此「斤」不等於彼「斤」 台斤市斤差異從何而來？——科學史札記（五）

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

公尺是大家經常使用的長度單位，不過，它到底是多長呢？答案是：光在一秒內行走距離的 299,792,458 分之一。

然而，想準確測量光速可不容易，一般人家裡根本就沒有測光速的實驗設備，為什麼還要選擇這麼不親民的定義呢？原來，這個定義是一直到 1983 年才終於定案的，那麼問題來了：在這之前的人們，是怎麼測量長度的？

法國大革命，度量衡也要大翻新！

在法國大革命之前，法國境內的度量衡直接沿襲了神聖羅馬帝國的規定，各地區間差異頗大，令人頭痛。於是，在大革命剛結束之際，國民公會便指示巴黎科學院定下一個新的長度標準。這麼做不只有利民生及學術發展，也可順便掃除舊政權的老古董制度。

一聲令下後，各路好手紛紛出馬，提出自己覺得夠科學的長度標準。

第一個候選人是「單擺」。因為單擺周期只與擺繩長度有關，所以或許可以用「一秒擺一次的單擺擺長」來作為長度標準。不過，只要經過簡單的實驗就可以發現：由於各地重力強度不同，所以單擺周期會因測量地點改變，而不是只跟擺長有關。用單擺當標準的話，缺乏了各地通用的普適性，因此遭到淘汰。

第二種想法則是利用「地球的大小」。更準確地說，是將子午線從赤道到北極的長度作為標準，以定下常用的公尺長度。這個想法其實沒有什麼物理上的意涵，不過還是被國民公會所採用，於是開始了測量子午線的浩大工程。

雖然子午線就在法國人的腳底下，但要量它的長度可不容易。沒有人能真的從赤道長征到北極。在那個科學技術剛起步的年代，如此大規模的測量是個十分艱鉅的挑戰。

不過，堂堂法國巴黎科學院可是說到做到。他們花了超過六年的時間，實地測量從敦克爾克到巴塞隆納這段子午線的長度。這兩個城市都位於海平面，而且差不多位於整個弧長的中段，是很適合的選擇。利用這次測量的結果，科學家鑄造出一根鉑製的公尺原器，從此，一公尺有多長由它說了算。

在 1840 年左右，新定義的公尺正式成為法國的標準單位。後來，公尺原器經過幾次複製與改良，推廣到全世界，而公尺也成為家喻戶曉的長度單位。

不過時間一久，科學家發現：用一個實體物品去定義單位終究不是個好主意。不論保存措施多麼完善，實體物品終究會出現一些損耗，像是用來定義質量單位的公斤原器，便隨著時間逐漸變胖。這些細微誤差讓龜毛的物理學家難以接受，於是尋找公尺新定義的偉大旅程再次展開啦！

為什麼要「吹毛求疵」？樸實無華的單位追尋之旅

這次的場景在二十世紀。經過眾多物理大師的加持，物理學已經比法國大革命那時完備許多。電磁學、相對論、和量子力學都已經發展成熟，而新的定義也從這幾個領域著手。1960 年，科學家們先是將公尺用氪原子光譜的躍遷波長來定義，後來則因氪元素取得不易，在 1983 年更改為我們現在熟悉的光速定義。

為什麼是光速而不是聲速或其他速度呢？電磁學的推導指出，不論在宇宙的哪個角落，光速都是一樣的（相對論的架構也是建立於這點之上）。因此光速有別於其他物理速度，是個令人信賴的定義標準。

除此之外，這個定義使用的是不變的物理常數，而不是實體物品，因此存在一個完美的「精確值」。隨著測量光速的實驗越來越精準，一公尺只會逐漸趨向精確值；相較之下，原本的公尺原器就相形失色，就算不考慮原器長度會有變化，公尺的定義還是受限於每次測量的誤差。基於同樣的道理，公斤的定義也在幾年前由公斤原器改為物理常數的組合。

從單擺到光速，公尺的定義隨著物理學的發展不斷演進，為的就是去除那零點零幾趴的誤差，得到一個恆常不變的長度單位。物理學家的堅持就是這麼樸實無華且枯燥，實在令人敬佩。

所以說，在可預見的未來中，這些定義應該不會因為準確度的問題而被換掉。（對的，你只要好好記一次就很夠用了！）如果真的有這麼一天，表示目前的宇宙常數和物理定律出了問題，那麼事情可就大條啦。

