物理學家創造出首個測量單一分子質量的機械裝置

• 作者／賴昭正｜前清大化學系教授、系主任、所長；合創科學月刊

我擔心人工智慧可能會完全取代人類。如果人們能設計電腦病毒，那麼就會有人設計出能夠自我改進和複製的人工智慧。 這將是一種超越人類的新生命形式。

——史蒂芬．霍金（Stephen Hawking）　英國理論物理學家

大約在八十年前，當第一台數位計算機出現時，一些電腦科學家便一直致力於讓機器具有像人類一樣的智慧；但七十年後，還是沒有機器能夠可靠地提供人類程度的語言或影像辨識功能。誰又想到「人工智慧」（Artificial Intelligent，簡稱 AI）的能力最近十年突然起飛，在許多（所有？）領域的測試中擊敗了人類，正在改變各個領域——包括假新聞的製造與散佈——的生態。

圖形處理單元（graphic process unit，簡稱 GPU）是這場「人工智慧」革命中的最大助手。它的興起使得九年前還是個小公司的 Nvidia（英偉達）股票從每股不到 $5，上升到今天（5 月 24 日）每股超過 $1000（註一）的全世界第三大公司，其創辦人（之一）兼首席執行官、出生於台南的黃仁勳（Jenson Huang）也一躍成為全世界排名 20 內的大富豪、台灣家喻戶曉的名人！可是多少人了解圖形處理單元是什麼嗎？到底是時勢造英雄，還是英雄造時勢？

在回答這問題之前，筆者得先聲明筆者不是學電腦的，因此在這裡所能談的只是與電腦設計細節無關的基本原理。筆者認為將原理轉成實用工具是專家的事，不是我們外行人需要了解的；但作為一位現在的知識分子或公民，了解基本原理則是必備的條件：例如了解「能量不滅定律」就可以不用仔細分析，即可判斷永動機是騙人的；又如現在可攜帶型冷氣機充斥市面上，它們不用往室外排廢熱氣，就可以提供屋內冷氣，讀者買嗎？

CPU 與 GPU

不管是大型電腦或個人電腦都需具有「中央處理單元」（central process unit，簡稱 CPU）。CPU 是電腦的「腦」，其電子電路負責處理所有軟體正確運作所需的所有任務，如算術、邏輯、控制、輸入和輸出操作等等。雖然早期的設計即可以讓一個指令同時做兩、三件不同的工作；但為了簡單化，我們在這裡所談的工作將只是執行算術和邏輯運算的工作（arithmetic and logic unit，簡稱 ALU），如將兩個數加在一起。在這一簡化的定義下，CPU 在任何一個時刻均只能執行一件工作而已。

在個人電腦剛出現只能用於一般事物的處理時，CPU 均能非常勝任地完成任務。但電腦圖形和動畫的出現帶來了第一批運算密集型工作負載後，CPU 開始顯示心有餘而力不足：例如電玩動畫需要應用程式處理數以萬計的像素（pixel），每個像素都有自己的顏色、光強度、和運動等, 使得 CPU 根本沒辦法在短時間內完成這些工作。於是出現了主機板上之「顯示插卡」來支援補助 CPU。

1999 年，英偉達將其一「具有集成變換、照明、三角形設定／裁剪、和透過應用程式從模型產生二維或三維影像的單晶片處理器」（註二）定位為「世界上第一款 GPU」，「GPU」這一名詞於焉誕生。不像 CPU，GPU 可以在同一個時刻執行許多算術和邏輯運算的工作，快速地完成圖形和動畫的變化。

