時間的軌跡：現代都市中的巨石陣

本文與 研華科技 合作，泛科學企劃執行

我們都看過那種影片，對吧？網路上從不缺乏讓人驚嘆的機器人表演：數十台人形機器人像軍隊一樣整齊劃一地耍雜技 ，或是波士頓動力的機器狗，用一種幾乎違反物理定律的姿態後空翻、玩跑酷 。每一次，社群媒體總會掀起一陣「未來已來」、「人類要被取代了」的驚呼 。

但當你關掉螢幕，看看四周，一個巨大的落差感就來了：說好的機器人呢？為什麼大街上沒有他們的身影，為什麼我家連一件衣服都還沒人幫我摺？

這份存在於數位螢幕與物理現實之間的巨大鴻溝，源於一個根本性的矛盾：當代AI在數位世界裡聰明絕頂，卻在物理世界中笨拙不堪。它可以寫詩、可以畫畫，但它沒辦法為你端一杯水。

這個矛盾，在我們常見的兩種機器人展示中體現得淋漓盡致。第一種，是動作精準、甚至會跳舞的類型，這本質上是一場由工程師預先寫好劇本的「戲」，機器人對它所處的世界一無所知 。第二種，則是嘗試執行日常任務（如開冰箱、拿蘋果）的類型，但其動作緩慢不穩，彷彿正在復健的病人 。

這兩種極端的對比，恰恰點出了機器人技術的真正瓶頸：它們的「大腦」還不夠強大，無法即時處理與學習真實世界的突發狀況 。

這也引出了本文試圖探索的核心問題：新一代AI晶片NVIDIA® Jetson Thor™ ，這顆號稱能驅動「物理AI」的超級大腦，真的能終結機器人的「復健時代」，開啟一個它們能真正理解、並與我們共同生活的全新紀元嗎？

為何我們看到的機器人，總像在演戲或復健？

那我們怎麼理解這個看似矛盾的現象？為什麼有些機器人靈活得像舞者，有些卻笨拙得像病人？答案，就藏在它們的「大腦」運作方式裡。

那些動作極其精準、甚至會後空翻的機器人，秀的其實是卓越的硬體性能——關節、馬達、減速器的完美配合。但它的本質，是一場由工程師預先寫好劇本的舞台劇 。每一個角度、每一分力道，都是事先算好的，機器人本身並不知道自己為何要這麼做，它只是在「執行」指令，而不是在「理解」環境。

而另一種，那個開冰箱慢吞吞的機器人，雖然看起來笨，卻是在做一件革命性的事：它正在試圖由 AI 驅動，真正開始「理解」這個世界 。它在學習什麼是冰箱、什麼是蘋果、以及如何控制自己的力量才能順利拿起它。這個過程之所以緩慢，正是因為過去驅動它的「大腦」，也就是 AI 晶片的算力還不夠強，無法即時處理與學習現實世界中無窮的變數 。

這就像教一個小孩走路，你可以抱著他，幫他擺動雙腿，看起來走得又快又穩，但那不是他自己在走。真正的學習，是他自己搖搖晃晃、不斷跌倒、然後慢慢找到平衡的過程。過去的機器人，大多是前者；而我們真正期待的，是後者。

所以，問題的核心浮現了：我們需要為機器人裝上一個強大的大腦！但這個大腦，為什麼不能像ChatGPT一樣，放在遙遠的雲端伺服器上就好？

機器人的大腦，為什麼不能放在雲端？

聽起來好像很合理，對吧？把所有複雜的運算都交給雲端最強大的伺服器，機器人本身只要負責接收指令就好了。但……真的嗎？

想像一下，如果你的大腦在雲端，你看到一個球朝你飛過來，視覺訊號要先上傳到雲端，雲端分析完，再把「快閃開」的指令傳回你的身體。這中間只要有零點幾秒的網路延遲，你大概就已經鼻青臉腫了。

現實世界的互動，需要的是「即時反應」。任何網路延遲，在物理世界中都可能造成無法彌補的失誤 。因此，運算必須在機器人本體上完成，這就是「邊緣 AI」（Edge AI）的核心概念 。而 NVIDIA  Jetson 平台，正是為了解決這種在裝置端進行高運算、又要兼顧低功耗的需求，而誕生的關鍵解決方案 。

