星空探索入門課—《酷天文》

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

世人接受新觀念分為三個階段：

　　A. 胡說八道

　　B. 早就有人想過了

　　C. 我們一直都是這樣想

──佛萊德．霍伊爾，轉述雷蒙．利托頓（Raymond Lyttleton）說法

滿懷熱情的劍橋叛逆者：佩恩如何走上科學之路

一九二三年春天，二十一歲、身材高䠷的劍橋大學學生塞西莉亞．佩恩（Cecilia Payne）開始對未來感到惶恐。她熱愛天文學研究，夢想能走上研究道路，長期筆記自己成為科學家之後想研究的課題。但在校最後一年，她意識到面前可能是個死胡同。

那時代的英國，如她這般具備聰明才智的女性充其量只是當上女子學校的教師或校長。「彷彿腳下裂開一條深淵，」後來佩恩在自傳這樣比喻：「對我而言，當女教師是『比死亡還糟糕的命運』。」所幸悲慘命運沒有降臨在她身上，儘管面臨種種困難，佩恩仍舊在科學上做出突破，為二十世紀科學的轉捩點奠定基礎：她發現人體所有元素（除了氫）最初如何形成。

佩恩對科學的興趣萌芽於六歲，那年一顆流星給她留下深刻印象。十歲時，她在天主教學校做實驗測試禱告的力量，為一半考試的成績祈禱、另一半則不做祈禱。事後發現成績沒有差別時，她轉而肯定理性的力量，對科學的興趣於此扎根。至於宗教，佩恩後來相信一位論¹⁴。

虔誠女校長對佩恩說學習科學是「糟蹋她的天賦」。學校合唱團指揮古斯塔夫．霍爾斯特（Gustav Holst）雖然當時默默無聞但之後會創作《行星組曲》，他則鼓勵佩恩走音樂這條路。

但佩恩有自己的想法：她拿到劍橋大學獎學金，準備攻讀植物學。然而適逢第一次世界大戰之後物理學風起雲湧的時期，佩恩正好聽了天文學家亞瑟．愛丁頓那場劃時代講座，得知太陽引力場能夠扭曲光線路徑，而且一切符合愛因斯坦的預測。佩恩大受震撼，人生再次拐了個彎。她後來寫道：「我的世界天旋地轉，感覺差點神經休克。」那瞬間她徹底愛上物理學，所以隔天就去「面對校方」，申請從植物學系轉到物理學系。回家以後她幾乎逐字逐句默寫講座內容，為此三天沒怎麼睡。

劍橋卡文迪什實驗室的氣氛像是帶著電。發現電子的湯木生、發明雲室的威爾遜都在這裡，但最耀眼的常駐明星是發現原子核的傳奇人物拉塞福。對佩恩來說美中不足的是拉塞福不喜歡課堂有女性參與。儘管當時年輕女性不再需要年長者時時監護，但仍要求座位與男性分開。因此每次進入講堂，佩恩作為唯一女性必須單獨坐在最前排，而拉塞福更是刻意每堂課都以「各位女士先生」這句話開場。佩恩在自傳中回憶：「男生聽到教授意有所指總是很捧場，歡聲雷動之外還會老派地跺腳，每次上課我都想挖個洞鑽進去。」[38]

星星的祕密：她用光譜解開宇宙的指紋

她很快投靠愛丁頓。愛丁頓理解她的熱忱，也比拉塞福更加包容，允許她參與研究團隊。同時佩恩還接觸到最新領域量子物理學，帶她入門的正是理論發現者之一尼爾斯．波耳（Niels Bohr）。即便如此，在學最後一年她又發現面前是死路，因為劍橋大學根本不允許女性獲得高等學位。（不授予文憑，也無法獲邀參加畢業典禮。）險阻重重，但她堅持不懈、動用一些關係，終於爭取到哈佛天文臺的女性研究員資格，能在臺長哈洛．沙普利指導下工作。

天文臺位於麻薩諸塞州劍橋市距離校園大約一英里的小山上，特點是願意僱用女性，因為前任臺長愛德華．皮克林（Edward Pickering）發現她們除了勤奮聰明還能大幅降低預算壓力。在一次史無前例的星體清點作業中，皮克林僱用超過八十位女性處理大量圖片，最終數量高達五十萬份。有些人將這群女性稱為「皮克林的計算機」，但更常見的諢名是「皮克林的後宮」。

