金星表面風速愈來愈快

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

1761 年 6 月 6 日，歐洲的天文學家們乘船抵達世界各地的天文台，爭相用最先進的儀器紀錄一個罕見的天文現象──金星凌日， 因為此天文現象可以幫助人們精確測算地球與太陽的距離。在英法七年戰爭的氛圍下，兩國的天文學家尤其較勁，都想要第一個量出日地距離，為天文學史畫下濃墨重彩的一筆。然而當大家拭目以待地望向剛與太陽重疊的金星時，卻都露出了驚訝的表情──金星變形了！

說到金星凌日，大家最有印象的或許是 2012 年的一次金星凌日，從天文學家到各個職業的人們都拿著減光濾鏡共襄盛舉，畢竟下一次的金星凌日要到 2117 年才會再發生。然而在過去，金星凌日並不只是歡樂的娛樂事件，也是非常嚴肅的科學事件。

在十八世紀時，多數天文學家都接受哥白尼的日心說，而克卜勒提出的行星運動三大定律，則可以推導出各行星軌道半徑與地球軌道半徑之間的相對長度，然而最大的問題是當時的人們並不知道地球軌道半徑（地球到太陽的平均距離）的絕對長度。為了解決這個問題，英國天文學家愛德蒙．哈雷於 1716 年提出了使用金星凌日來測量日地距離的方法。如圖一所示，金星凌日的軌跡長短與在地球上的何處觀測有關，在軌跡較長處金星凌日的時間較長，反之則較短，這是因為在地球上不同處觀測金星的視角不同造成的。

假設我們在地球上的 A 與 B 兩處量測金星凌日的時間，我們可以量出兩地觀測金星時的視角差，在知道 A 與 B 間距的前提下，我們可以用視差法量出地球到金星在金星凌日發生時的距離（見圖二）。最後根據克卜勒第三行星運動定律─行星公轉太陽週期平方與行星到太陽的平均距離立方成反比─可以得出金星到太陽的距離約為地球到太陽距離的 0.7 倍，我們也可以得知地球與金星在金星凌日時的距離是地球到太陽距離的0.3倍，由此可以推導出太陽與地球的距離。

此方法在當時極大鼓舞了天文學家的士氣，大家都摩拳擦掌的為 1761 年的金星凌日作出準備，共一百多名天文學家乘船至世界各地以測量不同地方金星凌日的時長，其中較為著名的有英國派出的庫克船長於大溪地觀測金星凌日，以及荷蘭則派出的 Johan Maurits Moh 到歷史課本中提過的荷蘭東印度公司巴達維雅總部進行觀測（圖三）。

然而正當金星與太陽重疊時，大家卻不知道何時該按下碼表記錄金星凌日開始的時間，因為金星變形了。圖四是最早關於金星變形的紀錄，在金星靠近太陽的邊緣時金星的旁邊會出現黑色的陰影與太陽邊緣相連接，而這樣的陰影狀似水滴，因此這個現象也被稱作「黑滴現象」。

當時的天文學家們為黑滴現象提出了各種不同的解釋，有些天文學家認為黑色的陰影是金星大氣對太陽光的散射與折射造成的錯覺，也有人認為這是地球大氣擾動造成的現象，還有人認為是太陽光通過金星時繞射所造成的陰影。

前面兩種解釋在 1999 年 NASA 的 TRACE 太空望遠鏡對水星凌日的觀測後被否定，因為太空中沒有地球大氣干擾，水星上則沒有大氣可以散射或折射太陽的光線，而觀測的照片中卻仍出現黑滴效應（圖五）。光的繞射所能造成的影響則不足以產生黑滴現象（繞射影響在約 10^{-9} 角秒，可忽略^[1]）。

關於黑滴現象的成因一直到 2004 年才得到令人信服的解釋，天文學家 Glenn Schneider 認為黑滴現象是由望遠鏡的點擴散函數（Point Spread Function, PSF）以及太陽的周邊減光造成的 ^[2]。

為了簡單瞭解他所提出的概念，大家可以將大拇指與食指放在一光源之前漸漸靠近（直視強光源會傷害眼睛，請注意光源強度不可以太強），在兩指快要靠在一起時，可以看見兩指中間突然浮現出一段陰暗的橋將兩指相連（如圖六）。

