以天然棉花纖維製成的電晶體

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

本文由 ASM 委託，泛科學企劃執行。 

以人類現在的科技，我們能精準打造出每一面牆只有原子厚度的房子嗎？在半導體的世界，我們做到了！

如果將半導體製程比喻為蓋房子，「薄膜製程」就像是在晶片上堆砌層層疊疊的磚塊，透過「微影製程」映照出房間布局 — 也就是電路，再經過蝕刻步驟雕出一格格的房間 — 電晶體，最終形成我們熟悉的晶片。為了打造出效能更強大的晶片，我們必須在晶片這棟「房子」大小不變的情況下，塞進更多如同「房間」的電晶體。

因此，半導體產業內的各家大廠不斷拿出壓箱寶，一下發展環繞式閘極、3D封裝等新設計。一下引入極紫外曝光機，來刻出更微小的電路。但別忘記，要做出這些複雜的設計，你都要先有好的基底，也就是要先能在晶圓上沉積出一層層只有數層原子厚度的材料。

現在，這道薄膜製程成了電晶體微縮的一大關鍵。原子是物質組成的基本單位，直徑約0.1奈米，等於一根頭髮一百萬分之一的寬度。我們該怎麼精準地做出最薄只有原子厚度，而且還要長得非常均勻的薄膜，例如說3奈米就必須是3奈米，不能多也不能少？

這唯一的方法就是原子層沉積技術（ALD，Atomic Layer Deposition）。

小小的電晶體是怎麼做出來的？

蓋房子的第一步是什麼？沒錯，就是畫設計圖。只不過，在半導體的世界裡，我們不需要大興土木，就能將複雜的電路設計圖直接印到晶圓沉積的材料上，形成錯綜複雜的電路 — 這就是晶片製造的最重要的一環「微影製程」。

首先，工程師會在晶圓上製造二氧化矽或氮化矽絕緣層，進行第一次沉積，放上我們想要的材料。接著，為了在這層材料上雕出我們想要的電路圖案，會再塗上光阻劑，並且透過「曝光」，讓光阻劑只留下我們要的圖案。一次的循環完成後，就會換個材料，重複沉積、曝光、蝕刻的流程，這就像蓋房子一樣，由下而上，蓋出每個樓層，最後建成摩天大樓。

薄膜沉積是關鍵第一步，基底的品質決定晶片的穩定性。但你知道嗎？不只是堆砌磚塊有很多種方式，薄膜沉積也有多樣化的選擇！在「薄膜製程」中，材料學家開發了許多種選擇來處理這項任務。薄膜製程大致可分為物理和化學兩類，物理的薄膜製程包括蒸鍍、濺鍍、離子鍍、物理氣相沉積、脈衝雷射沉積、分子束磊晶等方式。化學的薄膜製程包括化學氣相沉積、化學液相沉積等方式。不同材料和溫度條件會選擇不同的方法。

化學氣相沉積是現今最常見的沉積技術

二氧化矽、碳化矽、氮化矽這些半導體材料，特別適合使用化學氣相沉積法（CVD, Chemical Vapor Deposition）。CVD 的過程也不難，氫氣、氬氣這些用來攜帶原料的「載氣」，會帶著要參與反應的氣體或原料蒸氣進入反應室。當兩種以上的原料在此混和，便會在已被加熱的目標基材上產生化學反應，逐漸在晶圓表面上長出我們的目標材料。

如果我們想增強半導體晶片的工作效能呢？那麼你會需要 CVD 衍生的磊晶（Epitaxy）技術！磊晶的過程就像是在為房子打「地基」，只不過這個地基的每一個「磚塊」只有原子或分子大小。透過磊晶，我們能在矽晶圓上長出一層完美的矽晶體基底層，並確保這兩層矽的晶格大小一致且工整對齊，這樣我們建造出來的摩天大樓就有最穩固、扎實的基礎。磊晶技術的精度也是各公司技術的重點。

雖然 CVD 是我們最常見的薄膜沉積技術，但隨著摩爾定律的推進，發展 3D、複雜結構的電晶體構造，薄膜也開始需要順著結構彎曲，並且追求精度更高、更一致的品質。這時 CVD 就顯得力有未逮。

原子層沉積是什麼？

並不是說 CVD 不能用，實際上，不管是 CVD 還是其他薄膜製程技術，在半導體製程中仍占有重要地位。但重點是，隨著更小的半導體節點競爭愈發激烈，電晶體的設計也開始如下圖演變。

看出來差別了嗎？沒錯，就是構造越變越複雜！這根本是對薄膜沉積技術的一大考驗。

舉例來說，如果要用 CVD 技術在如此複雜的結構上沉積材料，就會出現像是清洗杯子底部時，有些地方沾不太到洗碗精的狀況。如果一口氣加大洗碗精的用量，雖然對杯子來說沒事，但對半導體來說，那些最靠近表層的地方，就會長出明顯比其他地方厚的材料。

