為什麼要觀星？因為星星在那裡——望遠鏡叔叔、鴻宇光學創辦人趙偉光專訪

本文由 鼎新數智 與 泛科學 共同規劃與製作

你有沒有想過，當 AI 根據病歷與 X 光片就能幫你診斷病症，或者決定是否批准貸款，甚至從無人機發射飛彈時，它的每一步「決策」是怎麼來的？如果我們不能知道 AI 的每一個想法步驟，對於那些 AI 輔助的診斷和判斷，要我們如何放心呢？

馬斯克與 OpenAI 的奧特曼鬧翻後，創立了新 AI 公司 xAI，並推出名為 Grok 的產品。他宣稱目標是以開源和可解釋性 AI 挑戰其他模型，而 xAI 另一個意思是 Explainable AI 也就是「可解釋性 AI」。

如今，AI 已滲透生活各處，而我們對待它的方式卻像求神問卜，缺乏科學精神。如何讓 AI 具備可解釋性，成為當前關鍵問題？

黑盒子模型背後的隱藏秘密

無法解釋的 AI 究竟會帶來多少問題？試想，現在許多銀行和貸款機構已經使用 AI 評估借貸申請者的信用風險，但這些模型往往如同黑箱操作。有人貸款被拒，卻完全不知原因，感覺就像被分手卻不告訴理由。更嚴重的是，AI 可能擅自根據你的住所位置或社會經濟背景給出負面評價，這些與信用風險真的相關嗎？這種不透明性只會讓弱勢群體更難融入金融體系，加劇貧富差距。這種不透明性，會讓原本就已經很難融入金融體系的弱勢群體，更加難以取得貸款，讓貧富差距越來越大，雪上加霜。

AI 不僅影響貸款，還可能影響司法公正性。美國部分法院自 2016 年起使用「替代性制裁犯罪矯正管理剖析軟體」 COMPAS 這款 AI 工具來協助量刑，試圖預測嫌犯再犯風險。然而，這些工具被發現對有色人種特別不友好，往往給出偏高的再犯風險評估，導致更重的刑罰和更嚴苛的保釋條件。更令人擔憂的是，這些決策缺乏透明度，AI 做出的決策根本沒法解釋，這讓嫌犯和律師無法查明問題根源，結果司法公正性就這麼被悄悄削弱了。

此外，AI 在醫療、社交媒體、自駕車等領域的應用，也充滿類似挑戰。例如，AI 協助診斷疾病，但若原因報告無法被解釋，醫生和患者又怎能放心？同樣地，社群媒體或是 YouTube 已經大量使用 AI 自動審查，以及智慧家居或工廠中的黑盒子問題，都像是一場越來越複雜的魔術秀——我們只看到結果，卻無法理解過程。這樣的情況下，對 AI 的信任感就成為了一個巨大的挑戰。

為什麼人類設計的 AI 工具，自己卻無法理解？

原因有二。首先，深度學習模型結構複雜，擁有數百萬參數，人類要追蹤每個輸入特徵如何影響最終決策結果，難度極高。例如，ChatGPT 中的 Transformer 模型，利用注意力機制（Attention Mechanism）根據不同詞之間的重要性進行特徵加權計算，因為機制本身涉及大量的矩陣運算和加權計算，這些數學操作使得整個模型更加抽象、不好理解。

其次，深度學習模型會會從資料中學習某些「特徵」，你可以當作 AI 是用畫重點的方式在學習，人類劃重點目的是幫助我們加速理解。AI 的特徵雖然也能幫助 AI 學習，但這些特徵往往對人類來說過於抽象。例如在影像辨識中，人類習慣用眼睛、嘴巴的相對位置，或是手指數量等特徵來解讀一張圖。深度學習模型卻可能會學習到一些抽象的形狀或紋理特徵，而這些特徵難以用人類語言描述。

深度學習模型通常採用分佈式表示（Distributed Representation）來編碼特徵，意思是將一個特徵表示為一個高維向量，每個維度代表特徵的不同方面。假設你有一個特徵是「顏色」，在傳統的方式下，你可能用一個簡單的詞來表示這個特徵，例如「紅色」或「藍色」。但是在深度學習中，這個「顏色」特徵可能被表示為一個包含許多數字的高維向量，向量中的每個數字表示顏色的不同屬性，比如亮度、色調等多個數值。對 AI 而言，這是理解世界的方式，但對人類來說，卻如同墨跡測驗般難以解讀。

