什麼是長微震？從長微震中能找尋大地震的前兆？

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

本文由 交通部氣象局 委託，泛科學企劃執行。

• 文／陳儀珈

經過中學地科課程的薰陶，大部分的人都知道臺灣位於環太平洋地震帶上，是菲律賓海板塊與歐亞板塊的碰撞交界處，因此地震非常、非常地頻繁。

然而，這個頻繁到底是多頻繁呢？

據統計，臺灣每年偵測到的地震平均達 3 萬多次，每天平均約發生 100 多次地震，約 2 天多出現 1 次規模 4.0 ~ 5.0 的地震，規模 5.0 至 6.0 的週期大約是 2 個星期左右，每年平均出現 3 次規模 6.0 以上的地震。

影片說明：

每一天都有這麼多地震在這塊島嶼底下悄然發動，什麼時候又會有如 921 般的大地震突然重創臺灣？

為了更了解這塊土地和潛在的危機，中央氣象局地震測報中心（以下簡稱地震中心）一肩擔起監測臺灣地震的重任，不斷提升地震測報的效能，努力降低未來可能的地震災害。

33 年內，進化了 5 次的「強地動觀測」計畫

自日本政府在臺北測候所設置了臺灣史上第一座地震儀至今，已經有 125 年的歷史了。這麼多年來，臺灣的地震儀和地震觀測網，有了哪些翻天覆地的變化呢？

國民政府接手臺灣後，改由中央氣象局負責臺灣的地球科學相關測報業務，並在 1989 年成立了「地震測報中心」，擴大編制，走上地震觀測現代化之路。

自成立至今，地震中心投入了巨大的資源和心力在「加強地震測報建立地震觀測網計畫」和「強地動觀測」的長程計畫中，其中強地動觀測每 6 年一期，致力於建置地震觀測資料的蒐集與應用，目前已完成共 5 期的計畫。

經過地震中心 33 年來的努力，從都會區到山區、從陸地到海上、從地表到井下、從 16 位元到 24 位元，地震測站的儀器越來越好，也漸漸拓展至臺灣各個地方。

截至 2022 年 7 月為止，包含中央氣象局地震觀測網（CWBSN）和臺灣強地動觀測網（TSMIP）在內，全臺已經建置了超過 700 個地震測站，是全世界測站密度最高的地震觀測網，平均不到 10 公里就有 1 個地震站！

蒐集了震波資料，然後呢？

除了監測地震活動之外，這些測站蒐集到的強震資料，不僅可以成為學術研究的養分，讓地震學家更了解這塊土地下的構造和祕密，在民生防災上，更有著極為關鍵的貢獻！

「地震」，是臺灣人自出生以來就與之共存，甚至習以為常的自然災害。不過，地震到底有多可怕？

對於成年人們來說，傷痛與恐懼可能會被逐漸淡忘，而對於那些沒有經歷過 921 集集大地震、1999 年以後出生的孩子們，更是毫無具體的想像和實際感受。

臺灣史上傷亡最慘重的1935年新竹-臺中（關刀山附近）地震，帶走了約 3000 人的生命；2018 年 2 月的花蓮地震，震毀了 4 棟大樓；日本 311 大地震和海嘯，奪去了 1.5 萬條生魂；震撼半個亞洲的中國汶川大地震，有將近 7 萬人罹難，受災人口高達 4600 萬多人。

因此，對於地震中心來說，如何「應用」這些地震資料，發展出更先進的預警系統，協助制定建築物耐震設計規範，以及配合其他政府單位規劃救災計畫，更是中心業務的一大重點。

30 秒→10秒→5秒！越來越強大的強震即時警報

「建置強震速報系統」是強地動觀測第 2 期計畫的主要目標，致力於提升地震測報的計算能力、縮短向其他單位通報的時間。

在 921 地震期間，雖然當時的地震速報系統只是雛形，卻成功在地震後 102 秒對外發布地震報告，這樣的速度，備受國際重視與肯定。

到了第 3 期計畫，「強震即時警報系統」已經可以在 30 秒內自動推估出初步的地震規模與震央位置，搶在破壞性地震波（S波、表面波）抵達前，將地震的訊息傳達給防災、救災相關單位。

除了大家最熟悉的、會讓手機響起震耳欲聾警報聲的災防告警系統（PWS）外，地震中心也和各防救災單位、公共設施、各級學校以及電視臺合作，一旦強震即時警報偵測到符合條件的地震，就會馬上傳遞地震消息，讓各單位進行緊急應變。

時至 2020 年 4 月，隨著地震觀測網的擴大和更新，以及不斷進步的通訊技術，地震中心已經可以在地震後約 10 秒內發出地震預警訊息，為國人爭取更多避難的黃金時間。

