科學家創造第一個自立式 3D 掩蔽

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

1894 年，美國物理學家邁克生（Albert Abraham Michelson）作為芝加哥大學物理系的創立者，在為學校的瑞爾森物理實驗室（Ryerson Physical Laboratory）落成典禮致詞時，表示：「雖然無法斷言說，未來的物理學不會比過去那些驚奇更令人驚嘆，但似乎大部分的重要基本原則都已經被穩固地建立了。」

以我們現在的後見之明，這段話聽起來固然錯得離譜，但在當時，從 17、18 到 19 世紀，在伽利略、牛頓、馬克士威等前輩的的貢獻之下，物理學已經達成了非凡的成就。

我們現在稱為古典的物理學，對於整個世界的描述幾乎是面面俱到了，事實上沒有人預料到 20 世紀將出現徹底顛覆世界物理學認知的重要理論，量子力學。

而這最一開始竟只是出自於一件不起眼的研究，關於物體發出的光。

萬物皆輻射

在此我們要先理解一個觀念：所有物體無時無刻不在發出電磁波輻射，包括了你、我、你正使用的螢幕，以及我們生活中的所有物品。

至於為什麼會這樣子呢？其中一個主要原因是，物體都是由原子、分子組成，所以內部充滿了帶電粒子，例如電子。這些帶電粒子隨著溫度，時時刻刻不停地擾動著，在過程中，就會以電磁波的形式放出能量。

除了上述原因之外，物體發出的電磁波輻射，還可能有其他來源，我們就暫時省略不提。無論如何，從小到大我們都學過的，熱的傳遞方式分成傳導、對流、輻射三種，其中的輻射，就是我們現在在談的，物體以電磁波形式發出的能量。

那麼，這些輻射能量有什麼樣的特徵呢？為了搞清楚這件事，我們必須先找個適當的範本來研究。

理想上最好的選擇是，這個範本必須能夠吸收所有外在環境照射在上面的光線，只會發出因自身溫度而產生的電磁輻射。這樣子的話，我們去測量它發出的電磁波，就不會受到反射的電磁波干擾，而能確保電磁波是來自它自己本身。

這樣子的理想物體，稱為黑體；畢竟，黑色物體之所以是黑的，就是因為它能夠吸收外在環境光線，且不太會反射。而在我們日常生活中，最接近理想的黑體，就是一點也不黑、還超亮的太陽！這是因為我們很大程度可以肯定，太陽發出來的光，幾乎都是源於它自身，而非反射自外在環境的光線。

或者我們把一個空腔打洞後，從洞口發出的電磁波，也會近似於黑體輻射，因為所有入射洞口的光都會進入空腔，而不被反射。煉鐵用的鼓風爐，就類似這樣子的結構。

到目前為止，一切聽起來都只是物理學上一個平凡的研究題目。奇怪的是，在對電磁學已經擁有完整瞭解的 19 世紀後半到 20 世紀初，科學家儘管已經藉由實驗得到了觀測數據，但要用以往的物理理論正確推導出黑體的電磁波輻射，卻遇到困難。正是由此開始，古典物理學出現了破口。

黑體輻射

由黑體發出的輻射，以現在理論所知，長得像這個樣子。縱軸代表黑體輻射出來的能量功率，橫軸代表黑體輻射出來的電磁波波長。

在理想狀況下，黑體輻射只跟黑體的溫度有關，而跟黑體的形狀和材質無關。

以溫度分別處在絕對溫標 3000K、4000K 和 5000K 的黑體輻射為例，我們可以看到，隨著黑體的溫度越高，輻射出來的能量功率也越大；同時，輻射功率最高的波段，也朝短波長、高頻率的方向靠近。

為了解釋這個曲線，物理學家們開始運用「當時」畢生所學來找出函數方程式，分成了兩派：

一派是 1896 年，由德國物理學家維因（Wilhelm Carl Werner Otto Fritz Franz Wien），由熱力學出發推導出的黑體輻射公式，另一派，在 1900 與 1905 年，英國物理學家瑞立（John William Strutt, 3rd Baron Rayleigh）和金斯（James Jeans），則是藉由電磁學概念，也推導出了他們的黑體輻射公式，稱為瑞立－金斯定律。

你看，若是同時擺上這兩個推導公式，會發現他們都各自對了一半？

維因近似 Wien approximation 只在高頻率的波段才精確。而瑞立－金斯定律只對低頻率波段比較精確，更預測輻射的強度會隨著電磁波頻率的提升而趨近無限大，等等，無限大？――這顯然不合理，因為現實中的黑體並不會放出無限大的能量。

