替代能源的興起

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

• 本文依據 恆水創電 110 年 12 月 9 日新聞稿 改寫

文／郭椀濘、李先泰

為了地球的永續發展，台灣已將 2050 年淨零碳排列為重要政策目標，行政院也擬於2022年初提出路徑草案，檢討整體能源政策；為了實現淨零碳排目標，能源新創企業「恆水創電」9日與比利時台北辦事處共同舉辦記者會，發表與比利時水輪機製造商 TURBULENT 共同研發的超低落差機組「Turbulent S」，該機組針對台灣水利環境設計，只要 1.28m 超低落差即可發電，有助於微水力發電在台扎根。

比利時台北辦事處處長文浩德 Frédéric VERHEYDEN 致詞指出，比利時綠能產業擁有許多領先技術，為潔淨能源的先驅，是台灣發展能源最理想的合作夥伴，與台灣離岸風電領域已有深入合作，十分樂見 TURBULENT 與恆水創電在嶄新領域攜手共進，「台比合作將發展美好且綠化的台灣，為全球的淨零願景貢獻心力。」

恆水創電股份有限公司創辦人兼執行長鄒飛逯表示，推動「水利建設內建發電」是恆水創電的企業使命。他強調，台灣具有得天獨厚的水力發電條件，不但水力豐沛，地勢更是山高水急。然而，在河川渠道中卻有許多緩解水流力道的消能設施（如消波塊），以小水力發電的觀點來看相當可惜。

鄒飛逯指出，若運用發電機組取代消能設施，用水流動能發電，就能使消能設施創造能量，既可兼顧設施安全，又能創造最乾淨的綠能，堪稱一舉數得，而這也是恆水創電的初衷。鄒飛逯強調：「思維轉個彎，水利基礎建設就是小電廠，每一滴水都能發好幾次電！」

針對 TURBULENT 機組的技術優勢，鄒飛逯指出，TURBULENT 垂直渦流水輪機的特色是韌性極強且應用場域廣泛。強韌的葉片讓機組不怕垃圾及泥沙堵塞（以Turbulent S為例，可容納直徑 25cm 的物體通過），一體成型的設計亦可抗震；若遇到強風豪雨導致河川水位暴漲，也有對應的斷電機制，讓發電機組自動跳離電網，在條件嚴苛的場域中仍可穩定運作。

鄒飛逯也說，TURBULENT 的機組體積小且易於施作，可與水利設施合為一體，多元發展性高。更關鍵的是，機組的設計也讓河道中的生物能無害通過葉片，可兼顧生態友善：「頂多讓通過的生物感到暈眩，但不會造成傷害。」

而為徹底運用台灣的水力潛能，恆水創電與TURBULENT整合雙方專業，經過兩年場域資料蒐集及田野調查，為台灣水力環境量身設計 Turbulent S超低落差小水力發電機組，為台灣打造最佳化機組。

Turbulent S可應用於台灣多數水力環境中，因其有效落差高度僅1.28m，所需流量為2cms (每秒2立方米)，無論在灌溉溝渠跌水工、自然河川、淨水與汙水處理廠、給排水、水保設施等場域，都有極大發揮空間，讓鄒飛逯喊出「一落差一機組，一渠道一電廠」的綠能願景。

為推動台灣小水力產業發展，恆水創電與TURBULENT已簽訂合作備忘錄，授權Turbulent S機組國產化，比照風電模式在台灣落地生產。

恆水創電總經理廖弘毅指出，Turbulent S國產化不僅有助提升產業技術，更可確保長期料件供應與技術服務。「作為生命週期20至30年的基礎建設，國產化將能確保小水力發電在台灣長久發展、穩定維運；」廖弘毅總結，「這將是小水力發電在台灣遍地開花的重要一步！」

今日恆水創電也正式與台灣小水力綠能產業聯盟簽約入會，強調日後將會有緊密合作。對此聯盟洪正中理事長表示：「小水力發電是最環保再生能源，為對環境最友善的發電方式，小水力為台灣再生能源第三棒，聯盟與恆水創電公司將會持續為再生能源努力。」

2021.12.12 PM 0:24 更新：原版本文中之「水頭」為英文 Hydraulic Head 之意，為單位重量液體通過泵所獲得的能量，單位為公尺(m)。為便於理解，改為「落差」。

本文轉載自中央研究院研之有物，泛科學為宣傳推廣執行單位。

• 採訪撰文｜郭雅欣
• 美術設計｜林洵安

回收廢熱的熱電材料

在全球面臨能源轉型之際，再生能源的發展大多著重在太陽能、風力、水力、生質燃料等。然而近年，隨著奈米科技的發展，可將廢熱轉為電力的熱電材料也逐漸嶄露頭角。中央研究院物理研究所陳洋元研究員踏足熱電材料的研究已有十幾年，在他眼中，熱電材料極具能源發展潛力。