依序計算和平行計算

一部電腦 CPU 如何計算 7×5+6/3 呢？因每一時刻只能做一件事，所以其步驟為：

• 計算 7×5；
• 計算 6/3；
• 將結果相加。

總共需要 3 個運算時間。但如果我們有兩個 CPU 呢？很多工作便可以同時（平行）進行：

• 同時計算 7×5 及 6/3；
• 將結果相加。

只需要 2 個運算時間,比單獨的 CPU 減少了一個。這看起來好像沒節省多少時間，但如果我們有 16 對 a×b 要相加呢？單獨的 CPU 需要 31 個運算的時間（16 個 × 的運算時間及 15 個 + 的運算時間），而有 16 個小 CPU 的 GPU 則只需要 5 個運算的時間（1 個 × 的運算時間及 4 個 + 的運算時間）！

現在就讓我們來看看為什麼稱 GPU 為「圖形」處理單元。圖一左圖《我愛科學》一書擺斜了，如何將它擺正成右圖呢？ 一句話：「將整個圖逆時針方向旋轉 θ 即可」。但因為左圖是由上百萬個像素點（座標 x, y）組成的，所以這句簡單的話可讓 CPU 忙得不亦樂乎了：每一點的座標都必須做如下的轉換

x’ = x cosθ + y sinθ

y’ = -x sinθ+ y cosθ

即每一點均需要做四個 × 及兩個 + 的運算！如果每一運算需要 10^-6 秒，那麼讓《我愛科學》一書做個簡單的角度旋轉，便需要 6 秒，這豈是電動玩具畫面變化所能接受的？

人類的許多發明都是基於需要的關係，因此電腦硬件設計家便開始思考：這些點轉換都是獨立的，為什麼我們不讓它們同時進行（平行運算，parallel processing）呢？於是專門用來處理「圖形」的處理單元出現了——就是我們現在所知的 GPU。如果一個 GPU 可以同時處理 10⁶ 運算，那上圖的轉換只需 10^-6 秒鐘！

GPU 的興起

GPU 可分成兩種：

• 整合式圖形「卡」（integrated graphics）是內建於 CPU 中的 GPU，所以不是插卡，它與 CPU 共享系統記憶體，沒有單獨的記憶體組來儲存圖形／視訊，主要用於大部分的個人電腦及筆記型電腦上；早期英特爾（Intel）因為不讓插卡 GPU 侵蝕主機的地盤，在這方面的研發佔領先的地位，約佔 68% 的市場。
• 獨立顯示卡（discrete graphics）有不與 CPU 共享的自己專用內存；由於與處理器晶片分離，它會消耗更多電量並產生大量熱量；然而，也正是因為有自己的記憶體來源和電源，它可以比整合式顯示卡提供更高的效能。

2007 年，英偉達發布了可以在獨立 GPU 上進行平行處理的軟體層後，科學家發現獨立 GPU 不但能夠快速處理圖形變化，在需要大量計算才能實現特定結果的任務上也非常有效，因此開啟了為計算密集型的實用題目編寫 GPU 程式的領域。如今獨立 GPU 的應用範圍已遠遠超出當初圖形處理，不但擴大到醫學影像和地震成像等之複雜圖像和影片編輯及視覺化，也應用於駕駛、導航、天氣預報、大資料庫分析、機器學習、人工智慧、加密貨幣挖礦、及分子動力學模擬（註三）等其它領域。獨立 GPU 已成為人工智慧生態系統中不可或缺的一部分，正在改變我們的生活方式及許多行業的遊戲規則。英特爾在這方面發展較遲，遠遠落在英偉達（80%）及超微半導體公司（Advance Micro Devices Inc.，19%，註四）之後，大約只有 1% 的市場。

事實上現在的中央處理單元也不再是真正的「單元」，而是如圖二可含有多個可以同時處理運算的核心（core）單元。GPU 犧牲大量快取和控制單元以獲得更多的處理核心，因此其核心功能不如 CPU 核心強大，但它們能同時高速執行大量相同的指令，在平行運算中發揮強大作用。現在電腦通常具有 2 到 64 個核心；GPU 則具有上千、甚至上萬的核心。

