月娘你從哪裡來？月亮形成的新線索！關鍵就在隕石中？

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

你準備好要當月球移民了嗎？

人類再次展開登月競賽，準備重返月球。

今年八月二十三日，在全世界的矚目下，印度登月艇「月船三號 Chandrayaan-3」成功著陸於月球南極附近，展開為期半個月的科學探測任務，也成為人類史上第四個成功軟著陸於月球表面的國家！這更是 21 世紀以來除了中國嫦娥系列之外唯一的成功登月任務。

這次的登陸地點選在月球南極附近。除了月船三號，未來印度與日本合作的月船四號，以及中國的嫦娥七號、嫦娥八號任務，甚至是 NASA 阿提米斯計畫的首次載人登陸，地點也選在月球南極。

問題來了，月球南極到底有什麼樣的魔力，能讓世界各國如此趨之若鶩？是有挖不完的石油？數不清的黃金？還是外星人留下的秘密裝備？

月球南極有什麼？

從人類的生存、家禽動物的飼養、到植物的灌溉，都脫離不了「水」這個在地球上再常見不過的物質。不僅如此，水電解之後得到的氧氣可以用於呼吸，氫氣則可以做為火箭引擎的燃料使用。想要讓人類走出地球，成為跨行星物種，確保充足的水源供給絕對是最核心的要務之一。

然而，雖然地球上的液態水很多，但正由於我們對水的需求如此龐大，如果要把所有需要的水都從地面用火箭發射進太空，需要的成本將非常驚人。

因此直接開採並使用本來就在太空中的水資源，才是合理且經濟的做法。沒錯，各國在將人類送上登月前，先將目光鎖定在了月球南極，關鍵就是要尋找「水」。

如果月球上有水，不僅能幫助人類在月球建立起永久基地。月球，更將成為人類航向廣袤星海的第一片綠洲。

可是，缺乏大氣保護、日夜溫差超過兩百度的月球表面，真的會有水存在嗎？

由於缺乏大氣層，液態水在月球上要嘛會因為蒸發而散逸，要嘛會因為低溫結成水冰，很難以液態穩定存在。而即使是固態的水冰，也會在炙烈的陽光下昇華，因此月球表面的大部分地方是幾乎沒有水的。

但大家可以想像一下，月球的公轉軌道與地球繞太陽公轉的黃道面幾乎平行，夾角只有 5.145°。也就是說，月球不論在哪個位置，陽光總是直射在月球赤道附近。如果此時月球的南極點剛好有個向下凹陷，而且足夠大、足夠深的隕石坑，那麼在隕石坑之中的陰影區，就永遠不會照射到陽光。

這些地方被稱為「永久陰影區 Permanently Shadowed Areas」。由於不會受到陽光照射，因此永久陰影區附近的水冰，能夠持續存在數十億年的時間。

但是，雖然有「保存」水冰的條件，關鍵是永久陰影區中真的有水冰存在嗎？如果有，含量又有多少呢？這時，各國的探月任務就接手上場了。

月球南極真的有水嗎？

這些探月任務可不是一時興起，因為過去「月球上沒有水」的印象可是深植人心。直到 1990 年代開始，科學家才陸陸續續從越來越多月球探測器的資料中，發現水可能存在的蛛絲馬跡。

其中一次重大的進展發生在 2009 年。當時，NASA 使用擎天神五號火箭，同時發射了「月球勘測軌道飛行器 LRO」以及「月球坑觀測和感測衛星 LCROSS」兩個探測器。前者是一顆繞月衛星，後者則是一個撞擊用探測器。

在發射升空之後，NASA 首先讓 LRO 與火箭分離，並進入月球軌道。接著，還連在火箭第二節上的 LCROSS，則跟著第二節火箭一起朝著月球南極的永久陰影區之一——卡比厄斯環形山飛去。在撞擊前數小時，LCROSS 與第二節分離，並讓第二節火箭以每秒 2.5 公里的高速，直直撞入永久陰影區，激起大量的月表物質。LCROSS 則直直飛入其中，檢測其中的物質成分。並在六分鐘後，同樣撞擊於月球表面。但就在這短短的六分鐘的犧牲打中，LCROSS 收集到的資料向科學家展示了，月球南極的永久陰影區中不僅確定有水冰的存在，更有汞、鎂、鈣、銀、鈉等其他諸多有用的物質資源。

有了 LCROSS 的資料，再加上其他月球探測器，像是克萊門汀號、月船一號、LRO 等等，提供各種遙測資料，人類終於能掌握月球表面有水存在的證據。

時間回到現在，月球表面－尤其是月球極區的永久陰影區中，有水冰的存在已經是科學家的共識。但是這些水冰具體有多少，能否支撐人類在月球極區建立太空基地呢？這就只能實際派出登陸艇前往一探究竟了。

