0

0
0

文字

分享

0
0
0

不再讓鳥撞裂成仁:蜘蛛網的好點子

林大利_96
・2014/05/18 ・1829字 ・閱讀時間約 3 分鐘 ・SR值 484 ・五年級

-----廣告,請繼續往下閱讀-----

img-who-0004
在加拿大多倫多蒐集撞擊玻璃而死的鳥類屍體 photo by Kenneth Herdy, Fatal Light Awareness Program (FLAP)

建築物的玻璃是造成鳥類死亡的首要威脅,據估計在美國每年造成5.5億隻鳥類死亡。這個問題讓世界各地的鳥類學家傷透腦筋,雖然設計了防鳥撞擊玻璃的貼紙和膠帶,但是成效有限。德國慕尼黑海拉布倫動物園(Hellabrunn Zoo)召集的合作團隊經過八年的苦思,直到蜘蛛網給了個好點子,設計一種特製玻璃。經過測試後,66%的鳥隻會閃避特製玻璃,即將登場大幅降低鳥類撞裂成仁的悲劇。

每年五億五千萬隻鳥撞裂成仁

美國林務署(United State Department of Agriculture, Forest Service; USDA Forest Service)在2005年的評估報告中指出[1],鳥類因人為因素死亡的主要原因是撞擊建築物玻璃致死。估計在美國每年造成5億5千萬隻鳥類死亡,占總數的58.2%,其餘因素分別是電線(1.3億隻)、野貓(1億隻)、車輛(8千萬隻)、殺蟲劑(6千7百萬隻)、基地台鐵塔(450萬隻)、風力發電機(2.85萬隻)、飛機(2.5萬隻)及其他(漏油汙染、漁業混獲等)。尤其在春天鳥類繁殖季時,以及秋天鳥類遷徙時,更是撞擊致死的高峰。

無論是巨大的玻璃帷幕建築、還是自家住宅的小窗戶,都會引起鳥類撞擊玻璃而死。主要是因為鳥類看不見透明的玻璃,或是玻璃上的風景鏡像,都讓鳥類毫無顧忌的快速飛去,結果卻是通往另一個世界。這個問題困擾鳥類學家已久,曾經設計過防鳥擊的猛禽貼紙膠帶塗料、毛玻璃等方法,但是成效有限,也影響建築物原先設計的的採光和美觀,不容易大幅推廣。

那些蜘蛛教我的事

德國慕尼黑海拉布倫動物園的強化玻璃觀賞窗也面臨同樣的問題。園長Andras Knieriem不忍心園區內的野生繁殖鳥和候鳥因此於動物園終結一生,決定要解決這個問題,與玻璃公司Aronld Glas的研發員Christian Irmscher及鳥類學家Wolfgang Fieldler合作。Christian Irmscher為這個問題苦思了八年,嘗試過各式各樣的方法,或是在窗前栽種竹籬。但是,這些讓玻璃不透明的方法,都會影響遊客觀賞動物的視線。Christian Irmscher 說:「不影響玻璃的透明度,但是要讓鳥有所警覺。」

-----廣告,請繼續往下閱讀-----

最後,大自然給了他一個解決之道。

為了避免鳥類毀了蜘蛛耗費大量能量製作的蜘蛛網,有些蜘蛛絲能夠反射紫外線。鳥類的視網膜上除了具備人類也有的三種的錐狀細胞:紅色、綠色和藍色,還有一種接收紫外線的錐狀細胞。大多數的鳥類都有紫外線視覺,用來尋找食物(由花瓣和田鼠的尿痕反射)和伴侶(由異性體羽反射)[2]。這個知識讓Christian Irmsche在玻璃中加上能反射紫外線的材質,並且設計成網狀,作為防止鳥擊的專屬玻璃(anti-bird-strike glass)。在鳥類的視覺裡,是一片帶有不透明網狀圖樣的玻璃;在人類的視覺裡,那仍然是一片透明無瑕的玻璃。

紫外線視覺下的特製玻璃。圖片來源:ORNILUX Bird Protection Glass
紫外線視覺下的特製玻璃。圖片來源:ORNILUX Bird Protection Glass

快來試試看效果如何!

