銀河系紅矮星的適居區中的岩質行星數量可能達數百億顆

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

• 撰文｜許世穎

「造父」是周穆王的專屬司機，也是現在「趙」姓的始祖。以它為名的「造父變星」則是標準燭光的一種，讓我們可以量測外星系的距離。這幫助哈柏發現了宇宙膨脹，大大開拓了人們對宇宙的視野。然而發現這件事情的天文學家勒梅特卻沒有獲得她該有的榮譽。

宇宙中的距離指引：標準燭光

經過了三篇文章的鋪陳以後，我們終於要離開銀河系，開始量測銀河系以外的星系距離。在前作＜天有多大？宇宙中的距離（3）—「人口普查」＞中，介紹了距離和亮度的關係。想像一支燃燒中、正在發光的蠟燭。距離愈遠，發出來的光照射到的範圍就愈大，看起來就會愈暗。

我們把「所有發射出來的光」稱為「光度」，而用「亮度」來描述實際上看到的亮暗程度，而它們之間的關係就是平方反比。一旦我們知道一支蠟燭的光度，再搭配我們看到的亮度，很自然地就可以推算出這支蠟燭所在區域的距離。

舉例來說，我們可以在台北望遠鏡觀測金門上的某支路燈亮度。如果能夠找到那支路燈的規格書，得知這支路燈的光度，就可以用亮度、光度來得到這支路燈的距離。如果英國倫敦也安裝了這支路燈，那我們也可以用一樣的方法來得知倫敦離我們有多遠。

我們把「知道光度的天體」稱為「標準燭光（Standard Candle）」。可是下一個問題馬上就來了：我們哪知道誰是標準燭光啊？經過許多的研究、推論、歸納、計算等方法，我們還是可以去「猜」出一些標準燭光的候選。接下來，我們就來實際認識一個最著名的標準燭光吧！

「造父」與「造父變星」

「造父」是中國的星官之一。傳說中，「造父」原本是五帝之一「顓頊」的後代。根據《史記‧本紀‧秦本紀》記載：造父很會駕車，因此當了西周天子周穆王的專屬司機。後來徐偃王叛亂，造父駕車載周穆王火速回城平亂。平亂後，周穆王把「趙城」（現在的中國山西省洪洞縣一帶）封給造父，而後造父就把他的姓氏就從本來的「嬴」改成了「趙」。因此，造父可是趙姓的始祖呢！（《史記‧本紀‧秦本紀》：造父以善御幸於周繆王……徐偃王作亂，造父為繆王御，長驅歸周，一日千里以救亂。繆王以趙城封造父，造父族由此為趙氏。）

回到星官「造父」上。造父是「北方七宿」中「危宿」的一員（圖一），位於西洋星座中的「仙王座（Cepheus）」。一共有五顆恆星（造父一到造父五），清代的星表《儀象考成》又加了另外五顆（造父增一到造父增五）。^[3]

英籍荷蘭裔天文學家約翰‧古德利克（John Goodricke，1764-1786）幼年因為發燒而失聰，也無法說話。1784 年古德利克（John Goodricke，1764-1786）發現「造父一」的光度會變化，代表它是一顆「變星（Variable）」。2 年後，年僅 22 歲的他就當選了英國皇家學會的會員。卻在 2 週後就就不幸因病去世。^[4]

造父一這顆變星的星等在 3.48 至 4.73 間週期性地變化，變化週期大約是 5.36 天（圖二）。經由後人持續的觀測，發現了更多不同的變星。其中一群變星的性質（週期、光譜類型、質量……等）與造父一接近，因此將這一類變星統稱為「造父變星（Cepheid Variable）」。^[5]

勒維特定律：週光關係

時間接著來到 1893 年，年僅 25 歲的亨麗埃塔‧勒維特（Henrietta Leavitt，1868-1921）她在哈佛大學天文台的工作。當時的哈佛天文台台長愛德華‧皮克林（Edward Pickering，1846-1919）為了減少人事開銷，將負責計算的男性職員換成了女性（當時的薪資只有男性的一半）。^[6]

這些「哈佛計算員（Harvard computers）」（圖三）的工作就是將已經拍攝好的感光板拿來分析、計算、紀錄等。這些計算員們在狹小的空間中分析龐大的天文數據，然而薪資卻比當時一般文書工作來的低。以勒維特來說，她的薪資是時薪 0.3 美元。順帶一提，這相當於現在時薪 9 美元左右，約略是台灣最低時薪的 1.5 倍。^[6][7][8]

