文/洪皓哲，黃子洋

我（洪皓哲）身為一個從化工叛逃到建築的過來人，每想到過去滿滿的實驗和必修人生依然充滿感慨。畢業後，對於自己受的化工教育有了不少反思，但擔心自己太魯蛇沒什麼說服力，特地找了卷哥朋友黃子洋，一同整理我們對化工教育的感想，希望能分享給一樣迷惘的同學或是學弟妹們，如果你們也曾念得很掙扎，你們並不孤單（淚）。

從實驗課程談起

如果回想一下大學四年最熟悉實用的知識技能，相信不少化工系學生的腦袋會浮出Word、Excel、PowerPoint。想起來超弔詭，化工系學到最多的竟是文書處理軟體？這可以歸功於四年來實驗預報（預習報告）與結報（結果報告）的無限輪迴，已經成為現今化工教育底下學生的共同記憶。

目前的實驗課多是在驗證主修科目理論，導致實驗時沒有想要解決問題的動力，最終流於高度制式化、彈性極低的實驗報告寫作訓練。過程中也許能培養對於實驗數據的分析能力（所謂工程師對於數字曲線的敏感度），但更多時候卻是在努力想出誤差來源，沒有真正理解這些實驗單元或器材在解決問題時能扮演的角色，只是在按照實驗步驟熟練操作過程罷了。

議題導向教育

作為工程師，最重要的是解決問題的能力：當問題出現時，如何去判別、定義問題、再依照既有的知識嘗試解決。實驗和現行主修科目若能部分改成議題導向的實作課程，便能讓學生在執行專案（project）時，自行摸索思考，而不是像目前的考試，僅以計算題或是背誦為主，在一個封閉的框架去驗證是否對定理公式理解，但實則無法落實在現實情境下。

日前聽指導教授吳乃立老師分享女兒在比利時求學的故事，我們覺得是議題導向實作的一個很好的例子：那裡的有機化學實驗課每學期有不同的主題與目標，染料（dye）是老師女兒在那學期的議題。各組選擇一種特定的顏色後就正式開始整個學期的實驗課程 ── 目標只有一個，那就是想辦法合成出選定顏色的染料。

實驗課本沒有化學藥品劑量、也不會告訴你實驗步驟，學生要自己試著查文獻、找出製備方式、設計實驗；助教和教授不會教你怎麼利用他人設計好的實驗驗證已知理論，而是學生主動找他們討論實驗怎麼安排，他們給建議、評估可能性、告知藥品器材的限制。期末報告變得像展示會場一般，各種五顏六色的染料（甚至嘗試染到布料）擺出來，除了分享實驗過程，順利合成染料的組別能夠分析品質與產率，未能有好結果的組別則討論可能原因和改進之道。

議題導向實作中遇到的問題我們不太可能都學過，但至少能觸發想要解決的動機，自發學習或與老師求助。當未來課程學習到相關知識時，這些知識就不再只是與自己不相干的論述，而成為與過去經驗契合的解決問題重點。

學非所用的困惑

「學了這門課，以後會用到嗎？」許多人從中學時期帶著這個疑惑一路上了大學，因為高中老師說專心念書考上好大學之後就會得到答案；無奈的是，當教授在大學裡認真教化學工程的重要理論時，我們還是不懂為何要學。

我們如同瞎子摸象般的學習，教授強調的總是我們所摸到大象器官的功能性，卻常忘了或太晚描述大象的全貌；（厲害的）學生懂得解各種微分方程式、記誦無數多的無因次群，卻要三年的必修課程學完才能開始有課程將這一切組織在一起。

化工系並不是沒有議題導向的課程，程序設計就是扮演這樣的角色，將不同的專業科目作串接，並對化工的整體面貌有更清楚的認識，效果也很好，只是要到大四才有這樣的機會來整合，有些太晚。這樣課程安排也許用意在於札實地建立起背景知識，但許多人的興趣及熱情早在之前就被必修課程學習上的挫敗感，以及不知到底為何而學的茫然給消磨殆盡。

理論與實務的隔閡

過去四年的學習經驗給我們的心得是：目前大學教育的終點指向是教授多過於工程師。但畢業生成為教授的少，工程師反而是多數。當現行教育是為了培養研究人才時，就會導致理論比例過重而實務導向不足。學生無法在理論鑽研中得到熱情，可能自我否定認為自己沒興趣，更甚著覺得自己不適合唸化工。

