無線電天文學的誕生│科學史上的今天：5/5

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

• 文／賴昭正 前清大化學系教授、系主任、所長；合創科學月刊

有心栽花花不開，無心插柳柳成蔭

－明代《增廣賢文》

在十六世紀以前，宇宙的起源、歷史、與結構一直被認為是屬於宗教與哲學的範圍，因此最初的許多宇宙論都是以人為中心、基於神話和傳說，並認為宇宙是永恆不變的。

為什麼是永恆不變的？一個正在改變的宇宙，便應該有面臨終結的命運，這似乎不符合超越人類之創世者存在的宗教信仰。

因此 17 世紀末至 19 世紀初之歐洲啟蒙時代（也稱為理性時代）雖然企圖擺脫對宗教盲目的信仰，追求通過理性和感官證據去獲得知識，但似乎並未改變科學家深信自盤古開天闢地以來，宇宙是靜態、永恆不變的根深蒂固想法。

牛頓在 1687 年提出萬有引力來闡述宇宙星球的運行，但只有一個吸引力的宇宙是不可能保持靜態的，因此牛頓理論需要一個持續的奇蹟來保持宇宙的靜態，防止宇宙的崩潰（即防止宇宙因為太陽和恆星被拉到一起而崩潰）^[1]。

愛因斯坦 1915 年發表包括重力在內的廣義相對論後，當然也思考著宇宙結構的問題。但他 1917 年所提出來的宇宙模型也像其它只有吸引力的模型一樣，謂宇宙是不可能保持靜態，只能膨脹或收縮！所以愛因斯坦就將重力方程式做了「少許修改」，讓宇宙能保持靜態。

1929 年，美國天文學家哈柏（Edwin Hubble）分析了一些從遙遠星群傳來之光譜的測量結果，發現其頻率很有系統地往較低之紅色位移（red shift），其位移值隨星群離我們之距離的增加而加大。顯然地，遙遠星群是依一定的規則在遠離我們：距離我們越遠，後退速率越快，稱為「哈柏–勒梅特定律」（Hubble-Lemaître law）］。

• 紅移

多普勒效應（Doppler effect）或多普勒頻移（Doppler shift）是因聲音波源及觀察者的相對移動而造成波頻率變化的現象。當波源及觀察者互相接近時，觀察者會測到波源的頻率比原來的高；反之，當他們遠離時，觀察者會測到波源的頻率例比原來的低。頻率的改變與相對速度成正比。因為光也是一種振動，故也有類似的現象。就可見光而言，紅光頻率較低，藍光頻率較高，因此光頻因兩物體互相遠離而變低時，我們稱為「紅移」（redshift）；反之，我們稱為「藍移」（blueshift）。

這無可避免的結論是：宇宙正處於正在膨脹的狀態！此一完全出乎意外的發現，改變了宇宙論這一研究的整個面貌！可是哈柏後來辯稱，不確定性的有限數據似乎支持靜止宇宙的概念，但他並沒有明確排除宇宙膨脹的可能性，因此他從未獲得諾貝爾獎——開玩笑的，他真正未得諾貝爾獎的原因見後。

有什麼證據可以說服像牛頓、愛因斯坦、哈柏這樣的大科學家相信宇宙是在膨脹呢？

標準大霹靂宇宙論

一個正在膨脹的宇宙是一個動態改變的宇宙，因此應該具有生命的歷史──甚至可能有出生與死亡。依現在廣為大部份科學家所接受的「標準大霹靂宇宙論」（standard cosmological Big Bang model），現在的宇宙年齡大約是 140 億年。

我們雖然對 140 億年前的宇宙結構細節非常不清楚，但大部份的科學家均認為宇宙是由「一個時空特異點」突然大爆炸而出現的──雖然物理學家尚不知道可用什麼理論來解釋該特異點。

剛爆炸時的宇宙處於一個高度均勻、非常高溫、及高輻射能密度的狀態；大約 10^-12 秒後，溫度下降到太陽核心溫度的一億倍時，我們現在所知道的自然力就出現了，此時被稱為夸克的基本粒子在能量海洋中自由遊蕩。大約 10^–6 秒時，自由夸克就被限制在中子和質子中。大爆炸一秒鐘後，宇宙充滿了中子、質子、電子、反電子、光子、和中微子。之後，隨著宇宙繼續膨脹，溫度也繼續下降，質子和中子開始結合形成原子核，然後又與電子結合形成現今宇宙中主要成分的氦和氘原子。這些中性原子透過重力開始合併成氣體雲，慢慢演變成恆星。當宇宙膨脹到現在大小的五分之一時，恆星已經形成了可以識別的年輕星系群體。

