机房深处的嗡鸣中，理性正进行一场无人旁观的演出。AI服務器成列排开，数据流经管线，错误被标记、修正并转化为下一轮尝试。此处既无康德（Immanuel Kant）忧虑的形而上学僭越，也无黑格尔（Georg Wilhelm Friedrich Hegel）期待的绝对精神降临。但若细察训练曲线的起伏，仍可識別出古老的模式：否定之否定，在矛盾中前进，在破裂中重组。康德若见到当代AI系统，或许会感到些许安慰。我们为模型设下界限，正如他为理性划定合法范围。拒绝提示词（Prompt）与伦理对齐机制传递著相同信息：并非所有问题都该被回答，能力并非毫无节制地释放。当AI模型遭遇无法化解的冲突时，它被要求止步并承认限制，而非陷入二律背反（Antinomies）的无尽循环。这是一种知其边界的理性。黑格尔则会指出，这些界限本身即是暂时的。AI模型不断超越旧版本的历程，正是辩证运动的实践。每次微调都否定前一状态，每次架构革新都扬弃（Aufhebung）旧范式。GPT-3让位于GPT-4，并非否定其价值，而是在更高层次将其成果保存并超越。正反合（Thesis-Antithesis-Synthesis）在此演化为技术发展的当代形式，模型在错误中学习、在矛盾中成长。辩证法在此不再是观念运动，而是具体的劳动关系与资本累积。进步叙事掩盖这些代价，使矛盾转移至供应链末端，以不可见的形式延续。在工程实务中，黑格尔的辩证结构被彻底去魅，转化为可操作的技术形式。矛盾简化为损失函数（Loss Function），否定简化为反向传播（Backpropagation），对抗性训练（Adversarial Training）成为核心方法。生成对抗網絡（Generative Adversarial Networks）透过生成器与判别器的制衡，在竞逐中逼近纳许（John Nash Jr.）均衡。此处没有精神的自我实现，只有可计算的最佳化过程。黑格尔相信历史运动指向自由意识的完成，但人工智能显示，辩证结构可以在没有目的论的情况下运作。它无需终点与意义，只要在高维空间中收敛。这印证理性的习性：面对复杂性时，将走向矛盾与扬弃，无论是否有归宿在等待。这种认知令人不安。我们以为进入纯技术时代，摆脱形而上学包袱，但当模型在无数次失败后找到稳定状态，我们只是再次见证理性的老习惯：拒绝简化，必须经由否定寻路。只是这次我们不称之为精神的历险，而称之为机器学习。真正的问题在于，当辩证运动在无意识系统中自动发生，责任由谁承担？没有灵魂的理性依然塑造世界，产生偏见、失业与操控，而后果终由具体的人承受。康德的界限及黑格尔的运动如幽灵般徘徊于机房，提醒我们技术并非中性，理性的形式始终伴随成本。当你站在數據中心外听著冷却风扇的声音，不妨想像运转的不只是矽芯片，还有几百年前关于理性、自由与矛盾的老问题。只是这一次，它们不等待哲学家回答，而直接在现实中展开，由算法执行，其后果则由人类承受。

我将半导体与电子业的紧密结合称为芯片经济价值的外溢。以前电子系统经济价值的创造高度集中在芯片单一环节，但是现在电子系统经济价值的创造无法单靠芯片制程的演进，经济价值的创造必须外溢至封测乃至于系统环节，方能完整创造可以交易的经济价值。有两个现象很可以说明问题。一个是进出口數據，臺湾高端芯片的贸易成长与高端电子系统在外贸数量的成长是高度相当相关的；另一个更图像化：黄仁勋来臺湾邀宴总是从最上游的芯片制造一路请到电子系统制造服务厂商。这个近乎典范移转的变化重新塑造供应链。半导体从最起始时的完全整合元件制造（Integrated Device Manufacturer；IDM），透过生产环节的去藕合—线路设计、晶圆制造、封测等环节之间的切割而各自追求单一环节的规模经济，现在因为元件微缩自然条件壁障的接近而趋势反转，又重新整合了。而且这次的重新整合走得更远，从芯片一直整合到电子系统。而且整合的程度相当紧密，这就是文章标题的身有彩凤双翼飞的隐喻。