以多重透鏡顯示器呈現 3D 深度

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

• 撰文｜許世穎

本文轉載自 CASE 科學報 《天有多大？宇宙中的距離（2）—從太陽到鄰近恆星》

「視差（parallax）」是天文學家常用來量測距離的好工具。藉由視差，我們得以精準的量測地球到太陽的距離，再更進一步量測周遭恆星的距離。目前直接量測距離的方法中，視差是能量測最遠的一種，目前的極限大約是 1 萬光年。天文學家利用視差的概念已經很久了。然而在中古世紀，視差量測的結果卻讓當代的天文學家得出了「地球不會動」的結論……

太陽的距離：金星凌日、視差法

前作〈天有多大？宇宙中的距離（1）—從地球到太陽〉提到，我們可以在金星凌日的時候，藉由「視差（parallax）」來量測地球與金星的距離，並間接得到太陽的距離。「視差」就是「因為觀察位置不同，讓看到位置也不同」的現象。讀者們可以試試看，伸出一隻手指頭比個「1」、放在眼前大約 50 公分左右的地方。接著兩眼輪流交替閉上。如果讀者們真的有照做的話，應該會發現手指頭相較於背景來回大幅度地跳動。仔細觀察的話，會發現背景並不是不動，只是幅度很小而已。

從這個實驗我們得到幾個結論：（1）從不同的眼睛看出去，看到的物品位置會不同。這個現象就是視差；以及（2）距離愈近的東西，這個差異會愈大，也就是視差愈明顯（如圖 1）。我們可以根據這個視差的效果，來推算出物體的距離。

其實這也就是我們的眼睛判斷距離的方法！每個不同距離的物品從我們的左右眼看出去的位置差異不同。這兩個影像經過大腦判斷後，我們就可以得到距離的資訊。這也是 VR 實境立體畫面的原理。開發者先計算出每個物件在各自的距離下，兩眼會看到的視差效果。接著根據計算結果給予兩隻眼睛看到不一樣的畫面，我們的大腦就會自動合成出立體的圖像！

「兩個觀察位置的距離」稱為「基線（baseline）」，會影響視差的效果。一般而言，基線愈長，看到的視差就愈明顯。前面說到：「距離愈近的物品，視差會愈明顯。」換句話說，距離太遠的東西，視差就愈不容易觀察到。天文學家盡可能的把基線拉大，在兩個相距很遠的地方觀察天體，才能更精確的得到這些天體的距離。金星凌日發生的時候，科學家就是在地球找兩個相距很遠的地點做觀測，才有辦法測量出較為精確的金星視差，換算成金星的距離，最後計算出地球至太陽的距離。

鄰近恆星的距離：視差法……？

恆星當然也有視差了。提到量測恆星的視差，一定要提到 16 世紀著名的丹麥天文學家第谷．拉赫（Tycho Brahe）。當時還是個在爭論「地心說」、「日心說」的時代。他想利用恆星的時差來推論「地球到底會不會動」。如果「日心說」是對的，那麼隨著地球位置的不同，應該要看到恆星的視差。如果「地心說」才是對的，那麼因為地球的位置不變，不管怎麼觀察，恆星都不會出現視差。

在「日心說」的假設下，最遠的兩個觀察點是哪裡呢？可不是地球的兩端，而是「相隔 6 個月的地球」！可以想像，如果地球繞著太陽每一年繞轉一圈的話，那麼相隔 6 個月的地球會在太陽的兩端，這個間距可比地球的兩端大多了（見圖 2）！既然兩個觀測點是地球在太陽兩端，就代表基線（兩個觀測點間距）就是 2 倍的「日-地距（地球到太陽距離）」。用前面的方法得到的「日-地距」愈精確，那麼藉由視差法測出來到恆星的距離就能愈準。

為了精密的量測恆星的位置，必須要有非常良好的天文台。第谷可是丹麥的貴族啊！他直接花錢蓋了一棟天文台來量測、紀錄星星的位置，卻發現怎麼樣都量測不出恆星的視差。這代表了兩個可能性，一個是「地球不動」，另一個可能性就是「恆星太遠」。第谷認為，如果恆星真的這麼遠，而我們在地球上還是看得到的話，這些恆星未免太大了！他認為這不太可能，因此認定「地球不動」。

