為愛與夢想燃燒的はやぶさ-隼鳥號(上篇)

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！

在上一篇中，我們介紹了將在 2023 年發生的五個醫藥健康大事件。

延伸閱讀：
用迷幻藥治憂鬱？基因編輯療法將通過批准？——2023 最值得關注十大科學事件（上）

這次我們轉向能源、宇宙與科技領域，從首趟平民月球之旅、物理學的標準模型新發現，再到第一個核廢料永久儲存設施正式營運！

No. 5 氣候與能源衝擊

世界各國能否聽從科學家的警告，採取實際行動，朝淨零之路前進嗎？看起來不行。由於疫情與俄烏戰爭，去年 11 月在埃及舉辦的「聯合國氣候變化會議 COP27」幾乎是原地踏步。

不過還是有一個重要的決議，那就是建立氣候損失和損害基金。根據協議，排放量較高的富裕國家將在經濟上補償受氣候變化影響最大的貧窮國家。「過渡委員會」將於 2023 年 3 月底前舉行會議，提出資金運用的建議，並在 11 月的 COP28 會議上提交給世界各地的代表。

至於核能的部分，新型核分裂發電與核融合發電，都會在 2023 年有所進展。

另外，世界上第一個核廢料儲存設施，今年將在芬蘭西南海岸外的奧爾基洛托島正式啟用。這個由芬蘭政府於 2015 年批准建造的地下處置庫，將負責封存超過 6500 噸有放射性的鈾；這些鈾會被裝在銅罐中，再用厚厚的粘土覆蓋，最後埋在地下 400 公尺深的花崗岩隧道內，預期將被密封數十萬年，直到輻射水平達到完全無害的程度。

另一個好消息是，今年 1 月 1 日就任的巴西總統——魯拉（Luiz Inácio Lula da Silva），將推翻前任總統開放的雨林開發，保護生態與文化。

然而深海則有新危機。若 2023 年 7 月前，聯合國的國際海床管理局（ISA）沒能讓各國對深海採礦管理準則達成共識，那海底的礦產資源可能會被某些政府和企業盯上，不受限制地開挖，海洋生態將迎來浩劫……。

許多關於能源的抉擇包含了科學和政治，能源短缺也激勵了綠能跟潔淨能源的投資力道及採用意願；至於今年還會不會發生更棘手的麻煩？使能源轉型更加舉步維艱。

No. 4 超越標準模型

2022 年 4 月，美國費米國家加速器實驗室的物理學家，公佈了渺子 g-2 實驗的首批結果；這項實驗研究了被稱為「渺子的短命粒子在磁場中的行為」。

過去 50 年來，標準模型（Standard Model）^[註]的理論預測通過了所有測試，但其實物理學家普遍認為標準模型肯定還不完備，並且認為可以從渺子身上找到破綻；如果今年再次公佈更精確的數據，顯示渺子的磁矩比理論預測來得大，那就代表還有新粒子等待被發現，而標準模型就得修正。

位於中國廣東的江門地下的微中子實驗觀測站，也將在今年展開尋找超越標準模型的物理學之旅；利用位於地下七百公尺的探測器，來準確測量微中子的振盪。

註：標準模型為能描述強核力、弱核力、電磁力這三種基本力，以及所有物質基本粒子的理論。

另外，物理學家們在今年會有升級的新設備。第一個是 LCLS-II 直線加速器相干光源 2 代（Linac Coherent Light Source-II），它將創造終極 X 射線機器，看到分子內原子的運動！另一個則是新的重力波獵人—— Matter-Wave Laser Interferometric Gravitation Antenna（物質波雷射干涉重力天線）；這個設施把銣原子冷卻成「物質波」，能夠梳理黑洞和其他超大質量天體碰撞產生的時空漣漪，揪出現有重力波設施錯放的事件，甚至可以幫我們尋找暗物質！

而在瑞典隆德附近、由歐洲 17 國攜手成立的歐洲散裂中子源（ESS），將使用史上最強大的線性質子加速器產生強中子束，來研究材料的結構；雖然預計 2025 年才會完工，但於今年迎來第一批研究人員，開始實驗。

No.3 就是要抬頭看天空

許多人心中 2022 年科學事件第一名，正是韋伯太空望遠鏡傳回的驚人照片；沒有意外的話，韋伯在 2023 年會繼續大顯身手，揭露星系演變的真相，與遙遠系外行星的生命印記，找尋地球之外的生命。