臺湾因为历史和地理的因缘，在AI兴起的年代，挟此双翼，竟然创下7.4%的GDP年增率！这个數據在21世纪的已开发国家中，除了爱尔兰因跨国利益移转（multinational profit shifting）以及IP的重置（IP relocation）外，仅有新加坡曾经到达此一水准。由芯片价值外溢造成半导体与电子制造业的密切垂直整合，在企业管理学的竞争理论中，就是在产业价值链占据多重优势节点，具有高度竞争力。特别是在高端芯片及电子制造服务（EMS）这两个领域中，臺湾世界市场的占比都超过一半，这使得双翼强强联手的地位难以撼动。AI 服務器的应用只是个开端。这双翼开展的强大力量已开始扩充至其他的应用；或者与其他臺湾传统强项连结，形成更强烈的优势。2025年臺湾与英国签订的低地球轨道卫星（LEO）合作备忘录“A Five-year Memorandum of Understanding between the Taiwan Space Agency（TASA） and the U.K.-based Satellite Application Catapult（SAC）to Strengthen Space Industry Collaboration”，英国负责的是系统设计、应用与生态整合，臺湾负责的是硬件制造、零件及供应链的执行，特别是特殊半导体及精密电子模塊。这就是将原先半导体及电子制造的优势应用并扩充至通讯、观测、气象、军事等领域。无人机（UAV）自从在俄乌战场上被实证应用偏向消费性电子的属性后，臺湾在非红供应链中自然成了首选。无人机其上的零件其中有一部分属于精密机械的范畴，譬如用于中短航程的马达。精密机械原先也是臺湾的优势领域，但是面临日、韩的竞争，以及中国的威胁。专注于能与半导体和电子制造的协作之后，就有机会明显区划与竞争者的市场，并且利用协作的其他部分取得优势。电动车、机器人等新兴产业也可以有相同的策略。臺湾的医疗系统常年高居国际评比第一，也是臺湾有高度竞争力的产业之一。但是医疗行为牵涉到法律、保险、文化等多种因素，不易外扩。最重要的，它不是可以量产的产业，也无法出口。所以对于医疗产业的市场行销，过去曾以观光医疗来尝试，结果自然是不显著，观光医疗也有对本土的量能排挤效应。AI出现之后，AI healthcare是当然应用之一。结合臺湾医疗体系中的知识、数据、工作流程（workflow）等，建立诊断（diagnosis）、预后（prognosis）、治疗（treatment）等的模型。这样的AI healthcare产品，不仅可以输出，还可以量产。特别是2020年后欧盟提出主权數據（sovereign data）的概念、2023年 NVIDIA 跟进主权AI（sovereign AI）的概念，使得货柜AI server中心与AI healthcare模型捆绑出口变得可行。这是臺湾医疗产业增值的契机。对于未来的产业，亦做如是想。量子计算是未来高效能计算的一部分，它出现的方式高机率会与传统的计算以混杂（hybrid）的方式联合运算。其实现在量子计算的原型机都帯有一部传统的服務器。问题是未来的量子计算机会因为其型态特殊而另起山头？还是由目前已累积相当动量的AI服務器体系整合进来？NVIDIA 显然更倾向于后者，也在架构上做好准备：CUDA-Q。臺湾的电子制造服务业显然已嗅到商机而开始投入量子计算。自己投入量子计算的基础研发显然已稍晚，利用臺湾已然成形的双翼在量子时代继续分享成长的果实，机会显然比较高。