這是因為非點光源會在兩指的邊緣製造出模糊的陰影，而人眼對模糊的陰影並不敏感，因此直到兩指特別靠近時，兩指的陰影重疊導致陰影變明顯才看得出來。圖七與圖八中的兩塊陰影可以幫助大家更好地破除這個錯覺，圖七單純顯示兩塊模糊的陰影，而圖八將陰影的等暗度線畫出來。比較兩圖我們可以發現雖然圖七中兩塊陰影像是連接在一起，然而實際上圖八卻顯示兩陰影並沒有連接在一起 ^[3]。

金星凌日所產生的黑滴效應也是透過類似的方式產生的，不過金星模糊陰影與太陽邊緣模糊的成因不同。金星陰影在望遠鏡的觀測中，會因為望遠鏡的點擴散函數而在成像時顯得模糊。望遠鏡的點擴散函數，指的是一望遠鏡在觀測點光源時成像的樣子，不同望遠鏡的點擴散函數有所不同，但通常口徑小或做工差的望遠鏡會有較大之點擴散函數，點光源被模糊化的程度也越高，看的也就越不清晰。

回到金星的陰影，當古代人們用做工差且口徑較小的望遠鏡觀測金星時，其陰影非常模糊、黑滴現象較現在的望遠鏡明顯的多，這也是為什麼各地回報黑滴現象的次數隨著望遠鏡的進步逐漸地減少 ^[4]。

太陽邊緣的模糊則主要是因為太陽是一團沒有銳利邊緣的發光電漿。如圖九所示，假設每單位體積電漿能發出的光相同，我們可以看到往太陽邊緣的線上通過的電漿比往太陽中心的線上通過的電漿要少，這也代表著往太陽中心看去的光線較亮，而越往太陽邊緣看去亮度會逐漸減少。圖十是一個比較誇張的示意圖，圖中一模糊的黑影為金星，一模糊的白色邊緣則代表太陽邊緣，即便兩者的邊緣沒有接觸，我們仍能看到金星的邊緣伸出了黑影，與太陽邊緣相連接，這便是黑滴現象的由來。

回到日地距離的問題上，難道在這兩百多年的時間中沒有其他方式能量測金星與地球的距離嗎？實際上在雷達與遙測技術的加持下，人們早在 1964 年就能夠以高精度量測地球到金星間的距離了，因此如今的日地距離測量早已與金星凌日無關。

不過黑滴現象這一歷史悠久的問題，仍在一代一代天文學家的不懈努力下被解決了；時至今日，我們仍面臨著宇宙的諸多未知，而我由衷的期待這些現在看似無解的問題，能在未來的某一天被解決，無論花上幾十年、幾百年的時間。

參考資料：

1. The Transit of Venus and the Notorious Black Drop, Schaefer, B. E. (2000) https://ui.adsabs.harvard.edu/abs/2000AAS…197.0103S/abstract
2. TRACE observations of the 15 November 1999 transit of Mercury and the Black Drop effect: considerations for the 2004 transit of Venus, Glenn Schneider (2004) https://www.sciencedirect.com/science/article/pii/S0019103503003841?via%3Dihub
3. Stackexchange, Why do shadows from the sun join each other when near enough? (2014) https://physics.stackexchange.com/questions/94235/why-do-shadows-from-the-sun-join-each-other-when-near-enough
4. The black-drop effect explained, Jay M. Pasachof (2005) https://ui.adsabs.harvard.edu/abs/2005tvnv.conf..242P/abstract

• 本文編譯自《Parker Solar Probe imaging of the night side of Venus》

在天文觀測中，自古以來就有許多關於金星的紀錄。從 1960 年代起，蘇聯、美國太空總署（NASA）、歐洲太空總署（ESA）和日本也都相繼發射探測器，執行不同類型的太空任務，希望能夠更認識金星。

2020 年，NASA 的派克太陽探測器（Parker Solar Probe，簡稱「派克號」）首次在太空中以可見光拍攝金星表面，並在 2021 年 2 月再次拍攝一系列可見光照片後，將他們的分析成果公諸於世。

本篇文章將依序介紹金星探測史、派克號的探測方法、可見光照片的分析成果，以及金星探測的未來展望。現在，就讓我們從頭認識這位閃閃發亮的鄰居吧！

始於科學革命的金星之旅

對地球上的我們來說，月亮是夜空中最亮的天體，但你知道最亮的「行星」是哪一顆嗎？那就是本篇文章的主角——金星！金星的平均視星等，也就是肉眼所看到的平均星體亮度，大約是 -4.14，僅次於月亮的 -12.74 與太陽的 -26.74（數字越小就越亮）^[1]，不只是地球夜空中最亮的行星，更是太陽系第三明亮的星體。