到月球南極尋找水冰吧！

可惜的是，8 月 23 日成功在月球上著陸的月船 3 號和攜帶的月球車 Pragyan，在 9 月 2 號和 4 號就入休眠，推測可能是因為無法承受極低溫環境，至今還未能重新喚醒。

在未來兩年的月球極區無人探測任務中，NASA 的 VIPER 任務可以說是最值得期待的另一項任務。VIPER 全名為月極揮發物調查漫遊車，是 NASA 有史以來第一台「無人月球車」，同時也是 NASA「商業月球載酬服務 CLPS」系列任務的一員。CLPS 和過去的太空任務不同，是由 NASA 提供科研載酬，由商業公司提供載酬的發射、巡航、著陸等服務。本次 VIPER 任務選定的商業夥伴是美國的 Astrobotic Technology 公司，VIPER 探測車將會乘坐該公司的 GRIFFIN 登陸器降落在月球南極，透過各種儀器勘查月球極區揮發份的組成與分布。

這台重 430 公斤，體積與高爾夫球車相當的 VIPER ，身上塞有四個主要儀器。

首先是中子光譜儀，它會藉由量測月球表面中子輻射的能量分布，了解地底下氫原子的分布狀況，從而推測水冰的含量。

第二，近紅外光揮發份光譜儀，它會以近紅外光燈照射月表，並從揮發份的光譜分析它的化學組成，同時也能判斷水是以結晶、非晶質的冰，或是氫氧根離子的形式存在。

第三，質譜儀，能藉由電場分離不同荷質比的物質。除了能知道月表有哪些元素以外，還能分辨氘與氫、氧-18 與氧-16 等不同同位素的含量，對分析水的來源至關重要。

第四個儀器名為 TRIDENT（The Regolith and Ice Drill for Exploring New Terrain），縮寫很酷，名字很長，但簡單來說就是一個裝有溫度計的鑽頭。可以從月面下一公尺處鑽取一段十公分長的岩芯，為前面幾個儀器提供樣品。

除了這些科研儀器以外，VIPER 上還有一對立體視覺攝影機，能夠拍攝具有距離感的照片，為探測車的導航提供參考。

有了 VIPER，NASA 還必須想好要把珍貴的探測車派到何處進行調查，才能盡可能發揮他的潛能。除了理所當然地要放在可能有水的地方之外，地表的起伏與材質也有要求，比如太陡峭的山壁顯然就不是個好選擇。同時探測的地點，還必須可以和地球建立通訊。

更重要的是，由於 VIPER 是太陽能驅動的探測車，探測地點不可以長時間缺乏日光，否則探測車會不僅會因為缺乏電力，還會因為長時間處於酷寒環境中而壞掉。進入休眠的月船三號，就是因為設計上就沒有為度過月球寒夜做準備，因此任務的極限時間一開始就限制在兩週左右。綜合以上條件，科學家選定了月球南極 Nobile 隕石坑西方的高地作為 VIPER 任務的地點。這裡雖然不是嚴格意義上的永久陰影區，但是滿足有日照，且時間足夠短到允許地底下有水冰的存在。

為了有充分的時間進行探索，VIPER 設計時就有考慮探測器的電力與保溫，可以透過三個休眠時期度過月球的夜晚，執行至少一百天的任務。在這一百天中，VIPER 將會調查隕石坑周圍，了解到底有多少水冰和二氧化碳、二氧化硫等揮發物，為將來的登月計畫鋪路！

要前往其他星球甚至離開太陽系，比起地球，擁有較低重力的月球，一直被認為是人類出發太空的前線基地。人類想要成為跨行星物種，水則是絕對不可或缺的關鍵資源。而經過數十年的研究，科學家終於在月球發現可能蘊藏大量水冰資源的地方。我們離移民月球或其他行星，又更靠近了一步。

就讓我們一起期待這些探測器們，幫助我們揭開月球南極的神秘面紗吧。

跟大家說個小趣聞，月船三號著陸之後，印度為了慶祝任務成功而將月船三號的登陸點命名為「濕婆神之力 Shiv Shakti」。那如果今天是你的探測器成功登月了，你會想幫登陸地點取什麼名字呢？留言與大家分享吧！

歡迎訂閱 Pansci Youtube 頻道 獲取更多深入淺出的科學知識！

• https://www.isro.gov.in/Chandrayaan3….
• https://www.technologyreview.com/2020…
• https://www.jpl.nasa.gov/news/nasa-st…https://svs.gsfc.nasa.gov/5074/
• https://svs.gsfc.nasa.gov/4043/#media…
•    • NASA | LRO Observes the LCROSS Impact  
•    • NASA | Water on the Moon  
• https://science.nasa.gov/mission/vipe…
• https://images.nasa.gov/details/ARC-2…
• https://www.cna.com.tw/news/ait/20230…

