生質能源的固態利用方式：固態廢棄物衍生燃料RDF-5（densified refuse derived fuel, dRDF或RDF-5）

• 作者／賴昭正｜前清大化學系教授、系主任、所長；合創科學月刊

我擔心人工智慧可能會完全取代人類。如果人們能設計電腦病毒，那麼就會有人設計出能夠自我改進和複製的人工智慧。 這將是一種超越人類的新生命形式。

——史蒂芬．霍金（Stephen Hawking）　英國理論物理學家

大約在八十年前，當第一台數位計算機出現時，一些電腦科學家便一直致力於讓機器具有像人類一樣的智慧；但七十年後，還是沒有機器能夠可靠地提供人類程度的語言或影像辨識功能。誰又想到「人工智慧」（Artificial Intelligent，簡稱 AI）的能力最近十年突然起飛，在許多（所有？）領域的測試中擊敗了人類，正在改變各個領域——包括假新聞的製造與散佈——的生態。

圖形處理單元（graphic process unit，簡稱 GPU）是這場「人工智慧」革命中的最大助手。它的興起使得九年前還是個小公司的 Nvidia（英偉達）股票從每股不到 $5，上升到今天（5 月 24 日）每股超過 $1000（註一）的全世界第三大公司，其創辦人（之一）兼首席執行官、出生於台南的黃仁勳（Jenson Huang）也一躍成為全世界排名 20 內的大富豪、台灣家喻戶曉的名人！可是多少人了解圖形處理單元是什麼嗎？到底是時勢造英雄，還是英雄造時勢？

在回答這問題之前，筆者得先聲明筆者不是學電腦的，因此在這裡所能談的只是與電腦設計細節無關的基本原理。筆者認為將原理轉成實用工具是專家的事，不是我們外行人需要了解的；但作為一位現在的知識分子或公民，了解基本原理則是必備的條件：例如了解「能量不滅定律」就可以不用仔細分析，即可判斷永動機是騙人的；又如現在可攜帶型冷氣機充斥市面上，它們不用往室外排廢熱氣，就可以提供屋內冷氣，讀者買嗎？

CPU 與 GPU

不管是大型電腦或個人電腦都需具有「中央處理單元」（central process unit，簡稱 CPU）。CPU 是電腦的「腦」，其電子電路負責處理所有軟體正確運作所需的所有任務，如算術、邏輯、控制、輸入和輸出操作等等。雖然早期的設計即可以讓一個指令同時做兩、三件不同的工作；但為了簡單化，我們在這裡所談的工作將只是執行算術和邏輯運算的工作（arithmetic and logic unit，簡稱 ALU），如將兩個數加在一起。在這一簡化的定義下，CPU 在任何一個時刻均只能執行一件工作而已。

在個人電腦剛出現只能用於一般事物的處理時，CPU 均能非常勝任地完成任務。但電腦圖形和動畫的出現帶來了第一批運算密集型工作負載後，CPU 開始顯示心有餘而力不足：例如電玩動畫需要應用程式處理數以萬計的像素（pixel），每個像素都有自己的顏色、光強度、和運動等, 使得 CPU 根本沒辦法在短時間內完成這些工作。於是出現了主機板上之「顯示插卡」來支援補助 CPU。

1999 年，英偉達將其一「具有集成變換、照明、三角形設定／裁剪、和透過應用程式從模型產生二維或三維影像的單晶片處理器」（註二）定位為「世界上第一款 GPU」，「GPU」這一名詞於焉誕生。不像 CPU，GPU 可以在同一個時刻執行許多算術和邏輯運算的工作，快速地完成圖形和動畫的變化。

