從地球到太陽系天文生物系列

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

顏色會依照我們觀看的對象吸收和反射的光而有所不同。樹葉因為會吸收所有藍色和紅色系光譜，只反射綠色，因此看起來是綠色的，而讓樹葉顯現綠色的東西，便是負責養育生命的葉綠素。

需要光合作用時也只會紅通通的日本紅楓

當然，也有葉子不是綠色的。樹木一生中雖然會變換顏色，但也有一開始長葉就不是綠色的。關於這類樹木，首先想到的便是日本紅楓（Acer palmatum ‘Shojo-Nomura’）。

日本紅楓連剛冒出葉子時也不泛綠色，和它的名字一模一樣，打一開始就很紅。那麼，日本紅楓紅色的葉子裡沒有葉綠素嗎？如果缺少葉綠素，樹木無法行光合作用；若不行光合作用，將無法製造生存所需的養分，那究竟該如何生存呢？

所有樹葉裡都有葉綠素，但是除了葉綠素，還有類胡蘿蔔素、花青素和單寧等各種成分，我們需要從這裡找出頭緒。類胡蘿蔔素、花青素和單寧等成分分別呈現黃色、紅色和褐色，葉子雖然從一開始就具備多種顏色的成分，但在更需要光合作用的時候，葉綠素會上來表面；待過了秋季，逐漸接近無法行光合作用的冬季，其他顏色的成分才會開始活躍，秋楓便是如此。然而，日本紅楓即使在需要光合作用的時期，葉子也只會紅通通的，非常奇妙。

淺綠色顯露出來的瞬間

日本紅楓是人們培育出來的品種，以做為造景用的觀賞樹木。換言之，日本紅楓並不是在自然狀態下生長的樹木，而是人們為了更長時間觀賞楓樹的紅色葉子所培育的品種，讓它一年四季都能呈現紅色。雖說紅色葉子裡頭同時含有泛綠色的葉綠素，但不管再怎麼看，都看不到綠色。

我再次重申，觀察樹木需要長時間、仔細地觀察。日本紅楓葉子上的紅色氣息轉淡的現象一年大概會發生兩次，分別是開花與果實逐漸成熟時，也就是樹木最需要養分的時刻。這時的日本紅楓葉子會發生非常細微的變化，乍看之下無法得知其差異：仍然泛著紅色，仔細觀察卻能在葉子某些部分感覺到綠色的氣息。

雖然葉子顯現紅色，但葉綠素若不進行光合作用，樹木就無法存活，在開花和結果等需要大量養分的關頭更是如此，這種時候只要仔細確認日本紅楓的葉子，將能感覺到葉綠素行光合作用活動的跡象。葉子上面延展的葉脈或葉柄端的紅色會轉淡，非常顯眼。果實結果和逐漸成熟時也一樣，可以在變淡的紅色之間突然看見綠色。即便葉子是紅色的，葉綠素還是會在它非常迫切需要養分時活躍起來，無怪乎顯現了綠色。

黃金松的樹葉只有黃色嗎？

日本紅楓是人工選育的品種，但自然狀態下也有樹木不是發綠色的芽，好比名為黃金松（Pinus densiflora ‘Aurea’）的樹木。雖然松樹的葉子一年四季都是綠色，黃金松的葉子卻呈金黃色。黃金松是松樹的品種之一，是相當稀有的樹木，它只有下方呈綠色，整體看來葉子是金黃色的。據說從以前開始，只要天氣乾旱，黃金松的金黃色葉子就會變成褐色，梅雨季則變成綠色，對於觀察氣候十分必要，不過這種說法並無科學根據。儘管如此，據說以前農夫們乾脆叫黃金松「天氣木」。

韓國曾經發現幾棵自然狀態下的黃金松，特別是慶尚北道蔚珍郡周仁里的黃金松就被指定為地方紀念物，是一株受到保護的珍貴樹木。這棵黃金松曾是預測氣候的標準，村裡亦相傳若發生戰爭，它的葉子會泛紅。

