PanSci 360活動心得：謝謝你，曉明女中。

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

• 賴昭正／前清大化學系教授、系主任、所長；合創科學月刊

在第一本書中，我將描述球體的所有位置，以及我歸因於地球的運動，因此本書可以說是包含宇宙的一般結構。 在剩餘的書中，我將其它恆星和所有球體之運動與地球的移動性聯繫起來，這樣就可以確定如果歸因於地球的運動，它們的運動和外觀可以保存到什麼程度。

－哥白尼（Nicolaus Copernicus，1473 – 1543）

隨便找個國中生問：「地球是宇宙的中心嗎？」相信他們都會回答說：「不是。地球除了自轉外，還在繞著太陽公轉。」可是如果你緊接著問：「你怎麼知道它在動呢？」相信大部分的國中生（甚至大學生）可能就不知道怎麼回答了：「嗯⋯這？⋯那？⋯？？」

這事實上是一個非常難以回答的問題，因此雖然早在公元前 250 年希臘天文數學家阿里斯塔克斯（Aristarchus ，公元前 310 – 230）就曾經提出地球繞日說，但這一理論不但不為大眾所接受，還給他帶來了一生的嘲笑。

而希臘數學家歐多克索斯（蛇床子，Eudoxus of Cnidus，公元前 410 – 347）於公元前 380 年左右提出以不動之地球為中心的宇宙模型則幾乎統領了以後 2000 年的宇宙觀！

1543 年，波蘭哥白尼基於在數學上處理起來比較簡潔，在德國紐倫堡出版六本題為《De Revolutionibus Orbium Coelestium》（論天體運轉）之書，提出日心系統，謂地球不在宇宙中心之特別位置，而是與其它行星一起在圍繞太陽的圓形軌道上運動。

此後經伽利略（Galileo Galilei，1564 – 1642）、開普勒（Johannes Kepler 1571 – 1630）、及牛頓（Isaac Newton,1643 – 1727）等天文數學家的發展，地球繞日說不但慢慢地為天文學家所接受，也漸漸成為主流的宇宙觀。但這些發展似乎都是紙上談兵而已，並不是真正的觀察實驗結果。

有什麼方法可以證明地球是在動的呢？

加速度運動

相信大部分的讀者都有下面的經驗，那就是坐在平穩（等速）直線行駛的車廂內不會覺得火車在動；如果那個時候旁邊也有一輛類似的火車經過，我們根本無法知道到底是誰在動。

事實上不止不會覺得火車在動，伽利略早在四百多年前就告訴我們：不管在車廂裡做任何實驗都沒有辦法偵測出火車在動的（相對論）。但是如果火車突然加速，我們便可立即警覺到火車在動。

圓周運動因為運動方向一直在改變，所以不是直線運動，而是一種加速度運動。坐遊樂場所裡的旋轉木馬之所以有被往外甩的感覺便是因為加速度造成的。地球的自轉及公轉都是圓周運動，我們不是也應該有被往外甩的感覺嗎？

高中物理告訴我們圓周運動的加速度 a 為

上式中的 v 為圓周上物體的運動速度，r 為圓半徑。地球自轉運動最厲害的地方在赤道上, 將其值及地球半徑代入上式，得地球自轉在赤道上的加速度為 0.033 m/s²，只有重力加速度 9.8 m/s² 的 300 分之 1 而已。

這加速度需要 14 分鐘才能將車子或火車從零加速到時速 100 公里（「高性能」車子大約只需十秒鐘），我們能感覺出來嗎？此一往外甩的慣性力【常被稱為「離心力」（centrifugal force）】與重力方向相反，因此如果有非常精確的體重機，原則上可以讓我們測出赤道上重量減輕，證明地球在自轉的。

將地球公轉的平均速度及半徑代入上式，則得地球公轉的加速度為 0.006 m/s²，與重力加速度一比更是微乎其微。所以想靠地球自轉及公轉的加速度來偵測地球在動顯然是相當困難的。

恆星視差

坐火車的人都有這一經驗：窗外比較近的東西從眼前飛過，越遠的東西就越不動。所以如果火車是從左往右，當你比較圖一中遠近不同之 A、B 兩點的相對位置時，你將發現中非常遠的 A 點不動；但是比較近的 B 點則會從 A 之右邊 B’ 移到 A 之左邊 B”。事實上這視差與火車動不動無關，而是因 A、B、及觀察者三者的相對位置而異。