那到底哪裡出錯了呢？用一個簡單的例子來說明：「拿捲尺去量一張紙的厚度，當然怎麼量厚度都是 0 公分啊！」其實第谷的推論完全合理，量測不到恆星視差的原因真的就是因為「恆星太遠」，所以視差太小而無法看到。從現代的數據我們可以回推他當時的情況，太陽以外最近的一顆恆星是位於「半人馬座」裡的「比鄰星（Proxima Centauri）」，距離是 4.22 光年。產生的視差比第谷使用的天文台精密度還要更小了好幾倍！他所推估這些恆星的大小從現在眼光來看也非不合理，只是真的難以想像。

現在的我們有了更良好的儀器，已經可以靠視差來推算恆星的距離了。不過視差法曠日費時，倒也不難理解，畢竟要有好的基線要等半年啊……而且儀器的辨識率也是有極限的，目前視差法的極限差不多是 10 微角秒（1 角秒為 1/360 度） ^[2]，相當於十億分之一度！換算成能量測到的距離極限，差不多是 1 萬 6 千光年左右。聽起來很多嗎？銀河系的直徑約 10 萬至 18 萬光年，這個距離極限連銀河系都看不穿。所以視差法雖然好用，但只能拿來測量鄰近恆星的距離（見圖 3）。

視差法是直接量測距離的盡頭了。想要把銀河系看穿、想要知道銀河系中其他成員們的距離，我們得開始「間接量測」。先做出一些物理學上的假設，才能夠「猜」出距離。想要知道更遙遠的距離，則需要更多的假設，這個概念叫做「宇宙距離階梯（cosmic distance ladder）」。下一篇文章中，我們將帶大家進行恆星的「人口普查」，並且利用普查結果來得到更遙遠的距離。

1. pixabay / martinklass
2. wiki / Parallax
3. 網路天文館 / 恆星的距離測量

本系列其它文章
天有多大？宇宙中的距離（1）—從地球到太陽
天有多大？宇宙中的距離（2）—從太陽到鄰近恆星
天有多大？宇宙中的距離（3）—「人口普查」

文：俞欣豪（ 認知科學博士，目前是澳洲莫納許大學 (Monash University) 的研究員。專長是靈長類動物的視覺系統。）

法國哲學家笛卡爾在一六三七年發表了《幾何學》（La Géometrie）。這篇長文是《方法論》的一部份，它首創分析幾何學，是西方文明最重要的著作之一。不過這本書中的一張插圖有錯，一直要等到將近四個世紀後的公元兩千一二年才被發現。奇怪的是發現這個錯誤的人，不是數學家，不是歷史學家，而是研究三葉蟲的古生物學家。

為什麼古生物學家會鑽研笛卡爾？笛卡爾跟三葉蟲到底有什麼關係？

這張有錯誤的圖出現在《幾何學》的第二冊。笛卡爾在這裡解釋如何繪製一種我們今日稱為「笛卡爾橢圓」（Cartesian ovals）的平面曲線。為什麼笛卡爾要大費周章研究這種曲線？這個問題不是很容易解答，連笛卡爾自己都沒有在書裡解釋清楚，我們要稍微瞭解一下笛卡爾的學術生涯才行。

跨足多領域的學術生涯

笛卡爾在一六三七年發表了《方法論》（Discours de la méthode）。他在這本書裡討論如何用理性思維精確地獲得知識。眾所皆知的「我思故我在」，就首次出現於《方法論》的第四講。有些介紹笛卡爾的文章太過於強調《方法論》裡抽象的哲學思維，讓讀者以為笛卡爾用《方法論》當工具，得到最重要的成果，是證明了上帝與自我的存在。其實《方法論》只是導論，笛卡爾在《方法論》後附上三篇長文，用來展示這種思考方式得到的成果。這三篇長文分別是：《氣象學》（Les Météores）、《折光學》（La Dioptrique）、與《幾何學》（La Géométrie），這說明了笛卡爾相信他的方法學，主要的應用是在於自然科學與數學。

