打包去火星

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

• 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。

「也英，你還好嗎？但願你沒有感冒，今年的火星看起來特別亮，是本世紀火星距離地球最近的時候，當我看到明亮的星星時，就覺得你彷彿在我身旁。」晴道在少年時寫給也英的信中這麼說道。

接近人生半百，當晴道再次與也英相遇後，這麼恰好的，火星再次接近地球，劇中晴道與也英於札幌天文台享受著天文景象，究竟在望遠鏡中，他們看到的景象為何會產生？

揭開接近地球的火星之時——火星衝

太陽系中的八大行星皆繞著恆星太陽公轉，但因各行星距離太陽的遠近不同，造成公轉軌道路徑長度差異，而行星的公轉軌道與速度進一步影響著其公轉週期。八大行星中每一顆行星的公轉週期皆不一樣，也因此，造成每天行星與恆星、行星與行星間的相對位置也都有所差異。

「衝」在天文現象中意指行星（地球軌道外）與太陽、地球，連成一直線的現象。當衝發生時，代表此顆行星整夜可見，且在天空中的亮度極亮！但正如同上文所述，因每顆行星之公轉週期有所差異，所以並非每一年都會發生衝。例如劇中晴道與也英所觀測的「火星衝」，週期約為 780 天，大約每經過 2 年 49 天便會發生一次。 

長大後的晴道、也英所觀測的火星衝發生在 2018 年，亮度極亮的火星配上恰好的觀測時間，便是觀測火星的最佳時間點！

而在 2022 年 12 月初時，也發生了一次火星衝！這次火星的視星等亮度達到 -1.9 等，預測將會是未來十年內最亮的火星衝，但如果錯過這次也沒有關係，在 2033 年時會發生亮度更亮的火星衝，目前預估視星等亮度可以達到 -2.5 等呢！（星等值越小越亮！）

滿載希望的希望號

除卻火星衝外，日本 1998 所發射的希望號探測器（のぞみ）也是年少的也英殷切期待的天文任務。當時日本為促使國民對於火星產生興趣與探索，舉辦於希望號中搭載姓名的活動，也英的名字也跟著希望號一起進行宇宙探索。

希望號原本的目標與任務是觀察火星上大氣層，與火星受太陽風作用的影響。但在 1998 年發射後，希望號的推進器出現故障，不只大量消耗燃料，還造成希望號進入火星軌道的時間延長，後又於 2002 年受到太陽劇烈活動的影響電力系統受到破壞。最終，希望號於 2003 年 12 月失聯，未能順利完成火星的探測任務。

未完待續的火星之旅

火星因其醒目的紅色外觀一直為人們所關注與追尋的星球（西方更將其取名為 Mars，即為羅馬神話中的戰神），且因火星具有與地球相似的環境條件，科學家一直將火星作為移居星球的選項之一，也設想過將火星「地球化」，使其更加適合人類居住。

但人們是否有改變火星的權利，又或者我們對於火星是否有足夠的了解，或許等到未來更多次嘗試的火星任務後才能知曉答案，正像是晴道說的：「要想知道是不是命中註定，你必須全心投入進去。」

參考資料

• 臺北市立天文科學教育館 – 2022火星衝專區
• 為什麼火星任務正夯？
• 火星漫遊20年——探測任務的挑戰
• 希望號探測器