太空科技和巧克力慕斯蛋糕有啥關係？

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

在 2019 年 7 月到 2020 年 3 月的「黑色夏季」森林大火的期間，^[1] 有天澳大利亞東岸的新南威爾斯州，突然迎來了一場傾盆大雨。知名觀光區 Bondi ^[註1] 海灘一帶的尤加利樹，喜逢久旱甘霖，竟開始源源不絕地吐出雪白的泡沫！為安撫驚慌失措，擔憂行道樹被化學物質汙染的市民，當地的 Waverley 市政府即時發佈臉書貼文：「冷知識星期五：有沒有注意到今天我們的尤加利樹哪裡怪？嗯，那些從樹幹上沖刷下來的泡沫，不是香皂、清潔劑或阻燃劑，而是…」^[2]

天然皂素

尤加利樹的葉子和樹皮裡，本來就有天然皂素（saponin，又稱「皂苷」），^[3]，是由親脂性的配醣基（aglycone，又名「皂元」）與親水性的配醣體（glycoside，又叫「醣苷」）結合而成 ^{[4, 5]} ，用來抵禦外侮。^[6] 皂素有起泡的特性，^[5] 經過滂沱大雨的洗滌和溶解，便自然產生反應。如果之前長期缺乏降水，使得樹木有時間囤積庫存，雨後湧出的泡沫量就更是一發不可收拾。^[6]

含有皂素的食物

許多常見的經濟作物，都含有微量皂素，例如：燕麥、甜菜、藜麥、碗豆、黃豆、綠豆、紫花苜蓿、四季豆、蠶豆、番茄、馬鈴薯、大蒜、韮蔥、洋蔥、細香蔥、山藥、菠菜、蘆筍和茶樹。人類的腸道菌落可以破壞皂素，所以適量食用，並不會嘔吐、腹瀉。^[5]

不同的是尤加利樹不僅有皂素，還配備別的一樣也能對抗微生物、昆蟲與草食動物的化學毒素，^[5-8] 避免負責呼吸的葉子都被吃光。^[7] 然而就在它幾乎要自認天下無敵的時候，無尾熊以與生俱來的天賦從容面對。世間一物剋一物，無尾熊一天啃上 500 公克的尤加利葉不嫌多，有機會的話，還順道豪飲尤加利茶！^[7]

無尾熊舔尤加利樹的莖流

無尾熊的英文「koala」，源自澳洲原住民語，意思是「不喝水」。 ^[9] 長期以來，科學家也一直為牠們憨傻慵懶的外表所騙，想說整天窩在樹上的無尾熊，就只知道吃和睡，連水都不喝。出乎意料的是， 2006 年至 2019 年期間，無尾熊於澳洲各地，被觀察到 46 次喝「茶」的紀錄。雖然以牠們缺乏活力的天性，無法自己起身泡茶，但仍非常認命地坐在原位狂舔樹幹。^[7]

沿樹幹流下，摻入眾多雜質的雨水，稱為「莖流」（stemflow）；^{[7, 10]} 而穿過枝葉，落到地上的，則叫做「穿透流」（throughfall）。^[10] 莖流一旦開始，可以維持數個小時。生活閒適悠哉的無尾熊，就在那裏跟它耗。一次喝上 15 到 30 分鐘左右，每秒約能舔樹幹 2 下。某次的紀錄甚至顯示，有隻無尾熊連續舔了 34 分鐘，休息 2 分鐘後，馬上又繼續，^[7] 簡直就是飲鴆止渴馬拉松。

人類不該口服尤加利油

臺諺說得好，做人千萬不要「無彼號尻川（屁股），想欲食彼號瀉藥」。^[11] 咱們不是無尾熊，就別胡亂品嚐這款有機茶。澳洲某水利公司專文警告，尤加利落葉和樹皮若是掉入水塔，會引發類似冷泡茶的現象，影響飲水安全，而且一旦化學物質混進自來水中，就連專業人員也無法將之濾淨。嚴重的話，得把整個水塔的水都放掉，清洗消毒，然後重新儲水，相當大費周章。^[3] 此外，儘管從尤加利油萃取出來的桉油醇（Eucalyptol），能增添食物風味，且每天攝取少量，長達 12 週也應該不會出事；尤加利油本身卻是絕對喝不得的。後者光 3.5 毫升便足以致命，^[12] 其餘誤食的症狀，還包括：腹痛、嘔吐、腹瀉、癲癇、昏迷、中樞神經系統異常、肌肉無力，以及吸入性肺炎等。 ^{[12, 13]}