在電子、質子、和中子結合形成不帶電之原子前，因輻射能直接與帶電體作用，故宇宙是「不透明」的。當宇宙膨脹持續了 38 萬年、比現在小 1000 倍、溫度只有 ~3000K 時，中性原子開始大量出現；宇宙學家稱此一時期為「複合時期（recombination epoch）」。因為中性原子不能散射輻射，故輻射能在其間自由遊蕩，宇宙於是就變「透明」了，宇宙學家稱此一事件為「光子去耦（photon decoupling）」。

黑體輻射光譜

在物理學上，黑體（blackbody）是可以吸收所有入射電磁輻射的理想物理體；因它吸收所有顏色的光，故呈黑色，稱為「黑體」。黑體也發射所有頻率的電磁波，稱為「黑體輻射」；其頻率分佈稱為「黑體輻射光譜」（blackbody radiation spectrum）或「黑體光譜」。

實驗發現黑體光譜與物體之形狀或成分完全無關，只與其溫度有關。古典物理沒辦法解釋黑體光譜，導致了量子力學的發展（詳見《量子的故事》）。處於恆溫之熱平衡狀態的物體會發射該溫度之黑體輻射，其頻率或波長分佈如上圖。

黑體輻射的總能量與其溫度的四次方成正比，稱為「斯特凡-玻爾茲曼定律」（Stefan–Boltzmann law）；其光譜的峰值波長與其溫度成反比，稱為「維恩位移定律」（Wien displacement law）。太陽表面溫度約為 6000K，其光譜的峰值落在可見光的範圍，正是我們眼睛所能感應到的電磁波（見上圖）！

你說這是巧合還是演化的必然結果？

宇宙微波背景輻射——理論

1960 年代，普林斯頓大學物理學家迪克（Robert Dicke）及學生皮布爾斯（Jim Peebles）對 38 萬年前可以自由地穿過宇宙的輻射感到興趣，開始探討這些輻射遺留下來的可能性。他們推論說：如果宇宙是根據大爆炸理論創造的，那麼在「光子去耦」時，這些輻射應與物質作用達到平衡，其頻率分佈應是 3000K 之黑體輻射的光譜，強度最高的輻射在紅外線區（波長約為 970 nm）。托爾曼（Richard Tolman）在 1934 年的《相對論、熱力學和宇宙學》一書謂：宇宙因膨脹而溫度一直在下降，輻射頻率的分佈當然也一直隨其溫度在改變，但卻永遠保持著黑體輻射的分佈特性。

去耦時的宇宙大約比現在小 1000 倍，溫度大約為 3000K，因此當宇宙空間膨脹到現在之值時，當時之黑體輻射峰值波長便應該增長 1000 倍到微波範圍的 970 μm。因黑體光譜的峰值波長與其溫度成反比，故如果黑體輻射峰值波長增長 1000 倍，黑體的溫度便應該下降 1000 倍到 ~3K。所以現在的宇宙應充滿著 ~3K 的黑體輻射，稱為「宇宙微波背景輻射」（cosmic microwave background radiation，縮寫為 CMB 或 CMBR）。

迪克及皮布爾斯都是動嘴不動手的理論物理學家，因此只好說服同事威爾金森（David Wilkinson）和羅爾（Peter Roll）去安裝天線搜索這些輻射（有心栽花…… ）。

宇宙微波背景輻射——偵測

幾乎就在同時，貝爾實驗室的彭齊亞斯（Arno Penzias）和威爾遜（Robert Wilson）抓住機會，將該實驗室本想作廢的一個巨大的 20 英尺喇叭形天線，轉來作為輻射望遠鏡，以放大和測量來自星系之空間的無線電信號。為此，他們必須消除來自地面之雷達和無線電廣播的影響，並通過液氦冷卻接收器本身來抑制其核心的干擾。

