為什麼微波爐加熱總是不均勻？—《解事者》

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

俄羅斯西伯利亞的科學家，於 2023 年 1 月的《科學報告》（Scientific Reports）期刊上，發表了一些看似能防止烤雞的外皮過焦，同時確保內部肉質鮮美多汁的技巧。比方說，一般作法「由外部加溫很危險，不是每次都能得到正向的結果…」。若改用微波，則「所需的溫度相對不高」，但要力求整體均衡，「不能只有外層受熱」。遺憾他們說了半天，卻跟食物無關，其實是在介紹如何安全又有效地，用特製的微波裝置，治療凍傷患者的四肢。^[1]

微波的對象與裝置

就像料理烤雞，得先弄來雞隻和烘烤的設備；進行這項研究前，需要滿足兩個條件：

1. 招募凍傷的人：在氣候冷冽的西伯利亞，要造成凍傷，難度並不高。不過，根據《赫爾辛基宣言》（Declaration of Helsinki），人體試驗應該符合倫理，將志願者可能受到的傷害降至最低。^[2]不能隨便把人往雪地扔的研究團隊，在當地 Tomsk 市的 2 家醫院守株待兔，期望意外凍傷的人自己找上門。2018 至 2021 年間，每年的冬季他們都耐心等候，總共蒐集到 14 名超過 20 歲的男性，簽署受試同意書。^[1]
2. 製作微波裝置：研究團隊精心打造的裝置（下圖），簡單來說，就是一台方便手腳伸進去加熱的微波爐。前面的圓形入口，包覆著具隔絕效果的金屬材質，以保護傷患與研究人員，免於非必要的輻射暴露。此裝置的微波頻率為 2.45 吉赫（GHz）；而功率可達 200 瓦特（watts；簡寫 W），即每秒產生200 焦耳（joule；縮寫 J）的熱能。^[1]換句話說，頻率與家用微波爐無異，功率卻低了數倍。^[3]

由於研究團隊只想幫傷患加溫，沒有要煮熟他們的意圖，便設定開到 60 瓦特。再加上操作時，會喪失些許熱能，最後傷患實際接收到的，大約僅有 30 至 40 瓦特。每個患部加熱 1 至 3 次，每次 30 分鐘。雖然感覺微溫，但不至於難受。9 名傷患接受上述治療；另外 4 個嘗試了不同的功率；還有 1 人則是時間長度減半。^[1]

加溫的原理

平均而言，當人體組織的溫度低於攝氏 15 度左右，血液和淋巴循環會停止。身體各部位略有差異，手指的下限是 19 度；而腳趾為 15 度。為凍傷患者回溫時，目標溫度大約是 20 到 25 度上下，要觸及整個患部，而非僅有表層。讓身體恢復運作，才能透過循環，順利輸送藥物。以往從外部加溫的作法，會舒張表層血管，卻容易在深層血管收縮的情況下，導致壞死和截肢等問題。相對地，低功率的微波可以穿透到組織深層，逐漸舒張血管，促進血液與淋巴的循環，不會有上述副作用。^[1]

凍傷的等級

凍傷依照程度，可以分為 4 個等級：^[4]

1. 第一級：麻木、脫屑、感覺異常、中央蒼白，以及周圍水腫或紅腫。^[4]
2. 第二級：起水泡，周圍紅腫或水腫。^[4]
3. 第三級：失去整層皮膚組織，還長了出血性水泡。^[4]
4. 第四級：不僅皮膚，連深層組織都喪失了。^[4]

微波的療效

此研究受試者的凍傷程度涵蓋上述四級，治療時除了微波，也採用標準療程的消毒與藥物，並視情況選擇是否手術。整體來說，科學家對微波相當滿意，覺得能降低截肢的機率。此外，雖然第一、二級的傷勢輕微，效果比較不明顯；但是他們認為無論初步評估的凍傷程度，每個傷患最好都要接受微波。因為診斷難免失準，若因此錯過治療時機，實在得不償失。^[1]

既然如此，未來遇到凍傷患者，是不是都該抓來微波一下？儘管研究證明了科學家的假設似乎可行，目前的受試者就區區幾名男性，不足以建立一套完善的操作指南。臨床上不同體型、年紀或性別的傷患，或許適合不同功率或時間長度的微波治療。這些都有待將來進一步試驗，才能推廣運用。^[1]

1. Dunaevskiy G, Gavrilin E, Pomytkin A, et al. (2023) ‘Reduction of amputations of frostbitten limbs by treatment using microwave rewarming’. Scientific Reports, 13, 1362.
2. ‘WMA Declaration of Helsinki – Ethical Principles for Medical Research Involving Human Subjects’. (06 SEP 2022) World Medical Association.
3. ‘Radiation: Microwave ovens’. (01 JUN 2005) World Health Organization.
4. Basit H, Wallen TJ, Dudley C. (27 JUN 2022) ‘Frostbite’. In: StatPearls. Treasure Island (FL): StatPearls Publishing.

