貝克勒發現放射性，是因為抽屜裡這一張底片│科學史上的今天：3/1

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

•  文／泛科學編輯部（曹盛威、郭令鈞、雷雅淇、侯郁家、劉品萱）

你看過黑洞嗎？不論有沒有，你都可以再靠近一點！這張就是黑洞近照：

還記得 2019 年 4 月拍攝到的第一張黑洞照片嗎？那是來自 5500 萬光年以外的 M87 星系。三年後的現在，也就是臺灣時間 2022 年 5 月 12 日晚間，「事件視界望遠鏡（Event Horizon Telescope, EHT）」舉辦全球記者會，公布人類史上第二張黑洞照片。

• 延伸閱讀：【特輯】為什麼黑洞長得像甜甜圈？十個關於黑洞的快問快答，來測測你跟黑洞有多熟！

第二張黑洞照片主角的所在地，你一定很熟悉，因為它跟我們一樣都位在「銀河系」——沒錯，銀河系中心的超大質量黑洞首次亮相啦！這張轟動全球的照片為什麼如此振奮人心呢？一切都要從「銀河系中心」開始說起。

我們怎麼知道銀河系中心有黑洞？

銀河系的中心到底有什麼呢？整個 20 世紀，科學家都在猜測這個問題的答案。

1933 年，美國貝爾實驗室的工程師央斯基（Karl G. Jansky）在解決背景雜訊干擾無線電通訊的過程中，意外發現最強烈的干擾源是來自人馬座方向的無線電短波，而這個方向正好指向銀河系中心。後來，這個無線電波源的位置就被稱為「人馬座 A」。這是人類第一次使用可見光以外的電磁波段觀測銀河，從此開啟了無線電天文學的發展。

• 延伸閱讀：無線電天文學的誕生│科學史上的今天：5/5

二戰結束後，各國紛紛投入無線電天文學的領域。1970 到 1980 年代，隨著科技不斷進步，天文學家發現人馬座 A 是由多重結構所組成。

1974 年，巴利克（Bruce Balick）和布朗（Robert Brown）使用更精巧的電波望遠鏡，發現人馬座 A 的某特定區域釋放出明亮且緻密的無線電波，由於此特定區域是人馬座 A 最活躍的地方，因此以原子激發態—— *（唸作 Star 或「星」）來表示，將其命名為人馬座 A 星（Sagittarius A*）。

不知表面攝氏千萬度是何許天體也

根據不同波長的電波與射線得到的觀測結果，銀河系中心簡直是「金光閃閃、瑞氣千條」，各個波段的電磁波應有盡有！其中，最耐人尋味的是 X 射線。為什麼呢？

根據黑體輻射原理（Black-body radiation），如果一個物體主要發出的是 X 射線，那它的表面溫度估計超過攝氏 1000 萬度；相較於我們的太陽，主要發出的是可見光，表面溫度約為攝氏 5500 度。

天啊！這個「攝氏 1000 萬度以上」的天體究竟是何方神聖？

1960 年代，天文學家姑且把這些未知天體稱為「類星體（Quasar）」。一開始推測類星體可能是黑洞、中子星、脈衝星、超新星等等，而目前主流學界認為「類星體就是黑洞」。

在黑洞的吸積盤上，高速繞行的物質會因劇烈的摩擦、碰撞，而產生高溫與磁場，並且激發強烈的電磁輻射。因此，天文學家認為，銀河中心強烈 X 射線的來源可能是黑洞。

另外一種觀測黑洞的方式是長時間紀錄恆星的軌道。如果發現這些恆星正在繞著看不見的天體運行，這個天體就有可能是個黑洞。

2020 年的諾貝爾物理學獎得主是德國科學家根策爾（Reinhard Genzel）和美國科學家吉茲（Andrea Ghez）。他們透過當時世界上最大的光學望遠鏡，花了 30 年監看銀河系中心，追蹤附近恆星的軌道運動，發現人馬座 A 星附近，有很多恆星快速地環繞運行。

