還不快點筆記！2018 年最值得關注的 7 個天象

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

彗星送水論？地球的水是從哪來？

想知道古地球如何得到水的行星科學家將矛頭指向大泥球。似乎數十億年前曾有彗星雨落下，為我們帶來大量的水。

但，彗星又來自何方？

科學家長期認為彗星誕生於比火星更遠的寒冷區域。一九九〇年代，學者更進一步認定大部分彗星已經被日益成長的行星吸收。然而荷蘭天文學家揚．歐特（Jan Oort）提出不同見解，主張可以有數以兆計的彗星在太陽系邊緣存活，它們距離行星太遠所以沒被重力拉扯，最終圍繞太陽系形成巨大球形外殼，現在將該區域稱為歐特雲。歐特雲的大量彗星可以填滿地球海洋，問題是它們太遠，是地日距離的數千倍，實在不大可能到得了。

於是又有研究者懷疑部分彗星在太陽系較內側存活，或許是土星軌道外，這樣也比歐特雲近了一千倍。然而僅僅停留在臆測，因為想要在那麼遠的地方找到直徑不過數十英里或更小的彗星太困難，大家沒有傻到去做這種嘗試。

唯二例外是年輕的麻省理工學院教授戴夫．朱維特（Dave Jewitt）和他的研究生盧珍（Jane Luu）。裘伊特頭頂高聳，笑容可掬，性格充滿英國式幽默，父母是倫敦的工廠工人和電話操作員。童年時偶然在夜空看見流星勾起他對天文學的迷戀。

從天文學觀測到重水比例：揭開水的宇宙密碼

一九八五年，他突發奇想將新的數位型光感測器 CCD（譯按：感光耦合元件）連接到望遠鏡，藉此在太陽系遙遠角落尋找彗星這種小天體。朱維特認為我們看不見不代表不存在，但研究需要資金，只可惜多數人都不相信，所以計畫案一次一次被拒絕。三十多年後，回憶起當初遭受的輕蔑他依舊義憤填膺。「最常得到的回答是『無法證明計畫裡的測量實際可行』，」他說：「我的天，這是什麼蠢邏輯？整個計畫的意義就是去做一些以前沒做過的嘗試。就算最後真的不可行又怎麼樣呢，重點不就是得試試看嗎？」批判他的人可能陷入了「現有工具檢測不到就代表不存在」的認知偏誤，習慣性地假設科學家尚未找到就代表目標處什麼也沒有。

朱維特和盧珍拒絕放棄，偷偷從其他研究案借用望遠鏡時間尋找數十億英里外可疑的微小物體。

很長時間毫無收穫。一年又一年，然後四年五年六年。直到一九九二年夏夜，他們在夏威夷大島茂納凱亞天文臺工作。那時候他們心灰意冷，覺得五年多光陰白費了，卻沒想到忽然發現了非常微弱的光點。察覺這個點微微移動時，朱維特還暗忖「不可能是真的」，但它確實存在。兩人找到的天體位於海王星外的軌道，後來進一步證實那邊還有數百萬顆彗星。該區域被命名為古柏帶，淵源是最早提出此概念的荷蘭天文學家³⁰，他在一九五〇年代就探討了這個可能（諷刺的是他本人不相信）。

科學家在古柏帶找到大量彗星，人體內的水看似已經確定來源。地球形成後不久，彗星從古柏帶，或許一部分從更遠的歐特雲抵達，送來覆蓋這顆行星表面的水。彗星堪稱飛行的冰山，攜帶的水量確實足以填滿地球海洋。理論很快得到多數人接納及傳播，謎題終於得到解答。

小行星的貢獻：來自太空岩石的生命之源

真的嗎？一九九五年，波瀾再起。亞利桑那州鳳凰城附近一場觀星派對上，輪到混凝土供應公司零件經理湯瑪斯．博普（Thomas Bopp）借用朋友的望遠鏡，他留意到視野角落有個模糊光點。同一天晚上，新墨西哥州克勞德克羅夫特村天文學家艾倫．海爾在家中發現同樣物體。這顆新發現的彗星，是有史以來見過最亮的，命名為稱為海爾─博普彗星。

翌年，戴夫．朱維特隨學者團隊返回茂納凱亞觀測站，這次以強大的電波望遠鏡觀測海爾─博普彗星。他們在海拔一萬四千英尺（約四千兩百六十七公尺）的稀薄空氣中每十三至十六小時輪班一次測量夜間光譜，試圖比較彗星中一種罕見的水形式比例是否與地球海洋相符。

或許有些人還不知道其實水分子有不同形式。大部分水由氫原子組成，核心只有一個質子。但還有別種水存在，由於重量多出一成所以稱為重水，其氫原子是同位素，核心除質子外還包含一個中子。重水很罕見，在地球海洋中每六千四百個水分子只有一個是重水。因此，茂納凱亞團隊準備測量海爾─博普彗星時原本很有信心會找到相同比例的重水，畢竟地球的水應該來自彗星。

