當一個生物樣本被顯微鏡捕捉的瞬間，產生的數據量可能比一座城市一整天的監視器畫面還龐大。每小時4TB——這是美國勞倫斯柏克萊國家實驗室最新發表的MOSAIC可重組顯微鏡，在運作時的真實數據產出速度。
4TB是什麼概念？大約等於兩千部高畫質電影、或將近一百萬張高解析度照片。傳統的生物影像處理流程面對這種量級，基本上只能投降。研究人員過去得在「拍得更清楚」和「算得完」之間痛苦取捨，現在MOSAIC的出現，等於直接改寫了這場賽局的規則。
柏克萊實驗室與合作機構於本月18日正式發布這款顯微鏡技術，一口氣將超過十種成像技術塞進一台緊湊儀器裡，切換不同模式只需要兩到五秒。聽起來像科幻電影裡的情節，對吧？但它是真實發生在實驗室裡的工程壯舉。
表象：一台「什麼都能拍」的顯微鏡，只是更快而已？
如果只看表面，MOSAIC給人的第一印象就是「快」和「多」。它結合了自適應光學技術，修正活體組織造成的影像模糊——這對觀察正在分裂的細胞、或是深層組織內的動態過程來說，是致命關鍵。
團隊在發表中展示了五種成像模式針對同一個正在分裂的人類視網膜色素上皮細胞（hTERT-RPE1）所捕捉的互補視角。每一種模式都揭露了不同層次的生物訊息，從細胞骨架的排列到胞器內的分子動態，全部在單一儀器上完成。
但真正讓人眼睛一亮的，是它的體積。上一代由諾貝爾獎得主艾力克·貝齊格（Eric Betzig）與Srigokul “Gokul” Upadhyayula等人於2018年提出的自適應光學晶格光片顯微鏡，還得占據一張10呎乘4呎的光學桌，像一座小型堡壘。MOSAIC透過模組化設計，把體積大幅縮小的同時，還用同一組雷射、鏡片、相機和運算硬體撐起多種功能。
「從產業面來看，MOSAIC的真正突破不在於『拍得更多』，而在於它把『拍』和『算』之間的斷層給接上了。過去許多實驗室的困境是：影像有了、數據產出了，卻卡在運算這一關，變成看得到卻解讀不了的檔案墳場。MOSAIC加上Perlmutter超算的組合，等於是把顯微鏡和資料中心綁在一起賣，這個思維轉變比單純的硬體升級更有殺傷力。」
真相：數據洪流才是真正的敵人
每小時4TB，這個數字背後藏著一個殘酷的事實：傳統的生物影像分析流程，根本追不上儀器的產出速度。許多實驗室拍完樣本之後，得花好幾天的時間讓電腦慢慢跑分析，中間還可能遇到記憶體不足、演算法跑不動、儲存空間爆掉等各種狀況。
MOSAIC團隊從一開始就沒打算把運算問題留給使用者自己去煩惱。他們同步導入了柏克萊實驗室開發的運算工具，並且串接國家能源研究科學運算中心（NERSC）的Perlmutter超級電腦。這不是一台顯微鏡配一台電腦而已——這是把顯微鏡直接接上國家級的算力資源。
有趣的是，這套儀器已經在不同地點建置超過十次，團隊還大方分享了超過五十份研究授權與完整的建置文件。這種開源態度在高端儀器領域並不多見，一般來說，這類技術會被鎖在少數頂尖實驗室裡當作獨門武器。但柏克萊實驗室選擇把門打開，讓更多人能用上這套工具。
「這項技術的核心人物之一艾力克·貝齊格是諾貝爾獎得主，他在顯微鏡領域的江湖地位不用多說。但MOSAIC最讓我佩服的，是它沒有停留在『我們做了個很厲害的機器』這個層次。團隊把建置文件和授權大方放出來，代表他們真正在乎的是技術能被複製和使用，而不只是發表一篇漂亮論文。這種心態，在頂尖實驗室裡其實滿少見的。」
各方角力：誰能率先拿到這台機器，誰就領先一步
MOSAIC不會只待在柏克萊實驗室裡。研究團隊已經在美國不同地點部署超過十套系統，而且開放了完整的建置文件，讓有能力的實驗室可以自行複製。這意味著接下來一兩年內，全球頂尖的生物影像實驗室很可能會掀起一波「MOSAIC建置潮」。
不過話說回來，這套系統不是買來插電就能用。每小時4TB的數據產出，代表實驗室周邊的儲存架構、網路頻寬、運算資源都得同步升級。沒有Perlmutter這種等級的超算在背後撐腰，一般大學實驗室可能連開機都有壓力。這也是為什麼團隊選擇同時提供運算工具和超算資源——他們很清楚，硬體只是第一步，後面的數據處理才是真正的戰場。
目前已知MOSAIC已用於多項生物研究計畫，但團隊尚未公布具體的商用化時程或合作廠商。對於那些等不及的實驗室來說，自行建置可能是更快的選項，畢竟完整的開源文件已經擺在眼前。