• 延伸閱讀：【快訊】你說的黑洞，是哪種黑？揭開宇宙最黑的秘密──2020 諾貝爾物理獎

地球的運行速度最快只有每秒 30 公里，但在人馬座 A 星附近，有一顆稱為「S2」的恆星，最快甚至能以每秒 7000 公里的速度運行！從 S2 的完整軌道與速度來計算，人馬座 A 星的質量相當於 400 萬個太陽，半徑卻只有太陽的 17 倍。這樣極端的密度指向了一種可能性，那就是超大質量黑洞。

所以啦，早在 1990 到 2000 年代，「銀河系中心有個超大質量黑洞」就成了整個天文界乃至全世界都有的共識。

至於超大質量黑洞是怎麼來的，目前還是個謎。

一般認為黑洞是恆星死亡後的產物，但根據觀測，這些超大質量黑洞在宇宙大爆炸後的七億年就存在了。矛盾的是，那時的宇宙可以說是處在幼兒階段，重力還在吸引星雲聚集，成形的恆星屈指可數，完全無法解釋為何會有恆星死亡變成黑洞。這也成了世界各地的天文學家爭相研究的謎團。

有圖有真相，人馬座 A 星有照片嗎？

這不就來了嗎？2022 年 5 月 12 號，事件視界望遠鏡（EHT）公佈了人馬座 A 星的影像，請大家掌聲鼓勵！就讓我們來解讀這個最新的黑洞寫真吧！

由於黑洞本身不發光，我們要觀測的是黑洞周圍的光線被吃掉的範圍，也就是黑洞中央黑色區域的大小。不過，黑洞本身的尺寸其實比中心那塊陰影區域更小！

首先，「黑洞本身的尺寸」正確來說是「事件視界」的大小。事件視界的半徑即為「史瓦西半徑（Schwarzschild radius）」，只要知道黑洞質量就能推算出來，像人馬座 A 星的史瓦西半徑是 1200 萬公里。

當光行經事件視界外圍，也會沿著因重力而扭曲的空間彎折，最終被吸進黑洞，成了我們看不見的那塊圓形陰影，而「黑洞吃掉的影像範圍」（或稱為「陰影」）指的就是除了事件視界本身以外，還有多少範圍是全然的黑暗。

根據廣義相對論，「陰影」的半徑是史瓦西半徑的 2.6 倍。

包傑夫（Geoffrey Bower）是中研院天文所的資深天文學家，同時也是 EHT 計畫的成員。他在記者會上表示，「這次公布的影像捕捉到被強大的黑洞重力所扭曲的光線，而亮環大小也吻合愛因斯坦的廣義相對論」。

EHT 如何捕捉黑洞影像？

天文影像的解析度將整個天空分成 180 度，每度有 60 角分，每角分有 60 角秒，每角秒分成 1000 毫角秒，每毫角秒再分成 1000 微角秒。以黑洞成像而言，人馬座 A 星與 M87 黑洞的陰影尺寸分別是 50 微角秒和 42 微角秒。

因此，從地球觀測這兩個黑洞的難度相當高，可以想像成從地球看月球上的一顆橘子，需要直徑非常大，甚至等同地球直徑大小的望遠鏡才能辦到。所以，EHT 真的在宇宙中建造了和跟地球一樣大的……（不要瞎掰好嗎！）

EHT 使用了特長基線干涉（VLBI）這項技術。簡單來說，就是透過結合兩座或多座無線電望遠鏡的觀測資料，重組出宛如單一望遠鏡的觀測結果。望遠鏡彼此之間的距離越大，組合出的解析度越好！根據中研院天文所郭駿毅博士的形容，EHT 的解析度銳利到足以從臺北看見東京的一粒沙！

• 延伸閱讀：誰在海邊蓋天文台啊（惱）——世界第一座電波干涉儀、什麼是特長基線干涉儀？—GLT FAQs

那為何不是先拍到距離我們比較近的人馬座 A 星，而是先公布 M87 的影像呢？其實，在 2017 年時，EHT 就同時觀測 M87 星系和銀河系中心的超大質量黑洞。人馬座 A 星雖然離地球較近，約 27,000 光年，但質量較小，難以觀測。

