系外行星，發現！｜科學史上的今天：11/5

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

• 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。

克卜勒 90是太陽系以外第一個已知的八大行星系統。在這個星系中，行星運行的軌道更靠近恆星，而克卜勒90i每14天公轉一次。（請注意，行星的大小，以及行星與恆星的距離不在測量範圍內。）

當我們運用科技來嘗試了解宇宙時，會以為已經可以一窺一二，但其實不然。目前為止，我們只用TensorFlow 模組搜尋了20萬個恆星當中的670個，而克卜勒的數據中可能還有更多系外行星尚未被發現，未來機器學習的新思維和技術將能幫助人類進行宇宙探索，發現更多未知的領域！

• 本文原刊載於Google台灣部落格，原文為《用機器學習發現新行星》