勒維特接到的目標是「變星」，工作就是量測、記錄那些感光板上變星的亮度 。她在麥哲倫星雲中標示了上千個變星，包含了 47 顆造父變星。從這些造父變星的數據中她注意到：這些造父變星的亮度變化週期與它們的平均亮度有關！愈亮的造父變星，變化的週期就愈久。麥哲倫星雲離地球的距離並不遠，可以利用視差法量測出距離。用距離把亮度還原成光度以後，就能得到一個「光度與週期」的關係（圖四），稱為「週光關係（Period-luminosity relation）」，又稱為「勒維特定律（Leavitt’s Law）」。藉由週光關係，搭配觀測到的造父變星變化週期，就能得知它的平均光度，能把它當作一支標準燭光！^[6][8][10]

從「造父變星」與「宇宙膨脹」

發現造父變星的週光關係的數年後，埃德溫‧哈柏（Edwin Hubble，1889-1953）就在 M31 仙女座大星系中也發現了造父變星（圖五）。數個世紀以來，人們普遍認為 M31 只是銀河系中的一個天體。但在哈柏觀測造父變星之後才發現， M31 的距離遠遠遠遠超出銀河系的大小，最終確認了 M31 是一個獨立於銀河系之外的星系，也更進一步開拓了人類對宇宙尺度的想像。後來哈柏利用造父變星，得到了愈來愈多、愈來愈遠的星系距離。發現距離我們愈遠的星系，就以愈快的速度遠離我們。從中得到了「宇宙膨脹」的結論。^[10]

造父變星作為量測銀河系外星系距離的重要工具，然而勒維特卻沒有獲得該有的榮耀與待遇。當時的週光關係甚至是時任天文台的台長自己掛名發表的，而勒維特只作為一個「負責準備工作」的角色出現在該論文的第一句話。哈柏自己曾數度表示勒維特應受頒諾貝爾獎。1925 年，諾貝爾獎的評選委員之一打算將她列入提名，才得知勒維特已經因為癌症逝世了三年，由於諾貝爾獎原則上不會頒給逝世的學者，勒維特再也無法獲得這個該屬於她的殊榮。^[12]

本系列其它文章：

天有多大？宇宙中的距離（1）—從地球到太陽
天有多大？宇宙中的距離（2）—從太陽到鄰近恆星
天有多大？宇宙中的距離（3）—「人口普查」
天有多大？宇宙中的距離（4）—造父變星

—

參考資料：

[1] Astronomy / Meet Henrietta Leavitt, the woman who gave us a universal ruler
[2] wiki / 危宿敦煌星圖
[3] wiki / 造父 (星官)
[4] wiki / John Goodricke
[5] wiki / Classical Cepheid variable
[6] wiki / Henrietta Swan Leavitt
[7] Inflation Calculator
[8] aavso / Henrietta Leavitt – Celebrating the Forgotten Astronomer
[9] wiki / Harvard Computers
[10] wiki / Period-luminosity relation
[11] Universe Today / What are Cepheid Variables?
[12] Mile Markers to the Galaxies

• 撰文｜許世穎

本文轉載自 CASE 科學報 《天有多大？宇宙中的距離（2）—從太陽到鄰近恆星》

「視差（parallax）」是天文學家常用來量測距離的好工具。藉由視差，我們得以精準的量測地球到太陽的距離，再更進一步量測周遭恆星的距離。目前直接量測距離的方法中，視差是能量測最遠的一種，目前的極限大約是 1 萬光年。天文學家利用視差的概念已經很久了。然而在中古世紀，視差量測的結果卻讓當代的天文學家得出了「地球不會動」的結論……

太陽的距離：金星凌日、視差法

前作〈天有多大？宇宙中的距離（1）—從地球到太陽〉提到，我們可以在金星凌日的時候，藉由「視差（parallax）」來量測地球與金星的距離，並間接得到太陽的距離。「視差」就是「因為觀察位置不同，讓看到位置也不同」的現象。讀者們可以試試看，伸出一隻手指頭比個「1」、放在眼前大約 50 公分左右的地方。接著兩眼輪流交替閉上。如果讀者們真的有照做的話，應該會發現手指頭相較於背景來回大幅度地跳動。仔細觀察的話，會發現背景並不是不動，只是幅度很小而已。

從這個實驗我們得到幾個結論：（1）從不同的眼睛看出去，看到的物品位置會不同。這個現象就是視差；以及（2）距離愈近的東西，這個差異會愈大，也就是視差愈明顯（如圖 1）。我們可以根據這個視差的效果，來推算出物體的距離。