結論

我們一看到《我愛科學》這本書，不需要一點一點地從左上到右下慢慢掃描,即可瞬間知道它上面有書名、出版社等，也知道它擺斜了。這種「平行運作」的能力不僅限於視覺，它也延伸到其它感官和認知功能。例如筆者在清華大學授課時常犯的一個毛病是：嘴巴在講，腦筋思考已經不知往前跑了多少公里，常常為了追趕而越講越快，將不少學生拋到腦後！這不表示筆者聰明，因為研究人員發現我們的大腦具有同時處理和解釋大量感官輸入的能力。

人工智慧是一種讓電腦或機器能夠模擬人類智慧和解決問題能力的科技，因此必須如人腦一樣能同時並行地處理許多資料。學過矩陣（matrix）的讀者應該知道，如果用矩陣和向量（vector）表達，上面所談到之座標轉換將是非常簡潔的（註五）。而矩陣和向量計算正是機器學習（machine learning）演算法的基礎！也正是獨立圖形處理單元最強大的功能所在！因此我們可以了解為什麼 GPU 會成為人工智慧開發的基石：它們的架構就是充分利用並行處理，來快速執行多個操作，進行訓練電腦或機器以人腦之思考與學習的方式處理資料——稱為「深度學習」（deep learning）。

黃仁勳在 5 月 22 日的發布業績新聞上謂：「下一次工業革命已經開始了：企業界和各國正與英偉達合作，將價值數萬億美元的傳統資料中心轉變為加速運算及新型資料中心——人工智慧工廠——以生產新商品『人工智慧』。人工智慧將為每個產業帶來顯著的生產力提升，幫助企業降低成本和提高能源效率，同時擴大收入機會。」

附錄

人工智慧的實用例子：下面一段是微軟的「copilot」代書、谷歌的「translate」代譯之「one paragraph summary of GPU and AI」。讀完後，讀者是不是認為筆者該退休了？

GPU（圖形處理單元）和 AI（人工智慧）之間的協同作用徹底改變了高效能運算領域。GPU 具有平行處理能力，特別適合人工智慧和機器學習所需的複雜資料密集運算。這導致了影像和視訊處理等領域的重大進步，使自動駕駛和臉部辨識等技術變得更加高效和可靠。NVIDIA 開發的平行運算平台 CUDA 進一步提高了 GPU 的效率，使開發人員能夠透過將人工智慧問題分解為更小的、可管理的、可同時處理的任務來解決這些問題。這不僅加快了人工智慧研究的步伐，而且使其更具成本效益，因為 GPU 可以在很短的時間內執行與多個 CPU 相同的任務。隨著人工智慧的不斷發展，GPU 的角色可能會變得更加不可或缺，推動各產業的創新和新的可能性。大腦透過神經元網路實現這一目標，這些神經元網路可以獨立但有凝聚力地工作，使我們能夠執行複雜的任務，例如駕駛、導航、觀察交通信號、聽音樂並同時規劃我們的路線。此外，研究表明，與非人類動物相比，人類大腦具有更多平行通路，這表明我們的神經處理具有更高的複雜性。這個複雜的系統證明了我們認知功能的卓越適應性和效率。我們可以一邊和朋友聊天一邊走在街上，一邊聽音樂一邊做飯，或一邊聽講座一邊做筆記。人工智慧是模擬人類腦神經網路的科技，因此必須能同時並行地來處理許多資料。研究人員發現了人腦通訊網路具有一個在獼猴或小鼠中未觀察獨特特徵：透過多個並行路徑傳輸訊息,因此具有令人難以置信的多任務處理能力。

註解

（註一）當讀者看到此篇文章時，其股票已一股換十股，現在每一股約在 $100 左右。

（註二）組裝或升級過個人電腦的讀者或許還記得「英偉達精視 256」（GeForce 256）插卡吧?

