天文學家可能在太空中找到石墨烯

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

本文轉載自中央研究院「研之有物」，為「中研院廣告」

• 採訪撰文｜張琬婷
• 責任編輯｜簡克志
• 美術編輯｜蔡宛潔

水能被擠壓成冰？

水在攝氏零度以下會結冰。然而，當水被擠壓到極限時，會形成二維的奈米薄冰，不僅室溫下穩定存在，還有從未見過的鐵電特性（Ferroelectricity），而石墨烯則是實現這種擠壓條件的關鍵。中央研究院「研之有物」專訪院內原子與分子科學研究所的謝雅萍副研究員，她與我們分享了實驗室如何意外發現這層特殊的二維薄冰，以及團隊如何利用二維薄冰的鐵電特性製作有記憶電阻功能的奈米元件，研究成果發表在科學期刊《自然通訊》（Nature Communications）。

奈米尺度下，物質特性會跟著改變？

謝雅萍的主要研究題目之一就是合成新穎的二維材料，這是奈米科技的領域。奈米是什麼？奈米（nanometer）是長度單位，即 10^-9 公尺，一根頭髮的直徑長度約為 1 奈米的十萬倍。奈米尺度之下，很多物質的特性會隨之改變，最常見的例子是「蓮花效應」，因為蓮花葉上具有奈米等級的表面結構，為蓮葉賦予了疏水與自我清潔的特性，髒污與水珠都不易附著在蓮葉上。

奈米材料（nanomaterial）是指三維尺寸的材料，至少有一個維度的尺寸小於 100 奈米。只縮小一維，就是平面的二維材料（2D），例如石墨烯；縮小兩個維度，就是奈米線（1D）；三維都縮小，就是零維的奈米顆粒（0D）。

奈米科技（nanotechnology）的概念最早可追溯到 1959 年美國物理學家理查費曼（Richard Feynman）在演講中提出的願景「為什麼我們不能把大英百科全書全部寫在一根針頭上呢？」。1974 年日本科學家谷口紀男則是首度創造「奈米科技」這個詞的人，他認為奈米科技包括原子與分子層次的分離、固定與變形。

過去有不少科學家嘗試奈米材料的研發，但受限於製造技術不成熟，而無法順利製作出精細製程的奈米材料。1981 年，在掃描隧道顯微鏡（Scanning Tunneling Microscope, STM）發明之後，不僅有助於材料的微觀分析，操縱單個原子和分子也成為可能，奈米科技也逐漸實現。

無處不在的奈米科技？

我們生活周遭的奈米科技俯拾即是，從大賣場商品到半導體產業的電子元件都有。謝雅萍舉例：防曬霜之所以是白色，是因為裡面有二氧化鈦的奈米顆粒；許多塗料與噴漆亦會以奈米添加物，來增進耐蝕、耐磨、抗菌與除汙的特性，例如汽車鍍膜或奈米光觸媒；羽球拍或牙醫補牙會使用奈米樹脂，讓球拍和補牙結構更堅固。

至於半導體產業，奈米科技更是關鍵。透過縮小元件尺寸以及調整奈米元件的幾何形狀，以便於在單一晶片上乘載更多電晶體。「當今的電晶體大小皆是奈米等級，製作電子元件就等同在處理奈米科技的問題」，謝雅萍說道。

實驗中的難題，反而促成驚奇發現？

鐵電性是什麼？二維奈米薄冰有哪些可能的應用方式？

對謝雅萍來說，發現二維的奈米薄冰是個意外的驚喜。最初謝雅萍團隊其實是要製作以石墨烯為電極的開關，畢竟石墨烯是實驗室的主要研究項目，理論上當兩層石墨烯很靠近時，分別給予兩端電壓會是導通的「ON」狀態，沒電時就是斷開的「OFF」狀態。

然而，實驗過程中團隊卻發現當電壓為零時，石墨烯開關仍會導通，甚至要給予負電壓時才會成為 OFF 狀態。這個奇特的現象讓研究團隊苦惱許久，嘗試思考了各種可能性，但都無法完善的說明此現象。

「原本以為實現石墨烯開關應該是一件能夠很快完成的題目，沒想到過程中卻出現了這個意料之外的難題，因此這個研究比預期多花了一兩年」，謝雅萍無奈地笑道。

靈感總是突如其來，某次謝雅萍在與朋友討論研究時，突然想到一個可能的方向：「一直以來都有人猜測水是否為鐵電材料，但都沒有真正證實。臺灣氣候潮濕，開關關不緊會不會就是水的影響？」

