神秘的黑暗物質即將揭曉

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

愛因斯坦對於宇宙的理解錯了嗎？

愛因斯坦的廣義相對論重新改寫我們對於時間、空間、與質量的認知，也開啟我們對廣大宇宙研究的大門。

在宇宙物理學如同大霹靂快速發展之時，我們也發現愛因斯坦最早提出的宇宙模型，可能並不完全正確。

正確來說，我們發現我們過去對宇宙的理解，可能真的太少了。少到我們至今所觀測到的所有物質，可能仍不到整個宇宙組成的百分之五。並不是說這些能量或物質距離我們太過遙遠，而是他們可能就在附近，而我們卻全然不了解它。

其中佔了將近宇宙組成七成的「暗能量」，到底是什麼來頭？我們能徹底了解它，同時能為我們宇宙的存在，提供一個正確的解釋模型嗎？又或者我們能掌握它，來改變宇宙的未來嗎？

暗能量（dark energy）到底是什麼？這聽起來有夠中二的名字，難道是暗影大人的新能力嗎？

其實暗能量的「暗」，指的是我們看不到也摸不到，用上各種波段的電磁波都察覺不到，甚至現今沒有任何儀器能偵測到它的存在。因為我們無法感受到它、不知道他們的型態，所以稱為暗能量。也就是說，如果暗影大人或是哪個最終 BOSS 的絕招是「暗能量波動」，當巨大的能量朝你襲來，不用擔心，站在原地就好，因為它只會穿過你的身體，打不中你的。同樣的，你可能聽過的「暗物質」，指的也是我們無法探知的未知物質。也就是說，暗物質並不是指某種特定物質叫做暗物質，任何我們現在還無法探測到的，都可能是暗物質的其中一種。題外話，近年某些暗物質面紗底下的容貌，已經逐漸能被我們窺見，例如微中子。這部分，之後我們介紹暗物質的節目中，再來好好討論，今天先來和大家聊聊佔了宇宙質能 7 成的暗能量。

矛盾大對決來了，既然我們摸不到，也看不到，我們怎麼知道暗能量存在，還是僅存在我們的中二想像中呢？我們得將時間回推到最早認為宇宙中有未知能量存在的那個人，他不是別人，就是鼎鼎大名的愛因斯坦。

1916 年愛因斯坦推導出廣義相對論，解釋物質和能量如何影響時空的彎曲和演化。愛因斯坦當時認為，宇宙應該是靜態的，但是若宇宙中只有物質，宇宙應該會受重力吸引而塌縮，因此需要與反向的能量來平衡重力，這股能量平均地存在在空間當中。愛因斯坦當時引入了宇宙常數 Λ 來平衡他的靜態宇宙模型，而直到非常近期的 1998 年，暗能量 (dark energy) 這個詞才由物理學家麥可．特納提出。

在愛因斯坦之後，著名宇宙學家傅里德曼提出不同看法，他認為宇宙不一定是平衡的，也可能正在收縮或膨脹當中，並根據廣義相對論推導出 Fridemann 方程式，關於 Fridemann 方程式的故事，先前我們有好好介紹過。

暗能量不只存在於理論上的預測，同時期天文學家開始發現我們熟知的銀河系，並無法代表整個宇宙，原來夜空中很多像星雲的天體，其實是遙遠的星系！宇宙遠比以前認為得大的太多了！1929 年，哈伯進一步發現，這些星系竟然正在遠離我們而去，而且距離我們愈遠的星系，遠離的速度就愈快！宇宙竟然真的是以地球為中心，而地球利用強大的排斥力，將其他星系用力向外推開嗎？當然不是，想像一下，宇宙就像一個葡萄乾麵包，上面布滿的葡萄乾就是各種天體，當麵包發酵膨脹時，不論站在哪顆葡萄乾的視角，所有天體的距離都是互相拉遠，而且距離愈遠的天體，彼此遠離的速度就愈快。

