很深很深很深…的洞裡頭會有暗物質嗎？

• 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。

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！

參考資料

• 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…

功與工作

有些大家慣用的字彙常常會被專業學科借用，專家賦予這些字新的定義，比平常的意思更具體、也更有技術性。物理學有個例子是「功」（work）。如果向一個粒子施加定力，並推動一段距離，你所做的功就定義為施力（沿著粒子運動方向的分量）乘上粒子移動的距離。

這是個很具體的物理量，實際上也是能量的一種形式。做多少功，物體的能量就會增加多少。顯而易見的，這個定義和日常生活中我們對工作（work）的理解有點相關：世人為了完成一些目標（大多是想獲取金錢報酬），而費心費力工作。

不過，物理所講的功有明確的意義，使用的範圍也很清楚；相較之下，平常大家說的工作的意思就有些模糊，泛指很多事情。

動力與動量

動量（momentum）這個字看來不太一樣。物理學的動量是 γmv（相對論的珈瑪符號乘上物體靜止質量、再和物體速度相乘），是一種量化方式，用來描述粒子以已知速率往某個固定方向持續前進的傾向。若粒子的速率遠比光速小，γ會非常接近一， 所以能省略掉。

而更廣義的動力（momentum）用來指稱政治運動，或其他社會變動及政策背後的推力。同樣的，一件事的動力愈大，也暗示它愈難停下。不過，這些領域都沒有明確定義何謂「動力」。

物理學中的「場」

到目前為止，我試著不要太常用一些字，但在之後的章節這些字會很常出現。其中一個就是「場」（-eld）。通常場是一片平坦土地的代稱，上頭種了些植物，可能有農夫在照顧，也許還會有幾頭乳牛。

此外這個字也可以代表特定的研究領域或專業，往前翻你就會知道我已經用過這個意思了。這兩個意思其實也可以合併使用，像在解釋稻草人為什麼可以獲得終生教職的時候，就會用到。

物理學的「場」有個更技術性，但還是和前面意義相關的定義。物理學家說的場是個物理量，在空間中某個區域的每個點上都有特定的對應值。如果你待在一個房間內，就可以用各式各樣的場來描述這個環境。身為一位物理學家，你或許會這麼做：

首先你要想出一個方式來明確指出房間中的每一個點。有個好辦法是先選定房間地面的某個角落為「原點」。

然後選取交於原點的其中一個牆面，沿著地面平行於這面牆的方向走過一段距離（稱為x）；接著再順著平行另一面牆的方向走一段（稱為y），你就能碰到地上所有的點。進一步的，只要往上走段距離（叫作z），就可以抵達房間內所有的點了。你需要的只有三個數字：x、y、z。

幾種有用的場

現在可以來談談幾種有用的場了。舉例來說，溫度就是一種場，房間裡的每一點都有一個溫度值。假設平均來看，我們說房內的溫度是攝氏二十一度；如果房間中每一處的溫度都和平均值一樣，那麼你得到的就是一個常量場（constant field）：場的值和點的位置無關，也就是和x、y、z沒有關係。

然而，天花板附近的溫度很有可能比地面的高出一點，因為熱空氣的密度比冷空氣小，會升向天花板。我們可以用某個場來描述溫度與高度的關係，好比T(z)，換句話說，溫度T只和高度z有關。

T是z的函數（function。另一個生活常用字「功能」，這次是被數學家借去用了），可能像T(z) =20.5 + 0.5z，這裡的z以公尺為單位、而T以攝氏溫標（℃）為單位，舉例來說。在兩公尺高的房間內，地面的溫度是 20.5 + 0.5×0 = 20.5℃，而天花板的溫度則是 20.5 + 0.5×2 =21.5℃。

至於天花板和地板之間其他每一點的溫度，都可以用這個溫度場的函數計算出來。其他的場可以用來描述不同的事情，好比空氣密度，或甚至是噪音量。

以上所談的場在每個點都只由一個數字代表。這些場有大小，卻沒有方向。因此我們稱它為「純量場」（scalar -eld）。「純量」（scalar）代表只有大小、卻沒有方向的東西。

某些種類的場則擁有方向，我們叫這種場為「向量場」（vector field）。我之前有提到一些向量場的例子，像是大型強子對撞機的磁鐵製造的電場與磁場。這個房間也有重力場這個向量場。重力場在房內的每一點都有個值（力的大小大約是每公斤九．八牛頓），以及方向（指向地面）。

實際上，電場和磁場都是量子場，重力場可能也是，但科學家還不清楚相關理論。在日常用途中這件事常被忽略掉，但如果你在極小的尺度下觀察這些場，就會發現它其實不是個數值連續體，而是底層的量子場中一連串離散（discrete，意思是不連續，如階梯般一級一級，而不是如漸層色彩一樣柔和變化）的量子、或激發（excitation）的總和（疊加）。

這些激發有點像是波又有點像粒子。電磁學的量子理論―量子電動力學擁有兩個場，分別是光子場以及電子場。我們量測到的電磁波，或是獨立的光子及電子，都是這兩個場的激發。這裡我們又看到一個科學家借用日常名詞的例子。很明顯「激發」和平常我們的用法緊密相關，因為量子場論是個扣人心弦（exciting）的理論。

無論是不是量子理論，場的概念都是一樣的。場是個物理量，在你感興趣的空間範圍內的每一點，都擁有對應的值，可能是單純的數值或是很多個量子的總和。

——本文摘自《撞出上帝的粒子：深入史上最大實驗現場》，2022 年 12 月，貓頭鷹出版，未經同意請勿轉載。