二維材料曾被視為延續半導體微縮的重要候選者。由於它們薄到只剩下原子等級，理論上非常適合製作尺寸極小、功耗極低的電晶體。然而，當這些想法真正走向先進邏輯製程，挑戰才開始全面浮現。問題在於使用二維材料製作FET的製程要求近乎對單一原子的控制。邏輯晶片對材料與製程的要求，已進入極度嚴苛的階段。首先是一致性與穩定性的問題。先進邏輯晶片內含數十億顆電晶體，它們必須在極高時脈下同步運作。任何微小差異，都可能影響整體效能甚至良率。由於二維材料極薄，對外在環境高度敏感。基板表面是否完全平整、周圍材料是否產生微小應力，甚至封裝過程中的熱與機械影響，都可能改變電子的行為，導致每顆電晶體表現略有不同。這種個體差異在研究樣品中或許可以接受，但在邏輯製程中卻是致命缺陷。第二個關鍵挑戰來自電流進出FET通道的效率。電晶體的效能不只取決於通道本身，還包括在FET中電流如何從金屬端點—源極和汲極—順利進入、流出通道。對原子層材料而言，這個銜接並不自然，往往造成額外的能量損耗與速度限制。即使近年已有多種改善方法，譬如透過相工程（phase engineering）、重摻雜（heavy doping）或邊緣接觸（edge contact）等方式改善，仍難在整體表現上追上成熟矽技術。對於先進邏輯晶片而言，這樣的差距在高頻運作下會被迅速放大。第三，是互補電晶體（CMOS）的實作困難。現代邏輯晶片仰賴兩種性質相反、卻必須高度匹配的電晶體（nFET和pFET）共同運作。矽之所以能長期稱霸，正是因為它在這方面建立極為成熟的材料與製程體系。但在二維材料中，不同性質的FET往往需要不同的二硫屬過渡金屬化合物（Transition Metal Dichalcogenide；TMD）通道材料，導致設計與製程複雜度大幅提高，對先進節點而言更是沉重負擔。最後，還有量產與製造現實。先進邏輯製程的核心價值，在於高度可複製、可預期的大規模生產。但二維材料在大面積製作、缺陷控制、層數一致性等方面，仍與現有產線存在落差。這些問題並非短期內能靠單一突破解決，而是牽涉整個製程生態系的重建。在等待邏輯製程應用成熟之前，二維材料先從記憶體落地，2025年2月在Nature上發表一篇由TMD實際製造快閃記憶體的文章《A full-featured 2D flash chip enabled by system integration》。與處理器不同，記憶體的核心任務不是高速計算，而是穩定地儲存與讀取資料—特別是快閃記憶體。只要資料狀態能清楚區分，即使元件之間存在些微差異，系統往往仍能正常運作。這樣的特性，讓記憶體成為二維材料較為友善的應用場域。二維材料的結構超薄，資料寫入快速、能耗也更低。文章中已有實際晶片及製造方法展示，將二維材料應用於快閃記憶體中電晶體中的通道，並且整合到成熟的矽平台上，由既有電路負責控制，新材料專注於儲存功能。這種分工方式，避開邏輯製程最嚴苛的要求，卻能真正把二維材料帶進可運作的系統。從長遠來看，這不只是權宜之計，而是一條累積經驗的路徑。透過記憶體應用，二維材料可以逐步建立量產能力、製程穩定度與產業信心，為未來進入先進邏輯節點鋪路。或許，當十年後的7A或5A製程真正需要新的通道材料時，二維材料已不再是實驗室的新奇概念，而是準備就緒的成熟選項。

就如同石墨烯於2004年被實驗證實時當時的社會心情，對於石墨烯這種異類物質的生活應用，大眾曾寄予有高度衝擊性的期望，但是真實應用時的實施卻只是以點滴的方式逐漸滲入材料應用；二維材料—特別是二硫屬過渡金屬化合物（Transition Metal Dichalcogenide；TMD）—在半導體的應用似乎也沒有符合當初熱烈的預期。 TMD在半導體的應用當初被寄予厚望，是當成摩爾定律（More Moore’s Law）的救贖。 對於固態物質的應用，我的理解是這樣的：原分子首先要形成晶格，對於電子於其中的行徑我們才有辦法以量子力學來理解。我們理解的基礎最簡單的就是離材料邊界很遠、塊材（bulk）中電子的行徑。 然而接近材料的邊界部分，特別是與其他種類物質的介面及週邊，電子的行徑就變得十分複雜。介面上容易有晶格不匹配（lattice mismatch）、雜質、缺陷等令人頭疼的問題，沒有結成共價鍵（covalence bond）的懸空鍵（dangling bond）會捕捉電荷、形成位勢壁障（potential barrier）。不誇張的講，現代半導體製程研發有很大一部分的工程資源是投入解決材料界面的問題。 