这场艺术实验始于我手中的弹性尖钢笔（flexible nib fountain pen）。女郎站立时重心微偏，抬起的手指轻触发际，另一手将长发牵引至身前。笔尖在肩线与腹部之间游移，借由墨色干湿的变化捕捉呼吸的节奏。衬衫的翻领、袖口与牛仔裤口袋的折线，在压力转换下形成清楚而克制的结构，这些线条描写衣物，界定身体如何占据空间。创作随后运用大型语言模型（LLM），进入提示词（prompt）的阶段。语言开始取代手势，引导观看的方向。描绘物件的提示要求理解线条的功能，让牵牛花取代织品，成为身体的延伸。人工智能在此展现出真正的推理能力，避免机械地生成装饰图案。先深入解析钢笔原稿的内在逻辑，将每一条线索还原成空间语法。模型识别出哪些线条是承重的结构骨架（structural skeleton），哪些线条标示著遮蔽与显露的边界，哪些则只是暗示形体转折的辅助记号。这个拆解过程是语义层面的理解，不是像素的复制。推理的关键在于转译而非覆盖。人工智能理解到原本属于衬衫领口、袖口褶皱、牛仔裤腰线的那些边界线。这些固定布料本身的功能被巧妙地用来定义形体的转折点与视线的停留位置。于是这些功能性边界被重新诠释为植物生长的潜在路径，藤蔓便沿著既有的阴影逻辑与力学走向自然攀附，顺著肌理的起伏延展。花朵精确落在原先线条最密集、视觉重量最集中的节点上，那些曾经是衣物扣合处、褶皱汇聚处的位置。如今成为牵牛花绽放的所在并非随意安放的装饰。这是从几何边界到有机生命的连续转换，线条的功能在AI的翻译中得以延续，只是语言从布料的物理性转向植物的生长性。当水彩层次（watercolor layers）被引入，淡紫与嫩绿并未覆盖钢笔的节奏。LLM顺著线条留下的路径渗透，在透明与叠加之间建立时间感。身体因此不再是被观看的静态中心，而成为一个正在发生、持续生长的场域。线条在此完成它们的使命，从定义形体到启动生长，最终退场后留下的是一套自洽的生态逻辑。人工智能并不单纯再现人体艺术。LLM由线条推理出花朵，由结构演化为生命。这是由视觉语法翻译成自然法则的静默过程。

臺湾的ICT产业，主要包括半导体产业与电子制造服务业（Electronics Manufacturing Services；EMS），于2024年占臺湾出口的65.2%；在2025年，此一数字预估可能进一步提升到74%左右。此一比例是臺湾在世界产业竞争赛事中的特例，对于臺湾未来的进一步产业新发展有深远的意义。电影「造山者」（A Chip Odyssey）中敍述臺湾最早期的半导体CMOS技术引进自美国无线电公司（Radio Corporation of America；RCA），其实对臺湾有一个项不亚于授权半导体技术给臺湾的贡献—先是在1966年臺湾设立的楠梓出口加工园区组装当时不算太先进科技的黑白电视（彩色电视于50年代后期已进入量产），之后陆续有增你智（Zenith）等公司加入此一行列，再加上后来臺湾取得RCA黑白电视技术授权的厂家，鼎盛时期的臺湾黑白电视产量超过世界的一半。这系列电子系统制造的奠基对于臺湾70年代迄今的发展有3个重要的意义。第一个是电子产业的成形。一家企业不算是一个产业，一群关连的企业才是，占全世界产能一半以上更当然是。第二个是将社会菁英人才动员导向电子相关产业。第三个是供应链的建立，当时包括最基础元件的电阻与电容等。这个由黑白电视塑造的产业，形成1970年代开始发韧半导体的国内市场；又由于许多电子产品是面对全球的大比例市场，如前所述的黑白电视、后来的PCB板、个人电脑等，让臺湾的半导体产业在诞生时马上可以用进口替代的策略迎接广袤的全球市场。但是在初期半导体与电子业的关系也就只是松散的元件产品与市场关系，二者并没有太强烈的关连。两个关键转折引发两者之间关系深层的改变，从而结合变得更为紧密。一个是制程演化到28納米之后，平面制程的微缩能增加的经济价值快走到尽头了。此时每个晶體管的平均成本降到历史上最低。之后的制程名字虽然也如摩尔定律般的往22納米、14納米、10納米、7納米等一直走下去，但那只是个节点标记，用来敍述这节点的效能，却与晶體管的真实临界尺度没有太大的关系。所以每个晶體管的平均成本从28納米后又开始拉高。之后晶體管效能的持续提升主要靠的是晶體管3D制造制程，如FinFET、GAAFET、CFET等。