超乎想像的織物！當紡織與電子科技融合：智慧儲能與發光系統

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

一提到蜘蛛，許多人腦海中浮現的畫面，或許是在學校裡不起眼的角落，搭在陰暗牆角的蛛網。在許多影視作品裡，蜘蛛網總給人一種陰森、詭譎的氛圍。然而，讓人不可否認的是，蜘蛛網的結構是如此複雜且精美。

關於蜘蛛結網，在古希臘有一則傳說。大家所熟知的女神雅典娜，曾向遠古人類傳授紡織技藝，被稱為「紡織女神」；而當時有一位染匠的女兒名為阿剌克涅（Arachne），十分擅長紡織，沒有人能比得上她，也因此她也十分驕傲得意，某次她向雅典娜提出挑戰，希望能一決高下。後來，雙方的作品都十分精美、技藝精湛。然而，阿剌克涅所織出的掛毯內容卻是褻瀆、嘲笑宙斯與他的眾多妻子的，雅典娜一氣之下將阿剌克涅變成了一隻蜘蛛，永遠用她自己的身體織網，而現在我們所見的蜘蛛被認為是阿剌克涅的後代。

雖然蜘蛛網幾乎隨處可見，然而背後的秘密就和它的外觀一樣錯綜複雜，吸引著人們去揭開它的神秘面紗。令許多科學家好奇的是，體型及大腦都比人類小這麼多的蜘蛛，到底是如何織出這些精密又優雅的幾何結構的？如此複雜又連續的行為是如何調控及建構的呢？

其實一直以來都有許多探討影響蜘蛛結網因子的研究，例如有科學家將蜘蛛放到外太空，觀察在無重力環境下，蜘蛛結的網有何不同，通常在有重力的情況下，會結出不對稱的網，然而在無重力下便是對稱的。此外，大多靠觸覺織網的蜘蛛，於無重力環境下的織網行為，卻仍受光線影響。由這些結果可以得知，不同環境因素對結網行為的影響^[4]。

但若想要了解行為背後的機制，必須先區分出不同階段的行為模式。先前有些研究試圖分析，但因研究者無法在蜘蛛結網期間進行全天候的觀察，因此許多行為模式的細節仍未被發現。後來也逐漸發展出其他方法去觀察蜘蛛，例如在實驗室裡創造可控的環境，利用攝影機記錄行為^[1]。

幫蜘蛛結網的「每一步」做紀錄！

今年十一月，一項刊登在當代生物學《Current Biology》的研究^[2]，利用紅外線夜視攝影機，在夜晚觀察蜘蛛，並用軟體追蹤牠們快速的腿部動作，將結網行為分成不同階段。

蜘蛛網的種類眾多，但這項研究觀察的是圓網（orb web），原因是在織網的過程中，比較容易透過追蹤蜘蛛軌跡和網的幾何形狀，來定義不同的階段。因此他們選擇織圓網的渦蛛科（Uloboridae）裡的 Uloborus diversus 作為研究物種。這是一種原產於美國西部的蜘蛛，他們的體型很小，小到能夠放在指尖上；由於大多數織圓網的其他類群只在春、夏活動，而這個物種是全年都有，符合長期活動以及耐受性好等實驗所需條件。

雖然這種蜘蛛可以在任何形狀的空間裡結網，但他們更偏好在完全黑暗的環境建造水平圓網。因此，研究團隊設計了一個「舞台」，並設置紅外線攝影機及紅外燈。透過這個裝置，每天晚上監視並追蹤蜘蛛織網的過程，被追蹤的六個個體皆為成年雌性。（只使用雌蛛的原因是，雄性很少結圓網）。

在這個實驗中，研究人員利用動態捕捉軟體，追蹤蜘蛛每條腿的基部、股骨、脛骨，以及前胸的最前和最後，共二十六個點，來分析數百萬件的腿部動作，藉由追蹤腿部運動能夠區分出每個階段的典型及非典型行為，將織網的不同階段作更細部的分析。