在排除了能想到的一切過量輻射的來源後，他們發現接收器中仍持續存在有一種低沉、穩定、神秘的噪音。這殘留的噪音不但比他們預想的強烈一百倍，還晝夜均勻地散佈在天空；他們再次徹底檢查了設備，甚至清理了一些堆積在天線中的鴿子糞便後，噪音依然存在。顯然地，這 7.35 厘米波長的輻射不是來自地球、太陽、或我們的銀河系，而是來自銀河系外。可是什麼地方呢？

當麻省理工學院物理學教授伯克（Bernard Burke）告訴彭齊亞斯他曾看到皮布爾斯的一篇預印本論文，討論在宇宙出現後可能留下的輻射時，彭齊亞斯和威爾遜立刻意識到他們之發現的可能重要性。彭齊亞斯打了電話給就在附近工作之迪克，要了一份尚未發表的皮布爾斯論文。讀完該論文後，彭齊亞斯又打了電話給迪克，邀請他到貝爾實驗室看喇叭天線，欣賞背景噪音。迪克與貝爾實驗室的研究人員分享了他的理論工作後，認為後者（無心插柳）所發現的微波輻射正是他們正在尋找的大爆炸的標誌（柳成蔭）。

為了避免潛在的衝突，他們決定聯合發布他們的結果。 兩封快報同時迅速地在 1965 年的《天體物理學雜誌》（Astrophysical Journal）出現。在該雜誌裡，迪克和他的同事先概述了宇宙背景輻射作為大爆炸理論證據的重要性，然後彭齊亞斯和威爾遜報告了 3.5K 之殘餘背景噪音實驗，並謂迪克快報中的理論正可能是噪音的來源。

彭齊亞斯回憶說：「當我們第一次聽到莫名其妙的嗡嗡聲時，我們不明白它的意義，我們做夢也沒有想到它會與宇宙的起源有關。直到我們對聲音的起源用盡了所有可能的解釋後，我們才意識到我們偶然發現了一件大事。」彭齊亞斯和威爾遜因意外發現「微波背景輻射」而獲得了 1978 年的諾貝爾物理學獎。提供理論解釋的迪克及皮布爾斯則被排除在外^[2]。據皮布爾斯的回憶：迪克在掛斷彭齊亞斯之電話後，曾無奈地向普林斯頓大學的同事說：「完了，同事們，我們被別人捷足先登了（Well, boys, we’ve been scooped.）」。皮布爾斯雖然在 1978 年與諾貝爾獎失之交臂，但在 2019 年還是因在物理宇宙學方面的貢獻而獲得諾貝爾物理學獎。

宇宙微波背景輻射——誰先提出？

事實上早在 1941 年科學界就開始有幾個對宇宙空間溫度的估計，但這些估計存在兩個缺陷。

首先，它們是對宇宙空間有效溫度的測量，並不表明宇宙空間充滿了黑體光譜。

其次，它們依賴於地球在銀河系邊緣的特殊位置，也沒有表明輻射分佈與方向無關。儘管如此，現在很多文獻都錯誤地認為第一位提出宇宙微波背景輻射的科學家是名科普作家伽莫（George Gamow）。

1940 年代初期，伽莫想知道早期宇宙的條件是否會產生科學家現在所觀察到的氫、氦、和其他元素。這項研究需要核物理知識，但當時美國的大多數核物理學家都被招募去發展原子彈，因此伽莫基本上是獨自一人在研究核合成問題。伽莫本人並不特別擅長數學計算，因此建議他的博士生阿爾弗（Ralph Alpher）去做這雜事。他們假設大爆炸後的宇宙非常熱、充滿了中子，原子核是透過一次捕獲一個中子而形成的，偶爾原子核會衰變產生一個更重的原子核（加上一個電子和一個中微子）。在 1948 年 4 月的論文裡，他們成功地預測了宇宙中氫和氦的比例（佔所有原子的 99.99%），為大爆炸模型的另一次重大勝利。

在上面提到的 1948 年的論文裡，伽莫和阿爾弗並沒有提到「宇宙初始膨脹的殘餘輻射」。幾個月後，阿爾弗和約翰霍普金斯大學同事赫爾曼（Robert Herman）發表了另一篇論文，謂現今觀察到的氫和氦濃度說明了在宇宙誕生後的幾分鐘內，宇宙的溫度曾經處於十億度的範圍內；並預測那早期宇宙中強烈輻射的微弱殘餘現今大約在「5K 左右」（兩年後他們重新估計為 28K）。事實上，阿爾弗說伽莫最初是反對這一預測的；他在 1997 年 8 月 25 日的一封信中寫道：