3D晶體管制程显然要比二维晶體管制程要复杂许多，兼之临界尺吋无法有效缩小，成本的上升理所当然。另一个原因是AI服務器的兴起。由它对电力饥渴的程度就知道它需要处理數據的速度以及流量。传统芯片的设计原先会同时考虑效能、功率以及面积（Performance, Power, Area；PPA）并且在其中取得均衡，寻求最大的综合经济价值。但是如前所述的，芯片在二维微缩的进展已遭遇强大阻力，而AI的运算又要求极致的算力，所以效能优先；其他的问题嘛，交由封测、乃至于整个电子系统来解决。以前晶圆制造厂商很多选择外包封装测试此一环节，因为后者毛利较低，在晶圆制造厂商的眼中，将资金投入毛利率高的晶圆生产环节才是对资最金最有效的运用。但是由于半导体制程现在面临高效能计算（High Performance Computing；HPC）对于速度严峻的挑战，一味的倾向于提升芯片的效能，其他无法在芯片阶层解决的问题就必须移交给封装测试、甚至是电子系统本身来解决。这个转变解释了很多现象。譬如晶圆代工厂把封装测试重新纳入版图—虽然称之为先进封装，以解决芯片效能不足的问题，包括帶寬、散热、面积效率等。又譬如在AI服務器系统的全光纤化—芯片的速度、散热的优化不足，那就用系统的方式来弥补。

在人类文明演进中，财富形态不断转换，从工业革命支撑生产的钢铁与石油，到信息时代创造价值的数据，再到今日人工智能时代逐渐成为关键资源的算力与算法。随著高端运算能力在部分领域集中于少数组织，社会不平等呈现新的结构样貌。在此背景下，安德鲁．卡内基（Andrew Carnegie）于19世纪留下的精神遗产，为当代提供一条值得参照的思考路径。这段故事始于1850年代的匹兹堡。当时的卡内基仍是一名薪资微薄的苏格兰移民少年，在电报公司从事基层工作。安德森（James Anderson）上校身为退休军官，选择每周六向勤奋的年轻工人开放私人藏书。对卡内基而言，这间拥有约400本书籍的书房不是金钱救助，而是一扇通往知识世界的入口。这段被他人分享资源的经验，深刻影响他日后对财富意义的理解。一九〇一年，卡内基将钢铁事业出售给约翰．皮尔庞特．摩根（John Pierpont Morgan），累积惊人财富。事实上，他早在一八八九年发表《财富的福音》（The Gospel of Wealth）时，便已明确提出富有地死去是可耻的信念。在生命最后20年里，他将绝大部分财富转化为公共资产，资助兴建超过2,500座图书馆，使后来的孩子不必仰赖私人恩惠，也能接近知识。进入现代，科技公司确实提前所未有的工具，但多数人工智能服务仍存在资源与功能上的限制。一般使用者能动用的运算能力，在模型规模与训练深度上，仍远不及顶级研究机构与大型企业。超级运算中心与先进芯片等关键资源，依然高度集中于少数组织之中。因此，如何让算力逐步具备公共性，成为值得严肃讨论的议题。若掌握关键资源的决策者能效法卡内基与安德森上校的精神，将部分高端算力视为公共基础设施，而非仅作为竞争资产，人工智能的发展方向或许会出现不同的可能。这并不意味企业必须放弃既有商业模式，而是在现行体系之外，为学界与创作者保留可被合理使用的公共通道。近年来，已有企业开始以试行計劃的形式探索这类方向。例如纬创推动的算力捐赠方案，尝试将高端运算资源提供给部分新创团队与学研机构，用于大语言模型训练与微调、模型推论与部署，以及虚拟环境模拟等应用，让原本受限于资源的团队得以进行实质研究。这类尝试呼应安德森上校开放书房的精神，只是媒介由书籍转变为运算能力。在这样的构想下，算力中心应如同当年的书房。这种分享并非单向施予。卡内基当年要求社区承担图书馆的维护责任，是为了确保公共资源能被负责地使用。放在人工智能时代，这意味著使用者与社群必须参与治理与监督，使技术回应实际需求，而非仅服务于少数目标。实现算力公共化势必面临成本与管理上的挑战，但透过公私合作与跨领域协调，仍有可能逐步推进。当企业愿意分享部分资源，而学术与公共机构能有效管理，一个更具包容性的创新环境便有机会成形。出身资源匮乏地区的年轻人，将不再因门槛而被排除在创新之外，原本可能加剧不平等的技术集中，也能转化为推动文明进化的力量。最终，真正的财富不在于拥有多少服務器或芯片，而在于为他人打开多少通往智能的入口。若算力能逐步成为如同道路与电力般的公共资源，机会的流动性便得以维持。那份源自19世纪少年在安德森书房里感受到的希望，也能在今日的数据流动中，持续转化为改变命运的可能性。

