汽車塗料與石墨烯合作幫雷達除冰

• 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《讓敵人無所遁形的軍事鷹眼！以多頻譜影像處理演算法進行目標物偵測與追蹤》
• 作者 / 科技大觀園特約編輯｜曾繁安

戰場上，分秒之差就能是決定勝敗生死的關鍵。因此如何更迅速捕捉敵軍的動向蹤跡，便成為國防軍備的一大研發重點。多頻譜影像技術能確切捕捉到物體反射的光譜資訊，並已在衛星、醫學、動植物辨識領域取得可行的成果。來自中正大學的研究團隊，便致力於建立多頻譜影響處理演算法的資料庫，期望能應用在軍事目標物的偵測追蹤上，為前線戰士助一臂之力！

掌握物體的「本色」：多頻譜影像技術

色差，是日常生活中會碰到的困擾：不管是印刷品的呈色與預想不符，或是網購的衣服顔色與想象中有所落差。這與傳統的色彩影像量測技術，如電腦電視使用的 RGB 三原色光模式及彩色印刷的 CMYK 四分色模式，在不同裝置上檢測及重現時出現的差異有關。但是，只要回歸到視覺與色彩形成的根本——光線，我們可以解決這些問題。

大家都知道，光源照射物體後，會根據物體特性產生反射、吸收和透射等現象，人眼接收了物體反射的光線，會經由大腦分析視網膜收到的電子訊號，產生視覺色彩的感知。光線是一種電磁波，不同顔色的光有不同的頻率。而所謂的頻譜，就是物體的反射頻譜、投射頻譜或發光頻譜。頻譜影像，顧名思義即是每個畫素都帶有頻譜資訊的影像。

號稱可以捕捉物體本色的多頻譜影像技術（Multi-spectral imaging），厲害之處在於它可以直接擷取畫面頻譜的反射值。這個反射值是唯一值，不會受到不同廠牌的擷取技術或光源影響，因此是十分準確的影像資訊。一般頻譜影像的波段範圍落在可見光範圍（380 – 780nm），在定義上高光譜影像（hyper-spectrum）泛指使用儀器設備所拍攝到的多頻譜影像資料；超頻譜影像，則是以演算法將影像進行計算所得。其所具備的豐富影像資訊，也成為近年來醫學影像判識（如早期癌症病變的診斷）及衛星遙測的一大福音。

從依靠人力，到交給演算法裝置代勞的自動目標識別演算法

自動辨識技術（Automatic target recognition，ATR）的源起，可以追溯至二戰前的雷達(註1)。雷達的操作原理，便是將電磁能量以定向方式發射至空間中，藉由接收空間中的物體所反射回來的電波，計算出物體的方向、高度及速度，並探測物體的形狀。過去的雷達偵測技術，仰賴訓練有素的操作員去解讀雷達訊號，如辨識戰機的大小、型號，以幫助戰場上的同胞第一時間掌握敵營的部署。

不過，人的經驗能力終究有限，因此軍方目標偵測系統也逐漸從人力辨識，逐步發展至交由演算法或裝置來代勞，即自動辨識技術 ATR。準確率更高、速度更快的 ATR，除了可辨識海陸空的軍武，也能偵測生物性目標如動物、人類和植被。目前軍事上通常僅利用一個波段，如近或遠紅外光的資訊來判別目標物，但利用多頻譜影像或超頻譜影像豐富的資訊來進行目標物識別，卻有待發展。

利用多頻譜影像技術，打造鎖定目標的軍事鷹眼！

如果能將多頻譜影響處理演算法帶來的豐富影像資訊，與 ATR 結合，將有望能提升偵測目標的準確率，在戰場上占盡先機。但這不是一件簡單的事：首先，軍武裝載空間有限，因此需以極精簡的光學裝置，來擷取到光路相同的不同波段影像；再來，多頻譜影像資料龐大，因此需整合不同波段的影像特性，以精確辨識俊基、船艦、坦克和建築等目標物；而如何將複雜的演算法轉化成運算夠快的晶片，應用在真實的武器上，也考驗科學家的能耐。

作為影像辨識技術領域的專業，來自國立中正大學的王祥辰教授研究團隊，就志在建立一套適於分析不同目標物特性的超頻譜影像資料庫、開發目標物偵測的多頻譜演算法程式庫，並打造一個方便高效的模擬及演算平台，讓軍方研究者可以進一步建立合適的 ATR 偵測法則。