笛卡爾的思考是非常深刻而且多樣化的，這三篇長文討論三個看似獨立的主題，其實有許多共同的脈絡。以《折光學》為例，笛卡爾在《折光學》的第二講裡推導出了光波折射，入射角與折射角之間的數學關係[1]。這是一個了不起的成就，因為它是解釋許多自然現象的關鍵。例如《氣象學》就利用這個公式解釋彩虹的形狀。更重要的是在《折光學》裡，笛卡爾把折射定律運用在人體最重要的光學器官 — 眼睛。他解釋了影像是如何投射在視網膜上，推測近視與遠視的成因，並且討論如何用透鏡彌補眼睛構造天生的不足。為了看到肉眼不能看到的東西，笛卡爾分析了放大鏡、望遠鏡、顯微鏡的原理。《折光學》展現出來的務實的笛卡爾，他追隨法蘭西斯·培根等人的論點，致力於發展一種為人類需求服務的知識。

講起務實，笛卡爾可能比大部分人的想像還要務實的多。《折光學》最後一講描述一種機器，在理論上可以自動磨出前所未有的高品質鏡片。事實上在《折光學》發表之前，笛卡爾就已經花了超過十年的時間研發這種機器。在一六二零年代，笛卡爾還住在法國的時候，他就跟工匠合作試圖磨出特殊設計的鏡片。體弱多病，一天到晚躲在房間裡的笛卡爾，甚至在工廠裡親自監工。一六二九年笛卡爾移居荷蘭，不過還是不忘從遠方監督法國工廠的進度。用我們今日的話講，笛卡爾是十七世紀的新創公司創業者。當時的產業界跟今日沒有很大的差別，也是有許多競爭者，有非常高的風險。笛卡爾花了大筆投資人的錢，雖然製造出了一些產品的原型，不過品質達不到期望的標準，最後放棄。在《折光學》的最後一章，笛卡爾乾脆把他的商業機密用開源（open source）的形式提供給歐洲學界，希望有別人能夠完成他的夢想。

透鏡在從中古時代被就用來矯正視力[2]，所以磨透鏡在笛卡爾的時代並不是什麼新鮮事。不過十七世紀初，透鏡突然變成了不折不扣的高科技，這是因為伽利略這些科學家開始發展出高倍數望遠鏡。這些新的儀器除了有天文學的應用外，還有軍事價值，立刻就受到各界的注意。

完美的形狀，不完美的透鏡

當時的笛卡爾掌握了這方面的關鍵技術：他推導出來的折射定律，讓他成為最早能用分析性思維，探討透鏡跟視覺關係的人。這跟當時磨鏡片的工匠，用經驗法則行事，有很大的不同。此外，笛卡爾發明了分析幾何學。他把幾何與代數這兩個原來不相關的學問結合起來，發現許多困難的幾何問題，都能迎刃而解。這些發現最後發表在《幾何學》裡。

《幾何學》是數學史上最重要的著作之一，它的主要內容看似非常理論化，是要解決古希臘數學的幾何曲線分類問題，不過笛卡爾也沒有忽略分析幾何在解決實際問題上的威力。《幾何學》第二冊裡有相當的篇幅討論各種橢圓形的畫法，其實那些都是光線在不同介質裡折射問題的解。《幾何學》的這個部分，是在發展設計透鏡的數學工具。

十七世紀使用的光學鏡片，跟我們熟悉的放大鏡類似，都是球面鏡片。也就是說這些鏡片雖然不是球體，不過它們的兩個曲面，都是球面的一小部分。球面鏡片容易磨製，而且希臘人認為球體是完美的形狀，不難理解為什麼用在鏡片上。笛卡爾用他自己發明的數學工具分析成像，發現球面鏡片有重大的缺點，那就是遠方傳來的平行光，在球面鏡片的彎折後，不會聚焦在同一點上，因此造成模糊的影像。這個現象我們今日稱為「球面像差」（spherical aberration）。