設計實驗跑下去之後，謝雅萍團隊終於擺脫了一直以來的疑雲。原來，兩層石墨烯結構中，真的有水分子的存在！「一般水分子用手去捏，還是會維持液體的狀態。但是我們發現，當水被兩層石墨烯擠壓到剩下原子厚度時，水分子就會變成具有鐵電特性的二維薄冰！」，謝雅萍開心地說道。

換句話說，當極限擠壓之下，水會結成冰，而這層超薄的平面奈米薄冰會轉變成鐵電材料，而且可以在室溫下穩定存在！

鐵電材料乍聽之下很抽象，謝雅萍表示：「相較於會吸磁鐵的鐵磁材料，大多數人對鐵電材料比較不熟悉，其實概念十分相似」。她說，鐵磁材料經過外加磁場的「磁化」之後，即使不加磁場仍可維持原本的磁性。相對地，鐵電材料經過外加電場的「極化」之後，即使不加電場仍可維持原本的電荷極化方向。

謝雅萍團隊發現的二維冰具有鐵電性，這意味著水分子的正負極在外加電場之下會整齊排列，形成一個永久的電偶極，並且在電場消失後保持不變。

接著，謝雅萍發現，二維冰的鐵電性只存在於單層原子，增加多層原子之後，鐵電性會消失，變成普通的冰，這是因為多層原子的交互作用會打亂原本的極化排列。因此研究團隊發現的二維冰，是非常特殊的固態水，不是手搖飲加的冰塊那麼簡單。

因為石墨烯的擠壓和固定，二維冰可以在室溫下穩定存在，不會蒸發。謝雅萍團隊實驗發現，要升溫到攝氏 80 度，被夾住的二維冰才會變成水。如此大範圍的操作溫度，這讓謝雅萍開始思考將二維冰作為鐵電材料使用的可能性。

於是，謝雅萍團隊嘗試開發新型的電子元件，他們將二維冰與石墨烯整合成機械式的奈米開關。由於二維冰具有鐵電特性，在施加不同外加電壓之後，元件可以維持上次操作的電阻值，並保留至下次操作，有這種特性的元件稱為「憶阻器」（memristor）。

憶阻器這個詞是由記憶體（memory）與電阻（resistor）組合而成，字面上的解釋便是：具備記憶先前電阻值的能力。

謝雅萍表示：「我們可以藉由不同的外加大電壓寫入電阻值，再以微小電壓讀取之前的電阻值，允許快速存取」。而單獨一個二維冰奈米開關可以記住 4 個位元的資料，具備未來記憶體的發展潛能。

此外，二維冰奈米開關也是很好的開關裝置，團隊驗證導通電流和截止電流的比值可以達到 100 萬，開路和斷路的功能極佳，並且允許雙向操作。而開關的功能經過 1 萬次循環還不會衰減，相當穩定。

謝雅萍團隊是全世界第一個證實二維薄冰鐵電性的團隊，並實現第一個以石墨烯為架構的二維冰機械式憶阻器。她的團隊將往新穎二維材料的方向繼續邁進，目前實驗室有和台積電（TSMC）合作，希望透過產學合作，將更多奈米技術的應用落地實現。

與二維材料實驗的相遇？

謝雅萍目前除了是中研院原分所的副研究員，同時也是國立臺灣大學 MY Lab 實驗室的共同主持人，她和人生伴侶 Mario Hofmann 教授共同指導的 MY Lab 發揮了 1+1>2 的效果，創意與想法的激盪和交流，是產生傑出研究的關鍵。

回到碩博士時期，謝雅萍都在臺大物理所，鑽研材料的光電性質與新穎光電元件的機制。她回憶：「當時我們都要向化學系要材料，他們給什麼我們就得用什麼，但難以了解整個材料製造的細節。」後來她體認到，擁有製造材料的調控能力才能真正突破元件設計上的侷限。

謝雅萍在博士班時申請到了千里馬計畫，讓臺灣博士生獲得國科會補助前往國外頂尖研究機構，進行為期約半年至一年的研究。「我認為這個計畫非常好，也可以幫助學生建立重要人脈！」在指導教授引薦下，謝雅萍因緣際會進入美國麻省理工學院（MIT）的二維材料實驗室，自此與二維材料結下不解之緣，她認為：「好材料與好元件是相輔相成的，前瞻材料更是如此。」