• 文／玄冥
  曾經做過 Radio Astronomy，現在叛逃去 Structure Formation 了，但也許有天會再回去。喜歡的動物是樹懶。

1946 年 2 月的某個清晨，澳洲東海岸的一群無線電科學家嚴陣以待，將電波接收器對向海的彼岸。如果是幾年前，他們會膽顫心驚地觀察日軍戰機的動向，但是今天不一樣，他們滿懷期待地等著日出。因為科學家們知道，他們正將原本用於國家間內鬥的利器 —— 電波干涉術（Radio Interferometry），用於人類探索太空的共同嚮往。

電波干涉術原先是二戰時用來提高電波觀測準確度的技術，如果說大家對電波干涉術不熟悉的話，那麼對人類拍攝的第一張黑洞影像應該記憶猶新（圖一）。這張黑洞影像的成像原理便是電波干涉術，拍攝這張照片的電波干涉儀則是遍佈全球的「事件視界望遠鏡（EHT）」（圖二）。

大家聽到「電波干涉儀」時，腦海中浮出的想像，可能都是如圖二中的碟狀接收器。然而實際上，電波干涉儀最初的樣貌是非常簡單的（圖三），以下這篇文章會分別介紹電波和干涉術，再介紹兩者結合的原理，一步步帶大家了解電波干涉儀的原型機是如何被設計出來的。

什麼是無線電波？

無線電波（Radio wave，簡稱電波）是一種電磁波，它充斥於我們現代生活的各個角落。例如手機產生的信號、衛星轉播，以及藍牙、WIFI 等等。電波與可見光是唯二能在地球大氣中自由穿行的電磁波波段，因此大多數地面望遠鏡都以觀測可見光跟電波為主。重要的是，相對於可見光波，電波波長更長（約 1 mm 以上），較容易穿過障礙物，讓它更便於觀測藏在宇宙塵埃後的物體（如原恆星）。然而，能穿透障礙物的代價是，在相同的望遠鏡口徑下，電波望遠鏡的「角解析度（Angular resolution）」比較低。

角解析度（或稱角分辨率）是探知物體細微移動或分辨兩個鄰近物體的能力，白話的說就是它能看得多「清楚」。角解析度正比於望遠鏡的直徑，但反比於所觀測的電磁波波長。做一個誇張的比喻，如果我們的眼睛能看到的是波長較長的電波而不是可見光的話，我們需要有一顆直徑約一棟樓高的眼睛，才能看得跟現實中一樣清楚。有限的角解析度，是電波天文台在 1930 年代剛出現時所面臨的主要困境之一。這個問題一直到二戰時期才得到解方 —— 干涉技術。

光的干涉，相信大家在高中的物理實驗中都見過。在實驗中，我們將光源對準布幕，並將切有兩條平行狹縫的一塊紙板隔在光源與布幕之間。此時通過兩條狹縫的光，便會在布幕上產生黑白相間的干涉條紋。這些條紋，源自光通過不同狹縫抵達布幕所需的距離不同，因此不同狹縫發出的光波到達布幕時的震動方向會有所不同。如果兩道光波震動方向相反，會造成相消干涉而形成暗紋；若抵達布幕時震動方向相同，則造成相長干涉而形成亮紋。

利用動畫可能更好理解一些（見圖四、五）。從實驗設備的上方俯視，藍色的點代表光源，紅色的點則是紙板上的狹縫位置，圖片底端是布幕，白色與黑色的部分即為光波的亮紋和暗紋。從圖四我們發現，當狹縫間距越遠，布幕上亮紋就越細緻，而從圖五則可以看見，當光源橫向移動時，布幕上的亮紋及暗紋亦會大幅移動。結合這兩張圖可以看出，越細緻的亮紋對光源的移動就越敏感，電波作為一種波亦有相同的特性。

軍隊如何利用電波干涉偵測敵軍？

讓我們將焦點拉回二戰時期。當時的英國軍隊為了能預警敵機，通常會將電波接收器對準海平面，隨時觀察敵機的位置。圖六和圖七是電波接收器（紅點）跟敵機（藍點）以及海面（黑色區域）的相對位置圖，此時敵機發出的電波會從兩條不同路徑抵達電波接收器，其中較短的電波是從敵機直達接收器，而較長的則是經海面反射後抵達接收器，這兩條路徑的電波會互相干涉並形成明暗相間的條紋。

這些干涉條紋如同雙狹縫干涉所產生的條紋一樣，對波源的移動非常敏感（圖六），因此可以非常準確的判斷出敵機的位置；而如圖七所示，當電波接收器與海平面之間的高度差愈大，干涉條紋愈細緻，這表示電波接收器的海拔高度正比於其角解析度。實際上，如果將電波接收器放在濱海的峭壁上，其影像的清晰度約為一台口徑為兩倍峭壁高度的電波接收器，這便是「電波干涉儀」最初的樣子——也就是圖三那一台在峭壁上的電波接收器。