這項計劃包含三個子系統，子系統 1 是建立多光譜及高光譜拍攝影像的資料庫。就像過去的雷達系統，是依賴熟練的操作員調度腦中記憶的資訊，去與雷達訊號進行比對辨識。要訓練機器裝置去指認出目標物，首先就得提供它一個可靠的影像資料庫作為基礎。為此，研究團隊在不同的天候條件下，拍攝不同波段下的各種目標物如電塔、水泥建築、海面船艦及空中飛行物，來建立一個涵蓋陸、海、空特性的多頻譜與高光譜影像資料庫。

接著，上述涵蓋不同波段的影像，可以經過子系統 2，進行超頻譜展開運算。在子系統 2 時，為了減少計算量，使用者可設定挑選效果最好的數個頻帶，讓目標與其背景的差異達至最大化。這個過程如同指導電腦來玩「大家來找碴」的游戲，讓電腦可以學會如何在不同的場景、天氣條件下，快速辨識出指定的目標物。

子系統 2 將原本有限頻段的多頻譜影像，轉換為特定目標物適用的超頻譜影像，作為子系統 3 的輸入。在這個友善而直覺的圖形化人機介面，軍事研究人員可以在複雜的影像資料庫及法法則程式庫中不斷進行模擬，找出不同目標物的最佳化演算法則，縮短軍事研發所需的時間，提高所開發武器的效能。

如今，王教授的研究團隊已完成三個子系統的建設。此項研究成果，預計可以應用在各式對地、對空及對海飛彈，以及各式影像偵蒐系統的 ATR 設計開發上，成為新一代的鷹眼。而該研究的系統，也能幫助縮減開發測試的時間，對演算法和超頻譜頻帶最佳化都將有所助益。

【注解】

1.雷達（Radio Detection and Ranging，縮寫為 RADAR），是始於二戰前的偵測技術，其原理是利用將電磁能量以定向方式發射至空間中，藉由接收存在於空間中的物體所反射回來的電波，就可以計算出該物體的方向、高度及速度，並探測物體的形狀。

參考文獻

• 多頻譜影像處理演算法資料庫及應用其之軍事目標物偵測與追蹤技術開發（105 年）
• 多頻譜影像處理演算法資料庫及應用其之軍事目標物偵測與追蹤技術開發（106 年）
• 多頻譜影像處理演算法資料庫及應用其之軍事目標物偵測與追蹤技術開發（107 年）
• 國立中正大學-王祥辰教授-應用超頻譜影像辨識癌病變方法
• 應用超頻譜影像辨識癌病變方法
• Automatic target recognition
• Multispectral image
• Hyperspectral imaging

自動駕駛，減少交通事故的福星？

從客觀的統計數據來看，人們實在稱不上是好駕駛。美國每年平均有三萬人死於車禍事件，而台灣每年則約有三千多人死於交通事故。與人類相比，機器至少不會酒駕、不會邊開車邊講電話，也能在短時間內處理更多的訊息並作出反應。Google 在 2008 年提出發展無人駕駛車輛的構想，以過去 6 年實際上路測試的統計數據來看，一共發生過 11 起事故，不過全部都是人類駕駛開車去撞無人駕駛車，諸如追撞或闖紅燈撞上等。

「自主學習」的車輛，從經驗中學習如何應變

車輛的中央運算系統必須即時處理各項觀測儀器回傳的資料，並分析周遭各種移動物體，例如其他汽車、行人等等。在程式撰寫上，有些程式指令是寫死在軟體中，例如看到紅燈就一定要停車。不過道路上情況瞬息萬變，光靠程式設計師要把所有的情形都納入並不實際，因此程式設計師賦予車輛「自主學習」的能力，從之前的駕駛經驗中學習該如何反應。舉例而言，Google的車輛已經學會辨認以及回應下列幾種情況：

• 右線道有台烏龜車，它後方的車輛有高度可能性會超車。
• 路上的坑洞或障礙物代表其他汽車駕駛有高度可能性會繞過它。
• 左線道壅塞時，駕駛有高度可能性會切換到右側車道。

