『您的瀏覽器不支援JavaScript功能,若網頁功能無法正常使用時,請開啟瀏覽器JavaScript狀態』

跳到主要內容區塊

工業技術研究院

:::

工業技術與資訊月刊

出版日期:

正方形 Icon 觀念探索 Trend

2013年十大突破性科技(上)

《MIT Technology Review》對突破性的定義很簡單──提供人們創新、有力的方式去使用科技,就具有突破性。它可以是一款「智慧型手錶」(Smart Watches),提供實用界面的直覺性設計;或是一套「記憶植入」(Memory Implants)的實驗性裝置,幫助腦部受損的人們有機會再重組記憶。有些技術對永續經濟成長極為關鍵,例如「積層製造」(Additive Manufacturing)和「超級高壓電網」(Supergrids);還有「暫時性社群媒體」(Temporary Social Media),改變了人與人間的溝通方式,或是「產前的胎兒DNA排序」(Prenatal DNA Sequencing),撼動了我們對於胎兒的看法。「Baxter:藍領機器人」(Baxter: Blue-Collar Robot)可謂是工程領域的大躍進;還有「深度學習」(Deep Learning)、「超高效太陽能」(Ultra-Efficient Solar Power)等技術,處理該領域裡存在已久的問題。整體而言,《MIT Technology Review》所點名的年度十大突破性科技,目的不只是告訴讀者有哪些值得矚目的科技,更想藉由這個機會,歌頌這些科技背後的創造力。


深度學習

現代機器不僅能夠辨識物體、還能即時譯讀語音。搭配高度運算能力,人工智慧終於變聰明了。

去年七月,當庫茲韋爾(Ray Kurzweil)與Google的首席執行長佩吉(Larry Page)會面,但他不是來謀職的。身為一位備受推崇的發明家,後來又變成機器智能(machine-intelligence)的未來主義信奉者,庫茲韋爾跟佩吉碰面的主要原因,是討論他即將出版的新書《心靈的創建》(How to Create a Mind)。他告訴已經讀過初稿的佩吉說,他想創辦一家公司,好把打造一台全智慧電腦的構想付諸實現:這台電腦要真的瞭解語言,能自己下推論、做決定。

要想實現這樣的構想,不用說,得仰賴Google等級的數據與運算能力。佩吉告訴庫玆韋爾說:「我可以試試看,讓你使用我們的資源。但若想靠一家獨立公司來完成,太困難了。」因此,佩吉向除了自己開公司、從沒在別人旗下工作過的庫玆韋爾提出建言,邀他加入Google。庫玆韋爾沒考慮多久就決定採納佩吉的建議:今年一月起,他開始擔任Google的工程部總監。庫玆韋爾說:「這是我50年來致力於人工智慧研究的巔峰。」

庫玆韋爾之所以加入Google,不只是因為Google擁有的電腦運算資源,更因為該公司的人工智慧(artificial intelligence,AI)部門底下,一個叫「深度學習」(deep learning)的分支部門,已有令人驚艷的進展。深度學習的軟體嘗試模仿人的大腦新皮層(neocortex)中神經元層的活動,這個皺摺層區域占了大腦的80%,負責人的思考。這套軟體以極仿真的模式,學習整合數位化的聲音、影像,以及數據資料。
深度學習軟體能夠在一個人工的「神經網絡」(neural network)中,模擬大腦新皮層中一系列神經元活動的構想,在數十年前就被提出,但是發展狀況卻走走停停。然而,拜數理公式的進步,以及日新月異的電腦運算性能所賜,相較於以往,現今的電腦科學家已有能力模擬出更多層次的虛擬神經元。