同樣的道理，因為地球繞太陽公轉，我們可以在兩個不同的軌跡點（例如夏至及冬至兩點）看到這「恆星視差」（stellar parallax）現象（圖一）。1838 年，德國天文學家貝塞爾（Friedrich Bessel）成功測量了天鵝座（Cygni）61 號恆星的視差，證明地球並不是一年四季都在同一個位置。當然，不在同一個位置表示「動過」，所以間接地證明了地球在動。

星光像差

站在大雨筆直而下的大街上時，你只需將雨傘直接舉過頭頂即可保持乾爽。可是當你開始走路時，你便必須將雨傘朝行走方向傾斜以免被淋濕，走得越快，傾斜度就需要越大。如果不知道雨是垂直而下（對地球而言），你將誤以為雨是從前方傾斜而至（對你而言）。

同樣的道理。當地球繞太陽公轉運動時，我們也可以檢測到與運動速度有關之入射星光的「傾斜」（見圖二）——在天文學上稱為「星光像差」（stellar aberration）。因為地球一年四季的運動速度不同，所以「像差」也將因之而異。。

1725 年起，英國天文學家布拉德利（James Bradley）及同事一直在努力想測量天龍座伽馬（Gamma Draconis）的視差；他們雖然沒有找到預期的現象，但卻發現天龍座伽馬在三天內往「錯誤」的方向移動了驚人的弧度。在同事去世後不久，布拉德利終於意識到這無法用視差來解釋的現象是：因地球在恆星方向運動速率不同之「光像差」（light aberration）和光速有限所引起的。

布拉德利於 1729 年元月向英國皇家學會宣布此一首次確鑿證明地球在「動」的發現，提供了阿里斯塔克斯、哥白尼、和開普勒理論正確性的觀察證據。巴黎天文台台長德蘭布爾（Jean Delambre）認為這是「（18 世紀）最輝煌、最有用的發現」；在其 1821 年所出版之《18 世紀天文學史》中謂：「正是由於布拉德利的這⋯發現，我們才有了現代天文學的準確性。」 

傅科

最能夠直接證明地球每日自轉的實驗是「傅科擺」（Foucault pendulum）。法國人傅科（Léon Foucault，1819 – 1868） 小時候對學校功課沒興趣，喜歡自己在家建造玩具和機器。1839 年進入巴黎醫學院，看到血就昏暈，因此只好放棄從醫。但指導教授多內（Alfred Donné）慧眼識英雄，把他留聘為助手從事研究，兩人於 1845 年合作出版了《顯微鏡課程》(A Course of Microscopy)。

傅科與多內的合作開啟他作為科學傳播者的職業生涯：多內退休後，傅科成為具有影響力之《辯論雜誌》(Journal de Débats ) 的科學編輯，接替了多內向公眾報導最新科學領域發展的角色。透過每週生動地報導巴黎科學院會議，傅科很快引起了公眾和科學精英的注意，包括了法國具有影響力的數學家和政治家阿拉戈（François Arago）。

1850 年傅科突發出奇想：如果能夠設計出一個鐘擺，其頂點雖可以隨地球上的支架移動，但能完全自由轉動（也就是與支架間的旋轉摩擦力為零）；那麼鐘擺一旦開始擺動，因為不會跟著地球旋轉，地球將在其下方旋轉——但對地球上觀察者來說，將是擺動平面在旋轉。1851 年元月，傅科在家中地下室成功地建造了這樣一個鐘擺後，阿拉戈要求他在巴黎天文台也裝置一個。

不久後，巴黎的每一位科學家都收到了前往巴黎天文台參觀鐘擺的邀請。在天文台進行實驗證明地球確實在旋轉的 1851 年 2 月 3 日，阿拉戈也向科學院宣讀了現在稱為「傅科擺」的論文。幾週後，傅科在巴黎萬神殿（Panthéon）的圓頂上用一根 67 米長的金屬絲懸掛了一個重 28 公斤的黃銅塗層鉛擺，又復製了一個「傅科擺」（圖三，註 1）。

傅科擺的物理

台灣早期科教館曾經展示過「傅科擺」，現在已經找不到了。但相信許多讀者都曾在世界其它各地（如北京或廣州）看過。如果在北極的正上方掛一個「傅科擺」，我們很容易直覺地了解地球將在其下方以 24 小時的週期旋轉。將鐘擺掛在赤道上某一點的正上方，則它只受到地球自轉的前進推力（見後），筆者還可以了解（看出）地球在其下方不會旋轉；但筆者很難想像掛在台北的上空時，地球如何在其下方旋轉？