試想，AI 協助診斷疾病時，若理由是基於醫生都無法理解的邏輯，患者即使獲得正確診斷，也會感到不安。畢竟，人們更相信能被理解的東西。

打開黑盒子：可解釋 AI 如何運作？我們要如何教育 AI？

首先，可以利用熱圖（heatmap）或注意力圖這類可視化技術，讓 AI 的「思維」有跡可循。這就像行銷中分析消費者的視線停留在哪裡，來推測他們的興趣一樣。在卷積神經網絡和 Diffusion Models 中 ，當 AI 判斷這張照片裡是「貓」還是「狗」時，我需要它向我們展示在哪些地方「盯得最緊」，像是耳朵的形狀還是毛色的分布。

其次是局部解釋，LIME 和 SHAP 是兩個用來發展可解釋 AI 的局部解釋技術。

SHAP 的概念來自博弈，它將每個特徵看作「玩家」，而模型的預測結果則像「收益」。SHAP 會計算每個玩家對「收益」的貢獻，讓我們可以了解各個特徵如何影響最終結果。並且，SHAP 不僅能透過「局部解釋」了解單一個結果是怎麼來的，還能透過「全局解釋」理解模型整體的運作中，哪些特徵最重要。

以實際的情景來說，SHAP 可以讓 AI 診斷出你有某種疾病風險時，指出年齡、體重等各個特徵的影響。

LIME 的運作方式則有些不同，會針對單一個案建立一個簡單的模型，來近似原始複雜模型的行為，目的是為了快速了解「局部」範圍內的操作。比如當 AI 拒絕你的貸款申請時，LIME 可以解釋是「收入不穩定」還是「信用紀錄有問題」導致拒絕。這種解釋在 Transformer 和 NLP 應用中廣泛使用，一大優勢是靈活且計算速度快，適合臨時分析不同情境下的 AI 判斷。比方說在醫療場景，LIME 可以幫助醫生理解 AI 為何推薦某種治療方案，並說明幾個主要原因，這樣醫生不僅能更快做出決策，也能增加患者的信任感。

第三是反事實解釋：如果改變一點點，會怎麼樣？

如果 AI 告訴你：「這家銀行不會貸款給你」，這時你可能會想知道：是收入不夠，還是年齡因素？這時你就可以問 AI：「如果我年輕五歲，或者多一份工作，結果會怎樣？」反事實解釋會模擬這些變化對結果的影響，讓我們可以了解模型究竟是如何「權衡利弊」。

最後則是模型內部特徵的重要性排序。這種方法能顯示哪些輸入特徵對最終結果影響最大，就像揭示一道菜中，哪些調味料是味道的關鍵。例如在金融風險預測中，模型可能指出「收入」影響了 40%，「消費習慣」占了 30%，「年齡」占了 20%。不過如果要應用在像是 Transformer 模型等複雜結構時，還需要搭配前面提到的 SHAP 或 LIME 以及可視化技術，才能達到更完整的解釋效果。

講到這裡，你可能會問：我們距離能完全信任 AI 還有多遠？又或者，我們真的應該完全相信它嗎？

我們終究是想解決人與 AI 的信任問題

當未來你和 AI 同事深度共事，你自然希望它的決策與行動能讓你認可，幫你省心省力。因此，AI 既要「可解釋」，也要「能代理」。

舉例來說，當一家公司要做一個看似「簡單」的決策時，背後的過程其實可能極為複雜。例如，快時尚品牌決定是否推出新一季服裝，不僅需要考慮過去的銷售數據，還得追蹤熱門設計趨勢、天氣預測，甚至觀察社群媒體上的流行話題。像是暖冬來臨，厚外套可能賣不動；或消費者是否因某位明星愛上一種顏色，這些細節都可能影響決策。

這些數據來自不同部門和來源，龐大的資料量與錯綜關聯使企業判斷變得困難。於是，企業常希望有個像經營大師的 AI 代理人，能吸收數據、快速分析，並在做決定時不僅給出答案，還能告訴你「為什麼要這麼做」。