笛卡爾推導出非球面鏡片的公式，用來解決球面像差的問題。根據史料，歷史學家相信笛卡爾用手工磨片的方法，製造出了少量的非球面鏡片，但因為精確度的問題，這些鏡片並沒有比一般的球面鏡片優秀。笛卡爾相信他設計的機器可以取代人工，可以大量的產生精確的非球面鏡片，不過理論畢竟跟實際有許多差距，笛卡爾花了十五年的時間跟不同的工匠合作，用盡了創業基金，還是沒有辦法實踐他的自動磨片機。

《折光學》出版後在歐洲的科學界引起了研究非球面鏡片的風潮，許多科學家都加入研發非球面鏡片的行列。例如說在一六九零年荷蘭科學家惠更斯（Christiaan Huygens）發表了《光學理論》（Traité de la Lumière），在這本書裡，他不但描述了光的波動理論，還推導出了跟笛卡爾不一樣的非球面鏡片公式。牛頓也曾經試著研磨非球面鏡片，不過因為牛頓對於光學有更深入的了解，他發現校正球面像差並不能解決所有的光學問題[3]，因此非球面鏡片並沒有笛卡爾想像中的完美。非球面鏡片的製成技術因為難度高，久久沒有突破，科學家漸漸把注意力轉移到反射望遠鏡以及其它光學科技上。非球面透鏡的問題，慢慢的被遺忘了。令人欣慰的是實踐笛卡爾構想，的確是有成功的例子。《折光學》發表三十年後的一六六七年，英國科學家 Francis Smethwick 第一次磨出高品質的非球面鏡片，因此製造出非常高效能的望遠鏡，不過他的設計沒有普及化。

由古老三葉蟲發展出新突破

笛卡爾的非球面鏡片沒有普遍化，不過奇怪的是演化這個「盲目的鐘錶匠」[4]居然在冗長的生物演化史中，製造出了非球面鏡片。這就得提起三葉蟲了。三葉蟲最早出現於五億三千萬年前，整整有三億年的時間，是地球上最成功的動物之一。三葉蟲的種類繁多，有超過上萬種物種。一般逛博物館的人對三葉蟲的印象是大型蟑螂。常見的三葉蟲化石，眼睛小而且構造看似原始，多數人大概不會想到有些三葉蟲是靠視覺捕殺獵物的動物。不過有些三葉蟲有非常精細的椱眼構造，吸引了視覺科學家的注意。

視覺科學跟古生物學沒有太大的重疊，那是因為動物眼睛裡的光學元件，如角膜與水晶體，大多是由細胞組成，這種軟組織不會留下化石，因此無法研究。三葉蟲是個例外。它們的複眼裡，折光的元件是生物體合成的方解石，是礦物，因此保留到今日。這是一個讓我們探索古生物的視覺系統的難得機會[5]。一九七五年古生物學家與物理學家合作，開始研究三葉蟲複眼裡透鏡的幾何結構，他們發現有兩個三葉蟲物種，透鏡的形狀跟笛卡爾、惠更斯提出的非球面鏡片，有驚人的相似性，因此推測它們的功能是對抗球面像差，用來增加視覺的感光度。

造物者的偏心？

這篇文章討論的主題實在是有點隱晦，古生物學，光學，數學史這些內容，應該是只有學者會有興趣。不過你要是用 Google 搜尋三葉蟲眼睛的資訊，就會發現有些基督教創造論的網站，在講三葉蟲。創造論信徒翻遍了所有科學文獻，不論什麼隱晦的內容，都可以拿來作為反對演化論的依據，連三葉蟲的眼睛構造這麼冷門的主題都不放過。這些文章通常充滿錯誤的科學知識，與邏輯謬誤，不值得在這裡詳細檢討。最重要的地方在他們誤解了笛卡爾非球面鏡片的意義。創造論者說因為三葉蟲的透鏡結構類似笛卡爾用數學推導出來的「完美鏡片」，所以可以推論這種眼睛構造，一定是完美的造物者設計出來的，不可能是演化的結果。