尤加利產品、肥皂樹及客澳氏合歡

目前澳大利亞常見的尤加利樹相關產品，以精油和消毒、清潔用品為主，其中有些也外銷臺灣。（可惜廠商沒有贊助本文，所以在此略過品牌評比。）早在尤加利樹被商業化行銷之前，澳洲原住民就已經拿它的汁液來當藥水。^[14] 有趣的是，在介紹部落植物運用的資料裡，常被提及的傳統清潔劑，卻非偶爾會冒泡泡的尤加利樹，而是其他也含有皂素的植物，例如：肥皂樹（soap tree、red ash，學名Alphitonia excelsa） ^[15] 和客澳氏合歡 ^[註2] （Cole’s wattle ^[16]，學名Acacia colei ^[17]）等。最後，就讓我們來看澳洲人示範怎麼用植物洗手吧！

備註

【註1】可能是因為拼字的關係，「Bondi」常被誤譯為「邦迪」，但實際上澳洲人都唸「邦黛」。根據新南威爾斯州立圖書館的介紹，該地名源自原住民語的詞彙「Boondi」，意思是「海潮的聲音」。^[18]

【註2】澳洲的Coles超市在臺灣自稱「客澳市」，所以筆者把網路上查不到中文譯名的Cole’s Wattle，索性翻成「客澳氏合歡」。

1. Bushfires – Black Summer (Australian Disaster Resilience Knowledge Hub, 2020)
2. Fun fact Friday: Notice something strange today about our eucalyptus trees? (Waverley Council on Facebook, 2020)
3. Tannis and Saponins from Eucalyptus leaves can contaminate your Water Tanks (Pristine Water Systems, 2021)
4. Saponins (Cornell University, 2019)
5. 食品中植物性天然毒素技術報告（國家衛生研究院，2017）
6. Mystery over why hundreds of trees are ‘foaming’ in heavy rain (Yahoo News Australia, 2020)
7. Mella V and Van Stan II J. (2021) ‘Koalas Give Tree Bark a Licking’. Frontiers for Young Minds.
8. Naidoo S, Külheim C, Zwart L, et al. (2014) ‘Uncovering the defence responses of Eucalyptus to pests and pathogens in the genomics age’. Tree Physiology, 4, 9, pp. 931–943.
9. Koala facts (Queensland Government – Department of Environment and Science, 2022)
10. 樹木於土壤容洪能力的省思（水利署電子報，2018）
11. 無彼號尻川，想欲食彼號瀉藥。（教育部臺灣閩南語常用辭典，2011）
12. Eucalyptus (MedlinePlus, 2021)
13. Lee K, Harnett JE, and Cairns R. (2019) ‘Essential oil exposures in Australia: analysis of cases reported to the NSW Poisons Information Centre.’ The Medical Journal of Australia, 212, 3, pp. 132-133.
14. Indigenous Plant Use (The Clean Air and Urban Landscapes Hub, 2020)
15. Soap Tree (Toohey Forest Environmental Education Centre, 2020)
16. Australian Trees and Shrubs: Species for Land Rehabilitation and Farm Planting in the Tropics (Australian Centre for International Agricultural Research, 1997)
17. IY2019: Making soap with bush science (Australian Government – Department of Infrastructure, Transport, Regional Development, Communications and the Arts, 2019)
18. Word Of the Week: Boondi (State Library of NSW, 2015)

• 作者：林彥興｜EASY 天文地科小站主編、清大天文所碩士生，努力在陰溝中仰望繁星

萬眾矚目的詹姆士韋伯太空望遠鏡，在經過半年的校準與測試後，終於公開了它拍攝到的第一批成果。這些五彩斑斕、美麗絕倫的照片究竟是什麼樣的天體，照片的背後又有哪些深藏的意義？就讓我們一起深入解密，韋伯的第一批照片吧！

韋伯望遠鏡是什麼？

詹姆士．韋伯太空望遠鏡是美國、歐洲與加拿大太空總署合作開發的新一代旗艦級紅外線太空望遠鏡，也是無數天文學家夢寐以求、能幫助人類破解許多未解天文迷團的利器。

韋伯的研發其實早從 1996 年就已經開始，但是由於開發時遇到諸多困難，導致嚴重的預算超支與進度延宕，這台耗資上百億美金的超級望遠鏡，直到去年年底才終於從法屬圭亞那發射中心，用一枚亞利安 5 號運載火箭發射升空，前往距離地球 150 萬公里的日地第二拉格朗日點。

• 延伸閱讀：為何 NASA 不惜大撒幣也要把它送上太空？——認識韋伯太空望遠鏡（一）
• 延伸閱讀：史上最大口徑的 JWST 要如何塞進火箭？——認識韋伯太空望遠鏡（二）
• 延伸閱讀：太空巨獸 JWST 升空後的 150 萬里長征 —— 認識韋伯太空望遠鏡（三）