「我到了 MIT 之後，深刻體悟到他們做研究的態度與臺灣學生的不同。臺灣學生像是把研究當作一份工作，然而我在 MIT 時就感受到他們學生對於自身研究的熱忱。討論風氣也非常盛行，學生之間會互相分享自己的研究內容，互相幫忙思考、激盪出新想法」，謝雅萍分享自己在 MIT 時期的觀察。

當年二維材料還在萌芽階段，她所在的 MIT 實驗室已是此領域的佼佼者，她也因此立下了目標：「希望未來我有能力時，能夠自己掌控自己的材料做出好元件！」如今，謝雅萍正走在自己目標的道路上，過去認識的朋友也都是各頂尖大學的二維材料實驗室主持人，直到現在都還會互相幫忙。

從物理到二維材料，身處這些男性為主的學術環境，謝雅萍顯得自在，而且積極參與討論和交流。「我發現女科學人會把自己變得較中性，讓自己融入整個以男性居多的環境中，才不會在團體中有突兀的感覺」，她分享道。

謝雅萍的實驗室 MY Lab，是與臺大物理系 Mario Hofmann 教授共同主持的奈米科技實驗室，他們除了是工作上的夥伴，更是人生中的最佳拍檔！當初兩人就是在美國麻省理工大學 MIT 相識，再一起回到臺灣。

讓「研之有物」團隊好奇的是：這種共同主持的模式與一般實驗室相比，是否有特別之處？

「從多個面向而論，我認為都是 1+1>2 的」，謝雅萍說道，「實驗室會有兩倍的資源、儀器、計畫與兩倍的人脈。遇到一個題目，兩個人思考時會從不同的觀點切入。即便是夫妻，我們在研究上看的面向也都不一樣，因此可以激盪出許多有趣的想法」。

她補充，不僅對實驗室本身而言，對學生也有很大的好處，「因為學生的研究必須同時說服我們兩個人，代表學生的研究成果會非常扎實，也可以為學生帶來信心。」重要的是，「學生也會得到兩倍的照顧與關愛，我覺得我們的學生是蠻幸福的」，謝雅萍笑笑地說。

用天然氣發電可以完全沒有二氧化碳排放？這怎麼可能？

2023 年 11 月，台電和中研院共同發表去碳燃氫技術，說是經過處理的天然氣，燃燒後可以不產生二氧化碳。

誒，減碳方式百百種，就是這個聽起來最怪。但仔細研究後，好像還真有這麼一回事。這種能發電，又不產二氧化碳的巫術到底是什麼？大量使用天然氣後，又有哪些隱憂是我們可能沒注意到的？

去碳燃氫是什麼？

去碳燃氫，指的是改良現有的天然氣發電方式，將甲烷天然氣的碳去除，只留下乾淨的氫氣作為燃燒燃料。在介紹去碳燃氫之前，我們想先針對我們的主角天然氣問一個問題。

最近不論台灣、美國或是許多國家，都提升了天然氣發電的比例，但天然氣發電真的有比較好嗎？

好像還真的有。

根據聯合國底下的政府間氣候變化專門委員會 IPCC 的計算報告，若使用火力發電主要使用的煙煤與亞煙煤作為燃料，並以燃燒率百分之百來計算，燃料每釋放一兆焦耳的能量，就會分別產生 94600 公斤和 96100 公斤的二氧化碳排放。

如果將燃料換成天然氣，則大約會產生 56100 公斤的二氧化碳，大約只有燃燒煤炭的六成。這是因為天然氣在化學反應中，不只有碳元素會提供能量，氫元素也會氧化成水並放出能量。

除了碳排較低以外，煤炭這類固體燃料往往含有更多雜質，燃燒時又容易產生更多的懸浮顆粒例如 PM 2.5 ，或是溫室效應的另一主力氧化亞氮（N2O）。具體來說，產生同等能量下，燃燒煤炭產生的氧化亞氮是天然氣的 150 倍。