然而觀測結果並非如此。海爾─博普彗星重水含量是地球海洋兩倍。這就麻煩了，先前天文學家在哈雷彗星發現類似的高比例重水，當初只視為異常案例，然而後來在百武二號彗星又測量到相同數據。三次觀測結果一致成為難以忽視的證據，顯示彗星並不吻合地球海洋的水分子組成。

「天文學家對海爾─博普的觀測結果作何反應？」我問。

「嚇壞了。」朱維特的意思是指數據背後的涵義：「有點像新時代運動³¹的意識覺醒之類。」他笑了笑又說：「好像不該說這種話才對。」但顯而易見，學界頗受震撼，一夕間又不能靠融化彗星形成海洋了。雖然惠普爾沒說錯，彗星確實充滿水，但海洋來自太陽系其他地方。具體究竟是哪兒？

朱維特和其他許多學者一樣，注意力轉向飄浮在太空中的巨大岩石，即所謂小行星。

從石頭榨水，乍聽很無稽，但事實上有些岩石確實可以。如果加熱隕石，也就是從小行星落到地球的碎片，困在晶體結構內的水分子就能變成水蒸氣。多年前科學家已經知道小行星含水，這些岩石含水量差異很大。多數靠近太陽形成的小行星幾乎不含水，但在火星之外冰冷區域形成者水分含量則可高達百分之十三。

朱維特等人的想法是：如果撞擊地球的小行星夠大就會帶來豐沛的水。此外，天文學家還知道火星木星之間軌道上有一大群小行星，並將該區域稱為小行星帶。而且，小行星中重水與彗星不同，吻合地球海洋和人體。各種線索指向我們這兒的水應該來自宇宙岩石。

感覺好像結案了，但其實小行星帶距離地球三億英里遠。從那種距離要一桿進洞得有多高明的技術？有足夠數量的小行星算準角度飛向地球以水覆蓋地表，這個現象發生機率有多高？人類又如何進一步理解？

——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。

• 本文轉載自臺北天文館《臺北星空》第 101 期

• 文／歐陽亮｜天文愛好者，中華科技史學會會員，曾獲 2001 年尊親天文獎第二等一行獎，擔任 2009 全球天文年特展解說員。

甲骨文，可算是漢字的始祖，這些刻在龜甲、獸骨的原始生活記錄，除了寫下戰爭樣貌、繁複祭典與詢問吉凶等占辭，也記載了一些看似形容天象的文句，某些甚至被廣為宣傳，號稱是世界上最古老的記錄。

然而到目前為止，近五千字的甲骨文裡卻只有一千多字被認出，已解讀的文字中也有許多爭議，疑點重重。建立在這樣流沙般的基礎上所找到的天象紀錄，可信度會高嗎？

「貞人用火炷燃燒那些凹缺，直到甲骨另一面出現龜裂的痕跡。不知怎地，就在這龜裂的時刻，他們捕捉到了來自另外一個世界的聲音──除了商朝的歷代祖先，還有各種掌控大自然風雨洪水的力量所發出的聲音^[1]。」

甲骨文，是東亞目前已知最早的文字系統，可算是漢字的始祖。這些刻在龜甲、獸骨的原始生活記錄，除了寫下戰爭樣貌、繁複祭典與詢問吉凶等占辭，也記載了一些看似形容天象的文句，自從一百多年前發現以來，已陸續解讀出「日食、月食、新星、彗星、鳥星」等辭，某些甚至被廣為宣傳，號稱是世界上最古老的記錄。

然而到目前為止，近五千字的甲骨文裡卻只有一千多字被認出^[2]，接近三分之二無法解讀，進展十分緩慢。2016 年中國大陸曾舉辦甲骨文釋讀獎勵，破譯一個字可得到五至十萬元人民幣，但只有兩人獲得。另外更鮮為人知的是，已解讀的文字中也有許多爭議，專家的意見經常不一致，因此疑點重重。在這樣流沙般的基礎上所找到的天象，可信度會高嗎？我們先來看看一些常在科普文章出現的案例。

「三焰食日大星」^[3]

這個看似三道火焰吞食太陽並同時出現亮星的驚奇景象，若真的看得到，應該是指日全食的現象。

能吃掉太陽並讓它變黑的火焰，應該是我們所知的日珥（圖 1 ，原始黑白照片在歐南天文臺ESO網頁），所以它曾被當成古老的日全食與日珥記事（圖 2）^[4]。不過，根據較新的文字學角度來分析，有學者已將這句話重新解讀成「乞列，食日大星」，三與乞形似，意為迄；第二字似「臽」又似「列」。乞列是指天氣陰沈到可能下雨^[5]，或指停止陳放祭品，^[6]但是到了「食日」的時刻，即上午用餐時分^[7]，天氣卻轉大晴，因為「星」字亦可解釋為晴朗^[8]。不過這種令人失望的新解釋，又被最新的實物目視結果否定，因為「三」不一定是指「乞」^[9]。