「如果往後推演三年，MOSAIC這類整合式顯微鏡很可能會成為大型生醫研究機構的標配。但真正的關鍵不在機器本身，而在於誰能培養出同時懂顯微鏡操作、數據科學和超級電腦使用的人才——這三種技能目前幾乎是三個不同星球的人在各自為政。MOSAIC把這三個星球硬是拉在了一起，接下來的問題就是：我們的教育體系跟得上這個速度嗎？」
深層影響：生物影像的遊戲規則正在被改寫
MOSAIC帶來的改變不只是「拍得更多、算得更快」這種表面層次。它真正觸及的核心問題是：生物學家應該怎麼思考實驗設計？
過去因為成像模式切換麻煩、運算資源有限，研究人員常常被迫在實驗前就先「猜」哪種成像模式最可能看出東西來。萬一猜錯了，樣本沒了、時間花了、數據卻什麼都看不出來。MOSAIC的快速切換能力讓研究人員可以在同一個樣本上同時嘗試多種成像方法，再根據即時看到的結果調整方向。
這種「邊看邊試」的實驗邏輯，對藥物開發、疾病機制研究和神經科學等領域來說，影響力可能比我們現在想像的還要大。想像一下，一個癌症藥物開發團隊可以在同一個腫瘤樣本上用五種不同成像模式同時觀察藥物效果，而不必準備五個不同的樣本、用五台不同的機器、再花好幾週拼湊結果。
研究團隊強調，MOSAIC的核心設計理念是「可重組」——它不是一台只能做一件事的機器，而是一個開放平台，研究人員可以根據自己的需求調整光學路徑和成像參數。這種彈性，讓它從單純的儀器升級為一種研究方法論的革新。
未解之問：算力跟上了，但我們的腦袋跟得上嗎？
MOSAIC解決了「算不完」的問題，但它同時也製造了一個新的煩惱：數據解讀的能力，趕得上數據產出的速度嗎？
每小時4TB的影像數據，就算超級電腦幫忙跑完了分析，最後還是得由研究人員來判斷哪些結果有意義、哪些是雜訊、哪些值得繼續追下去。這不是算力的問題，這是人類認知負荷的問題。當你可以一天之內產出過去一整年才能收集到的數據量，你確定你的大腦已經準備好面對這種資訊爆炸了嗎？
柏克萊實驗室這次的發表，展示了硬體與運算的完美結合，但下一個瓶頸很可能會落在「數據視覺化」和「自動化判讀」這兩個環節。如果沒有同步開發出有效的AI輔助工具來協助研究人員快速篩選關鍵資訊，那MOSAIC產出的數據洪流，只是從「算不完」變成「看不懂」而已。
無論如何，MOSAIC已經把生物影像的門檻往上推了一大步。接下來要觀察的，是全球研究社群如何接招、如何利用這套開源技術發展出各自的研究武器。這場賽局才剛開打，而值得期待的是——它不再只屬於少數頂尖實驗室的遊戲了。
給研究人員和實驗室主管的行動建議：
如果你所在的機構正在規劃顯微鏡核心設施的升級，現在就是該認真評估「整合式成像+高效能運算」架構的時候了。MOSAIC的開源文件已經公開，與其等廠商推商用版本，不如先從建置文件和授權內容開始研究，評估自行複製的可行性。另外，請開始盤點你的團隊成員——誰懂光學、誰懂數據科學、誰會用超算資源。這三種人如果還沒開始對話，MOSAIC買回來也只會變成一台很貴的拍照機器。
本文改寫整理自公開新聞來源，原始報導由科技新報發布。
常見問題 FAQ
MOSAIC顯微鏡每小時真的能產生4TB數據嗎？一般實驗室撐得住嗎？
是真的。根據柏克萊實驗室公布的數據，MOSAIC每小時最多可產出4TB影像數據。一般實驗室很難獨自應付這種量級，因此團隊同步整合了NERSC的Perlmutter超級電腦運算資源，並提供專屬的運算工具協助處理。
MOSAIC和2018年Betzing提出的顯微鏡有什麼不同？
最大的差異在體積和模組化設計。2018年的自適應光學晶格光片顯微鏡需要占據10呎乘4呎的光學桌，MOSAIC透過模組化設計大幅縮小體積，而且用同一組硬體就能支援超過十種成像模式，切換時間只需兩到五秒。
一般實驗室有辦法自己建置MOSAIC嗎？
有機會。團隊已經在不同地點成功建置超過十次，並公開分享超過五十份研究授權與完整建置文件。但需要評估自身的光學工程能力、運算基礎設施和經費預算，不是所有實驗室都適合自行複製。
MOSAIC已經可以買到了嗎？商用化進度如何？
目前團隊尚未公布具體商用化時程或合作廠商。現階段研究機構可以透過開源文件和授權管道自行建置，或等待未來可能的商用解決方案推出。
※ 此篇文章由 AI 改寫或生成，內容僅供參考，可能存在錯誤或不準確之處。