蔚珍郡周仁里的黃金松和旁邊其他樹木的葉子顏色不同，一眼就能清楚看出來。這棵佇立在斜坡上的樹木已有五十歲左右，由於被指定為文化財，四周圍上了柵欄、被確實地保護著。雖然遠處就見得到它神祕的模樣，但務必近距離觀察。必須仔細觀察葉子，才能得知樹木的祕密，知道樹木如何用金黃色的葉子製造養分、使自己生長。

即便植物圖鑑裡記載「除了葉子的基部，其他都是黃色」，實際上再怎麼觀察，仍然很難說是黃色，非要講的話，比較接近綠色和黃色混合在一起的淡綠色。當然，顏色以針葉來說算特別，但不能說是黃色或金黃色。與其說黃金松的葉子是金黃色的，不如說是以綠色為底，黃色顯現得稍微強一點。

無法丟掉綠色的原因

我們談日本紅楓和黃金松，但擁有紅葉或黃葉的樹木不只這些，尤其是觀賞用的培育品種中，還有不少葉子的顏色相當五彩繽紛。然而，不管是哪種樹木，都無法完全丟掉綠色，因為綠色是葉綠素的顏色，而葉綠素是樹木的生命之窗。

——本文摘自《樹葉物語》，2023 年 5 月，時報出版，未經同意請勿轉載。

• 潘康嫻／中研院環境變遷研究中心博士後研究員

地球上有一群人總喜歡抬著頭，看著夜空中點亮大地的星燈，這些星光夾藏著宇宙的祕密，穿透無數個光年，抵達藍色的星球。除了欣賞夜色之美，這一群人更試圖從中看出點端倪，這些熠熠星光是怎麼來的？宇宙是什麼樣子？為什麼會有地球？生命從何而來？還有其他如地球般的星球嗎？那裡也有文明嗎？好多個「為什麼」是大自然帶來的啟發，而人類尋找答案的行動，卻是宇宙裡不可思議的精彩。

向遙遠的星系發送信號 尋找未知的外星文明

人類的世界觀從曾經的地球放眼到太陽系，隨著科學與科技的進步，二十世紀的物理學開創宇宙論的發展，至二十一世紀天文觀測的黃金年代，不停歇地向深邃的星空探索，走出新的視野。近二十多年的諾貝爾物理獎，多達三分之一肯定天文學的貢獻，例如 2019 年獲獎的三位學者，一位建構宇宙大霹靂理論模型，另兩位發現一顆繞著另個太陽類型恆星公轉的系外行星。宏觀的宇宙視野，加上相對微觀的行星視角，近代的天文學一再刷新人類對宇宙演化及地球定位的認知。

天文望遠鏡和太空科技的進展，讓現代的天文學家得以挖掘宇宙暗藏的驚奇，透過紅外線觀測，我們看到隱藏在可見光背後恆星誕生的搖籃，也發現了宇宙考古學的線索。2019 年諾貝爾物理學獎得主之一詹姆士・皮博斯（James Peebles）花費大半輩子，帶領我們梳理宇宙 137 億年演化的歷程，如今我們知曉實質物體的總質量佔宇宙的 5%（其餘為 68% 的暗能量，與 27% 的暗物質）。在這 5% 的質量中，粗略估計大大小小星系中的星點，加總起來約略有 10²⁷ 顆恆星。假使每顆恆星誕生時也伴隨著行星系統的發展，在如此龐大的總數下，是否也有另一顆適合生命發展的星球？

放眼望去，茫茫星海，僅吾唯一？以地球人的角度思考外星生命的可能性，德雷克公式（Drake equation）將文字的問號轉成可運算的概念，考慮環境因素和發展文明的可能性，估計銀河系中存在著少則一千，多則一億的文明數量。但這些年，沒有人聯絡我們，我們也沒有找到對方，費米悖論提醒了估算與現實的落差。天文學家藉著太空科技的發展得以主動探尋，1972 年的先鋒號和 1977 年的航海家，帶著人類寫給外星人的科學密碼信函，至今持續在星際間航行。除了寫信，還可以像發電報一樣，1974 年的阿雷西波訊息（Arecibo message），對著遠在 25,000 光年外的 M13 球狀星團發送訊號，寄望能在高齡星團中找到找到高智慧文明存在的可能性。然而，這一去一回，收到回音得等上五萬年，已不知道是人類幾代以後的事了。