（註三）筆者於 1984 年離開清華大學到 IBM 時，就是參加了被認為全世界使用電腦時間最多的量子化學家、IBM「院士（fellow）」Enrico Clementi 的團隊：因為當時英偉達還未有可以在 GPU 上進行平行處理的軟體層，我們只能自己寫軟體將 8 台中型電腦（非 IBM 品牌！）與一大型電腦連接來做平行運算，進行分子動力學模擬等的科學研究。如果晚生 30 年或許就不會那麼辛苦了?

（註四）補助個人電腦用的 GPU 品牌到 2000 年時只剩下兩大主導廠商：英偉達及 ATI（Array Technology Inc.）。後者是出生於香港之四位中國人於 1985 年在加拿大安大略省成立，2006 年被超微半導體公司收購，品牌於 2010 年被淘汰。超微半導體公司於 2014 年 10 月提升台南出生之蘇姿豐（Lisa Tzwu-Fang Su）博士為執行長後，股票從每股 $4 左右，上升到今天每股超過 $160，其市值已經是英特爾的兩倍，完全擺脫了在後者陰影下求生存的小眾玩家角色，正在挑戰英偉達的 GPU 市場。順便一題：超微半導體公司現任總裁（兼 AI 策略負責人）為出生於台北的彭明博（Victor Peng）；與黃仁勳及蘇姿豐一樣，也是小時候就隨父母親移居到美國。

（註五）或。

延伸閱讀

• 「熱力學與能源利用」，《科學月刊》，1982 年 3 月號；收集於《我愛科學》（華騰文化有限公司，2017 年 12 月出版），轉載於「嘉義市政府全球資訊網」。
• 「網路安全技術與比特幣」，《科學月刊》，2020 年 11 月號；轉載於「善科教育基金會」的《科技大補帖》專欄。

• 撰文｜許世穎

「造父」是周穆王的專屬司機，也是現在「趙」姓的始祖。以它為名的「造父變星」則是標準燭光的一種，讓我們可以量測外星系的距離。這幫助哈柏發現了宇宙膨脹，大大開拓了人們對宇宙的視野。然而發現這件事情的天文學家勒梅特卻沒有獲得她該有的榮譽。

宇宙中的距離指引：標準燭光

經過了三篇文章的鋪陳以後，我們終於要離開銀河系，開始量測銀河系以外的星系距離。在前作＜天有多大？宇宙中的距離（3）—「人口普查」＞中，介紹了距離和亮度的關係。想像一支燃燒中、正在發光的蠟燭。距離愈遠，發出來的光照射到的範圍就愈大，看起來就會愈暗。

我們把「所有發射出來的光」稱為「光度」，而用「亮度」來描述實際上看到的亮暗程度，而它們之間的關係就是平方反比。一旦我們知道一支蠟燭的光度，再搭配我們看到的亮度，很自然地就可以推算出這支蠟燭所在區域的距離。

舉例來說，我們可以在台北望遠鏡觀測金門上的某支路燈亮度。如果能夠找到那支路燈的規格書，得知這支路燈的光度，就可以用亮度、光度來得到這支路燈的距離。如果英國倫敦也安裝了這支路燈，那我們也可以用一樣的方法來得知倫敦離我們有多遠。

我們把「知道光度的天體」稱為「標準燭光（Standard Candle）」。可是下一個問題馬上就來了：我們哪知道誰是標準燭光啊？經過許多的研究、推論、歸納、計算等方法，我們還是可以去「猜」出一些標準燭光的候選。接下來，我們就來實際認識一個最著名的標準燭光吧！

「造父」與「造父變星」

「造父」是中國的星官之一。傳說中，「造父」原本是五帝之一「顓頊」的後代。根據《史記‧本紀‧秦本紀》記載：造父很會駕車，因此當了西周天子周穆王的專屬司機。後來徐偃王叛亂，造父駕車載周穆王火速回城平亂。平亂後，周穆王把「趙城」（現在的中國山西省洪洞縣一帶）封給造父，而後造父就把他的姓氏就從本來的「嬴」改成了「趙」。因此，造父可是趙姓的始祖呢！（《史記‧本紀‧秦本紀》：造父以善御幸於周繆王……徐偃王作亂，造父為繆王御，長驅歸周，一日千里以救亂。繆王以趙城封造父，造父族由此為趙氏。）