1948 年末，我和赫爾曼發表那篇論文後，伽莫三年來對預測（宇宙背景溫度）的貢獻一直是：對其正確性及意義強烈地表達了保留意見。後來他返回（這題目）並發表了幾篇論文，在理論上承認了這種輻射的存在，但繼續錯誤地計算其性質，混淆了數年的（歷史）文獻！

結論——從背景輻射，到恆星的「種子」

事實上彭齊亞斯和威爾遜並沒有探測到輻射具有黑體的光譜分佈；在 8 個月後，威爾金森和羅爾的實驗才總算開花顯示出 2.7K 光譜分佈的證據。但完全證明輻射的黑體性質則在更長的時間後才出現。靜態宇宙論雖然也可以解釋宇宙背景溫度，卻沒辦法解釋其光譜分佈，因此黑體微波背景輻射光譜的發現終於鞏固了大霹靂宇宙論在天文學上的地位！

一個在空間均勻分佈的輻射怎麼可能產生星球呢？因此這一充滿空間的輻射必須有一些局部變化⎯⎯無論多麼輕微，來提供形成物體的「種子」。1970 年代，天文學家發現了宇宙背景輻射在不同方向上確實有些微差異。這一發現激發了美國宇航局投入數十億美元，在戈達德太空飛行中心（Goddard Space Flight Center）開始研製一種不僅可以測量背景輻射的變化，還可以證明它是黑體輻射的「宇宙背景探測器」 （COsmic Background Explore；COBE）衛星。

宇宙背景探測器於 1989 年發射。它準備花四年的時間來觀察蒐集資料。但在幾個小時內，它就證明了宇宙背景輻射的光譜分佈確實是黑體，完全符合與來自大爆炸時的理論計算。在 1992 年 4 月 3 日的新聞發布會上，加州大學柏克萊分校的天文物理學家斯穆特（George Smoot）宣布衛星探測器偵測到了宇宙微波背景的微小波動，為研究早期宇宙的一個突破：「我們觀察到早期宇宙中最古老和最大的現代結構（如星系、星系團等）的原始種子。不僅如此，它們也是（宇宙）創造時期遺留下來的時空結構中的巨大漣漪」；並謂「如果你有宗教信仰，那就像是看到了上帝」。馬瑟（John Mather）與斯穆特「因發現了宇宙微波背景輻射的黑體形式和各向異性」而獲得 2006 年諾貝爾物理學獎。

哈柏的發現改變了整個宇宙論研究的面貌，這麼大的貢獻，為什麼他從未獲得諾貝爾獎呢？原來那時的諾貝爾獎物理委員會不承認天文學是物理！因為這個關係，哈柏後來一直在努力爭取諾貝爾獎承認天文為一物理學的工作。

註解

• 註 1：因為正在撰寫這篇文章，筆者在此就賣個關子，不談牛頓如何解決這個問題。
• 註 2：是否因諾貝爾獎最多只能給三人之故就不得而知了。有趣的是：當初楊振寧與李政道因提出理論而獲得諾貝爾獎，吳建雄及雷德曼（Leon Lederman）之實驗驗證則被排除在外。

延伸閱讀

• 賴昭正：「我愛科學」（華騰文化有限公司，2017 年 12 月出版）：裡面收集了下面那兩篇文章。
• 愛因斯坦的最大錯誤–宇宙論常數 （科學月刊 2011 年十二月號；或泛科學 2011/12/11) 。
• 黑體輻射的光譜分佈請參考「太陽能與光電效應」（科學月刊 2011 年十二月號）或《量子的故事》， 新竹凡異出版社，第二版 （2005）。
• 賴昭正譯（P.C.W. Davies 原著）：「近代宇宙觀中的空間與時間」（新竹國興出版社，1981 年 8 月出版）。

在【齒輪時代】的最後一章提到，MIT 教授凡納爾．布希除了發明微分分析儀之外，也直接或間接地對電腦發展做出重要貢獻。其中一項間接貢獻就是來自他所指導的學生夏農 (Claude E. Shannon)。這位不世出的天才雖然大眾知名度不高，但事實上，現代電腦與通訊的發展，都始於他憑一己之力提出的理論基礎。