這項進展,讓Google在語音識別、圖像辨識領域突飛猛進。去年6月,經過YouTube裡一千萬個影片圖像洗禮的Google深度學習系統,在辨識如貓等物體的精確度上,已證實比過往的圖像辨識系統提高了一倍。Google也採用此技術,大幅降低最新版Android手機軟體語音識別系統的錯誤率。去年10月,微軟(Microsoft)的首席研究員瑞許德(Rick Rashid)在一場於中國舉辦的講座上,向聽眾示範了一套讓人驚艷的語音辨識系軟體,該系統能即時將他所說的話譯讀成英文文字,且錯誤率僅7%。系統也能將英文翻譯成中文文字,然後模擬他的聲音,把稿子用中文讀出來。同年12月,由三位研究生和兩名教授所組成的團隊,在一場由默克集團(Merck)舉辦的競賽中贏得大獎,他們運用類似深度學習的技術,來辨識出有潛力發展成新藥的分子,把注意力對準那些和研究目標最可能有關的分子。

目前Google已成為吸引深度學習與相關人工智慧領域人才的磁鐵。今年3月,Google公司買下了一家新公司。該公司的共同創辦人是多倫多大學(University of Toronto)電腦科學系的教授辛頓(Geoffrey Hinton)。辛頓是上述獲得默克大獎的團隊成員之一,他目前規劃把自己的時間一分為二,一半花在大學、一半花在Google。他計劃「將自已專業領域中的許多構想拿出來,把它們應用在實際的問題上」,例如圖像辨識、搜尋功能,好用來理解自然語言。

上述種種應用領域,為普遍小心謹慎的人工智慧研究者帶來希望,那些有智慧的機器,像是真的從科幻小說的書頁裡跳出來了。的確,機器智慧的應用領域已開始轉換現實生活中的種種事物,從溝通媒體、電腦運算,到醫藥、製造業還有交通運輸。範例如IBM開發,曾在美國知名的益智搶答競賽節目《危險境地!》(Jeopardy!) 中打敗人腦的華生電腦(Watson computer)。華生電腦運用一些深度學習的技巧,IBM也訓練它輔助醫生做出更好的醫療行為決策。此外,微軟也將深度學習的技術應用於Windows Phone和Bing的語音搜尋功能中。

然而,要將深度學習的應用範圍,從圖像和語音辨識這兩大領域擴大到其他領域,需要在概念和軟體上做更大的突破,電腦性能也必須提高。在幾年、甚至幾十年內,就算真有那天,人們恐怕都等不到一台眾人皆同意「會自己思考」的機器問世。但就今日,誠如微軟美國研究部門的李(Peter Lee)所言:「深度學習重新激起人工智慧領域裡某些重要挑戰。」


建造大腦

因應挑戰,各方均提出不同的方法。其中一個方法,是把有關這個世界的資訊及運作法則全輸入電腦,因此程式設計師得不斷編寫有關某項特徵,如一個邊緣、一個聲音的軟體。這方法耗時耗力,而且系統往往無法判讀模糊的數據資料;能被應用的範圍既狹小又受到侷限,例如應用在電話選單系統,要求致電者在通話中說特定的單字,好完成洽詢事宜。

1950年代人工智慧研究的萌芽, 神經網絡的概念也跟著浮上檯面。當時,儘管剛開始的架構稍嫌簡單,這領域依舊看來前程似錦,因為神經網絡的研究者嘗試模擬人腦的運作方式。研究者利用程式架構出虛擬的神經元系統,並用隨機數值「加權值」(weights)代表各神經元間的節點。加權值決定了每個虛擬神經元的反應──反應狀況以0到1之間的數值來表達,以此把例如一個邊緣、圖像中的一抹藍色,或是某個音位頻率(音節中的聲音單位)的特定能量等級(energy level)等特徵加以數位化。

程式設計師訓練神經網絡偵測一個物體或是某個音位的方式,是用含有該物體的數位化版本圖像,或含有該音位的數位化音波,對神經網絡進行強而有力的刺激。如果神經網絡無法正確辨識出一個特定的圖樣,再用演算公式調整加權值。這項訓練的最終目標,是要讓虛擬的網絡系統能夠在口語或圖像中,持續辨識出某項特徵,例如人類世界中英文裡「d」的音位,或是一隻狗的長相。這跟幼兒學習辨認什麼是「狗」的過程很像,幼兒會去觀察頭的形狀、行為等的外觀細節,而認出這種毛茸茸、會汪汪叫、被其他人稱為「狗」的動物。