NVIDIA Jetson 就像一個緊湊、節能卻效能強大的微型電腦，專為在各種裝置上運行 AI 任務設計 。回顧它的演進，早期的 Jetson 系統主要用於視覺辨識搭配AI推論，像是車牌辨識、工廠瑕疵檢測，或者在相機裡分辨貓狗，扮演著「眼睛」的角色，看得懂眼前的事物 。但隨著算力提升，NVIDIA Jetson 的角色也逐漸從單純的「眼睛」，演化為能夠控制手腳的「大腦」，開始驅動更複雜的自主機器，無論是地上跑的、天上飛的，都將NVIDIA Jetson 視為核心運算中樞 。

但再強大的晶片，如果沒有能適應現場環境的「容器」，也無法真正落地。這正是研華（Advantech）的角色，我們將 NVIDIA Jetson 平台整合進各式工業級主機與邊緣運算設備，確保它能在高熱、灰塵、潮濕或震動的現場穩定運行，滿足從工廠到農場到礦場、從公車到貨車到貨輪等各種使用環境。換句話說，NVIDIA 提供「大腦」，而研華則是讓這顆大腦能在真實世界中呼吸的「生命支持系統」。

這個平台聽起來很工業、很遙遠，但它其實早就以一種你意想不到的方式，進入了我們的生活。

從Switch到雞蛋分揀員，NVIDIA Jetson如何悄悄改變世界？

如果我告訴你，第一代的任天堂Switch遊戲機與Jetson有相同血緣，你會不會很驚訝？它的核心處理器X1晶片，與Jetson TX1模組共享相同架構。這款遊戲機對高效能運算和低功耗的嚴苛要求，正好與 Jetson 的設計理念不謀而合 。

而在更專業的領域，研華透過 NVIDIA Jetson 更是解決了許多真實世界的難題 。例如

• 在北美，有客戶利用 AI 進行雞蛋品質檢測，研華的工業電腦搭載NVIDIA Jetson 模組與相機介面，能精準辨識並挑出髒污、雙黃蛋到血蛋 
• 在日本，為避免鏟雪車在移動時發生意外，導入了環繞視覺系統，當 AI 偵測到周圍有人時便會立刻停止 ；
• 在水資源珍貴的以色列，研華的邊緣運算平台搭載NVIDIA Jetson模組置入無人機內，24 小時在果園巡航，一旦發現成熟的果實就直接凌空採摘，實現了「無落果」的終極目標 。

這些應用，代表著 NVIDIA Jetson Orin™ 世代的成功，它讓「自動化」設備變得更聰明 。然而，隨著大型語言模型（LLM）的浪潮來襲，人們的期待也從「自動化」轉向了「自主化」 。我們希望機器人不僅能執行命令，更能理解、推理。

Orin世代的算力在執行人形機器人AI推論時的效能約為每秒5到10次的推論頻率，若要機器人更快速完成動作，需要更強大的算力。業界迫切需要一個更強大的大腦。這也引出了一個革命性的問題：AI到底該如何學會「動手」，而不只是「動口」？

革命性的一步：AI如何學會「動手」而不只是「動口」？

面對 Orin 世代的瓶頸，NVIDIA 給出的答案，不是溫和升級，而是一次徹底的世代跨越— NVIDIA Jetson Thor 。這款基於最新 Blackwell 架構的新模組，峰值性能是前代的 7.5 倍，記憶體也翻倍 。如此巨大的效能提升，目標只有一個：將過去只能在雲端資料中心運行的、以 Transformer 為基礎的大型 AI 模型，成功部署到終端的機器上 。

NVIDIA Jetson Thor 的誕生，將驅動機器人控制典範的根本轉變。這要從 AI 模型的演進說起：

1. 第一階段是 LLM（Large Language Model，大型語言模型）：
   我們最熟悉的 ChatGPT 就屬此類，它接收文字、輸出文字，實現了流暢的人機對話 。
2. 第二階段是 VLM（Vision-Language Model，視覺語言模型）：
   AI 學會了看，可以上傳圖片，它能用文字描述所見之物，但輸出結果仍然是給人類看的自然語言 。
3. 第三階段則是 VLA（Vision-Language-Action Model，視覺語言行動模型）：
   這是革命性的一步。VLA 模型的輸出不再是文字，而是「行動指令（Action Token）」 。它能將視覺與語言的理解，直接轉化為控制機器人關節力矩、速度等物理行為的具體參數 。