該怎麼解決這個問題呢？

材料學家的思路是，要找到一種方法，讓這層薄膜長到特定厚度時就停止繼續生長，這樣就能確保各處的薄膜厚度均勻。這種方法稱為 ALD，原子層沉積，顧名思義，以原子層為單位進行沉積。其實，ALD 就是 CVD 的改良版，最大的差異在所選用的化學氣體前驅物有著顯著的「自我侷限現象」，讓我們可以精準控制每次都只鋪上一層原子的厚度，並且將一步驟的反應拆為兩步驟。

在 ALD 的第一階段，我們先注入含有 A 成分的前驅物與基板表面反應。在這一步，要確保前驅物只會與基板產生反應，而不會不斷疊加，這樣，形成的薄膜，就絕對只有一層原子的厚度。反應會隨著表面空間的飽和而逐漸停止，這就稱為自我侷限現象。此時，我們可以通入惰性氣體將多餘的前驅物和副產物去除。在第二階段，我們再注入含有 B 成分的化學氣體，與早已附著在基材上的 A 成分反應，合成為我們的目標材料。

透過交替特殊氣體分子注入與多餘氣體分子去除的化學循環反應，將材料一層一層均勻包覆在關鍵零組件表面，每次沉積一個原子層的薄膜，我們就能實現極為精準的表面控制。

ASM 與 ALD、半導體產業攜手前進

你知道 ALD 領域的龍頭廠商是誰嗎？這個隱形冠軍就是 ASM！ASM 是一家擁有 50 年歷史的全球領先半導體設備製造廠商，自 1968 年，Arthur del Prado 於荷蘭創立 ASM 以來，ASM 一直都致力於推進半導體製程先進技術。2007 年，ASM 的產品 Pulsar ALD 更是成為首個運用在量產高介電常數金屬閘極邏輯裝置的沉積設備。至今 ASM 不僅在 ALD 市場佔有超過 55% 的市佔率，也在 PECVD、磊晶等領域有著舉足輕重的重要性。

ASM 一直持續在快速成長，現在在北美、歐洲、及亞洲等地都設有技術研發與製造中心，營運據點廣布於全球 15 個地區。ASM 也很看重有「矽島」之稱的台灣市場，目前已在台灣深耕 18 年，於新竹、台中、林口、台南皆設有辦公室，並且在 2023 年於南科設立培訓中心，高雄辦公室也將於今年年底開幕！

當然，ALD 也不是薄膜製程的終點。

ASM 作為半導體設備領導廠商，為了維持領先優勢，當然也得持續開發新技術。例如 PEALD，ALD 前面的 PE，是 Plasma Enhanced，所以這種改良技術就稱為電漿輔助式原子層沉積。做法是針對 ALD 的第一步，先以電漿方式，將氫、氧、氮等氣體電離成離子。這些氣體離子，例如氧自由基，會先將前驅物提前氧化，同時也氧化基材的表面原子，使其產生缺少電子配對、不穩定的「懸空鍵」。如此被活化的基材與前驅物，就更容易互相產生反應，解決過去 ALD 常遇到前驅物反應率不足的問題。讓反應溫度更低的同時還能加快反應速度，因此能滿足更多的製程需求。未來不論是 GAA 環繞式閘極電晶體還是其他製程，都會持續看到 ALD 技術的身影。

最後，ASM 即將出席由國際半導體產業協會主辦的 SEMICON Taiwan 策略材料高峰論壇和人才培育論壇，就在 9 月 5 號的南港展覽館。如果你想掌握半導體產業的最新趨勢，絕對不能錯過！

「教授」趴在辦公室的地板上，百無聊賴。材料科學家、互動設計師、工匠與工藝研究人員，整日於麻省理工學院媒體實驗室（MIT Media Lab），忙進忙出，沒空搭理。作為論文第一作者Jack Forman的愛犬，身兼創作謬思，「教授」可能從沒想過，自己終將獲邀貢獻學術，並且榮登致謝名單。^[1]

FibeRobo

「教授」備受冷落的這段時日，研究團隊一直忙於開發織物纖維：穿戴手套、實驗袍和護目鏡，隔著通風櫃，以液晶元（mesogen）為主要原料，適量加入能感光、增加黏性、降低驅動溫度，以及延長有效期限等的各種化學物質。然後，將調製好的液晶彈性體（liquid crystal elastomer；LCE），灌進精心設計的機器。利用液晶分子在常溫下整齊排列，遇熱就亂了陣腳，導致收縮的特性，生產出來的FibeRobo纖維，長度能為溫度所控制。製作步驟及機器各部位的功能，大致如下：^[1]

1. 可調控溫度的針筒幫浦，將原料加溫至約莫34°C，降低其黏性後，推擠出來。（圖片：Step 1的上半段。）^[1]
2. 用紫外線照射，使纖維稍微硬化，避免蜷曲。（圖片：Step 1的下半段。）機器外圍的黃色壓克力板，能隔絕99%的紫外線，保護使用者。透過調光器，則可依需求適度調整光線強度。避免光線太弱，使纖維斷掉；或者是光線太強，而結塊並堵塞針筒的開口。^[1]
3. 鑷子夾住纖維兩端，把它拉得又直又細，再沾點礦物油，比較容易舒展。（圖片：Step 2。）^[1]
4. 經過滑輪的纖維，於緊拉的張力下，再照一次紫外線，加強硬化。（圖片：Step 3。）滑輪轉動的速度愈快，纖維就愈細。^[1]
5. 纖維被捲到機器最頂端的線軸上。（圖片：Step 4。）^[1]
6. 從線軸上取下纖維，撒點滑石粉，降低摩擦力，方便以後用機器紡織。等布料完成，再以溫熱的肥皂水，洗去滑石粉。^[1]