最近已有畢業學長姊和在學生共同成立的NTU ChEers組織，嘗試將業界和國外留學的校友資源導回校園，幫助學生在求職或是繼續升學抉擇時，對於自己與外界的需求有更明確的了解，避免走錯方向多花時間成本，並且NTU ChEers也積極推行實習媒合，協助弭平實務與理論的隔閡。這是我們在大學四年沒來得及享有的良好資源！如果能把議題導向課程落實在教育中，結合NTU ChEers的資源，相信能幫助目前在學學生更了解化工教育的本質，也讓大家對於未來少了很多迷惘和恐懼。

創新創業

當這個時代大家都在談論創業與創新，為何化工似乎缺席？被稱為萬能工程師的化學工程師，若要論跨領域，我們學了很多其他科系的基礎課，本身在四年級也學了整合性思考的程序設計，我們理解工程和化學，還能以成本效益評估工廠，我們理當能在這強調創新的世代中扮演重要的角色。是否正因為我們能參與的領域太多，我們在既有的選擇上太過充分， 所以我們只需要在既定的選項中選擇，而不需要掙扎、迷惘和突破。

最近在泛科學實習，收集新知時看到了下面兩篇文章（案例一、案例二）。當我看到這些國外創新案例時，我直覺想到的是，這都是化工的專業呀，完全是我們可以做的！以化工的背景，我們一定也能做出類似的創新，改變我們的生活。

案例一：從自來水管產生的電力新來源 利用水管中水流的位能差和渦流發電作為一個穩定的能源來源，將這電力回饋到建築物或是路旁電燈。並且利用這新的裝置當做感測器來偵測管線是否外洩，以快速維護。 以我們化工質能平衡的角度來看，其實就是工程師觀察到現有問題：在自來水管線的進口端（山上的水壩，input）與出口端（家中的水龍頭，output）間有相當高的自然重力位能差被浪費，於是將渦輪裝入管線中適度地消耗掉（consumption）過多的位能差，進一步轉換成可利用的電能。 資料來源：Portlands New Pipes Harvest Power From Drinking Water

案例二：沙漠智慧，會收集露水的溫室 溫室能在白天留住陽光的熱量，土壤及植物表面上的水氣蒸發充滿溫室，確保溫室濕度不會散失，利於作物生長；到了晚上，農民可以手動拉繩將上蓋開啟，令溫室降溫，水氣遇到冷空氣凝結成露水，沿著集露網流進收集容器。收集來的水一方面可以重新用來灌溉植物，更能進一步供人飲用！ 這項設計聰明之處在於白天利用溫室維持一定的蒸氣壓、防止植物與土壤水分過度蒸散，而也因為水的蒸氣壓夠高，不需要非常低溫就能夠達到露點（dew point），所以晚上利用環境自然降溫即可順利回收露水，是個熱力學上簡單巧妙的應用。 資料來源：沙漠智慧，會收集露水的溫室

大學時我時常在想，為何化工和消費者、使用者離得這麼遠？我們的存在是否真的有對他人產生價值？可能有人會說，去台GG做出來的東西是全球手機都會需要的零件！去台塑很多也是生產民生必需品的原料啊！但是在這些產業裡總給我一種「少我一個也沒差」的印象。到底經歷了這麼多的學習，我能貢獻的是什麼？

在大家都在談Maker和創新的年代，製作新產品的成本已經遠比過去低廉很多，我們有機會不仰賴大資本，不用到工廠也能發揮我們所學，不用繼續到大公司當個按按儀器、轉轉旋鈕的螺絲釘，而是可以到Makerspace、Fablab等空間，拿起工具、用電腦軟體就能開始設計新的產品。這是化工人能產生價值的絕佳時刻！不是只有會coding的可以改變世界，我們也可以。為何現在HackNTU和圖書館合作如何改善地下自習室的系統時，我們只能在實驗室等蒸餾塔沸騰？

知識、應用、想像

目前的化工教育過分偏重既有知識的傳授使得我們深陷傳統框架中的泥淖，難以跳脫與創新。我們所期待的化工教育應為知識、應用與想像三者兼備，避免學生成為徒有化工知識的工匠，培養能夠以創新思維解決問題的工程師。

• 水熊蟲真的能跟量子位元「量子糾纏」嗎？
• 逼近 50% 的癌症研究實驗無法被重現？RPCB 耗時 8 年點出「再現性危機」
• 大資訊時代也是大駭客時代！——你該認識的駭客新興手法
• Omicron 變種病毒從哪來？打疫苗有用嗎？Omicron 相關研究彙整
• 推理系動畫毒殺利器！——認識致命的「河魨毒」

