我們的征途是星辰大海：回顧隼鳥二號的億里長征

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

要核能、綠能、還是天然氣？大家不用吵了，因為讓我隆重介紹，宇宙太陽能準備登場，地球將進入能源自由，人類文明將邁入下一個時代！

雖然只是邁入第一步，但我沒有在開玩笑，美國、日本、歐盟、英國都陸續展開宇宙太陽能計畫，預計在太空中布下大量太陽能板，將取之不盡的能量，不分晝夜、不分天氣地將能量源源不絕的傳回地球。而且第一階段的測試，已經在宇宙中測試成功了！

宇宙太陽能真的可行嗎？我們離能源自由，還有多遠？

為什麼要去太空中進行太陽能發電？地面太陽能的困境

台灣要選擇哪種能源配比，各方論點各有道理。而同樣的問題，不只是台灣，對世界各國來說都是爭論不休的議題。面對這樣的困境，竟然有人提議往太空探索，去太空中進行大規模太陽能發電，並將能量傳回地球，成為宇宙太陽能電廠，一舉解決所有能源問題。可是就算不去太空，在地面上的太陽能近年來成長迅速，安裝量和產量都持續增加，為什麼非得跑到太空中去做一樣的事呢？

雖然太陽能板的設置成本近年來降低很多，能不能穩定發電卻要看老天臉色，而且需要的佔地面積廣大。世界上只有少數幅員廣大，日照充足的國家可以打造 GW 等級的太陽能發電廠，像是印度，中國，以及中東地區。許多地方例如台灣，多以民間業者小規模發展為主，很難建設大規模的太陽能發電廠，如果要大規模使用農地、魚塭、屋頂種電，也有許多問題等待解決。

不過只要把太陽能搬到外太空，就可以大喊：「解開束縛、重生吧！太陽能，我還你原型！」

首先，太空中可以接收到更多的陽光。由於太空中沒有夜晚，所以軌道上的衛星幾乎可以 24 小時暴露在陽光之下。此外，太空中的陽光不會像地面上的冬天或傍晚，有傾斜入射的問題。太陽能板可以隨時指向太陽的方向，和太陽光的方向保持垂直，接受百分之百的陽光照射。根據計算，同一塊太陽能板放在太空中可以接受到的陽光量至少是地表的三倍以上。

另外，地球的大氣其實幫我們阻隔了許多陽光，保護地表上的我們不會被瞬間曬傷。就算是晴朗無雲的日子，大氣層還是會散射掉許多的陽光。太空中的太陽輻射比地表強上不少，大約多了 40% 左右。

綜合前面所說的，只要把現有的光電材料放到衛星軌道上，就可以輕鬆獲得約四倍的發電量。此外還不需要任何占地，不會對環境生態帶來負面影響。

太空種出的電要怎麼運回地球？

你可能會好奇，在太空中收穫這麼多太陽能，要怎麼運回地球給大家使用呢？難道要存在電池裡再回收嗎？科幻大師艾西莫夫早在 1941 年就想過這個問題了。在他的短篇小說《理性》中，各個太空站會再收集太陽能之後，用微波光束將能量傳送至不同行星，也就是遠距無線傳輸能量。

雖然這種技術在當時屬於科幻情節，但現在的我們知道這樣的技術在原理上可能辦到的。在我們介紹無線獵能手環那集，我們有提到電磁波傳遞能量的問題，就是能量會以波源為中心向外發散，並且能量隨著距離快速衰減。想要高效率傳輸能量，如果不想接條線，就必須使用指向性的波源，將能源都集中到一點。

現在，我們使用多個天線組成陣列，並調整他們的相位，讓各個天線發出的微波產生干涉，形成筆直前進的單方向微波束，將能量精準發射到遠處的一個點。除此之外，因為選擇的電磁波頻段是微波，就像手機訊號可以穿過牆壁到你的手機一樣，特定頻率的微波也能穿透大氣層或雲層的阻擋。即使地球上的我們是下雨天，宇宙太陽能仍能透過微波將能量傳至地表，大幅降低天氣造成的影響。

