尋找歐羅巴冰層下的真相

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

深海的暗氧：無光環境中的神秘氧氣生成

深海，被譽為地球最後的未開發疆域，隱藏著許多不為人知的奧秘。數千公尺深的海底沉積了數量龐大的多金屬結核，這些礦物因含有大量珍貴金屬，對現代技術，尤其是能源轉型，至關重要。然而，科學家在探索這些結核的過程中意外地發現了一種神秘的現象：暗氧，即在無光的深海環境中生成氧氣的過程。這一發現不僅可能改變我們對海洋生態系統的理解，還可能重新定義地球早期生命起源的故事。

長期以來，科學界普遍認為氧氣的生成依賴於光合作用。光合作用是植物、藻類及一些細菌透過陽光將水和二氧化碳轉化為有機物並釋放氧氣的過程。這一過程主要發生在地球表層和淺水區域，是維持大氣和海洋中氧氣含量的核心機制。根據這一觀點，只有在陽光能夠到達的區域，氧氣才能被生成。因此，對於深達數千公尺的深海區域，我們的認識是，氧氣主要來自於表層水透過洋流輸送到深處。

然而，深海中缺乏光源，光合作用無法進行，這意味著氧氣在深海中的供應受到限制。雖然洋流能夠在一定程度上將氧氣輸送到深海，但這一過程極其緩慢，往往需要數百年甚至上千年才能完成一次循環。因此，科學家一直認為深海是一個缺氧的環境。

多金屬結核的發現，是新能源的關鍵，還是海洋生態的災難？

在這樣的背景下，科學家對深海進行了更深入的探索，並發現了錳結核（英語：Manganese nodules），又被稱為多金屬結核這一珍貴資源。多金屬結核是富含金屬的岩石，其主要成分包括鈷、錳和鎳等金屬。這些結核廣泛分佈於全球深海區域，尤其是太平洋海域，儲量高達數兆噸。這些金屬對綠色能源技術，如電池生產，具有極高的價值，吸引了全球各國的關注。

然而，這些結核不僅是地球資源的寶藏，它們還隱藏著另一個重要的發現。2013 年，科學家安德魯·斯威特曼（Andrew Sweetman）在太平洋克拉里昂-克里珀頓區域進行深海研究時，意外地發現，在封閉的深海水域中，氧氣濃度竟然有所增加。這一現象引發了科學界的極大關注。

暗氧的生成機制

斯威特曼的研究團隊推測，深海中的多金屬結核可能在某些化學條件下，充當了天然電池。這些結核通過電化學反應將水分解為氧氣和氫氣，從而在無光的環境中產生了氧氣。為了驗證這一假設，團隊在實驗室中模擬了深海環境，並確實觀察到氧氣從結核生成的現象。

不過，這一過程並非如想像中簡單。根據實驗數據，某些海底結核表面的電壓僅為 0.95 伏特，卻能夠生成氧氣，這與理論上需要的 1.6 伏特電壓不符。研究團隊進一步推測，這可能與結核的成分有關，例如含鎳的錳氧化物可能起到了催化作用，降低了反應所需的能量。此外，結核表面的不規則排列及空隙可能也促進了電子轉移和水的分解。

暗氧的發現挑戰了我們對氧氣生成的傳統理解。過去我們認為，地球上的氧氣主要來自於光合作用，但這一現象表明，甚至在無光的深海環境中，氧氣也能通過無機物的電化學反應生成。這意味著，我們對於地球早期氧氣循環及生命演化的認識可能存在重大疏漏。

尤其值得注意的是，多金屬結核的形成需要氧氣，而這些結核大量出現在深海中，是否表明早期地球上就已經存在非光合作用的氧氣生成機制？如果是這樣，暗氧是否可能推動了地球上生命的起源？這一問題仍然未有定論，但暗氧的發現無疑為生命起源的研究開闢了一條新的途徑。