一如 15 至 17 世紀的大航海時代，歐洲船隊面對大海，莫不引頸期盼能在望遠鏡裡看到遠方的陸地。行星猶如當時的目標，由於行星不會自行發光，尋找行星的難度如同在千里之外的明亮燈塔旁邊瞧見一隻蚊子，然而技術的困難並未讓人退卻，科學的精彩就在於想辦法突圍。

更清晰地遙望遠方 用太空望遠鏡在地球上一起遨遊宇宙

1995 年米歇爾・麥耶（Michel Mayor）與迪迪爾・奎洛茲（Didier Queloz）藉由分析恆星光譜中的都卜勒效應（目標物遠離觀測者時，其光譜會往長波方向拉長稱作紅移，反之靠近則往短波壓縮稱之藍移），在飛馬座找到繞著太陽類型的恆星公轉的第一顆系外行星飛馬座 51b（51 Pegasi b），為系外行星大發現時代展開序幕，也讓他們在 2019 年共享諾貝爾物理獎的殊榮。至今近 25 年觀測資料的累積，尤其有了克卜勒太空望遠鏡和接續的凌日法系外行星巡天衛星（Transiting Exoplanet Survey Satellite，TESS），系外行星數量自 2014 年開始大幅增加，截至今年 2023 年 6 月統計，約有 5,500 顆系外行星，依據型態將系外行星分成四類：氣體巨行星（又稱熱木星）、類海王星、超級地球、類地行星。天文學家從統計數量和行星形成動力學模型中獲得豐富的訊息，也讓太陽系的形成與演化有了更進一步的認識。以一個系統中的行星質量做序列可以分成四種：由小至大（太陽系即為此類）、由大至小、混合、和大小相似，科學家發現像太陽系八大行星的排序反而非常稀有，像 TRAPPIST-1 系統中七顆行星大小雷同的類型倒是常見，人們才驚覺原來太陽系與其八大行星的組合是如此與眾不同。這個獨特也包含太陽系的氣體行星木星，有顆大質量的木星在外，像吸塵器一樣讓闖入太陽系的天體轉向（例如 1994 年的舒梅克－李維彗星撞擊木星事件），減少外來者體撞擊內太陽系的機會，使得位在適居帶的地球有足夠安全的環境與時間孕育生命。原來要有機會誕生生命，先決條件也要天時地利「星」和。

有沒有一種可能，其實有外星訊號，只是現今的科技還無法察覺和解讀？ 二十一世紀的新視野多來自百年前科學家所闢的路，例如愛因斯坦在廣義相對論提出對重力的新見解，物體質量造成的空間扭曲，只是改變的幅度之小不易測量，直至 2015 年天文學家終於在絞盡腦汁精細設計之下，成功打造觀測重力波的天文望遠鏡（Laser Interferometer Gravitational-Wave Observatory，LIGO），2017 年人類首次觀測到雙中子合併事件，解開化學元素週期表上的重金屬形成之謎。在天文學的領域，一個計畫從靈感發想、規劃藍圖、開工建造、出發觀測、收集資料到計畫結束，從開始到最後的時間跨度，往往超過科學家本身的職業生涯。科學家年輕時的構思，常須藉由後生晚輩接棒執行，有生之年不一定看得到科學成果，而這一路上牽起了一代又一代的傳承，一起讓科學的進展跑得更遠，跑向遠在未來的新發現。本篇文章談及的計畫，在筆者的學生時代，早已如火如荼地展開，伴隨著計畫的執行和觀測資料的回傳與分析，是前輩們的堅持與努力，也是帶給新生代天文學家的禮物和邀請：現在的成果來自於我們過去的努力，而未來要由現在的你們來開創。

太空望遠鏡的升空協助天文學家得以更清晰地遙望遠方，讓系外行星的發現轉為低風險的冒險之旅，安全地帶著大家想像另一個世界的雛形，正當書中的主角，天文生物學家拜恩教授，為兒子羅賓說起異星見聞時，好似向星空開啟一扇扇門，父子倆得以一起遨遊宇宙。