所以，只要把所有太陽能板發射到地球同步軌道上，讓它們在軌道中展開，組裝成大還要更大，邊長長達數公里的超大太陽能板。這樣空中太陽能發電廠就會一直維持在天空中的某一點，地面的我們，只要蓋個微波接收站就可以了。當然要將所有設備發射到地球同步軌道上所費不貲，較可行的做法是先用火箭將衛星射入高度較低的低地球軌道中，再利用衛星本身的離子噴射等方式把自己慢慢推到地球同步軌道。

這個主意，在 1968 年工程師 Peter Glaser 就在 Science 期刊上提出，還向美國政府申請了專利。當時，美國能源局和 NASA 也覺得這個概念挺「有趣」的，針對宇宙太陽能做了一系列的調查並提出了正式的可行性報告。不過當時各方面的技術未成熟，無法進行測試。最重要的是，要把一整個太陽能發電廠射到太空，實在要花太多錢，產出的電根本就不敷成本。

好消息是，太空運輸成本近年來已經降低很多。SpaceX 的獵鷹九號火箭將每公斤物質運到低地球軌道的成本，只需要約三千美元，是過去使用太空梭運載的二十分之一。這讓宇宙太陽能的可能性，從僅只於科幻，搖身一變成為潛力無窮的未來能源。

宇宙太陽能離我們有多遠？

從美國、英國、歐盟到日本，都已經放話要加入這場全新的太空能源競賽。領跑者之一是日本的太空機構，宇宙航空研究開發機構 JAXA，預計在 2025 年前後展開從太空向地面送電的實驗，並在 2030 年左右開始試運轉宇宙太陽能機組，是有生之年就能看到的成果！

這個時程也不是信口開河，日本在 1980 年代左右便開啟了宇宙太陽能計畫。經過數十年的規劃與研發， JAXA 已在 2015 年進行地面測試，成功將電能傳輸到 55 公尺外的接收天線，驗證遠距傳輸能量的可行性。這個實驗相當重要，因為在發射成本的問題解決之後，宇宙太陽能要面對的下一個難題，就是如何有效地從外太空軌道遠距送電。雖然我們已經知道可以透過干涉的方法，讓微波束直線前進，但實際運作時，還是會有一個很小的發散角，不會完全平行。

失之毫釐。差之千里。地球同步軌道離地表可是有三萬六千公里，小小的發散角到地面就會嚴重發散，地面的接收天線尺寸也不可能無限擴張。這任務的難度差不多等於要從操場的一端用雷射筆打到另一端的蚊子，非常困難。JAXA 的天線雖然目前還未達到需要的準度，但是發散角已經能控制在 0.15 度左右，足以從較低的低地球軌道傳輸能量回地球，做初步的測試。

從還處在規劃階段的日本，瞬間移動到地球的另一端，美國的研究團隊，在這個月已經宣布取得重大突破。加州理工學院的宇宙太陽能計畫在今年初，成功讓一個小型測試模組，乘著 SpaceX 的獵鷹 9 號前進低地球軌道，進行太空中的實際測試。這個小型模組包含三個小實驗。第一個實驗是測試宇宙太陽能板的結構、封裝、以及展開並組裝的程序。第二個實驗則是要在 32 種不同的光電材料中，找出哪種在太空中效果最好。第三則是要測試微波傳輸能量在太空中的可行性。

就在今年的 6 月 1 號，團隊宣布他們設計的可彎曲天線陣列，在太空中成功傳送能量到三十公分外的接收天線，點亮了 LED 燈。雖然距離只有短短的 30 公分，但是整個實驗暴露在外太空的環境中進行，證明他們的設計可以承受最嚴苛的環境條件。做為測試，他們也嘗試讓天線發射能量到遠在地球表面，大學實驗室的屋頂上。並且，還真的被他們量測到了數值。儘管規模不大，但這是宇宙太陽能第一次的軌道測試，結果相當振奮人心。

