系外行星，發現！｜科學史上的今天：11/5

本文由 高柏科技 合作，泛科學撰文

林唯耕剛回台灣任教時，曾在清華大學的實驗室裡用一立方公分的「氨」做實驗。沒想到氨氣意外洩漏，那股刺鼻的氣味瞬間瀰漫整棟大樓，引來眾多師生抗議。

「從此以後，我再也不敢在實驗室裡用氨了。」他在《思想實驗室》的訪談中，帶著笑意回憶這段往事。

這段插曲聽來像是一則工程師的寓言：在理論模型中，氨是太空熱控系統的理想介質；但在現實的辦公大樓裡，它首先是逼人逃竄的臭味。公式本身沒有錯，但現實世界永遠比公式更複雜——它包含了人、成本、風險，以及必須為後果負責的工程師。

高柏科技技術專家、清華大學榮譽退休教授林唯耕 ，曾任職於美國 OAO 工程部熱流組，深耕電子構裝散熱與熱管技術多年。隨著 AI 浪潮席捲全球，他鑽研一輩子的老問題再次被推向科技產業的核心：當晶片運算速度無止境攀升，那股伴隨而生的熱，究竟該往哪裡去？

熱不會讀新品發表會

科技巨頭在發表會上熱衷於談論大型語言模型、GPU 規格與驚人的算力。這些詞彙在投影片上光鮮亮麗，彷彿進步毫無邊界。然而，每一次數位運算都紮實地發生在實體晶片上。晶片會發熱、材料會疲勞老化，一旦設備過熱，系統便會降頻保護。在物理現實面前，再動聽的發表會敘事也必須低頭。

回顧個人電腦發展早期，晶片幾乎不需專屬散熱元件。隨後，鋁製鰭片、風扇、熱管到均溫板逐一登場。這段歷程常被視為技術升級，其實更像是對空間的極限勒索：晶片功率翻倍，發熱源的面積卻沒變大，機箱空間也不可能無限擴張。

林唯耕指出，散熱設計的核心只有三要素：功率、熱源面積與空間限制。他舉例，在標準的 1U 機箱中，若發熱面積約為三十乘三十毫米，氣冷系統在達到八百瓦時就會面臨瓶頸。這並非固定的物理常數，而是取決於空間、面積與氣流的動態平衡。最現實的代價在於，風扇轉速提升的背後，是噪音、電力損耗與空間占用。

因此，「液冷技術」的興起並非單純為了追求酷炫，而是算力密度提升後的必然選擇。它能更精準地帶走晶片廢熱，卻也將新的挑戰帶入機房：漏液風險、流道堵塞、材料相容性，以及維運時的難度。工程的進步，本質上鮮少是徹底消滅問題，更多時候是選擇一組「比較值得承擔」的新問題。

太空教他的，不是把答案搬回地面

太空熱控工程之所以迷人，是因為它剝奪了地球上最常見的散熱工具。在真空宇宙中，沒有空氣能讓風扇製造對流；受光面溫度破百度，陰影處卻極度嚴寒。工程師必須純粹仰賴熱傳導、熱輻射，以及熱管與環路型熱管（LHP）來搬移熱能。

熱管運作的關鍵在於「相變」——液體蒸發時吸收大量潛熱，冷凝後重回循環。林唯耕比較了銅與水的熱傳導能力：在他設定的特定條件下，實心銅塊約能傳導 120 瓦的熱能；但若每秒有一立方公分的水發生蒸發相變，移熱量可瞬間拉升至 2.4 千瓦（kW）。他強調「每秒」的觀念，因為散熱談的是動態流動速率，而非靜態的冷卻魔法。

儘管如此，太空科技並不能直接套用到地面。太空元件因考量重量、功耗與維修難度，偏好無馬達幫浦的被動式設計；但地面 AI 伺服器面臨更高的熱負載與環境溫度，往往仍需幫浦驅動流量。當年那場「氨氣洩漏」事故正是最好的提醒：技術是否「先進」，與它是否「適合」當下的場景，始終是兩回事。

