藏在原子核裡的新粒子？科學家找到第五種力？—《物理雙月刊》

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

1945 年 7 月 16 日美國時間早上五點三十分，在新墨西哥州的托立尼提沙漠內，人類史上第一顆核武器 The Gadget 引爆，爆炸溫度 7 千萬 K，三位一體核試驗宣告成功。這次爆炸不僅留下 80 公尺寬的核彈坑，徹底打開了潘朵拉之盒。

知名導演克里斯多福．諾蘭的電影「奧本海默」，用鏡頭為我們帶來奧本海默這位偉大科學家波瀾壯闊的一生，從他為人類取來核武器火種以威懾納粹，但意識到自己帶來的不是文明之光，而是毀滅之火。最後拒絕繼續參與氫彈的開發，卻捲入共產思想疑雲的政治風暴之中。

奧本海默的精彩故事，歡迎大家進電影院好好體會，但在進戲院之前，我們先來了解，這位原子彈之父，是怎麼做出原子彈的。為何曼哈頓計畫需要召集如此多的科學家，甚至招募多達 13 萬名員工來完成這項壯舉？預告片中出現的這個球體，是如何改變人類的歷史？

原子彈如何被製造？

1945 年 8 月 6 日與 8 月 9 日，兩枚原子彈小男孩與胖子分別在廣島與長崎的 550 公尺上空引爆，雖然終結了第二次世界大戰，但造成的直接與間接死傷，更震撼了全世界。

雖然兩顆笨重的原子彈重量超過 4 公噸，但真正的核燃料核心在原子彈小男孩中只占了 50 公斤，而且經過計算，實際參與反應的可能只有其中 1 公斤。另一個原子彈胖子的核心更小，只有 6.2 公斤，是個直徑約 10 公分的球體，實際參與反應的部分大約是 1.2 公斤。

根據愛因斯坦著名的質能等價公式 E=mc^2，我們可以計算出在反應中損失 1g 質量，會產生大約 90 兆焦耳的能量，相當於 2 萬噸 TNT 的能量。1g 質量換 2 萬噸 TNT，難怪不論哪個陣營都想盡快開發出這恐怖的炸彈。預告片裡面也提到，許多科學家都擔心「如果我們不現在加緊研發，被納粹先做出來了怎麼辦」，而推動了這足以毀滅人類的軍武競賽。

但是，就算有了質能等價公式，卻還是無法憑空造出原子彈。我們過去在討論核能的影片中提過，核反應要持續，需要靠連鎖反應。一個反應堆中，每吸收一個中子就會釋放一個中子，讓反應穩定進行下去，稱為臨界狀態，也是一般核能發電廠希望達到的狀態。如果吸收一個中子，卻釋放不到一個中子呢？，那就稱為次臨界。所有沒在反應的燃料棒都應該處於這個狀態。原子彈呢，當然是希望吸收一個中子，釋放出超過一個中子，讓反應快速連鎖下去，在極短時間釋放巨大能量。這個狀態稱為超臨界或是過臨界狀態。

這邊提個物理學家間的有趣討論，預告片中，由麥特戴蒙飾演的格羅夫斯少將問奧本海默，在 The Gadget 試爆的瞬間，世界有沒有可能就此毀滅，奧本海默回答「機率幾乎是零」。這件事其實是出自奧本海默與另一位物理學家康普頓的討論，他們想到，大氣中有許多氫氣、氦氣、氮氣等輕元素，核爆瞬間可能會因為高溫在大氣中引發核融合，甚至產生連鎖反應，連海水中的氫都發生爆炸，讓地球化為太陽，世界終結。奧本海默和其他科學家還實際嚴密計算，確認機率幾乎是零。