依序計算和平行計算

一部電腦 CPU 如何計算 7×5+6/3 呢？因每一時刻只能做一件事，所以其步驟為：

• 計算 7×5；
• 計算 6/3；
• 將結果相加。

總共需要 3 個運算時間。但如果我們有兩個 CPU 呢？很多工作便可以同時（平行）進行：

• 同時計算 7×5 及 6/3；
• 將結果相加。

只需要 2 個運算時間,比單獨的 CPU 減少了一個。這看起來好像沒節省多少時間，但如果我們有 16 對 a×b 要相加呢？單獨的 CPU 需要 31 個運算的時間（16 個 × 的運算時間及 15 個 + 的運算時間），而有 16 個小 CPU 的 GPU 則只需要 5 個運算的時間（1 個 × 的運算時間及 4 個 + 的運算時間）！

現在就讓我們來看看為什麼稱 GPU 為「圖形」處理單元。圖一左圖《我愛科學》一書擺斜了，如何將它擺正成右圖呢？ 一句話：「將整個圖逆時針方向旋轉 θ 即可」。但因為左圖是由上百萬個像素點（座標 x, y）組成的，所以這句簡單的話可讓 CPU 忙得不亦樂乎了：每一點的座標都必須做如下的轉換

x’ = x cosθ + y sinθ

y’ = -x sinθ+ y cosθ

即每一點均需要做四個 × 及兩個 + 的運算！如果每一運算需要 10^-6 秒，那麼讓《我愛科學》一書做個簡單的角度旋轉，便需要 6 秒，這豈是電動玩具畫面變化所能接受的？

人類的許多發明都是基於需要的關係，因此電腦硬件設計家便開始思考：這些點轉換都是獨立的，為什麼我們不讓它們同時進行（平行運算，parallel processing）呢？於是專門用來處理「圖形」的處理單元出現了——就是我們現在所知的 GPU。如果一個 GPU 可以同時處理 10⁶ 運算，那上圖的轉換只需 10^-6 秒鐘！

GPU 的興起

GPU 可分成兩種：

• 整合式圖形「卡」（integrated graphics）是內建於 CPU 中的 GPU，所以不是插卡，它與 CPU 共享系統記憶體，沒有單獨的記憶體組來儲存圖形／視訊，主要用於大部分的個人電腦及筆記型電腦上；早期英特爾（Intel）因為不讓插卡 GPU 侵蝕主機的地盤，在這方面的研發佔領先的地位，約佔 68% 的市場。
• 獨立顯示卡（discrete graphics）有不與 CPU 共享的自己專用內存；由於與處理器晶片分離，它會消耗更多電量並產生大量熱量；然而，也正是因為有自己的記憶體來源和電源，它可以比整合式顯示卡提供更高的效能。

2007 年，英偉達發布了可以在獨立 GPU 上進行平行處理的軟體層後，科學家發現獨立 GPU 不但能夠快速處理圖形變化，在需要大量計算才能實現特定結果的任務上也非常有效，因此開啟了為計算密集型的實用題目編寫 GPU 程式的領域。如今獨立 GPU 的應用範圍已遠遠超出當初圖形處理，不但擴大到醫學影像和地震成像等之複雜圖像和影片編輯及視覺化，也應用於駕駛、導航、天氣預報、大資料庫分析、機器學習、人工智慧、加密貨幣挖礦、及分子動力學模擬（註三）等其它領域。獨立 GPU 已成為人工智慧生態系統中不可或缺的一部分，正在改變我們的生活方式及許多行業的遊戲規則。英特爾在這方面發展較遲，遠遠落在英偉達（80%）及超微半導體公司（Advance Micro Devices Inc.，19%，註四）之後，大約只有 1% 的市場。

事實上現在的中央處理單元也不再是真正的「單元」，而是如圖二可含有多個可以同時處理運算的核心（core）單元。GPU 犧牲大量快取和控制單元以獲得更多的處理核心，因此其核心功能不如 CPU 核心強大，但它們能同時高速執行大量相同的指令，在平行運算中發揮強大作用。現在電腦通常具有 2 到 64 個核心；GPU 則具有上千、甚至上萬的核心。