回到星官「造父」上。造父是「北方七宿」中「危宿」的一員（圖一），位於西洋星座中的「仙王座（Cepheus）」。一共有五顆恆星（造父一到造父五），清代的星表《儀象考成》又加了另外五顆（造父增一到造父增五）。^[3]

英籍荷蘭裔天文學家約翰‧古德利克（John Goodricke，1764-1786）幼年因為發燒而失聰，也無法說話。1784 年古德利克（John Goodricke，1764-1786）發現「造父一」的光度會變化，代表它是一顆「變星（Variable）」。2 年後，年僅 22 歲的他就當選了英國皇家學會的會員。卻在 2 週後就就不幸因病去世。^[4]

造父一這顆變星的星等在 3.48 至 4.73 間週期性地變化，變化週期大約是 5.36 天（圖二）。經由後人持續的觀測，發現了更多不同的變星。其中一群變星的性質（週期、光譜類型、質量……等）與造父一接近，因此將這一類變星統稱為「造父變星（Cepheid Variable）」。^[5]

勒維特定律：週光關係

時間接著來到 1893 年，年僅 25 歲的亨麗埃塔‧勒維特（Henrietta Leavitt，1868-1921）她在哈佛大學天文台的工作。當時的哈佛天文台台長愛德華‧皮克林（Edward Pickering，1846-1919）為了減少人事開銷，將負責計算的男性職員換成了女性（當時的薪資只有男性的一半）。^[6]

這些「哈佛計算員（Harvard computers）」（圖三）的工作就是將已經拍攝好的感光板拿來分析、計算、紀錄等。這些計算員們在狹小的空間中分析龐大的天文數據，然而薪資卻比當時一般文書工作來的低。以勒維特來說，她的薪資是時薪 0.3 美元。順帶一提，這相當於現在時薪 9 美元左右，約略是台灣最低時薪的 1.5 倍。^[6][7][8]

勒維特接到的目標是「變星」，工作就是量測、記錄那些感光板上變星的亮度 。她在麥哲倫星雲中標示了上千個變星，包含了 47 顆造父變星。從這些造父變星的數據中她注意到：這些造父變星的亮度變化週期與它們的平均亮度有關！愈亮的造父變星，變化的週期就愈久。麥哲倫星雲離地球的距離並不遠，可以利用視差法量測出距離。用距離把亮度還原成光度以後，就能得到一個「光度與週期」的關係（圖四），稱為「週光關係（Period-luminosity relation）」，又稱為「勒維特定律（Leavitt’s Law）」。藉由週光關係，搭配觀測到的造父變星變化週期，就能得知它的平均光度，能把它當作一支標準燭光！^[6][8][10]

從「造父變星」與「宇宙膨脹」

發現造父變星的週光關係的數年後，埃德溫‧哈柏（Edwin Hubble，1889-1953）就在 M31 仙女座大星系中也發現了造父變星（圖五）。數個世紀以來，人們普遍認為 M31 只是銀河系中的一個天體。但在哈柏觀測造父變星之後才發現， M31 的距離遠遠遠遠超出銀河系的大小，最終確認了 M31 是一個獨立於銀河系之外的星系，也更進一步開拓了人類對宇宙尺度的想像。後來哈柏利用造父變星，得到了愈來愈多、愈來愈遠的星系距離。發現距離我們愈遠的星系，就以愈快的速度遠離我們。從中得到了「宇宙膨脹」的結論。^[10]