可惜,早期的神經網絡一次只能模擬出相當有限的神經元,所以只要碰上複雜程度較高的圖樣,系統就無法辨識,讓這類型研究在1970年代沒落。

直到1980年代中期,辛頓和同事的研究露出了一絲曙光。他們開發出名為「深層」(deep)的模型,更善用軟體模擬多層神經元。不過,這項技術依舊需要大量的人力投入:程式設計師在把數據輸入網絡前,仍得用人工在數據上作標註。此外,當時的電腦運算能力,也無法應付複雜的口語或圖像辨識。

直到過去十年,「深層」的概念終於有了突破性的進展。2006年,辛頓開發出一種新方法,能更有效地訓練單層神經元。第一層的神經元,主要是學習最簡單基本的特徵,例如辨識圖像的邊緣,或是聲音的最小單位。網絡會搜尋出數位化影像的畫素的組合,或是辨識出比隨機狀態下出現頻率更高的某個音波。第一層的神經元一旦成功區辨出初步的特徵,這些資訊就會被送往下一層神經元網絡,辨識更複雜的特徵如邊緣角度、語音組合。這個過程持續在一層層的網絡間進行下去,直到系統可以準確地識別音位或物體為止。

網絡系統辨認貓的能力如何呢?去年6月,Google向世人展示了有史以來最大的人工神經網絡,這個網絡裡有多達十億個節點。由史丹佛大學(Stanford)電腦科學系教授吳安卓(Andrew Ng)和Google研究員狄恩(Jeff Dean)領導的研究團隊,把從YouTube影片中隨機擷取的1,000萬張圖像輸入該網絡中。軟體中的其中一組模擬神經元,把目標鎖定在辨識貓的影像,其他的則負責搜索如人類的臉孔、黃色的花等其他物體。深度學習的辨識能力,已經強大到能夠分辨出人類未曾去定義或命名的物體。

更讓人工智慧研究者吃驚的是,網絡的圖像辨識能力竟有這麼大的進步。這套系統能正確地將YouTube的影像依物體或主題分類,準確率已達16%。16%聽起來並不高,但已經比以往所用的方法進步了70%。此外,狄恩特別說明,網絡系統把圖像歸類到高達2萬2,000個類別裡,例如正確地區分出不同種類的魟,很多時候,這工作甚至連大部分的人類都做不來。若將系統需要做的分類縮減成1,000個更廣泛的類別,正確率就會提高到50%以上。

巨量資料

在上述實驗中,想要訓練這麼多層的虛擬神經元,得仰賴1萬6,000台電腦處理器──Google在長期發展搜尋引擎及其他服務的情況下,得以提供如此完備的運算設備。專研機器學習的新創公司Vicarious的共同創辦人喬治(Dileep George)表示,現今人工智慧領域的成就,至少有80%可歸功於電腦能力的進步。不過除了Google強大的數據處理中心,成功的背後還有其他力量在推動。Google為不同電腦指派工作任務的能力,讓電腦工作起來更快速,也對深度學習產生很大的助益。狄恩在Google服務14年的職涯初期,就已開始開發這方面的技術。虛擬神經元技術顯著加快了深度學習軟體的訓練速度,讓Google得以發展較大規模的網絡系統,並倒更大量的數據到系統裡。

另一個成果豐碩的領域,是把深度學習應用於智慧型手機的語音搜尋功能。2012年以前,Google的Android系統所用的軟體,辨識效果仍錯誤連連。不過,2012年7月,在發表新一代Android系統前的準備階段中,狄恩的團隊曾以深度學習軟體,取代部分語音系統。由於多層次的虛擬神經元讓系統更精準地學習同一個聲音的不同變化,使系統更能正確地判讀聲音片段,特別是在地鐵月台這類嘈雜的環境中發揮作用。在提高系統判讀出使用者口語下,辨識結果的準確率自然就提升了。一夕間,出錯的次數就驟降25%──如此顯著的進步,讓許多評論人士主張Android的語音搜尋系統,比蘋果更高人氣的語音秘書Siri更聰明。

