台灣到底有沒有受過隕石撞擊？

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

如果天空少了月亮？文學家應該會很難過，音樂家也會少了創作的題材，沒有中秋節就少了月餅，也沒有烤肉。不過夜晚少了一個大光害，天文學家絕對會很高興！

潮汐變小、一天變短

地球上的潮起潮落，主要是月球繞地球運行造成的。太陽也會影響地球的潮汐，不過對地球的潮汐力只有月球的 46%。如果沒有月球的話，造成地球潮起潮落就只剩下太陽，滿潮和乾潮的幅度就會變小。

月球讓地球產生的潮汐，使地球愈轉愈慢。數十億年前，地球剛形成時，地球自轉的速度比現在快許多；因為月球的潮汐力，讓地球自轉的速度漸漸變慢，慢到現在的一天 24 小時。如果沒有月球，地球的一天可能不到 10 小時。

左搖右晃的地球

月球就像是走鋼索的人握的平衡桿，讓地球自轉軸保持穩定，如果少了月球這個平衡桿，地球自轉軸左搖右晃的幅度就會變大。

目前地球自轉軸相對於公轉平面的傾斜角是 23.4 度，因為月球的存在，這個傾角的變化幅度不大，大約在 22.1 度和 24.5 度之間。傾角讓太陽直射地球的位置在北回歸線和南回歸線間移動，讓地球出現四季變化。

如果沒有月球，地球的自轉軸變動的幅度就會變大，自轉軸的變動會對我們有什麼樣的影響？假設兩個極端的例子，地球的自轉軸傾角是 0 度和 90 度。

如果地球傾角是 0 度，太陽永遠直射赤道，地球上不會有北回和南回歸線，地球將不再有四季變化。

如果地球傾角是 90 度，太陽直射的區域會從北極到南極，也就是北回歸線位在北緯 90 度（也就是北極點），而南回歸線在南緯 90 度（南極點）。這種情況下，地球四季變化會非常劇烈，北半球夏天時，北極不會結冰，溫度比現在還高，南半球冰凍的區域比現在還大，這種極端氣候絕對不利現在地球上生物的生存。

月球替地球擋子彈

月球是地球的衛星，一直以來它都保護著我們的地球。用望遠鏡看月球，會發現月球上有許多坑洞，這些坑洞幾乎都是隕石撞擊後形成的隕石坑，表示月球在早期受到許多的撞擊。如果少了月球擋下這些隕石，這些隕石可能就會撞上地球。

隕石撞擊對地球的生命影響很大。6600 萬年前，一顆 10 公里左右的隕石撞擊地球，造成恐龍滅絕。恐龍滅絕後，哺乳類才能興起，人類才有機會出現在地球上。

那些沒有被月球擋下的隕石，如果撞上地球，可能會改變地球物種的演化，人類說不定就不會出現在地球！ 最後，如果沒有月亮，阿姆斯壯和另外 11 名阿波羅太空人也就無法登陸月球。人類少了探索月球的寶貴經驗，要直接踏上其他行星表面（例如火星），難度會高許多，甚至變得不可能！

• 作者／陳子翔｜師大地球科學系、EASY 天文地科團隊創辦者

看到下圖密布於太陽系的小行星軌道，你是否會對小行星撞地球這樣的災難感到擔心呢？

事實上面對小行星的撞擊風險，科學家也是嚴陣以待。畢竟即便是一顆直徑只有數十公尺的小行星撞上地球，其威力也足以摧毀一座城市。更何況還有許多直徑數百公尺，甚至數公里的近地小行星（near-Earth asteroids）存在。因此，對於這些小行星的觀測、研究與監控就顯得格外重要。

揪出藏身夜空中的小行星

對近地小行星監測的第一步，就是要先找出「它們在哪裡」。如同在戰場上比起收到敵方要發動攻勢的情報，更可怕的就是連敵人是誰、敵人在哪裡都還不清楚就被暗中襲擊了。

然而棘手的是，由於直徑小，反照率低的特性，小行星的亮度往往非常低，需要仰賴觀測性能強大的天文台才有辦法看見它們。但大型天文台的觀測視野卻通常很小，難以有效率的「掃描」廣大的夜空，而且這些天文台本來就有很多天文研究工作要進行，能撥給小行星觀測的時間也相當有限。

有鑑於這些因素，專門設立搜尋近地小天體的計畫與望遠鏡，就成了更合適的選項。像是林肯近地小行星研究小組（Lincoln Near-Earth Asteroid Research, LINEAR）、卡特林那巡天系統計畫（Catalina Sky Survey, CSS）以及泛星計畫（Pan-STARRS）等。它們扮演「小行星獵人」的角色定期掃視夜空，尋找移動中的可疑光點。目前透過這些計劃發現的近地小行星已經多達數萬個。