在製程臨界尺寸已微縮接近極限時，界面的問題益發嚴重，因為整個材料尺寸太小，幾乎都鄰近界面。現在半導體微縮的嚴峻挑戰之一—短通道效應（Short Channel Effect；SCE）—就是因此而來。 半導體線路的基礎單元是場效電晶體（Field Effect Transistor；FET），FET中電流由金屬材質的源極（source）流經中間受上層閘極（gate）電壓控制開關的通道（channel），最終抵達波汲極（drain）。FET通道的尺度過去被用來定義技術的節點，譬如大約40奈米長的通道就相應於40奈米的邏輯技術節點。微縮通道的尺度—進而縮小FET的尺寸、並且提升其效能—是摩爾定律的驅動主軸。 但是半導體製程演進至28奈米之後，FET元件的效能提升靠的更多是FET的結構從二維逐漸傾向於三維，單純的臨界尺寸微縮不靈了。主要的原因之一就是前面提過的SCE，通道的尺度很難再微縮了。 FET的矽通道當微縮到10奈米出頭，兩邊的源極和汲極金屬的性質如電場或耗竭區（depletion area）會穿透界面而影響矽通道。如果在矽通道裏從源極和汲極兩邊滲入的影響重疊了，閘極就無法有效控制FET的開關。所以儘管技術節點的名稱從14奈米、7奈米、5奈米、3奈米、2奈米、14A、10A、7A、5A繼續往下探，但是通道的長度總維持在10幾奈米以上。幾奈米、甚或幾A（1A=0.1奈米）的技術節點只是個命名，與FET的真實尺寸卻沒有什麼直接的關係了。 此時二維材料就被賦予厚望，特別是TMD中的MoS2（二硫化鉬）、WSe2（二硒化鎢）、WS2（二硫化鎢）等，它們都是半導體，有些共同的特性被認為有希望突破SCE帶來的微縮桎梏。 首先，它們的電子遷移率（electron mobility）極高。如果與矽塊材的電子遷移率相比，TMD的只有矽的約3分之1，但這是TMD單層（monolayer）的數據。如果是矽單層的資料，則遠遜於TMD的。元件的尺度在微縮時，元件各層的厚度—譬如介電質和通道—也必須跟著減薄。當厚度減至數層或單層，TMD的電子遷移率就遠遠勝出。 電子遷移率高代表元件開關的頻率高，通過元件的電流高，功率消耗也低。這些都是元件微縮時所追求的目標，而用二維材料來做通道天生就有這些潛質。 二維材料的第二個特質是它原子般的厚度。所謂的二維材料就是缺少一個維次的自由度，那個維度自然只有一個原子的高度。MoS2的厚度為6.3A，這個厚度與矽原子的共價鍵長度5.43A差不多。 用二維材料做FET的通道天生對SCE免疫。SCE和介電質的厚度、通道的厚度的平方根成正比，二維材料的厚度極薄，SCE的影響很小。要免於SCE的話，通道的長度必須維持在10奈米以上，二維材料的通道則可以低至1~3奈米。也就是說，如果維持元件的幾何形狀不變，使用二維半導體材料來取代FET通道中的矽，理論上可以直接推進摩爾定律中近4個世代。因此二維材料成為各領先代工廠未來先進邏輯製程的重要研究方向之一。

8年前，我在國立陽明交通大學設立一個智慧房間，並在暑期國小營隊中以「小仙女」的故事引導學童。我告訴孩子：「妳對著桌上的蘋果輕吹一口仙氣，奇妙的事就會發生。」當孩子們一吹氣，窗戶隨即自動打開，她們驚喜得咯咯直笑。我們還設計鬼屋遊戲，遠端操控房內的物聯網設備，例如「魔鏡」，讓孩子們在驚嚇與好奇之間盡情探索。我以這智慧房間發表了學術論文〈HouseTalk〉。但在學術語言裡，不能寫「小仙女吹氣」，只能嚴謹地描述：「我們將二氧化碳感測器置入3D列印的蘋果中，當室內人員呼出過量二氧化碳時，窗戶會自動開啟，以促進空氣流通並改善空氣品質。」論文充滿AI演算法與系統架構的細節，但我真正想表達的，其實是那份「小仙女吹氣」的想像。靈感源於我童年時看過的影集《神仙家庭》（Bewitched），由Elizabeth Montgomery主演。劇中女主角莎曼珊只要輕晃鼻子，魔法便應聲而起。我當年一再模仿，鼻子卻文風不動，只能讓耳朵晃動。《神仙家庭》的魔法，是物聯網與AI創意應用的早期想像。莎曼珊的每個手勢都能控制環境，她的魔法如同感測器與語音指令的雛型。她晃鼻子便能重整空間、召喚物品，這些1960年代看似荒誕的情節，如今已透過AI與自動化技術逐步實現。劇中對「人神婚姻」的描繪，也預示AI時代人機關係。莎曼珊與凡人達倫的結合，象徵魔法世界與人類世界的融合，如同現今AI與人類的共生。