這就是關鍵！ 過去以NVIDIA Jetson Orin™作為大腦的機器人，僅能以有限的速度運行VLA模型。而由 VLA 模型驅動，讓 AI 能夠感知、理解並直接與物理世界互動的全新形態，正是「物理 AI」（Physical AI）的開端 。NVIDIA Jetson Thor 的強大算力，就是為了滿足物理 AI 的嚴苛需求而生，要讓機器人擺脫「復健」，迎來真正自主、流暢的行動時代 。

其中，物理 AI 強調的 vision to action，就需要研華設計對應的硬體來實現；譬如視覺可能來自於一般相機、深度相機、紅外線相機甚至光達，你的系統就要有對應的介面來整合視覺；你也會需要控制介面去控制馬達伸長手臂或控制夾具拿取物品；你也要有 WIFI、4G 或 5G 來傳輸資料或和別的 AI 溝通，這些都需要具體化到一個系統上，這個系統的集大成就是機器人。

好，我們有了史上最強的大腦。但一個再聰明的大腦，也需要一副強韌的身體。而這副身體，為什麼非得是「人形」？這不是一種很沒效率的執念嗎？

為什麼機器人非得是「人形」？這不是一種低效的執念嗎？

這是我一直在思考的問題。為什麼業界的主流目標，是充滿挑戰的「人形」機器人？為何不設計成效率更高的輪式，或是功能更多元的章魚型態？

答案，簡單到令人無法反駁：因為我們所處的世界，是徹底為人形生物所打造的。

從樓梯的階高、門把的設計，到桌椅的高度，無一不是為了適應人類的雙足、雙手與身高而存在 。對 AI 而言，採用人形的軀體，意味著它能用與我們最相似的視角與方式去感知和學習這個世界，進而最快地理解並融入人類環境 。這背後的邏輯是，與其讓 AI 去適應千奇百怪的非人形設計，不如讓它直接採用這個已經被數千年人類文明「驗證」過的最優解 。

這也區分了「通用型 AI 人形機器人」與「專用型 AI 工業自動化設備」的本質不同 。後者像高度特化的工具，產線上的機械手臂能高效重複鎖螺絲，但它無法處理安裝柔軟水管這種預設外的任務 。而通用型人形機器人的目標，是成為一個「多面手」，它能在廣泛學習後，理解物理世界的運作規律 。理論上，今天它在產線上組裝伺服器，明天就能在廚房裡學會煮菜 。

但要讓一個「多面手」真正活起來，光有骨架還不夠。它必須同時擁有強大的大腦平台與遍布全身的感知神經，才能理解並回應外在環境。人形機器人的手、腳、眼睛、甚至背部，都需要大量感測器去理解環境就像神經末梢一樣，隨時傳回方位、力量與外界狀態。但這些訊號若沒有通過一個穩定的「大腦平台」，就無法匯聚成有意義的行動。

這正是研華的角色：我們不僅把 NVIDIA Jetson Thor 這顆核心晶片包載在工業級電腦中，讓它成為能真正思考與反應的「完整大腦」，同時也提供神經系統的骨幹，將感測器、I/O 介面與通訊模組可靠地連結起來，把訊號傳導進大腦。你或許看不見研華的存在，但它實際上遍布在機器人全身，像隱藏在皮膚之下的神經網絡，讓整個身體真正活過來。

但有了大腦、有了身體，接下來的挑戰是「教育」。你要怎麼教一個物理 AI？總不能讓它在現實世界裡一直摔跤，把一台幾百萬的機器人摔壞吧？

打造一個「精神時光屋」，AI的學習速度能有多快？

這個問題非常關鍵。大型語言模型可以閱讀網際網路上浩瀚的文本資料，但物理世界中用於訓練的互動資料卻極其稀缺，而且在現實中反覆試錯的成本與風險實在太高 。

答案，就在虛擬世界之中。

NVIDIA Isaac Sim™等模擬平台，為這個問題提供了完美的解決方案 。它能創造出一個物理規則高度擬真的數位孿生（Digital Twin）世界，讓 AI 在其中進行訓練 。