拉格朗日點是什麼？

日地拉格朗日點一共有五個。當物體在這些點上，其受到來自太陽與地球的重力恰到好處，因此太空船只需要少量的燃料，就可以長期與地球和太陽保持穩定的相對位置，可謂是地球軌道附近的風水寶地。

而韋伯繞行的，是位於地球後方的第二拉格朗日點，簡稱 L2。之所以選擇這裡，是因為只有 L2 的位置剛好會讓地球、太陽、月亮都在同一側，而這三個星體正是天文望遠鏡的主要紅外線光害來源。位在 L2 的韋伯，就可以用它的遮陽帆一次把三顆星體全部擋住，認真凝望遠方而不受干擾，因此 L2 可以說是觀測宇宙的絕佳地點。升空的幾個月之間，韋伯已經完成一系列的儀器校準工作，一步步把望遠鏡調整到最佳狀態。

• 延伸閱讀：淺談 JWST 的科學意義：探索宇宙深處與塵埃後的外星世界！——認識韋伯太空望遠鏡（四）
• 延伸閱讀：順利升空只是開始！韋伯太空望遠鏡升空後「必須完美」的 29 天旅程

相比知名前輩「哈伯太空望遠鏡」，韋伯的優勢不只是擁有比哈伯大六倍的鏡面，更重要的是它是以紅外線為主力觀測波段。宇宙膨脹造成嚴重紅移，但哈伯望遠鏡的守備範圍主要是可見光，波長範圍是 90 – 2500 奈米，可說是鞭長莫及啊。

這時換上以波長 600 – 28500 奈米的紅外線為守備範圍的韋伯，就可以讓我們看到更遙遠、更古老的宇宙。此外，同一個天體在可見光和紅外線看起來，往往長得相當不一樣。這個強大的紅外線觀測能力，正是韋伯最引以為傲的武器。

作為深具儀式感的第一批科學影像，韋伯這次公布的影像分別對應四個主要科學主題：早期宇宙、星系演化、恆星的生命循環與系外行星。

1. 早期宇宙—— 星系團 SMACS 0723 與重力透鏡效應

畫面中心黃白色的天體，是由成百上千的星系共同組成的星系團 SMACS 0723。在韋伯之前，哈伯太空望遠鏡就曾經花費數個禮拜的時間拍攝這個星系團。然而擁有更大鏡面、更精良儀器的韋伯，僅用了 12.5 個小時就拍出了解析度更高、畫面品質更好的照片，讓我們看到許多以前難以辨識的黯淡星系。可見哈伯與韋伯在觀測能力上的差距。

對天文學家來說，圖中最令人興奮的其實不是前景壯闊的星系團，而是後方這些經過重力透鏡扭曲和放大的小小星系們。星系團龐大的質量扭曲了周圍的時空，讓整個星系團好像一塊巨大的放大鏡一樣，可以偏折和聚焦通過的星光，稱為「重力透鏡效應」。

當星系團後方更遙遠、更古老的星系發出的光線通過星系團時，就會被星系團的重力透鏡效應偏折和聚焦，形成而圖中無數弧形的扭曲影像。

這些仍在襁褓中的小小星系，往往正在快速的孕育新的恆星，或是互相合併，因此有著混沌不規則的形狀。離我們越遠的星體發出的光，需要越長的時間才能到達我們的眼中。因此研究這些遙遠且古老的星系，能幫助天文學家理解宇宙早期的模樣。

2. 星系演化——史蒂芬五重奏（Stephan’s Quintet）

上一張照片讓我們認識星系的起源，這張「史蒂芬五重奏（Stephan’s Quintet）」則可以讓天文學家更仔細地研究星系內的複雜結構，以及星系與星系之間的交互作用。

正如其名，「史蒂芬五重奏（Stephan’s Quintet）」是由五個視覺上相當靠近的星系所組成。但其實最左邊的這個星系（NGC7320）與另外四者並無關聯，只是從地球上看剛好位在天空中差不多的位置而已。

圖片中偏向黃白色，感覺如絲綢般順滑的部分是在近紅外線波段拍攝，主要顯示的是星系中恆星的分布；而醒目的橘紅色，則是來自中紅外波段的資料，展示的是星系中的高溫塵埃，以及星系中的氣體高速對撞時產生的震波（Shock wave）。

除了影像，韋伯還使用光譜儀仔細檢視了影像中右上方的星系（NGC 7319）中心，因為那裏有一顆比太陽重 2400 萬倍的超大質量黑洞，正在吸食周遭的氣體，並在過程中釋放巨大的能量。