當然，也別高興這麼早，天然氣本身也是個比二氧化碳更可怕的溫室氣體，一但洩漏問題也不小。關於這點，我們放到本集最後面再來討論。

燃燒天然氣還是會產生二氧化碳？

雖然比較少，但也有燃煤的六成。像是綠能一樣的零碳排發電方式，不才是我們的終極目標嗎？別擔心，為了讓產生的二氧化碳量減到最小，我們可以來改造一下甲烷。

在攝氏 700 至 1100 度的高溫下，甲烷就會和水蒸氣反應，變成一氧化碳和氫氣，稱為蒸汽甲烷重組技術。目前全球的氫氣有 9 成以上，都是用此方式製造的，也就是所謂的「灰氫」。

而產物中的一氧化碳，還可以在銅或鐵的催化下，與水蒸氣進一步進行水煤氣反應，變成二氧化碳與氫氣。最後的產物很純，只有氫氣與二氧化碳，因此此時單獨將二氧化碳分離、封存的效率也會提升不少，也就是我們在介紹碳捕捉時介紹的「燃燒前捕捉」技術。

去碳燃氫又是什麼？

即便我們能將甲烷蒸氣重組，但只要原料中含有碳，那最終還是會產生二氧化碳。那麼，我們把碳去掉不就好了？去碳燃氫，就是要在第一步把甲烷分解為碳和氫氣。這樣氫氣在發電時只會產生水蒸氣，而留下來的碳黑，也就是固態的碳，可以做為其他工業原料使用，提升附加價值。

在氫氣產業鏈中，我們習慣將氫氣的來源做顏色分類。例如前面提到蒸氣重組後得到的氫氣被稱為灰氫，而搭配碳捕捉技術的氫，則稱為藍氫。完全使用綠能得到的氫，例如搭配太陽能或風力發電，將水電解後得到最潔淨的氫，則稱為綠氫。而介於這兩者之間，利用去碳燃氫技術分解不是水而是甲烷所得到的氫，則稱為藍綠氫。

但先不管它叫什麼氫，重點是如果真的不會產生二氧化碳，那我們就確實多了一種潔淨能源可以選擇。這個將甲烷一分為二的技術，聽起來應該也不會太難吧？畢竟連五◯悟都可以一分為二了，甲烷應該也行吧。

甲烷如何去碳？

甲烷要怎麼變成乾淨的氫氣呢？

很簡單，加溫就好了。

只要加溫到高過攝氏 700 度，甲烷就會開始「熱裂解」，鍵結開始被打斷，變成碳與氫氣。

等等等等…為了發電還要耗費能源搞高溫熱裂解，划算嗎？

甲烷裂解確實是一個吸熱反應，也就是需要耗費能量來拆散原本的鍵結。根據反應式，一莫耳甲烷要吸收 74 千焦耳的熱量，才會裂解為一莫耳的碳和兩莫耳的氫氣。但是兩莫耳的氫氣燃燒後，會產生 482 千焦耳的熱量。淨能量產出是 408 焦耳。與此相對，直接燃燒甲烷產生的熱量是 891 千焦耳。

而根據現實環境與設備的情況，中研院與台電推估一公噸的天然氣直接燃燒發電，與先去碳再燃氫的方式相比，發電量分別為 7700 度和 4272 度。雖然因為不燃燒碳，發電量下降了，但也省下了燃燒後捕存的成本。

要怎麼幫甲烷去碳呢？

在近二十幾年內，科學家嘗試使用各種材料作為催化劑，來提升反應效率。最常見的方式，是將特定比例的合金，例如鎳鉍合金，加熱為熔融態。並讓甲烷通過液態的合金，與這些高溫的催化劑產生反應。實驗證實，鎳鉍合金可以在攝氏 1065 度的高溫下，轉化 95% 的甲烷。

中研院在 2021 年 3 月，啟動了「 Alpha 去碳計畫」，進行去碳燃氫的設備開發。但團隊發現，盡管在理論上行得通，但實際上裝置就像是個不受控的火山一樣，熔融金屬與蒸氣挾帶著碳粒形成黏稠流體，不斷從表面冒出，需要不斷暫停實驗來將岩漿撈出去。因此，即便理論上可行，但熔融合金的催化方式，還無法提供給發電機組使用。

去碳燃氫還能有突破嗎？

有趣的是，找了好一大圈，驀然回首，那人卻在燈火闌珊處。

最後大家把目光放到了就在你旁邊，你卻不知道它正在等你的那個催化劑，碳。其實過去就有研究表明碳是一種可行的催化劑。但直到 201 3年，才有韓國團隊，嘗試把碳真的拿來做為去碳燃氫的反應催化劑。

