一閃一閃亮晶晶──發現光學脈衝星｜科學史上的今天：1/16

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！

• 謝承安／ EASY 天文地科團隊成員，因喜愛動畫《戀愛中的小行星》開始研究小行星，現就讀臺大物理系。
• 林彥興／清大天文所碩士， EASY 天文地科團隊總編輯，努力在陰溝中仰望繁星。

• Take Home Message
  • 殘屑盤是恆星周遭的盤狀結構，由於北落師門殘屑盤離地球僅 25 光年，數十年來天文學家時常會藉由觀測它以了解殘屑盤的特性。
  • 去（2023）年韋伯望遠鏡的觀測結果與過去不同，顯示北落師門殘屑盤其實分成多個部分，更讓他們相信北落師門中有多個行星環繞。
  • 韋伯望遠鏡提供的影像還揭露許多來源未知的構造及現象，例如內側殘屑盤與內側裂縫等，都有待繼續探索。

北落師門（Fomalhaut）又稱南魚座 α 星，是秋季星空中著名的亮星之一。去年 5 月，以美國亞利桑那大學（University of Arizona）天文學家加斯帕（András Gáspár）為首的研究團隊在《自然天文學》（Nature Astronomy）期刊上發表，他們藉由詹姆士．韋伯太空望遠鏡（James Webb Space Telescope, JWST，簡稱韋伯望遠鏡），在北落師門周圍殘屑盤（debris disk）中首次發現了「系外小行星帶」的存在。韋伯望遠鏡拍下美麗的照片，也瞬間席捲各大科學與科普媒體的版面（圖一）。

天文學家選擇北落師門作為目標並非偶然。半個世紀以來，北落師門一直是天文學家研究殘屑盤時的首選目標之一。韋伯望遠鏡的新影像為我們帶來什麼新發現？過去與現在的觀測方式又有什麼差異？本文將帶著大家一起回顧北落師門殘屑盤的觀測史。

行星相互碰撞後的殘屑盤

殘屑盤是環繞在恆星周遭，由顆粒大小不一的塵埃所組成的盤狀結構。如果讀者們聽過行星形成的故事，也知道行星是從恆星四周、由氣體與塵埃組成的「原行星盤」（protoplanetary disk）中誕生，那你或許會認為殘屑盤可能就是行星形成後剩下的塵埃。但實際上並非如此，在恆星形成初期的數百萬年間，原行星盤中的氣體和塵埃會被恆星吸積或是吸收恆星輻射的能量後蒸發，同時也會聚集成小型天體或行星，這些原因都會使原行星盤消散。而殘屑盤則是由盤面上的小行星等天體們互相碰撞後，產生的第二代塵埃組成（圖二）。

這些塵埃發光的機制主要有兩種。第一，塵埃本身可以散射來自母恆星的星光，從而讓天文學家能在可見光與近紅外波段看到它們。第二，塵埃在吸收來自恆星的星光之後，以熱輻射的形式將這些能量重新釋放。由於恆星的光強度與距離成平方反比，愈靠近恆星，塵埃的溫度就愈高，因此發出的輻射以近紅外線為主；反之，愈是遠離恆星，塵埃的溫度就愈低，發出的光就以中遠紅外線為主。

觀測目標：北落師門

北落師門殘屑盤的觀測始於 1983 年。當時，美國國家航空暨太空總署（National Aeronautics and Space Administration, NASA）的紅外線天文衛星（Infrared Astronomical Satellite, IRAS）發現北落師門在紅外線波段的亮度異常高，代表周圍很可能有殘屑盤圍繞。由於北落師門離地球僅約 25 光年，這項發現引起眾多天文學家的關注，並在未來數十年前仆後繼地拿出各波段最好的望遠鏡，希望藉此深入了解殘屑盤的特性。其中，哈伯太空望遠鏡（Hubble Space Telescope, HST，簡稱哈伯望遠鏡）、阿塔卡瑪大型毫米及次毫米波陣列（Atacama Large Millimeter/submillimeter Array, ALMA）與韋伯望遠鏡擁有非常好的空間解析度，因此能夠清楚地觀測殘屑盤的結構。

● 哈伯的觀測

2008 年， NASA 公布哈伯望遠鏡在 2004 與 2006 年對北落師門的觀測結果（圖三），讓天文學家首次清晰地看到北落師門殘屑盤的影像。這張照片是哈伯望遠鏡以日冕儀（coronagraph）在 600 奈米（nm）的可見光波段下拍攝，中間的白點代表北落師門的位置，而周圍的環狀亮帶正是因散射的北落師門星光而發亮的殘屑盤，放射狀的條紋則是日冕儀沒能完全消除的恆星散射光。除此之外，天文學家還發現有一個亮點正圍繞著北落師門運行，並認為此亮點可能是一顆圍繞北落師門的行星，於是將它命名為「北落師門 b 」。很可惜在往後的觀測中，天文學家發現北落師門 b 漸漸膨脹消散，到 2014 年時就已經完全看不見了。因此它很可能只是一團塵埃，而非真正的行星。