「癸酉貞日夕又食」^[10]

號稱世界最早日食紀錄的「癸酉貞日夕又食」（圖 3），其實歷來眾說紛紜。

癸酉是古代干支紀日的日期，貞是占卜之意，意思是在癸酉日占卜。但日夕又食是日食嗎？「又」當成「有」的話，多出的夕字何解？有人認為「夕」不能解釋為黃昏，就算可以解釋為日夜之交，但是從西元前 1400 至前 1000 年並沒有殷都安陽可見且剛好是癸酉日的日沒帶食^[11]。然而若查詢古代日食表^[12]並以天文軟體 Stellarium 檢驗這三百年的天象卻可以發現，在西元前 1129 年 2 月 14 癸酉日的安陽地區剛好能見到一次在下午 5 點多食甚的日沒帶食。又另有一說認為這段文字是在貞卜尚未發生的事，不能視為已發生的天象^[13]，但也有人認為相反^[14]，因此目前尚無定論。

「日有戠」^[15]

這又是一種疑似日食的記錄，但也有人解釋為太陽黑子^[16]。不過卜辭中另有「月有戠」記錄，然而月面的斑紋總是不變，不太可能指稱月亮出現黑子，因此解釋為太陽黑子是有疑問的。^[17]

「新大星並火」^[18]

從字面看來，這句甲骨文的意思很像「有新星出現，與心宿二（古稱「火」）並列」（圖 4），不過，「新」也可能是一種祭祀名稱，句子可變成「新，大星，並火」，意思是舉行「新」祭典，結果天放晴，於是舉辦「並」祭典來祭祀心宿二^[19]。這個疑似史上第一顆新星或超新星的記錄，也許只是學者的誤解。

二十八宿、「鳥星」^[20]

由於以前學界對於中國星座起源有許多爭議，使得人們寄望在甲骨文裡找到二十八星宿的古字與線索，證明中國星座是起源於本土。現在雖已發現若干疑似二十八宿星名的甲骨文字，但是經過詳細考證後，確定是星名的其實不多^[21]。例如「鳥星」兩字（圖 5）曾經被視為《尚書．堯典》所載「日中、星鳥」的意思，即南方朱雀的原始形象，然而也有人認為鳥可能是受祭的神名，此點在學界尚未有共識^[22]。

除了以上問題之外，學者對於月食、彗星的看法也是百家爭鳴、莫衷一是，更麻煩的是甲骨學主流體制外還有其他新的質疑。以下舉一些有趣的例子：

日與丁（圖 6）：在口中間多了一橫，就是日嗎？為什麼有時又被解釋為干支的「丁」字？兩者混淆的情形其實很多^[23]。

月與夕（圖 7）：在眉月中央多了一道，是否為另外一字？解釋者常常自由心證，隨機約定何處為月、何處為夕^[24]。甚至有人誤以為「月亮通常只在傍晚出現」而解釋甲骨文可借月為夕^[25]，但古人觀看天空的時間比起被燈海誘惑的現代人多出許多，天文經驗豐富，是否也會有這種誤會？

星與晶（圖 8）：在星點的小圓中增加一點來裝飾，於是變成晶字。不過星字本身的變形就很多樣，真的每個字型變化都是指星星嗎？

這些型態多變的字是因為當時識字者少、傳承困難故而經常出錯，還是因為字體剛發明不久所以尚未定型？抑或現代研究者其實沒有找到正確的分辨方法，導致一字多型且標準混亂？龜甲與獸骨是貴重物品^[26]，用刀刻字必然比寫字困難，若刻錯字的話如何處理？是否會將錯就錯導致後人解讀時以為該字的形體多變？這些都有待未來進一步釐清^[27]。

另外一個嚴重的問題是，大多數學者僅以拓本或照片來進行研究，但由於材料古老殘缺、漫漶不清以及轉印物質的侷限，得到的釋文成果往往經不起推敲。有興趣者可到「考古資料數位典藏資料庫」觀察，就會發現看實物照片也不一定能看清楚。因此，一定要真正目視實物，讓光源動態變化，才能看出細微字跡到底刻劃到哪。目前發現可能至少超過五成的刻辭內容需要改定^[28]，因此甲骨上看似天象記錄的文字，最好等學界有普遍的共識與認定，再引用為教材比較妥當。遙想當年的相對論、板塊理論也曾走過被質疑的過程^[29]，「甲骨學」亦將如此，不過若因此進行過度揣測、冒然發表「世界最早記錄」，只是引起注目與混淆，終將被時代考驗所淘汰。