用自動化的監測系統，找出小行星中的「危險份子」

發現這些小行星的下一步，就是由觀測資料計算出它們的軌道，並找出哪些小行星對於我們的威脅比較大。而面對數量龐大的近地小行星資料，NASA 噴射推進實驗室（Jet Propulsion Laboratory, JPL）早在 2002 年就開發出一套名為「哨兵（Sentry）」的監測系統，運用設計好的演算法，自動化的評估每個近地小行星撞擊地球的機率，並列出對地球威脅比較大的小行星名單。

以目前的速率來看，每年大約有 3000 個新的近地小行星被發現。而未來隨著更多更先進的天文台投入小行星搜尋的計畫，可以預期小行星的發現數量還會出現顯著的成長。因此就在不久前，NASA 的天文學家已發展出下一代更先進的小行星監測系統：哨兵 II（Sentry II），以因應未來更龐大的資料，同時也對已經使用了近 20 年的哨兵系進行補強。

監測系統升級上線，更完善的為地球把關

就如同各種應用程式都會進行版本更新，並在更新中修正上一個版本的缺點，這次哨兵 II 系統的升級，也從哨兵一代系統多年累積的經驗進行修正。

首先，第一代哨兵系統只有計算萬有引力對小行星軌道的影響，並沒有考量其他外力，例如來自太陽的輻射壓等等。這些力量雖然相對微小，但積少成多、聚沙成塔，長期下來也能影響小行星運行的軌道。另一方面，由於小行星本身會自轉，因此小行星的受光面和背光面會不停改變方向，如此一來熱輻射對小行星造成的力，也會隨著轉動而變化，這個效應被稱作「亞爾科夫斯基效應」（Yarkovsky Effect）。而哨兵 II 的演算法都有將這些因素納入考量，讓小行星的軌道估計算更為精準。

再來，當小行星的非常靠近地球時，受到地球引力的影響，軌道以及速度都會大幅改變。其原理與太空探測器借助行星的引力來改變自身的軌道和加減速的「重力彈弓」效應相同。

然而太空探測器上面有很多精密的儀器提供科學家精準的定位，小行星卻只能透過地面觀測來估算出它的軌道，科學家其軌道掌握的精確度當然就比較差。而當小行星接近地球時，軌道的計算誤差就會被大幅放大。一個小行星飛掠地球時幾百公尺的誤差，到了下一次來訪時可能就成了幾千公里的差別了。而這幾千公里，就有可能是「撞上地球」和「安全通過」的差距。好消息是，由於在軌道計算上考量的因素更全面，演算法也更加精密，讓哨兵 II 即使在面對這樣的狀況，也能計算出更為精準的結果。

最後，哨兵 II 系統在計算小行星的撞擊風險時，判斷的方式也相較上一代系統更縝密。如同任何觀測與測量，小行星的軌道也會存在誤差，而哨兵 II 會從小行星軌道的誤差範圍內隨機取樣進行計算，以檢查小行星有沒有撞上地球的可能性。相比於第一代哨兵系統預先將有撞擊風險的軌道推算出來後才評估撞擊機率的做法，這樣的更新能降低漏網之魚出現的可能性。

持續探索可能的威脅

小行星、彗星等天體的撞擊一直以來都是很多科幻作品的題材。從科學的角度來看，太陽系中也的確存在非常多小天體，可能對地球上的生命構成威脅。雖然對於近地小天體的災害預防，當今的科學與科技還遠達不到萬無一失的程度，但過去三十年，人類對近地小行星的認識已有了顯著的進展。從搜尋小行星的各個計畫，到針對小行星的太空探測任務，以及本篇文章介紹的兩代哨兵監測系統，都帶給我們許多重要資訊，立下人類面對小行星撞擊風險時不可或缺的基石。

延伸閱讀

• 災難片成真！？小行星「貝努」行蹤飄忽，撞地球的機率有多大？
• 夜空中的守望者－ 望遠鏡如何保衛地球? 科學月刊 600期
• 天文觀測的新挑戰──談泛星計畫

參考資料

• NASA’s Next-Generation Asteroid Impact Monitoring System Goes Online
• A novel approach to asteroid impact monitoring and hazard assessment

文/WhyJ

今年2月15日發生在俄羅斯車里雅賓斯克的隕石撞擊，無疑是近年來最令人驚異的天文事件。巧合的是，一般認為也是由隕石撞擊所致、在1908年發生的通古斯加大爆炸，同樣也位於俄羅斯。這或許是俄羅斯幅員遼闊的「幸運」之處吧！但話說回來，只要把時間尺度拉長，不難歸納出世界上任何地方都可能遭受隕石撞擊的結論。那麼台灣呢？應該也會有吧？

（隕石坑分布圖。圖出處： http://osm2.cartodb.com/tables/2320/public#/map）

這答案或許不是那麼單純。除了歷史文獻紀錄外，最能佐證隕石撞擊的證據就是隕石坑了。上圖所列之來源網站，利用美國Lunar and Planetary Institute所登錄的隕石坑資訊，做出了隕石坑分布的具象化圖表。從圖中不難看出全世界的隕石坑分布並不平均，而台灣則是連一個坑都沒有。影響圖中隕石密度的最大原因很可能是研究數據的不平均，例如比較難深入的熱帶雨林區隕石坑的紀錄，遠比整個歐陸要少得多；不過台灣沒有隕石坑的原因，卻很有可能是下面兩點：