● ALMA 的觀測

ALMA 對北落師門的完整觀測於 2017 年亮相，他們展示出更加清晰漂亮的環狀結構，且位置與哈伯望遠鏡的觀測吻合。正如前面提到，殘屑盤中的塵埃溫度愈低，放出的輻射波長就愈長。因此 ALMA 在 1.3 毫米（mm）波段觀測到的影像，主要來自離殘屑盤中恆星最遠、最冷的部分。

● 韋伯望遠鏡的觀測

最後則要來看去年韋伯望遠鏡所使用中紅外線儀（mid-infrared instrument, MIRI）拍攝的影像（圖五）。與之前的觀測不同，這次的影像顯示北落師門的殘屑盤其實分成幾個部分：

首先，哈伯望遠鏡與 ALMA 之前就已觀測到的塵埃環，它的半徑約 136～150 天文單位（AU）、寬約 20～25 AU，而溫度則落在約 50～60 K，與太陽系的古柏帶（Kuiper belt）十分相似，因此被稱為「類古柏帶環」（KBA ring）。雖然在觀測上的溫度相似，但其實此塵埃環與北落師門的距離是古柏帶到太陽的四倍；不過北落師門光度約為太陽的 16 倍，根據前述提及的平方反比關係，才導致兩者的溫度相近。此外，在更外層名為「暈」（halo）的黯淡結構則對應古柏帶外圍天體密度較低的區域。

再來，韋伯望遠鏡還發現了更多未解的謎團：內側殘屑盤（inner disk）與中間環（intermediate ring）。其實早在本次韋伯望遠鏡的觀測之前，天文學家就已經從北落師門的光譜推測，北落師門的殘屑盤中除了存在前面提過的類古柏帶環之外，應該還有另一批更靠近恆星、溫度更高的塵埃，溫度與大小對應太陽系中的環狀小行星帶。但當韋伯望遠鏡實際觀測後，卻發現與太陽系的環狀小行星帶相比，北落師門有著相當瀰散的內側殘屑盤。為什麼會有這樣的不同呢？目前天文學家也不清楚，仍待進一步研究。

最後，在類古柏帶環與內側殘屑盤之間，還存在著一個半長軸約 104 AU 的「中間環」，在太陽系中則沒有對應的結構，這項新發現也需要進一步的研究來了解它的來源。

此外，雖然北落師門 b 最終被證實並不是一顆行星，但這並不代表北落師門旁沒有行星環繞。最初，殘屑盤的形成原因是由小行星等天體不斷碰撞所產生，經過不斷地碰撞合併，其實就有可能已經產生直徑數百到數千公里的行星。從北落師門的殘屑盤還可以推論，在內側殘屑盤與中間環之間可能有一顆海王星質量以上的行星，它就像鏟雪車般清除軌道上的塵埃，從而產生「內側裂縫」（inner gap）的結構。

另一方面，天文學家也藉由數值模擬發現，如果僅考慮來自北落師門的重力影響，類古柏帶環應該要比觀測到的更寬才對。因此他們推測，很可能在類古柏帶環內外兩側有兩顆行星，像控制羊群的牧羊犬一樣以自身的重力限制塵埃移動，才產生了這麼細的塵埃環。

● 更多的殘屑盤觀測

北落師門雖然是一顆年齡僅4.4億年的年輕恆星，卻已經是一個擁有殘屑盤、形成行星的成熟恆星系統。而來自韋伯望遠鏡的最新觀測結果，無疑讓天文學家更深入地認識殘屑盤中複雜的結構，也更令他們相信北落師門系統中有多個行星環繞。

不過，北落師門系統仍舊有許多未解之謎。例如為什麼太陽系有著環狀的小行星帶，北落師門卻是瀰散的內側殘屑盤？在無數的恆星中，究竟是太陽系還是北落師門的殘屑盤構造比較常見？殘屑盤中是否有行星存在？如果有，在北落師門的演化歷史中又扮演著怎樣的角色呢？這些問題都有待更多的觀測與理論模擬來解答。

在北落師門之後，觀測團隊預計將韋伯望遠鏡指向天琴座的織女星（α Lyr, Vega），以及位於波江座的天苑四（ε Eri），兩者都是離地球非常近且擁有殘屑盤的恆星。其中織女星的溫度與質量比北落師門更大，而天苑四的質量與溫度雖然比太陽小，卻有強烈的磁場活動。藉由觀測不同系統中殘屑盤的性質差異，並與太陽系進行對比，不僅能更加認識殘屑盤的起源、與行星的交互作用，更能理解我們自己的恆星系中，數百萬顆的太陽系小天體從何而來。

JWST 原始資料的處理過程影片介紹，非常值得一看！

• 〈本文選自《科學月刊》2024 年 01 月號〉
• 科學月刊／在一個資訊不值錢的時代中，試圖緊握那知識餘溫外，也不忘科學事實和自由價值至上的科普雜誌。

延伸閱讀

1. Galicher, R. et al. (2013). Fomalhaut b: Independent analysis of the Hubble space telescope public archive data. The Astrophysical Journal, 769(1), 42.
2. MacGregor, M. A. et al. (2017). A complete ALMA map of the Fomalhaut debris disk. The Astrophysical Journal, 842(1), 8.
3. Gáspár, A. et al. (2023). Spatially resolved imaging of the inner Fomalhaut disk using JWST/MIRI. Nature Astronomy, 1–9.