蜘蛛網的秘密：動態分析「織網五階段」

織圓網的過程可被區分為五個階段：首先，蜘蛛會花時間探索一下所在空間，同時築出一個雜亂無章的網，稱為「原形網」（proto-web），通常沒有明顯的規律。這個階段蜘蛛會評估周遭環境，並為最終要織的網定位。在探索結束後，蜘蛛會有一個長時間的停頓。

接著，便要開始向外建造網的半徑（radii）。牠會先移除大部分的原型網，並調整一些原型網的線條作為半徑，同時建構框架（frame）。在第三階段之前，蜘蛛會短暫停歇，接著開始向外盤旋，織造螺旋狀的「輔助螺旋」（auxiliary spiral）補強網面的整體結構。這個階段只會持續幾分鐘，因為輔助螺旋是暫時的結構，它是為穩定下個階段的施工而建，也就是「捕獲螺旋」（capture spiral）。當蜘蛛從外圍向內建造捕獲螺旋時，會同時移除輔助螺旋，這是第四個階段。

最後，在某些情況下，蜘蛛會再加上一個稱為「隱帶」（stabilimentum）的構造。有趣的是，這個構造並非所有蜘蛛都有，它的功能也仍未知。目前已有許多假設^[3]被提出，例如可以幫助蜘蛛隱匿、避免其他生物（例如鳥類）撞上蛛網，或讓蜘蛛在其他捕食者的眼中看起來更大，也有假說認為此構造可以吸引獵物。

蜘蛛腦如何進行複雜的結網工程？仍待解答

在分析出蜘蛛結網的五階段後，研究人員發現，蜘蛛結網的行為非常相似，以至於研究人員能夠僅通過觀察蜘蛛腿部的位置，來預測蜘蛛正在為蜘蛛網的哪個部分施工。

研究人員指出，即使蜘蛛網最終的結構略有不同，但蜘蛛結網的步驟及規則卻是相同的，這證實了結網的規則是在蜘蛛的大腦中編碼的。因此未來研究團隊想進一步了解的是，這一連串動作背後的神經系統是如何運作的，在後續的研究中，能夠找出蜘蛛調控結網的大腦迴路，一步步揭開美麗蜘蛛網背後的秘密。

2024.06.05更正：感謝讀者指出，Uloboridae原誤植為金蛛科，已更正為渦蛛科。

參考資料

1. Benjamin, S. P., & Zschokke, S. (2000). A computerized method to observe spider web-building behavior in a semi-natural light environment. European arachnology, 117-122.
2. Corver, A., Wilkerson, N., Miller, J., & Gordus, A. G. (2021). Distinct movement patterns generate stages of spider web-building. bioRxiv.
3. Mena, P. The Function of Stabilimenta in Spider Webs. The Writing Anthology, 36.
4. Spiders in space—orb-web-related behaviour in zero gravity

文＼王昱夫

能源和環境無疑是近年來大家最關注的話題之一，電動車更是其中常常被拿出來討論的選項，然而，這類電力產品長久以來無法普及的ㄧ大困難點，就在於充電時間太長，想像一部車開進充電站，卻要花上半小時時間充飽電才能再上路（而且還沒辦法像用油一樣開那麼遠，很快又得找站充電），簡直讓人受不了。針對這樣的問題，紡織產業綜合研究所開發的「超級電容」，不但能夠滿足快速充放電的需求，更可以和紡織技術結合，開創出全新的市場！

紡織所開發的「織物超級電容」，曾在2011年榮獲R&D100大獎（此獎項素有「產業創新奧斯卡獎的美譽」）。其特色在於具備高度柔軟性（可180度折疊）、高穩定度、長壽命、快充快放及大容量，可以有效與自行車發電系統、太陽能電池做結合，成為高度生活化且應用性高的產品。

織物超級電容為什麼可以擁有這麼多優異的性質呢？其最創新之處便在於它使用了紡織材料作為電容的基材！是的，你沒看錯，是紡織材料！捨棄了以往電子材料總是硬梆梆的刻板印象，研究團隊採用了柔軟可撓的紡織物支撐整個電容結構，於其中灌注特定比例的電解質溶液後加以真空封裝，做成這片厲害的超級電容。也由於是使用紡織品材料，整片電容就像衣服一樣，可以隨意的扭曲、搓揉，當筆者親手拿著它把玩！簡直難以想像傳統的電子元件竟然能以如此特別的型態被製造出來！