中文字體歷經幾千年的變化，存在許多未知的起源，字形字音字義也經過多次轉折，容易讓後人分析時產生誤解，即使是字典的始祖《說文解字》也無法避免^[30]，「甲骨學」又是一門還在進行初步研究的學問，以上列舉的問題，也許會讓人萌生挫折與懷疑，不過，就像科學必須不斷地依靠新發現來推展前景一樣，歷史也是這樣進步的。古人記錄的熒惑守心被現代證實有 74% 的錯誤、施行了千年以上的神奇候氣術也被後世完全揚棄，但甲骨文研究只進行了百年左右，若舊的解讀方式真的已呈現死胡同狀態，那麼從百年束縛中破殼而出也許只是未來的必經之路了。

相關影片：

附註：

1. 何偉 Peter Hessler《甲骨文：一次占卜當代中國的旅程》Oracle Bones， A Journey Through Time In China，譯者：盧秋瑩，八旗文化出版社，2011，頁 166。
2. 王宇信《建國以來甲骨文研究》，中國社會科學出版社，1981，頁 54、203。
3. 收在《小屯第二本：殷虛文字乙編》圖版 6386，可至「甲骨文拓片數位典藏」查詢原件拓本。
4. 陳遵媯《中國古代天文學簡史》，木鐸出版社，1982，頁 60 以及《中國天文學史》第三冊，明文書局，1987，頁 18。
5. 馮時《百年來甲骨文天文曆法研究》，中國社會科學出版社，2011，頁 132。
6. 李學勤〈三焰食日卜辭辨誤〉，《夏商周年代學札記》，遼寧大學出版社，1999，頁 20。
7. 參見陳夢家《殷虛卜辭綜述》，中華書局，1988，頁 232；董作賓《殷曆譜》，《董作賓先生全集》乙編第一冊，藝文印書館，1977，頁 32；嚴一萍〈食日解〉，《中國文字》新六期，藝文印書館，1982，頁 51~52。
8. 馮時《百年來甲骨文天文曆法研究》，頁 70。
9. 張惟捷〈甲骨文字舊釋新說──以史語所藏十四版腹甲為例〉，《文與哲》學報第 22 期，2013，頁 12：三的三橫皆等長，中橫並不略短，應釋為三之意。
10. 收在《殷契佚存》編號 374。
11. 馮時《百年來甲骨文天文曆法研究》，頁 122。
12. 張培瑜《三千五百年曆日天象》，大象出版社，1997，頁 970。
13. 胡厚宣〈卜辭「日月又食」說〉，《上海博物館集刊》第 3 期，上海古籍出版社，1986。
14. 李學勤：《癸酉日食說》，《中國文化研究》1998 年第 3 期，頁 26。
15. 收在《殷契粹編》55、《甲骨文合集》33697 等。
16. 陳夢家《殷虛卜辭綜述》，頁 240。
17. 馮時《百年來甲骨文天文曆法研究》，頁 124。
18. 羅振玉《殷虛書契後編》下 9.1。
19. 馮時《百年來甲骨文天文曆法研究》，頁 47、48、83。
20. 收在《小屯第二本：殷虛文字乙編》圖版 6664、6672，《甲骨文合集》11497、11498。
21. 馮時《百年來甲骨文天文曆法研究》，頁 81。
22. 馮時《百年來甲骨文天文曆法研究》，頁 67~75。
23. 黃奇逸《商周研究之批判：中國古文字的產生與發展》，巴蜀書社，2008，頁 42。
24. 黃奇逸《商周研究之批判：中國古文字的產生與發展》，頁 23。
25. 徐富昌〈從甲骨文看漢字構形方式之演化〉，《臺大文史哲學報》，64 期，2006，頁 13。
26. 許進雄《文字學家的甲骨學研究室》，臺灣商務印書館，2020，頁 40。
27. 上古文字難讀的原因有：原始文字不能有效記錄語言、口傳失誤、方言問題、文字假借造成混亂、後代古音研究誤導等，詳見黃奇逸《歷史的荒原：古文化的哲學結構》，巴蜀書社，2008，頁 674。
28. 張惟捷〈甲骨文字舊釋新說──以史語所藏十四版腹甲為例〉，頁 18。
29. 羅拉．費米 Laura Fermi《原子時代的奠基人：費米傳》今日世界出版社，1973 中文版，葉蒼譯。書中提到 1926 年仍有一部分學者不相信相對論。
30. 許進雄《文字學家的甲骨學研究室》，頁 214~230、235~239。

延伸閱讀：

• 部落格：謎樣的二十八星宿