劇中女巫「偽裝正常」的焦慮，正對應現代人面對AI時的矛盾：既依賴其便利，又害怕其不可測。我們是否也像達倫一樣，既渴望魔法，又不安於它的力量？從文化角度看，《神仙家庭》教我們如何將技術融入日常生活。莎曼珊的魔法不是冰冷的功能展示，而是富含情感的生活智慧：在派對前整理房間、為客人準備驚喜、解決鄰里紛爭。這種「情境化智能」正是現今AI產品最缺乏的特質。若台灣科技產業能在研發中注入這種人文溫度，將能創造出更具情感共鳴的智能產品。《神仙家庭》同時提醒我們技術倫理的重要。劇中反覆思考「何時使用魔法」，對應當今AI時代的「何時啟用自動化」。莎曼珊寧可用雙手完成家務，只在必要時施展魔法的節制，正啟示我們應如何避免過度依賴科技。AI發展正處於關鍵轉折點，我們需要精密的演算法，更需要如《神仙家庭》般的想像力。台灣作為科技島，若能結合文化創意與人文視野，必能在AI時代開創出新的方向。我們需要能理解「小仙女吹氣」詩意的工程師，也需要能將感測器化為魔法蘋果的設計師。在AI時代，我們不缺技術，而是缺乏想像。那份想像其實早已存在，一如《神仙家庭》中的魔法。

17世紀的法國思想家勒內·笛卡爾（René Descartes），不僅以「我思故我在」為現代哲學奠基，也以《幾何學》（La Géométrie, 1637）開創解析幾何，首次將幾何圖形與代數方程結合，發明今日熟知的笛卡爾座標系。此一突破不僅改變數學問題解法，更為微積分與現代人工智慧（AI）提供核心基礎。笛卡爾認為，平面上的每一點皆可用x與y座標表示，而曲線則可轉化為變數方程式。這使得幾何問題能用代數操作處理，例如圓的方程式 x2+y2=r2x^2 + y^2 = r^2x2+y2=r2。這種將抽象空間數學化的思維，與現今AI模型的建構如出一轍。在AI領域，所有輸入的影像、語音、文字資料都需轉為向量座標表示。影像為像素的RGB值集合，語音轉為頻譜，文字則嵌入高維語意空間。這些數據處理方法，正延續解析幾何「將現實投射於數學空間」的思維。神經網路與支持向量機等模型，會在多維空間中尋找最佳超平面來分類資料。深度學習訓練仰賴梯度下降法，透過多維導數找出使誤差函數最小化的方向，步步逼近最優解。此過程需用鏈式法則計算各層參數對結果的影響，亦即微積分中的複合函數求導。而這些演算法運作的數學場域，正建立於笛卡爾所創的座標系之上。進一步來說，像Word2Vec或BERT這類自然語言處理技術，將詞彙轉化為稠密向量，使語意相近的字詞在向量空間中相互靠近，這種「語意即距離」的嵌入技術，也可視為解析幾何的延伸。電腦視覺中的卷積神經網路（CNN），透過多層特徵提取，從像素空間轉換到形狀與語義空間，展現出「座標轉換以理解現實」的深層結構。從AlphaGo到GPT-4，AI系統不斷在函數空間中尋找最佳解。這些空間的數學結構源自笛卡爾當年奠定的幾何與代數統一。笛卡爾的哲學關注「心靈」與「機器」的界線，他認為動物如機械般運作，而人有思考的靈魂。今日AI雖能模擬語言與視覺，但是否真正「理解」仍是哲學難題。從數學化思維到理性工具，笛卡爾提供一把通往AI時代的鑰匙，卻也提醒我們，智慧不只是算法，更是對思維本質的深刻省思。

台灣目前有3個產業在全球的表現相對耀眼，分別是醫療體系、電子製造服務和半導體。競爭力的來源雖然在不同產業可能各自相異，但是都有一個共通的來源，而且可能是最重要的因素：長期社會菁英的持續投入產業，而這時間尺度是以甲子為單位來計。 台灣的醫療體系在世界的評比長年高居第一，毋庸贅述。 台灣的現代西方醫學訓練始於日本殖民政府於1899年設立的台灣總督府醫學校 （Medical School of the Taiwan Governor-General，即台大醫學院的前身）。1904或1905年間台籍人士南志信入學，1909年畢業，成為台灣本土人士接受近代西方醫學訓練的第一人，從此引領台灣菁英從醫的序列。 台籍人士於日據時代不容學習政、法專業，而台灣醫生的收入及社會地位長期居於高位，是以持續吸引社會菁英投入，至今仍是大學招生第三類組的首選。醫療體系的管理人員也是從此團體中挑選，這解釋了為何台灣醫療系統能長期脫穎而出。 值得一提的是醫療原來是服務業，有強烈的地緣關係。而且醫療、保險等各國都有各自的法律規範，不易將之產品化輸出。但是從人工智慧逐漸加入醫療體系以後，這類服務性產品的地緣壁壘逐漸消失，可以合理預期台灣的醫療服務將有擴大版圖的可能。 