好論文，為什麼仍可能造不出好產品

學術研究致力於證明「可行性」，而工業現場則要求「可重複性」——不僅要能運作，還得確保每台出廠的設備都不漏水。林唯耕將此定義為「從 0 到 1」與「從 1 到 100」的差別。後者涉及良率、成本、公差與客戶信任。論文中那次最完美的實驗數據，在產線上往往未必管用。

他從不避談失敗。在高柏科技早期與學界合作時，也曾遇過實驗數據無法複製，或研究方向偏離產業需求。這未必是雙方努力不夠，而是彼此對「成功」的標準不同。為了解決這道鴻溝，高柏科技推動「柏苗啟航創新培育計畫」，每年投入逾千萬資金與成大、中山、台科大等校合作，並指派專業人才在過程中持續微調、校正，確保研發貼近產線現實。

他分享了近期一項液冷工質校正專案。團隊使用非侵入式的超音波流量計進行觀測，但由於儀器預設以「水」校正，換成其他化學流體後讀數便出現誤差。最初嘗試用幫浦壓差推算，卻發現缺乏重複性，數據甚至推導出不合理的蒸發率。最後團隊回歸基本面，改用秤重法搭配能量平衡進行交叉驗證，才讓數據成功收斂。

這個故事真正的價值不在於「產學雙贏」的口號，而在於那段不夠優雅的挫折：假設失效、數據混亂、方法砍掉重練。也正是在這種時刻，企業需要的不只是會算數的人才，而是能洞察研究何時「走鐘」，並有權力喊停、要求重來的關鍵決策者。

林唯耕坦言，過去在校園裡總認為「技術第一、成本第二」，進入商界後才驚覺行銷與信任關係往往才是關鍵。這番話雖然不如科技突破那樣動聽，卻是產品能否進入市場的殘酷真相。再卓越的散熱設計，若無法穩定生產或贏得客戶信任，也僅止於一份精美的報告。

AI 會給答案，誰來負責出貨？

訪談尾聲，主持人國威提出了一個時代難題：假設 AI 能在彈指間生成散熱架構、材料配方與流道設計，企業該選擇全面擁抱 AI 的速度，還是保留緩慢但穩定的工程驗證，以規避潛在的失效風險？

林唯耕拒絕落入二選一的框架。他的觀點是：兩者並存。AI 擅長處理資訊、生成草案；但工程師仍須實作原型，進行嚴苛的性能與可靠度測試，最終由人決定是否出貨。這並非盲目崇拜人類直覺，而是基於一項事實：AI 的資料庫裡，通常沒記載下一次「意外洩漏」或「材料疲勞」的細節，且模型永遠無法為量產結果擔負法律與商業責任。

在 AI 時代，最稀缺的未必是熟練下指令（Prompt）的人，而是具備這種能力的人：能預判答案可能在哪裡出錯、能設計實驗將問題「逼」出來，並且願意為最終的量產品質負起責任。

大眾習慣將雲端想像成輕盈、無重量的空間。但現實中，雲端是由龐大的機房架構而成，裡面裝滿了晶片、管線、泵浦與冷卻液。虛擬算力的每一次擴張，都會在實體世界留下發熱的足跡。散熱工程師的價值，就是不讓這筆物理帳單，被埋沒在光鮮亮麗的投影片背後。

• 謝承安／現就讀臺大物理系，因喜愛動畫《戀愛小行星》而喜好小行星
• 林彥興／現就讀清大天文所，努力在陰溝中仰望繁星

2016 年 9 月 8 日，歐西里斯探測器（OSIRIS-REx）由擎天神五號火箭發射升空，追隨著前輩們 ── 隼鳥號與隼鳥二號 ── 的腳步，前往近地小行星貝努（101955 Bennu），執行人類史上第三次的小行星取樣任務。

經過兩年多的飛行，歐西里斯號於 2018 年底成功抵達貝努，並在幾個月後成功採集樣本，預計在今年 9 月 24 號返回地球。透過採集小行星上的原始樣本，科學家將能夠推論 46 億年來太陽系的演變歷史，但除此之外，歐西里斯探測器也在環繞貝努的過程中進行了眾多觀測，也為小行星研究貢獻許多，現在就讓我們回顧歐西里斯號的浩瀚之旅！