傳統 AI 像個黑盒子，而可解釋 AI （XAI）則清楚解釋其判斷依據。例如，為什麼不建議推出厚外套？可能理由是：「根據天氣預測，今年暖冬概率 80%，過去三年數據顯示暖冬時厚外套銷量下降 20%。」這種透明解釋讓企業更信任 AI 的決策。

但會解釋還不夠，AI 還需能真正執行。這時，就需要另一位「 AI 代理人」上場。想像這位 AI 代理人是一位「智慧產品經理」，大腦裝滿公司規則、條件與行動邏輯。當客戶要求變更產品設計時，這位產品經理不會手忙腳亂，而是按以下步驟行動：

1. 檢查倉庫物料：庫存夠不夠？有沒有替代料可用？
2. 評估交期影響：如果需要新物料，供應商多快能送到？
3. 計算成本變化：用新料會不會超出成本預算？
4. 做出最優判斷，並自動生成變更單、工單和採購單，通知各部門配合執行。

這位 AI 代理人不僅能自動處理每個環節，還會記錄每次決策結果，學習如何變得更高效。隨時間推移，這位「智慧產品經理」的判斷將更聰明、決策速度更快，幾乎不需人工干預。更重要的是，這些判斷是基於「以終為始」的原則，為企業成長目標（如 Q4 業績增長 10%）進行連續且動態地自我回饋，而非傳統系統僅月度檢核。

這兩位 AI 代理人的合作，讓企業決策流程不僅透明，還能自動執行。這正是數智驅動的核心，不僅依靠數據驅動決策，還要能解釋每一個選擇，並自動行動。這個過程可簡化為 SUPA，即「感知（Sensing）→ 理解（Understanding）→ 規劃（Planning）→ 行動（Acting）」的閉環流程，隨著數據的變化不斷進化。

以偉勝乾燥工業為例，他們面臨高度客製化與訂單頻繁變更的挑戰。導入鼎新 METIS 平台後，偉勝成功將數智驅動融入業務與產品開發，專案準時率因此提升至 80%。他們更將烤箱技術與搬運機器人結合，開發出新形態智慧化設備，成功打入半導體產業，帶動業績大幅成長，創造下一個企業的增長曲線。

值得一提的是，數智驅動不僅帶動業務增長，還讓員工擺脫繁瑣工作，讓工作更輕鬆高效。

數智驅動的成功不僅依賴技術，還要與企業的商業策略緊密結合。為了讓數智驅動真正發揮作用，企業首先要確保它服務於具體的業務需求，而不是為了技術而技術。

這種轉型需要有策略、文化和具體應用場景的支撐，才能讓數智驅動真正成為企業持續增長的動力。

還在猶豫數智驅動的威力？免費上手企業 AI 助理！ 企業 AI 體驗 現在使用專屬邀請碼《 KP05 》註冊就享知：https://lihi.cc/EDUk4 訂閱泛科學獨家知識頻道，深入科技趨勢與議題內容。 立即免費加入

本文由 環境部 委託，泛科學企劃執行。 

政策環評是什麼，跟一般環評差在哪？

隨著公共建設的規模越來越大，傳統的環境影響評估（EIA），難以應對當今層層疊疊的環境議題。當我們評估一項重大政策時，只看「單一開發案」已經不夠，就像評估一棵樹，卻忽略了整片森林。因此，政策環境影響評估（SEA）應運而生，它看樹，也看森林，從政策的角度進行更全面的考量與評估。

與只專注於「單一開發案」的個案環評不同，政策環評更像是一場全面性的檢視，強調兩個核心重點：「整合評估」與「儘早評估」。簡單來說，這不再是逐案評估的模式，而是要求政府在制定政策時，就先全面分析可能帶來的影響，從單一行為的侷限中跳脫，轉而聚焦在整體影響的視角。無論是環境的整體變化，還是多項行為累計起來的長期影響，政策環評的目的就是讓這些潛在問題能儘早浮現、儘早解決。