從20世紀初迄今，這是兩個甲子社會菁英的持續投入。 電子製造服務業與半導體產業是另一個故事。1966年台灣政府鑑於長期巨額貿易逆差的考量，建立出口加工區（Export Processing Zone；EPZ），以賺取外匯、降低逆差。 「巨額」的貿易逆差是多少金額呢？不到1億美元，但這是當年台灣GDP的2.5%！ 出口加工區的設立以及其他產業的集體努力使得台灣於1971年轉變為貿易順差，並且長期維持順差。 當時加工出口區中主要產品為黑白電視，首先入駐的外資企業為RCA （Radio Corporation of America），之後還有增你智（Zenith）等。這些外資企業的先後進駐使得台灣黑白電視出口產量佔世界一半以上。 雖然此時彩色電視已經問世，黑白電視算不上高階消費性產品，而且在台灣的加值也只是簡單的組裝，但是外商大規模的進駐形成台灣電子業的基底。後來RCA移轉黑白電視技術更進一步深化台灣技術能力。這些貢獻至少不亞於「造山者」中描繪的RCA移轉半導體技術給台灣。電子業的先發成為後來半導體產業發展的沃土。 現在看來，此舉奠定台灣電子製造服務的基礎，也驅動電子製造的供應鏈，譬如鴻海在1973年成立時便是以電視旋鈕（knob）供應商的角色切入電子製造服務產業。 也許是巧合，但更可能是薪資的市場機制，當1971年台灣貿易開始轉為順差時，電機系也同時成為大學第二類組的首選，台灣的菁英人才開始流向電子業，最後乃至於半導體產業，迄今也近一甲子。 有趣的是台灣特殊的大學入學制度促使特定產業的人才供應特別充裕，間接的也讓台灣的產業發展集中於特殊的領域。對於台灣這樣人口基底相對有限、內需市場狹小的國家，專注與集中恰恰好是應有的發展策略。這段歷史可以讓目前竭力想發展自有半導體的國家借鑒參照，更可以讓想以其他方式掠奪產業的國家省思。

先進封裝雖然在高階手機領域應用中開始發軔，但是在半導體產業的總動員則是因2023年的AI晶片先進封裝的產能吃緊。由於先進封裝的產品供應鏈拉得很長，參與者眾，半導體業界就想起業內常見做法（common practice）—制定標準規格，以降低價值鏈各環節間協作所需要的溝通成本及時間。 考慮制定標準規格的時候需要考慮的因素主要從技術開始，制定標準的挑戰主要有下列幾點。 第一個是先進封裝目前還處於發展初期，技術變遷快速。以2.5D先進封裝為例，初期的就有CoWoS-S、CoWoS-L、CoWoS-R、CoPoS甚至CoWoP等，這還只是一家公司的規格。快速進展的技術來不及制定標準規格，也不一定值得訂定。 由於牽涉到的是封測環節，要列入考慮的因素就遠比晶片關注的電性指標要多，必須包含熱（thermal）、機械（mechanical）、可靠性（reliability）、翹曲（warpage）、應力（stress）等特性，種類繁多，制定不易。 再來是材料的種類也比較複雜。單只是基板（substrate）一項，就有矽晶圓、玻璃等，現在碳化矽（SiC）也可望入列，其他環節也是新材料的創新場域。 既然有標準規格，自然就會有伴隨的量測和檢驗，但是先進封裝通常會牽涉多個晶片，其結構及電性、功能的檢測複雜的程度依整合的程度指數上升。這些挑戰在晶片設計時就必須考慮在內，也賦予以前線路設計界術語如design for testing、design for manufacturing、design for reliability新的意義。另外，新的檢測項目就要有新的測試設備，這一切都還有待發展。 所以即使產業中有制定標準規格的念想，至今被產業界廣泛接受規格事實上很少，小晶片（chiplet）的UCIe（Universal Chiplet Interconnect express）3.0在2025年８月被持續推出，算是比較成功的案例。 以上的觀點大部分是從技術的考量來看，但是影響元件規格制定的，經濟上的考慮恐怕是更重要的因素。 半導體產業界中最成功、最知名的規格標準化元件當屬DRAM。自1993年JEDEC制定SDRAM（Synchronous DRAM）標準後，後續演化的各高階版本延用至今，成為電子系統廠商與半導體元件廠商的共用標準。 要制定一個產品的規格要有幾個先決條件。首先，產品的市值規模要夠大，這樣殫精竭慮地協商、規劃未來的產品統一規格才有價值。再來就是技術的路標明確，此點前面已經闡明。 有統一的產品標準，意味著元件廠商不必與電子系統廠商在介面規格上密切協商，元件產品推出的週期得以加速，系統設計也可以獨立進行。