結論

我們一看到《我愛科學》這本書，不需要一點一點地從左上到右下慢慢掃描,即可瞬間知道它上面有書名、出版社等，也知道它擺斜了。這種「平行運作」的能力不僅限於視覺，它也延伸到其它感官和認知功能。例如筆者在清華大學授課時常犯的一個毛病是：嘴巴在講，腦筋思考已經不知往前跑了多少公里，常常為了追趕而越講越快，將不少學生拋到腦後！這不表示筆者聰明，因為研究人員發現我們的大腦具有同時處理和解釋大量感官輸入的能力。

人工智慧是一種讓電腦或機器能夠模擬人類智慧和解決問題能力的科技，因此必須如人腦一樣能同時並行地處理許多資料。學過矩陣（matrix）的讀者應該知道，如果用矩陣和向量（vector）表達，上面所談到之座標轉換將是非常簡潔的（註五）。而矩陣和向量計算正是機器學習（machine learning）演算法的基礎！也正是獨立圖形處理單元最強大的功能所在！因此我們可以了解為什麼 GPU 會成為人工智慧開發的基石：它們的架構就是充分利用並行處理，來快速執行多個操作，進行訓練電腦或機器以人腦之思考與學習的方式處理資料——稱為「深度學習」（deep learning）。

黃仁勳在 5 月 22 日的發布業績新聞上謂：「下一次工業革命已經開始了：企業界和各國正與英偉達合作，將價值數萬億美元的傳統資料中心轉變為加速運算及新型資料中心——人工智慧工廠——以生產新商品『人工智慧』。人工智慧將為每個產業帶來顯著的生產力提升，幫助企業降低成本和提高能源效率，同時擴大收入機會。」

附錄

人工智慧的實用例子：下面一段是微軟的「copilot」代書、谷歌的「translate」代譯之「one paragraph summary of GPU and AI」。讀完後，讀者是不是認為筆者該退休了？

GPU（圖形處理單元）和 AI（人工智慧）之間的協同作用徹底改變了高效能運算領域。GPU 具有平行處理能力，特別適合人工智慧和機器學習所需的複雜資料密集運算。這導致了影像和視訊處理等領域的重大進步，使自動駕駛和臉部辨識等技術變得更加高效和可靠。NVIDIA 開發的平行運算平台 CUDA 進一步提高了 GPU 的效率，使開發人員能夠透過將人工智慧問題分解為更小的、可管理的、可同時處理的任務來解決這些問題。這不僅加快了人工智慧研究的步伐，而且使其更具成本效益，因為 GPU 可以在很短的時間內執行與多個 CPU 相同的任務。隨著人工智慧的不斷發展，GPU 的角色可能會變得更加不可或缺，推動各產業的創新和新的可能性。大腦透過神經元網路實現這一目標，這些神經元網路可以獨立但有凝聚力地工作，使我們能夠執行複雜的任務，例如駕駛、導航、觀察交通信號、聽音樂並同時規劃我們的路線。此外，研究表明，與非人類動物相比，人類大腦具有更多平行通路，這表明我們的神經處理具有更高的複雜性。這個複雜的系統證明了我們認知功能的卓越適應性和效率。我們可以一邊和朋友聊天一邊走在街上，一邊聽音樂一邊做飯，或一邊聽講座一邊做筆記。人工智慧是模擬人類腦神經網路的科技，因此必須能同時並行地來處理許多資料。研究人員發現了人腦通訊網路具有一個在獼猴或小鼠中未觀察獨特特徵：透過多個並行路徑傳輸訊息,因此具有令人難以置信的多任務處理能力。

註解

（註一）當讀者看到此篇文章時，其股票已一股換十股，現在每一股約在 $100 左右。

（註二）組裝或升級過個人電腦的讀者或許還記得「英偉達精視 256」（GeForce 256）插卡吧?