本文為系列文章，上一篇請見：電腦運算的基礎——布林代數，是麼搞出來的？│《電腦簡史》數位時代（三）

擔任布希助理，操作微分分析儀，奠定電路基本功

夏農自小就喜歡搞電子實驗，他還曾利用鐵圍籬和八百公尺外的鄰居互傳電報。1936 年，夏農以數學和電機雙學位自密西根大學畢業後，進入 MIT 電機研究所就讀，同時在布希的實驗室當研究助理。

當時微分分析儀是唯一能算高階微分的計算機，所以實驗室不時會接受教授或其它研究單位的委託，為他們計算微分方程式。夏農的工作便是針對他們的問題，調整微分分析儀的設定，包括大大小小的連桿、滑輪等機械零件，以及近百個控制電動馬達的繼電器。

夏農相當樂在其中，看著微分分析儀按照自己的設定運轉，最後自動畫出答案，總令他心情愉悅。而最令他著迷的，就是在背後控制所有動作的繼電器。繼電器就像閘門，掌控電流的進出，雖然只有開與關兩種狀態，但串成迴路後，就能以特定的順序開開關關，就能讓微分分析儀解出各種微分方程式。

於貝爾實驗室實習，悟出電子迴路與布林代數的關聯性

第二年暑假，夏農到美國電話電報公司 (AT&T) 的貝爾實驗室實習。當時貝爾實驗室正在開發縱橫式自動交換機，也是利用繼電器來控制電話線路的搭接。夏農操作了一學年的微分分析儀，對繼電器的運作已了然於胸，儘管電話交換機是截然不同的機器，其中的迴路也更密集複雜，他卻能看出兩者在運作上有共通之處。

無論迴路大小，都是由許多繼電器與電路所組成，不同的連接方式決定電流如何流動，進而讓機器做出不同動作。如果兩個繼電器在一條電路上前後串聯，就必須兩個繼電器都打開，電流才能通過。如果電路一分為二，各自經過一個繼電器再合而為一（這稱為並聯），就只要有一個是開的，電流就能繼續往前了。

這只是電路的基本常識，每個工程師都知道，但就是沒有人像夏農那樣，看出電子迴路與布林代數的關聯。

夏農是以數學和電機雙學位畢業，對布林代數自然不陌生，但要從實體的電路聯想到抽象的邏輯關係，真的要有超乎常人的洞見。在他眼中，繼電器只有開、關兩種狀態，恰可用布林代數中的 1 與 0 兩種數字表示。繼電器串聯相當於邏輯運算的「且」(AND)，並聯則是相當於「或」(OR)，不管是什麼迴路，都可以用布爾代數描述。

暑期實習結束後，夏農回到學校，立即向導師布希提及自己的想法。布希深感興趣，鼓勵他以此做為碩士論文的題目。

史上最重要的碩士論文，堪稱資訊時代的大憲章

沒幾個月，夏農就在 1937 這一年完成劃時代的論文，題為〈繼電器與交換電路的符號分析〉(A Symbol Analysis of Relay and Switching Circuits)，開宗明義即宣告：「任何電路都可以用一組方程式表示，……。事實證明，其計算方式完全等同於符號邏輯所用的命題運算。」

夏農先以簡單的雙開關電路為例，說明如何用布林代數標示串聯與並聯的接法，並列出基本公理與交換律、結合律、……等運算法則。接著他再進一步分析不同型式的複雜電路，證明也都可以用布林代數表示。最後夏農強調這套方法不只可以用於現有的機器，還可以解決各種問題。

他寫道：「事實上，任何運算只要是用『若』、『或』、『且』等字眼在有限的步驟內描述，都可以用繼電器自動算出來。」

為了佐證這項主張，他提出三種全新的應用，並附上自己設計的電路圖。第一個是電路的簡化；原本使用二十個元件的電路，經由邏輯演算找出等效的表達式後，可以將元件減少為十四個。第二個與第三個應用都是他的創新發明，分別是使用五個按鍵開關的電子密碼鎖，以及二進位的電子加法器（嚴格來說仍不算電子式，因為繼電器的開關仍是利用電磁鐵的機械動作）。