美國斯圖爾德天文台（Steward Observatory）的 EHT 科學家陳志均解釋，黑洞附近的氣體移動速度接近光速，加上人馬座 A 星比 M87 黑洞小 2,000 倍，周圍的軌道也更小，其造成的氣體擾動導致影像變化速度過快，「就像在拍一隻追著自己尾巴跑的小狗」，必須使用更複雜的成像技術，才能取得足夠清晰的照片。

也因為這樣的速度差異，這次銀河系中心黑洞的照片才會跟 M87 長得不一樣，形成有三個亮點的圖片。不過，這些明暗差異並不是都卜勒效應造成的。師大物理系助理教授卜宏毅表示，只要拍攝物體移動過快，就會留下殘影。然而，這並不影響我們解析黑洞半徑。

這次並沒有明確觀測到噴流。科學家對於銀河系中心黑洞是否存在噴流，目前仍有待商榷。

特長基線干涉技術支援科學家黃智威表示，這次的黑洞圖像也替未來的黑洞觀測打下良好的基礎。目前，學界將「超大質量」定義為 100 萬倍到 10 億倍太陽質量的數量級，估計 M87 約為 35 至 66 億太陽質量，而這次的銀河系黑洞為 400 萬太陽質量。

也就是說，目前觀測到唯二有清晰影像的黑洞，正好就是超大質量黑洞的最小值與最大值，而這兩張影像所呈現的特徵有許多相似之處，比如皆具有黑洞剪影及光環。如果連極端值都具有這些特徵，那麼理論上，其他大小的黑洞也都會有。

另外，黑洞也扮演著孕育恆星的重要角色。只要能夠深入了解黑洞的結構，想必也能更加深刻地了解銀河系的歷史。

• 延伸閱讀：毀滅與新生：超大質量黑洞觸發的恆星形成

天文所紀柏特（Britton Jeter）博士將拍攝人馬座 A 星的過程描述為「將一部電影濃縮成為一張影像」。這整個過程費時 5 年，有賴美國、加拿大、歐洲及臺灣的努力，利用世界各地的超級電腦運算龐大的觀測資料，再經由多次模擬、調校，才得以成像，讓我們能夠親眼看到這個「潛伏在銀河系中心的巨獸」。

臺灣在黑洞計畫中扮演的角色

這次公布的黑洞影像，由全球各地 8 座望遠鏡共同完成，其中有 3 座和臺灣淵源匪淺，分別是由中研院參與建造或負責運轉的「次毫米波陣列（SMA）」、「馬克斯威次毫米波望遠鏡（JCMT）」，以及「阿塔卡瑪大型毫米及次毫米波陣列（ALMA）」。

從 2017 年黑洞計畫啟動以來，中研院天文所就參與其中，合作夥伴包括國立中山大學、國立臺灣師範大學、國家中山科學研究院。從觀測、分析數據到成像，尤其在疫情之下，能夠持續投入，並且有如此卓越的成果，實屬不易。

未來展望

目前，EHT 團隊正在分析 2018 與 2021 年的觀測資料。除了上表 8 座天文望遠鏡以外，這些觀測活動還有格陵蘭望遠鏡（Greenland Telescope）與另外兩個望遠鏡參與，想必可以讓我們更清楚地看到 M87 和人馬座 A 星的黑洞影像。未來，團隊也期許能夠透過更高頻率的觀測，一窺更小的黑洞。

• 延伸閱讀：北極圈內唯一！格陵蘭望遠鏡開張，連線「全球陣列計畫」把宇宙看得更清楚

瑪麗亞．斯克沃多夫斯卡－居禮（Maria Skłodowska-Curie，1867－1934），看姓氏不難聯想到，她就是我們所熟知的居禮夫人。她開創了放射性理論，發明分離放射性同位素技術，以及發現兩種新元素，是第一位獲得諾貝爾獎的女性，也是首位獲得兩座獎項的學者，在科學上的貢獻對後世影響深遠。

艱難困苦的童年

瑪麗生於波蘭華沙的書香世家，排行老么，家中有布朗斯拉娃（二姐）與索菲亞（大姐）兩位姊姊。父親是一名中學老師兼理事，母親原為一名校長，祖父亦是位受人尊敬的數學與物理教師。