雖然核融合與核分裂的條件不相同，這個假設放在現在可能覺得太過誇張，但這也說明要讓核反應連續下去並不簡單。

在核分裂中，要達成超臨界狀態並不容易。在理想條件下，鈾 235 每吸收一顆熱中子，會產出 2.06 個中子，吸收快中子則會產出 2.5 個中子。另一個原子彈核燃料鈽 239，則在吸收熱中子和快中子兩種不同能量的中子後，分別產出 2.1 和 3 個中子。然而實際上，中子往四面八方移動，並不是所有的中子都會被原子核捕獲。加上未濃縮的燃料中含有大量其他元素，例如鈾 238，導致燃料堆很難進入超臨界狀態，大幅降低炸彈的效果。等等，既然如此，曼哈頓計畫是怎麼克服這件事的呢？

如何讓原子彈進入超臨界狀態？

1942 年 12 月 2 日，人類史上第一個核反應堆－芝加哥 1 號堆 CP-1，在物理學家費米的主持下，初次達到臨界狀態，曼哈頓計畫成功踏出第一步，人類正式進入原子能時代。預告中一閃而過的這個結構，就是 CP-1，由 4 萬多個作為中子減速劑的石墨塊組成，裡面塞著一顆顆的鈾塊。

很難想像的是，在當時，控制臨界狀態的控制棒竟然是讓人用手抓著的，反應堆的位置還在芝加哥大學的足球場底下 (Stagg Field)。

在這之後，曼哈頓計畫進入下一個階段，洛斯阿拉莫斯國家實驗室 LANL（也就是電影預告中的小鎮）成立，奧本海默擔任首任主任，並聚集了當時幾乎所有能找到的物理、化學、工程學專家。

為了讓原子彈能順利進入超臨界狀態，科學家的第一步，就是要濃縮鈾。將天然鈾礦中佔 0.7% 的鈾 235，濃縮到將近 100%。這不簡單，首先，鈾的沸點是攝氏 4000 度，因此要先與氟反應成沸點只有攝氏 57 度的六氟化鈾，接著利用兩者質量的些微差異，使用氣體擴散法或是離心法分離。

以氣體擴散法為例，氣體通過過濾材料的能力，正比於分子量的平方根，然而六氟化鈾 235 和六氟化鈾 238 的分子量分別是 349 和 352，只差了 0.85%。實際上兩者穿越過濾膜的能力大約是 1 比上 1.003，也就是經過一次濃縮，濃度會從 0.7%，變成 0.7021%，經過 100 次濃縮，濃度才會從 0.7% 變成 0.945%，要濃縮到接近 100%，非常耗時又耗力！雖然後來還有發展熱擴散法、透過雷射游離後分離的方法，或是結合質譜儀與迴旋加速器磁鐵的電磁分離法，但不論哪個，不是技術要求極高，就是需要重複多次，有些方法還會有臨界事故的風險，選項其實也不多。

但積沙成塔，聚少成多，只要肯花時間與人力，遲早都能得到濃縮鈾。有了寶貴的濃縮鈾，和來自中子照射鈾 238 產生的鈽 239，終於，原子彈可以登場了。

原子彈如何運作的？

原子彈是如何運作的呢？我們先從「小男孩」開始說起。

原子彈小男孩採用的是槍式結構，裡面有四個重要構造：核心、起爆劑、反射體、和起動物。在炸彈尚未引爆時，含有高濃度鈾的核心會先被分為左右兩塊。爆炸時再透過起爆劑讓兩塊核心撞在一起，進入超臨界狀態。

為什麼兩塊併為一塊就會進入超臨界？這是因為在連鎖反應時，中子會不斷從核心的表面逃脫，變成無效的中子，減緩連鎖反應。對於核心這種球體來說，表面積與體積的比值，會與直徑成反比。也就是當球體越大，表面逃逸的中子對於整體的影響就越小，內部就能有更強的連鎖反應，直到臨界狀態。此時核心的質量，就稱為臨界質量。

在小男孩中，被拆成兩半的核心各自都未達到臨界質量，直到兩塊撞在一起，才進入臨界甚至超臨界狀態。這時，旁邊以鈾為材料的反射體，則負責將溢出的中子反射回核心，進一步觸發更強烈的連鎖反應。