歐西里斯基本介紹

要了解歐西里斯號的觀測目標，我們只需要把他的英文全名攤開來看：

Origins, Spectral Interpretation, Resource Identification, Security-Regolith Explorer

翻譯作太陽系起源、光譜解析、資源識別、安全保障、小行星風化層探索者。其縮寫歐西里斯，是埃及神話中的冥神。儘管你可能無法了解各個專有名詞，但在看過那麼長的名字後，應該也能知道歐西里斯探測器的任務可不僅是採集樣本而已。

歐西里斯號的目標是小行星 101955 號「貝努」。

這是一顆於 1999 年由林肯近地小行星研究小組（LINEAR）發現的近地小行星。之所以選擇貝努作為觀測目標，是因為貝努的軌道與地球十分接近，有撞擊地球的潛在風險，另一方面距離近，也可以讓探測器在較短的時間內抵達。

值得一提的是，「貝努」這個名字源自古埃及神話的神鳥，同時也是引領前往冥界的諸神之嚮導。同時，貝努小行星上的各式地形或是地點，也都是以不同神話中的鳥類來命名。

在發射後過了兩年，2018 年，歐西里斯號逐漸接近貝努，並以相機模組中的 8 吋望遠鏡（Polycam）不斷進行觀測，直至十二月成功抵達貝努。

而抵達後的第一項任務，就是詳細繪製全小行星的地圖，過去科學家曾經透過金石太陽系雷達來（GSSR）來探測貝努的模樣，但地面上的雷達雖然可以看到貝努的大致形狀，解析度卻仍不足以窺見小行星上詳細的地形起伏，也就無法事先決定採集樣本的地點但藉由探測器上攜帶的雷射測高儀（OSIRIS-REx Laser Altimeter, OLA），歐西里斯號得以透過發射雷射訊號與接收的時間差， 像是測量海底深度的聲納一樣，繪製全小行星的地形高度圖。另外其配載的高解析度相機（MapCam），也可以讓科學家一覽高解析度的貝努影像。

除了解地形以外，決定採樣地點時，另一項重要的考量是採樣地礦物或化學組成。正如同地球上各處的岩石化學組成不盡相同，不論是含水量、顆粒粗細程度以及有機物的有無，皆是採樣任務執行時需要考量的情況。於是，歐西里斯號使用了三種方法來探測小行星表面上的礦物。

第一種方法是透過風化層 X 射線成像光譜儀（Regolith X-Ray Imaging Spectrometer, REXIS）來觀測 X 射線光譜。讀者或許會想，X 射線多用來觀測高能天體的輻射，像是黑洞、超新星爆發等事件，並且小行星本身也不會發出 X 射線，為何要攜帶這樣的探測儀器？

事實上，當元素吸收到宇宙射線或太陽所發出的 X 射線時，內層的電子會吸收能量並游離，而外層的電子便會向下躍遷，補上原本內層電子的位置，更外層電子又再補上外層電子的位置。在這一連串的過程中，便會發出 X 射線。而由於每個元素的能階都是獨一無二的，藉由觀測X射線的光譜，我們便能了解小行星上各處的元素豐度。

這樣的分析方式被稱作 X 射線螢光分析（X-ray fluorescence, XRF），是一種非破壞性的元素鑑定方式，地質考察、考古甚至是博物館文物鑑定都常利用此方式進行探測。

另外，歐西里斯號上還配戴可見光與紅外線分光儀（OVIRS），也能夠獲取小行星可見光與紅外線波段的光譜來辨別來辨別礦物或是有機物的種類。並且由於不同礦物的熱導率差異，歐西里斯還可以藉由熱輻射光譜儀（OSIRIS-REx Thermal Emission Spectrometer, OTES）掃描全小行星的熱輻射地圖來了解礦物與化學豐度。

熱輻射儀也可以更進一步用於研究小行星上的熱量傳輸問題。當小行星吸收太陽光後將以輻射的方式將能量釋放時，其光壓會給予小行星一個微小的作用力。在經年累月的作用下，便會對其軌道產生改變，此現象稱之為亞爾科夫斯基效應（Yarkovsky effect）。

由於亞爾科夫斯基效應的強弱會受到小行星的反照率、表面材質甚至是地形而影響，如果對小行星不夠了解，那預測小行星軌道的難度將大幅提升。因此歐西里斯號的近距離探測，對精準預測貝努的軌道非常重要。