除此之外，政策環評還像是一個大型的協商平台，以永續發展為最高指導原則，公開整合來自不同利益團體、民眾與各機關的意見。這裡，決策單位不再只是單純的「評分者」，而是轉為「協調者」或「仲裁者」，協調各方的意見看法在這裡得到整合，讓過程更具包容性。

政策環評並沒有所謂的「否決權」，而是側重意見的蒐集與整合，讓行政機關在政策推動時，能更全面地掌握各方意見。政策環評旨在建立系統化、彈性的決策評估程序（包含量化、特徵化等評估方式），也廣納社會面或民眾滿意度等影響因子，把正式與非正式的作法一併考量進去。再來，決策程序中能層層檢討、隨時修正，也建立了追蹤機制和成效評估標準（如環境殘餘效應、累積效應等），透過學習來強化決策品質與嚴謹度。就像一場球賽，隨時根據變化、調整策略。

這樣的制度設計，就非常適合離岸風電這類規模大、跨區域、影響層面廣泛的能源政策評估，讓我們可以在政策推動初期就想到整個工程對環境、產業發展與社會的諸多影響，也為後續政策執行奠定更穩固的基礎。

離岸風電為何需要的是政策環評？

離岸風電是能源轉型的重要策略之一，但這不是只在某塊空地上架幾個風車，而是要在廣闊的大海中進行大規模建設，牽涉的不僅是發電，還涉及海洋保育、航空交通、水下文化資產等議題，更與當地漁民的權益息息相關。

這樣的大型離岸風電工程，因海洋環境的風險和不確定性極高，很容易讓人擔心生態影響。如何在海洋生態保護和綠能發展之間找到平衡點？這就需要政策環評的把關，從多方檢視這些複雜的挑戰，確保政策推行既能穩妥，又能達成發電目標。

2016 年 3 月，經濟部自願提出「離岸風電區塊開發政策評估說明書」，是臺灣首次針對再生能源政策所進行的政策環評。根據這份評估說明書，政府將採分期公告、逐年檢討的方式，每三年開放 0.5~1 百萬瓩（GW）的電量額度鼓勵業者投入開發。當時環保署（現為環境部）歷經九個月召開 2 次意見徵詢會議，蒐集環評委員、專家學者、相關機關、民眾等意見，最終於同年 12 月的環評委員會作出徵詢意見。這些協商和檢討的過程，讓政策「名正言順」，得以充分顧及各方利益與生態平衡。

共通性環境議題與因應對策

在「離岸風電區塊開發政策評估說明書」中，環評會議盤點了開發過程中共通的環境議題。

首先，對於海洋生態保育的重點，特別是對中華白海豚的保護。環評會要求風機基座必須距離白海豚棲地1公里以上，以減少對其生態的干擾。實際上，這項規範在後續的實務執行中更為嚴格，例如，福海二期示範風場已退縮到 2.5 公里外，臺電二期風場甚至退到 4.2 公里外，顯示政策環評確實發揮了實質作用。此外，針對施工期間的聲音干擾，要求施工需有 30 分鐘以上的打樁緩啟動時間，並限制聲量不得超過 180 分貝等。

針對鳥類保育，政策環評也訂立了具體規範。其中，包括風機之間必須留設 500 公尺以上的鳥類穿行廊道，並在施工期間避開每年 11 月至隔年 3 月的候鳥過境期。同時，為確保這些措施確實生效，工程方也被要求設置「鳥類活動監測系統」，持續追蹤、評估風場對鳥類的影響。

此外，環評會也確立了「先遠後近」的開發原則，要求優先開發較單純的航道外側區塊，待累積足夠經驗及相關資料後，再進行近岸區域的開發。這項原則考量了近海生態系的複雜性，也顧到養殖漁業的漁民權益，展現出政策環評在平衡發展需求與環境保護上的價值。

新一代的審查機制：達成能源轉型及環境保護雙贏

為提升環評效率並確保審查品質，環境部參考過去離岸風電審查經驗，制定「風力發電離岸系統開發行為環境影響評估初審作業要點」，建立了全新的二階段審查機制。

這套新機制分為兩個階段。第一階段，就像「初步檢查」，由環境部依照檢核表進行初審，並由環評審查委員會執行秘書邀集 2-5 位環評委員進行初審，通過第一階段初審之業者，可取得經濟部遴選資格，其初審結果有效期為兩年，必要時可申請展延一年。接著進入「第二階段」，開發單位檢附目的事業主管機關核配的容量證明文件等資料，提供更詳細的環境影響說明書以進行實質審查。