（註三）筆者於 1984 年離開清華大學到 IBM 時，就是參加了被認為全世界使用電腦時間最多的量子化學家、IBM「院士（fellow）」Enrico Clementi 的團隊：因為當時英偉達還未有可以在 GPU 上進行平行處理的軟體層，我們只能自己寫軟體將 8 台中型電腦（非 IBM 品牌！）與一大型電腦連接來做平行運算，進行分子動力學模擬等的科學研究。如果晚生 30 年或許就不會那麼辛苦了?

（註四）補助個人電腦用的 GPU 品牌到 2000 年時只剩下兩大主導廠商：英偉達及 ATI（Array Technology Inc.）。後者是出生於香港之四位中國人於 1985 年在加拿大安大略省成立，2006 年被超微半導體公司收購，品牌於 2010 年被淘汰。超微半導體公司於 2014 年 10 月提升台南出生之蘇姿豐（Lisa Tzwu-Fang Su）博士為執行長後，股票從每股 $4 左右，上升到今天每股超過 $160，其市值已經是英特爾的兩倍，完全擺脫了在後者陰影下求生存的小眾玩家角色，正在挑戰英偉達的 GPU 市場。順便一題：超微半導體公司現任總裁（兼 AI 策略負責人）為出生於台北的彭明博（Victor Peng）；與黃仁勳及蘇姿豐一樣，也是小時候就隨父母親移居到美國。

（註五）或。

延伸閱讀

• 「熱力學與能源利用」，《科學月刊》，1982 年 3 月號；收集於《我愛科學》（華騰文化有限公司，2017 年 12 月出版），轉載於「嘉義市政府全球資訊網」。
• 「網路安全技術與比特幣」，《科學月刊》，2020 年 11 月號；轉載於「善科教育基金會」的《科技大補帖》專欄。

我們的能源從哪裡來、往哪裡去？

全球每年對能源的需求量相當巨大，若用「瓩時」──即一度電這樣的度量單位──來表示會出現天文數字，因此改用「太瓦時」（TWh）來表示，太瓦時等於 10 億瓩時。

在一八〇〇年，全球約有 10 億人口，當時對能源的需求約為 6000 太瓦時；而且幾乎全部來自傳統的生質能源。到了二〇一七年，全球人口達到 76 億，發電量增加了 25 倍（156000 太瓦時）。

下圖顯示在二〇一七年全球主要能源消耗總量的百分比，其中近 8 成為化石燃料。其他再生能源包括風能、太陽能和地熱能，其中成長最快的是風場和太陽光電場。生質能源則主要來自傳統生質能源。

大約有 1/3 的全球能源消耗在將化石燃料轉化為電力和精煉燃料上。

剩下的稱為最終能源需求（final energy demand），是指用戶消耗掉的能源：每年約 10 萬太瓦時。

大約有 10％ 是來自開發中國家傳統生質能的熱，22％ 來自電力，38％ 用於供熱（主要來自化石燃料） 30％ 在交通運輸。熱能和電能主要都是用於工業和建築。汽油和柴油幾乎提供了所有用於運輸的燃料。

怎麼做比較不浪費？能量轉換效率大比拚！

我們看到供熱與供電一樣重要。兩者都可以用瓩時為單位，也就是一度電來測量，雖然電可以完全轉化為熱量，例如電烤箱，但只有一小部分以熱能形式存在的能量可以轉化為電能，其他的必然會散失到周圍環境裡。

在火力發電廠中，存在於化石燃料中的化學能會在燃燒後轉化為熱能。這會將水加熱，產生蒸汽，蒸汽膨脹推動渦輪的葉片，轉動發電機。只有一部分熱量被轉化成電力；其餘的熱量在蒸汽冷凝，完成循環時，就轉移到環境中，成了殘熱。

這份熱電轉化的比例可透過提升高壓蒸汽的溫度來增加，但受限於高溫下鍋爐管線的耐受度。

在一座現代化的火力發電廠中，一般熱能轉化為電能的效率約為 40％。若是在較高溫的複循環燃氣發電機組（combined cycle gas turbine，CCGT）裝置中，這個比例可提高到 60％。