其實這也就是我們的眼睛判斷距離的方法！每個不同距離的物品從我們的左右眼看出去的位置差異不同。這兩個影像經過大腦判斷後，我們就可以得到距離的資訊。這也是 VR 實境立體畫面的原理。開發者先計算出每個物件在各自的距離下，兩眼會看到的視差效果。接著根據計算結果給予兩隻眼睛看到不一樣的畫面，我們的大腦就會自動合成出立體的圖像！

「兩個觀察位置的距離」稱為「基線（baseline）」，會影響視差的效果。一般而言，基線愈長，看到的視差就愈明顯。前面說到：「距離愈近的物品，視差會愈明顯。」換句話說，距離太遠的東西，視差就愈不容易觀察到。天文學家盡可能的把基線拉大，在兩個相距很遠的地方觀察天體，才能更精確的得到這些天體的距離。金星凌日發生的時候，科學家就是在地球找兩個相距很遠的地點做觀測，才有辦法測量出較為精確的金星視差，換算成金星的距離，最後計算出地球至太陽的距離。

鄰近恆星的距離：視差法……？

恆星當然也有視差了。提到量測恆星的視差，一定要提到 16 世紀著名的丹麥天文學家第谷．拉赫（Tycho Brahe）。當時還是個在爭論「地心說」、「日心說」的時代。他想利用恆星的時差來推論「地球到底會不會動」。如果「日心說」是對的，那麼隨著地球位置的不同，應該要看到恆星的視差。如果「地心說」才是對的，那麼因為地球的位置不變，不管怎麼觀察，恆星都不會出現視差。

在「日心說」的假設下，最遠的兩個觀察點是哪裡呢？可不是地球的兩端，而是「相隔 6 個月的地球」！可以想像，如果地球繞著太陽每一年繞轉一圈的話，那麼相隔 6 個月的地球會在太陽的兩端，這個間距可比地球的兩端大多了（見圖 2）！既然兩個觀測點是地球在太陽兩端，就代表基線（兩個觀測點間距）就是 2 倍的「日-地距（地球到太陽距離）」。用前面的方法得到的「日-地距」愈精確，那麼藉由視差法測出來到恆星的距離就能愈準。

為了精密的量測恆星的位置，必須要有非常良好的天文台。第谷可是丹麥的貴族啊！他直接花錢蓋了一棟天文台來量測、紀錄星星的位置，卻發現怎麼樣都量測不出恆星的視差。這代表了兩個可能性，一個是「地球不動」，另一個可能性就是「恆星太遠」。第谷認為，如果恆星真的這麼遠，而我們在地球上還是看得到的話，這些恆星未免太大了！他認為這不太可能，因此認定「地球不動」。

那到底哪裡出錯了呢？用一個簡單的例子來說明：「拿捲尺去量一張紙的厚度，當然怎麼量厚度都是 0 公分啊！」其實第谷的推論完全合理，量測不到恆星視差的原因真的就是因為「恆星太遠」，所以視差太小而無法看到。從現代的數據我們可以回推他當時的情況，太陽以外最近的一顆恆星是位於「半人馬座」裡的「比鄰星（Proxima Centauri）」，距離是 4.22 光年。產生的視差比第谷使用的天文台精密度還要更小了好幾倍！他所推估這些恆星的大小從現在眼光來看也非不合理，只是真的難以想像。

現在的我們有了更良好的儀器，已經可以靠視差來推算恆星的距離了。不過視差法曠日費時，倒也不難理解，畢竟要有好的基線要等半年啊……而且儀器的辨識率也是有極限的，目前視差法的極限差不多是 10 微角秒（1 角秒為 1/360 度） ^[2]，相當於十億分之一度！換算成能量測到的距離極限，差不多是 1 萬 6 千光年左右。聽起來很多嗎？銀河系的直徑約 10 萬至 18 萬光年，這個距離極限連銀河系都看不穿。所以視差法雖然好用，但只能拿來測量鄰近恆星的距離（見圖 3）。

視差法是直接量測距離的盡頭了。想要把銀河系看穿、想要知道銀河系中其他成員們的距離，我們得開始「間接量測」。先做出一些物理學上的假設，才能夠「猜」出距離。想要知道更遙遠的距離，則需要更多的假設，這個概念叫做「宇宙距離階梯（cosmic distance ladder）」。下一篇文章中，我們將帶大家進行恆星的「人口普查」，並且利用普查結果來得到更遙遠的距離。

1. pixabay / martinklass
2. wiki / Parallax
3. 網路天文館 / 恆星的距離測量

本系列其它文章
天有多大？宇宙中的距離（1）—從地球到太陽
天有多大？宇宙中的距離（2）—從太陽到鄰近恆星
天有多大？宇宙中的距離（3）—「人口普查」