統一的標準也縮小產品競爭的範疇：規格一致，產品的效能也一致。不同廠家能用於競爭的只有產品的推出時間、產品的可靠性以及生產成本。 對於經濟上較有直接影響的—正面或負面的—是產品標準化以後具有大宗商品（commodity）的特性。 大宗商品，即使生產廠家數目接近寡頭壟斷，還是個完全競爭市場。這對於買家當然是福音，因為購買的成本會最佳化。對於賣家也有些自然的好處，市場價格低時會促使買家使用較多數量的產品。因為電子系統的效能有如薪資，有向下的僵硬性，因此市場規模即使在市場不景氣時還會不斷的擴大。 大宗商品市場自然也有其天生的缺陷。由於缺乏買方與賣方的粘滯性，當供需失衡時—即使缺口不大，價格的起伏會急速的傾斜，這便是大宗商品市場經常面臨的景氣週期問題。市場的景氣週期如果處於低迷階段，又恰好遇到市場外的問題—譬如金融危機，那就是傾家蕩產的時刻。事實上，目前記憶體市場的寡頭壟斷局勢就是在上次景氣大低潮時淘洗剩下的狀況。 制定先進封裝規格標準社群最推崇的經典案例是HBM。HBM是由DRAM數層堆疊而成，上下之間以矽穿孔（TSV）來連通電源、信號，這是典型的3D堆疉先進封裝。HBM的規格沿襲DRAM的優良傳統，規格已制定至HBM4、HBM4e，雖然現在產品實際只用到HBM3e。 看似HBM是先進封裝規格標準制定的經典範例，但是廠商已經放話了：要在DRAM晶片堆疊的底層置入邏輯線路的基底晶粒（base die），以針對特定客戶的客製化。看，這是寡頭壟斷產品業者的意向—邁向客製化而非標準化，而這意向自然是業者考慮自身利益最大化的結論。綜合目前先進封裝技術進展的狀況以及經濟面的考慮，我認為先進封裝規格標準的制定以及產業界的接納還有一段很長的路要走。

我過去創作插畫，必須親手完成所有細節。有了AI，只需勾勒輪廓，它便能自動補全。起初它常誤解原意，畫面失去神韻，例如我畫的Julie Andrews白描稿在AI生成後嚴重走樣。但經多次訓練，它逐漸掌握我的風格，這讓我驚覺：AI是否正從助手邁向取代插畫家？數位時代的商業插畫、遊戲設計與小說封面皆採主畫家與助手分工：前者掌構圖與人物，後者負責上色與背景。AI正改寫這一模式。它能生成完整場景與統一風格的角色，甚至依文字指令完成整幅作品。於是問題浮現：當AI成為主要執行者，作品還能稱為「插畫家的創作」嗎？傳統分工清晰，例如日本工作室由主畫家定構圖神韻，助手執行上色修飾。AI的價值，在於接手重複性高的技術任務。Midjourney、Stable Diffusion與DALL·E等工具能精準模擬筆觸與光影。插畫家輸入草圖或文字描述，AI即可快速生成背景與配色。有畫家稱它是「永不疲倦的助手」，能即時測試多種風格方案。然而，當AI能力逼近人類，界線日益模糊。若AI負責大部分視覺產出，插畫家是否仍為創作者？法律上，只要人類給予明確指令並審核成果，仍屬人類作品；但在倫理與感知上，觀眾已難分辨「人筆」與「機筆」，藝術家的獨特風格也可能被壓縮成演算法模板。插畫家如我者，選擇與AI共生，把繁瑣細節交予AI，自己專注於構圖與概念。例如先手繪草稿，再指令AI生成多種背景方案取其佳者；或在AI生成的服飾光影上再創作，注入筆觸的溫度。這種「AI助筆」模式維持藝術主導權，也提升創作效率。相對地，全由AI生成的插畫雖快速完美，卻缺乏人性的意圖與情感。AI能複製「美」的形式，卻無法體會創作的動機。正如攝影未取代繪畫，AI亦難取代插畫家，但它將重新定義插畫，使創作者更像「導演」，專注於構想與審核，而非執筆描繪。這股轉變正重塑教育與產業。傳統插畫訓練強調技藝，如今學院課程已納入AI繪圖，重點轉向提示設計與風格管理。未來插畫家或將成為「視覺策劃」或「美術監製」，其專業核心不在技術，而在圖像敘事與文化感知。我如此禱告，AI或許能取代插畫助手，卻難取代插畫家。真正的創作超越圖像輸出，重點在於觀點與情感。AI能模仿風格，卻不懂其精神。當人類視AI為協作夥伴而非敵手，插畫藝術將邁入新紀元：從筆尖延伸至演算法，從勞動密集轉向創意驅動。最終，AI取代的不是插畫家，而是耗損創作熱情的重複勞務。人類插畫家的價值，仍在於以想像構築世界，並以情感賦予畫面靈魂。我如此期盼。