當時的波蘭已被俄羅斯帝國佔領，在沙皇的統治下，波蘭人民的生活處處受限，也影響了瑪麗一家的命運。瑪麗的父親因濃烈愛國精神而被俄國上司打壓，校方撤除了他的理事一職，並將他們全家趕出宿舍；加上雙親的家庭參與波蘭獨立民族起義，家中又遭遇投資失利，經濟頓時陷入困境。

隨後瑪麗一家搬進廉價的住所，父親為貼補家用便招收了多名寄宿生，平時除供應食宿外，從學校下班後還替他們補習來賺取更多收入。生活看似漸漸好轉，但遺憾的是，短短三年內瑪麗的大姐及母親皆因病去世。

因性別在求學路上受阻

天資聰穎的瑪麗亞自幼就是個相當用功的學生，尤其在數理方面更是表現亮眼；在她 15 歲那年，便以第一名的成績從女子文理學校畢業。

然而，因當時波蘭的正規高等院校拒收女性學生，波蘭女子若想繼續接受正規的大學教育，唯一一條路就是出國留學，但這對瑪麗家中的經濟條件而言，是筆相當大的開銷且難以負擔。

成績同樣優異的二姐曾想過前往巴黎學醫，夢想成為一名懸壺濟世的醫師，但礙於家中經濟狀況遲遲無法如願。瑪麗想幫姐姐盡早完成學業，決定先當家教來資助其學費，兩人也約定，待畢業後再協助瑪麗出國求學。在瑪麗的支持下，二姐終於得以前往巴黎一圓醫師夢。

爾後的幾年，瑪麗一面做著家教工作，一面自學，期間閱讀了大量化學相關書籍，也是在這時獲得了第一份實驗室工作機會，這消息對她相當振奮；儘管實驗室設備簡陋，但能把在書中讀到的知識親手實作就已心滿意足，此經歷也影響了她未來將走上科學研究這條路。晚年瑪麗回憶起這段的時光：

「就是因為這第一次的實驗室工作，使我肯定自己在實驗研究上的興趣。」

突破重重阻礙取得學位

1891 年，24 歲的瑪麗在進行實驗室工作的同時，也終於踏上留學路，前往巴黎大學修讀物理學。剛到巴黎的她人生地不熟，對語言不熟悉外，又因過往在波蘭所受的教育無法應付大學課程，初期學業表現遠遠不及同儕。瑪麗便在課業上下足功夫，閒暇時間也都泡在圖書館裡，終於皇天不負苦心人，靠著清晰的思維加上勤奮苦讀，成績漸漸有了起色。

1893 年瑪麗以第一名的佳績成功取得了物理學碩士學位，原先是想再取得一個數學學位，但此時她已將留學用的積蓄花光，也就放棄了這份念頭。幸運的是，在友人的協助下，華沙當局頒發給瑪麗海外優秀留學生「亞歷山大獎學金」，使她得以重返巴黎大學繼續深造，並在隔年順利取得第二個碩士學位。值得讚揚的是，在畢業的幾年後她將這份獎學金歸還給委員會，這舉動令人相當震驚，從未有任何一名學子歸還過，而瑪莉是第一位。

科學界的佳偶——居禮夫婦

學成後，瑪麗留在法國並開啟了她的科研生涯。當時為了能夠順利進行工作，正尋找著合適的實驗室；在同鄉物理學家約瑟夫．科瓦爾斯基介紹下，她結識了未來的丈夫，法國青年科學家——皮耶．居禮。對科學滿懷熱情的兩人情投意合，彼此欣賞著對方的個性及才華。

1894 年，瑪麗返回波蘭生活，原以為能在家鄉繼續從事喜愛的科研工作，然而波蘭的大學仍以性別為由將其拒絕。在皮耶的說服下，瑪麗回到巴黎並協助他完成了磁性研究，兩人也在同年結為連理。