也就是說，哈伯觀測到的結果顯示整個宇宙正在膨脹。但還有一個問題，就是這個宇宙的膨脹速度，是隨著時間經過越來越快的加速膨脹，還是膨脹速度正隨著時間在趨緩的減速膨脹呢？為什麼這個問題很重要？因為如果是減速膨脹，靠現有的重力理論就可以解釋，宇宙中天體所提供的重力，正在使宇宙減速膨脹，甚至宇宙的結局可能會是宇宙重新塌縮。但如果宇宙正在加速膨脹，那麼只考慮重力就不夠了，為了抵抗向內塌縮的重力，勢必要有一股力量要將宇宙向外加速推開。這時，就需要加入暗能量的存在了。

宇宙真的正在加速膨脹？

為了確認宇宙正在減速或加速膨脹，好推算暗能量是否存在，科學家再次將目光投向宇宙深處。隨著觀測技術愈來愈進步，天文學家可以透過不同方式，觀測更早期的宇宙。

愈遠的天體發出的光，需要經過愈長的時間才能傳到地球。假設我們觀察離地球1億光年遠的星球，由於我們看到的影像是從星球出發後，經過 1 億年後才到達地球，因此在望遠鏡中看到的，其實是該星球一億年前的樣子。只要利用這點，如果我們將望遠鏡頭對向更加遙遠的宇宙深處，就能看到更早期的宇宙樣貌，幫助我們了解宇宙過去的樣子。

科學家主要透過三種方法，分別用來觀測晚期、中期、到早期的宇宙。第一種方法是觀測 Ia 型超新星爆炸，它指的是當一顆緻密白矮星到了生命末期，吸收大量鄰近伴星的氣體，使得內部重力超過某個極限，引發失控的核融合而形成的超新星爆炸。這個爆炸會在瞬間釋放出許多能量，亮度甚至可以媲美整個星系，因此即使是很遙遠的超新星也可以被地球觀測到。最受天文學家關注的是，因為每個 Ia 型超新星爆炸時產生的尖峰光度都相同，可以直接作為觀測或是亮度的比對參考點，又稱為標準燭光。當它離我們愈遠亮度就愈小，只要觀測亮度就可以得知它離我們的距離。

接著，透過光譜分析，我們還能得到這個超新星遠離我的的速度。這就像是救護車在靠近和遠離我們的時候，警笛的聲音頻率會因為我們和救護車相對速度的改變而產生變化，同樣的道理放在電磁波上，當超新星遠離我們，電磁波頻譜的頻率會下降，我們稱為頻譜「紅移」。最後，只要我們同時觀測好幾顆超新星，並且量測每一顆的距離和遠離我們的速度，看看是不是真的離我們越遠的超新星離開的速度越快，就可以知道宇宙正在加速或是減速膨脹。

第二種方法是觀測宇宙大尺度結構，宇宙中星系的分佈其實是不均勻的，有些地方有星系團，也有一些地方是孔洞，整個宇宙就像是網子一樣。這是因為宇宙在形成星系時，向內的重力以及向外的氣體與光壓力會彼此抗衡，就像我們在擠壓彈力球一樣，向內壓時內部壓力會增強，導致物質向外拋射，壓力減弱後又會停止拋射，這樣來回震盪的過程，就在宇宙中形成一個個震波漣漪，稱為重子聲學振盪（BAO，baryon acoustic oscillations）。有趣的是，當好幾個地方都在震盪，就會產生類似好幾個水波互相撞在一起的干涉現象。而這個宇宙規模的超大水波槽中，波腹部份聚集較多物質就會形成星系團，波節部份不足以形成星系就形成孔洞，是不是覺得我們的宇宙就像是一鍋湯，而我們只是裡面毫不起眼的一顆胡椒粒呢？不過即使是連一粒胡椒都不如的我們，透過觀測宇宙星系分布並透過理論計算，人類科學家還是可以得知這些結構的大小，並且推知這些結構上的星系距離我們多遠，最後再搭配紅移光譜，一樣可以算出宇宙膨脹的速度。今年七月升空，11 月 8 號從太空傳回第一張照片的歐幾里得太空望遠鏡，它的其中一項任務，就是專門觀測重子聲學振盪，來研究宇宙大尺度結構。歐幾里得太空望遠鏡有望帶給我們對宇宙的全新認知，關於這一部分，我們很快會再來深入介紹。