2021年末，小玉的「Deepfake 換臉事件」讓大眾正視 Deepfake 技術的濫用問題。  Deepfake 發展至今不只有造假技術在進步，辨偽也是：目前任職於成大統計所的許志仲老師，從 2018 年開始便在這個主題中專研，並於 2020 年發表相關研究結果，該篇文章起今已有超過 50 次的引用次數。「以這篇論文發表的期刊影響指數（Impact Factor，簡稱IF值）來說，這個引用數相對來說是高的，這代表 Deepfake 辨偽的議題開始變得重要，但研究的人可能沒那麼多。」

許志仲坦言，自己 2018 年研究 Deepfake 辨偽時，Deepfake 影片品質並沒有特別好。沒想到短短兩三年的時間，Deepfake 的效果就已經好到可能會造成問題了。

雙面刃的 Deepfake

Deepfake 技術起初是希望能藉由電腦產生各種不同的逼真圖片或影片，來因應特效製作或老照片修復之類的工作，而要產生逼真圖片或影片，有許多不同的方法都能達成這個目的，目前 Deepfake 最常使用的方法為 2014 年提出的「生成對抗網路（Generative Adversarial Network, 簡稱 GAN）」，透過生成網路與判別網路的對抗，產生逼真的圖片或影片，因此說到 DeepFake，通常都會說起 GAN。

「我們會說 Deepfake 就是 GAN，是因為就目前生成技術還是以 GAN 最好，當然也有新的方法正在發展，所以未來未必還是以 GAN 作為主體，可能用別的方法偽造，也能做得很漂亮。」

許志仲也表示，Deepfake 的發展目標是正面的，技術本身是中立的，但使用者怎麼使用這項技術，就成了重要問題。而在不能確保使用者心態的情況下，辨偽技術成了這項技術的最後一道防線。而 Deepfake 辨識的主要問題，可以分為偏向研究的「偽造特徵不固定」，以及偏向實務面的「辨偽系統的使用情境差異」兩個面向。

Deepfake 辨識的研究困難：偽造特徵不固定

現在已經有可以辨識貓狗、車牌等物體的影像辨識系統，這些辨識系統也相當成熟可靠，直覺來說，要做出一套辨識 Deepfake 的辨識系統，應該也不會太困難吧？

但實際上卻並非如此，過往辨識系統的做法是抓取容易辨別的特徵，例如貓與狗兩者在形態上就有明顯的差異，只要給電腦夠多的訓練資料，就能有一組精確區分貓與狗的判別式，且能用到各種需要分辨貓與狗的情況下。

先不談分辨人臉真假，就人臉辨識本身來說，就是個值得研究的問題，每個人的臉都長得差不多，差異在於五官的相對位置、形狀或大小有微小的差異，這使人臉辨識本身就難有通則可以去分辨。而不同方法生成相似的 Deepfake 圖片，並不一定具有相同的偽造特徵，從人臉特徵到偽造特徵都不固定，使得 Deepfake 辨識具有一定的困難度。

此外，即便用同一種方法製作同樣的 Deepfake 圖片，也會因為當初給的資料不同，使得偽造特徵出現差異，這讓「一組判別式就能判斷是否為 Deepfake」成為近乎不可能實現的夢。

也許，偽造特徵根本不在人臉上!?

面對 Deepfake 辨識的棘手問題，許志仲說：「要辨識的特徵太多元。我們覺得倒不如去尋找有什麼線索是 GAN 一致會產生的，這線索也許是我們眼睛看不到的，但是電腦可以透過學習的方式去挖掘，所以我就用了這種學習機制去抓出，會不會大部分的這種生成系統，都可能有共同的瑕疵。」

一張 Deepfake 照片並不只有人臉與五官，也包含了背景。而許志仲的論文指出，Deepfake 的偽造特徵，經常出現在背景，或是背景與人臉的交界處：

「臉通常都合成的很漂亮，但是背景跟臉的交界處會不自然。通常在髮絲的地方，髮絲的地方會糊掉這是一種，或是眉毛或者是額頭中的髮線也會有明顯差異。另外就是背景，會明顯看不出背景是什麼東西。大家都忽略看這裡（背景）很正常，而實驗結果也確實看到這些部分具有相對好的辨識度。」

然而，即便該篇論文是近期發布的，許志仲也不敢肯定這套辨識方式是否能套用在目前的狀況下，他表示目前每半年，GAN 生成的 Deepfake 影像的逼真度，就會有顯著的突破，且沒有消退的趨勢。