• 延伸閱讀：關鍵時刻能救命，與時間賽跑的地震預警系統發展史

下一步，地震中心將投入前瞻基礎建設 2.0「都會區強震預警精進計畫」，除了持續擴建井下地震觀測網、發客製化地震預警系統作業模組之外，也預計在 4 年內，讓都會區可以在 7 秒內收到地震預警。

在更久遠的未來，地震中心期許可以順利的應用 AI 技術，建置新一代的地震預警作業系統，進一步將發布時間縮短到 5 秒以內！

地震前兆：有辦法抓住強震前的蛛絲馬跡，然後「預測」嗎？

由於地震是在板塊彼此的作用之下，岩層不斷累積應變能量後斷裂錯動而成，不斷累積能量的同時，地底的岩石有可能會產生許多微小的裂隙和變形，並間接影響其他環境參數，改變地下水位、地球磁場、大地電場的數據。

以 921 大地震為例，在車籠埔斷層附近，地球科學家就曾經觀察到地下水水位出現了「同震」的變化！

地球科學家推測，有可能是當地的岩層受到應力的影響後，產生了許多微小的裂隙，因此改變了岩層的孔隙率、滲透率，進而產生地下水位的變化。

如果每一次大地震之前，地球科學家都可以掌握到這些細微的現象，就有可能發展出成熟的地震前兆研究和技術，甚至走上「地震預測」之路。

因此，地震中心除了建置地震站的觀測網之外，也大力推動地震前兆的研究，自 921 大地震後開始設置「臺灣地球物理觀測網」（TGNS）：

• 「全球導航衛星系統」（GNSS）可以進行大地測量，建立臺灣大地變形的資料庫，藉此監測斷層、火山活動，以及地層下陷或滑動等現象。
• 「地下水」測站能夠連續記錄大氣壓力、雨量與地下水位的相關性。
• 「地球磁場」測站用以監測地球磁場擾動的現象。
• 「大地電場」測站可以蒐集大地電場的觀測資料，並推估與大地震之間的關係。

可惜的是，雖然地球物理的資料和分析已經逐漸制度化，但在地震前兆的研究上，成功案例仍然遠遠不足！

不僅是臺灣在地震前兆上遭受挫折，其他國家在這個領域的研究也長路漫漫。地球科學家還沒有辦法歸納出地震前的行為並取得共識，更別說是地震預測這個更遙遠的夢想了。

幸好，現有的難關無法阻擋地球科學家的好奇心，中央氣象局地震中心也持續投注心力在地震前兆研究中，期許未來有破解祕密的一天！

起死回生的火山、仍然未知的海嘯威脅，地震中心也緊盯不放！

根據噴發紀錄和火山地震波等證據，在中央研究院林正洪研究員的努力下，中研院於 2016 年提出大屯火山群岩漿庫存在的證據，同時也在龜山島附近發現同樣的現象。

隨著地球科學家不斷提出新的證據，經濟部中央地質調查所蒐集相關的研究成果後，在 2019 年 9 月 24 日召開了「火山活動專家諮詢會議」。在各方學者的討論下，讓大屯火山群「起死回生」，將原本公認是死火山的大屯火山群和龜山島，重新被認定為「活火山」。

面對這個反轉，全臺如臨大敵，畢竟人口眾多的天母、北投與士林就在大屯火山群的山腳下，不但核電廠鄰近，總統府和 101 大樓也都距離它不到 20 公里！

我們對這些火山的了解和掌控，又到了哪一步呢？

藉由氣體、溫度、地表變形和地震波等資料，地球科學家可以判斷出大屯火山是否瀕臨爆發的狀態，而早在 2011 年，內政部與國家科學及技術委員會成立大屯火山觀測站 (TVO)，並整合中央地質調查所、中央氣象局、中央研究院及國內各大學分析研究成果，建立多項火山監測系統及平台，同步監測大屯火山活動並進行研究。

除了來自大屯火山觀測站的 10 個地震站之外，也包含氣象局設置在北部的地震站，藉此協助研究人員獲得幾乎即時的火山地震資訊。

當前我國政府已在 2018 年5 月 25 日正式將火山災害列管於「災害防救法」，隔年中央氣象局也制定了火山活動等級與預警發布機制，後於 2020 年 9 月 14 日公布「火山噴發訊息發布作業要點」，一旦大屯火山有任何不對勁，就會立即啟動火山預警發布機制！

除了來自大屯火山的威脅外，地震中心也負責海嘯的監測和警報發布，並在短短的幾分鐘內，就能解算出海嘯的抵達時間、預估浪高。

倘若太平洋海嘯警報中心（PTWC）預估海嘯可能在 3 小時內到達臺灣，或是臺灣近海發生規模 7 以上、震源深度小於 35 公里的地震時，地震中心即會發布海嘯警報，籲請沿岸居民因應海嘯侵襲。