第三種方法是透過觀測宇宙微波背景輻射，它是宇宙的第一道曙光，在此以前，宇宙能量很高，光和電漿相互作用，不會走直線。但是到了宇宙三十八萬歲時，宇宙已經冷卻到足以讓電子與原子核結合，宇宙終於變得乾淨了，光也終於可以走直線。而三十八萬歲時的早期宇宙的畫面，至今仍不斷經過遙遙 137 億年的時間抵達地球，被我們觀測到，稱為宇宙微波背景輻射。有趣的是，根據這些照片，我們能發現早在 137 億年前，宇宙各處就不是均勻的。透過分析這些微波的分布，科學家能計算出當時宇宙的組成成份。這時我們發現，目前的已知物質，也就是元素週期表上看得到的原子，只佔所有能量的 4.93%，而看不到的暗物質，佔 27.17%，那還有 67.9%，將近七成的組成分是什麼？科學家認為就是暗能量。

哇！暗能量佔的比例這麼高？那我們未來有機會從空間中汲取無限的能量嗎？先不要想的這麼美，其實暗能量在宇宙中的密度很低，依照質能等價公式，質量跟能量是可以互相換算的。換算下來暗能量每立方公分只有 10 的負 24 次方公克，相比之下，水的密度是立方公分 1 公克！真的微乎其微。之所以暗能量在宇宙中佔的能量比這麼大，是因為它均勻的存在在廣大無垠的宇宙中，不像一般的物質，只集中在一些星系和星體中。

現在我們知道暗能量存在，而且量也不少，但回到最關鍵問題，這些暗能量到底是怎麼來的呢？

宇宙與暗能量的未來

科學家普遍認為暗能量是來自「真空能量」，根據量子力學，我們過往認為的真空，其實會不斷短暫的出現粒子並消失。而這些量子漲落便會產生真空能量。雖然這聽起來很玄，但各位看完我們的影片並按下訂閱之後，這些訂閱數就一定會是真的。都看到影片最後一段了，就拜託大家再多動一下手指吧！

而量子力學除了能在真空中產生真空能量以外，這個過程甚至可能幫助我們開啟蟲洞！關於真空能量與時空旅行的關係，可以參考我們的這一集哦（閃電俠）。

為了重新認識我們的宇宙，科學家此時再次拿出了宇宙常數 Λ 和 Fridemann 方程式，建立了一個可以完美解釋前面三種觀測結果的模型－ΛCDM 模型。

ΛCDM 是近代在解釋宇宙微波背景輻射、宇宙大爆炸時，最常被使用的理論。目前對於宇宙歷史與加速膨脹的圖像，也都基於此模型。

不過 ΛCDM 理論仍有兩個致命的問題待解決。第一個是理論中的宇宙常數 Λ，應該要與位置、時間無關，是一個不隨時間變化的常數。然而針對觀測早期和晚期宇宙所計算出來的宇宙常數數值卻不一樣，要如何解釋這個觀測差異？第二個問題是，假設暗能量是真空中的量子漲落所造成，依此推算出的宇宙常數數值，還跟觀測差了 120 個數量級！也就是 10 後面有 120 個零，整個宇宙中的原子數量也才 82 個數量級而已！

因此科學家也提出其他可能的暗物質理論。比如認為暗能量不是來自真空能量，而是由一種未知的粒子場所驅動，而這個場與時間有關，導致早期和晚期宇宙的觀測結果有差異。還有人認為根本沒有暗能量存在，宇宙會膨脹，是因為愛因斯坦的廣義相對論在宇宙學這種大尺度中是不適用的！就像牛頓的萬有引力公式在地球上管用，到了太陽系規模就會出現誤差。或許在宇宙規模還有比廣義相對論更完備的其他理論等待我們發現！另一派科學家也認為沒有暗能量，我們會看到加速膨脹，只是因為銀河系剛好位於宇宙大尺度結構的孔洞中，也就是葡萄乾麵包裡面空氣比較多，口感比較鬆的地方，由於這個地方總體重力比較小，天體也就是葡萄乾之間向外膨脹的速度比較快，但不代表整個葡萄乾麵包都在加速膨脹，宇宙加速膨脹只是局部觀測的假象。

這些理論或許可以解釋部份的問題，但沒有一個能解釋所有觀測數據，而且由於觀測的限制，這些理論都缺乏數據的佐證。因此目前我們只能說，暗能量的效應確實存在，但我們還不知道它確切是什麼。