Deepfake 辨識的實務困難：辨偽系統的使用情境差異

在實務上，許志仲認為目前還有更為棘手的問題需要解決，那就是辨偽系統的使用情境差異。以一段 Deepfake 影片上傳 Youtube 平台為例，上傳的時候 YouTube 就會先對影片進行壓縮，這時原有的 Deepfake 偽造特徵很可能會因為壓縮而被破壞，許志仲解釋：「有些人會故意加上一些雜訊、加一些後處理，比方說整個畫面做類似美肌之類的處理，這些都會破壞掉偽造的線索，我們發現這些狀況十分常見，而且很難克服。這也是為什麼現在幾乎沒有軟體或網站，提供 Deepfake 辨識服務。」

在實驗室裡，我們可以拿到 GAN 生成的原始影像去做分析，但在網路世界裡，每一個影像都可能像上述的情況一樣，做了各種後處理才放到網路上，就算現在有研究指出某種辨認方式是有效的，也未必真的能應對網路上的複雜情況。

許志仲表示，目前看到有希望突破壓縮這個問題的辨認方式，是去抓人臉在一段影片中的五官變化是否足夠自然，這個線索可以克服壓縮的一點點問題，因爲是藉由五官相對位置的變化來偵測，這就跟壓縮沒太大關係。但正如前面提到的，人臉辨識是困難的，人臉的五官定位本身就無法做到精準，真要使用這套方法辨識 Deepfake，還需要更多研究來確認可行性。

也有研究者認為 GAN 理論雖然看似完美無瑕，但在產出 Deepfake 過程中仍可能會出現某些關鍵操作，只要藉由偵測畫面中是否有經歷這些操作，就能間接推測這個畫面是否為 Deepfake，不過這個做法的缺點也很明顯，那就是這些關鍵操作，也很可能只是正常的影片後製造成的，並造成不是 Deepfake 的影像也被歸類到 Deepfake 中。

情境逐個突破，讓研究能落地使用

說到這裡，許志仲語重心長地說：「我們研究做了這麼多偵測 Deepfake 的方法，但都不一定能在真實世界使用，這讓我非常意外，而上述的這些情境，也只是冰山一角。」

其實大家都在研究差不多的特徵，像是五官的落差，說話的時候嘴巴的動態變化會比較小或模糊之類的，但這些特徵面在真實的使用情境中，還能有多少辨識度，就真的是未知數。考量到真實情境的複雜度，目前許志仲認為逐個突破不同的情境下它們適合的辨偽方式，才是比較實實際的。

「我們必須先確認好問題是正確的，才能找到正確的答案。」許志仲說，要在實驗室裡做出一套數據漂亮的辨識系統並不困難，但要做出實際能用的辨識系統卻非常不簡單。

許志仲也嘗試將自己的研究成果運用在實際情境中，但面對製作公司精心製作的 Deepfake 影片，許志仲換了好幾套模型，也只有一套能判別出來，也呼應了「使用情境差異」才是辨識 Deepfake 無法落地的最大問題。

各界都在防範 Deepfake 影響生活

GAN 要能生成以假亂真的 Deepfake 圖像，必須建構在有訓練完善的生成模型上，而一個訓練完善的生成模型，並不是隨便餵幾筆資料給 GAN 就會跑出來的，必須要有足夠算力的電腦，配合大量的資料才能完成。除了像 Google 或 Facebook 這種規模的公司有能力製作外，也只有部分研究單位，能做出這種以假亂真的生成模型。

許志仲說：「由於 Deepfake 對社會的影響很大，現在他們都只公開自己的程式碼，但不會公開自己的模型，主要就是怕模型被拿去幹壞事。」許志仲也坦承，對於辨偽技術的研究來說，目前的狀況是非常不利的，這代表研究者必須自己用程式碼生出不那麼精良的模型，來製作 Deepfake 圖片測試。

面對未來 Deepfake 是否會無法辨別，許志仲表示就影像上來說，這件事情是做得到的，總會有方法做出不被任何辨識系統偵測，堪稱完美的 Deepfake 影像。但身為防禦方的我們，並不是只能靠圖片辨識真偽，上傳的使用者、社群平台的 meta-data，這些能標示來源的訊息，都可能是我們辨識這部影片是否為 Deepfake 的線索。

面對持續進化，仍看不見消退的 Deepfake 技術，許志仲也希望未來能有更多人一同加入 Deepfake 辨偽的研究行列，針對 Deepfake 辨偽系統的使用情境，我們還有非常多的問題等著被解答。

• 水熊蟲真的能跟量子位元「量子糾纏」嗎？
• 逼近 50% 的癌症研究實驗無法被重現？RPCB 耗時 8 年點出「再現性危機」
• 大資訊時代也是大駭客時代！——你該認識的駭客新興手法
• Omicron 變種病毒從哪來？打疫苗有用嗎？Omicron 相關研究彙整
• 推理系動畫毒殺利器！——認識致命的「河魨毒」