臺灣的地震防災教育，地震中心也當仁不讓！

除了地震、火山和海嘯測報等核心業務之外，地震中心也致力於地震和防災教育，提供無數科普資源，讓社會大眾學習和運用。

在網路上，有中央氣象局建置的「中央氣象局數位科普網」、回答你關於地震大大小小疑惑的「地震百問」、地震中心官方 Facebook 粉絲專頁「報地震－中央氣象局」等等，各式各樣的線上科普內容。

在實體場域，中央氣象局也設置了幾個展示空間：中央氣象局本部、臺灣南區氣象中心、田中氣象站、竹子湖氣象站-火山監測教育展示室等地（目前因疫情暫停開放），讓有興趣的民眾或學校機關，都可以實際前往觀摩，親眼見證地球科學家和氣象局人員的工作場域和聆聽解說。

畢竟，若想達成真正意義上的「防災」，單單只是完善測報工作、防災工程與避難措施並不足夠。更重要的是，必須讓所有臺灣人都有正確的防災觀念，才能有效提升整體社會的抗災能力。

火星 vs. 地球

長久以來，人類對火星充滿好奇，火星上有沒有水？那裡住著火星人嗎？這些未知，讓人類發射各種探測器和太空船前往火星，希望一探火星的奧秘！

超級巨大火山

奧林帕斯山是太陽系裡最高的火山，它比地球上最大的茂納開亞火山（MaunaKea）還巨大，如果從火山底部算起，奧林帕斯山大約是茂納開亞火山高度的兩倍半！火星的直徑大約只有地球的一半，為什麼火星上的火山卻可以長得比地球上的還高大呢？

夏威夷大島上的茂納開亞火山屬於熱點（hotspot）火山，這類火山的岩漿來自地函，熱點的岩漿從地函往上穿出地殼形成火山。因為板塊運動，地球的地殼會移動，這造成熱點穿出地殼的位置改變，時間久後，會形成一長串的火山，其中最有名的例子是夏威夷火山群島。

夏威夷群島的大島上有幾座活火山，目前大島就位在熱點上，夏威夷群島的其他火山年齡都比大島上的老，而且離大島愈遠愈老。

地球上因為板塊運動，熱點火山不會長得太大，長到一定程度，就會因為板塊運動移開熱點，沒有熱點提供岩漿，火山就會停止長高、長大。

火星跟地球不同，火星沒有板塊運動，地函的岩漿會在地殼上同一個熱點冒出，岩漿在同一熱點一直堆積長高，所以火星上的火山才會比地球上的巨大。

磁場很重要

根據科學家研究，火星早期有較厚的大氣，溫度適中，甚至表面有河川流水，跟目前的地球很類似。那為什麼火星現在會變成乾燥無水、充滿紅色沙塵的行星呢？

火星早期曾經有磁場，後來磁場消失，讓火星大氣失去防護，漸漸被太陽風剝離吹散。火星大氣壓力變小，地面上的液態水都變成大氣中的水蒸氣，大氣中的水蒸氣被太陽紫外線分解成氫和氧，流失到外太空，最後水漸漸從火星表面消失。目前火星地表的大氣壓力大約只剩地球的百分之一，而且還持續流失中！

科學家對火星磁場消失的原因還不是很清楚，有一種說法認為可能跟火星比較小有關。它的核心更小，所以散熱較快，造成外核的液態鐵凝固。外核的液態鐵凝固讓火星的磁場消失。

從火星的研究和認識，我們才明白地球原來如此特別！

真的有火星人嗎？

人類對火星上有沒有生命充滿想像，其中最有名的可能是帕西瓦爾．羅威爾（Percival Lowell）「看見」火星運河。

羅威爾是一位美國富豪，對火星非常著迷。1890 年代，他用自己建造的天文台觀看火星，並將透過望遠鏡看到的火星描繪下來。羅威爾認為他看見火星上有許多運河，建造運河是為了把南北兩極的冰運送到乾涸的赤道，這是火星有智慧生物存在的證據。

1965 年，美國的水手 4 號太空船飛掠火星，發現火星表面一片荒蕪，根本沒有羅威爾宣稱的運河和火星生命。不過，火星有生命存在的想法太吸引人，人類還是不斷用各種方式探索火星，尋找生命。

為什麼我們對火星這麼執著呢？一方面是科學上的原因，希望找到地球外的生命形態，不管這種生命形態是不是跟地球一樣，都是非常重大的發現；另一方面可能是情感上的因素，不希望地球是宇宙中唯一有生命的地方，孤單僅有的存在。

依據地球上的經驗，只要有水的地方幾乎都找得到生命，水成為生命的重要指標。火星早期比較溫暖，地表有水流動，所以火星過去可能有生命存在。科學家認為火星上最可能出現的生命是微生物，因為水存在火星表面的時間並不長，無法演化出太複雜的生命形態。

目前火星表面已經沒有穩定流動的水，不過水還是有可能存在地表下，所以，生命有可能還在火星地底存在著。人類不斷探索火星，不久的將來人類也會登上火星，到時候火星有沒有生命的問題，可能就會有答案。