有個這麼耀眼的酷東西掛在天上，想必科學家絕不會輕易放過！就在科學革命（1543–1687 年）期間，天文學領域突飛猛進——哥白尼提倡日心說、牛頓發現萬有引力、克卜勒導出行星運動定律等等。同時期的知名科學家還有伽利略，他改良望遠鏡，透過觀測金星相位（圖一），也就是金星表面的光照變化，得知金星並不是繞著地球運行，進而推翻當時蔚為盛行的地心說。

此後，眾多業餘天文學家和天文愛好者也都一窩蜂利用望遠鏡觀測金星。有許多人聲稱在背光側看見了微弱的灰白色光芒，並將其稱作「灰光」（Ashen light）。

有些人認為是灰光是金星上的閃電，有些人則認為是紫外線穿透金星大氣時，氧離子游離而輻射出的暗綠色光芒（類似地球上的極光現象），可是沒有人能夠確實拍照紀錄，因此當時普遍認為灰光只是一種視錯覺。時至今日，這些假設也都還沒有確切的科學根據。^[2]

不斷演進的金星探測技術

時間來到 1960 年代，繼水手 2 號（Mariner 2）在 1962 年掠過金星後，金星 4 號（Venera 4） 在 1967 年進入金星大氣層進行分析，結果顯示金星大氣約含有 90-93% 二氧化碳、7% 氮氣，以及少許氧氣和水蒸氣。^[3] 緊接著在 1975 年，金星 9 號（Venera 9）測出表面溫度約 485 °C、雲層厚度約 30–40 公里。除此之外，還拍下金星表面的 180 度全景照片（圖二），是史上第一個將金星照片傳回地球的探測器。^[4]

金星大氣層布滿厚厚的硫酸雲，不僅反射了大約 75% 的陽光，也阻擋了來自金星表面的大部分可見光。因此，科學家決定改用雷達儀器測繪金星表面。1990 年代，麥哲倫（Magellan）多次以雷達測繪金星表面的火山和隕石坑等地貌結構，其清晰程度與可見光測繪不相上下，可說是目前最詳細的金星地圖（圖三）。^[5]

此後，科學家進一步利用近紅外線（NIR）觀測金星背光面，因為近紅外線（波長 0.75–1.5 μm）有利於影像在低光環境下生成，而這個波段恰好也是大氣透明度最高的範圍，可以更清楚地看見金星表面。1998 年，卡西尼號（Cassini）以 0.85 μm 的波段觀測金星，可惜這種方法在技術上難以突破，因為輻射強度會隨著波長變短而迅速下降。直到 2020 年，派克號才終於以更短的波長捕捉到金星表面的輻射。

飛越金星七次的「派克號」

2018 年 8 月，派克號發射升空，飛往太陽（圖四）。為了在這漫長的旅途中節省燃料，派克號總共得進行七次重力輔助飛越（VGA），利用金星的引力逐步修正飛行軌道，最終在 2025 年抵達距離太陽中心 10 個太陽半徑（約 690 萬公里）的地方，進行日冕和太陽風的測量任務。

七次重力輔助飛越（VGA）的時程分別如下^[6]：

• VGA1：2018 年 10 月 3 日
• VGA2：2019 年 12 月 26 日
• VGA3：2020 年 7 月 11 日
• VGA4：2021 年 2 月 20 日
• VGA5：2021 年 10 月 16 日
• VGA6：2023 年 8 月 21 日
• VGA7：2024 年 11 月 6 日

截至目前（2022 年 3 月），派克號順利完成了前 5 次 VGA。在 VGA1 和 VGA2 期間，派克號都沒有任何動作。

後來，科學家認為可以利用其搭載的 WISPR 望遠鏡（Wide-Field Imager for Parker Solar Probe）觀測金星雲層。WISPR 可說是派克號的靈魂之窗，但它並不只是一座望遠鏡，而是兩座寬頻光學望遠鏡—— WISPR-I（Inner）和 WISPR-O（Outer），兩者配備的濾光片都只能讓可見光（波長 0.5–0.8 μm）通過。