民主允许人民拥有政治自由和言论自由，提供人们寻求真相的机制和教育，可以揭开当前或历史事件背后扭曲、歪曲、意识形态和阶级利益的面纱下隐藏的真相。因此，享有的独特「智识」特权，知识份子的责任深远。语言学家和哲学家杭士基（Avram Noam Chomsky）指出：「知识份子有责任讲真话，揭露谎言。」这句话强调具有知识和理解力的人士在伦理上有责任传播准确的信息，并揭露虚假。今日，人工智能（AI）成为一种强大的工具，与这种责任相契合，它提供了前所未有的能力，既能揭露又能对抗错误信息。AI在验证信息和检测虚假方面有其威力。人类利用机器学习算法，可以分析大量数据，将主张与已确立的事实交叉参照，以验证其准确性，提供超出人类能力范围的洞察。例如，Facebook和X等平臺使用AI来检测和标记虚假信息。AI能够迅速揭穿在社交媒体和其他平臺上流传的虚假主张，有效遏制错误信息的传播。AI在对抗Deepfake（使用AI创建的高度逼真但虚假的音频和影片内容）方面也发挥重要作用。先进的AI模型通过分析人类无法察觉的微小不一致性来检测Deepfake，保持信息的完整性，防止操纵内容的传播。例如，微软（Microsoft）开发的Video Authenticator工具能够分析视讯中像素的细微变化，检测出Deepfake，从而维护信息的真实性。随著生成式AI的快速进步，单纯的侦测已成为一场永无止境的竞赛。为此，微软等业界领导者已将策略从被动侦测，升级为主动建立信任的「来源证明」（Provenance）架构。他们共同发起「内容来源与真实性联盟」（C2PA），并推动「内容凭证」（Content Credentials）技术标准。这个标准如同數字内容的「营养标签」，可以在档案中嵌入其来源、作者及编辑历史，让使用者能轻松查验信息的真实性。今日大语言模型（LLM）的聊天应用贪婪地吞噬巨量的数据，在对话中找到最合理的答案，或是在科学问题中找到最有可能的解答。杭士基认为LLM「基本上是一种比较高科技的剽窃」和「逃避学习的方式」。人类的心智不像LLM，而是一个更惊人、有效率又优雅的系统，仅用有限的信息就能运作。它不会试图从数据中找出关联性，而是努力创造解释，分辨是非。要达到杭士基的理想，AI应该朝说真话和揭露谎言方面整合，赋予深远的社会意义。AI应增强知识份子有效履行职责的能力，确保准确信息在公共领域中传播。随著AI的不断进化，它在保持信息完整性方面的角色将变得日益重要。特别是在政治选举和公共卫生等关键领域，AI可以帮助确保信息的透明和准确，保护民主进程和公共利益。然而，使用AI寻求真相，开发人员必须确保AI系统的公正透明，避免传播虚假信息或不公正的结果。例如，AI算法在训练数据上的偏见可能导致不公平的结果，必须有严格的审查和调整。我们必须设置监管架构来监督AI在信息传播中的使用，平衡其潜在的好处与伦理考虑。社会必须对AI的潜在滥用保持警惕。技术人员、伦理学家和政策制定者之间必须持续的对话，负责任地使用AI，创造一个真理繁荣且虚假最小化的环境。因此，未来的发展需以品德教育为首，确保AI服务于真理和正义，达成杭士基对知识份子责任的愿景。