當時總有人打趣得說：「皮耶最大的發現就是瑪麗」。

帶領科學邁向新篇章

婚後夫婦倆一面養育女兒，一面做科研。瑪麗首要目標就是取得博士學位，她選定了當時剛發現的Ｘ射線以及鈾射線作為研究主題。後續在研究鈾礦時，透過驗電器的測量結果，瑪麗推斷鈾礦必定含有其他活性比鈾大的物質，於是開啟了她尋找其他放射性物質之路。

皮耶對瑪麗亞的工作越來越感興趣，隨後也加入了太太的行列。他們用酸液分解研磨過的瀝青鈾礦，再用化學分析方法分離出瀝青礦中可能含有比鈾更具放射性的物質。不久後，成功從實驗裡發現了比鈾的活性高 300 倍的新元素。隨後居禮夫婦發表了一篇聯合署名論文，正式宣布以「釙」（Polonium）命名所發現的新元素，以紀念波蘭。

在發現釙之後不久，她從實驗中發覺似乎有更強烈的放射性物質，便認定這也許是另一個新元素，這時物理學家亨利．貝克勒也加入了居里夫婦的研究行列。他們終於找出這個放射性比鈾大 900 倍的物質，三人將新元素命名為「鐳」（radium），拉丁文意為「射線」，也在研究過程中創造出單詞「放射性」（radioactivity）。

在當時居禮夫婦聯合及單獨發表的 32 篇論文中，其中一篇就為：在鐳輻射下，病變或腫瘤細胞比健康細胞死得更快。可說是若沒有這份的研究成果，就不會有現在用來治療癌症的放射性療法了。

得來不易的諾貝爾獎

在一系列研究及發現後，1903 年瑪麗終於獲得巴黎大學物理博士學位。同年瑞典皇家科學院授予居禮夫婦及亨利．貝克勒諾貝爾物理學獎，起初委員會僅表彰皮耶和貝克勒，不過有位倡導女性科學家權利的委員通報並向上申訴，瑪麗亞才能獲得提名，成為了首位獲得諾貝爾獎的女性。

隨著瑪麗亞成功從金屬中提煉出鐳，1911 年瑞典皇家科學院授予她第二座諾貝爾獎（此次為化學獎），以表彰：「發現了鐳和釙元素，提煉純鐳並研究了這種引人注目的元素的性質及其化合物」。此次的獲獎肯定也使她能夠說服法國政府支持並建立鐳研究所，該研究所於 1914 年建成，研究領域涉及化學、物理、醫學等。

將自己毫無保留地貢獻給科學與社會

一戰期間瑪麗為協助戰地外科醫生，便在靠近前線的地方設立了戰地放射中心。她的身影穿梭在戰地醫院中，指導著 X 光裝置的組裝及使用，據估計，超過 100 萬受傷士兵受過她的流動式 X 光機治療。

在戰後的歲月裡，瑪麗亞將時間奉獻將所學與經驗傳授給學生，也包括許多遠從世界各地慕名而來的後進學者。在她的指導下，鐳研究所培育出了四位諾貝爾獎得主，女兒伊倫．約里奧－居禮及女婿弗雷德里克．約里奧－居禮也在其中。

1934 年，瑪麗亞因再生不良性貧血逝世於療養院，後世普遍認為是因長時間暴露於輻射中而造成的，當時科學上並未了解到游離輻射會對人體產生危害，也未開發任何防護措施。瑪麗亞的生活處處充滿放射性物質，幾十年間患上了多種慢性疾病，然而一直到去世，她從未意識到這會危及自己的健康甚至是生命。

瑪麗亞．斯克沃多夫斯卡－居禮一生不慕名利，奔波於科學研究、教育學子，將畢生毫無保留地貢獻給科學與社會。直到今日，世人仍持續讚賞她的付出與貢獻，紀念這位偉大的科學家。

1. 維基百科—瑪麗．居禮
2. 科學名人堂—居禮夫人
3. 居禮夫人：大家都聽過的科學家，與她充滿波折的人生和感情路
4. 科技大觀園—開啟輻射醫學大門的居禮夫人
5. 傑出的科學貢獻與多舛波折的人生：瑪麗．居禮誕辰｜科學史上的今天：11/7