鳥類學家 Wolfgang Fieldler 趕緊測試特製玻璃的效果。他在僅一面牆有窗戶的暗房中做測試,窗戶分別裝上特製玻璃和一般的玻璃。為了避免鳥撞上玻璃而受傷,在窗戶前架了一個安全防護網。以一些常見的鶇科(Turdidae)和山雀科(Paridae)鳥類做測試,如黑鶇(Turdus merula) 和大山雀(Parus major)。受測鳥類會從包著黑布的鳥籠中飛出,將特製玻璃視為障礙物的大山雀,會在特製玻璃前徘徊一陣之後,轉而向一般玻璃飛去。最終的測試結果,共有66%的鳥隻會將特製玻璃視為障礙物。 Wolfgang Fieldler 說:「雖然不及我們所期望的達到100%或95%,但是這樣的比例告訴我們,已經可以救回非常多的小鳥。」

這些特製玻璃先安裝在北極熊區和鵜鶘區,遊客不僅能在安全無虞的狀況下觀賞動物;園區內的野鳥,也能盡情地飛翔。

-----廣告,請繼續往下閱讀-----

動物園園長 Andras Knieriem 說:「從此以後,再也沒有翠鳥撞上玻璃了。」

延伸閱讀

引用文獻

  1. Erickson, W. P. et al. 2005.  A summary and comparison of bird mortality from anthropogenic causes with an emphasis on collisions. USDA Forest Service General Technical Report. PSW-GTR-191.
  2. Cuthill, I. C. 2006. Color perception. Pages 3–40. in Hill, G. E. and K. J. McGraw, editors. eds. Bird Coloration, vol. 1: Methods and Mechanisms. Harvard University Press.
-----廣告,請繼續往下閱讀-----
文章難易度
林大利_96
19 篇文章 ・ 8 位粉絲
來自森林系,目前於特有生物研究保育中心服務。興趣廣泛,主要研究小鳥、森林和野生動物的棲地。出門一定要帶書、對著地圖發呆很久、算清楚自己看過幾種鳥。是個龜毛的讀者,認為龜毛是一種科學寫作的美德。

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

1
0

文字

分享

0
1
0
雀斑為何只在陽光下現形?揭開「太陽之吻」的秘密
F 編_96
・2024/12/23 ・2340字 ・閱讀時間約 4 分鐘

F 編按:本文編譯自 Live Science

在夏日豔陽下,許多人臉上、肩膀上,甚至手臂上,會冒出一點點咖啡色小斑點,人們常親切地稱它們為「太陽之吻」。這些雀斑(freckles)在日光充足的季節裡愈顯活躍,等到秋冬時節太陽不再那麼刺眼時,顏色又逐漸淡去,甚至幾乎消失不見。

為什麼雀斑會選擇在陽光猛烈時現形?其實,雀斑的成因不僅與紫外線(UV)有關,也與我們皮膚深層的色素細胞、基因遺傳以及日常防曬觀念息息相關。

雀斑是什麼?

所謂「雀斑」,在皮膚科領域中比較常被稱為「日曬斑」或「褐斑」的一種,但嚴格來說,依據皮膚科專家的分類,可將「雀斑」區分為兩大類:

  1. 小雀斑(Ephelides):一般人在談論「雀斑」時,多半指的就是這類。它們常呈現為細小且淺棕色,通常散落於臉部、肩膀、手臂等長期曝曬陽光的部位,夏天時較為明顯,冬天會逐漸淡化。
  2. 曬斑型老人斑(Solar Lentigines):又稱「日光性黑斑」或「年齡斑」,形狀可能較大,顏色較深,常分布於長時間曝曬的肌膚區域,如臉部、手背等。它們不會像小雀斑那樣隨季節改變顏色或變淡,而是隨著年齡與累積日曬逐漸加深。

紫外線如何誘發雀斑?