參考資料

• 國家度量衡標準實驗室
• Wikipedia: History of the metre
• 精確的力量：從工業革命到奈米科技，追求完美的人類改變了世界

＿＿＿＿＿＿＿＿＿＿＿
你是國中生或家有國中生或正在教國中生？
科學生跟著課程進度每週更新科學文章並搭配測驗。來科學生陪你一起唸科學！

• 作者／李開周
• 編按：本文中的單位換算，是中世紀歐洲的計算方式，現代的計算方式已和過去不同，一起來看看那時的單位計算有多野蠻吧！

蕭邦之所以姓「蕭邦」，來自於「一瓶紅酒」

弗雷德里克．蕭邦（Frédéric François Chopin） ，波蘭鋼琴家、作曲家，十九世紀歐洲浪漫主義音樂的代表人物，弗雷德里克是名字，蕭邦是姓氏。

蕭邦為什麼姓蕭邦呢？因為他父親姓蕭邦。他父親為什麼姓蕭邦呢？因為他父親的父親的父親的父親，也就是蕭邦的祖宗，在法國賣過紅酒。

幾百年前的法國，單瓶紅酒的標準容量是一超品（Chopin）。當時法國人說到紅酒，就會想起超品；而說到超品，就能想起紅酒。蕭邦的祖宗既然賣紅酒，所以就把「超品」當作家族的姓氏。

後人再把這個姓氏譯成漢語，就成了「蕭邦」。實際上，按照現代漢語讀音，把 Chopin 譯成「超品」並不恰當，譯成「蕭邦」才比較接近。

現在我們知道了，蕭邦的姓氏和度量衡有關，是法國傳統容量單位超品的另一種譯法。那麼這個容量單位到底有多大呢？折算成現在國際通用的毫升，到底有多少毫升呢？算一下就知道了。

• 一法國超品等於 1.5 英制品脫，一英制品脫又等於 0.125 英制加侖，所以一法國超品等於 0.1875 英制加侖。
• 一英制加侖是多少呢？大約是 4546 毫升。所以，一法國超品就相當於 852.375 毫升，約等於 850 毫升。

現在市面上的法國紅酒，單瓶容量通常是 750 毫升或 700 毫升。也就是說，蕭邦的祖上售賣的紅酒，比現在的紅酒要實惠，酒瓶更大，裝得更多。

但我們必須說明的是，將一超品折算成 850 毫升，完全是根據現代英制加侖與毫升的換算關係來計算。而在幾百年前，並沒有「毫升」這個概念，一加侖的實際大小是不確定的，可能比 4546 毫升略大，也可能比 4546 毫升略小，所以一超品的實際大小並不能十分確定。

這些容量單的換算關係如下：

• 一蒲式耳＝二坎寧
• 一坎寧＝二配克
• 一配克＝二加侖
• 一加侖＝二波特爾
• 一波特爾＝二夸脫
• 一夸脫＝二品脫
• 一品脫＝二大杯
• 一大杯＝二及耳
• 一及耳＝二傑克
• 一傑克＝二小杯
• 一小杯＝二口

做為容量單位，超品已經退出歷史舞臺，現代法國人不再使用，英國人、德國人和美國人也不再使用。事實上，英國人從來就沒用過超品，他們過去常用的容量單位，是品脫（Pint） 、夸脫（Quart） 、波特爾（Pottle） 、加侖（Gallon） 。

此外還有更大的容量單位，例如配克（Peck） 、坎寧（Kenning） 、蒲式耳（Bushel）；以及更小的容量單位，例如大杯（Cup）、及耳（Gill） 、傑克（Jack） 、小杯（Pony）。

根據以上換算關係，我們可以瞧出兩點端倪：

1. 傳統英制容量單位之間都是倍數關係，典型的二進制；
2. 所有英制容量單位都是建立在「口」之上的。

「口」：喝下去、吐出來，單位跑出來

什麼是「口」？就是一小口。喝一小口紅酒，再吐到量杯裡，這個容量就是一口。

不停地喝，不停地吐，一口一口地累加，吐 2 口是一小杯，吐 4 口是一傑克，吐 8 口是一及耳，吐 16 口是一大杯，吐 32 口是一品脫，吐 64 口是一夸脫，吐 128 口是一波特爾，吐 256 口是一加侖，吐 512 口是一配克，吐 1024 口是一坎寧，吐 2048 口是一蒲式耳。