「我們採用紡織材料來做，就是因為它具有好的可撓性和多孔性結構」受訪的蔡副組長向我們解釋道。有了好的可撓性這項產品的應用便不受限於傳統的空間限制，可以把它彎曲、塞在很小的空間內，或是放在背包、衣物這種需要高柔軟性的物品上，與穿戴式裝置做結合。除了可撓這項大特色之外，織物超級電容比起傳統的電容在性能上更絲毫不遜色！它的充放電速度接近傳統電池的100倍，同時，它比起一般電容，不但漏電速度慢，其壽命甚至可以經歷將近10萬次重複充放電（普通電池充放電壽命約300~500次）！這些特點結合起來，未來或許就能與前面提到的電動車輛做結合，達成快速充放電電力車的願景。

在應用面上，紡織產業綜合研究所也研發了特殊的LED紗線作為目前市場化供應的第一步。LED紗線和傳統的LED不一樣，也是強調「以紡織材料為主體」的產品，透過高度技術織造，具備比起傳統電線更高的承重力，也可以像一般衣物一樣耐水洗；值得一提的是，紡織所開發的這款LED紗線不像一般的LED燈有方向性（只有一個方向發光），360度全方位可發光，不論從哪端看都可以看到亮光！而且，紗線本身材質的導光效能也很好，可以讓整條線均勻發光，提高其應用性。

從產品端來看，目前織物超級電容已應用於自行車與太陽能供電裝置：由於這類發電來源其供電量往往不穩定（人踩的速度不可能一直固定嘛@@太陽也不會一直在頭頂～），如果直接把發的電接到要使用電的裝置上（像是車燈或手機充電裝置），效果可能不好（燈一下暗一下亮）或甚至會損傷器材（手機壞掉），所以這時候，就輪到超級電容出馬了！發揮它快速充電的特點，在發電時快速將電力儲存於電容內，再以固定的輸出量供電給要使用的裝置，達到好的電力運用（智慧儲能的概念啊！）。LED紗線則是可以運用在安全警示，與智慧型穿戴裝置做結合，結合這兩項技術，說不定未來，能夠像「布」一樣隨身攜帶的螢幕，也不再是天馬行空了呢！

紡織業以往被大家視為傳統產業，很難和最新科技這類的詞彙聯想在一起，然而，紡織所開發的智慧型儲能及發光織品，卻讓我們都著實大吃了一驚！紡織如此柔軟的材料，在與電子科技結合後，開創出了新的ㄧ片藍海！

更多資訊請參考解密科技寶藏

上一篇提到巴貝奇放棄差分機，轉而投入分析機的設計，意欲打造什麼都能算的通用型計算機。分析機必須採用全新架構，巴貝奇受困許久，沒想到最後讓他突破盲點的靈感，竟是來自於看似毫無關聯的織布機……。

本文為系列文章，上一篇請見：兩艘軍艦換不到兩噸重的計算機？巴貝奇與差分機│《電腦簡史》 齒輪時代（十八）

紡織業落後英國，沃康松臨危受命

還記得發明「便便機器鴨」的沃康松嗎？他結束吹笛人、鼓手與機器鴨等機械玩偶的展演後，本來要更進一步，打造具有肌肉運動、呼吸、血液循環的機械生物，不料突然於 1741 年接到一項官方任務，而不得不擱置這個計畫。（前情提要：如果上帝就像鐘錶匠，當然我們也能？│《電腦簡史》 齒輪時代（十二））

原來法國政府發現英國紡織業這幾年突發猛進，背後的助力就是英國發明家約翰．凱 （John Kay） 於 1733 年發明的飛梭。以往織布機至少要有兩人操作：一個工人提起縱向的經紗，然後將梭子推向另一端，帶著橫向的緯紗穿過經紗，然後另一端的工人待另一組經紗又提起後，再將梭子推回來，如此不斷往返。