他們在高溫管柱中，裝填了直徑 30 nm 的碳粒。結果發現，在 1,443 K 的高溫下，能達到幾乎 100 % 的甲烷轉化。而且碳本身就是反應的產物之一，因此整個裝置除了碳鋼容器以外，只有碳與氫參與反應，不僅成本低廉，要回收碳黑也變得容易許多。

目前這個裝置需要加緊改良的，就是當碳不斷的積蓄，碳粒顆粒變大，反應會跟著下降。如何有效清除或更換濾網與反應材料，會是能否將此設備放大至工業化規模的關鍵。

最後，我們回頭來談談，在去碳燃氫技術逐漸成熟之後，我們可能需要面對的根本問題。

天然氣是救世主，還是雙面刃？

去碳燃氫後的第一階段，還是會以天然氣為主，只混和 10 % 以下的氫氣作為發電燃料。

這是因為甲烷的燃燒速度是每秒 0.38 公尺，氫氣則為每秒 2.9 公尺，有著更劇烈的燃燒反應。因此，目前仍未有高比例氫氣的發電機組，氫氣的最高比例，通常就是 30 % 。

目前除了已成功串連，使用 10 % 氫氣的小型發電機組以外。台電預計明年完成在興達電廠，使用 5 % 氫氣的示範計畫，並逐步提升混和氫氣的比例。根據估計，光是 5 % 的氫氣，就能減少每年 7000 噸的二氧化碳排放。

但隨著天然氣的使用量逐步提高，我們也應該同時留意另一個問題。

天然氣洩漏導致的溫室效應，是不可忽視的！

根據 IPCC 2021 年的報告，若以 20 年為評估，甲烷產生的溫室效應效果是二氧化碳的 82.5 倍，以 100 年為評估，效果為 29.8 倍，是僅次於二氧化碳，對於溫室效應的貢獻者第二名。這，不可不慎啊。

從石油、天然氣井的大量甲烷洩漏，加上運輸時的洩漏，如果沒有嚴格控管，我們所做的努力，很有可能就白費了。

非營利組織「環境保衛基金」曾在 2018 年發表一篇研究，發現從 2012 到 2018 年，全球的甲烷排放量增加了 60 % ，從煤炭轉天然氣帶來的好處，可能因為甲烷洩漏而下修。當然，我們必須相信，當這處漏洞被補上，它還是能作為一個可期待的發電方式。

另一篇發表在《 Nature Climate Change 》的分析研究就說明，以長期來看，由煤炭轉為天然氣，確實能有效減緩溫室氣體排放。但研究也特別提醒，天然氣應作為綠能發展健全前的過渡能源，千萬別因此放慢對於其他潔淨能源的研究腳步。

去碳燃氫技術看起來如此複雜，為什麼不直接發展綠氫就好了？

確實，綠氫很香。但是，綠氫的來源是電解水，而反應裝置也不可能直接使用雜質混雜的海水，因此若要大規模發展氫能，通常需要搭配水庫或海水淡化等供水設施。另外，綠氫本來就是屬於一種儲能的形式，在台灣自己的綠能還沒有多到有剩之前，當然直接送入電網，還輪不到拿來產綠氫。

相比於綠氫，去碳燃氫針對的是降低傳統火力發電的碳排，並且只需要在現有的發電廠旁架設熱裂解設備，就可以完成改造。可以想像成是在綠能、新世代核能發展成熟前的應急策略。

當然，除了今天提到的灰氫、藍氫、綠氫。我們還有用核能產生的粉紅氫、從地底開採出來的白氫等等，都還沒介紹呢！

除了可以回去複習我們這一集的氫能大盤點之外，也可以觀看這個介紹白氫的影片，一個連比爾蓋茲都在今年宣布加碼投資的新能源。它，會是下一個能源救世主嗎？

歡迎訂閱 Pansci Youtube 頻道 獲取更多深入淺出的科學知識！

• https://research.sinica.edu.tw/methan…
• https://www.sciencedirect.com/science…
• https://unfccc.saveoursky.org.tw/nir/…
• https://www.science.org/doi/10.1126/s…
• https://link.springer.com/article/10….
• https://www.nature.com/articles/s4146…
• https://www.nature.com/articles/s4155…
• https://www.scimonth.com.tw/archives/…