通電與收縮

FibeRobo纖維搭配別種材料，可以創造不同的效果。然而傳統多股對絞的作法，會扭曲FibeRobo，使它收縮的特質變得難以預測。於是，研究團隊改將FibeRobo置於中央，在外面纏繞其他材料。比方說，拿以蠶絲包覆銅芯的利茲線（litz wire）來捆它。銅的電阻低，升溫快，能迅速使FibeRobo遇熱收縮。FibeRobo與利茲線合體後，接上2.5安培、8.5伏特的電，8秒即縮短37%；斷電30秒，則又恢復原狀。不過，這種混合纖維傾向堆成一團，不適用於針織、紡織與刺繡。研究團隊建議，最好分開製作，再搭配使用。^[1]

另外，他們也嘗試用導電塗料浸染纖維。如同調製LCE原料時，身穿防護衣著，隔著通風櫃，先將FibeRobo泡入含有重量百分濃度7%碳黑（carbon black）的甲苯（toluene）溶液裡。8小時後取出，置於80°C的烤箱中，烘烤1個鐘頭。如此一來，FibeRobo纖維就能通電，其電阻會跟著長度的伸縮變化。拉長變細的時候，電阻較高。^[1]

成品展示

研究團隊用FibeRobo纖維跟其他材料，做了些模型和成品，來展示實際用途。以下是其中幾個例子：^[1]

• FibeRoBra運動胸罩：當體溫隨運動逐漸上升，FibeRoBra便開始收縮，給予乳房無鋼圈、零負擔的支持。體溫下降後，布料又回到放鬆的狀態。^[1]

• FibeRoGlow燈具：開燈後升高的溫度，令燈罩緩緩上捲，彷彿打開花瓣。全程費時，大約5分鐘。^[1]

• ShadeRobo窗簾：窗簾不該因為陽光強烈，氣溫上升，就自動捲起來。因此，驅動此窗簾所需的溫度，被設計得比較高。布料只有在上面的利茲線通電時，才會有反應。4伏特、2.5安培的電，得花2分鐘，才能將這個5 x 5公分的小窗簾捲好。冷卻1分鐘後，又會完全攤平。^[1]

• FurbeRobo遙控狗背心：論文的第一作者Jack Forman，為他的愛犬「教授」，織了一件小背心。本文開頭的那張照片，即是牠的定裝照。如果寵物在辦公室悲鳴，於實驗室忙碌的主人，就可以透過藍芽，啟動背心上的控制器。此時，連接12伏特、2.5安培電池的利茲線，會通電並發熱，造成驅動溫度不高的布料，輕微收縮。就像給狗溫暖的擁抱，減輕牠的分離焦慮（separation anxiety）。不過，基於動物實驗倫理等因素，後來示範布料收縮的照片，都是穿在布偶上拍攝，「教授」再次被晾在一旁。^[1]

成本與環保

2023年麻省理工學院的團隊，在美國計算機協會（Association of Computing Machinery）主辦的使用者介面軟體與技術（User Interface Software and Technology）研討會上，發表了這篇介紹FibeRobo的論文。研究團隊認為，他們的成果具有商業化的潛力。畢竟跟雷同的技術比起來，製作FibeRobo的成本相對低廉：機器的針筒幫浦約美金250元；裝滿5、10、20或30毫升原料的針筒，每個至多4元；而生產直徑0.5mm的纖維，每公尺約0.2元。^[1]單人操作單機，一天或一個下午就能產出750公尺的纖維；^{[1, 2]}亦有報導指稱是每日1公里。^{[3, 4]}不過，FibeRobo不可回收，儘管某些新興LCE纖維可生物分解，有時搭配的導電材質，仍是廢料處理的阻礙。因此，在這方面還有改善的空間。^[1]

1. Forman J, Afsar OK, Nicita S, et al. (2023) ‘FibeRobo: Fabricating 4D Fiber Interfaces by Continuous Drawing of Temperature Tunable Liquid Crystal Elastomers’. UIST ’23: Proceedings of the 36th Annual ACM Symposium on User Interface Software and Technology, 9, pp. 1 – 17.
2. MIT Media Lab. (27 OCT 2023) ‘FibeRobo: Powerful Body-Temperature Morphing Fibers’. YouTube.
3. Paul A. (26 OCT 2023) ‘This liquid crystal fabric is ‘smart’ enough to adapt to the weather’. Popular Science.
4. Global Update. (29 OCT 2023) ‘New Liquid Crystal Elastomer Fiber Makes Shape Shifting Fabrics a Reality – FibeRobo’. YouTube.