星系考古學—龍之碰撞

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

這兩年全世界都被 COVID-19（特殊嚴重傳染性肺炎、新冠肺炎、武漢肺炎）疫情搞得雞飛狗跳。除了疫苗之外，「口罩、洗手、社交距離」堪稱「物理防疫三神器」。我們剛度過了第二個疫情下的中秋假期，看到各大交通轉運樞紐人山人海的群聚，不禁讓人擔心，擠成這副德性，樣怎麼保持社交距離啊？

最近頒發的 2021 年「第 31 次的第一屆」搞笑諾貝爾物理獎，也跟「社交距離」有關：在行人十分擁擠的通道上，大家如何互相閃躲以避免相撞，並且順利通行？

疫情前，大家在生活中碰到這種情境的經驗應該很頻繁，反正就順著人流走，有人擠過來過互相閃一下（然後心裡暗譙一下…有時候啦），經過一個不怎麼舒服的過程後，通常能順利通過。

但是這種在生活中看起來簡單的過程，有沒有辦法以物理學來理解呢？

物理學的主流是「化約主義」：希望用最簡單的理論來解釋各種現象。例如古典物理中用一個牛頓第二定律「F = ma」來解釋物體如何運動，用馬克斯威爾的四條方程式解釋一切電、磁與光的現象。物理學家的終極目標就是找出可以用一條方程式理解整個宇宙的過去、現在與未來的「萬物理論（The Theory of everything）」，所謂的萬物，當然是包含「人類行為」在內囉！

但是其他領域的學者可不吃這一套！比如說「人類的社會行為」，牽涉到神經科學、心理學、社會學等領域，每個領域都十分複雜，怎麼可能用物理學的化約主義來研究呢？

物理學家才不管這些，先做了再說！荷蘭 Eindhoven 科技大學、加州州立大學長灘分校以及義大利 Vergata 大學組成的研究團隊，探討了「擁擠的車站內通道的行人動力學」。其中加州州立大學的成員，是來自台灣的女科學家 Chung-min Lee 教授。

遊戲機變成高效的姿態感測器！

研究者將四部微軟電視遊樂器 X-BOX 用來捕捉玩家身體姿態動作的影像捕捉週邊設備「Kinect」裝設在 Eindhoven 火車站的通道上方，用以記錄通過這個通道的人群動態。這條通道一頭是市中心，另一頭則是巴士總站。

利用這四部 Kinect 拍攝到的行人影像，搭配影像辨識以及追跡演算法，可以同時標定每個進入畫面的行人，並且一路追蹤其軌跡直到離開畫面為止。整套系統從 2014 年 10 月到 2015 年 3 月，不間斷的記錄了六個月的時間，一共得到大約 500 萬人次的行人軌跡。

數據太複雜？別擔心，物理學家最擅長「化約」了

這些紀錄是貨真價實的複雜人類行為：有的是勇往直前一直線，有些左右搖擺，有些因為某些原因走到一半掉頭，也有真的就跟別人撞成一團的…物理學家如何發揮「化約主義」本色，將這些複雜的行為化簡成可以分析的數學形式呢？

研究團隊採取的方法是用將這長達六個月，累計數百萬行人來來去去的影片轉換成一個由一組「節點」（node）以及節點與節點之間的連線（edge）所組成的「圖」（graph）。

圖中每個節點都代表一個行人以及通過通道時的相關資訊，如行徑方向與軌跡長度。如果兩個行人（節點）在同一時間出現在同一畫面中，則這兩個節點就用線連起來，這條線的資訊包含它連結了哪兩個節點、兩節點間最大與最小的距離、同時在畫面上的時間等等。

假設一個情境如下（請拿出您的耐性，搭配圖二 (a) 看）：天剛亮時第 ① 個行人被攝影機捕捉到，接著第 ② 個行人跟在①後面進來，① 離開畫面後，③ 跟 ④ 分別從兩側走進來，在 ② 跟 ③ 離開畫面後，一班火車進站 ⑤⑥⑦ 先後進入畫面，然後人都離開了，中間的空檔只有 ⑧ 獨自通過，接著又有一班火車進來，⑨～⑫ 一起入鏡，最後一個離開鏡頭的 ⑫ 出鏡前瞬間 ⑬ 進來了，⑫ 離開後，⑭⑮ 進入，接著 ⑬⑭⑮ 先後出鏡，然後 ⑯ 獨自通過。

