色的 RGB 值了。

不過，再仔細想想，你會發現幾個問題：

1. RGB 值有三個數字，哪一個數字或什麼樣的組合才代表濃度呢？
2. 用小畫家一次只能得到一個點的數值，也就是滑鼠鼠標對應位置的 RGB 值，不利統計。

為了解決第一個問題，我們可以使用灰階照片。假設顏色深淺是濃度對應的指標，那麼將彩色照片轉為灰階就可以讓 RGB 三個數字一致，又不失顏色深淺的特徵。

至於第二個問題，我們可以使用數學界四大軟體之一的「Matlab」。軟體中的 Image Viewer 可以一次獲得指定範圍內每一像素的 RGB 值，對這些數字取眾數，就可以獲得比較具代表性的 RGB 數值了。

將樣本濃度與灰階後的 RGB 值³ 繪於一張圖上，就得到了檢量線。

簡化模型真的能成功嗎？

既然我們已經有了估測咖啡濃度的方法，現在就可以用不同溫度的水沖泡咖啡，來驗證實驗結果是否與模型相同。

首先，用 87.5℃⁴、80℃、25℃ 的水沖泡咖啡，並分別將咖啡拍照，轉灰階。接著用 Matlab 取得 RGB 值後，利用檢量線對應出相對濃度。最後，跟模型計算的數值比對。

表一、模型能合理預測不同水溫下的咖啡濃度。製表／作者

由表一可見，模型可以合理估算出實際沖泡的咖啡濃度，也再次強調，一個好的模型：是帶來出乎意料成功的非現實簡化！

比色法的缺點

看到這裡，或許你會覺得比色法實在太好用啦！是不是以後都不需要高階實驗儀器與方法，只要用比色法就能替所有化學物質定量了呢？當然不！

其實在這個簡易咖啡實驗中，我們能發現幾個顯而易見的問題：

1. 若要講究比色法的嚴謹定量，就只能使用在內插的範圍，絕不可用來解釋外插才能得到的數據⁵。舉例來說，圖五中 25℃ 水沖泡的咖啡落在檢量線的兩個數值之間，能夠對應出相對的濃度，這樣稱為內插。但是，87.5℃ 熱水沖泡的咖啡濃度定量，是由最後一段檢量線向外延伸到 87.5℃ 咖啡對應的 RGB 值，再向左對應出相對濃度。這樣的對應稱為外插。

這是相當不嚴謹的估算，因為我們無法確保 RGB 值與相對濃度的關係在這段範圍裡依舊會跟相對濃度 1.0 與 0.5 的直線相同。

2. 雖說上集介紹的模型可以套用在每一種化學物質，但我們的計算都是以咖啡因為基準（詳見上集的註解1）。但是，咖啡因溶於水是無色透明的，所以用比色法討論咖啡因或其他沒有顏色的物質並不合適。

不過，儘管有這些問題，若僅是要簡易估算各物質平均在咖啡中擴散的模型與實驗，從表一的結果來看依舊是可行的。

工程思維：效率與品質可以兼顧

合理簡化一個複雜問題，不一定會失去正確性。

在這次的實驗中， 質量傳遞模型有許多簡化跟假設，實驗用到的比色法也有許多假設，甚至還有小範圍的外插。我們當然可針對這些簡化，用更高深困難的理論與數學，例如考慮熱水在沖泡過程中冷卻、濾袋的幾何結構、捨棄等效水道長的概念而用顆粒床⁶ 的公式計算等，結合程式編碼，模擬出更符合真實情況的計算。

可是，模型的建立會因此更困難，計算難度也高出許多，結果卻可能沒有顯著差異。相對的，簡化模型與比色法實驗的相符，替「出乎意料成功的非現實簡化」提供了最好的例子。總而言之，一個模型怎樣才算過度簡化，往往還是需要與實驗、經驗比對，才會知道。

雖然如此，這也不代表工程師不注重基礎理論。近年的化工研究發展大多高度要求物理、化學、生物理論的應用，諸如材料開發（分子設計）、藥物研究（像是標靶治療、奈米反應器、輸送治療蛋白質等）、能源工程（例如天然氣水合物性質研究、生質能轉換效率如何提高）、奈米製程（觸媒開發、晶圓製造等）。

對我來說，討論化工與化學、物理的差異，也不應停留在理論的複雜程度，而是著眼的系統跟尺度不同。舉例來說，化工藉物理、化學觀念來描述工廠的管線輸送、反應爐、蒸餾塔等設計，並用相同方法描述人體內的血液輸送以研究標靶治療與中風解方等；相對的，有些物理與化學領域專門研究分子、原子或更小層級⁷，意在關注物質與能量如何組成。

因此，區分化工與物理、化學領域的並不是使用理論的難易度，而是關注的應用不同，可別搞錯了喔！

註解

1. 節自 Dill and Bromberg 在《Molecular Driving Force》一書中對統計力學的描述 “To borrow a quote, statistical thermodynamics has a history of what might be called the unreasonable effectiveness of unrealistic simplifications.”
2. 通常淺焙咖啡的顏色比深焙淡，然而，這不必然表示淺焙咖啡中每一種化學物質的濃度都比深焙咖啡的還要低。所以此處強調要使用同一種咖啡豆才能比較。
3. 因為黑色的 RGB 值是（0, 0, 0），白色為（255, 255, 255），如果直接使用，高濃度咖啡的 RGB 值較小，低濃度咖啡的 RGB 值較高，數值較不直觀。因此，我們使用經過轉換的 RGB 值來建立檢量線：Adopted RGB = 255 – Measured RGB。
4. 熱水壺中的水溫原本是 95℃，但在沖咖啡的過程中，熱水會顯著的降溫。因此，模型預測時的參數是用熱水的初溫與末溫平均值來帶入計算，也就是 87.5℃。
5. 內插的範圍是檢量線的最低與最高數值之間：RGB 值 77 到 211 之間。226.6 的 RGB 值不在此範圍間，屬於外插。
6. 顆粒床（granular bed）：在化工通常指布滿用以吸收、萃取之顆粒的長管。流體會由上而下或由下而上的在管中流動，以讓流體與顆粒可以盡量充分反應。但是要注意，顆粒床通常用來描述管內顆粒沒有被流體沖散而流動的情況，與之相對的是流體化床（fluidized bed）。
7. 化工涉足這種微小尺度也行之有年，例如運用分子模擬開發材料、量化計算探討分子結構等。此部分的研究確實與化學、物理關心的領域重疊，但最終研究目的總會與工程應用連結。

• 責任編輯/竹蜻蜓