儘管有了實質性的突破,但並非每個人都認為深度學習的發展得以讓人工智慧與人腦匹敵。批評者一般認為,無論是深度學習還是人工智慧,都過度忽略人腦的生物學層面,只醉心於電腦運算。

其中一位批評者是Palm公司(Palm Computing)的創辦人霍金斯(Jeff Hawkins)。霍金斯最新的事業重心是Numenta公司,其智慧系統取材自生物學,但不走深度學習的路線。 Numenta的系統可用來預測能源消耗的模式,例如風車機器功能失常的可能性。霍金斯在2004年出版《創智慧──理解人腦運作,打造智慧機器》(On Intelligence)一書,陳述大腦的運作方式,還有它如何指引人打造有智慧的機器。霍金斯認為,深度學習把時間因素排除在外。他指出,大腦處理的是一束束知覺的資料,而人類學習過程中,仰賴「回想起一連串形態特徵」的能力。例如,觀看一段貓在搞笑的影片時,貓的動作是重點,而不是一系列像Google實驗裡所用的靜態圖像。霍金斯批評:「照Google的想法,任何事物都是數據堆積起來的成品。」

不過,如果把數據堆積起來無法解決問題,那像Google公司這樣投注大量的電腦運算資源來解決問題,就白搭了。對於深度學習的擁戴者來說,這當然重要,因為人腦實際上的運作方式,要比任何當今的人工神經網絡要複雜多了。辛頓說:「你需要很多很多的運算資源,才有辦法實現構想。」

下一步計劃

儘管Google對未來如何應用這項技術,尚未有明確的回答,但深度學習的前景依舊樂觀。舉例來說,圖像搜尋的功能,顯然對YouTube有很大的助益。根據狄恩的說法,深度學習的軟體能利用英文的音位數據,訓練系統更快速地辨識其他國的語音。另一個可能性是,為Google的自動駕駛汽車提供更精良的圖像辨識系統。此外,搜尋引擎和廣告是另外兩個可應用的領域。這兩大領域向來對任何「更快速、更容易辨識出符合使用者需求的內容」的新技術極度敏感──甚至在市場意識到新趨勢前,技術就已經到位了。

現年65歲的庫茲韋爾就是因為這點,才醉心於深度學習的研究。長期以來,庫茲韋爾對有智慧的機器自有一套洞察力。他還在唸中學的時候,就已開發出一套軟體,讓電腦能自行編寫出許多不同古典樂風的曲子,並曾在1965年的電視節目《我有一個祕密》(I've got a secret)上公開示範過。從那之後,他的發明創造許多電腦史上的第一:第一台能識讀列印出的文字,並閱讀出來的機器;第一套能掃描並數位化任何字型之文字的軟體;第一台能重現管絃樂團樂器演奏的音樂合成器;還有第一台內建大型字典的語音辨識系統。

時至今日,庫茲韋爾的願望是打造一個「虛擬朋友」(cybernetic friend),這位朋友會聽取你在電話裡的對話、幫你讀電子郵件,並追蹤你的每一步──當然得事先獲取同意才行。如此一來,虛擬朋友甚至可以在你開口要求前,就告訴你你想知道的事情。雖說這並非庫茲韋爾在Google的立即目標,但這願景卻和Google的共同創辦人布林(Sergey Brin)所想的一致。布林曾在Google草創初期時說過,他想要打造一台像電影《2001太空漫遊》(2001: A Space Odyssey)裡的赫爾(HAL)那樣有意識的電腦──當然,要是一台不殺人的電腦才行。