這篇論文於第二年公開發表後，立即引起巨大的迴響，甚至被譽為「應該是本世紀最重要、最值得注意的碩士論文」，後來《科學美國人》雜誌也稱它是「資訊時代的大憲章」。

電路設計化繁為簡，電腦從此邁向數位時代

的確，夏農這篇論文影響深遠。原本錯綜複雜的電路圖改用布林代數表示後，就可以在實際建造機器之前，清楚計算出執行的結果，大幅減少嘗試錯誤所耗費的時間與成本。除此之外，還能如夏農所示範的，找出更精簡的電路方案。科技產品因為設計效率提升、製造成本下降，才得以更加迅速地推陳出新。

計算機的發展也受惠於夏農的創見，才開啟了數位時代（他革命性的通訊理論會在第三部另外介紹）。

夏農所提出的邏輯電路雖然以繼電器為範例，但其實這套抽象法則具有普遍性，任何有開關兩種狀態的元件皆可套用。因此即使後來繼電器被真空管取代，然後真空管又被電晶體淘汰，無論電腦的硬體零件怎麼換、電路圖多複雜，都還是基於夏農所提出的邏輯閘。

夏農已經指出一條通往未來之路，很快地，這條路上就將出現打造現代電腦的各路好漢……。

貝爾實驗室的央斯基（Karl G. Jansky, 1905－1950）在記者採訪之前再一次仔細檢查手中的資料，畢竟他這篇論文的主張實在太過大膽了！

貝爾實驗室是他大學畢業的第一份工作，他被交付的任務是查出干擾無線電通訊的背景雜訊，因為 AT&T 要用短波提供越洋電話服務，務必得解決雜訊干擾的問題。央斯基花了兩年的時間親自設計建造，終於在 1930 年完成一具專門接收 20.5 MHz電波的巨大天線：長 30 米、高近 4 米，遠看倒像是萊特兄弟的滑翔機翼骨架。最特殊的是下面裝了四個汽車輪胎，可在圓形軌道上旋轉，以精確定位出訊號方向。他的同事還因此戲稱它是「央斯基的旋轉木馬」。

經過近兩年單調卻費神的傾聽、紀錄與分析，央斯基大致搞清楚了雜訊來源，除了人為因素之外，背景雜訊不是附近的雷雨就是遠方的雷雨。但有一種來歷不明的訊號，每天漲落一次；他原本以為是太陽輻射，但幾個月後，這個訊號源方位卻越來越遠離太陽。他進一步發現它其實不是間隔 24 小時，而是 23 小時 56 分鐘，剛好是地球相對於遠方恆星的自轉週期，這意味著訊號源肯定不是太陽，而是更遙遠的天體。經過更精確的觀測後，央斯基認定這個無線電波來自人馬座方向的銀河系中心！

1933 年的今天，紐約時報以頭版報導了央斯基的發現，引起廣泛的注意，畢竟在此之前只知有宇宙射線與宇宙輻射，從未聽聞天體也會發射無線電波。而對天文學家而言，這意味著除了光學望遠鏡，也可以用無線電望遠鏡觀測天體，一窺壯闊瑰麗的遠方星系、天體的誕生與衰亡、乃至百億年前的宇宙樣貌，因此這一天可說是無線電天文學的濫觴。

只是當時正是大蕭條時期，求得溫飽尚且不及，如何顧及遙遠的天體？因此央斯基原本希望建造直徑 30 米之碟型天線以深入探測此訊號源的提案被否決，天文學界也無多餘經費可以進一步研究。四年以後，才有業餘無線電工程師雷伯（Grote Reber）在自家後院作出第一台無線電望遠鏡，證實了央斯基的發現。無線電天文學的進一步發展得等到二次大戰結束以後了。

1964 年，央斯基的兩位後進彭齊亞斯（Arno Penzias）和威爾遜（Robert Wilson）用貝爾實驗室的無線電望遠鏡發現大霹靂的餘燼──宇宙背景輻射，因而獲頒諾貝爾獎。只可惜央斯基英年早逝，無緣得見他開啟的無線電天文學開花結果。如今我們以他的姓氏作為天體無線電流量密度的單位；由 27 個碟型天線組成的超大陣列天線（Very Large Array）也於 2012 年改以他的姓名命名，以表彰他的重大貢獻。

本文同時收錄於《科學史上的今天：歷史的瞬間，改變世界的起點》，由究竟出版社出版。