一開始沙普利也期望佩恩幫忙利用照片來對星體進行分類和編目，但她才第一個獨立研究就急於解決劍橋教授提出的大哉問。當時人類對宇宙的理解有個顯而易見的盲點：星星是由什麼構成的？

科學家已經掌握部分答案。除了拍攝恆星，哈佛天文學家還會記錄玻璃底片上的光譜。光譜提供線索，可以判斷星星含有何種元素。星體發出的光包含各種顏色，但元素周期表中每個元素會吸收一組特定波長。換句話說，飄浮在星體大氣層的元素原子會在星光到達地球前吸收特定波長的光。天文學家觀察星體光譜的水平面會發現波長缺失部分出現細黑線，從這些黑線就能推測出光線被什麼元素吸收了。可以說感光玻璃板留下了指紋光譜、宇宙條碼，結論是星星含有許多地球上能找到的元素，例如鐵、氧、矽、氫。

隨之而來的問題是光譜模式有異常，想要詮釋並不容易。儘管玻璃底片能告訴科學家星星包含什麼元素，卻無法有效判斷各元素的份量。

星星的祕密：她用光譜解開宇宙的指紋

儘管如此，天文學家卻認為自己已經知道答案是恆星和行星必定由相同物質構成。當時許多人認為行星是另一顆恆星經過時從太陽拉出大團熱氣體之後凝固而成，因此地球與太陽必然成分相近。就連恆星研究龍頭亨利．諾里斯．羅素也信心滿滿，他相信太陽就像地球有個巨大鐵核心，如果將地球地殼加熱到太陽的溫度就會散發出幾乎一模一樣的光譜。

這正是佩恩想研究的問題。她意圖藉由底片確認恆星中各種元素的比例，並提議採納最新的前沿理論：遠在加爾各答的傑出天體物理學家梅納德．薩哈（Meghnad Saha）指出新的量子力學理論中，電子只能在特定軌道圍繞原子核旋轉，能量越高就必須離原子核越遠。據此出發，薩哈認為恆星溫度各有不同，即使原子是相同元素，其中電子也很可能處於不同路徑（若是最高溫的恆星，原子還可能直接失去電子）。這些變化導致相同原子會吸收光線中的不同波長組合，混淆人類對星星光譜的理解。

工程浩大，但佩恩不畏挑戰，將薩哈方程式應用於哈佛的龐大底片館藏。哈佛天文臺也只有她具備足夠的量子理論知識能完成這項工作。[40]

佩恩辦公室位於紅磚大樓三樓，裡頭堆滿了底片。她不舍晝夜努力分析，數萬筆恆星光譜看得人眼花繚亂。底片至今仍保存在同一棟大樓，只是外面護膜泛黃了。曾經接受佩恩指導的天文學家歐文．金杰里奇（Owen Gingerich）拿了一張給我看過，上面的黑色帶狀紋路每條約四分之一英寸寬（約零點六公分），裡頭交織亮度不一的模糊細線，必須拿放大鏡才能判讀。「單純這樣看想必一頭霧水，」金杰里奇解釋：「但其實有一套辨識的系統，只要日復一日觀察就能跟它們變成朋友。」我盯著那些線條直呼不可思議。

天文臺臺長沙普利偶爾在夜裡經過那間辦公室，發現佩恩邊抽菸邊端詳底片，絞盡腦汁在模糊線條裡辨認出模式、與計算結果做對照。她自己也寫下：「我日以繼夜研究，時常處在疲憊崩潰的邊緣。」研究計畫從幾個月延長到將近一年，期間只能以「霧裡看花」形容，但皇天不負苦心人，佩恩運用薩哈方程式之後得到出乎意料的結果。

論文初稿中她大膽宣稱：儘管大家相信恆星與地球成分應該相同，但事實並非如此。恆星中幾乎沒有地球上最常見的元素如鐵、矽、氧、鋁。反之，每顆恆星有百分之九十八是氫和氦，而且太陽的氫比地球多一百萬倍。

太奇怪了，與她在劍橋所學不符，也與老師們對地球形成的理解不一致。「佩恩小姐？你很勇敢」，物理學家艾爾弗雷德．福勒（Alfred Fowler）這樣對她說。沙普利臺長很得意地將佩恩的論文草稿寄給自己以前的指導教授、普林斯頓大學著名天文學家亨利．諾里斯．羅素。