2025年諾具獎頒給John Clarke, Michel Devoret, 和John Martinis等3人，以彰顯他們在宏觀量子穿隧效應（macroscopic quantum tunneling effect）實驗的貢獻。 「宏觀」這兩個字是相對應於傳統上對量子現象瞭解的誤解。經典物理（classical physics）指的是牛頓力學（Newtonian Mechanics）可以描述的現象，一般指的是宏觀世界發生的種種現象，而量子現象，一般的解釋方法是在微觀（microscopic）世界中因為物理尺度微小、粒子個別行徑的原因，物體（特別是個別粒子）行徑帶有機率的特性。特別是微觀量子穿隧效應，此現象經常用來彰顯經典物理與量子物理的差異。 穿隧效應是指1個粒子在其行進路徑中遭遇一個位勢壁壘（potential barrier）的反應行為。在經典物理中，如果粒子的能量不足以克服位勢壁壘，則情況有如開車遇到山，只能就此折返。如果我們一定要這個電子越過此位勢，只能賦予此粒子足夠的能量，克服位勢所造成的壁壘。在半導體元件中，這已是常用方法。譬如在FLASH中要將電子儲存於浮動閘極（floating gate）中，施加強大的垂直電壓便能將電子從通道中跨越過橫亙於通道與浮動閘極之間絕緣體所形成的位勢壁壘，這就是在FLASH中的Fowler-Nordheim tunneling。這樣的穿隧效應符合經典物理的圖像，要越過壁壘只能靠增加能量。 然而在量子世界中，能量不足的粒子即使遭遇到了位勢壁壘，仍然有機率穿越位勢到達另一端。以之前的山與車的用語為例，彷彿在山體中開了一個隧道讓汽車通行，因以為名。 微觀量子穿隧效應是量子力學（quantum mechanics）中的經典範例，普遍見於教科書中。但是接下來的問題是自上世紀量子力學發靱後經常被問起的：微觀世界的現象止於什麼尺度？或者更直接的問題：宏觀的世界也可以看見量子現象嗎？特別是量子穿隧效應。 Clarke等3位元物理諾貝爾獎得主於1984~1985間一系列的實驗工作證實在宏觀世界也可以有量子穿隧效應，而且宏觀的物理量也存在量子化的情形。 他們的實驗是利用約瑟夫森結（Josephson junction）來檢視電流的量子穿隧效應。約瑟夫森結兩側是超導體，中間隔有Al2O3的鋁基絕緣體。 超導體在臨界溫度（critical temperature）以下電子的流動是以庫柏對（Cooper pairs）的方式運動。庫柏對是一對電子之間以聲子（phonon）配對而輕微的彼此束縛，2個電子具有相反的動量和自旋。庫柏對的束縛雖然微弱，但是兩個組成電子的距離可以高達數百奈米，比現在最小電晶體通道的十幾納米大多了。庫柏對在移動時沒有電阻，這就是超導體名字的由來。 一個電子的自旋是1/2，在統計上的特性是費米子（Fermion）；而一個古柏對自旋是0，在統計上的特性是玻色子（Boson）。許多玻色子可以凝聚（condensate）於同一個基態（ground state）而形成一個宏觀量子態。 約瑟夫結的兩邊超導體之間隔有絶緣體，如果電流值在臨界電流（critical current）之下，在經典力學中一邊的電流是無法通過絶緣體流到另一邊的。 但是Clarke等3位的實驗在謹慎的排除外在干擾如熱、微波等因素後，證實在臨界電流值以下的電流仍可以量子穿隧至絕緣體的另一方，這就是宏觀的量子穿隧效應。 這個穿隧效應與以前習見的量子穿隧效應很不一樣。量子穿隧效應的經典例子是將粒子（He的原子核，帶有2個正電荷）困於一個位勢陷阱（potential well）之中。此粒子可以用量子穿隧逃逸至陷阱之外，但是此例中的 粒子是個別粒子，而此現象是微觀量子穿隧。而Clarke等3人的實驗證實宏觀量子穿隧的真實存在。另外他們也發現此宏觀量子態具有量子化能階（quantized energy level），此點與我們熟悉的微觀世界行徑相仿—譬如氫原子的能階也是量子化的。這是觀念上的突破，是以得獎。 在應用上，宏觀量子穿隧效應大幅提升量子效應在真實世界可以被利用的可能性。在前述的實驗中，約瑟夫森結上的電流量子穿隧時會誘發瞬間電壓的變化，而電流與電壓均是宏觀的物理量，可以很容易被觀察量測，這是宏觀量子穿隧效應在應用上可能優於微觀量子效應的原因之一。 以現在最具議題性的量子計算為例，發展最迅速的的技術之一是超導量子位元（superconducting qubits），它們都使用約瑟夫森結當成量子位元的基礎架構。超導量子位元又有幾種類型，最常用的是傳輸量子位元（transmon qubit）。