如此看來，技術的發展似乎相當樂觀。可是要用於民生發電，成本是很大的重點。宇宙太陽能真的符合經濟效益嗎？或是我們該把資源留給其他選項呢？

宇宙發電廠符合經濟效益嗎？

根據美國能源情報署 EIA 的資料，1GW 發電容量的發電廠，傳統燃煤發電廠的初期建設成本，大約是一千億台幣，核電廠大約是兩千億台幣。那宇宙太陽能呢？每 1kW 的發電需要二十公斤的材料，1GW 就需要兩萬公噸。目前 SpaceX 獵鷹重型火箭運送每公斤材料進入軌道，需要三萬台幣。也就是說，光是將設備全部送上太空的運輸成本，就需要六千億的驚人花費。再加上太陽能板與相關設備的建置成本，以地面型太陽能發電廠為參考的話，大概還要多花500億台幣。而 JAXA 方面的預估，打造第一座 1GW 宇宙太陽能至少需要一兆兩千億日圓，雖然比我們用獵鷹重型火箭預估的還要低，但仍是一筆龐大費用。

那宇宙太陽能真的只是將鈔票往太空撒，空有理想的計畫嗎？當然不是，有兩個讓科學家不放棄的理由——首先是未來建造成本一定會下修。太空的發射成本相比 50 年前，已經少了兩個零，在 SpaceX 的發展下，還在持續地快速減少。另一方面，太陽能材料的輕量化工程也持續在進行，每 kW 發電重量只有十公斤或以下的太陽能材料已經不是虛構。新式的太陽能材料，我們未來也會陸續介紹。這兩個因素加乘在一起，一兆兩千億日圓的成本，很有機會在幾年內就減少為十分之一或更少。

更重要的是，宇宙太陽能一但建置完成，就會成為可做為基載能源的再生能源，減少對石化燃料的依賴。甚至因為主要設備都在太空，地面只需要建設接收站，可能將解決許多偏遠地區的能源問題，一舉改變全世界的能源型態。而且與許多八字還沒一撇的發電方式相比，宇宙太陽能已經算是距離現實很接近的選項，也難怪各個國家紛紛搶著要發展這塊領域。不過雖說是永續能源，還是有許多方面值得深入研究。例如要把幾萬公噸的材料射到軌道中，需要排放多少的火箭廢氣？一但規模化，這些巨大的宇宙太陽能板是否會成為小行星的標靶，或在一次的太陽風暴過後，讓軌道中堆滿太空垃圾？

宇宙太陽能究竟能不能成為可靠的新興未來能源，從想都不敢想，到開始精算成本，相信我們很快就會知道答案。

歡迎訂閱 Pansci Youtube 頻道 獲取更多深入淺出的科學知識！

小行星，是我們追溯太陽系歷史的「時光膠囊」。它們大多是太陽系行星形成時期的留下的碎片，很可能還保留著原始太陽系的成分和資訊。

但是，小行星的個頭太小了，自身又不發光，肉眼幾乎不可能看見（除了灶神星），即使在天文望遠鏡裡，也頂多不過是一個小亮點。想要瞭解小行星的秘密，人們就需要派出使者——探測器，去一探究竟了。

來自日本 JAXA 的隼鳥 2 號探測器，就擔負了這樣一個艱鉅的任務：探訪碳質小行星（C型小行星）——「龍宮」。

C 型小行星是小行星中數目最多，也最為原始的一類。它們被認為是落入地球上的碳質球粒隕石的母體，其中一些可能富含水和有機物。探測這樣的小行星，不但可以幫助我們瞭解太陽系早期的歷史和演化，沒准也能我們尋找地球生命起源提供線索。

2018 年 6 月，隼鳥 2 號抵達龍宮。經過了幾個月的探測之後，隼鳥 2 號團隊迎來了第一個收穫的季節——就在昨天（2019-03-20），《科學》雜誌一口氣刊登了三篇論文，介紹隼鳥 2 號團隊對小行星龍宮的初步探測成果[1-3]。