庫茲韋爾現在的計劃是訓練電腦學習,甚至會說自然語言(natural language)。他說:「我的任務是幫助電腦充分瞭解自然語言,好完成一些有用的工作──讓它們的搜尋功能更強大,或者更會問問題。」事實上,他希望建造一台比IBM的華生更具有彈性的電腦,而華生理解《危險境地!》節目中謎題的能力,已讓庫茲韋爾感到無比欽佩,畢竟主持人的提問方式不按排理出牌。例如主持人拋出一個押韻題:「怎麼從派上面的泡沫糖霜,講出的一串冗長、無聊的說詞?」,而華生的正確回答是:「什麼是meringue harangue ?」(編按:meringue harangue押韻,可直譯為「如蛋糕糖霜般的長篇大論」)

庫茲韋爾並不完全把心力都花在深度學習上,不過根據他的說法,他研究語音辨識的途徑,也是以探究大腦的運作方式的理論為基礎。他想要為單字、字詞、句子的實際意義建立模型,並把語言模棱兩可的部分也考量進去,畢竟電腦常被這點所考倒。他說:「我有個構想,把語言的語義意義(semantic meaning)用一種圖像化的方式呈現出來。」

庫玆韋爾的計劃,必定要對句子的語法(syntax)做更全面的圖像化。Google已用這類分析,將翻譯服務的文法部分修改得更好。自然語言的理解,也要求電腦能夠捕捉被人類認定為常識性的意義。有鑒於此,庫玆韋爾未來會把觸角伸往Google的知識圖譜(Knowledge Graph)服務,該服務包含有約7億筆的主題、地點、人物,還有數十億筆它們之間的相關連結。Google的知識圖譜於去年正式問世,為使用者的問題提供答案,而非僅僅是連結而已。

最後,庫玆韋爾還計用深度學習的運算法,來幫助電腦處理「語言裡的軟邊界(soft boundaries)和模糊性」。「讓電腦理解自然語言這項任務,不是到了某個點就完成了,搜尋是無止境的。」他表示:「我覺得,這不是我有生之年可以完成的計劃。」

儘管庫茲韋爾的願景還需要很多年才能付諸實現,撇開語音和圖像辨識這兩大領域,深度學習在其他領域的應用,倒是現在進行式。例如新藥發明,辛頓的團隊在默克大賽裡得到意想不到的勝利,就清楚顯示──把深度學習應用在其他意想不到有影響力的領域,是大有可為的。

微軟的彼得李認為不只如此,一些把深度學習用在機器視力(machine vision)上的初期研究,已累積了相當的成果──這類研究復合成像技術,可應用於工業品管檢測及機器人的操縱。他還想開發個人用的感應器,用較深層的神經網絡偵測健康問題。另一個構想,是在城市裡的各個角落裝設偵測器,教導深度學習系統預測哪個路段將會塞車。

對於模擬人腦思維這種複雜的任務,無疑地,單憑一種技術並無法克服所有的挑戰。不過就今日而言,深度學習在人工智慧領域扮演領導角色。狄恩表示:「用『深度學習』來比喻對世界萬象的學習與理解,真是妙極了。」

Baxter:藍領機器人

要讓機器人與人有良好互動,實非易事。新一代機器人容易與人類互動,這不禁讓人們思考,機器人背後的創新技術。

暫時性的社群媒體

停留時間短且會自行消失的線上訊息,不僅提升了線上交流的私密性,也讓人們更能夠暢所欲言。

控制要向他人透露多少資訊,是個人隱私中很重要的一部分。不幸的是,現今人們上傳社群網站的每張照片、每則聊天記錄、每次的狀態更新,都被儲存在雲端,讓人們失去了大半控制隱私的能力:即便人們的確想跟另一群人分享這些資訊,這些資訊也沒必要永遠被保留在網路上。我們過去在網路上的社交記錄,正成為隱私問題的重大挑戰。