二维材料曾被视为延续半导体微缩的重要候选者。由于它们薄到只剩下原子等级，理论上非常适合制作尺吋极小、功耗极低的晶體管。然而，当这些想法真正走向先进逻辑制程，挑战才开始全面浮现。问题在于使用二维材料制作FET的制程要求近乎对单一原子的控制。逻辑芯片对材料与制程的要求，已进入极度严苛的阶段。首先是一致性与稳定性的问题。先进逻辑芯片内含数十亿颗晶體管，它们必须在极高时脉下同步运作。任何微小差异，都可能影响整体效能甚至良率。由于二维材料极薄，对外在环境高度敏感。基板表面是否完全平整、周围材料是否产生微小应力，甚至封装过程中的热与机械影响，都可能改变电子的行为，导致每颗晶體管表现略有不同。这种个体差异在研究样品中或许可以接受，但在逻辑制程中却是致命缺陷。第二个关键挑战来自电流进出FET通道的效率。晶體管的效能不只取决于通道本身，还包括在FET中电流如何从金属端点—源极和汲极—顺利进入、流出通道。对原子层材料而言，这个衔接并不自然，往往造成额外的能量损耗与速度限制。即使近年已有多种改善方法，譬如透过相工程（phase engineering）、重掺杂（heavy doping）或边缘接触（edge contact）等方式改善，仍难在整体表现上追上成熟矽技术。对于先进逻辑芯片而言，这样的差距在高频运作下会被迅速放大。第三，是互补晶體管（CMOS）的实作困难。现代逻辑芯片仰赖两种性质相反、却必须高度匹配的晶體管（nFET和pFET）共同运作。矽之所以能长期称霸，正是因为它在这方面建立极为成熟的材料与制程体系。但在二维材料中，不同性质的FET往往需要不同的二硫属过渡金属化合物（Transition Metal Dichalcogenide；TMD）通道材料，导致设计与制程复杂度大幅提高，对先进节点而言更是沉重负担。最后，还有量产与制造现实。先进逻辑制程的核心价值，在于高度可复制、可预期的大规模生产。但二维材料在大面积制作、缺陷控制、层数一致性等方面，仍与现有产线存在落差。这些问题并非短期内能靠单一突破解决，而是牵涉整个制程生态系的重建。在等待逻辑制程应用成熟之前，二维材料先从存儲器落地，2025年2月在Nature上发表一篇由TMD实际制造快闪存儲器的文章《A full-featured 2D flash chip enabled by system integration》。与处理器不同，存儲器的核心任务不是高速计算，而是稳定地储存与读取數據—特别是快闪存儲器。只要數據状态能清楚区分，即使元件之间存在些微差异，系统往往仍能正常运作。这样的特性，让存儲器成为二维材料较为友善的应用场域。二维材料的结构超薄，數據写入快速、能耗也更低。文章中已有实际芯片及制造方法展示，将二维材料应用于快闪存儲器中晶體管中的通道，并且整合到成熟的矽平臺上，由既有电路负责控制，新材料专注于储存功能。这种分工方式，避开逻辑制程最严苛的要求，却能真正把二维材料带进可运作的系统。从长远来看，这不只是权宜之计，而是一条累积经验的路径。透过存儲器应用，二维材料可以逐步建立量产能力、制程稳定度与产业信心，为未来进入先进逻辑节点铺路。或许，当十年后的7A或5A制程真正需要新的通道材料时，二维材料已不再是实验室的新奇概念，而是准备就绪的成熟选项。

就如同石墨烯于2004年被实验证实时当时的社会心情，对于石墨烯这种异类物质的生活应用，大众曾寄予有高度冲击性的期望，但是真实应用时的实施却只是以点滴的方式逐渐渗入材料应用；二维材料—特别是二硫属过渡金属化合物（Transition Metal Dichalcogenide；TMD）—在半导体的应用似乎也没有符合当初热烈的预期。 TMD在半导体的应用当初被寄予厚望，是当成摩尔定律（More Moore’s Law）的救赎。 对于固态物质的应用，我的理解是这样的：原分子首先要形成晶格，对于电子于其中的行径我们才有办法以量子力学来理解。我们理解的基础最简单的就是离材料边界很远、块材（bulk）中电子的行径。 然而接近材料的边界部分，特别是与其他种类物质的界面及周边，电子的行径就变得十分复杂。