哈佛大學最優秀的人也被迫低頭

羅素回信以高度讚揚夾帶了強烈警語：他認為佩恩的主張，也就是星星幾乎完全由氫和氦組成，「顯然是不可能的」。否定這種說法的理由很充分，其中之一在於他們為何認為太陽中含有大量的鐵。太陽光譜中代表鐵的線條比其他元素更多，而且許多隕石也由鐵構成、地球的核心同樣充滿鐵。在羅素看來，種種現象指向任何天體都含有大量的鐵。

一邊是研究所學生，另一邊在學界已經聲譽卓著，佩恩自然接受了對方觀點，或者應該說她感覺自己不得不從，回憶時提到：「年輕科學家有沒有前途就看對方一句話。」於是她在論文加上一句前提，表示這部分結論「幾乎肯定不真實」。據佩恩的女兒告訴作家唐納文．摩爾（Donovan Moore），她一生都為這個決定感到遺憾，因為不出幾年量子理論進步了、其他人也透過其他方法得出同樣結論，羅素又回頭肯定了佩恩的發現。

後來很長一段時間裡，大家認為她寫出了天文學史上最傑出的博士論文。著名天文學家愛德溫．哈伯稱她為「哈佛大學最優秀的人（man）」。即便如此，佩恩在哈佛大學內部升遷卻花了很長時間，講座有非常多年沒被列入哈佛的課程目錄。原因出在校長勞倫斯．羅威爾（Lawrence Lowell）強烈排斥女性進入教職一事，還發誓有生之年絕不錄用，所以拖到一九五六年，羅威爾去世非常久以後，佩恩才終於當上教授。

她的發現改變人類對恆星運作的理解。確定恆星主要由氫和氦組成，研究人員得以解決另一個長期未解的謎團：星星以什麼作為燃料？他們發現恆星內部壓力極大，單質子的氫原子融合形成雙質子的氦原子時會釋放能量，太陽就以這種方式產生光和熱。也由於佩恩的貢獻與對恆星的新知識，學界終於有機會揭開重元素誕生的祕密，答案就在星星裡。

——本文摘自《你的身體怎麼來的？從大霹靂到昨日晚餐，解密人體原子的故事》，2025 年 01 月，商周出版，未經同意請勿轉載。

人類上太空的夢想會被我們親自摧毀嗎？

隨著火箭成本降低，人人都能把衛星丟上太空，現在，當你晚上抬頭看天空，你看到的星星可能不是星星，而是人造衛星。你看到一閃而過的的流星，可能只是墜入大氣的太空垃圾。

這些多到不行的太空垃圾已經成為隱憂，更可怕的是，這些以超音速飛行的太空垃圾可能摧毀其他衛星，在衛星軌道上製造更多不可預期的致命飛彈。有人擔心，人類終有一天會無法穿過這片垃圾雲，天空永遠被自己封閉。 終於，有人提出清理太空垃圾的方法了，但這些方法真的可行嗎？

現在的太空垃圾有多少？

最大的太空垃圾可能是整節火箭！

所有在繞行地球的軌道上失去功能的東西，都會成為太空垃圾，最大的包含壞掉的衛星、和大量運送衛星上太空的第二節推進火箭，例如 1960 年代太空競賽時大量發射的火箭，有許多至今還在宇宙遊蕩，每一個都像公車一樣大。而小東西，則包含太空人在太空漫步時遺忘的東西，或是太空垃圾互相碰撞後產生的碎片，最小可能只有數毫米，小的像隻蚊子。但不論太空垃圾來自哪裡，只要缺乏妥善的管理和追蹤，就可能成為其他運作中設施和儀器的致命血滴子。

為什麼說太空垃圾真的很危險？

為了不被地心引力拉入大氣，墜向地球，在軌道上繞行地球的物體大多都以非常快的速度在移動，包括現在還在運作的衛星與各種設施。舉例來說國際太空站位於距離地球表面四百公里高的近地軌道（Low Earth Orbit），以大約每秒 7 ~ 8 公里的速度高速移動，是地表音速的 20 倍。也就是說，太空上的車禍可嚴重多了，來自不同方向或不同傾角的物體，可能會以超過每秒 10 公里的相對速度發生碰撞。別說公車大小的太空垃圾了，只要直徑超過 1 公分的碎片就足以對太陽能板或玻璃造成損害。更麻煩的是，大小在 10 公分以下的物體，大多還因為尺寸過小難以追蹤。