樣本採集：歐西里斯與貝努的零距離接觸

在近兩年的搜集數據後，歐西里斯號便開始執行此次任務的最終目標：採集樣本。

一開始，科學家們有四個候選地點：夜鷺（Nightingale），此處位於年輕的隕石坑上，且具有最細顆粒的礦物；翠鳥（Kingfisher）為新的隕石坑並具有豐富的含水量；魚鷹（Osprey）具有較低反照率的岩石樣本；鷸（Sandpiper）位於兩個隕石坑之間，可能含有水合礦物。

在科學家掙扎的選擇後，最終決定在名為「夜鷺」的地點進行採樣。因為此處較年輕的地質特性，能夠讓我們採集到貝努更原始的樣本，以此探討貝努在太陽系闖蕩時所遺留的痕跡，再加上較細的礦物也能讓執行任務時能有較高的成功率。至於其他候選地點，只能說後會有期了。

2020年10月20號，歐西里斯號伸出他的機器手臂，名為 Touch-And-Go Sample Acquisition Mechanism（TAGSAM），顧名思義便是碰一下小行星表面後便離開。其運作原理，是在碰觸到小行星表面時釋放加壓氮氣產生爆炸，再搜集飛散出來的碎屑樣本。

說起來雖然簡單，但降落在微小重力的且未知內部構造的小行星上其實非常困難，科學家們需要考量到所有可能影響的作用力，甚至是太陽光所造成的輻射壓都必須考慮進去。

現在，想像你是個科學家，坐在任務的控制室中，透過相機模組中的 SamCam，望著歐西里斯號逐漸靠近小行星，3，2，1⋯⋯，碰！（狀聲詞，事實上，太空中是沒有聲音的。）

採集任務看似十分成功，歐西里斯號將 TAGSAM 的頂端放入樣品返回艙（Sample Return Capsule, SRC）中，SRC 也使用了眾多隔板將散落在太空中的碎屑放入其中，兩天後，歐西里斯號回傳了樣本採集艙的影像，確認歐西里斯號已搜集足夠的樣本，但此時卻發現了些意外，由於採集的樣本太大顆，艙門無法完全緊閉，導致有部分樣本散逸至太空中，還好這不影響任務的完成，算是有驚無險。

2021 年 4 月 7 日，歐西里斯號展開他的最後一次飛越任務，此次他以超近距離（約 3.5 公里）觀測「夜鷺」在採集後的模樣，可以清楚看見採樣任務前後的區別，中心區域產生了一個深度超過45公分的凹痕！ 周圍的岩石也因此錯位。

過去天文學家們透過眾多觀測數據推論，大多數的小行星比起堅硬的石頭，更像是散亂的碎石堆。後來科學家們也透過此次採樣任務確認貝努表面並非像是地殼般的堅硬固體，而比較像是流體般，才產生如此大的凹痕。

在做完惜別任務後，2021 年 5 月 10 號，歐西里斯號啟動了他的主引擎，開始返回地球的旅程。預計在今（2023）年 9 月 24 號，裝載著貝努樣本的樣本返回艙將與歐西里斯號脫離，並以秒速 12 公里的高速衝入地球大氣層，並著陸於猶他州的沙漠中，由研究人員回收後取出樣本進行更近一步的分析。

然而歐西里斯號的旅程仍尚未結束。

接下來它將在 2029 年對另一個有潛在撞擊地球風險的小行星 99942 阿波菲斯（APophis）進行觀測。就讓我們歡迎冥神與他所攜帶的樣本歸來，以及期待未來科學上的重大發現吧！

延伸閱讀

• 夜空中的守望者－ 望遠鏡如何保衛地球? – 科學月刊Science Monthly
• What Would Happen If Asteroid Bennu Hit Earth?
• NASA’s OSIRIS REx Mission Ends Up With More Than It Expected