傳輸量子位元雖然沒有使用宏觀量子穿隧效應，卻也使用宏觀量子態的量子化能階當成量子位元的0與1。另一種超導量子位元是相量子位元（phase qubits），此處的相是指在約瑟夫結兩邊的宏觀量子態之間的相對相位。如果把此相位當成一個虛擬粒子，此相粒子真的是靠宏觀量子穿隧效應在絕緣體的左右穿梭。 類似的應用還有耳熟能詳的超導量子干涉儀（Superconducting Quantum Interference Device；SQUID），它可以用來測量極細微的磁場，敏感至10−15 T（Tesla）。超導量子干涉儀是由2個以上的約瑟芬森結環繞成圈所組成的儀器，利用通過此圈的磁通量（magnetic flux）的變化引發SQUID上電流和電壓來量測磁場大小。SQUID之所以能夠如此精確的量測磁場的原因，也是因為約瑟芬森結中宏觀量子態的能階也是量子化。 人類文明進展迄今，已經開始在觸碰物質結構的邊界，量子世界已是可以觀察、甚至可以操控的現象。宏觀量子穿隧現象給我們一個啟示，不限於宏觀量子穿隧、也不限於約瑟夫森結，只要有宏觀量子態，便有宏觀的物理變數可以用於觀測、操控此系統，而這正是我們走到奈米、埃（angstrom）尺度時出現的及時雨。

在AI快速發展的數位時代，我們常談演算法、效率與算力，但真正決定AI能否成為「擴增能力」工具的關鍵，不是技術本身，而是人類是否具備想像力。想像力，讓我們敢於提出不同的問題。當孩子仰望夜空，問：「為什麼月亮會跟著我走？」多數大人會回答光線與距離的原理。雖然正確，卻抹去問題背後的驚奇。若改說「因為月亮想陪你回家」，孩子的笑聲才是最有創意的理解。這種回答不是科學事實，而是一種想像練習，提醒我們在理解真實之餘，也別失去感受世界的方式。吉卜林（Joseph Rudyard Kipling）在《就是這樣的故事》（Just So Stories, 1902）也以此方式回應「為什麼」。〈駱駝怎麼長駝峰〉、〈小象怎麼得到長鼻子〉、〈豹怎麼有了斑點〉，這些故事並非科學解釋，而是透過荒誕的情節創造新的「真實」。重複與韻律讓故事像咒語般朗朗上口，而親密的語調則讓它成為親子之間的共享語言。它們不是說教，而是透過幽默與幻想，培養孩子的好奇與創造。這正提醒我們：想像並不是錯誤資訊，而是與真實並行的另一種創造能量。這樣的思維正是我們在AI時代所需。AI能生成文字、影像、方案，但若缺乏人類的想像力，它不過是冷冰冰的輸入輸出。只有當我們以孩童般的好奇來提問，並以創意去引導，AI才會展現真正的擴增效能。重要的是，我們必須分辨：AI有時生成虛構或錯誤（所謂「幻覺」），這些並非可靠資訊，但若經由我們的判斷與引導，這些虛構元素也能成為啟發新想法的原材料。AI可以提供「是什麼」的答案，但「為什麼」與「如果不一樣呢」仍須人類來追問。就像吉卜林的故事，它們延續人類自古以來用神話解釋世界的傳統。AI今日同樣能生成新故事、新情境，但要轉化為啟發與價值，仍取決於我們的想像與判斷力。因此，在AI數位時代，想像力不是奢侈的附加品，而是核心能力。科學說明規律，AI延展邊界，而想像力則確保我們不會在效率中迷失。當我們勇於像孩子般問出「月亮為什麼跟著我」時，AI才能真正陪伴我們，開啟新的旅程。不是因為它替代真實，而是因為我們用想像力為它注入新的可能。

過去幾年，全球大型語言模型（LLM）的早期競賽幾乎都圍繞在「評測指標」上。矽谷公司們所引領的這場「AI軍備競賽」，倚賴公開評測基準（benchmark）來展現AI實力：從 MMLU 的跨學科知識、BBH的複雜推論、GSM8K的數學應用、HumanEval的程式設計，到HellaSwag的常識推論、以及Winogrande的語境理解，這些測試成了模型在賽場追逐的技術指標。敘事也極為直接：分數代表能力，分數就是王道。於是，技術優化的路徑幾乎被鎖定——設計更大的模型、注入更多的資料、投入更龐大資本、集中高密度運算資源。然而，當各家模型在標準化測試中不斷刷新紀錄，「這些評測是否真能代表真實場域」的疑慮也隨之浮現。為了凸顯AI的場域能力，2024年起，Google與 OpenAI 先後嘗試讓模型挑戰國際數學奧林匹亞（IMO）題目，被視為複雜推論的終極考驗，但這些挑戰，終究無法反映大眾日常的使用場景。於是，美國柏克萊大學研究團隊打造的Chatbot Arena，透過大規模真人盲測，讓使用者的「體感」直接成為裁判，建立一個更貼近市場的「用戶價值」新戰場。同時，開源社群則以下載次數、社群優化程度作為佐證，強調模型在實際應用中的應用性。