同樣地，在內燃機中也只有一小部分的熱量可以轉化為車子的運動能量（動能）；汽油車的一般平均效率為 25％，柴油車則是 30％，而柴油卡車和公車的效率約為 40％。

另一方面，電動馬達的效率約為 90％，因此電氣化運輸將顯著減少能源消耗。這是提高效率和再生能源之間協同作用的一個範例，這將有助於提供世界所需的能源。

再生能源的過去跟未來

在十九世紀末，水力發電的再生資源幫助啟動了電網的發展，在二〇一八年時約占全世界發電量的 16％。而在再生能源──風能、太陽能、地熱能和生質能源──的投資上，相對要晚得多，是在二十世紀的最後幾十年才開始。

起初的成長緩慢，因為這些再生能源沒有成本競爭力還需要補貼。但隨著產量增加，成本下降，它們的貢獻開始增加。這些其他再生能源發電的占比已從二〇一〇年的 3.5％ 上升到二〇一八年的 9.7％，包括水力發電在內，再生能源的總貢獻量為 26％。

不過，就全球能源的占比，而不是僅只是考慮用戶消耗的電力來看，再生能源僅占約 18％，而傳統生質能則提供約 10％ 的能量。隨著太陽能和風能的成本在許多國家變得比化石燃料更便宜，它們在總發電量中的占比有望在未來幾十年顯著增加。

這世界花了很長的時間才意識到這一事實，從現在開始，再生能源勢必將成為主要的能源來源。

——本文摘自《【牛津通識課02】再生能源：尋找未來新動能》，2022 年 6 月，日出出版，未經同意請勿轉載。

在今年二月中旬，美國總統歐巴馬在佛羅里達大學的演講中，公開表態支持發展天然氣與藻類生質能源，並宣稱藻類燃料能取代美國 17% 的石油進口。同一天稍晚，白宮宣佈投入 1400 萬美金（約台幣四億兩千萬元）協助研發藻類生質能。這樣的政策似乎顯示了歐巴馬政府發展潔淨能源的決心，然而也引來了許多質疑。當時為共和黨總統參選候選人之一的 Gingrich 就大力抨擊發展藻類能源政策，他認為藻類能源技術仍須 30 至 50 年的時間才會成熟，對美國的能源安全緩不濟急。兩方人馬各持己見，究～竟～誰才是正確的呢？

我們生質能源趨勢在立場上當然是支持歐巴馬政府發展藻類生質能源的政策，但是在現階段也不能否認藻類生質能源仍有成本過高的問題，要到什麼時候才能看到藻類生質燃料進入我們的生活中仍須端看研究人員何時能在技術上有所突破或是國際油價上漲至藻類燃料可以競爭的時刻。

目前最大的藻類生質燃油公司 Solazyme 很有信心能夠突破技術上的瓶頸。Solazyme 在 2011 年製造了約 8000 公秉藻類燃油供應給美國海軍與空軍作為測試，化學藥品公司 Dow 也與 Solazyme 簽訂合約將在 2013 年購買 76,000 公秉藻油、2015 年購買 760,000 公秉以上藻類燃油作為航空燃油之用。也許在五年左右的時間之內，我們乘坐飛機所使用的燃料就會有部分含有藻類燃油。

在接下來這個系列文章裡，我們希望能為讀者更進一步的介紹什麼是藻類、藻類生質能源相關的研究以及目前產業發展與瓶頸。讓讀者對藻類生質能源有更清晰的概念與瞭解。

什麼是藻類？

究竟藻類是什麼呢？簡單地說，藻類就是可以行光合作用的微生物。它的種類繁多、分佈廣泛，可以在海洋、河川甚至陸地都可以發現藻類的身影。依照生長環境可將藻類分為海水藻（海藻）或是淡水藻。而依照大小又可分為巨藻以及微藻（單胞藻）。例如生活中常見的紫菜、海帶其實都是巨藻的一種。值得一提的是，雖然藻類體型與陸生植物相比之下顯得相當微小，然而藻類卻供應了世界上超過 80% 的氧氣，要是少了這些藻類，大氣層中的二氧化碳將會提高三倍以上。