1. 台灣島的形成年代（精確的說是台灣島最後一次被造山運動推擠出海面至今）區區不過數百萬年，相較於澳洲、北美等古老陸塊動輒數十億年的年紀顯然年輕許多，自然還沒有足夠多的時間累積被隕石撞擊的機會。
2. 台灣島的侵蝕速率極大，這意味著如果隕石落在山區，其隕石坑可能過不了幾千年就會被侵蝕作用以山崩、土石流的形式消除。

或許各位曾經聽過，台灣有兩個地方還真的有可能是隕石坑的候選地點，一是嘉明湖，而另外一個是澎湖；不過請不要高興得太早，這兩個地方充其量只有圓形的外觀像隕石坑，深入調查之後，就會發現要把它們歸類為隕石坑，或許太過武斷。

（嘉明湖。圖出處：作者）

先看位於中央山脈南段，現在已成熱門登山路線的嘉明湖。在2000年前時，陳肇夏等人從地形與採樣證據分析後，遂提出嘉明湖為隕石撞擊坑的想法；但隨著嘉明湖被越來越多的研究者關注，採樣的樣本越來越多，但這些新樣本卻不支持陳肇夏等人的結論。因此，已有不只一位地質學者認為嘉明湖應只是在上次冰河時期被冰河挖出來的冰斗，跟隕石坑無關。

（澎湖地圖。圖出處：Google map）

而澎湖群島呢？幾個島連成環狀的地形，而在中心的大倉嶼剛好可以充當比較大的複式隕石坑中心會出現的中央峰，就如同下圖所表現的隕石坑中心突起一樣。
（複式隕石坑。圖出處： NASA）

的確，從地形上判斷，澎湖群島看起來像極了隕石坑，而聯合報在也2005年引用了這個說法。如澎湖群島真的是隕石坑，那麼它在地球上也可算是屈指可數！但很抱歉的，地球上的其他大隕石坑，除了具有地形證據外，都還會有其他物理資料的佐證。其中最具說服力的，應該就是所謂「重力異常」的分布情形了！

重力異常的概念其實非常簡單：首先我們會假設地球是個完美的橢球體，而且內部的任何一層結構（例如地函、地殼等）都具有固定的厚度與均勻的密度，不會隨著經緯度而變化。如此一來，藉由簡單的牛頓萬有引力定律與數學計算，我們可以知道這個「完美地球」上任何經緯度的地表重力值。不過可惜的是，地球並非完美，分層的厚度與密度會隨著區域而變，最顯而易見例子像是在山脈區域，地殼的厚度會比平原或大洋區來得高；而在火山活動地區，組成火山的火成岩密度也比「完美地球」中假設的地殼平均密度（約為2.7 g/cm3）來得高。在實際測量過某地的重力加速度量值之後，減去「完美地球」預測的此地重力加速度，所得差值就是所謂的重力異常。簡而言之，這種方法可以調查地底下任何一種結構分層的厚度或密度，並且間接的了解地表下的岩性與岩石物理狀態分布情形。

在大隕石坑存在的地區，由於岩石受壓後產生的不同構造從隕石坑中心開始呈環狀擴散，因此重力異常值也會出現以撞擊中心為圓心，數圈「高低起伏」的波形。例如著名的墨西哥希克蘇魯伯隕石坑，據信是造成恐龍滅絕的最可能元兇，雖然地表看不出隕石坑的樣子，但從重力異常的資料中卻可以發現環狀的分布。

（希克蘇魯伯隕石坑的重力異常資料。圖出處：Wikipedia-“Chickulub Crater”）

反觀澎湖的重力異常，以謝獻祥等人在2009年發布的資料顯示，根本沒有環形排列的狀況，有的只是一個重力異常偏高的區塊，如下圖。

這樣的區塊用不著以隕石坑解釋，只需要火山噴發，把密度較高的岩漿噴出地表，由於岩漿的密度較「完美地球」模型中假設的地殼平均密度高，就能夠使此區域量到比其他區域還要大的重力值了！
（澎湖群島及附近區域的布蓋重力異常資料。圖片來源：Hsieh et al., 2009）

由這些證據看來，或許目前的台灣真的沒有一個地方，可以藉由隕石坑的故事來提高知名度！但以後會不會有，誰也說不準，就讓我們拭目以待！（考慮到隕石撞擊帶來的可能性大規模破壞，或許不要拭目比較好…）

參考資料來源：

• 陳肇夏等(2000),〈南部中央山脈的嘉明湖窪地是否為一隕石坑?〉(只有摘要)
• 郭雅欣(2008),「嘉明湖是隕石坑嗎?」
• 聯合報(2005)，〈學者:澎湖群島可能是隕石坑〉
• Hsien-Hsiang Hsieh et al.(2009), Moho Depth Derived from Grav ity Data in the Tai wan Strait Area.