於是，在 VGA3 和 VGA4 期間，科學家突發奇想，讓 WISPR 對準金星的向光面和背光面，分別拍下照片，想藉此測量雲的速度。沒想到 WISPR 竟然直接穿透了厚重的雲層，以可見光拍攝到明暗不一的表面，同時達成「以光學望遠鏡觀測金星表面」和「從太空拍攝金星表面的可見光照片」兩項創舉。

這時候，問題來了！WISPR 的最短曝光時間是 2 秒，但金星的向光面太亮了，拍出來的照片張張過曝、過飽和，還產生假影，使得原圖和電腦重組照片有所誤差。為了避免這樣的問題，科學家只好放棄拍攝向光面，改以背光面的照片作為研究材料。

WISPR 拍攝的可見光照片

VGA3 期間拍攝的照片只有兩張可以用，其中一張如下（圖五，黑白部分）。在這張照片長達 18.4 秒的曝光期間，派克號不斷被宇宙塵埃（漂浮在太空中的小顆粒）撞擊，造成隔熱罩上的材料燒毀，留下許多水平方向的刮痕。若是忽略刮痕，可以清楚看到明暗不一致的區域，而造成顏色深淺不一的主要原因就是金星的地形特徵。

藉由比對 WISPR 照片與麥哲倫的雷達地形圖（圖五，彩色部分），科學家得以了解溫度如何隨高度變化。圖中黑色（紅色）部分是金星最大的高地區域，位於阿芙蘿黛蒂高地（Aphrodite Terra）西邊的奧瓦達區（Ovda Regio）——越接近白色的區塊越熱，是低海拔地形；越接近黑色的區塊則越冷，是高海拔地形。

有了 VGA3 的失敗經驗後，VGA4 的照片就沒有出現刮痕了，而且還從不同的角度拍到了金星表面（圖六）。在 VGA3 期間，派克號是從金星後方飛越，因此 WISPR 拍到的是金星的東側邊緣；在 VGA4 期間，派克號則是從金星前方飛越，因此 WISPR 拍到的是金星的西側邊緣——這讓科學家能夠更細微、更全面地觀察金星的背光面。

金星探測的未來展望

雖然金星、地球和火星都是在同一時間形成，現在卻大不相同——火星的大氣層非常稀薄，而金星的大氣層非常厚重。為了解開這個謎團，NASA 和 ESA 在 2021 年 6 月宣布了 3 項全新的金星探測任務，分別是 VERITAS^[7]、DAVINCI^[8] 和 EnVision^[9]。這些任務將進一步探測金星的大氣、地質和其他條件，瞭解這顆星球是否曾經宜居，又是如何演變成現在的樣貌。

• 延伸閱讀：為什麼我們住在地球而不是金星？
• 延伸閱讀：向來為熾熱煉獄的金星居然有酷寒之境
• 延伸閱讀：全球暖化的物理：金星證實，都是二氧化碳惹的禍

至於派克號，不幸的消息是，2021 年 10 月的 VGA5 不利於背光面拍攝，而 2023 年 8 月的 VGA6 也將是如此。如果你也和我一樣想看更多 WISPR 拍攝的可見光照片，就讓我們期待 2024 年 11 月的最後一次飛越（VGA7）吧！

註解

1. Apparent magnitude – Wikipedia
2. Ashen light – Wikipedia
3. Venera 4 – Wikipedia
4. Venera 9 – Wikipedia
5. Magellan (spacecraft) – Wikipedia
6. Parker Solar Probe: The Mission
7. In Depth | Veritas – NASA Solar System Exploration
8. DAVINCI Homepage – Probe and Flyby Mission to Venus Atmosphere
9. EnVision: a mission for understanding planets everywhere

• Wood, B. E., Hess, P., Lustig-Yaeger, J., Gallagher, B., Korwan, D., Rich, N., et al. (2021). Parker Solar Probe imaging of the night side of Venus. Geophysical Research Letters, 48, e2021GL096302. https://doi.org/10.1029/2021GL096302
• First visible light images of venus’ surface from space captured by parker solar probe
• We finally know why Venus is absolutely radiant
• Galileo’s Phases of Venus and Other Planets
• Venus – NASA Solar System Exploration
• NSSDCA Photo Gallery: Venus
• Atmosphere of Venus – Wikipedia
• List of missions to Venus – Wikipedia
• Parker Solar Probe: Humanity’s First Visit to a Star
• NASA’s New Views of Venus’ Surface From Space