這就像是為機器人打造了一個「精神時光屋」 。它可以在一天之內，經歷相當於現實世界千百日的學習與演練，從而在絕對安全的環境中，窮盡各種可能性，深刻領悟物理世界的定律 。透過這種「模擬-訓練-推論」的 3 Computers 閉環，Physical AI (物理AI) 的學習曲線得以指數級加速 。

我原本以為模擬只是為了節省成本，但後來發現，它的意義遠不止於此。它是在為 AI 建立一種關於物理世界的「直覺」。這種直覺，是在現實世界中難以透過有限次的試錯來建立的。

所以你看，這趟從 Switch 到人形機器人的旅程，一幅清晰的未來藍圖已經浮現了。實現物理 AI 的三大支柱已然齊備：一個劃時代的「AI 大腦」（NVIDIA Jetson Thor）、讓核心延展為「完整大腦與神經系統」的工業級骨幹（由研華 Advantech 提供），以及一個不可或缺的「教育環境」（NVIDIA Isaac Sim 模擬平台） 。

結語

我們拆解了那些酷炫機器人影片背後的真相，看見了從「自動化」走向「自主化」的巨大技術鴻溝，也見證了「物理 AI」時代的三大支柱——大腦、身軀、與教育——如何逐一到位 。

專家預測，未來 3 到 5 年內，人形機器人領域將迎來一場顯著的革命 。過去我們只能在科幻電影中想像的場景，如今正以前所未有的速度成為現實 。

這不再只是一個關於效率和生產力的問題。當一台機器，能夠觀察我們的世界，理解我們的語言，並開始以物理實體的方式與我們互動，這將從根本上改變我們與科技的關係。

所以，最後我想留給你的思想實驗是：當一個「物理 AI」真的走進你的生活，它不只是個工具，而是一個能學習、能適應、能與你共同存在於同一個空間的「非人智慧體」，你最先感受到的，會是興奮、是便利，還是……一絲不安？

這個問題，不再是「我們能否做到」，而是「當它發生時，我們準備好了嗎？」

研華已經整裝待發，現在，我們與您一起推動下一代物理 AI 與智慧設備的誕生。
https://bit.ly/4n78dR4

F 編按：本文編譯自 Live Science

每到歲末或年初時，大家常會打開新的行事曆，做新一年的計畫。從直覺來看，我們常以「一年有 365 天」或「閏年 366 天」的概念衡量時間。如果將 365 天除以 7（每週 7 天），得到的答案約是 52 週又 1 天；若遇到閏年（366 天），則是 52 週又 2 天。換句話說，無論是一般年還是閏年，一年都不可能整除，剛好 52 週，總要多出 1 或 2 天。

對多數人而言，這種「約 52 週加 1 天」似乎是再自然不過的事。然而，實際上人類在訂定「一年幾天」與「多久閏一次」的規則上，一路走來經歷了漫長探索與爭議。自古以來，不同文明先後採用依太陽或月亮運行週期為基準的曆法；儘管最終各國大多轉而採行以太陽週期為主的格里高利曆（Gregorian calendar），但並非一蹴可幾，而是一段包含宗教、政治、天文觀測的故事。

從洪荒到曆法：人類如何決定時間單位

追溯人類對時間的測量，可遠至一萬多年前：考古發現顯示，澳洲原住民或新石器時代的部落，便會根據太陽、星象的移動，來推算季節變遷與祭典進行。後來，隨著農業興起，區分一年四季並掌握耕作節氣成了首要需求，日曆的概念亦逐漸成型。

• 宗教推力：古埃及與蘇美等文明常需要在特定時刻進行祭祀或儀式，故對晝夜長短、月相週期乃至每年太陽位置頗為講究。
• 日月曆法之爭：有些文明依月亮週期（約 29.5 天）為月數基礎，稱「陰曆」；也有採納太陽年度（約 365 日）稱「陽曆」，或折衷稱「陰陽合曆」。