界面上容易有晶格不匹配（lattice mismatch）、杂质、缺陷等令人头疼的问题，没有结成共价键（covalence bond）的悬空键（dangling bond）会捕捉电荷、形成位势壁障（potential barrier）。不夸张的讲，现代半导体制程研发有很大一部分的工程资源是投入解决材料界面的问题。 在制程临界尺吋已微缩接近极限时，界面的问题益发严重，因为整个材料尺吋太小，几乎都邻近界面。现在半导体微缩的严峻挑战之一—短通道效应（Short Channel Effect；SCE）—就是因此而来。 半导体线路的基础单元是场效晶體管（Field Effect Transistor；FET），FET中电流由金属材质的源极（source）流经中间受上层闸极（gate）电压控制开关的通道（channel），最终抵达波汲极（drain）。FET通道的尺度过去被用来定义技术的节点，譬如大约40納米长的通道就相应于40納米的逻辑技术节点。微缩通道的尺度—进而缩小FET的尺吋、并且提升其效能—是摩尔定律的驱动主轴。 但是半导体制程演进至28納米之后，FET元件的效能提升靠的更多是FET的结构从二维逐渐倾向于三维，单纯的临界尺吋微缩不灵了。主要的原因之一就是前面提过的SCE，通道的尺度很难再微缩了。 FET的矽通道当微缩到10納米出头，两边的源极和汲极金属的性质如电场或耗竭区（depletion area）会穿透界面而影响矽通道。如果在矽通道里从源极和汲极两边渗入的影响重叠了，闸极就无法有效控制FET的开关。所以尽管技术节点的名称从14納米、7納米、5納米、3納米、2納米、14A、10A、7A、5A继续往下探，但是通道的长度总维持在10几納米以上。几納米、甚或几A（1A=0.1納米）的技术节点只是个命名，与FET的真实尺吋却没有什么直接的关系了。 此时二维材料就被赋予厚望，特别是TMD中的MoS2（二硫化钼）、WSe2（二硒化钨）、WS2（二硫化钨）等，它们都是半导体，有些共同的特性被认为有希望突破SCE带来的微缩桎梏。 首先，它们的电子迁移率（electron mobility）极高。如果与矽块材的电子迁移率相比，TMD的只有矽的约3分之1，但这是TMD单层（monolayer）的数据。如果是矽单层的數據，则远逊于TMD的。元件的尺度在微缩时，元件各层的厚度—譬如介电质和通道—也必须跟著减薄。当厚度减至数层或单层，TMD的电子迁移率就远远胜出。 电子迁移率高代表元件开关的频率高，通过元件的电流高，功率消耗也低。这些都是元件微缩时所追求的目标，而用二维材料来做通道天生就有这些潜质。 二维材料的第二个特质是它原子般的厚度。所谓的二维材料就是缺少一个维次的自由度，那个维度自然只有一个原子的高度。MoS2的厚度为6.3A，这个厚度与矽原子的共价键长度5.43A差不多。 用二维材料做FET的通道天生对SCE免疫。SCE和介电质的厚度、通道的厚度的平方根成正比，二维材料的厚度极薄，SCE的影响很小。要免于SCE的话，通道的长度必须维持在10納米以上，二维材料的通道则可以低至1~3納米。也就是说，如果维持元件的几何形状不变，使用二维半导体材料来取代FET通道中的矽，理论上可以直接推进摩尔定律中近4个時代。因此二维材料成为各领先代工厂未来先进逻辑制程的重要研究方向之一。

8年前，我在国立阳明交通大学设立一个智能房间，并在暑期国小营队中以「小仙女」的故事引导学童。我告诉孩子：「妳对著桌上的苹果轻吹一口仙气，奇妙的事就会发生。」当孩子们一吹气，窗户随即自动打开，她们惊喜得咯咯直笑。我们还设计鬼屋游戏，線上操控房内的物联网设备，例如「魔镜」，让孩子们在惊吓与好奇之间尽情探索。我以这智能房间发表了学术论文〈HouseTalk〉。但在学术语言里，不能写「小仙女吹气」，只能严谨地描述：「我们将二氧化碳傳感器置入3D打印的苹果中，当室内人员呼出过量二氧化碳时，窗户会自动开启，以促进空气流通并改善空气品质。」论文充满AI演算法与系统架构的细节，但我真正想表达的，其实是那份「小仙女吹气」的想像。