未來的挑戰：開採深海資源還是守護地球最後的「淨土」？

除了科學研究的價值，多金屬結核也吸引了全球對於深海資源開採的興趣。這些結核富含稀有金屬，特別是對電池生產至關重要的鎳和鈷。然而，大規模的深海開採可能會對海洋生態系統造成嚴重破壞。

首先，深海採礦可能導致噪音和光污染，破壞深海生物的棲息地。此外，採礦過程中產生的懸浮物可能對海洋生物，尤其是水母等生物造成生理負擔。研究顯示，水母在模擬的採礦環境中會因應對懸浮物而消耗大量能量，這可能削弱其免疫系統並降低生存率。

因此，雖然深海資源的開採看似能解決當前的能源危機，但國際間對此議題的爭議仍然持續。全球已有32個國家支持暫停或禁止深海採礦，呼籲進行更多的生態影響研究以確保環境保護。

暗氧的發現，不僅為科學研究帶來新的挑戰，也為深海資源的開採提出了更高的要求。在能源危機與生態保護之間，我們需要尋找平衡點。未來的技術或許能夠在不破壞環境的情況下，模擬自然過程生成多金屬結核，從而實現可持續的資源開採。

此外，暗氧現象的發現也為探索外星生命提供了新的思路。當我們在其他行星上發現氧氣時，不一定意味著那裡存在光合作用生物，可能是類似多金屬結核的無機反應在默默進行。這一發現或許將改變我們對地外生命的定義與尋找方式。

深海的秘密仍在不斷被揭開。從暗氧的發現到多金屬結核的開採，這片未開發的疆域將在未來的科學探索與資源爭奪中扮演至關重要的角色。無論是能源危機的解決還是生態系統的保護，我們都應以謹慎且負責任的態度面對這一未知的領域，避免打開潘朵拉之盒。

不要回答！不要回答！不要回答！

Netflix 版「三體」終於上線了，你覺得與外星人接觸是安全的，還是冒險的？

其實啊，人類早就多次嘗試與外星文明接觸，三體中的「那個」技術，甚至也已經驗證成功了？到底誰能先與外星人取得聯繫？是中國還是美國？

接下來的討論可能會暴雷原版小說的設定，但應該不會暴雷 Netflix 版的劇情。

如果你也有一點想跟外星人接觸，那就來看看人類到底已經跟外星人搭訕到什麼程度了吧！

我們與外星文明接觸過了嗎？

對於是否要與外星文明接觸，每個人都有不同想法。三體小說作者劉慈欣在小說中提出一種觀點，那就是人類太弱小，最好避免與外星文明接觸，以免招致不必要的風險。

但是回到現實世界，如果我們真的身處在三體的世界的話，那人類可真的是不停作死啊。早在 1974 年，科學家就利用阿雷西博天文台，向武仙座的 M13 球狀星團發射了一條著名的訊息，也就是「阿雷西博訊息」。這個目標距離地球不算遠，星星又多，被認為是潛在的外星文明所在。阿雷西博訊息中，則包含人類的 DNA 結構、太陽與九大行星、人類的姿態等資訊。每次想到總覺得是新開的炸雞排在發傳單攬客。

除了無實體的電波訊息，人類還向太空中發送了實體的「信件」。1977 年，航海家探測器載著「航海家金唱片」進入太空。唱片中收錄了包含台語在內，55 種語言的問候語、大自然與鳥獸的聲音、115 張圖像、還用 14 顆銀河系內已知的脈衝星來標示出太陽系的位置。是一封向宇宙表達人類文明與友好意圖的信件。恩，如果接收到這個訊息的外星人不是很友善的話，那麼……。