那麼，我們的頭上有多少太空垃圾呢？

根據歐洲太空總署 ESA 的資料，目前軌道上有 6800 個運作中的衛星，相對的有超過 3 萬 2千個可追蹤的太空垃圾。但如果估計所有無法追蹤的物體，大於 10 公分的物體可能有超過 3 萬 6 千個，介於 1 公分到 10 公分的則高達一百萬個。

在這些太空垃圾中，大多數大型太空垃圾就是來自發射衛星後，一起留在太空的第二節推進火箭，小型太空垃圾則來自火箭爆炸或各種大大小小碰撞所產生的碎片。

太空上曾發生過嚴重的太空垃圾碰撞事件？

歷史上比較嚴重的一次撞擊事件發生在 2009 年，銥衛星公司運作中的通訊衛星，重量 700 公斤的 iridium 33，和失效、重 900 公斤的蘇聯軍用衛星 kosmos 2251，在 789 公里的高空，兩台衛星以每秒 11.7 公里的相對速度直接撞上，化成了兩團在軌道上繞行的碎片團。

NASA 估計，這單一次的碰撞產生了超過 2000 片可追蹤的碎片，雖然許多碎片受地球引力慢慢墜入大氣燒毀，但直到到 2023 年 2 月的統計，大約還有一半，也就是 1000 片碎片留在軌道上。過往也曾經觀察到碎片從距離國際太空站僅 100 多公尺的位置驚險掠過。

如何解決太空垃圾的問題？

太空垃圾又多又危險，真的有辦法清除嗎？

2023 年三月，NASA 發表一篇研究，整理了關於各種清理太空垃圾的方法與成本，包含從地面或太空發射雷射推動垃圾改變軌道，或是直接物理性撞擊改變軌道，還有透過捕捉垃圾，直接在太空將垃圾循環利用，作為燃料或其他用途的再利用等方法。

清理不同大小的物體，要用的方法跟產生的效益也不同，因此他們評估了針對兩種策略。第一種策略將會優先處理目前最大、最具威脅性的 50 個太空垃圾，例如完整的第二節火箭或是失去功能的完整衛星。第二種策略則是優先移除 1 到 10 公分的十萬個小型垃圾。NASA 分別評估處理這兩種目標帶來的效益，恩，所謂的效益，就是預估能減少多少因為太空垃圾碰撞而產生的損失。

要如何移除太空垃圾呢？

移除大型垃圾主要的方法主要是再入大氣層（re-entry），簡單來說就是讓垃圾落入大氣層燒毀。這個方法預計讓運送任務完成的火箭載具，透過剩餘的推進燃料，順手將其他大型垃圾帶下來。移除這 50 個大型垃圾預計總共會花費 10 億美金，但在移除 30 年後所帶來的效益，將會超過花費的成本，非常划算。

至於小型太空垃圾，主要使用的方法將會是成本較低的雷射。藉由雷射產生的微弱動能來改變垃圾的軌道，將它們送入大氣層或推離常用的軌道。發射雷射的裝置可以設置在地面或是太空中，單純以使用效率來說，設置在太空所需要的能量較低，但是設置在地面維護和管理比較方便。然而這也衍伸了許多爭議，主要圍繞在這個清除垃圾的雷射也可以作為武器使用，例如在戰爭爆發時用雷射攻擊敵國的衛星。不過如果順利設置的話，清除十萬個小型垃圾後大約只要十年就可以達到等同於成本的效益，比移除大型垃圾能更快回收成本。

方法有了，但我們真的能讓太空再次乾淨嗎？

太空垃圾問題有解嗎？

現在的太空有多擁擠？

如果把歷史發射資料整理出來，會發現近五年人類的衛星發射數量幾乎是直線攀升，2012 年一整年全世界也只發射了 200 多顆衛星，到了 2022 年已經成長到一年 2000 多顆衛星。而且絕大部分都是來自於美國的衛星，想當然很大一部份都來自於 SpaceX 的星鏈計畫。而受益於獵鷹九號的高成功率和可回收造就的低廉成本，也能夠發射更多的中小型衛星，像是我們臺灣也發射了不少自主研發的立方衛星上太空，例如 2021 的「飛鼠」和「玉山」以及最近才剛發射的珍珠號立方衛星。