顯然這兩個解釋都不夠精確。

就這樣，在 1894 年邁克生才說，物理學可能沒有更令人驚嘆的東西了，結果沒幾年，古典物理學築起的輝煌成就，被黑體輻射遮掩了部分光芒，而且沒人知道，這是怎麼一回事。

普朗克的黑體輻射公式

就在古典物理學面臨進退維谷局面的時候，那個男人出現了——德國物理學家普朗克（Max Planck）。

普朗克於 1900 年就推導出了他的黑體輻射公式，比上述瑞立和金斯最終在 1905 年提出的結果要更早，史稱普朗克定律（Planck’s law）。普朗克假想，在黑體中，存在許多帶電且不斷振盪、稱為「振子」的虛擬單元，並假設它們的能量只能是某個基本單位能量的整數倍。

這個基本單位能量寫成 E=hν，和電磁輻射的頻率 ν 成正比，比例常數 h 則稱為普朗克常數。換言之，黑體輻射出來的能量，以hν為基本單位、是一個個可數的「量」加起來的，也就是能量被「量子化」了。

根據以上假設，再加上不同能量的「振子」像是遵循熱力學中的粒子分佈，普朗克成功推導出吻合黑體輻射實驗觀測的公式。

普朗克的方程式，同時包含了維因近似和瑞立－金斯定律的優點，不管在低頻率還是高頻率的波段，都非常精確。如果我們比較在地球大氣層頂端觀測到的太陽輻射光譜，可以發現觀測數據和普朗克的公式吻合得非常好。

其實有趣的是普朗克根本不認為這是物理現象，他認為，他假設的能量量子化，只是數學上用來推導的手段，而沒有察覺他在物理上的深遠涵意。但無論如何，普朗克成功解決了黑體輻射的難題，並得到符合觀測的方程式。直到現在，我們依然使用著普朗克的方程式來描述黑體輻射。不只如此，在現實生活中，有許多的應用，都由此而來。

正因為不同溫度的物體，會發出不同特徵的電磁波，反過來想，藉由測量物體發出的電磁波，我們就能得知該物體的溫度。在疫情期間，我們可以看到某些場合會放置螢幕，上面呈現類似這樣子的畫面。

事實上，這些儀器測量的，是特定波長的紅外線。紅外線屬於不可見光，也是室溫物體所發出的電磁輻射中，功率最大的波段。只要分析我們身體發出的紅外線，就能在一定程度上判斷我們的體溫。當然，一來我們都不是完美的黑體，二來環境因素也可能產生干擾，所以還是會有些許誤差。

藉由黑體輻射的研究，我們還可以將黑體的溫度與發出的可見光顏色標準化。

在畫面中，有彩虹背景的部分，代表可見光的範圍，當黑體的溫度越高，發出的電磁輻射，在可見光部分越偏冷色系。當我們在購買燈泡的時候，會在包裝上看到色溫標示，就是由此而來。所以，如果你想要溫暖一點的光線，就要購買色溫較低，約兩、三千 K 左右的燈泡。

結語

事實上，在黑體輻射研究最蓬勃發展的 19 世紀後半，正值第二次工業革命，當時鋼鐵的鍛冶技術出現許多重大進步。

德國鐵血宰相俾斯麥曾經說，當代的重大問題要用鐵和血來解決。

就傳統而言，煉鋼要靠工匠用肉眼，從鋼鐵的顏色來判斷溫度，但若能更精確地判斷溫度，無疑會有很大幫助。

德國作為鋼鐵業發達國家，在黑體輻射的研究上，曾做出許多貢獻，這一方面固然可能是學術的求知慾使然，但另一方面，也可以說跟社會的需求與脈動是完全吻合的。
總而言之，普朗克藉由引進能量量子化的概念，成功用數學式描述了黑體輻射；這件事成為後來量子力學發展的起點。儘管普朗克本人沒有察覺能量量子化背後的深意，但有另一位勇者在數年後繼承了普朗克的想法，並做出意味深長的詮釋，那就是下一個故事的主角――愛因斯坦的事了。

歡迎訂閱 Pansci Youtube 頻道 獲取更多深入淺出的科學知識！

最近，韋伯太空望遠鏡發布首批科學影像，終於看到敲碗好久的結果——韋伯拍到了人類從未見過的許多東西！有人說，韋伯是哈伯的繼任者，但不知道大家是否好奇過，哈伯和韋伯到底誰比較強？

這個問題有點難回答，因為兩部望遠鏡都是當代科技的結晶。哈伯是 1990 年升空的王者，韋伯是 30 年後科技進步下的產物，我試著用客觀的方式來比較這兩部太空望遠鏡。