檢核表明確規範了 15 大項審查事項、112 項檢核項目，涵蓋開發案的全生命週期。

在工程面，包含風機及海上變電站基礎設置、海域電纜路線規劃、陸域設施工程等硬體設施的規範。其中，風機基礎設置必須避開海岸保護區、河口、潮間帶等環境敏感區域，且須進行地震危害度分析。海域電纜部分，除特殊情形外，埋設深度至少須達 1.5 公尺，且不得跨越中華電信海底電纜 1 公里的範圍。

環境保護上，檢核表則對施工噪音管制訂立了明確標準。舉例來說，打樁期間警戒區 750 公尺範圍內的水下噪音不得超過 160 分貝，且必須全程採用最佳噪音防制工法。同時，每個開發案或聯席審查的風場，同一時間內只能進行一支基樁施作，而日落前一小時到日出前也不得啟動新的打樁作業。

環境監測計畫更是檢核表中的重點，分為「施工前、施工期間、營運期間」三階段，每個階段都規定了詳細的監測要求（包括海域底質監測、水下噪音監測、鯨豚目視監測等）。以鯨豚監測為例，每年需執行20趟次，四季中每季至少執行 2 趟次。此外，所有監測數據都必須上傳至環境部「環保專案成果倉儲系統」（https://epaw.moenv.gov.tw/）供各界查閱。

這套標準化的審查機制不僅解決了「同一風場可能有多家廠商重複調查或審查」的資源浪費，也透過明確的檢核項目，讓開發單位在規劃階段就能掌握更具體的環境保護要求。不僅如此，該機制亦確保了環境保護標準前後一致，避免不同案件之間標準不一。

結語

透過新的審查機制，環境部正積極推動再生能源開發案的環評審查作業，在提升行政效率之餘，也確保環境影響評估的品質，支持臺灣的離岸風電開發及國家能源轉型政策，也做好把關。藉由標準化檢核表和二階段審查制度，期待能在推動能源轉型的同時落實環境保護。

為確保制度能持續精進，環境部每半年至一年會進行制度檢討，並持續公開所有環評書件於「環評書件查詢系統」（https://eiadoc.moenv.gov.tw/eiaweb/）。此外，環評會議召開前一週，也必須在指定網站公布開會訊息，讓民眾能申請列席旁聽或發表意見。透明化措施一方面展現了政府推動永續發展的決心，另一方面也確保全民能共同參與監督離岸風電的發展過程。未來，這套制度將在各界的檢視與建議中持續完善，為臺灣的永續發展貢獻心力，發揮環評作業的最大效益。

14 億歐元天文望遠鏡拍出的照片，你看過了嗎？你看到現在這些照片，揭開了宇宙過去與現在、空間與時間所交織的祕密嗎？

今年 11 月 7 日，位在 L2 拉格朗日點的歐幾里得望遠鏡，終於傳回來它升空後的第一批照片。這 5 張照片不只展示了望遠鏡的強大性能，更讓我們窺見過去無法看到的，宇宙深處的幽美與奧秘。就讓我們一起透過這些獨特的照片，來一場探索宇宙的奇異之旅吧！

歐幾里得望遠鏡有什麼厲害之處？

今年 ７ 月 １ 號升空的歐幾里得望遠鏡，任務是觀察宇宙大尺度結構，來研究暗物質與暗能量在宇宙中的分布與性質，讓我們進一步了解自己身處的這個宇宙。

去年七月，接棒哈伯望遠鏡任務的詹姆斯．韋伯太空望遠鏡，傳回來了升空後的第一批相片，每張照片都美的震撼人心，也帶著我們從全新的視角，眺望遙遠的系外行星、恆星、星雲與早期宇宙。當時，我們製作了一集節目，和大家分享這批照片背後的重要意義。我們也提到，每個望遠鏡在完成校準以後，都會發布一批「開光照」，向外界傳達望遠鏡已經可以順利運作的好消息，同時也讓大家了解這台新望遠鏡身上，背負了哪些重要的使命與任務。