穿越都市的水泥叢林，遠離學校與人群，當我讀到書中拜恩教授帶著羅賓前往國家公園露營，徜徉在大自然的聲音與光影，兩個人在星光下深度傾聽彼此，為人生的焦慮與困惑尋找方向，令我不禁想起，曾經只是為了想看星星，所以去登山的自己，無意間在山林尋回自己的心。臺灣的山勢陡峭地形多變，得要十分專注在腳下的步伐與眼前的山徑，此刻陪伴自己的只有呼吸和心跳。踩著吃力的腳步，一瞬間，世界難得寧靜，只聽得見自己的聲音，「離目標還有些距離，繼續是前進，回頭是放棄。若是堅持，不知還有多少難關？若是放棄，我能接受放棄的自己嗎？難道是走錯路或迷路，所以才這麼難行，那麼路又在何方？」為一睹繁星，在光害日趨嚴重的情況下只得越走越深山，不只用腳感受臺灣地貌的鬼斧神工，還要感官全開地觀察瞬息萬變的天氣，多認識她才能做出適當的應變確保登山安全。白天的路上觀察自然的氣息，與重建內在的自己，晚上終見美麗的星空，走在一條條的山岳路線，整頓人生朝著目標向前行。

回首看看我們腳下的地球

天文學總是背對著地球往外尋找新的未知，試圖解讀新收到的觀測資料與訊息，然而來自腳下的訊號呢？地球也是行星，是離我們最近的行星，她孕育了這世界的美好，但她的語言，我們真的懂了嗎？羅賓對外界的反應多來自於他所觀察到的地球，作為父親的拜恩教授要怎麼回應孩子呢？

當我們汲汲營營想向外拓展新知識、新世界時，可曾留意腳下正在發燙？若將地球的呼喊換成人類的語言，環境變遷的種種跡象就是地球發燒的訊號。以往科幻災難片當中的賣座奇觀，漸漸成為生活新聞，熱浪、野火、水災旱災、劇烈天氣變化，讓全球不只要解決眼下的困境，也要未雨綢繆地做永續經營的規劃，即刻採取行動已是迫在眉睫。

2021 年，聯合國政府間氣候變遷專門委員會（IPCC）公布第六回的全球氣候變遷評估報告，提及全球暖化現象在冰河面積、海平面上升、全球氣溫，及海洋酸化等等的科學研究報告中，出現許多令人擔憂的新紀錄，並指出二氧化碳與溫室氣體排放量的關聯性，巨變的環境讓各類生物物種面臨生存威脅。因應這場危機，全球達成共識目標於二十一世紀的地球平均氣溫，相比十九世紀最多僅能上升攝氏 1.5 度，並且在 2050 年達成全球淨零碳排放。今日世界各國包含臺灣正積極發展替代能源減少碳排放，同時開發技術增加碳匯，企圖集結眾人的力量把大氣中的碳存回大地。但我們能在有限的時間內力挽狂瀾嗎？假使目標如期達成，是否就高枕無憂了呢？地球和我們的日子就美好了嗎？

從人類張開眼睛認識日月星辰，建立了神話、曆法和文明，發展農耕，再到科學與工業革命，一路解析宇宙和地球的起源、歷史、環境、命運。星星帶給人類的啟發，讓人類的足跡已從地球走向太陽系，從更高的視野回頭凝視地球那令人屏息的湛藍，離開地球的探索，讓我們重新看見地球。文化藝術與科技文明的發展一直以來與大自然息息相關，進步固然帶給人類生活和思維的改變，然而過度的開發讓環境失衡，讓現在的我們必須啟動地球生命保衛戰，永續經營之前要先理解，如何理解則引發更多的提問，解答提問的過程中人類將深刻感受地球的脈動，為身為地球人感到驕傲。BE-WILD-ER-MENT 的故事在過去已開始，現在的行動是創造機會、還是命運？未來，讓我們和這顆有心跳的藍色星球一起來回答吧。