從一個小亮點，到一整個世界

隼鳥 2 號在距離龍宮 133 萬公里處，首次拍到了它的身影——此時的龍宮還依然只是一個小亮點[4]。然而，隨著隼鳥 2 號一點一點飛近龍宮，隼鳥 2 號攜帶的「十八般兵器」漸漸為我們揭開龍宮的面紗。

首先是出場的是相機。隼鳥 2 號攜帶了 3 個相機：1 個遠望相機 ONC-T 和兩個寬角相機 ONC-W1 和 ONC-W2，最高可以拍攝毫米級解析度的龍宮表面照片。

又一個疏鬆的「亂石堆」

通過測量品質和體積，可以計算出龍宮的密度只有 1.19 克/立方釐米（實在是有點低），這並不是因為組成龍宮的石塊本身密度太低，而是因為這些石塊都是「松松」地靠在一起的，彼此之間有很大空隙。

當年，隼鳥 2 號的前輩隼鳥號探測的小行星「系川」就是這樣一顆典型的「亂石堆」（rubble pile）。這種由眾多大大小小的石塊通過自身引力聚集在一起形成的小行星，彼此之間的「粘合力」很弱，質地鬆散，孔隙率自然也很高。

另一個支持這個觀點的證據是：龍宮表面有許多大石塊。雖然撞擊作用也會產生石塊，但龍宮上的這些石塊不可能是撞擊濺射物，因為長於 20 米的石塊實在太多了（最大的一塊長度約 160 米），龍宮上最大的撞擊坑（直徑約 290 米的浦島坑）也不可能產生這麼大的石塊。

因此，龍宮很可能是一顆直徑約 100 公里的母天體被完全撞碎之後，碎片重新聚集形成的，而龍宮上的這些大石塊也不是龍宮形成之後才產生的，更可能是組成龍宮的原始碎片。

「陀螺」是怎麼形成的？

其實，陀螺狀的近地小行星倒也談不上罕見，天文學家們已經通過地基雷達發現過一些。畢竟，自轉引起的離心作用可以讓赤道區域產生一定的隆起，這也不奇怪（咱們的地球不也是「兩極稍扁，赤道略鼓」麼）。

但是，相比於目前已知的其他陀螺狀的小行星，龍宮的自轉速度似乎太低了（7.63 小時），按理說，這樣的自轉速度似乎並不足以引起這麼明顯的赤道隆起。

那麼，一個很自然的猜測就是：龍宮過去一定轉得很快，是後來減速到現在的自轉狀態的。

有點「乾旱」的「龍宮」

「龍宮」這個名字來源於日本民間故事《浦島太郎》（うらしまたろう），故事裡的浦島太郎被海龜帶往海底龍宮，在龍宮受到了公主乙姬的熱情款待，回到人間的時候帶回了一個寶盒——寓意採樣返回的隼鳥 2 號也能從小行星帶回珍貴的信息。這個名字的另一個意義在於，C型（碳質）小行星中有幾個亞類可能含富含水，這也非常符合「海底龍宮」的意味。

那龍宮到底是不是這樣呢？隼鳥 2 號的另一件寶貝——近紅外光譜儀（NIRS3）告訴我們好像並不是。

龍宮攜帶的近紅外光譜儀 NIRS3 覆蓋了 1.8-3.2 微米的波段範圍，在這個範圍裡，三種不同形式的水：羥基（OH）、液態水和水冰會體現出不同的吸收特徵——如果龍宮含水，就應該會被檢測到。

NIRS3 的結果顯示，龍宮只在 2.72 微米處探測到了很窄的 V型吸收，而且遍佈全球——這是羥基（OH）的吸收特徵。也就是說，含羥基的礦物（水合礦物）在龍宮表面普遍存在[2]。然而，龍宮上羥基的特徵吸收很微弱，說明整個龍宮表面的羥基都不多——龍宮上雖然有水（羥基可以認為是結構水，但不同于液態水和水冰），但也沒有多少水。