在忘寢廢食之苦思後，筆者終於領悟到伽利略 1630 年用來錯誤地「證明」地球在動的例子，事實上正是解釋 1851 年「傅科擺」的最佳工具。一個往東方前進之逆時針方向旋轉輪子，在任何一瞬間，對「一位靜止不動的旁觀者 A」來說（圖四左），最上方那一點的速度應該比中間點慢，最下方那一點則比中間點快（註 2）。

但是對於與輪子同時前進、但不旋轉之中間觀察者 B 來說（圖四中），兩個向量相減的結果，上方那一點的速度將是往左，下方那一點的速度則是往右，這正是為什麼他只看到輪子在逆時針方向旋轉的原因。對一位隨輪子旋轉及前進之中間觀察者 C 來說，則輪子不轉不動：如果觀察者 B 不是一個數學點的話，將依順時針方向旋轉（圖四右，註 3）！

地球自轉造成台北 101 大樓往右的旋轉推力；大樓南方因為旋轉圈子比正上方的中間點大，速度因之比中間點快；反之，大樓北方則因為旋轉圈子較小，速度應比中間點慢（圖五白色箭頭）。所以對旁觀者 A 來說， 101 大樓中間點及南、北方兩點之表面速度如圖四左所示；圖四中則為觀察者 B 所看到的：整個台北（地球表面）在圍他逆時針方向旋轉。

住在地球上的我們當然是隨著台北地球表面旋轉的觀察者 C：整個台北不轉不動，B 在順時針方向旋轉；如果 B 是「傅科擺」（記得掛它的條件嗎？），則是鐘擺平面在順時針方向旋轉！同樣的原理我們可以推論到：「傅科擺面」在北極會順時針方向旋轉（週期 24 小時）；在赤道上不旋轉（因南、北方兩點之速度一樣）；越北的「傅科擺」週期越短（因南、北方兩點之速度差別越大，註 5）。

結論

在「加速度運動」一節裡，我們談到了地球的自轉及公轉所產生的效應在日常物體的運動中，因與其它力相比太小了，很難偵測到。但在長距離和長時間的大規模運動中（如大氣中之空氣或海洋中之水），它還是可能脫穎而出變得很明顯的，例如海邊高（低）潮之所以每天出現兩次，正是因為地球自轉的關係（註 2）。

又如時常發生在台灣之熱帶氣旋（颶風）的形成，事實上也正是因地球自轉之故：在北半球產生逆時針的氣旋（註四），在南半球將產生順時針的氣旋。但赤道附近因旋轉太小，不會有颱風的。

除傅科擺外，要證明地球在動的原理似乎都很容易理解，但不容易執行；反之，傅科擺似乎容易製作，卻不容易理解。怪不得雖然早有人懷疑地球在動，但卻必須等了兩千年才能觀測到。即使在科技突飛猛進的今天，要證明地球在動似乎也不是幾個字就可以解釋清楚的，怪不得國中生（甚至大學生）只能支吾以對了。

*************** 猜猜看：旁觀者 A 是誰 ***************

我們在圖四及文中提到了「一位靜止不動的旁觀者 A」；不知讀者是否曾在心中質問「他是誰呢？」牛頓也曾想過這個問題：這位靜止不動的旁觀者在他心中是「絕對空間」——一個永遠存在那裡靜止不動的宇宙背景。

但是與他同時代的德國哲學家、科學家和數學家萊布尼茲（Gottfried Leibniz，1646 -1716）卻認為根本沒有這種空間，空間只是一種幻覺。對愛因斯坦發展廣義相對論有巨大啟發的馬赫（Ernst Mach，1838 -1916，奧地利物理學家兼哲學家）是一位十足的實證派人物，他認為任何可觀察到的現象都是相對於遙遠的恆星（或宇宙中所有的物體），因此從這裡得出地球在旋轉的結論是不合理的：我們怎麼知道不是恆星在旋轉呢？當太空沒有任何物體時，地球是否還在自轉呢？

他認為如果沒有其它物體比較，地球與靜止無異，旋轉沒有任何意義。因此對馬赫來說，加速不是絕對的、也是相對的！所以地球的自旋是相對於這「一位靜止不動的旁觀者」（遙遠的恆星）而言的，是它造成的！讀者相信馬赫的觀點嗎？或者根本沒有這個人（萊布尼茲幻覺空間）？或者還是比較相信牛頓的絕對空間？ ⋯⋯甚或是因為我去看它，所以地球才在旋轉的近代量子物理觀？對這些爭論有興趣的讀者請參考《我愛科學》。