熱電轉換再興起

身處能源轉型的關鍵時刻，我們不由得擔心，再生能源真的足以補上電力缺口嗎？還有沒有其他新興的發電方法呢？有的！用廢熱發電，聽起來很不錯吧？畢竟在日常生活中，我們也受夠廢熱了。汽車、冷氣等機械廢熱，加上太陽的輻射熱等，這些煩人的廢熱如果能拿來發電，實在是個好主意。

熱電材料就是熱生電的關鍵，它能將（沒用的）熱轉化成（好用的）電。近年來，熱電材料逐漸發展起來，中研院物理所研究員陳洋元從 2006 年起開始研究熱電材料，他說：「熱電材料的發電效率已經有很大的進展！」在不久的未來，熱電材料的應用將愈來愈廣泛，成為能源轉型時代的重要一角。

熱電材料的歷史要回溯到 200 年前，德國科學家西貝克（Thomas Seebeck）在 1821 年發現，材料兩端的溫度差會形成電位差，稱為「西貝克效應」。也就是說，同一種材料只要兩端溫度不同，兩端之間就會產生電壓；反之，在材料兩端賦予電壓時，兩端之間就會產生溫度差。科學家因此定義了西貝克係數 S = ^∆V⁄_∆T，表示同一種材料下，溫度差愈大，輸出電壓越大，「換句話說，一個有溫差的材料，等於可以視為一個乾電池。」陳洋元解釋。這便是熱電材料的基本物理機制。

找出最優質的熱電材料

由於每一度溫差產生的電壓就是「西貝克係數」，直觀來說，西貝克係數愈大的材料，在同樣的溫差下輸出的電壓愈大，是愈好的熱電材料。不過陳洋元補充說，熱電材料除了西貝克係數要高之外，「導電性也要好，除此之外，導熱率不能太好，否則溫差一下子就熱平衡掉了。」考量各種條件之後，科學家訂出了熱電材料的優質係數 ZT 值=（^δS2⁄_κ）T，其中 σ 是導電係數、S 是西貝克係數，κ 是導熱率，T 是絕對溫度。

導電性好、西貝克係數高，而且導熱率要低。這是優質熱電材料的三大條件。

於是，研究熱電材料的科學家從幾十年前開始，便朝著符合這些條件的方向努力。陳洋元說：「金屬的導熱都太好了，並不適合當作熱電材料。目前主要的做法是用各種半導體材料，搭配不同的摻雜元素及比例，來找出最佳化的 ZT 值。」

全世界各研究團隊多年下來，針對各種材料組合及摻雜比例，找出了不少值得關注的熱電材料候選者（如下表）。「你可以從中發現，多數的熱電材料都是溫度愈高，ZT 值愈高，在 600°C~700°C 的高溫會表現得很好。」陳洋元笑說：「只有一種材料適合在室溫運作，就是鉍-銻-碲（BiSbTe），目前為止無人能出其右。而且科學家大概 50 年前就發現它了，它保持世界紀錄至今 50 年。」

控制晶格和缺陷，不讓熱傳過去！

找到優秀的材料搭配和比例還不夠！要提升熱電效果，還有一個重要因子：減低熱電材料的導熱率。微觀來看，就是精細地調控材料晶格或內部缺陷。

晶格是材料的骨架，熱的本質是晶格振動，而熱傳導的本質便是晶格裡的原子以振動方式將能量傳遞給鄰近原子。因此，阻礙能量傳遞的方式，就是調控材料內原子的排列，以期達到導熱差、導電好的最終目的。

理想上可以利用「超晶格」，當不同種類的原子像三明治一般層層交替堆疊時，界面的原子與鄰近原子尺寸、重量都不同，這會造成晶格排列不順暢（晶格不匹配），彼此的振動能量也不易傳遞，大部分都會反彈回來，也就達到「導熱不佳」的效果了。

種類不同、尺寸與重量皆不同的原子間，由於晶格不匹配，振動比較不易傳遞，導熱率因此降低。

陳洋元進一步解釋，超晶格的每一層材料厚度、比例都必須嚴格控制，「因為我們只希望導熱率降低，但不希望影響到電子的移動。」也因此，這項製程「非常困難，需要的設備也很昂貴。超晶格結構如果要做到一張紙那麼厚，可能必須鍍膜上萬次，成本很高，東西也做不大。換言之，超晶格在學理上可行，但實際應用上有困難。」