為什麼會有這麼少的水呢？可能的原因有很多。

• 一種可能性是，龍宮本身作為一顆重組的亂石堆，很可能經歷過一些熱變質或者衝擊變質過程，類似於經歷過這些的碳質球粒隕石，那麼自然地，龍宮在這個過程中被加熱脫水了。
• 另一種可能是，龍宮曾經的軌道近日點比現在離太陽更近，會受到更強的來自太陽的熱輻射，也會因為更強的太陽風作用而導致羥基的分崩離析。

總之，就是龍宮可能曾經有過很多水，然後水沒了。

另一種可能是，龍宮可能原本就沒有很多水：龍宮的母體小行星上就（因為種種原因）沒有很多水，所以龍宮先天缺水。隼鳥 2 號專案組更傾向於這種情況。

鄉關何處？

至於龍宮原本來自哪裡？它的母體小行星是什麼樣的？我們依然可以通過光譜特徵這把「指紋鑰匙」來推測，或者簡單來說，尋找什麼樣的小天體和龍宮更像。

以目前龍宮的光譜形態來看，和龍宮光譜特徵最相似的小行星是兩顆主帶小行星：波蘭星（Polana）和歐拉莉婭（Eulalia），從軌道特徵來看，龍宮也很可能是這兩顆小行星之一的碎片。

也就是說，龍宮可能並不直接來源於這兩顆小行星之一的碎片，而可能是它們的二代、三代甚至 n 代碎片。

龍宮的坎坷一生

在隼鳥 2 號抽絲剝繭地偵查之下，龍宮歷經坎坷的一生逐漸浮出水面。

龍宮的母體小行星或許原本是有水的，但後來因為自身內部的放射性物質衰減加熱，或者因為隕石撞擊加熱，讓很大一部分水散失了。也或許是因為母體小行星的水蝕過程才剛剛開始，還沒有形成很多水。

總之，這顆略有點「乾旱」的母體小行星被另一顆飛來的撞擊體完全撞碎，這是太陽系中稀鬆平常的「慘劇」之一。

在這毀滅之中，也孕育著新生──那些撞擊產生的碎片，又聚集成了一個個新的小行星族群。因為碎片在這個撞擊和重組過程中，除了因為撞擊產生的有限的熱變質之外，並沒有發生很大的化學變化，所以它們幾乎還保留著來自母代小行星的「指紋」。

龍宮或許就是這樣的一顆小行星。又或許，那些子代小行星族群中的一顆，又再次被一顆飛來的撞擊體完全擊碎，這些碎片再次重組，成為了龍宮。

但龍宮這樣的小行星，一定經歷過毀滅和新生交織的「坎坷人生」，或許也註定在某一次撞擊中被完全毀滅。

只是剛剛好在這樣一個時刻，龍宮也在，我們也在，然後我們看到了龍宮。

參考文獻：

1. S. Watanabe, et al., Hayabusa2 arrives at the carbonaceous asteroid 162173 Ryugu—a spinning-top-shaped rubble pile. Science (2019).
2. K. Kitazato et al., The surface composition of asteroid 162173 Ryugu from Hayabusa2 near-infrared spectroscopy. Science (2019).
3. S. Sugita et al., The geomorphology, color, and thermal properties of Ryugu: Implications for parent-body processes. Science (2019).
4. Hayabusa2 has detected Ryugu
5. Hayabusa2 Science Data Archives
6. P. Vernazza, et al. (2015). Interplanetary dust particles as samples of icy asteroids. The Astrophysical Journal, 806(2), 204.
7. C. Pieters, et al. (2009). Character and spatial distribution of OH/H2O on the surface of the Moon seen by M3 on Chandrayaan-1. science, 326(5952), 568-572.

• 本文轉載自果殼網，原文標題 一口气发了三篇《科学》，隼鸟2号在“龙宫”发现了啥？