造父變星作為量測銀河系外星系距離的重要工具，然而勒維特卻沒有獲得該有的榮耀與待遇。當時的週光關係甚至是時任天文台的台長自己掛名發表的，而勒維特只作為一個「負責準備工作」的角色出現在該論文的第一句話。哈柏自己曾數度表示勒維特應受頒諾貝爾獎。1925 年，諾貝爾獎的評選委員之一打算將她列入提名，才得知勒維特已經因為癌症逝世了三年，由於諾貝爾獎原則上不會頒給逝世的學者，勒維特再也無法獲得這個該屬於她的殊榮。^[12]

本系列其它文章：

天有多大？宇宙中的距離（1）—從地球到太陽
天有多大？宇宙中的距離（2）—從太陽到鄰近恆星
天有多大？宇宙中的距離（3）—「人口普查」
天有多大？宇宙中的距離（4）—造父變星

—

參考資料：

[1] Astronomy / Meet Henrietta Leavitt, the woman who gave us a universal ruler
[2] wiki / 危宿敦煌星圖
[3] wiki / 造父 (星官)
[4] wiki / John Goodricke
[5] wiki / Classical Cepheid variable
[6] wiki / Henrietta Swan Leavitt
[7] Inflation Calculator
[8] aavso / Henrietta Leavitt – Celebrating the Forgotten Astronomer
[9] wiki / Harvard Computers
[10] wiki / Period-luminosity relation
[11] Universe Today / What are Cepheid Variables?
[12] Mile Markers to the Galaxies

• 撰文｜許世穎

本文轉載自 CASE 科學報 《天有多大？宇宙中的距離（2）—從太陽到鄰近恆星》

「視差（parallax）」是天文學家常用來量測距離的好工具。藉由視差，我們得以精準的量測地球到太陽的距離，再更進一步量測周遭恆星的距離。目前直接量測距離的方法中，視差是能量測最遠的一種，目前的極限大約是 1 萬光年。天文學家利用視差的概念已經很久了。然而在中古世紀，視差量測的結果卻讓當代的天文學家得出了「地球不會動」的結論……

太陽的距離：金星凌日、視差法

前作〈天有多大？宇宙中的距離（1）—從地球到太陽〉提到，我們可以在金星凌日的時候，藉由「視差（parallax）」來量測地球與金星的距離，並間接得到太陽的距離。「視差」就是「因為觀察位置不同，讓看到位置也不同」的現象。讀者們可以試試看，伸出一隻手指頭比個「1」、放在眼前大約 50 公分左右的地方。接著兩眼輪流交替閉上。如果讀者們真的有照做的話，應該會發現手指頭相較於背景來回大幅度地跳動。仔細觀察的話，會發現背景並不是不動，只是幅度很小而已。

從這個實驗我們得到幾個結論：（1）從不同的眼睛看出去，看到的物品位置會不同。這個現象就是視差；以及（2）距離愈近的東西，這個差異會愈大，也就是視差愈明顯（如圖 1）。我們可以根據這個視差的效果，來推算出物體的距離。

其實這也就是我們的眼睛判斷距離的方法！每個不同距離的物品從我們的左右眼看出去的位置差異不同。這兩個影像經過大腦判斷後，我們就可以得到距離的資訊。這也是 VR 實境立體畫面的原理。開發者先計算出每個物件在各自的距離下，兩眼會看到的視差效果。接著根據計算結果給予兩隻眼睛看到不一樣的畫面，我們的大腦就會自動合成出立體的圖像！

「兩個觀察位置的距離」稱為「基線（baseline）」，會影響視差的效果。一般而言，基線愈長，看到的視差就愈明顯。前面說到：「距離愈近的物品，視差會愈明顯。」換句話說，距離太遠的東西，視差就愈不容易觀察到。天文學家盡可能的把基線拉大，在兩個相距很遠的地方觀察天體，才能更精確的得到這些天體的距離。金星凌日發生的時候，科學家就是在地球找兩個相距很遠的地點做觀測，才有辦法測量出較為精確的金星視差，換算成金星的距離，最後計算出地球至太陽的距離。