如果整個地球都由質子構成，而整個月球都由電子構成，那會怎樣？
——諾亞．威廉斯（Noah Williams）

質子地球，電子月球

這可能是我寫過最具破壞性的假設情境。

你可能會想像電子月球繞著質子地球運行，有點像是巨大的氫原子。某方面來說，這還有點道理；畢竟，電子繞著質子運行，而衛星繞著行星運行。事實上，原子的行星模型曾流行一時（不過，拿來解釋原子竟然不太管用）。

如果你把兩個電子放在一起，它們會想要分開。電子帶負電，而來自電荷的排斥力比將它們拉在一起的重力強了大約 20 個數量級。

如果你把 10⁵² 個電子放在一起（構成月球），它們會劇烈的互相排斥，以致每個電子會被大到不可思議的能量推開。

事實證明，對諾亞假設的「質子地球和電子月球」情境來說，行星模型更是大錯特錯。月球不會繞著地球運行，因為它們根本沒有機會影響彼此；使兩者各自分別炸開的力量，會遠大於兩者之間的任何吸引力。

如果暫時忽略廣義相對論（等一下會回來談），我們可以算出，來自這些電子相互排斥的能量，足以使它們向外加速到接近光速。將粒子加速到那樣的速率並不少見；桌上型粒子加速器（例如映像管螢幕）可以將電子加速到光速的相當比例。

但是，諾亞月球的電子所攜帶的能量，會遠遠大於普通加速器中的電子所攜帶的能量。它們的能量會超過普朗克能量的數量級，普朗克能量本身則是比最大的加速器中，所能達到的能量又大了很多數量級。換句話說，諾亞的問題遠遠超出普通物理學的程度，帶我們進入到量子重力與弦理論之類的高等理論領域。

所以我聯繫了尼爾斯．波耳研究所（Niels Bohr Institute）的弦理論科學家基勒博士（Dr. Cindy Keeler），請教她關於諾亞的假設情境。

基勒博士同意，我們不應該信賴任何涉及「在每個電子中放這麼多能量」的計算，因為這遠遠超出加速器測試的能力範圍。「我不相信粒子能量超過普朗克尺度的任何事情，」她說。「我們實際觀測到的最大能量存在於宇宙射線中；我認為比大型強子對撞機大了差不多 10⁶，但還是離普朗克能量很遠。身為弦理論科學家，我很想說會發生什麼關於弦理論的事情——但說老實話，我們也不知道。」

幸好，故事還沒結束。還記得我們先前決定忽略廣義相對論嗎？嗯，這是「帶入廣義相對論反而使問題更容易解決」的罕見情況之一。

在這種情境下，存在巨大的位能——使所有這些電子遠離彼此的能量。這樣的能量會扭曲空間和時間，和質量一樣。結果證明，電子月球中的能量大約等於整個可見宇宙的質量與能量總和。

相當於整個宇宙的質能集中在（相對較小的）月球的空間裡，會使時空強烈扭曲，甚至會比那 10⁵² 個電子的排斥力還要強。

基勒博士斷言：「沒錯，黑洞。」但這可不是普通的黑洞，而是帶有大量電荷的黑洞。為此，你需要一組不同的方程式——不是標準的史瓦西（Schwarzschild）方程式，而是萊斯納—諾德斯特洛姆（Reissner-Nordström）方程式。

萊斯納—諾德斯特洛姆方程式比較了向外的電荷作用力和向內的重力之間的平衡。如果來自電荷的向外推力夠大，黑洞周圍的事件視界可能會完全消失。那樣會留下密度無限大的物體，光可以從中逸出——這就是所謂的裸奇點（naked singularity）。

一旦有了裸奇點，物理學就會開始分崩離析。

量子力學和廣義相對論給出荒謬的答案，甚至是不同的荒謬答案。有人認為，物理定律根本不容許出現這種情況。正如基勒博士所言，「沒有人喜歡裸奇點。」

以電子月球的例子來說，來自所有這些電子互相排斥的能量會非常大，以致重力會獲勝，而奇點會形成正常的黑洞。至少，某方面來說是「正常的」；它會是和可觀測宇宙一樣大的黑洞。這個黑洞會導致宇宙塌縮嗎？很難說。答案取決於暗能量是怎麼回事，沒有人知道暗能量是怎麼回事。

但就目前而言，至少附近的星系是安全的。由於黑洞的重力影響只能以光速向外擴展，因此我們周圍的大部分宇宙仍會天下太平，對我們荒謬的電子實驗毫不知情。

——本文摘自《如果這樣，會怎樣？2：千奇百怪的問題　嚴肅精確的回答》，2023 年 3 月，天下文化出版，未經同意請勿轉載。