而這次，新升空的歐幾里得望遠鏡也終於完成校正，傳回來不同於韋伯望遠鏡，從另一個視角看宇宙的開光照。先讓我們來了解一下歐幾里得望遠鏡。它的觀測波段是可見光到近紅外線波段，目標是觀測大範圍、不同遠近的宇宙天體。預計在 6 年的服役期間，建立完整清晰的宇宙 3D 立體圖像。只是，剛退役的哈伯太空望遠鏡，主要任務就是可見光波段的研究，去年剛任務正式開始的韋伯太空望遠鏡，則是紅外線波段的佼佼者。那歐幾里得望遠鏡有什麼突破之處嗎？這座花費 14 億歐元的望遠鏡當然有它獨到之處，它強大的地方在於，可以在更短時間內獲得更高解析度的照片，同時拍攝更大範圍的宇宙。比如哈伯太空望遠鏡需要好幾天觀測的天體，歐幾里得望遠鏡一個小時就可以搞定，而且解析度更高。

其實看它們的任務目標就能很快理解，現在在天空上的韋伯和歐幾里得，雖然有部分任務重疊。但韋伯更著重在尋找系外行星與觀察星系、恆星系統的演化。歐幾里得呢，則是將視野放大到整個宇宙，希望了解暗物質、暗能量在整個宇宙間扮演的角色。所以比起韋伯太空望遠鏡著重在拍攝小範圍、高解析度的天體照片，歐幾里得望遠鏡一開始的設計，就是要在短時間內掃描更大片的宇宙。因此，歐幾里得望遠鏡也確實成為建立宇宙 3D 立體圖像的最佳望遠鏡，定期的大範圍掃描天空，讓我們能一窺宇宙隨時間的演化動態。

那麼，就讓我們來欣賞歐幾里得望遠鏡的第一批照片吧！

歐幾里得望遠鏡第一批照片公開！

第一張照片，像是在宇宙這張巨大的黑布上，撒下大小珍珠。它是一張距離地球 2.4 億光年，英仙座星系團的影像照。

宇宙中有許多星系團，英仙座星系團就是其中之一，裡面包含超過 1000 個星系，是宇宙中最大的結構之一。除此之外，這張照片不僅清楚拍下了星系團，如果將照片放大來看，還會發現背景中有許多過去難以看到的星系，數量超過 10 萬個，最遠的甚至達 100 億光年。為什麼第一批照片要選擇拍攝星系團呢？因為研究星系團能幫助我們了解宇宙大尺度結構，進一步推算暗物質與暗能量的比例。

宇宙中的星系分佈其實是不均勻的，有些地方有許多星系，有些區域則幾乎沒有。整個宇宙中天體的分布看起來就像是一張巨網。可是，為什麼宇宙的大尺度結構是網狀的呢？天文學家認為宇宙大爆炸之後，物質在宇宙中的分佈會有些微的不均勻。當宇宙逐漸冷卻，氣體物質密度較高的地方會因為重力吸引而塌縮。但因為溫度很高，高溫產生的巨大壓力又讓氣體團反彈回來，就像擠壓一個壓力球一樣。來回震盪的過程中氣體會像聲波朝四面八方傳遞出去，稱為重子聲學振盪（BAO，baryon acoustic oscillations）。最後整個宇宙就像下毛毛雨時的池塘，形成由許多漣漪交織的網狀結構，波腹的地方氣體密度較高，變成星系高度聚集的區域，我們稱為星系團。其他地方氣體密度低，形成的星系數量較少，就像是宇宙間的孔洞。

而根據宇宙學家計算，要形成星系團、宇宙網（cosmic web）這類的宇宙大尺度結構，只靠已知物質提供的重力是不夠的，很可能還有許多我們還不了解的物質參與其中，也就是暗物質。這張照片不僅能幫助科學家研究宇宙大尺度結構，更彰顯歐幾里得望遠鏡的重要任務之一，就是幫助科學家深入了解暗物質的分佈與本質。