有了飛梭之後，一部織布機只需要一個工人操作，而且速度快上好幾倍，還能織出更寬更大的布。因此英國的紡織業無論是成本、產量或樣式，都遙遙領先其它各國，一躍為歐洲的領頭羊。法國政府不甘落後，於是找上沃康松，冀望他運用設計自動機器的長才，也能改善法國的織布機，好迎頭趕上英國。

前人已曾改善織布機，靈感來自滾筒風琴

其實早在沃康松之前，法國就曾有兩位紡織工人試圖改造織布機，時間比約翰．凱發明飛梭還早；不過他們針對的是提花布的編織。織布機織的布有兩種，一種是沒有圖案的素面布，另一種是有圖案的提花布。製造素面布比較簡單，每次提起的經紗相當固定，例如這次是奇數線，下次則是偶數線，如此不斷輪流。但提花布就相當麻煩，每次要提起的經紗組合都不一樣，非常耗時費工。紡織工人布雄 （Basile Bouchon） 想改善的，便是製造緹花布的方法。

其實布雄找到的解決方案已經存在很久了，只不過它一直隱藏在與紡織業毫無關聯的一樣東西──滾筒風琴 （barrel organ） 。

滾筒風琴通常用於街頭表演，只要轉動搖柄，就會自動奏出樂曲。事實上，滾筒風琴的原理與音樂盒類似，旋律變化都是取決於圓筒表面參差不齊的突起。差別在於音樂盒是直接撥動鋼製簧片發出聲音，滾筒風琴則是間接造成不同音管阻塞，由風箱產生氣流通過音管而發出聲音。就這點而言，滾筒風琴反而更接近穆薩三兄弟於 850 年設計的吹笛手。

布雄的父親原本就是製作滾筒風琴的工匠，布雄從小耳濡目染，對滾筒風琴的構造瞭若指掌。因此當他踏入紡織業後，觀察到織布機的經紗起起落落，編織出規律的幾何圖案，便聯想到這其實與滾筒風琴有異曲同工之妙。規律的圖案相當於不斷重覆的樂曲，經紗相當於音管；既然可以藉由轉動圓筒而奏出樂曲，那麼同樣的原理應該也能用於織布機，控制經紗起落而織出圖案。

用紙卷控制經線，織出不同的圖樣

布雄很清楚滾筒風琴的圓筒如何製作：先按照樂譜上的音符在紙上畫好記號，接著將紙裹住圓筒表面，然後在記號處──釘上鐵釘，再取下紙張即大功告成。不過布雄並沒有依樣畫葫蘆，打造另一個用於織布機的圓筒。這是他的另一個洞見：打了孔的紙已經包含如何控制音管的資訊，做成圓筒只是沿襲自音樂盒的作法，並非絕對必要。也許織布機無需圓筒，用打孔的紙張就能控制經線起落？

1725 年，布雄公開展示他的發明：在現有織布機上外加一個編織控制裝置。這個裝置有條寬寬長長、打了許多洞的紙帶，首尾相連成環，再用兩根圓筒狀的軸桿上下撐開，就像輸送帶或跑步機那樣，只不過紙帶是直立的，而且要靠手拉動。

以往要靠人工挑選要提起的經紗，現在只要把上方軸桿推向前去頂整排勾針。由於軸桿表面是鏤空的，所以哪些勾針會被頂到而移動，取決於對應到紙帶的位置是否有洞。沒有洞，紙帶才會推動勾針提起經紗；如果有洞，勾針就會穿過洞而文風不動。等梭子穿過經紗後，再將紙帶拉下一點，再次推軸桿去頂勾針，如此不斷地拉紙帶、推軸桿。由於洞的分布位置都不相同，所以每次會提起不同的經紗，而織出特定圖案。

這是史上第一台半自動織布機，也堪稱第一台可編程的工業機器，因為只要更換不同紙帶，就能織出不同圖樣。可惜布雄的劃時代發明並未獲得青睞，因為它仍有許多缺陷，例如紙張很容易破裂，用沒多久就要整卷更換；紙的強度不足也限制了紙帶寬度，只能織出窄福的提花布；此外，紙帶長度受限於織布機的高度，圖案很快就又重覆，太過單調呆板。