皮膚中的色素,主要由名為「黑色素細胞」(melanocytes)的細胞製造,這些細胞負責產生「黑色素」(melanin)。在平時的皮膚狀態下,黑色素會平均分布在表皮中,讓每個人擁有自己獨特的膚色。當皮膚受到紫外線刺激時,為了保護深層細胞免於 UV 傷害,黑色素細胞會增加黑色素的產量,試圖將危險的 UV 射線「散射」出去,避免它穿透至更深層皮膚,造成 DNA 損傷。

-----廣告,請繼續往下閱讀-----

雀斑之所以出現,便是由於某些區域的黑色素細胞比其他區域更為活躍,在相同的日曬條件下產生了相對大量的黑色素,並集中在特定區塊,於是就形成我們肉眼可見的「小斑點」。

雀斑由黑色素細胞局部活躍產生,黑色素集中形成肉眼可見的小斑點。圖/envato

為什麼夏天雀斑特別明顯?

夏天日照時間長、紫外線指數通常也偏高,使黑色素細胞生產更多色素,故那些先天對紫外線較敏感、或具遺傳傾向產生雀斑的人,臉上就更容易冒出小斑點。等到秋冬日照減少、紫外線較弱時,這些黑色素細胞的活躍度也會跟著下降,皮膚的代謝作用會逐漸將多餘色素淡化,於是原本在夏天特別明顯的雀斑又慢慢變得不顯眼,甚至接近消失。

然而,並不是所有雀斑都會隨季節消長。同樣受到紫外線影響的「日曬型老人斑(Solar Lentigines)」,就不會像小雀斑那樣在冬天退色,因為它是長期日曬累積造成的色素沉澱,隨著年紀增長與皮膚細胞多次受紫外線傷害,這些斑點往往會持續存在或顏色更加深。

遺傳與膚質的影響

事實上,並非每個人都會長雀斑。它在一定程度上和基因有關。膚色白皙且天然黑色素較少的人,更容易受到紫外線的影響,而產生或加深雀斑。尤其歐美血統者,其遺傳基因裡常見 MC1R 基因變異,導致毛髮顏色較淺、膚色偏白,也就更容易「曬出」雀斑。而亞洲人中,若父母一方有雀斑基因,也可能遺傳給下一代。

-----廣告,請繼續往下閱讀-----

「太陽之吻」與健康有關嗎?

雀斑本身是無害的,不會直接演變成皮膚癌。然而,它們的出現代表皮膚曾經受到過紫外線的刺激,若人們在相同條件下沒有做好防曬,長期累積的 UV 傷害可能導致細胞 DNA 損傷,讓皮膚老化、皺紋提早出現,甚至提高罹患皮膚癌的風險。因此,有雀斑的人不必過度擔心,但是也應該將之視為一種提醒,提醒自己需要加強日常的防曬措施。

雀斑無害,但還是要注意紫外線帶來的傷害。圖/envato

如何區分「日曬斑」與「老人斑」?

  • 日曬斑(ephelides):經常出現在皮膚較薄或常曬太陽的部位,如臉頰、鼻梁,夏天加深、冬天減淡。
  • 老人斑或曬斑(solar lentigines):較大、顏色較深,容易出現在手背、臉部。隨年齡增長、不會隨季節變淡。

如果皮膚上出現斑點且有快速變化,或顏色、形狀突變的情況,最好就醫檢查,以排除皮膚癌等風險。因為某些黑色素瘤或癌前病變,在早期也可能長得類似咖啡色斑點,必須由專業醫師進行鑑別診斷。

想要保護皮膚?防曬是關鍵

想要減少雀斑的生成或避免它們顏色變深,防曬是最有效的手段之一。無論是否有雀斑,紫外線皆會加速皮膚老化和傷害,因此建議做好以下幾點:

  1. 使用防曬產品:選擇符合自身膚質且 SPF 值足夠的防曬乳,並在外出前 15 至 20 分鐘均勻塗抹,並於戶外活動每 2 小時補塗一次。
  2. 配戴帽子與太陽眼鏡:多重物理隔離,可以更有效地保護臉部與眼周脆弱的肌膚。
  3. 善用遮陽工具:如陽傘、遮陽布等,減少直接曝曬在刺眼陽光下的時間。
  4. 避開強烈日曬時段:若時間允許,儘量在上午 10 點以前或下午 4 點以後再從事戶外活動,降低紫外線的曝曬量。

雀斑之所以容易在夏日高調現身,歸根究柢都是皮膚為了抵禦紫外線所做的「自衛行動」。面對這些「太陽之吻」,我們無需過度恐慌,因為它們本身無害;但也不該放鬆警惕,畢竟皮膚細胞受到紫外線傷害的警訊往往比想像中更容易被忽視。

-----廣告,請繼續往下閱讀-----
-----廣告,請繼續往下閱讀-----

討論功能關閉中。

F 編_96
20 篇文章 ・ 1 位粉絲
一個不小心闖入霍格華茲(科普)的麻瓜(文組).原泛科學編輯.現任家庭小精靈,至今仍潛伏在魔法世界中💃

0

1
0

文字

分享

0
1
0
深海發現大型礦場和「暗氧」!是能源危機的希望還是潘朵拉之盒?
PanSci_96
・2024/09/21 ・2334字 ・閱讀時間約 4 分鐘

-----廣告,請繼續往下閱讀-----

深海的暗氧:無光環境中的神秘氧氣生成

深海,被譽為地球最後的未開發疆域,隱藏著許多不為人知的奧秘。數千公尺深的海底沉積了數量龐大的多金屬結核,這些礦物因含有大量珍貴金屬,對現代技術,尤其是能源轉型,至關重要。然而,科學家在探索這些結核的過程中意外地發現了一種神秘的現象:暗氧,即在無光的深海環境中生成氧氣的過程。這一發現不僅可能改變我們對海洋生態系統的理解,還可能重新定義地球早期生命起源的故事。

歡迎訂閱 Pansci Youtube 頻道 獲取更多深入淺出的科學知識!

長期以來,科學界普遍認為氧氣的生成依賴於光合作用。光合作用是植物、藻類及一些細菌透過陽光將水和二氧化碳轉化為有機物並釋放氧氣的過程。這一過程主要發生在地球表層和淺水區域,是維持大氣和海洋中氧氣含量的核心機制。根據這一觀點,只有在陽光能夠到達的區域,氧氣才能被生成。因此,對於深達數千公尺的深海區域,我們的認識是,氧氣主要來自於表層水透過洋流輸送到深處。

然而,深海中缺乏光源,光合作用無法進行,這意味著氧氣在深海中的供應受到限制。雖然洋流能夠在一定程度上將氧氣輸送到深海,但這一過程極其緩慢,往往需要數百年甚至上千年才能完成一次循環。因此,科學家一直認為深海是一個缺氧的環境。

多金屬結核的發現,是新能源的關鍵,還是海洋生態的災難?

在這樣的背景下,科學家對深海進行了更深入的探索,並發現了錳結核(英語:Manganese nodules),又被稱為多金屬結核這一珍貴資源。多金屬結核是富含金屬的岩石,其主要成分包括鈷、錳和鎳等金屬。這些結核廣泛分佈於全球深海區域,尤其是太平洋海域,儲量高達數兆噸。這些金屬對綠色能源技術,如電池生產,具有極高的價值,吸引了全球各國的關注。