隨著二戰結束，許多軍事科技被轉為民用或科研用途，電波干涉儀也不例外。對於研究太陽黑子的天文學家們來說，電波干涉儀在這一年轉為民用更是生逢其時，因為隔年恰好迎來了百年內規模最大的太陽極大期。

太陽活動通常以 9~14 年為週期。在太陽活動最旺盛的時候，往往會伴隨著許多太陽黑子的出現、以及被磁場束縛住的日冕物質所迸發的強電波。然而過去受限於電波觀測的低角解析度，人們只知道電波的強度與太陽黑子數量呈正相關，卻並不知道電波具體源自太陽的何處。隨著電波干涉儀的出現，天文學家得以精確地觀測出電波強度的分佈，其範圍比太陽小、且位置與太陽黑子高度重疊，這為此後的太陽黑子研究以及電波通訊應用提供了不少幫助。^(1)(2)(3)

使用電波干涉儀探索宇宙吧！

銀河系和太陽，是天空中兩個最亮的電波源，因此是天文學家最先望向的目標。但天文學家們也注意到，較弱的電波源其實散佈於天空各個角落。這些電波源在沒有干涉儀的時代，因低角解析度以及來自銀河系的電波干擾而遲遲無法精確定位，而這一情況在電波干涉儀出現後得到改善。

二戰後，澳洲海軍負責雷達設備的軍官 John Bolton 以及他的助手，在澳洲沿海各處搭建了電波干涉儀，以觀測來自天鵝座的電波。他們將該電波源的位置精確度，由先前透過一般電波望遠鏡量測的五度推進至七角分（約 1/10 度），也得知這個天體的大小在八角分以下。

然而弔詭的是，如果量測到的電波源自於這八角分不到的天體，這個天體所蘊含的能量密度將遠超出任何已知的天體！更令人驚訝的是，該天體並沒有對應到任何可見光影像中的恆星，於是他們將這個只出現在電波影像的天體稱為天鵝座 A⁽⁴⁾ 。隨後他們用電波干涉儀掃瞄了南方的天空，陸續發現了許多類似天鵝座 A 的天體。

在後續技術發展下，天文學家終於找出這些電波天體在可見光的真身 —— 電波星系⁽⁵⁾（圖八、九）。電波星系在可見光波段的影像如同一般星系，然而在電波望遠鏡下，時常能看見噴流從電波星系中心噴湧而出，噴流的痕跡可達星系本體的數倍。現在我們知道，噴流是在星系中心大質量黑洞進食（吸積）時所噴出的強烈電漿流，其中的帶電粒子在噴流磁場的加速下會發出強電波，從而被電波干涉儀接收。

這些噴流能夠改變星系的氣體與能量分佈，因此對星系演化有著至關重要的影響，今日人們也在透過更先進的電波望遠鏡了解這些星系。

時過境遷，如今的電波干涉儀，已經能夠將遍布全球各地多個電波接收器收到的電波進行干涉，不再是依託於大海的孤立接收器；干涉儀技術的改良，立基於全世界探索宇宙深空的好奇與嚮往，而非國家間互相對抗的戰火。

回首過往，人們在戰爭中其實並未忘記對宇宙的嚮往，因此當硝煙散去，人們便互相合作，將戰時的科技化作探索太空的利器，揭開宇宙奧秘、滿足人類的好奇。如今，我們擁有更強大的科技，希望人們能夠繼承這份嚮往，一同探索更多宇宙的未知。

延伸閱讀

1. 毀滅與新生：超大質量黑洞觸發的恆星形成- PanSci 泛科學
2. 黑洞甜甜圈之後：宇宙噴火槍3C 279 黑洞噴流影像現蹤跡！——《科學月刊》 – PanSci 泛科學
3. 黑洞攝影怎麼拍？七個問答來解謎——《黑洞捕手》 – PanSci 泛科學
4. 仰望宇宙的好據點，大國爭相來插旗：「白山」毛納基亞——《黑洞捕手》
5. 太陽升起前，把握最後的永夜！與時間賽跑的組裝任務——《黑洞捕手》 – PanSci 泛科學
6. 人類史上首張黑洞近照：這張動員全球、沖洗兩年的照片是怎麼來的？ – PanSci 泛科學

1. Some Highlights of Interferometry in early Radio Astronomy, Woodruff T. Sullivan III (2016)
2. Pawsey, J. L., Payne-Soott, R., & McCready, L. L. (1946). Radio-frequency energy from the Sun. Nature, 157(3980), 158-159.
3. McCready, L. L., Pawsey, J. L., & Payne-Scott, R. (1947). Solar radiation at radio frequencies and its relation to sunspots. Proceedings of the Royal Society of London. Series A. Mathematical and Physical Sciences, 190(1022), 357-375.
4. Bolton, J. G., & Stanley, G. J. (1948). Variable source of radio frequency radiation in the constellation of Cygnus. Nature, 161(4087), 312-313.
5. Bolton, J. G., Stanley, G. J., & Slee, O. B. (1949). Positions of three discrete sources of galactic radio-frequency radiation. In Classics in Radio Astronomy (pp. 239-241). Springer, Dordrecht.