第二張照片是螺旋星系 IC342，離地球只有 1100 萬光年，算是離地球很近的星系，但由於它被明亮的銀河系盤面擋住了，觀測的難度非常高。歐幾里得望遠鏡利用近紅外線儀器穿透塵埃進行觀察，並移除許多銀河系中的恆星光芒，最後才形成這張極高解析度的照片，展現了它觀測隱藏星系的實力。

這個螺旋星系在天空中的大小相當於一個滿月那麼大，要一次觀測這樣大範圍的天空，同時保有超高解析度，目前只有歐幾里得望遠鏡才辦得到。由於螺旋星系 IC342 和銀河系很像，觀察它的演化有助於科學家理解銀河系的形成過程。未來歐幾里得望遠鏡也會觀測更多隱藏星系和遙遠的天體，繪製出它們的 3D 分佈圖。

第三張照片是不規則星系 NGC 6822。雖然跟 IC342、銀河系一樣也是星系，但形狀不是螺旋而是不規則的。

透過光譜分析，我們知道這個星系中的重元素含量很低。重元素是透過大質量恆星核融合所產生的，重元素含量少表示星系裡的恆星才剛形成，也就是一個很早期、相對年輕的星系。科學家認為，在宇宙早期星系剛開始演化時，大部分的星系就長得像這樣，質量小、形狀也不太規則。之後這些小星系會因為重力吸引其他星系，彼此相撞、融合成更大的星系，逐漸產生旋轉的結構，形成像銀河系這樣的大質量螺旋星系。所以藉由觀測這些早期星系，可以幫助科學家了解星系的形成過程。

另外，照片中一顆顆藍色的圓形區域，是球狀星團。球狀星團中的星星都是由同一團氣體產生，是宇宙最早形成的天體之一，有些甚至比星系本身還早。透過觀測這些球狀星團的運動，能協助我們更了解這個星系的形成史。

球狀星團大部分分佈在星系的外圍，以很慢的速度繞行星系，可能要好幾年才能觀察到要它們的運動。那科學家要怎麼知道這些星團是如何移動的呢？凡走過必留下痕跡，其中一種方式就是觀察到它們與星系本身互動所留下的痕跡。在歐幾里得望遠鏡傳回來的第四張照片中，就呈現了這些細節。第四張照片是球狀星團 NGC 6397，一個繞行銀河系的球狀星團。

當星團經過星系中的高密度區域，比如暗物質集中區、旋臂或星系盤面，星團中的星星會受到不同強度的重力吸引，使得星星彼此遠離，這個力量稱為潮汐力。顧名思義與潮汐的產生是相同的原理，由於地球各處受到太陽與月亮的重力總和不相同，在重力較強的地方海水受拉伸而漲潮，重力較弱的地方就會退潮。同樣道理，球狀星團在靠近星系中心的一側受重力較強，遠離星系的一側則較弱，球狀星團因而被拉伸，形成一條由星星組成的尾巴，稱為潮汐尾。

透過觀測潮汐尾，就可以了解球狀星團，乃至星系的演化過程。如果沒有潮汐尾，也可能代表有暗物質暈阻止外層恆星逃脫，能幫助我們進一步了解暗物質在星系當中的分佈。但要瞭解潮汐尾的形成過程，必須有星團中每顆星星的移動資料，也就是需要同時進行大範圍、短時間、高精度的觀測。而歐幾里得望遠鏡的優勢此時就能充分發揮，它可以一次拍攝整個球狀星團，而且只須一小時就可以得到這張高解析度的照片，連裡面的很暗的星星也看的一清二楚。只要每隔一段時間拍攝一張照片，就可以製作成動畫，了解星團中星體的運動軌跡。

最後，我們來介紹最後一張照片。它看起來最為夢幻，猶如一張宇宙中以繁星點綴的絲綢。它是距離地球約 1375 光年的馬頭星雲，也是離我們最近，正在形成新生恆星的區域。在星雲的上方（照片之外），有一顆明亮的恆星：獵戶座 sigma 星，這顆星輻射出的紫外光激發了位在馬頭後方的星雲，形成明亮、宛若薄紗的區域。組成馬頭的暗星雲氣體則因為溫度較低，只有些微的熱輻射，形成較為黯淡的前景，並稍微遮掩背後的明亮星雲。前後星雲層層堆疊，就像一幅宇宙給我們的水彩畫。更進一步，藉由歐幾里得望遠鏡高解析度的照片，科學家得以從中看到更多類木星、棕矮星、嬰兒恆星等，協助科學家了解星雲中的恆星形成過程。