• 作者｜ Chris Shallue，Google人工智慧研究員 / Andrew Vanderburg，德州大學奧斯汀分校天文學家

幾千年來，人們仰望星星，記錄、觀察天文現象，並從中發現其運行模式。第一批天文學家所認定的天體是行星，由於行星在夜空中看似不規則的移動，因此也被希臘人稱之為「planētai」或「漫遊者 （wanderers）」。經過幾個世紀以來的研究，人們已經了解太陽系的運行模式，是地球和其他行星圍繞著太陽公轉，而太陽是一個恆星，就如同我們肉眼所看見會發光的星星一樣。

如今，在望遠鏡光學（telescope optics）、太空飛行、數位相機和電腦等技術的幫助下，我們得以將對宇宙的了解擴展到太陽系之外，偵測並探究其他恆星周圍的行星。這些圍繞在其他恆星周圍的行星也稱之為「系外行星（exoplanet）」，而研究系外行星能幫助我們更深入探索宇宙與人類的奧秘。太陽系之外的宇宙是什麼樣子呢？外太空還有像太陽系一樣的其他行星恆星嗎？

雖然技術的進步有助於我們探索宇宙，但尋找系外行星仍不容易。與火熱的恆星相比，系外行星是冷的、小的、沒有光亮的，這就像要從幾千英里的地方，看見探照燈旁邊飛來的螢火蟲一樣困難。

不過藉助機器學習（Machine Learning），我們在最近有了一些新的進展。

克卜勒任務與 Google AI 的相遇

天文學家搜尋系外行星的方式，其中一個是分析來自NASA 克卜勒任務（Kepler Mission）中的大量資料數據，並透過自動化軟體和手動方式來執行。克卜勒任務用了四年的時間觀察近20萬顆恆星，每30分鐘拍一次照片，並創造了近140億個資料點。這140億個資料點相當於大約2千兆個可能的行星軌道。這個龐大的資料量即使用最強大的電腦來分析也是非常耗時、費力的。為了讓這個分析的過程可以更有效率，我們導入機器學習來加速分析時程。

凌星法是指，當一顆運行中的行星擋住了恆星的光線時，恆星的亮度會減小。我們以此概念為基礎，將其特徵訊號用來辨識周圍運行的行星，並運用克卜勒天文望遠鏡，在四年之間觀察並分析了20萬顆恆星的亮度。

機器學習能夠訓練電腦認識運作模式，而這對於分析大量數據來說尤其有用。機器學習技術的重點在於讓電腦從範例中學習，而不是透過編寫特定的規則。

我是Google人工智慧團隊的機器學習研究員，對於宇宙的世界相當感興趣。因此，我善用「20%計畫」（在Google，你可以利用20%的時間來做你喜歡或感興趣的事情）來開始執行這個專案。我和德州大學奧斯汀分校的天文學家 Andrew 接洽，共同執行這個專案。我們將機器學習技術應用在宇宙探索，並教導機器學習系統如何識別遙遠恆星周圍的行星。

我們利用超過 15,000 個被標記的克卜勒訊號，創造一個 TensorFlow 模組來辨別行星與非行星。為此，這個模型必須能辨認出真正的行星所形成的圖像，與其他天體如 星斑（starspots）和雙星（binary stars）所形成的圖像。當我們讓 TensorFlow 模組辨識從未見過的訊號時，它能以96%的準確率辨認出哪些訊號是行星，哪些是非行星。因此，我們知道這個模組成功了！

克卜勒90i，發現！

有了可行的模組後，我們拍攝恆星，並利用這個模組在克卜勒數據中尋找新的行星。為了縮小搜尋範圍，我們研究了 670個已知可容納兩顆或更多的系外行星的恆星。在這樣的過程中，我們發現兩顆新行星：克卜勒80g 和克卜勒90i。其中值得注意的是，克卜勒90i 是第八個被發現圍繞著克卜勒90的行星，這使它成為除了太陽系之外，第一個已知的八大行星系統。

我們利用15,000個被標示的克卜勒訊號，來訓練機器學習模組去辨認行星訊號，並利用這個模組，從670顆恆星的數據中發現新的行星，且成功發現了兩個先前被忽略的行星。

另外也發現了一些有趣的事：這個行星比地球大了30%；擁有大約華氏800度的地表溫度，絕對不是你下一趟旅行的好選擇；它以14天的週期繞著恆星公轉，這代表你每兩個星期就會過一次生日喔。