隨著駕駛里程累計，車輛會試著在面對各種情形中，測試可行的解決方案，此外所有車輛的資訊與經驗也會交流，最終車輛會學會遇到特定狀況最佳的反應方式，甚至學習在偵測特定狀況發生的徵兆時，進一步去避免它。

Google 無人駕駛車，用到了哪些技術？

實際上，Google 無人駕駛車輛使用的技術大部分都在既有的車輛、或其他的應用領域中十分常見，這些技術我們多半並不陌生，且已通過實際測試，讓 Google 的無人駕駛車顯得更為可行。Google 無人駕駛所使用到的技術包括了以下幾種：

1. 光達（LIDAR）判逼近物體：光達（Laser Illuminating Detection and Ranging, LIDAR）主要用於建構3D的立體地圖，讓車輛探測周遭環境並能趁早發現潛在的威脅。光達會發射雷射光束，並藉由量測光束反射回來的時間，判斷車輛本體和周遭物體的遠近。
2. 雷達加強判定逼近物體的「速度」：縱使光達已經能偵測周遭物體距離，然而光達卻無法即時準確衡量周圍物體的移動速度與方向，在道路上車輛皆為高速移動的情形下十分危險。因此 Google 在汽車的前後保險桿上各安裝了兩台雷達，讓車輛得以避開可能的撞擊。
3. 高畫質攝影機提供立體視覺：目前市面上許多車輛都已經裝配有攝影機且功能各異，在 Google 車上，攝影機則是用來提供周圍影像，透過多台攝影機稍微不同的拍攝角度差異，能提供諸如景深以及物體的各種角度等影像，此功能就像人類左眼右眼的視差所造成的立體視覺。
4. 聲納創造更多交叉比對資料：聲納與前述幾項技術目的相同，都是用於偵測周遭環境以防止碰撞，不過聲納限制較多，像是較窄的探測範圍與較短的有效距離。然而聲納與其他系統合作，能提供更完整的資料交叉比對。
5. 定位系統：不過即便有各種防撞的安全機制，如果無人駕駛車不知道自己在哪裡也是徒然。Google 使用自己的地圖系統、GPS 衛星、慣性感測器等設備來監測車輛的實際移動速度，同時結合前述的攝影機，車輛能透過拍攝周圍的環境與 GPS 資料作比對。藉由上述技術的合作，Google 車輛定位系統的誤差能縮小到幾公分之內。

未來挑戰：如何讓無人駕駛真正安全？

在無人駕駛車真正「大行其道」前，仍然有許多障礙有待跨越。

在技術上，感測元件在豪大雨、下雪等天候不佳時，可能會運作失常，例如光學元件無法正確判讀紅綠燈等狀況，就必須在天候異常時避免開車上路。另外，由於車輛會將偵測到的物體像素化，車輛雖然會避開一個過馬路的小孩，但一團飛過道路的報紙也會有同樣的結果。因此無人駕駛車接下來的首要瓶頸，會是如何提升其各種觀測儀器的運轉穩定性與偵測準確性。

在系統上，各種不同的觀測系統的整合會是一大挑戰。正如 Google 試著讓車輛能夠自主學習，車商必須克服系統間相互干擾的問題，車輛之間的通訊是否真能如上述所說能順暢交流各自的道路經驗也備受考驗。

在環境上，目前的圖資精確度還無法滿足無人駕駛車的需求。Google 無人駕駛車輛使用的地圖相當精細－細到連路肩的高度、車道的寬度都必須仔細記錄，才能讓車輛辨識自己的位置而不至於開到人行道上。為了進行測試，Google 已經繪製約 3200 公里的詳細道路地圖，測試期間優良的安全紀錄絕大部分歸功於這份過於精細的圖資。不過，要繪製如此精細的國家尺度道路地圖實際上並不容易，美國全國公路長達六百萬公里，即便是台灣公路長度也有四萬公里，皆遠超過現有的圖資規模。

在市場上，「價格」也就是最根本和最現實的問題。以 Google 自動駕駛車為例，各項額外設備總價達 7 萬美元（約新台幣 210 萬），如此天價無法使無人駕駛車輛普及大眾化，反將淪為少規模生產的炫耀性財貨。話雖如此，無人駕駛車仍然是值得期待的科技，一旦各項觀測元件與整合技術發展成熟，隨著生產成本降低，無人駕駛車有朝一日仍可能走向商品化，讓原本只存在於科幻電影中的夢幻車輛實際駛入生活當中。