如果人們可以讓自己的發文自動消失──讓社群媒體更貼近於人們的日常交談,凡走過不一定都要留下痕跡?這就是Snapchat這類型手機app服務的主要訴求。Snapchat自去年起開始大受歡迎,它的發明者是兩位史丹佛大學的大學部學生史畢格爾(Evan Speigel)和墨菲(Bobby Murphy)。兩年前,恰逢美國紐約議員威諾(Anthony Weiner)因為不慎讓不雅照在推特上曝光而引咎辭職時,畢格爾和墨菲便有了打造新社群媒體的構想。Snapchat的吉祥物Not for nothing(編按:直譯為「別見怪」)是一隻露齒而笑的鬼魂,而它的服務是讓使用者傳送照片或短片,並能自行設定接收者可觀看的時間長度。在10秒或更短的時間內,照片或短片就會自動銷毀。

一開始,Snapchat特別受青少年歡迎,他們想要一個更有隱私的方式彼此傳送私密性的照片。不過,使用者每天在Snapchat上交換的圖片和影片量,就有一億則之譜,光是「傳送含有性愛內容的簡訊或照片」(sexting),實在無法充分解釋這股潮流。此外,Facebook創始人之一佐克柏(Mark Zuckerberg)也該擔心,Snapchat的崛起,挑起了人們對Facebook的隱私性的疑慮;去年12月,臉書推出了跟Snapchat功能類似的app,名叫Poke。

是什麼原因,讓這類暫時性的社群媒體變得如此風行?Snapchat的創辦人曾說,他們想要給用戶一個表達自己的平台,不過跟其他社群媒體網站不同,在這裡不需要覺得自己必須維持某種理想的形象。相較於在其他社群網站上的互動,在Snapchat裡接收或傳遞訊息及影像之所以特別令人興奮,不僅是因為它們都稍縱即逝,也因為這樣的溝通方式比較自然。Facebook和推特記錄並儲存了人們不假思索的日常言行,而在暫時性社群媒體裡的互動,則是簡短、親近的對話:可以想說什麼就說什麼,而不用擔心說過的話會變成沒有保存期限的數位卷宗。

Snapchat擺出一副要打敗Facebook的態勢,的確吸引了眾人的目光,無論如何,它的創辦人仍得面對那些讓Facebook苦惱的個人隱私問題。Snapchat有一個明顯的技術漏洞:雖說訊息或圖片會自動消失,但若碰上別有用心的接收者,在顯示的那幾秒間使用影像截取軟體拍照,被傳送的內容還是有可能外流。──如果有接收者這麼做,Snapchat會通知傳送人,不過此舉為時已晚,並無法阻止內容的儲存或散播。除此之外,儘管Snapchat承諾會把照片從伺服器中移除,但該公司的隱私條款仍言明他們「並無法保證所有的簡訊資料都有被刪除」。倘若哪天有某個名人的Snapchat不雅照不小心曝光,用戶對Snapchat的信任就會毀於一旦。

撇開Snapchat的宿命不談,暫時性社群媒體的構想相當重要,因為它突顯了坦率、想什麼就說什麼的吸引力──而且使用者可以在選擇在特定某些人面前如此,而這正是友誼、個性化、創造力的真諦。Facebook和推特的確提供了使用者一些選擇,可以設定群組、限定「好友圈」的人才能看到某些訊息。不過,因為那些文字永遠會留在那裡,限定分享的功能在技術上總是有安全疑慮。就某種程度而言,暫時性的社群媒體增強了人們能選擇要讓他人知道多少事的控制力,在人們走向更細緻入微的數位溝通方式時,這是重要的第一步──這種溝通方式尊重人們一方面想要與人分享、一方面又想保持沈默、保有隱私的特質,同時也點出了一種全新的可能性。

超高效率太陽能

如果能把太陽能設備的效率提高一倍,整個再生能源產業的樣貌就會完全改變。以下的設計可望讓它成真。

艾華特(Harry Atwater)認為,他的實驗室能研發出一款廉價且超高效的太陽能發電系统,其光電轉換效率將是現有太陽能板的兩倍以上。這位加州理工學院(Caltech)材料科學與應用物理系的教授指出,最近,在細小範圍控制光線的技術愈來愈精良,因此他擬定的效率目標是可能達到的。