註解

1. 原來之擺錘在 2010 年 4 月 6 日因電纜斷裂損壞無法修復，現在的鉛擺為複製品。
2. 伽利略錯誤地認為這一快一慢的（地球）速度變化正是造成潮汐現象的原因；依照他這一個理論，海邊高（低）潮每天只出現一次，但事實上我們知道因為地球自轉的關係，高（低）潮每天出現兩次。牛頓正確地解釋了潮汐現象主要是因月球引力造成的。
3. 如果 B 或 C 向前丟出去一顆石子，則 B 將看到該石子直線前進；但是因為「科氏力」（Coriolis force ）的關係，C 將看到該顆石子沿右彎的曲線前進；詳見『「 離心力 」真的存在嗎？』。所以「科氏力」可用來解釋「傅科擺」在地球表面的軌跡（與地點緯度、從什麼地方啟動鐘擺、及鐘擺長度有關；加上鍾擺頂點雖然不隨地面旋轉，但並不是「絕對」靜止不動，而是隨地球自轉及公轉，因此細節上是很複雜的，以至於在網路上可以看到許多不同或不完全正確的軌跡圖）。
4. 因為註 3 之「科氏力」。在網絡上可以看到不少用同樣的原理來解釋水槽、浴缸、或抽水馬桶排水時，在北半球的水流將是逆時針方向旋轉。筆者家中兩個抽水馬桶排水時都是逆時針旋轉，不知讀者府上是否也是一樣？但筆者覺得像加速度一樣，我們不可能偵測到地球自轉對這麼小之水體影響的，有興趣的讀者可參考英文《科學美國人》 2001 年的『有人終於以解決了「水流下排水管的方向是否會因您所在的半球而異」這個爭論？如果有，為什麼？』。
5. 我們可以利用微積分來計算圖四中之旋轉速度。如果地球的半徑為 R，該中心點是地球表面緯度 Φ 上的一點，則其地球旋轉半徑應該是 Rcos(Φ)，將它乘以地球自轉速率 ė，即得在該點的直線速度。其上下兩點的直線速度微差 dėRcos(Φ) 造成對該點的旋轉（圖四中），將它除以旋轉微半徑 RdΦ 則得附近表面對該點的旋轉速率： 。鐘擺的週期與之成反比；台北的緯度為 25^°N，故「傅科擺」的週期為 56.8小時[=(24小時)/sin (25^°)]。

• 『「 離心力 」真的存在嗎？』(科學月刊，2021 年 11 月)。
• 「宇宙到底是什麼樣子？宇宙觀的發展史（上篇）｜ 20 世紀前」(泛科學，2023 / 04 / 19)。
• 《我愛科學》（華騰文化有限公司，2017 年 12 月出版）：「牛頓的水桶」(科學月刊，2013 年 8 月)；「愛因斯坦的最後一搏━EPR 悖論」(科學月刊，2016 年 5 月) ；「以太存在與否的爭論」(科學月刊，2017 年 5 月) 。

泛泛泛科學Podcast這裡聽：

你覺得「海嘯」和臺灣人的距離有多遠？1 月 15 日東加王國的海底火山大爆發，不僅炸毀了當地的無人島和海底電纜使得對外通訊全部中斷，火山灰、海嘯的威脅更使得環太平洋國家人心惶惶，臺灣的鄰居——日本甚至發布了大範圍的海嘯警報。

這個三十年來全球最大的火山爆發，究竟是怎麼一回事？們有辦法透過科學儀器提前偵測海嘯嗎？臺灣有沒有被海嘯侵襲的紀錄和可能性？讓我們一起和 y 編、泛科學專欄作者阿樹以及從事海嘯和地震觀測工作的不會冷，一起聊出這些問題的答案！

• 00:36 引起全球矚目的「東加火山大爆發」

不會冷指出，東加火山在臺灣時間 1 月 15 日 12 點 15 分左右爆發後，有很多氣壓計都有顯示出異常的訊號，並引發地球科學社群的熱烈討論。傍晚時，國內的新聞媒體也開始陸陸續續出現海嘯相關的報導。 此次東加爆發的火山是由洪加湯加、洪加哈派兩座無人島組成，是一座大型的海底火山，上一次的噴發紀錄落在 2014 年附近，而這一次的大規模爆發其實有點出乎科學家的意料。阿樹補充道，以當前地球科學界而言，海底火山非常難以被偵測，不僅聲納所得出的精確度不高，就連許多監測陸地火山的方法如氣體、地表變形都難以應用，現在大都只能用地震資料來監測海底火山。