說到這兒，您會覺得噁心——那麼多、那麼高大上的容量單位，竟然要一口一口去量，多不衛生啊！

是的，確實不衛生。不衛生倒也罷了，最可怕的是不精準。

您想啊，人的嘴有大有小，小芳櫻桃小口，一口能吐 5 毫升；小強血盆大口，一口能吐 50 毫升。都是一口，差了十倍。即使是同一個人，每一口也不一樣大：喝清爽啤酒，一口能灌半斤；喝燒刀子，一口最多半兩。還是一口，又差了十倍。

《淮南子》有云：「寸而度之，至丈必差；銖而稱之，至石必過。」一寸一寸地累積，累積到一丈，微小的誤差會變成巨大的誤差；一銖一銖地累積，累積到一石，微小誤差會變成更加巨大的誤差。

寸和丈是古代中國的長度單位，十寸為一尺，十尺為一丈。從寸到丈，要累積一百次，假如每寸有一公釐誤差，那麼每丈就能差出 100 公釐，差不多和您的手機一樣長了。

銖是古代中國的重量單位，24 銖為一兩，16 兩為一斤，120 斤為一石（這裡的「石」是「禾石」簡稱，讀ㄕˊ；如果做為容量單位，則讀ㄉㄢˋ）。從銖到石，要累積 46080 次，假如每銖有一克誤差，每石就能差出 46080 克，也就是 46.08 公斤，差不多和極致瘦身的女模特兒一樣重了。

古代英國人把各種容量單位建立在「口」的基礎上，假如每一口只有一毫升誤差，當累積到品脫的時候，誤差 32 毫升；累積到加侖，誤差高達 256 毫升；如果累積到蒲式耳，誤差將是 2048 毫升。朋友們，二千多毫升，那是什麼概念？相當於三瓶紅酒啊！

設想一下，蕭邦的祖宗用一口一口吐酒的方式替您稱量，您受得了嗎？當然，人家也不可能用這種笨法子，應該是用標準量器去量。問題在於，當時所謂的標準量器，都是建立在「口」之上的，怎麼可能做到「標準」呢？

商家拿出來一只量杯，標的是一超品；顧客怕吃虧，也從懷裡摸出來一只量杯，標注也是一超品。兩只量杯一比較，顧客的量杯比蕭邦祖宗的量杯大得多，那怎麼辦？用誰的量杯？您堅持用您的，蕭邦祖宗堅持用他的，於是就爭執起來，紅酒沒有買成，買到一肚子氣。

用嘴測度容量，女王覺得母湯

1559 年，伊麗莎白一世登上英國女王的寶座，她發現了容量單位既不標準也不衛生的弊端，於是下令廢除用口稱量的野蠻傳統，並讓容量與重量相結合，重新定義英國的容量單位。

伊麗莎白一世是這樣做的：她保留了品脫、夸脫、加侖等傳統單位，但她讓這些容量與「口」脫鈎，與「盎司」結合起來。她規定，一品脫等於 20 盎司，一夸脫等於 40 盎司，一加侖等於 160 盎司。

盎司本來是重量單位，一盎司等於 360 顆大麥加起來的重量。伊麗莎白一世讓人用天平稱重，在一個托盤裡放入 360 顆成熟、飽滿、晒到乾透的大麥，在另一個托盤裡注入同等重量的清水，再把托盤裡的清水倒進玻璃杯，玻璃杯裡的清水有多少，做為容量單位的一盎司就有多少。

也就是說，一盎司既是 360 顆大麥的重量，又是與 360 顆大麥等重的一杯水的容量。

盎司確定了，品脫、夸脫、加侖也就確定了。稍做計算就能知道，一品脫的水與 7200 顆大麥等重，一夸脫的水與 14400 顆大麥等重；一加侖的水與 57600 顆大麥等重。大麥有大有小，但是將幾百顆、幾千顆、幾萬顆大麥混在一起稱重，得到的會是平均重量，可以抵消顆粒之間的一些誤差。

伊麗莎白一世用上述方法改革英國容量單位，至少有以下三種好處：

1. 新的容量單位不再需要用嘴測度，更衛生、更精準；
2. 讓容量與重量掛鈎，為進一步統一度量衡奠定了基礎；
3. 大麥是當時歐洲最常見的穀物，是最天然、最公平的容量測定標準，當交易雙方在量度上有分歧時，不用找標準容器，不用找政府裁決，隨隨便便抓一把大麥，找一架天平，簡簡單單測量一下，就能消除分歧，這對促進市場交易非常有幫助。

——本文摘自《從奈米到光年：有趣的度量衡簡史》，2020 年 2 月，時報出版