鄰近恆星的距離：視差法……？

恆星當然也有視差了。提到量測恆星的視差，一定要提到 16 世紀著名的丹麥天文學家第谷．拉赫（Tycho Brahe）。當時還是個在爭論「地心說」、「日心說」的時代。他想利用恆星的時差來推論「地球到底會不會動」。如果「日心說」是對的，那麼隨著地球位置的不同，應該要看到恆星的視差。如果「地心說」才是對的，那麼因為地球的位置不變，不管怎麼觀察，恆星都不會出現視差。

在「日心說」的假設下，最遠的兩個觀察點是哪裡呢？可不是地球的兩端，而是「相隔 6 個月的地球」！可以想像，如果地球繞著太陽每一年繞轉一圈的話，那麼相隔 6 個月的地球會在太陽的兩端，這個間距可比地球的兩端大多了（見圖 2）！既然兩個觀測點是地球在太陽兩端，就代表基線（兩個觀測點間距）就是 2 倍的「日-地距（地球到太陽距離）」。用前面的方法得到的「日-地距」愈精確，那麼藉由視差法測出來到恆星的距離就能愈準。

為了精密的量測恆星的位置，必須要有非常良好的天文台。第谷可是丹麥的貴族啊！他直接花錢蓋了一棟天文台來量測、紀錄星星的位置，卻發現怎麼樣都量測不出恆星的視差。這代表了兩個可能性，一個是「地球不動」，另一個可能性就是「恆星太遠」。第谷認為，如果恆星真的這麼遠，而我們在地球上還是看得到的話，這些恆星未免太大了！他認為這不太可能，因此認定「地球不動」。

那到底哪裡出錯了呢？用一個簡單的例子來說明：「拿捲尺去量一張紙的厚度，當然怎麼量厚度都是 0 公分啊！」其實第谷的推論完全合理，量測不到恆星視差的原因真的就是因為「恆星太遠」，所以視差太小而無法看到。從現代的數據我們可以回推他當時的情況，太陽以外最近的一顆恆星是位於「半人馬座」裡的「比鄰星（Proxima Centauri）」，距離是 4.22 光年。產生的視差比第谷使用的天文台精密度還要更小了好幾倍！他所推估這些恆星的大小從現在眼光來看也非不合理，只是真的難以想像。

現在的我們有了更良好的儀器，已經可以靠視差來推算恆星的距離了。不過視差法曠日費時，倒也不難理解，畢竟要有好的基線要等半年啊……而且儀器的辨識率也是有極限的，目前視差法的極限差不多是 10 微角秒（1 角秒為 1/360 度） ^[2]，相當於十億分之一度！換算成能量測到的距離極限，差不多是 1 萬 6 千光年左右。聽起來很多嗎？銀河系的直徑約 10 萬至 18 萬光年，這個距離極限連銀河系都看不穿。所以視差法雖然好用，但只能拿來測量鄰近恆星的距離（見圖 3）。

視差法是直接量測距離的盡頭了。想要把銀河系看穿、想要知道銀河系中其他成員們的距離，我們得開始「間接量測」。先做出一些物理學上的假設，才能夠「猜」出距離。想要知道更遙遠的距離，則需要更多的假設，這個概念叫做「宇宙距離階梯（cosmic distance ladder）」。下一篇文章中，我們將帶大家進行恆星的「人口普查」，並且利用普查結果來得到更遙遠的距離。

參考資料

1. pixabay / martinklass
2. wiki / Parallax
3. 網路天文館 / 恆星的距離測量

本系列其它文章
天有多大？宇宙中的距離（1）—從地球到太陽
天有多大？宇宙中的距離（2）—從太陽到鄰近恆星
天有多大？宇宙中的距離（3）—「人口普查」