——本文摘自《困惑的心》，2023 年 7 月，時報出版，未經同意請勿轉載。

[FETTSS天文生物系列之1] ALH84001：來自火星的石頭

ALH84001這舉世聞名的火星石，大概是在1600萬年前被隕石撞擊後彈飛出火星，漫遊太空，然後在1萬3千年前與地球相遇並墜落在南極洲的「艾倫丘」冰原上，並在1984年被科學家所發現。這張放大圖中，明顯的橘色盤狀區域，鑲嵌著黑色條紋，是由碳酸鹽所組成，而這通常是在低溫的液態水中形成。1996年，天文生物學家聲稱ALH84001中可能有微生物的化石遺跡，暗示可能有生命曾出現在火星上。雖然到目前為止，這份聲明還未被徹底證實，卻也開啟了天文生物學這門新的科學研究領域。

資料來源：ALH84001

[FETTSS天文生物系列之2] 巴哈馬藍洞

大概在10~20億年前，地球當時的海洋被認為是處在無氧的狀態，因為能吸收光能但不釋放氧氣的厭氧紫細菌在海中生活著，並在有十億年歷史之久的海岩中留下了化石痕跡。今天，在巴哈馬群島上一些與世隔絕，稱為藍洞的海穴裡（如圖），涵養聚集了大量的厭氧紫細菌和綠細菌，他們的光合作用不會製造出氧氣，因此有著很不一樣的生態系統。天文生物學家在此研究他們的生活形態，看看和現代植物與藍綠藻等行光合作用並釋放氧氣的生物有何不同。因為有植物等生物釋放氧氣，大氣中才有足夠含量的氧氣以支持人類等多細胞生命的存續。

資料來源：Bahamas Blue Hole

[FETTSS天文生物系列之3] 四沼澤-1

本影像呈現的是Cuatro Ciénegas（英文意為「Four Marshes」）眾多沼澤地的其中之一，這是個相當獨特的生物保護區，位在墨西哥北部科阿韋拉州（Coahuila）的荒漠區（Región Desierto）。此區所保存的動植物多樣性頗為豐富，許多沼澤中含有生氣蓬勃的微生物群落；當這些群落成長時，結合隨水流而來的沈積物和沙土，逐漸形成如岩石般的半球形結構，類似疊層石（stromatolites），只不過這些沼澤中的群落結構是活生生的微生物構成的，而疊層石則是極古老的地球生命化石記錄。因此天文生物學家將此地當作活生生的實驗室，藉此探究地球生命起源。

資料來源：Cuatro Cienegas 1

[FETTSS天文生物系列之4] 四沼澤-2：沙漠中的生命

四沼澤（Cuatro Ciénegas）這個生物保護區位在墨西哥北部科阿韋拉州（Coahuila）的荒漠區（Región Desierto），設立保護區之意是要保護那些規模不大、有獨特的水化學作用的生態池，其中許多都是活生生的疊層石的發源地。這些是複雜的微生物群落，當微生物成長時，與來自水中的沈積物和砂石混合，逐漸堆疊形成如岩石般的圓頂形結構，此圖前景中便可看到好幾個這樣的疊層石結構。在早期地球中，相同的微生物相當普遍。約在20億年前，這些微生物開始經由光合作用將氧氣釋放進入大氣層，將地表逐漸改變成適合人類等複雜生命型態生存的環境。

資料來源:Cuatro Cienegas 2

[FETTSS天文生物系列之4] 伊迪卡拉-1：複雜生命型態的出現

這塊向上翹起的砂岩位在澳洲南部弗林德斯山脈（Flinders Range），岩石上有著波紋，顯示這塊岩石是古老海床的一部份。澳洲的這片區域擁有約6億多年前出現的地球第一批複雜多細胞生物所形成的化石。研究這些被稱為「伊迪卡拉動物群（Ediacaran Fauna）」的古老化石，可幫助天文生物學家進一步瞭解地球上的複雜生命型態究竟如何出現、如何演化，甚至是若出現在其他行星上時將會如何演化。

資料來源：Ediacaran 1

FETTSS（從地球到太陽系，From Earth To The Solar System）天文生物（Astrobiology）系列，為臺北天文館與中央大學天文研究所葉永烜教授合作之成果，影像並獲得NASA FETTSS製作小組同意授權。整系列共25幅與天文生物研究相關的照片與說明，將分次刊登於天文新知中，並於臺北天文館大廳展出高解析影像，歡迎參觀！

轉載自台北天文館之網路天文館網站