好吧，就算現在說應該要謹慎考慮接觸外星文明的風險，或許已經來不及了。對方是善還是惡，怎麼定義善或惡，會不會突然對我們發動攻擊，我們也只能聽天由命了。

反過來說，過了這麼久，我們收到外星文明的來信了嗎？

要確定有沒有外星文明，接收訊號當然跟發送訊號同等重要甚至更重要。1960 年，天文學家法蘭克．德雷克，就曾通過奧茲瑪計畫，使用直徑 26 公尺的電波望遠鏡，觀察可能有外星文明的天苑四和天倉五兩個恆星系統，標誌著「尋找外星智慧計畫」（the Search for Extraterrestrial Intelligence, SETI）的誕生。可惜，累積了超過 150 小時的訊息，都沒有搜尋到可辨識的訊號。

比較近的則是 1995 年的鳳凰計畫，要研究來自太陽附近一千個恆星所發出的一千兩百到三千百萬赫的無線電波。由於有經費支持，SETI 每年可以花五百萬美元，掃描一千多個恆星，但是目前還沒有任何發現。

中間有一個小插曲是，1967 年 10 月，英國劍橋大學的研究生喬絲琳．貝爾發現無線電望遠鏡收到了一個非常規律的脈衝訊號，訊號周期約為 1.34 秒，每次脈衝持續時間 0.04 秒。因為有可能是來自外星文明的訊號，因此訊號被開玩笑地取為 Little Green Man 1（LGM-1 號）。但後來他們又發現了多個類似的脈衝信號，最後證實這些脈衝是來自高速自轉的中子星，而非某個文明正在傳遞訊息。

在中國也有探索外星生命的計畫，大家最關注的貴州天眼望遠鏡，直徑達五百公尺，是地球上最大的單一口徑電波望遠鏡。天眼望遠鏡在探索外星生命這件事，並不只是傳聞而已。2016 年 9 月天眼正式啟用後，也宣布加入 SETI 計畫。現在貴州天眼的六大任務之一，就包含探測星際通訊，希望能捕捉到來自其他星際文明的訊號。

而背負著地球最大單一口徑望遠鏡的名號，自然也引起不少關注。從 2016 年啟用到現在，就陸續出現不少檢測到可疑訊號的新聞。然而，這些訊號還需要經過檢驗，確定不是其他來自地面或地球附近的干擾源，或是我們過去難以發現的輻射源。可以確定的是，目前官方還未正式聲明找到外星文明訊號。

會不會是我們的通訊方法都選擇錯誤了？

即使電磁波用光速傳遞訊息，太陽系的直徑約 2 光年、銀河系直徑約 10 萬光年。或許我們的訊息還需要花很多時間才回得來，更別提那些被拋入太空的實體信件。航海家 1 號曾是世界上移動速度最快的人造物，現在仍以大約時速 6 萬公里的速度遠離地球，大約只有光速的一萬八千分之一倍。就算朝著最近的恆星——比鄰星飛去，最少也需要大約 7 萬 6 千年的時間才會到。

如果用電磁波傳遞訊息，又容易因為穿越星塵、行星、恆星等天體而被阻擋或吸收。不論是人類還是外星文明，都必須找到一個既快速，又不容易衰退的訊號，最好就是能以光速穿越任何障礙物的方式。

在三體小說中，就給出了一個關鍵方法：微中子通訊。

微中子通訊是什麼？

微中子（Neutrino），中國通常翻譯為中微子，是一種基本粒子。也就是說它是物質的最基本組成單位，無法被進一步分割。這種粒子引起了廣泛關注，因為它與其他物質的交互作用極弱，並且以極高的速度運動。微中子能夠輕易穿過大部分物質，通過時幾乎不受阻礙，因此難以檢測。

在宇宙中，微中子的數量僅次於光子，是宇宙中第二多的粒子。有多多呢？地球上面向太陽的方向，每平方公分的面積，大約是你的手指指尖，每秒鐘都會被大約 650 億個來自太陽的微中子穿過，就是這麼多。但是因為微中子與物質的反應真的是太弱了，例如在純水中，它們平均需要向前走 250 光年，才會與水產生一次交互作用，以至於我們幾乎不會發現它們的存在。