有人可能想問，研究暗物質對我們真的那麼重要嗎？其實，它不只影響了宇宙過去演化的歷史，也影響著我們將來的命運。由於宇宙膨脹，物質的密度會因為膨脹被稀釋，但如果暗能量是常數，就代表密度不會改變，因此宇宙會膨脹的愈來愈快，導致遙遠的星系加速離我們遠去，最後暗能量會超過所有的基本作用力，包括重力、電磁力和核力，星系、太陽系、地球都將被拉開，甚至中子和質子都互相分離，使原子不復存在，進入大撕裂時期，也將是宇宙最孤獨的結局。不過這是一百多億年後的事情，在那之前地球會先被死去的太陽吞沒，我們應該要先煩惱的是要如何移民其他星球才是。

最後總結一下，暗能量到底是什麼？很抱歉，經過了幾十年的努力，這個問題依舊是一個問號，但藉由宇宙學的研究，使我們更謙卑更加發覺自身的渺小，我們或許已經掌握許多物質運作的原理，也開發出許多高科技產品，但這些只是整個宇宙的 5% 仔，宇宙中還有許多未知等待我們去探索，而它深深關係到我們的過去和未來。

歡迎訂閱 Pansci Youtube 頻道 獲取更多深入淺出的科學知識！

• 解析北京清大「推翻 」方程式背後深意！白紙革命爭自由民主平等
• https://arxiv.org/pdf/1807.06209.pdf
• https://news.harvard.edu/gazette/stor…

古典熱力學的擁護者——馬克斯．普朗克

普朗克的故事始於柏林的威廉皇帝學會物理系，就在 20 世紀到來之前。

普朗克是普魯士科學院的院士，非常保守。他沉浸在古典物理的傳統方法中，並且是熱力學的熱情擁護者。

事實上，從 1879 年（愛因斯坦誕生的那一年）發表的博士學位論文，到 20 年後他在柏林的教授生涯，他幾乎只致力於熱力學定律相關的問題。他認為熵的第二定律比一般所認為的還要更深入、廣博。

黑體問題的絕對性和普遍性吸引了普朗克。看來合理的論證表明，在熱平衡狀態下，輻射強度和頻率的關係曲線應該與腔體的大小或形狀無關，也應該與腔體的材料無關。

該公式應該只包含溫度、輻射頻率和一個或多個通用常數，這些常數在任何腔體或腔體顏色下，都是相同的。

找到這個公式，就意味著在理論中發現一個相當根本的關係。

歷史已經證明普朗克的見解甚至比他所想的要深入得多。1990 年，科學家使用 COBE 衛星測量了宇宙邊緣的背景輻射（即大爆炸遺留的輻射），並發現與他的黑體輻射定律完全吻合。

前原子時代的物質模型

普朗克知道他的朋友海因里希・魯本斯和費迪南德・科爾鮑姆的測量結果非常可靠。

普朗克首先在腔壁上引入電振子*的概念，在熱攪動下來回振動腔體壁。（*注意！此時對原子仍一無所知。）普朗克假定所有可能的輻射頻率都會出現。他也預期溫度更高時，平均輻射頻率也會增加，因為腔壁受熱會使振子振動得愈來愈快，直到達成熱平衡為止。

電磁學完整解釋了輻射的放射、吸收與傳播，卻沒有說明熱平衡時的能量分布。這是熱力學的問題。普朗克做出了某些假設，找出振子的平均能量與熵之間的關係，從而得出一個計算輻射強度的公式，他希望這個公式能符合實驗結果。

普朗克試著利用歸納的方式，改變對輻射熵的表達方式，最後得出了可描述整個頻率範圍輻射強度的新公式。

海因里希・魯本斯也參與了這場歷史性的研討會。他立刻回家將自己的測量結果與普朗克的公式比對。經過一整晚的努力，他發現數據與公式完全符合，隔天一早便通知普朗克。

普朗克找到了正確描述輻射定律的公式，很好。但他現在能利用這個公式，找出潛藏其中的物理嗎？

——本文摘自《大話題：量子理論》，2023 年 3 月，大家出版出版，未經同意請勿轉載。