-----廣告,請繼續往下閱讀-----

然而,這些結核不僅是地球資源的寶藏,它們還隱藏著另一個重要的發現。2013 年,科學家安德魯·斯威特曼(Andrew Sweetman)在太平洋克拉里昂-克里珀頓區域進行深海研究時,意外地發現,在封閉的深海水域中,氧氣濃度竟然有所增加。這一現象引發了科學界的極大關注。

科學家探索深海的多金屬結核時,意外發現「暗氧」的存在。 圖/envato

暗氧的生成機制

斯威特曼的研究團隊推測,深海中的多金屬結核可能在某些化學條件下,充當了天然電池。這些結核通過電化學反應將水分解為氧氣和氫氣,從而在無光的環境中產生了氧氣。為了驗證這一假設,團隊在實驗室中模擬了深海環境,並確實觀察到氧氣從結核生成的現象。

不過,這一過程並非如想像中簡單。根據實驗數據,某些海底結核表面的電壓僅為 0.95 伏特,卻能夠生成氧氣,這與理論上需要的 1.6 伏特電壓不符。研究團隊進一步推測,這可能與結核的成分有關,例如含鎳的錳氧化物可能起到了催化作用,降低了反應所需的能量。此外,結核表面的不規則排列及空隙可能也促進了電子轉移和水的分解。

暗氧的發現挑戰了我們對氧氣生成的傳統理解。過去我們認為,地球上的氧氣主要來自於光合作用,但這一現象表明,甚至在無光的深海環境中,氧氣也能通過無機物的電化學反應生成。這意味著,我們對於地球早期氧氣循環及生命演化的認識可能存在重大疏漏。

-----廣告,請繼續往下閱讀-----

尤其值得注意的是,多金屬結核的形成需要氧氣,而這些結核大量出現在深海中,是否表明早期地球上就已經存在非光合作用的氧氣生成機制?如果是這樣,暗氧是否可能推動了地球上生命的起源?這一問題仍然未有定論,但暗氧的發現無疑為生命起源的研究開闢了一條新的途徑。

未來的挑戰:開採深海資源還是守護地球最後的「淨土」?

除了科學研究的價值,多金屬結核也吸引了全球對於深海資源開採的興趣。這些結核富含稀有金屬,特別是對電池生產至關重要的鎳和鈷。然而,大規模的深海開採可能會對海洋生態系統造成嚴重破壞。

對於發現的深海資源,是要開採?還是選擇守護海洋生態? 圖/envato

首先,深海採礦可能導致噪音和光污染,破壞深海生物的棲息地。此外,採礦過程中產生的懸浮物可能對海洋生物,尤其是水母等生物造成生理負擔。研究顯示,水母在模擬的採礦環境中會因應對懸浮物而消耗大量能量,這可能削弱其免疫系統並降低生存率。

因此,雖然深海資源的開採看似能解決當前的能源危機,但國際間對此議題的爭議仍然持續。全球已有32個國家支持暫停或禁止深海採礦,呼籲進行更多的生態影響研究以確保環境保護。

-----廣告,請繼續往下閱讀-----

暗氧的發現,不僅為科學研究帶來新的挑戰,也為深海資源的開採提出了更高的要求。在能源危機與生態保護之間,我們需要尋找平衡點。未來的技術或許能夠在不破壞環境的情況下,模擬自然過程生成多金屬結核,從而實現可持續的資源開採。

此外,暗氧現象的發現也為探索外星生命提供了新的思路。當我們在其他行星上發現氧氣時,不一定意味著那裡存在光合作用生物,可能是類似多金屬結核的無機反應在默默進行。這一發現或許將改變我們對地外生命的定義與尋找方式。

深海的秘密仍在不斷被揭開。從暗氧的發現到多金屬結核的開採,這片未開發的疆域將在未來的科學探索與資源爭奪中扮演至關重要的角色。無論是能源危機的解決還是生態系統的保護,我們都應以謹慎且負責任的態度面對這一未知的領域,避免打開潘朵拉之盒。

-----廣告,請繼續往下閱讀-----

討論功能關閉中。