• 10:35 東加火山爆發後，發生了什麼事情？

阿樹表示，近日有許多媒體會以「 30年來全球最大的火山爆發」來形容東加事件，在此前就是 1991 年於菲律賓爆發的皮納土波火山，它與 1815 年印尼坦博拉火山引起的「無夏之年」一樣，當時都對地球的氣候造成了嚴重的影響。而根據科學家們的判斷，這一次東加海底火山爆發事件，並不會大範圍的改變氣溫或氣候，也不會對臺灣產生什麼顯著的災害，後續的觀測也顯示海嘯傳遞到臺灣時，浪高少於 30 公分。

• 15:36 日本都發布海嘯警報了，臺灣卻沒什麼感覺？

不會冷指出，一般而言，比起地震、斷層、海溝引起的海嘯，火山爆發所導致的海嘯波長都會比較短，衰減的速度較快，也不會影響到太遠的地方。此外，以臺灣的海嘯預警作業而言，針對像是東加火山這種遠地的事件，就必須仰賴太平洋海嘯警報中心所提供的訊息，才可以評估要不要發布海嘯警報。

延伸閱讀：

台灣面臨海嘯威脅時，該如何應對？專訪海嘯專家吳祚任

逼逼逼～海嘯警報，別成國家級邊緣人！——《震識》

爆發當天，除了太平洋海嘯警報中心沒有立即的動作、美國地質調查所沒有上傳地震資訊，普遍認知上也大都不認為火山會引發嚴重海嘯，因此中央氣象局並沒有發布海嘯警報。反觀日本發布海嘯警報的作法，反而是違反經驗和常理的，而後續的觀測也顯示海嘯的高度並沒有日本預測的 3 公尺那麼驚人。

• 22:05 海嘯不是一波高浪打來，而是永無止盡的漲潮

海嘯是週期很長、波長也長的水波，波長可以高達數公里到數百公里。當地震、斷層或海溝產生錯動時，容易使地表產生大範圍的形狀變化，進一步對海水造成擾動，最後就有可能形成「海嘯」。不會冷表示，由於海嘯的波長很長，所以其實海嘯不是大家想像的被浪打到，更像是一場永無止盡又快速的漲潮。如果只是浪高很高，波長很短，那就不是海嘯，而是瘋狗「浪」。

• 24:40 臺灣的海嘯紀錄竟然要去廟裡看？

阿樹指出，較近期的、討論較多的海嘯紀錄是 1867 年的基隆海嘯，但原因並不明，當時也沒有什麼科學儀器和資料留下來，只有一些歷史文獻記錄著當地有大水。不會冷說明，國內經確認的海嘯紀錄不多，但未經確認的海嘯文獻其實很多，像是屏東、臺東的廟誌都有許多像是「大水」逞罰不孝子、八重山地震引發 80 公尺高的海嘯紀錄，可惜的是，我們很難確認這到底是煞有其事，抑或只是古人們的誇大其實。

延伸閱讀：

面對海嘯有三寶，水門、堤防、趕快跑！──《課本沒教的天災日本史》

海嘯石辨認指南：颱風都能搬大石頭了，還需要海嘯嗎？

18 世紀臺灣西南沿海真的發生海嘯嗎？——《科學月刊》

• 29:00 「東部海很深所以不會有海嘯」是真的還是假的？

坊間傳聞，因為臺灣東部的海域很深，所以我們才不會面對來自東加的海嘯？這個說法是錯誤的！不會冷澄清，海嘯會有所謂的「淺化」現象，當水深越來越淺，波速會越來越慢，波長會越來越短，使得能量被累積、浪高也越來越高，而人類住在陸地上，只要海嘯來，就會經過淺化，不會因為東部的海深而沒有海嘯。

• 34:18 經過東加火山事件，臺灣學到了什麼？

不會冷認為，當前中央氣象局的海嘯發布作業有極大的程度仰賴太平洋海嘯警報中心，也許未來在發布作業上可以有檢討和調整的空間，而近年氣象局也建置了海嘯浮標、海底電纜等等非常先進的儀器，這一次東加火山事件也可以成為這些儀器使用上的寶貴觀測經驗。

延伸閱讀：

臺灣會發生海嘯嗎？東部海域的地震「烽火台」海纜觀測系統

那些海嘯教我們的事

阿樹則感慨的說，相比起地震，臺灣人對於海嘯還是太陌生，從基礎研究、發布作業、預警配套到海嘯的科普教育，都非常的不足。從歷史的經驗來看，人們總是要經過一次嚴重的天災，才會懂得重視、懂得害怕，例如經過九二一大地震後，臺灣的防災教育、相關法規和研究才有了大幅度的進步，難道海嘯也要透過血淚才能得到教訓嗎？想必這是大家都不樂見的未來。