如果所有的衛星與火箭都會變成太空垃圾，我們清理垃圾的速度又不夠快，還有可能發生凱斯勒現象（Kessler syndrome），也就是碰撞產生的碎片引發連鎖反應，造成更多撞擊和更多碎片，讓不可控的太空垃圾快速增加，直到新的火箭與衛星都難以穿越，我們將無法前往太空，被自己的創造出的人造物封鎖在地球。

治標也要治本，我們對於即將發射進太空的人造物能有套管理辦法嗎？

1967 年在聯合國通過並簽署的《關於各國探索和利用包括月球和其他天體的外太空活動所應遵守原則的條約》，簡稱為《外太空條約》。這個條約制定了各國在外太空活動所應該遵守的原則，其中和人造衛星有關的原則主要有三個：

1. 國家責任原則：各國應對其航太活動承擔國際責任，不管這種活動是由政府部門還是由非政府部門進行的
2. 對空間物體的管轄權和控制權原則：射入外空的空間物體登記國對其在外空的物體仍保持管轄權和控制權
3. 外空物體登記原則：凡進行航太活動的國家同意在最大可能和實際可行的範圍內將活動的狀況、地點及結果通知聯合國秘書長

也就是說，雖然各國需要將太空活動回報給聯合國統計，但實際上在制定規範和進行管制的還是各國本身。以美國來說，分別需要和 FAA 聯邦航空總署申報火箭發射和再入大氣層的計畫，以及向 FCC 聯邦通訊委員會申報衛星的通訊規格，至於要如何避免在太空發生碰撞，是發射單位要自己負起責任，公部門只提供有追蹤的物體軌道資料。

不過對於衛星任務結束後的處置，FCC 倒是有相關的規定和罰鍰。因為如果衛星有動力系統，可以在任務結束時就控制墜入大氣層或飛離常用軌道，進到所謂的死亡軌道（Graveyard Orbit），而通常在申請發射衛星時，也需一併提供任務結束後的處置方式。

去年，衛星電視業者 Dish Network 沒有按照它在 2012 年所制定的衛星處置計畫，將衛星從離地 36000 公里的地球同步軌道再往外推 300 公里。這顆衛星在移動的半途中就燃料耗盡失去了動力，只離開原本的軌道 120 公里，FCC 因此對衛星電視業者開罰了 15 萬美元。這起首次針對太空垃圾的開罰，對於太空垃圾的管制具有重大的意義，代表著對太空垃圾危害性的重視，也代表著清理太空垃圾的商機正在逐漸成長。

清除太空垃圾能有商業價值？

隨著商業化的太空活動逐漸熱絡，如何讓清理太空垃圾不只是空談也成了一個重要的問題。如果軌道上的垃圾減少，受益的會是所有使用軌道的衛星。就與現存的回收與垃圾處理方式一樣，我們可以規定所有衛星的生產者都必須繳交「太空垃圾處理費」，如果在發射的過程中產生額外的太空垃圾，則必須提高費率。相對的，如果一家公司提供清理太空垃圾的服務，則可以獲得這些「太空垃圾權」並換成對應的金額。

另外，雖然目前對於在軌道上進行捕捉再回收的直接經濟效益並不突出，但如果未來在太空可以建立起專門的處理設施，或許可以作為一個長期的太空垃圾處理機制，沒想到吧，人類要成為跨行星文明的第一步，竟然是得先成立太空垃圾清潔隊。

不過話說回來，要讓各國政府願意砸大錢在太空垃圾回收產業可能還需要一點時間。畢竟相較於直接影響到生活的全球暖化，太空垃圾的危害並不那麼可怕，大型垃圾的撞擊也可以預測並提前避開，因此短時間內也還不會有明顯的感受，但如果你是需要觀測的天文學家，可能就覺得垃圾好礙眼了。

歡迎訂閱 Pansci Youtube 頻道 獲取更多深入淺出的科學知識！

• https://platform.leolabs.space/visual…
• https://www.esa.int/Space_Safety/Spac…
• https://fas.org/publication/taking-ou…
• https://www.digitalinformationworld.c…
• https://fas.org/publication/how-do-yo…
• https://fas.org/publication/taking-ou…
• https://ourworldindata.org/grapher/ye…
• https://www.theverge.com/2023/10/3/23…