但是對物理學家來說，更特別的是微中子展示出三種不同的「味」（flavor），也就是三種樣貌，電子微中子，渺子微中子和濤微中子，分別對應到不同的物理特性。 在粒子物理學裏，有個「標準模型」來描述強力、弱力及電磁力這三種基本力，以及所有基本粒子。在這個標準模型中，微中子是不具備質量的。 然而，當科學家發現微中子竟然有三種味，而且能透過微中子振盪，在三種「味」之間相互轉換，證明了微中子必須具有質量，推翻了標準模型中預測微中子是無質量的假設，表示標準模型還不完備。

微中子在物理界是個非常有研究價值的對象，值得我們花上一整集來好好介紹，這邊就先點到為止。如果你對微中子或其他基本粒子很感興趣，歡迎在留言催促我們。

我們現在只要知道，微中子不僅推翻了標準模型。宇宙中含量第二多的粒子竟然有質量這件事情，更可能更新我們對宇宙的理解，以及增加對暗物質的了解。

但回到我們的問題，如果微中子幾乎不與其他粒子交互作用，我們要怎麼接收來自外星文明的微中子通訊呢？

要如何接收微中子？

Netflix 版《三體》預告片中，這個一閃而過，充滿金色圓球，帶有點宗教與科幻風格的大水缸，就是其中的關鍵。

這個小說中沒有特別提到，但相信觀眾中也有人一眼就看出來。這就是位在日本岐阜縣飛驒市，地表 1,000 公尺之下，由廢棄礦坑改建而成的大型微中子探測器「神岡探測器」。

探測器的主要結構是一個高 41.4 米、直徑 39.3 米的巨大圓柱形的容器。容器的內壁上安裝有 11200 個光電倍增管，用於捕捉微小的訊號。水缸中則需灌滿 5 萬噸的超純水。捕捉微中子的方式是等待微中子穿過整座探測器時，微中子和水中的氫原子和氧原子發生交互作用，產生淡藍色的光芒。這與我們在核電系列中提到，核燃料池中會發出淡藍色光芒的原理一樣，是當粒子在水中超越介質光速時，產生類似音爆的「契忍可夫輻射」。

也就是說，科學家準備一個超大的水缸來與微中子產生反應，並且用超過一萬個光電倍增管，來捕捉微小的契忍可夫輻射訊號。

但這樣的設計十分值得，前面提到的微中子可以在三種「味」中互相轉換，就是在這個水槽中被證實的。

這座「神岡探測器」在建成後 40 幾年來，讓日本孕育出了 5 位的諾貝爾物理獎得主。

三體影集選在這邊拍攝，真的要說，選得好啊。

話說回來，有了微中子的捕捉方法之後，現實中還真的有人研究起了微中子通訊！

微中子通訊是怎麼做到的？

來自羅徹斯特大學與北卡羅來納州立大學的團隊，在 2012 年發表了一篇文章，說明它們已成功使用微中子，以接近光速的速度將訊息穿過 1 公里的距離，其中有 240 公尺是堅硬的岩石。訊息的內容是「Neutrino」，也就是微中子。

這套設備準備起來也不簡單，用來發射微中子的，是一部強大的粒子加速器 NuMI。質子在加速繞行一個周長 3.3 公里的軌道之後，與一個碳標靶相撞，發出高強度的微中子射束。

用來接收微中子的則是邊長約 1.7 公尺，長 5 公尺的六角柱探測器 MINERvA，一樣身處於地底 100 公尺的洞穴中。

當然，這兩套設備的重點都是拿來研究微中子特性，而不是為了通訊設計的。團隊只是趁著主要任務之間的空檔，花了兩小時驗證通訊的可能性。

但微中子那麼難測量，要怎麼拿來通訊呢？團隊換了一個思維，目標只要能傳出０跟１就好，而這裡的０就是沒有發射微中子，而１則是發出微中子，而且是一大堆微中子。多到即使每百億個微中子只有一個會被 MINERvA 偵測到，只要靠著數量暴力，探測器就一定能接收到微中子。最後的實驗結果，平均一秒可以傳 0.1 個位元的訊息，錯誤率 1%。