第一個問題是只有少數的三葉蟲物種有這種眼睛，不是所有的三葉蟲都有，因此我們得問為什麼造物者這麼偏心，給別的三葉蟲不完美的眼睛。更重要的問題是是笛卡爾的鏡片，是為了解決特定問題而設計出來的，用在顯微鏡與望遠鏡上，是理論上的最佳解[6]，但作為生物的視覺器官，其實不是個好設計。三葉蟲用方解石作為透鏡，不像我們的水晶體可以依照需求改變形狀，是非常嚴重的缺陷，是盲目的演化過程陷入的死路，非球面透鏡是修正這種缺陷不得不演化出來的設計。三葉蟲的視覺系統比早期古生物學家的推測精密，不過跟現代動物比起來仍然是非常的原始，有許多嚴重缺陷，並不是創造論者所說的「完美眼睛」。

探查科學的歷史，有一種方法是追問科學理論是在什麼文化與思想背景下形成的。另一種方法是試著親自動腦動手，追隨前人的思路。笛卡爾與惠更斯兩人都是難得的天才，是我們一般人難以相比的。不過隨著知識的進展，以及教育科技的普及化，今日的我們只要善用笛卡爾推導出來的折射公式，要獨立推導出笛卡爾與惠更的鏡片公式，完全不費吹灰之力。我只花了一個下午的時間，靠著數學軟體 Mathematica 的幫忙，就得到了笛卡爾思考多年才得到的結果。有趣的地方是三度空間印表機在這幾年已經進步到了可以印製光學元件的程度。也許幾年之後，我們只要下一個指令，就可以實體擁有這些鏡片，到時所有的人都可以輕易廉價的實驗各種各種光學元件。也許這是笛卡爾在《折光學》裡構想的機器，最終極的實踐吧。

註釋：

• [1] 也就是所謂的「司乃耳定律」（Snell’s Law）。笛卡爾並不是第一個推導出這個定律的人，不過這裡他用跟前人不同的方法得到同樣的結論。
• [2]小說《玫瑰的名字》的讀者也許記得主角威廉，是十四世紀的僧人，就帶著一副眼鏡。
• [3] 例如說牛頓發現「色差」（chromatic aberration），也會影響成像的品質。色差造成的問題不能用笛卡爾的光學解決。
• [4] Dawkins, R. (1986) The Blind Watchmaker: Why the Evidence of Evolution Reveals a Universe without Design.
• [5] 最新的科技甚至讓科學家重建三葉蟲眼睛裡面感光神經的結構，三葉蟲因此是我們能研究最古老的視覺神經系統。見 Schoenemann, B. & Clarkson, E. N. K. (2013) Discovery of some 400 million year-old sensory structures in the compound eyes of trilobites. Scientific Reports 3, e1429。
• [6] 光學理論要等到牛頓的時候才開始成熟。笛卡爾的光學基礎其實非常的原始。因為他沒有考慮到色差等因素，他的鏡片嚴格說起來並不完美。不過三葉蟲的水底視覺，色差的問題並不嚴重，在這裡可以忽略。
• [7] Egri, A. & Horváth, G. (2012) Possible optical functions of the central core in lenses of trilobite eyes: spherically corrected monofocality or bifocality. J. Opt. Soc. Am. A 29, 1965.
• [8] 笛卡爾在《折光學》裡也有一張插圖描述非球面透鏡，這張插畫就沒有那個尖角。可見笛卡爾只是在準備《幾何學》插圖時，犯了一個小錯誤。我跟 Horváth 教授通過信，他說這個錯誤的確是在幾百年之內沒有人注意到，一直要等他用數學方法模擬三葉蟲的眼睛結構時才無意發現。
• [9] Crozonaspis 三葉蟲透鏡跟惠更斯透鏡的相似性，因為有比較直接的實驗證據，至今仍然被科學界認為是有對抗球面像差的功能。

參考資料：

• Ribe, N.M. (1997) Cartesian optics and the mastery of nature. Isis 88, 42–61.
• Burnett, D.G. (2005) Descartes and the hyperbolic quest: lens making machines and their significance in the seventeenth century. American Philosophical Society.

本文轉載自作職業科學家的業餘科學者。