為什麼要用藻類生質燃料？

我們常說的藻類生質燃料，主要使用的藻種為單細胞微藻，因為它的構造簡單，不需發展根、莖、葉等器官，因此生長速度較快，具有高產量的優點。並且不同微藻所含有的營養成份各有不同， 可應用於多方面不同產業，例如生質燃料、食品、飼料或是萃取高價值化合物。除此之外，因光合微藻生長時需要吸收二氧化碳以及氮、磷……等化合物，近年來也開始將藻類培養視為環境控制的方式之一，例如以微藻吸收工廠或發電廠排放的二氧化碳，或是像之前提過 Algaewheel 以微藻養殖池取代傳統廢水處理廠中的除氮步驟。這些例子都一再強調了微藻養殖的潛力。大體而言，藻類生質燃料與其他生質燃料相比有以下三點優點：

1. 產量高：藻類生長速度快，產量高於其他植物
2. 不與食物競爭：不需與民爭糧、與糧爭地
3. 具經濟潛力：富含高經濟價值副產品如 DHA、EPA 等脂肪酸可作為食品添加物或化學藥品

藻類生質燃料的研究

事實上，微藻養殖並非新興產業，早在 1960 年代，歐洲就已經有科學家提出藻類養殖的方式，1980 年代美國能源部（DOE）開始了藻類大型計畫（Aquatic Specie Program），計畫目的著重於篩選高含油量藻種、發展開放式養殖技術以及評估花費。 1988 年在美國科羅拉多州的太陽能研究室就嘗試以直徑 20 公尺的池子培養微藻，一年生產了 4 公噸的藻體並製成 300 多公升的燃油。然而此方法所產生的燃油成本遠高於當時油價（當時原油價格約為每桶 20 美元），1996 年時當局判斷藻類燃油無法與石油競爭因此中止了計畫。然而直到近年能源危機、油價飆漲 ，於是又開始尋找合適的替代能源，藻類培養又重獲大眾重視。

目前藻類培養方法可大致分為兩類：開放式培養與密閉式光反應器 。開放式培養系統通常是利用室外水池或水道作為養殖場地，部份養殖場地在水面上會覆蓋透明帆布以隔離外來微生物污染。開放式培養池的建造費用遠比密閉式光反應器低，然而因為較難控制溫度及二氧化碳濃度等環境因子，藻體產量不及密閉式反應器。除此之外，縱使覆蓋了透明帆布，外來微生物如輪蟲仍有可能侵入養殖池，造成藻體大量減少 。與之相對，密閉式光反應器可以妥善控制環境因子，提供最佳藻類生長環境，然而昂貴的造價與操作費用，使其培養出的藻類成本居高不下，難以應用於生質燃料。而藻類生質燃料至今仍未商業化的另一困難之處為不易收穫。縱使是高濃度藻液，其固體成份僅約 1% ，這意味著仍有 99% 的水分需去除。若利用傳統加熱烘乾或是離心法除水，投入的能源消耗恐怕大於能源產出。因此開發新的養殖或收集技術是推動生質燃料產業化勢在必行之舉。

在接下來藻類生質能源介紹系列文章裡，我們將分別介紹目前產業裡不同的海藻養殖方法、各種收穫方式以及各種燃油轉化技術，分析當下遭遇的瓶頸與可能的解決方式，期待 PanSci 臥虎藏龍的讀者們能從各自的專業角度切入，提供解決方法。生質能源趨勢也有介紹部分台灣藻類研究的文章，有興趣的讀者歡迎點閱以下連結。

台灣生質能源研究組織介紹 – 前言
水產試驗所東港生技研究中心 – 蘇惠美博士
國立台灣海洋大學食品科學系 潘崇良教授
台灣電力公司的微藻碳捕捉計劃