看起來效率並不實用，卻是一個好的開始。

因為微中子「幾乎能穿透所有物體」的特性，即便我們還沒有其他外星文明可以通訊，或許還是有其他作用。例如潛水艇的通訊、或是與礦坑深處的通訊。進一步說，他幾乎可以在地球上的任一兩點建立點對點的直線通訊，完全不用擔心中間的阻礙。而對於現在最夯的太空競賽來說，月球背面的通訊問題，微中子也可以完美解決。

那麼，在微中子的研究上，各國的進度如何了呢？

除了前面提到的超級神岡，世界上還有幾個有趣的微中子探測器，例如位於加拿大的薩德伯里微中子觀測站（SNO），它有特殊的球體設計並且改為填充重水，專門用來觀測來自太陽的微中子。

而位於南極的冰立方微中子觀測站，則是將探測器直接埋在南極 1450 到 2450 公尺的冰層底下，將上方的冰層直接作為捕捉微中子的水。非常聰明的設計，這也讓冰立方成為地球上最大的微中子探測器。

除了已經在使用的這幾個探測器之外，美、中、日也即將打造更先進、更強大的探測器。

預計在美國打造的國際計畫——地下深處微中子實驗（Deep Underground Neutrino Experiment），預計成為世界上最大的低溫粒子偵測器。接收器位於南達科他州的地底一公里深處，用作研究的微中子訊號源則來自 1300 公里外的費米實驗室，百萬瓦等級的質子加速器，將產生有史以來最強的微中子束。這台地下深處微中子實驗（Deep Underground Neutrino Experiment）的縮寫非常有趣，就是 DUNE，沙丘。

中國呢，則預計在廣東的江門市，用 2 萬支 51 公分光電倍增管和 2 萬 5000 支 7.6 公分光電倍增管，在地底 700 公尺深處，打造巨大球形的微中子探測器－江門中微子實驗室，內部可以填充兩萬噸的純水。最新的消息是預計 2024 年就能啟用。

最後，經典的超級神岡探測器也不會就此原地踏步，日本預計打造更大的超巨型神岡探測器。容積將提升 5.2 倍、光電管從 11200 個變成 4 萬個，進一步研究微中子與反微中子之間的震盪。

結論

這些微中子探測器的研究目標必然是微中子本身的特性。但既然微中子通訊是有可能的，在任務之餘研究一下這個可能性，也不是說不行吧。

雖然我們現在還沒連繫上我們的好鄰居，但很難說明天就有哪個外星文明終於接收到我們對外宣傳的訊息，發出微中子通訊問候，甚至按圖索驥跑來地球。

至於那時我們應該怎麼辦呢？我們的網站上有幾篇文章，包括介紹黑暗森林法則，以及從《異星入境》看我們要如何與語言不通的外星文明溝通。有興趣的朋友，可以點擊資訊欄的連結觀看。在外星人降臨之前，也不妨參考我們的科學小物哦。

歡迎訂閱 Pansci Youtube 頻道 獲取更多深入淺出的科學知識！

延伸閱讀

• 《3 體》| 正式預告 | Netflix  
• https://case.ntu.edu.tw/blog/?p=40773
• https://pb.ps-taiwan.org/modules/news…
• https://www.digitimes.com.tw/col/arti…
• https://astrobiology.com/2016/10/nati…
• https://web.archive.org/web/201911180…
• https://pansci.asia/archives/80656
• https://arxiv.org/abs/1203.2847
• https://ar5iv.labs.arxiv.org/html/150…
• https://pansci.asia/archives/149105
• https://www.dunescience.org/
• https://www.ourchinastory.com/zh/3608…
• https://www-sk.icrr.u-tokyo.ac.jp/hk/…