最後，為了讓反應在核心撞在一起的瞬間，就以最激烈的方式進行，核心通常會設有「起動物」，由鈹－9 和釙－210 組成。釙 210 會因為自然衰變，不斷產生 α 射線，鈹則會在吸收 α 射線後產生中子，作為整個連鎖反應的開頭。在原子彈爆炸前，鈹和釙會跟著分成兩半的核心分別放在兩側，隨著核心碰撞的瞬間產生反應，釋出大量中子。

但槍式構造的反應方式效率十分低下，原子彈小男孩中實際參與反應的燃料，根據事後計算，大約只有五十分之一。而且，槍式結構也無法使用連鎖反應更強的鈽作為燃料。

因此，電影中球型的內爆式原子彈就登場了。

什麼是內爆式原子彈？

胖子原子彈的燃料使用率大約是 1/5，是小男孩的十倍，這是因為它採用了內爆式結構。

回頭說一下，小男孩的槍式結構雖然效率不高，但結構簡單不易出錯，因此甚至沒有測試過就被投入實戰。

而內爆式的胖子因為容錯率低，因此前面才有三位一體試驗中原子彈 The Gadget 的試爆。

內爆式結構複雜在哪呢？在內爆式結構中，最內層一樣是用金屬層隔開的起動物鈹－9 和釙－210，外面是由鈾和鈽組成的混合氧化物核燃料 MOX，更外圈是用來反射中子的反射體。在反射體外面，占整顆炸彈體積最大的，是一般的炸藥。作用是在起爆時，將核心用力往內擠壓，將核心推向超臨界狀態，讓起動物的金屬隔層破裂，誘發中子釋放。在原子彈誘爆初期，因為外頭炸藥的擠壓，中子會在反射層內快速反彈，大大增加燃料的使用率。

在預告畫面中的球體，就是標準的內爆式原子彈。在結構正中央的圓形物體，其實是反射層，核心和起爆物都被包裹起來，在看不見的更裡頭。而外面一塊塊的多邊形結構，其實都是炸藥，負責擠壓核心，但如何在內爆時讓核心維持完美球形，不會因為壓力不均而從某側破裂，卻是一項巨大挑戰。

為了確保達到預期效果，原子彈中含有爆炸速度快與慢的兩種炸藥，透過時間差，讓反射層在壓縮核心時能維持對稱的圓形。為了解決這個艱鉅的挑戰，數學家約翰．馮紐曼發展了 ZND 模型，用來計算火藥與震波的模型，成功計算出快、慢火藥的比例與配置。沒錯，就是那位提出電腦馮紐曼架構的那位馮紐曼。

更進一步，為了達到計算的效果，32 塊炸藥需要在千萬分之一秒內同時引爆，然而當時的雷管引爆誤差可能有 1/10 秒以上。這時，另一位物理學家阿爾瓦雷茨出馬了，他開發出 EBW 式雷管，解決了問題。這種雷管允許大電流通過，但同時也需要總重量一公噸的電池和電容器才能運作。預告片這句「起爆器已充電」指的應該就是這些電池與電容。

至此，濃縮燃料、內爆式結構和啟爆裝置都就緒了，接下來的故事大家都知道了。1945 年 7 月 16 日早上五點三十分，刺眼的火球照亮整個沙漠（聽說只有費曼裸眼看了這場人類核彈首爆秀），人類在核武器的發展上已經無法停下腳步。

導演克里斯多福．諾蘭的最新大作《奧本海默》，改編自這本獲得普林斯頓獎的傳記「American prometheus The Triumph and Tragedy of J. Robert Oppenheimer 」，《奧本海默的真相與悲劇》，並冠上副標 American prometheus 美國普羅米修斯，象徵為人類取來原子之火。

三位一體核試驗成功的 20 年後，奧本海默回憶到：「我們知道世界自此就不再一樣了。有的人笑，有的人哭，但大部分人沉默無言。我想起了印度教古典《薄伽梵譚》中，毗濕奴對阿周那王子所說：『我現在成了死神，世界的毀滅者。』我想，我們大家都多多少少是這樣想的。」