目前市面上的太陽能板,上面的晶片大多是用矽材料所製成的半導體。由於這種材料只能吸收狹窄的太陽能光譜來發電,大部分的光能都以熱能的形式被浪費掉:一般而言,這些太陽能板的光電轉換效率都不超過20%。然而,艾華特和同事們計劃開發的新型太陽能板,可以把光電轉換效率提高到至50%。這種面板利用高效的光線分散技術,其類似稜鏡的分光原理,將太陽光分散成6至8種不同波長、不同顏色的光束。然後,各種光束會被特定半導體材質的太陽能板吸收。

艾華特的團隊構想了三種不同的設計。他們已經為第一種設計打造出雛型(詳見圖例),設計原理是利用反光金屬槽收集太陽光,再以某個特定角度,把光束導向一個透明隔熱材料製成的裝置中。這個透明裝置的外層,覆蓋了多層太陽能晶片,每個晶片是由6至8種不同的半導體材料所製成。光線進入裝置後,會通過一系列薄質光學濾板。每個光學濾板負責過濾出特定一種顏色,照亮可吸收它的晶片;其餘的顏色則會被反射到其他濾板繼續過濾。

第二種設計則採用奈米光學過濾材料,可過濾來自不同角度的光線。第三種設計則用全像攝影技術(hologram),而非濾板來分散光譜。三種設計雖有差異,但基本初衷是一樣的:結合現有太陽能板的設計與光學技術,更有效率地利用日光的寬帶光譜(broad spectrum),減少能源的浪費。

艾華特說,目前還不知道哪一種設計的實際效果最好,不過可以肯定的是,他們所構想的各種設計,製造過程會比市面上許多電子裝置來得更簡單一些。艾華特相信,一旦打造出使用效果令人讚嘆的雛型,這項裝置就能夠用某種商業模式,成為市面上販售的商品。

艾華特認為,追求超高效率的太陽能技術,是再生能源產業的首要目標,畢竟,現下是發展降低太陽能發電成本技術的「最恰當時機」。過去幾年,太陽能板的價格一路下滑,持續研發相關技術降低價格,並不會對太陽能發電系統的成本產生太大的影響;不過,其他的相關支出倒是占了成本的一大部分,例如線路系統的安裝、土地、取得當局核准,以及人工。倘若能開發出更高效的設計,人們就可以用較少數量的太陽能板,轉換出同樣多的電力來使用。如此一來,設備與安裝的成本也可以大幅降低。艾華特說:「不出幾年,我們就不需要為於那些光電轉換效率低於20%的太陽能板煩心了。」

下載全文PDF Icon下載全文PDF


延伸閱讀
[{"text":"企業網","weight":13.0},{"text":"材化所","weight":11.5},{"text":"機械所","weight":10.0},{"text":"綠能所","weight":9.4},{"text":"生醫所","weight":8.0},{"text":"半導體","weight":6.2},{"text":"南分院","weight":5.0},{"text":"太陽能","weight":5.0},{"text":"課程","weight":5.0},{"text":"遠紅外線","weight":5.0},{"text":"雷射","weight":4.0},{"text":"LED","weight":4.0},{"text":"LED可見光","weight":3.0},{"text":"5G","weight":3.0},{"text":"工研人","weight":3.0},{"text":"電光所","weight":3.0},{"text":"綠能與環境研究所","weight":3.0},{"text":"機械","weight":3.0},{"text":"資通所","weight":2.0},{"text":"面板","weight":2.0},{"text":"文字轉語音","weight":2.0},{"text":"實習","weight":2.0},{"text":"無人機","weight":2.0},{"text":"生醫","weight":2.0},{"text":"3D","weight":2.0},{"text":"v2x","weight":2.0},{"text":"員工","weight":2.0},{"text":"地圖","weight":2.0},{"text":"太陽光電","weight":2.0},{"text":"材料與化工研究所","weight":1.0}]