灵感源于我童年时看过的影集《神仙家庭》（Bewitched），由Elizabeth Montgomery主演。剧中女主角莎曼珊只要轻晃鼻子，魔法便应声而起。我当年一再模仿，鼻子却文风不动，只能让耳朵晃动。《神仙家庭》的魔法，是物联网与AI创意应用的早期想像。莎曼珊的每个手势都能控制环境，她的魔法如同傳感器与语音指令的雏型。她晃鼻子便能重整空间、召唤物品，这些1960年代看似荒诞的情节，如今已透过AI与自动化技术逐步实现。剧中对「人神婚姻」的描绘，也预示AI时代人机关系。莎曼珊与凡人达伦的结合，象征魔法世界与人类世界的融合，如同现今AI与人类的共生。剧中女巫「伪装正常」的焦虑，正对应现代人面对AI时的矛盾：既依赖其便利，又害怕其不可测。我们是否也像达伦一样，既渴望魔法，又不安于它的力量？从文化角度看，《神仙家庭》教我们如何将技术融入日常生活。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能：在派对前整理房间、为客人准备惊喜、解决邻里纷争。这种「情境化智能」正是现今AI产品最缺乏的特质。若臺湾科技产业能在研发中注入这种人文温度，将能创造出更具情感共鸣的智能产品。《神仙家庭》同时提醒我们技术伦理的重要。剧中反复思考「何时使用魔法」，对应当今AI时代的「何时启用自动化」。莎曼珊宁可用双手完成家务，只在必要时施展魔法的节制，正启示我们应如何避免过度依赖科技。AI发展正处于关键转折点，我们需要精密的演算法，更需要如《神仙家庭》般的想像力。臺湾作为科技岛，若能结合文化创意与人文视野，必能在AI时代开创出新的方向。我们需要能理解「小仙女吹气」诗意的工程师，也需要能将傳感器化为魔法苹果的设计师。在AI时代，我们不缺技术，而是缺乏想像。那份想像其实早已存在，一如《神仙家庭》中的魔法。

17世纪的法国思想家勒内·笛卡尔（René Descartes），不仅以「我思故我在」为现代哲学奠基，也以《几何学》（La Géométrie, 1637）开创解析几何，首次将几何图形与代数方程结合，发明今日熟知的笛卡尔座标系。此一突破不仅改變量学问题解法，更为微积分与现代人工智能（AI）提供核心基础。笛卡尔认为，平面上的每一点皆可用x与y座标表示，而曲线则可转化为變量方程序。这使得几何问题能用代数操作处理，例如圆的方程序 x2+y2=r2x^2 + y^2 = r^2x2+y2=r2。这种将抽象空间数学化的思维，与现今AI模型的建构如出一辙。在AI领域，所有输入的影像、语音、文字數據都需转为矢量座标表示。影像为像素的RGB值集合，语音转为频谱，文字则嵌入高维语意空间。这些数据处理方法，正延续解析几何「将现实投射于数学空间」的思维。神经網絡与支持矢量机等模型，会在多维空间中寻找最佳超平面来分类數據。深度学习训练仰赖梯度下降法，透过多维导数找出使误差函数最小化的方向，步步逼近最优解。此过程需用链式法则计算各层参数对结果的影响，亦即微积分中的复合函数求导。而这些演算法运作的数学场域，正建立于笛卡尔所创的座标系之上。进一步来说，像Word2Vec或BERT这类自然语言处理技术，将词汇转化为稠密矢量，使语意相近的字词在矢量空间中相互靠近，这种「语意即距离」的嵌入技术，也可视为解析几何的延伸。电脑视觉中的卷积神经網絡（CNN），透过多层特征提取，从像素空间转换到形状与语义空间，展现出「座标转换以理解现实」的深层结构。从AlphaGo到GPT-4，AI系统不断在函数空间中寻找最佳解。这些空间的数学结构源自笛卡尔当年奠定的几何与代数统一。笛卡尔的哲学关注「心灵」与「机器」的界线，他认为动物如机械般运作，而人有思考的灵魂。今日AI虽能模拟语言与视觉，但是否真正「理解」仍是哲学难题。从数学化思维到理性工具，笛卡尔提供一把通往AI时代的钥匙，却也提醒我们，智能不只是算法，更是对思维本质的深刻省思。