紙卷太短又容易破，何不改用串接的卡片？

三年後，布雄的助理法爾肯 （Jean-Baptiste Falcon） 克服了這幾個缺陷。他把上方的軸桿改成方形，並且改用一片一片串起來的厚紙板取代紙帶，如此一來，就不需要下方軸桿，卡片串接的長度便不受限制，可以織出更複雜的圖案。厚紙板也可以做成更寬，就能織出更寬的提花布。此外，厚紙板較不易破損，就算破損，也只需要更換壞掉的卡片，不用像紙帶那樣要整卷換新。

不過即使解決了這幾個問題，紡織廠仍然不願意花錢改裝織布機，因為方形軸桿仍得靠人工轉動，還要對齊打洞的位置，織布速度沒快多少，也未減少人力，投資效益並不高。法國紡織業的自動化腳步就此打住，直到十多年後，沃康松奉命提升法國織布技術，布雄與法爾肯的發明才又被挖出來。

沃康松以布雄的設計為基礎，但將紙帶改為裹住一個金屬大圓筒，運用自動機器的原理做出連動機制，讓圓筒轉動與推壓勾針的動作一氣呵成，持續不斷地自動織出圖案。沃康松果真不負法國政府所托，於 1745 年展示史上第一架全自動織布機。不過紡織工人可不高興，他們深恐因此失業，群起抗議；有些工人怪罪到沃康松頭上，還朝他丟石頭。織布機自動化的計畫再次受挫，沃康松也不如歸去，重拾他的擬人機器人計畫。

其實紡織工人無須太過驚慌，因為沃康松改良布雄的設計後，雖然可以減少人力、提高效率，但所織的布仍然無法太寬、圖案不能太複雜，所以還是沒有幾家工廠願意購置。為什麼沃康松要延用紙帶，而不是選擇法爾肯所設計的卡片？這的確令人費解。打孔卡片直到半個世紀後，才被另一位法國發明家雅卡爾 （Joseph Marie Jacquard） 重新發掘，他成功地結合前人的設計，打造出可編程的全自動織布機。

雅卡爾統合成功建織布機，巴貝奇承襲設計造分析機

雅卡爾於 1752 年出生於法國的紡織重鎮里昂 （Lyon） ，這裡正是當初布雄與法爾肯工作的地方。雅卡爾的父親也是紡織工匠，有自己的工坊；雅卡爾從小就要幫忙打雜，直到十三歲才在姊夫的指導下識字念書。二十歲時父親過世，雅卡爾繼承了紡織工坊，然而才十年時間，他就敗光家產，只能離鄉背井四處打工謀生，直到 1789 年才回到家鄉，重返熟悉的紡織業。

歷經法國大革命的十年動盪後，雅卡爾自 1800 年開始，陸續發表各種自動化的紡織設備，包括用腳踩踏的織布機、魚網編織機。1803 年，拿破崙特地召見雅卡爾，讓他住進巴黎的工藝學院，任意使用裡面的設施，進一步研究如何改善織布機。雅卡爾仔細研究工藝學院收藏的布雄、法爾肯、沃康松等人的設計，最後他決定將沃康松所用的大圓筒與紙帶換成打孔的卡片，利用棘輪控制卡片轉動，果然成功打造出真正實用的全自動織布機。

雅卡爾織布機 （Jacquard loom） 其實是個控制裝置，可以加裝在現有的織布機上。原本兩個工人一天才能合力織出 3 公分的提花布，改裝後只需要一個工人，一天就能織到 60 公分長，而且布寬與圖案都不受限制。雅卡爾織布機自 1805 年發表，到 1811 年專利期滿為止，共出貨了一萬一千台，大幅提升法國紡織業的競爭力。

雅卡爾不僅改變了紡織業，也間接促進了計算機的進展。打孔卡片的可編程功能在他手中發揚光大，遠在英國的巴貝奇正是受此啟發，才能設計出史上第一台通用計算機。