藉由觀察光譜的細節，韋伯可以分辨出像是氬離子、氖離子或是氫分子等等化學組成，甚至知道氣體的溫度、運動速度這些從一般照片難以辨識的資訊。

史蒂芬五重奏就像一個天然的實驗場，讓天文學家研究星系演化的詳細過程。

3. 系外行星——WASP-96 b 的大氣光譜

這一張照片可能是整批影像中，視覺上最不起眼的一張，它是系外行星 WASP-96 b 的大氣光譜。

最近 20 多年來，人類對太陽系以外行星的認識越來越多。截至今日，人類已經發現超過 5000 顆系外行星。然而，以現有的觀測技術，天文學家通常只能用一些間接的方法，測量它們的質量、半徑、軌道週期等粗略的特性。想知道這個行星是否適合生命生存，就不能少了行星大氣層的化學組成和溫度資訊。

那要怎麼取得行星的大氣資訊呢？當行星通過恆星跟地球中間時，恆星的一部分星光將會通過行星的大氣層，並被行星的大氣吸收。吸收的多寡和波段，取決於行星大氣層的溫度和化學組成等特性。此時，天文學家就可以藉由分析光譜中的各種特徵，去回推行星大氣層的性質。

圖片中的白點，即是韋伯實際觀測 WASP-96 b 時取得的光譜資訊。而藍色的線，則是天文學家認為最貼合觀測數據的理論模型。

根據這個觀測結果，天文學家計算出 WASP-96 b 的大氣溫度約為 725°C，大氣中明顯有著水氣，並推測可能還有雲和霾存在。未來進一步的分析和觀測，將為世人揭開更多系外行星的神祕面紗。

4. 恆星的生命循環——「南環狀星雲」與「船底座大星雲（Carina）」

最後兩張照片都與恆星的生命循環有關。正如人會有生老病死，恆星也是一樣。

恆星一般誕生在巨大分子雲中，氣體在重力吸引下逐漸塌縮、升溫並點燃核融合，成為一顆恆星。

當小質量的恆星步入晚年，其結構容易變得不穩定，最終將自己的外層氣體拋射出去，形成美麗的行星狀星雲，也將氣體吐回到星際空間中，成為下一代恆星的養分。氣體都拋射完之後留下的核心，就是白矮星。

• 延伸閱讀：宇宙「新」光──新星、超新星與千級新星

各位現在看到的，是暱稱「南環狀星雲」的行星狀星雲，左右兩張圖分別於近紅外線與中紅外線拍攝。

我們可以看到，左圖中的影像比右圖要更清晰一些，這是因為在相同的望遠鏡口徑下，波長越短所能達到的理論解析度就越高。

有趣的是，在左圖中看起來位於星雲中心的明亮恆星，其實並不是行星狀星雲的核心。真正的核心其實是在其左下方，一顆被塵埃包裹著的黯淡白矮星。在近紅外線波段的影像中，這顆白矮星幾乎淹沒在隔壁恆星的炙烈星芒之中。

但在中紅外波段，由於恆星的亮度相對降低，包裹著白矮星的塵埃發出的光就變得清晰可見。再次展示即使是同一個天體，使用不同的波段進行觀測，往往可以看到不同的東西。

最後這片壯麗的宇宙山崖，則是位於「船底座大星雲 Carina」西北角的 NGC3324 恆星形成區。在這裡，源自星雲中無數初生恆星所發出的炙烈輻射、恆星風與噴流，吹散、游離了星雲中原有的濃密氣體與塵埃。交織出這片壯闊而複雜的結構。

這張照片一共結合了這六個不同的濾鏡的影像拍攝而成。每個濾鏡涵蓋的波段各不相同，代表的物理意義也不一樣。比如（F090W、F200W、F444W）這三個寬帶濾鏡，分別在影像中按照波長順序，以藍色、綠色和紅色這三原色呈現，為照片打下骨幹。而在此之上，照片的製作團隊又疊上青色代表氫原子的（F187N）濾鏡影像，以黃色代表氫分子的（F470N）濾鏡影像，以及用橘色代表甲烷和多環芳香烴的 （F335M） 濾鏡影像，為照片再添更多的細節。

• 延伸閱讀：用黑白相機拍出色彩繽紛的宇宙

想要將這麼多個波段的影像全部結合起來，仔細調整讓細節更加突出，最終呈現出一張如此絢麗又震撼的照片，是非常不容易的。這展示了韋伯太空望遠鏡不僅在科學上相當重要，在藝術上也價值非凡。

最後別忘了，以上只挑選介紹了第一批資料中最具代表性的幾張，更多關於五個目標的照片和光譜，可以在韋伯的官網上找到。而這批照片，又只是韋伯未來二十年服役生涯中，前兩個月的小試牛刀而已。韋伯的時代，才剛剛要開始！