看起來有點煩，對不對？

不過轉換成圖二 (a) 的表示法，是不是就一目了然了呢？這就是「化約」的威力。即使如此，六個月累積下來的圖，上面會有 500 多萬個節點，節點間的連線數目可能上千萬，還是非常複雜。不過我們可以把這一大張圖拆成幾個「子圖」（subgraph）：每個子圖包含的節點可以靠彼此的連結連成一片，不同子圖之間則完全沒有連線。

以圖二 (a) 為例，可以分成四個子圖：一、節點 ①～⑦；二、節點 ⑧；三、節點 ⑨～⑮；四、節點 ⑯。只有子圖內部的節點可能彼此有交互作用。

但是即使把整張幾百萬個節點的超大圖拆成許多節點數較少的子圖，可能還是很難分析，像圖二 (a) 的「子圖一」包含了七個節點，要分析這七個行人怎麼互動，怎麼彼此調整行進的路線，還是太複雜了。考慮實際狀況，可以再進一步簡化：

兩個人即使同時出現在畫面中，如果距離很遠或接觸時間很短，幾乎不可能影響彼此，就把這兩人之間的連線拿掉，比如前面的例子「⑫ 出鏡前瞬間 ⑬ 進來了」的情形，就可以拿掉連線。如圖二 (b) 所示，這種太弱的連線（以虛線表示）拿掉後，會把圖形分成更多、更小的子圖。以圖二 (b) 來說，變成 8 個子圖，其中最大的也只有四個節點。

接下來，這篇論文只探討最簡單的兩種子圖：只有一個節點的，如圖二 (b) 中的 ⑧、⑬、⑯，以及兩個節點的 ①②、③④、以及 ⑭⑮，如圖二 (c)～(e)。其中 ①② 為同方向，不需要迴避相撞，所以也把這條連結拿掉，就變成各自落單的單一節點子圖了。

實際上「單節點子圖」一共有 47122 個，「雙節點子圖」一共有 9089 個。

A 編按：圖2 (a) 上「節點上的數字」代表「進入鏡頭的順序」，「節點間的連線」代表「兩人是否同時出現在同一畫面」，透過這種方式組成的圖 2 (a)，可以明確區分出那些序列是有可能相撞的。

接著再細部分析每個連線，如果距離太遠或接觸時間太短，就不可能產生碰撞或閃避行為，將符合此條件的連線設為「虛線」，形成圖 2 (b)。

最後考慮圖 2 (b) 內，每個有實線連結的節點行徑方向，如果是兩節點的行徑方向相同，就不會發生碰撞或閃避行為，可以排除不用分析，得到圖 2 (e) 的圖。

雖然我們物理學家經常吹噓物理很厲害，不過事實上我們能夠解出精確答案的力學問題，只有「一個粒子的運動」跟「兩個彼此交互作用的粒子的運動」而已，碰到「三個彼此交互作用的粒子的運動」就沒輒了，只能有近似解或是用數值模擬，所以才會有像「三體」這種科幻作品的出現啊！

三個、四個、五個…粒子的問題物理學家不會算，但是當粒子數目成千上萬或更多時，「熱力學」就登場了，物理學可以回答「很多粒子的平均行為」，並且拿來解釋熱、溫度與壓力等現象。

回歸正題，人類行為顯然比質點複雜太多，所以先從「一個人」跟「互相作用的兩個人」的行為模式著手，以此為基礎來探討「很多人的集體行為」，是相當合理的策略。

行人的軌跡其實不是直線，曲折的像是水裡的灰塵

先從最簡單的「一個人的動力學」開始，在沒有其他人的影響下，行人的軌跡大多會呈現頻率約 1 Hz（每秒一次）的小幅度「抖動」，這個很容易理解，因為這大約是人類的步伐頻率；除此之外，少數軌跡也會有比較大的晃動，甚至轉頭往回走的情形。研究團隊發現，這個行為模式跟「布朗運動」——把花粉、灰塵這些細小的物體放在水中，會被亂跑的水分子撞來撞去也跟著亂跑——類似。