對了，在我們介紹韋伯望遠鏡時有提到過，這些宇宙照通常不是它可見光波段下，真正我們肉眼所見的樣貌。而是選定特定波長後透過顏色校正，甚至將不同波段的照片疊合，才得到的結果。也就是說，選則不同的電磁波波段，或是採取不同的調色方式，得到的照片都會有不同風味。

所以如果你覺得這張淡麗的馬頭星雲不滿意，也有這張，特別強化氫元素的紅色光譜與氧元素藍色光譜後，成為一張猶如滅世風格，帶有點詭譎濾鏡的另一種美照，是不是跟剛才的氛圍完全不一樣呢？

順帶一提，對我來說，一樣是星雲照片，韋伯望遠鏡校色出來的照片還是覺得比較好看。例如之前介紹過的，韋伯望遠鏡開光照之一的船底座星雲。還有原本是望遠鏡大前輩哈伯代表作，後來韋伯又重新翻拍的創世之柱，都更令人讚嘆不已，對比與彩度都高上許多，給人一種正在仰望廣闊宇宙的壯烈感。

我們更了解這個宇宙了嗎？

我們對於宇宙的瞭解還太少，目前宇宙中的已知物質，包括元素週期表上的所有原子，根據計算只佔宇宙質能的 5%，剩下的估計都是暗物質與和能量。

但宇宙的奧秘就像一張複雜的拼圖，每拼上一小塊，都會給我們一些線索，猜測周圍的拼圖可能會是什麼。當拼的夠多，我們終有一天能得知宇宙整體的圖畫長什麼樣貌。恆星形成、星系演化方式、暗物質、暗能量等等，都各自是一塊塊重要的拼圖，唯有了解它們才能逐步得知暗物質與暗能量的奧秘。

舉例來說，暗物質所提供的重力在星系形成中扮演重要角色，目前最被科學界接受的冷暗物質（cold dark matter）模型，假設暗物質是由質量很大的粒子所組成，透過重力吸引聚集成許多小塊，小塊暗物質再彼此融合成更大的暗物質團塊，質量足夠大的團塊就可以吸引夠多的氣體，形成早期星系，之後再彼此融合成為更大的螺旋或橢圓星系。但透過數值模擬，科學家發現這個模型有些問題。理論上來說應該要有數百到數千個小衛星星系，繞行像銀河系這麼大的螺旋星系旋轉。但是天文學家實際上只觀測到約十個小星系繞行銀河系，這是著名的衛星遺失問題（Missing satellite problem）。

因此科學家又提出更多暗物質模型，比如與冷暗物質相對的熱暗物質（warm dark matter）模型，可以透過熱運動所產生的壓力抵銷重力，使得小暗物質團塊變得不穩定，從而解釋為何小星系的數量這麼少。除了熱暗物質以外，還有眾多的暗物質模型。但要證明哪個模型是正確的，就需要更多觀測數據與星系演化的模擬結果進行比較，才能得到答案。

不過看過歐幾里得望遠鏡傳回來的第一批照片，並了解其中代表的重要意義，就能充分感受到我們離解開這個謎團又更近了一步。還沒完，預計於 2027 年升空的羅曼太空望遠鏡（Nancy Grace Roman Space Telescope），與歐幾里得望遠鏡相同，都肩負研究暗能量與暗物質的重要任務。兩座望遠鏡將一同一個從可見光，一個從紅外線波段觀察大範圍宇宙，期待能為科學家帶來寶貴的數據，解開這盤旋好幾十年的謎團。

歡迎訂閱 Pansci Youtube 頻道 獲取更多深入淺出的科學知識！

參考資料

• https://www.esa.int/Science_Explorati…
• https://www.esa.int/ESA_Multimedia/Im…
• https://www.universetoday.com/135954/…
• https://svs.gsfc.nasa.gov/13768
• https://www.snexplores.org/article/le…
• https://www.syfy.com/syfy-wire/the-be…
• https://www.esa.int/Science_Explorati…
• https://explainingscience.org/overvie…