兩顆原子彈在日本被投下的隔年，奧本海默拒絕參與第四次核試驗，也拒絕杜魯門總統邀請的氫彈計畫。從此，這位原子彈之父人生出現重大轉變。小勞勃道尼飾演的原子能委員會主席，路易斯．史特勞斯，也將為奧本海默的人生帶來許多風雨。

電影原作書籍的兩位作者 Kai Bird 和 Martin J. Sherwin，雖然不是奧本海默的好友，但兩位都是歷史學家，也是政治、核武和冷戰的研究專家。書中從奧本海默小時候的成長與求學開始、講到他參與曼哈頓計畫與擔任洛斯阿拉莫斯國家實驗室主任、成為原子彈之父、受到政治迫害，最後獲得平反，鉅細靡遺地介紹了他的一生與心境變化。整本書花了 25 年完成，蒐集了成千上萬份收藏於美國國會圖書館，來自奧本海默的文件、以及 FBI 超過 25 年累積了數千頁的監控紀錄、還採訪了將近一百位熟悉奧本海默的密友、親戚與同事。光是聽以上的說明，就已經能想像其豐富又崎嶇的生活歷程了。

關於這些科學家之間的互動與理念的碰撞，我們就等著進電影院，看諾蘭大師如何透過鏡頭，介紹這段人類的重要歷史吧！

歡迎訂閱 Pansci Youtube 頻道 獲取更多深入淺出的科學知識！

對撞機能夠給出什麼答案？

物理學家想用大型強子對撞機來解答的重要問題，可以總結如下：在大型強子對撞機的能量級下，粒子物理的標準模型是否有效？「對撞機能量級」是個大大的躍進，因為其能量大小超越了電弱對稱破缺尺度；在這個尺度之上，兩種基本作用力相互統一，而 W 和 Z 玻色子、甚至所有其他基本粒子的質量，也許都是起源於此。

如果標準模型可以成功描述新能量範疇的現象，希格斯粒子應該就會存在，但看來不會有什麼其他的新發現；反之，如果標準模型失效，也許就沒有希格斯粒子了，不過背後一定會藏著稀奇古怪的事物。其實有個不易察覺的問題會左右這件事：我們究竟有多了解標準模型在此能量級下預測的現象？這並不容易回答。

一般而言我們並沒有能耐百分之百準確地解出標準模型。所有人都是用近似法。而絕大多數的近似方法之所以可行，是因為基本作用力的「耦合」，也就是強度，沒有很大。「耦合」就是在物理過程對應的費曼圖中，每個作用頂點帶有的值。（參見【科學解釋 8】）

微擾理論的應用

作用力的強度可以用一個數值來表示。如果說這個數值是 0.1，那麼兩個粒子交互作用的機率就會和 0.1 乘上 0.1，也就是 0.01 成正比。要是有三個粒子，機率就變成 0.1 的三次方，0.001，四個粒子的話就是 0.0001，如此這般。由此可知，如果耦合值很小，你就可以忽略比方說四個粒子以上的粒子交互作用―超過這個臨界值的項對於主要結果都只是極小的微擾罷了，因為前面至少會乘上 0.1 的五次方，也就是 0.00001。

可見更多粒子的反應項只會些微改變原本的結果而已。這就是「微擾理論」的例子，微擾理論廣泛運用於解決物理界和化學界中許多的問題。只要耦合值很小、也就是作用力很弱，這個理論就十分準確。

然而，這種近似法並不是永遠有效。微擾理論失效的地方大多涉及強核力、也就是量子色動力學。這就是為何大家要把這種作用力稱為強核力。我們不是故意要混淆視聽的，強核力的確和它的名字一樣難以應付。

舉例來說，在我們對撞質子，想一探其內部夸克及膠子的種類分布時，某些方面的資訊其實無法從先前所提的原則計算得到（參見 4.5 節）。除此之外，我們也無法算出夸克和膠子最後是如何結合成新的強子的。雖然大家手上有量子色動力學的限制條件，也有一些基本的能量守恆、及動量守恆定律，以及不少從其他地方得到的數據，卻無法用微擾理論。