既然如此，就用解釋布朗運動的「朗之萬」方程式（Langevin equation，對，就是那位跟偉大的瑪麗‧居禮傳出緋聞的朗之萬）試試看吧！

所謂的朗之萬方程式其實也很簡單，就是在物體「本來的運動傾向」之外，加上「流體的阻力」，以及「隨機的力量」。

什麼是這些行人「本來的運動傾向」呢？因為這是一條連通兩端的通道，不管是為了節省力氣或趕時間，絕大部分的人都是沿著平行通道的方向從一端以最短距離走向另一端，而不會斜著走；其次是多數人用正常速度走，但也有相當比例的人因為趕時間是快走或小跑步，其平均速率分別為每秒 1.29 與 2.70 公尺（換算成時速是 4.64 與 9.72 公里）；最後就是兩個方向都有人走。以上這些「運動的傾向」，可以寫成牛頓第二運動定律的方程式。

接著是「流體的阻力」，當行人開始偏離原來的行進路線時，會受到一個與垂直原方向的速率成正比的阻力，要將這個人「推」回原來的路線。

各位在像台北車站這類擁擠的走道上時可能有注意到：雙向行人會構成「層流」的結構，走同一個方向的人自動排起來列隊前進，這是阻力較小，也會比較省力的走路方式，偏離你所在的隊伍，就可能跟隔壁的隊伍發生摩擦甚至碰撞而難以通行，所以除非有強大的改變路徑的原因，不然我們自然就會回到原來的路徑上。

最後就是「隨機的力量」，我們周圍的其他行人隨時都有狀況，停下來拿東西的、路線突然歪掉的、腳扭了一下、忘記東西回頭的……我們必須眼觀四面，耳聽八方，隨時對這些狀況做出反應，以避免可能的衝撞，同時也造成路徑的改變。

寫下了運動方程式後，就可以在電腦裡面進行模擬，然後來跟攝影機拍到的行人真正的行為比較。結果出來了，人類的行為，可能沒有比空中的灰塵，水中的花粉更高明……

圖三為「一開始朝著巴士站方向走」的那些「單一節點」（沒有受到旁人影響）的運動狀況統計，紅點是攝影機拍到的真實行為，黑色圈圈是朗之萬方程式模擬的結果。

圖三 (a) 為平行通道方向的速率分布（本來的運動傾向），可以發現真實行為與模擬結果相當吻合！最多人是用秒速 1.29 公尺前進，有少數人是用跑的，所以在超過秒速兩公尺處也有一個小高峰，還有極少數的人會往回走（速率是負的），唯一沒抓到的特徵是在速率為零（停止）的附近。因為行人偶爾會因為種種原因而在路上停下來一段時間，但是布朗運動中的微小粒子只有在轉向的瞬間才會測得速率為零。

圖三 (b) 為垂直於行進方向的速率（流體的阻力），圖三 (c) 為偏離原來行進路線的距離（隨機的力量），兩者也都相當吻合。

結論是：如果行人的密度相當稀疏，不需要互相閃避時，行人的行為基本上跟水中的花粉進行的布朗運動很類似，可以用朗之萬方程式模擬出來。

接下來，就是考慮「兩個人互相靠近，需要互相迴避，但附近沒有其他人攪局」，也就是如圖四的狀況。

圖四中互相靠近的兩人，原本的預定路徑，也就是兩條灰色實線的距離太近，如果堅持往前走就會撞在一起，所以靠近到某一個距離就會開始調整方向，把路徑距離拉開避免碰撞（現實中還會有兩個人很有默契的往同一邊閃、再同時換邊、再同時換邊……一直閃不開的爆笑場景，這篇論文中倒是沒有討論），然後再互相遠離。