哈伯觀測可見光，韋伯觀測紅外光

哈伯的主鏡直徑是 2.4 公尺，韋伯則是 6.5 公尺，韋伯的主鏡直徑比哈伯大 2.7 倍，這也是大家最常比較的部分。可是，如果主鏡大就比較厲害，那麼夏威夷大島上的凱克 10 公尺望遠鏡，不就比哈伯和韋伯更強？

哈伯與韋伯觀測的波段不同，用途也不一樣。哈伯主要觀測的波段在可見光，可見光是指人類眼睛可以看見的光或顏色範圍，也就是紅、橙、黃、綠、藍、靛和紫。從紅光到紫光，光的波長由長到短，紅光的波長大約是 0.62–0.74 微米（1 微米＝0.001 公釐），紫光的範圍則是 0.38–0.45 微米。

紅外光是指比紅光波長更長的光，也就是波長比 0.7 微米更長，這是韋伯望遠鏡主要觀測宇宙的波段。

哈伯和韋伯太空望遠鏡觀測的波段，一個在可見光，另一個在紅外光，所以在功用上本來就不一樣，如果要比較的話就要小心，不然就像拿橘子跟蘋果相比，拿不同的東西做比較顯得很突兀。

誰看得比較清楚？來比一比解析度吧！

哈伯與韋伯可以拿來做比較的是解析度，解析度的值（角秒）愈低，表示能看到天體愈細微的部分，解析度跟主鏡直徑和觀測的波長有關。望遠鏡主鏡愈大，解析度愈好；另外也跟觀測的波長成正比。

以下兩張影像分別是史匹哲太空望遠鏡（Spitzer Space Telescope）和韋伯拍的天空中同一區域紅外光影像，拍攝的紅外波長也差不多（史匹哲：8 微米，韋伯 7.7 微米），不過兩幅影像的解析度卻差很多，韋伯的影像中可以看到更多的細節，史匹哲則好像糊成一團。

當觀測的波長一樣時，解析度跟觀測望遠鏡的主鏡直徑成反比。史匹哲的主鏡是 0.85 公尺，所以韋伯的解析力是史匹哲的 6.5/0.85=7.8 倍！主鏡的大小直接反應在解析度上，韋伯與史匹哲在解析度上高下立判！

解析度除了跟主鏡的直徑成反比，也跟觀測的波長成正比。所以同一面主鏡觀測天體，用愈短的波長觀測解析度愈好。下圖是史匹哲望遠鏡觀測 M81 星系的結果，同樣 0.85 公尺的主鏡觀測，隨著觀測波長的增加，解析度變差。

答案揭曉——哈伯的解析度略勝一籌！

前面提到解析度跟主鏡直徑與觀測波長的關係有一個重要前提，主鏡必須研磨到完美、光滑，也就是主鏡上不能出現高低起伏。如果主鏡不完美，像遊樂場裡的哈哈鏡，不能聚焦成像，解析度自然不好。

波長愈短對鏡面的要求愈高。哈伯太空望遠鏡的鏡面對 0.5 微米波長更長的光是完美的，比 0.5 微米波長更短的光波則呈現不完美，韋伯望遠鏡的主鏡則是對 2 微米更長的波長是光滑的。（光學上，物理學家的說法是哈伯和韋伯分別在 0.5 和 2 微米達到繞射極限。）

哈伯和韋伯望遠鏡最佳解析度分別在 0.5 微米和 2 微米，根據前面的解析度公式，哈伯在 0.5 微米的解析度是 0.05 角秒，而韋伯在 2 微米的解析度是 0.08 角秒，結論是哈伯的解析度比韋伯稍微好一點！也就是哈伯老當益壯，一點也不比韋伯差。

從哈伯到韋伯，有如長江後浪推前浪

天文學家從 1990 年開始，透過哈伯望遠鏡研究宇宙，這三十年來科學家已經把哈伯的功能發揮到極致，我們對宇宙的了解很多都來自哈伯的觀測。不過這三十年的努力也讓天文學家發現哈伯不足的地方，科學家知道關鍵在紅外線觀測能力。前一代的紅外望遠鏡史匹哲無法達到需求，天文學家只能殷殷期盼韋伯。

韋伯首批公布的影像中，幾乎都是哈伯曾經拍過的天體，從科學上來說，比較可見光和紅外影像資料可以對目標天體更多了解，不過我認為這應該是韋伯對哈伯致敬的方式，感謝哈伯三十多年的貢獻！

韋伯站在巨人的肩膀上，必定能看得更暗、更遠！