「我們可以選擇退而求其次的做法。」陳洋元說。例如在材料裡刻意摻雜一些雜質，或製造晶格的空缺，包括：點缺陷、空位、差排、疊差等。以這些缺陷的數量來控制材料特性，在盡量不影響導電的狀況下降低熱傳導率。「這是比較簡單可行的做法。」

熱電材料自有用武之地

熱電材料在實際應用上，發展得比其他再生能源慢，主要原因還是在發電效率不夠好。目前在室溫下最好的熱電材料，轉換效率約 3~4%，相較之下，太陽能發電目前的轉換效率約在 15~20%。這也是熱電材料在能源發展上較少被提及的主因。

「不過其實熱電材料在 600°C~700°C 的高溫下，轉換效率可以超過 10%。」陳洋元說。因此，幾年前美國一度打算將熱電材料用在汽車的廢熱回收，畢竟燃油引擎的油電轉換效率大約在 30% 左右。「剩下的 70% 都變成廢熱排出去了。如果能把其中 10% 的廢熱轉換成電能，等於是引擎效率的一大躍進。」不過後來，隨著電動車逐漸成為主流發展方向，這項應用也就失去關注了。

熱電材料就這樣無英雄用武之地了嗎？並不是。其實早在 30~40 年前，它就已經應用在太空科技上了。太空船或衛星發射到太空中之後，需要電能維持運作，除了太陽能以外，熱電也是重要的電力來源。陳洋元以航海家一號舉例，「它朝著太陽系外離去，過程中太陽光會愈來愈微弱，因此不能完全仰賴太陽能做為電力來源。」因此，航海家一號就有使用熱電技術，其中熱的來源是鈾、鈽等放射性材料，它們在衰變過程會放熱，與外太空趨近絕對零度的環境產生溫差，藉此發電。「這些放射性材料的半衰期是幾十億年，對我們來說像是萬年之毒，但對太空船來說，卻像是永恆的電力來源。」陳洋元說。

熱電轉換效率不佳，但對於缺乏電力來源、外界環境溫度極低，又不怕放射性汙染的太空科技來說，是很好的發電選擇。

此外，熱電材料不只能把熱轉換成電，也能反過來，利用材料兩端的電壓差回推來產生溫度差。也就是說熱電材料的應用不限於發電，它也能做為冷氣、冰箱等使用的溫度計；或是在熱電材料上外加電壓，產生電流，造成材料兩端的溫度差，做為冰箱、電腦 CPU 的致冷元件。

陳洋元也在近兩年，研究開發出薄型熱電晶片，裡面的結構是 128 對微小的 p 型、n 型半導體柱，就像 128 個小小的乾電池串聯一樣，能把熱電效應放大百倍。陳洋元解釋，雖然熱電效率不高，無法用在大型工廠等需要巨大電量的狀況，但這樣的晶片可以用來製作「熱電自充隨身電源」，應用在手機或電子手錶等隨身穿戴式電子裝置上，這類裝置需要的電量不高，但可能隨時有充電需求。「想像一下這樣的場景，你走在路上發現手機沒電了，於是拿出熱電自充隨身電源，利用自身體溫與室溫的溫差，幫手機緊急充電。」

隨著網際網路的發展，基地台熱點愈來愈多，這也讓陳洋元對於熱電材料的應用潛力更加樂觀。「在某些偏遠地帶，例如玉山的基地台，電力供給或許就不需要建置發電站，利用熱電材料（透過溫差發電的特性），只要送一桶瓦斯去就好，方便多了！」或者，熱電材料也能與太陽能互補，「因為太陽能發電使用的是太陽光，它的輻射熱並沒有被利用到，這一點可以用熱電材料來加強補足。」陳洋元說。

另外，陳洋元也正在與廠商合作，希望能製作中型、大型的發電機。陳洋元說：「一個熱電晶片大約能發 20 瓦的電，把 25 個晶片合起來，就能有 500 瓦。」儘管成本比一般發電機高，但熱電發電機具有輕巧、無噪音等優點，「我相信它在未來是一個機會。」

熱電材料的研究還在如火如荼的進展著，而陳洋元對它的未來也抱持著樂觀的態度。回頭看看熱電材料的優質係數 ZT 值，「只要我們想辦法降低導熱率，它理論上還能再拉高。」陳洋元說：「現在室溫下的 ZT 值最高是 1 點多，在不久的未來，我們很有可能就突破它了」