（本文由科技部補助「新媒體科普傳播實作計畫－智慧生活與前沿科技科普知識教育推廣」執行團隊撰稿）

責任編輯：鄭國威｜元智大學資訊社會研究所
審校：陳妤寧

本文原發表於行政院科技部-科技大觀園「科技新知」。歡迎大家到科技大觀園的網站看更多精彩又紮實的科學資訊，也有臉書喔！

美國萊斯大學的化學家James Tour與軍事用品公司洛克西德‧馬丁合作開發出一種塗料，可以幫海洋和空用雷達天線罩除冰，並且不會影響無線電波接收，穿透率很高。文章於12月11號刊載於美國化學學會期刊Applied Materials and Interfaces。

所謂的雷達天線罩，可以幫雷達裝置擋住凍雨(freezing rain)和冰，不過在天寒地凍的天氣中，這些雷達天線罩也需要除冰，免得損壞。目前多是用金屬支架支撐和加熱氧化鋁陶瓷，其缺點是重量很重，金屬部分也要離裝置很遠，避免干擾雷達。

「而且氧化鋁陶瓷非常難加熱，需要耗很多能量，因為導熱很差。」Tour表示。而只有幾個原子厚的石墨烯則能夠導電，還很薄讓無線電波可以輕易通過。若是將能夠除冰的材料噴在石墨烯奈米帶上，除冰裝置就能更輕更便宜更有效。

「當洛克西德‧馬丁公司的工程師Vladimir Volman聽到我的博士生Yu Zhu的報告，講述如何噴塗製造奈米帶薄層，他馬上就知道這是他需要的東西。因為Volman計算過只要用小於100奈米厚的石墨烯薄層，就可以因電阻加熱達到除冰效果。」

未加工的石墨烯原材有彈道電子傳導的特性(Ballistic onduction)，電子幾乎不會散射，電阻很小，因此沒有辦法產生足夠的熱量融冰，但是Tour團隊從多層奈米碳管切割出來的石墨烯奈米帶(graphene nanoribbons, GNRs，)經過化學反應處理後可以產生足夠熱量融冰。當石墨烯奈米帶平均地散佈在固體表面時，各個奈米帶會互相重疊，這樣當電子在奈米帶間移動的時候，就會因電阻而產生熱量。而電流通過副產出的熱量多寡，只要調整塗層的厚度就可以調整控制。

在一開始的實驗中，Zhu和Volman所帶領的團隊，是用水溶性的石墨烯奈米帶噴塗在物體表面。「他們跟我說運作的效果很好，但是當我們一用手指摸，就會剝離沾到我們手上。」Tour表示。他在休士頓的一家汽車配件店找到了解決方法：「我買了聚胺酯汽車烤漆，因為它非常耐用，可以在黏著汽車上好幾年都不會掉。所以我們就將聚胺酯與石磨烯奈米帶結合在一起，結果既能生熱融冰，也不會輕易從物體表面剝離。」

在實驗室中做出約 0.18 平方公尺的樣品，其基底是有彈性的聚亞醯胺，噴塗上聚胺酯放乾後，再用加熱板加熱軟化塗料，再用噴槍噴上石墨烯奈米帶薄層。如此一來，乾燥後的石磨烯奈米帶就會嵌入塗料，極難移除，不會再動不動就掉下來。Tour說他們的團隊也有嘗試過先噴石磨烯奈米帶再噴聚胺酯，效果也不錯。

將其製作出的只有頭髮千分之一厚的100奈米薄層接上白金電極，通以一般船艦上的電壓，在攝氏零下二十度幾分鐘內，就可以把雪融化。進一步的實驗則發現，他們新開發出的塗料，在無線電波的頻率波段近乎透明，因而能應用在雷達天線罩除冰而不會影響訊號。

Tour表示由於石墨烯奈米帶已經可以工業量產，現在實驗室的下一步則是，希望能做成幫汽車的擋風玻璃除冰。Volman補充表示他們的聚胺酯石墨烯奈米帶，有望取代目前噴在飛機上除冰的奈米管氣凝膠。

資料來源：Phys.org – News and Articles on Science and Technology

科技大觀園相關文章:

• 奈米科技的新興產業─石墨烯
• 最完美的二維奈米材料–石墨烯