於是，在傳統基準分數之外，用戶體驗與主觀感受逐漸成為另一個攸關勝負的評價指標。對於後進者而言，要在AI競賽中打破既有格局，必須找到不同的切入維度，創造出非對稱的攻防空間。這在中國科技公司身上表現得尤為明顯：一方面受制於地緣政治，高階晶片的取得受限；另一方面則處於內部競爭極度激烈的環境。在雙重壓力下，他們不僅追逐「效能極致」，更積極在「系統層」尋求突破。透過垂直整合，挑戰者試圖以降低訓練與推論的「成本」作為切入點，將AI的價值主張，從單純比拚模型「智慧高度」，拓展到「商業效益」的務實層面。這意味著，競爭焦點從「誰更聰明」、「誰的體驗更好」，進一步擴展為「誰更務實」：除了「能不能做到」、「好不好用」，還得回答「能不能普及」。 AI 競賽中積極追趕的Google，發揮自身在資料中心的多年經驗，提出另一個關鍵指標，永續（Sustainable）LLM。在最新發表的研究中，Google 團隊揭露：當用戶發送一個文字提示（prompt）給Gemini模型時，平均需要消耗 0.24 Wh能量、0.03克二氧化碳，以及0.26毫升水。換句話說，1次文字生成的能源成本，大致相當於看電視9秒鐘，或飲用5滴水的等效能耗。需要注意的是，這些數據是以Gemini應用的能耗「中位數」文本提示為基準，並僅限於文字問答場景，尚未涵蓋影像或影音等更複雜的生成任務。此外，研究範圍也只涉及推論（inference）階段，而不含更高能耗的訓練過程。即便如此，這份報告仍讓外界難得窺見營運中大型語言模型背後的「AI 能源帳單」。根據其他研究，目前 LLM 的訓練與推論能耗比例約為4 : 6，顯示推論已成為整體AI能源足跡中不可忽視的主角。更有意思的是，透過這個研究，我們也看到大模型推論時，各能耗的佔比。結果顯示，AI加速器（TPU/GPU）消耗約58%的能量，接著是主機CPU與記憶體約佔24%，而資料中心的基礎設施負擔（包含冷卻、電力轉換等overhead）與備份／高可用性設備共佔約18% 。這樣的分布非常值得注意：超過一半的能源用在模型運算本身，然而近乎一成也不能被忽略地用於「系統維持與可靠性保障」的功用。更讓人驚訝的是，Google 報告同時指出，在過去一年，透過硬體（如 TPU、通訊、儲存等）與軟體堆疊的優化，AI 推論的能耗1年內降低33倍，碳排放則下降44倍。這顯示能效提升的速度，遠遠超過我們對摩爾定律的想像。顯然在系統層級「Energy + Intelligence」共同考慮下，存在非常大的發揮空間。能源不僅是珍貴資源，更界定AI智慧的邊界，也迫切需要永續潔淨能源的支持：因為「淨零碳排」（Net Zero）要求。在這方面，Google 已逐步展開布局：在碳會計的Scope 2範疇（購買電力的間接排放）中，近年持續加碼全球各地的再生能源採購，包括太陽能與風能，主動透過市場簽訂長期的潔淨能源合約，確保資料中心與業務能獲得穩定的低碳電力。同時，Google也嘗試將資料中心轉換為綠能資產，並藉由參與電網的「需量反應」（demand response）服務，於尖峰時段調整用電量，提升電網穩定。可以預見，隨著大型語言模型進入「效率優化」的新階段，系統層級的調校將比單純模型演算法更為關鍵。Google 報告中已開始納入Scope 1、Scope 2與Scope 3的碳排放計算，而Scope 3更直接牽涉到供應鏈：從晶片、伺服器、網通零組件到各類供應商的碳排責任，最後都會加總進國際雲端與AI營運商的ESG帳本。如果國際CSP大廠、前瞻AI模型公司加速要求供應鏈提供ESG指標，我們在地的ICT供應商，是否已經準備好？這意味著ESG不再只是合規清單，而是全球市場透明度與競爭力的核心要求。對台灣ICT產業而言，大語言的永續指標至少帶來3個啟示：第一，效能不再是唯一圭臬，效益才是。晶片與伺服器不只要快，更要省，否則難以在全球 AI 供應鏈中站穩腳步。第二，Net Zero正在成為產品競爭指標，能源效率與碳排揭露將成為跨國合作的必要條件。第三，治理力就是競爭力——能否把算力、能耗與永續整合進企業敘事，將決定企業在全球舞台的份量。AI的新指標已經浮現：從技術到商業，再到責任與環境（能源）成本，AI競賽的下半場將不只是「誰更聰明」，而是「誰能在智慧與能源之間找到平衡」。對產業而言，同時考量「Energy + Intelligence」，是產品策略與產業定位的新常態。