由於真實的路徑歪七扭八，加上每個人開始轉彎的時機也不盡相同，所以我們再度發揮「化約主義」的精神，把圖四簡化成圖五。

我們採用直角座標系，把通道方向（也是人流移動的分向）定義為 X 方向，垂直 X 的為 Y 方向，當大家都沿著 X 方向移動時，「會不會碰撞」是由 Y 方向的距離所決定。當兩人進入畫面時，兩條路徑的距離為 Δy_i，兩人擦身而過時的距離為 Δy_s，遠離後的路徑距離為 Δy_e。

在物理模型方面，得在「一個人的朗之萬模型」裡面加上「兩個人的交互作用力」，這個力分為兩部分：

1. 「遠遠看到前方有人走過來該準備閃了」的「長程力」
2. 「靠快撞到了趕快閃」的「短程力」

兩者都可以用數學函數寫出來加進方程式，成為「兩個人的朗之萬模型」。

研究團隊量了所有「雙節點子圖」的 Δy_i，Δy_s，Δy_ie；同時也以「兩個人的朗之萬模型」在電腦上模擬了行人的行為並且量測了這三個數值，然後畫了 e(Δy_s) 對 Δy_i 的關係圖，其中 e(Δy_s) 為對應於同一個 Δy_i 的所有 Δy_s 的平均值；以及 e(Δy_e) 對 Δy_s 的關係圖，分別為圖六 (a) 與 (b)。

再一次，真實世界的行人行為（紅點）與電腦模擬（虛線）相當吻合。此外，這個模型連「發生相撞」的頻率都可以預測得很準。難道人類行為真的跟隨波逐流的布朗運動一樣？！

每個人都有 AT 力場，半徑 1.4 公尺

值得注意的是，當 Δy_i 較小時，互相走近的兩人會開始調整方向，把距離拉開，讓兩人擦身而過時，不至於撞到（Δy > 0.6m）。有趣的是，這個現象從 Δy_i < 1.4m 就開始發生，在 0.6m~1.4m 這個範圍內，即使不改變方向，也不會撞到，但是這個距離已經夠近，讓人感到「個人領域受到侵犯」的威脅，而開始迴避對方，把距離拉開。

也就是說，在擁擠的通道中，「讓人安心的社交距離」是 1.4 公尺（我是很想把它叫做「AT-Field 絕對領域」啦…），我們不太想讓陌生人靠近到這個距離以內。要提醒各位的是，這是「一大堆人的行為」的平均值，並不是每個人都是同一個數值。

雖然說得到的是「搞笑諾貝爾獎」，不過這個研究過程可是很嚴謹的，一點也不搞笑。這個研究也說明了，個人的想法跟行為很複雜，人與人之間的互動很複雜，但是一大堆人的行為平均起來，可能會呈現簡單的模式，可以用物理學的「化約主義」方法，來理解「人類群體的行為」。

當然這還是相當初步的研究，而車站裡移動的人潮，也不過是人類的社會行為中一個非常簡單的現象，所以想用物理學的方法論，來研究社會科學，還有很長的路要走（而且社會科學家可能也會不高興）。

但是在物聯網越來越盛行的今日，各式各樣的人類活動被轉換成大量的資料累積下來，可以預見研究人類行為的方式會越來越多樣化。到最後會不會出現像艾希莫夫的科幻經典「基地系列」中，可以預知人類未來命運，並且扭轉其方向的「心理歷史學」呢？讓我們繼續看下去——

※ 更多搞笑諾貝爾的相關介紹，請到泛科專題【不認真就輸了！搞笑諾貝爾獎】

1. Alessandro Corbetta, Jasper A. Meeusen, Chung-min Lee, Roberto Benzi, and Federico Toschi, Physics-based modeling and data representation of pairwise interactions among pedestrians, Phys. Rev. E 98, 062310 (2018).