原因在於強核力的耦合值非常接近一，不論幾次方都還是一。因此，不管你計算的對象是幾個粒子，得到的結果都不會收斂到某個可信的值。最終我們只好依據自己的經驗來猜測結果、或建立模型。而這樣的結論一直都有調整空間。

因此我們要嚴肅看待一個問題：大家在調整模型的時候，實際上可能會遮蔽了令人興奮的新物理。要避免這個問題，你得拿自己熟悉、以微擾理論計算的結果，連結上自己還不太明白、有調整空間的模型。我想像出一個比較毛骨悚然的情景來譬喻這件事――一具以精準預測架構的骨架，嵌在以最佳猜想組成的濕軟肉體內。

肉體的形狀可以改變。你可以重搥它的肚子，或捏它的臉頰（相對來說比較不痛）；但是它有兩隻手兩隻腳，如果你打斷了某根骨頭，自己一定會知道。

用既有的知識探索未知

無論如何，大家利用電腦程式來把可塑的模型、與不易動搖的微擾理論整合在一起，而且絕大部分的工作都已經完成了；這種程式就是蒙地卡羅事件產生器（Monte Carlo event generator）。程式不但能編譯大部分我們擁有的粒子對撞現象的相關知識，同時也是個珍貴的工具，能協助物理學家設計新的實驗，並釐清既有的實驗對不同模擬數據會如何反應與解讀。「蒙地卡羅」這個名字有其典故^＊，因為就和俄羅斯輪盤賭注一樣，這種事件產生器用上了很多隨機的數字。

這一切其實都牽涉到一點有趣的科學社會學。身為一位理論學家，有時你會因為投入某類蒙地卡羅事件產生器相關的研究而吃虧。你的一篇論文可能已經被引用了數千次，大家還是會說：「不過是電腦軟體罷了。」或是「這只是蒙地卡羅那類的玩意兒。」反之，要是你是發表一篇弦論的論文，又被引用這麼多次的話，你就能像個巨人般橫行全世界了。但說到底，弦論努力想預測的現象距離實證還是很遙遠，蒙地卡羅事件產生器卻可以實際解釋數據。

蒙地卡羅事件產生器雖然不是唯一的辦法，大致上仍是物理學家在理解標準模型的意義、與儘量試著利用模型精確預測現象時，所付出的一份心血。

雖然和大型強子對撞機的學界相比，蒙地卡羅事件產生器的研究社群規模較小，但相對來說，這個領域的成員盡的心力甚至不會比大家建造對撞機的付出還要少。美國物理學會也許是考量到了這一點，將 2011 年的櫻井獎（J.J. Sakurai Prize）頒給在這個領域工作的三位理論學家，分別是韋伯（Bryan Webber）、阿塔瑞利（Guido Altarelli）、斯舍斯特蘭（Torbjörn Sjöstrand）。頒獎典禮的引言如下：

因為三位物理學家的洞見，我們得以縝密驗證粒子物理的標準模型，實現高能物理實驗的目標、並從中學習量子色動力學、電弱交互作用、與可能的新物理的確切知識。

我很開心他們獲獎，因為其中兩位是我很親近的朋友，也更是因為三人所寫的計算方法及程式對大型強子對撞機幾乎所有的研究都十分重要，像是確保大家不會在不知情的情況下遮蔽任何新的物理。當前，我們正在嘗試確認希格斯粒子搜尋實驗的不定變數大小，並縮減其數量；人人都在尋找關鍵的三標準差證據、甚至是五標準差的大發現。為了這個目標，許多人夜以繼日持續比對新的數據和蒙地卡羅事件產生器的結果。

——本文摘自《撞出上帝的粒子：深入史上最大實驗現場》，2022 年 12 月，貓頭鷹出版，未經同意請勿轉載。