今年還會有更多驚喜！來自於新的太空望遠鏡，如：由歐洲太空總署開發的歐幾里得太空望遠鏡，今年發射後將繞行太陽六年，拍攝宇宙的 3D 圖；日本宇宙航空研究開發機構 JAXA 的 X 射線成像、光譜任務 XRISM，則是繞地球軌道運行的太空望遠鏡，將探測來自遙遠恆星和星系的 X 射線，預計在今年 4 月升空。

在地球上，位於智利的薇拉魯賓天文台（Vera C. Rubin Observatory）將於今年 7 月啟用；其望遠鏡採用特殊的三鏡面設計，相機包含超過 30 億像素的固態探測器，每三個夜晚就能掃描整個南天，也是監測可能危害地球小行星的守護者之一。而世界上最大的可動望遠鏡——新疆奇台射電望遠鏡（QTT）也將在今年完工；其口徑達 110 公尺，能夠觀測天空中 75% 的星星。

No. 2 好多月球任務，還有一個鐵小行星

2022／12／11 這天，包括阿拉伯聯合大公國的拉希德漫遊者月球車、NASA 的月球手電筒立方衛星、以及日本的白兔 HAKUTO-R M1 登陸器，共同搭乘 SpaceX 的獵鷹九號發射升空；HAKUTO-R 如今正緩緩帶著拉希德前往月球，預計在今年 4 月著陸。

而印度太空研究組織 ISRO 的第三次探月任務月球飛船 Chandrayaan-3，預計今年年中發射，並於月球的南極著陸。

還有首次民間人士的月球之旅 dearMoon。SpaceX 的 Starship 將載著 11 位平民上太空，包含創業家、明星跟 YouTuber；如果 Starship 成功發射，將會成為史上最大的火箭。Blue Origin 的 New Glenn 也預計在今年首度發射。若兩者都成功，將推動太空科學與商業進入新時代，讓進入太空的成本大幅下降。

歐洲太空總署的木星冰月探測器 JUICE 也將在今年 4 月升空，並於 2031 年抵達木星系統；目標是研究木星以及三顆衛星：木衛二三四的環境，了解他們有沒有可能支持生命存在。

NASA 將於今年 10 月後發射延遲了一年的 Psyche 靈神星小行星軌道飛行器，其研究對象為 16 Psyche 靈神星小行星；科學家認為它可能不是一般的小行星，而是一顆年輕行星裸露的鐵核心。如果今年順利發射，將在 2029 年到達。 

看來對太空迷來說，2023 又將是幸福熱鬧的一年。

No.1 GPT-4 跟 AlphaFold 的衝擊波襲來

借過借過，AI 已預約登上 2023 年最大科學事件！

如果 GPT-3.5 開發的 ChatGPT 還沒有嚇到你，那 GPT-4 就要來了！

而在科學領域，DeepMind 的 AlphaFold 帶來的衝擊不亞於 ChatGPT；它能夠根據蛋白質的一維氨基酸序列，準確預測折疊後的三維形狀，對生物與醫療研究影響非常大。 AlphaFold 2 於 2021 年發布了另外 2 億多種蛋白質的結構，幾個月來，來自 190 個國家／地區、超過 50 萬名研究人員，使用 AlphaFold 研究了 200 萬種不同的蛋白質結構。另外，Meta 的 ESMFold 的速度甚至又比 AlphaFold 快 60 倍，預測的蛋白質超過 6 億種！

基於 AlphaFold 跟 ESMFold 的研究量將大大增加，這些龐大新知識也將開始應用於各學科，包括新疫苗和塑膠開發。

法規管制總是比科技進步緩慢，隨著 AI 越來越強大、滲透到社會的方方面面，各國政府必須回應。歐盟在今年將通過人工智慧法案，為使用人工智慧制定標準，其他國家和科技巨頭將密切關注，跟進與調適。

以上就是「2023 最值得關注十大科學事件」，你最期待的是哪一個？哪個是你心中的 No.1？又有哪些我們漏掉了，但你覺得該列入的呢？歡迎留言討論！

歡迎訂閱 Pansci Youtube 頻道 鎖定 2023 年的每一個科學大事件！