編按：本文摘自《關於夜空的 362 個問題》，蒐集了英國最長壽科普節目《仰望星空》的觀眾提問。所有你對太空宇宙會有的疑問，都將在本書中為你解答。本節討論的是「多重宇宙與額外維度」。

大爆炸有沒有可能在不同的地方發生過？

大爆炸可能曾在別處發生過，有些科學家會說可能性很高。有些高度懷疑論的理論認為，以大爆炸的本質來說，這應該曾經發生過很多次，甚至可能是無數次。有很多宇宙的這個概念稱為「多重宇宙」，其他這些擴張中的宇宙可能和我們的宇宙很不一樣，有著不一樣的物理法則。也許我們的宇宙是唯一一個條件足以讓原子──更別說恆星、行星、生命──得以形成的宇宙。

想像一個二維平面的宇宙，大約就像一張紙那樣，此時如果有另外一個平行的二維宇宙存在它的上方或下方有點距離的位置，那麼在第一張紙上的人，永遠不可能知道還有第二張紙存在。在真實的三維宇宙裡，另外一個宇宙不會存在於傳統觀念的「上面」，而是可能存在於某段距離之外的第四個空間維度。

就算我們的宇宙一直以三維在擴張，也永遠不會碰到另外一個宇宙，就像兩張紙可以一直變大，但永遠也不會碰到彼此。

如果真的有另外一個宇宙，我們對於宇宙末日的預測會有什麼改變？會不會因為其他的宇宙可能會和我們的宇宙「相撞」，而有不同結果？

這要看是什麼樣的相撞。如果其他的宇宙和我們居住的宇宙一樣，以三維的方式擴張，那麼兩者可能會以「傳統」的方式相撞。這麼接近我們的一個宇宙所帶來的影響，也許可以從它對我們所能見到的最遙遠的天體的影響來判斷，不過目前還沒有看過這樣的跡象。

這暗示那個宇宙整體的特質，可能和我們所能見到的區域的特質不一樣，而這些特質是會影響宇宙的最終命運的。

另外一個宇宙可能是在第四維的空間中和我們分開，這是個滿難想像的概念。這相當於兩張平行攤開的紙，只是兩者間的距離很小。霍金在更高維度空間的理論提到，三維的宇宙是「膜」（branes，我相信是從薄膜［membrane〕這個字而來的）。有一個理論是這些「膜世界」間的撞擊造成了大爆炸，不過目前還沒有辦法能證明或是推翻這個理論。

在量子宇宙學的多重宇宙解釋裡，有多少宇宙裡會是青少女偶像明星麥莉擔任美國總統？

關於宇宙的解釋裡，有一個可能是我們只是住在其中一個宇宙而已。事實上，的確有可能有數不清的宇宙。在數不清的宇宙裡，隨時隨地都會有各種可能的組合發生。也許在某些宇宙裡，莎士比亞的所有作品都是猴子在打字機上隨便打字而完成的；也許在其他的宇宙裡，麥莉真的就是美國總統。這些事發生的可能性高低，會影響它們發生的次數有多少，不過還是有可能發生過無數次──就算是無數次的一小部分也還是無數次！這是不是很可怕的想法？

你覺得除了大爆炸之外，關於宇宙的起源有沒有其他的科學解釋？

我認為大爆炸理論有非常穩固的科學證據為基礎，不會被推翻。然而，我們的宇宙學模型還是有其他部分的基礎沒那麼穩。比方說暗物質就還沒有真的被找出來（不過在這本書裡這樣寫有點大膽，因為在準備出版的這段時間裡，這方面的積極尋找似乎愈來愈接近成果）。因為沒有觀測結果能證明它存在，所以也很難認為這個理論可以被證實，不過和其他相關的理論相比，關於暗物質存在的證據當然還是比較多。

暗能量很有可能會成為科學進展的犧牲品。我之所以會這樣評估，主要是因為我們只能說，我們認為有某個東西造成了影響，但我們不知道那是什麼東西。

很重要的一點是，科學界不會躲到角落，對其他的可能視而不見。在過去數百年裡，某些科學進展上產生重大的延誤，都是因為有些人拒絕接受新想法。就像商業界一樣，競爭會帶來很多好處。科學家用不同的方式來詮釋結果，因此會支持相反理論的意見，通常也會支持新的實驗。最重要的關鍵是，不能被個人的感受所影響。只是因為你比較喜歡這個理論，或者因為這樣可以讓事情比較簡單，就相信某些事情是真的，不是從事科學研究的適當態度。

——本文摘自《關於夜空的 362 個問題：從天文觀測、太陽系的組成到宇宙的奧祕，了解天文學的入門書》，2019 年 4 月，貓頭鷹出版。