就週數而言，古人或許更關注「每個月有幾天」與「一年有幾個月」，而非「一年到底可以分成幾週」。然而，週的概念在很多宗教與文化裡同樣重要，如猶太教及後來的基督宗教都強調「七天」一週之體系，用於安息日或祈禱輪替。因此，當今的一年分成「52 週多幾天」，也綜合了宗教傳統與太陽年的計算。

朱利安曆失準？教宗格里高利的關鍵校正

現行國際普及的格里高利曆，最早源自於古羅馬朱利安曆（Julian calendar）。公元前 46 年，凱撒大帝（Julius Caesar）在天文學家蘇西根尼斯（Sosigenes）建議下，設定一年 365.25 天，並每四年加一天作閏年。看似精妙，但實際上太陽年長度約是 365.2422 天，每年多出的 0.0078 天、也就是大約 11 分鐘，雖然聽來微乎其微，卻在一段世紀之後累積成巨大的誤差。

對天主教而言，耶穌受難與復活日期影響了整年眾多教會節日。若曆法逐漸偏移，像復活節等慶典便逐年脫節了季節原意。至 16 世紀末時，朱利安曆已誤差累積多達 10 天。教宗格里高利十三世遂在 1582 年宣佈大刀闊斧改革：10 月 4 日的次日直接跳到 10 月 15 日，並規定「百年年份如若非 400 整除，則不列為閏年」。如此，將一年的平均時長微調至更貼近 365.2422 天。

一些國家如法國、西班牙和義大利等迅速採納「新曆」，但英國則因宗教立場等因素拖延至 1752 年才肯切換。中國雖在 1912 年起算是「正式認可」，但廣泛實施延至 1929 年。這樣因曆制修整所產生的「失落日子」，在各國各時期都曾引發不小民眾抗議與混亂，但如今我們所熟知的「一年 365（或 366）天、每週 7 天」全球大體一致，正是拜此改革所賜。

一年是 52 週又幾天？

回到主題：基於現在格里高利曆的「年」長度，一般年 365 天，閏年 366 天。因此只要把 365 ÷ 7 = 52 餘 1，或 366 ÷ 7 = 52 餘 2。這樣看來，52 週是某種近似值，再加上 1 或 2 天則填補了週數的縫隙。有趣的是，人們日常生活中往往不深究這些「多一天」會落在哪裡，反而透過各國法定假期、節日分布或企業排班，來靈活因應。

不管日曆如何安排，七天一週與太陽一年的 365.2422 天本質上不會整除。因而實際執行層面，才衍生「一月有 4 週多幾天」或「一年 52 週多幾天」。而根據格里高利曆規範，每 4 年遇到 2、6 結尾者時通常加閏日；再以百年刪除閏日，唯獨 400 年倍數的百年不刪。如此 400 年中有 97 個閏年，非 100 次，年均值約 365.2425 天，與真實太陽年極為貼近。

再度修正：米蘭科維奇曆與東正教的調整

與此同時，一些東正教教會或科學家，仍曾嘗試做更精準的校調。例如 1923 年出現的「米蘭科維奇曆」，由塞爾維亞天文學家米蘭科維奇（Milutin Milanković）提出：

• 改進閏年規則：如果該年不是 100 的倍數，則正常計算；若是 100 的倍數，就得看除以 900 所餘下的數是否為 200 或 600，若是，則跳過閏年。
• 應用範圍：此一方案被視為更貼近天文年，但只有部分東正教教會接納實施，對全球世俗時間並未產生重大影響。

有趣的是，若米蘭科維奇曆被大規模推廣，平均一年長度會更符合真實太陽年，但世界各國基礎已扎根於格里高利曆，也不太可能再冒然重新改革。畢竟，每次曆改都會使官方紀錄、民間活動和宗教節慶產生協調難題，且大眾的社會慣性早已落實在現行制度裡。

時間計算背後宗教、政治與科學的糾纏

我們眼中的「一年 52 週又 1~2 天」其實是長期政治、宗教、科學交互影響的產物。數世紀以來，不同文明為祭祀、政令或貿易往來而反覆調整曆制；伴隨天文觀測與數學演算的精進，人們才一步步從古老的朱利安曆轉到格里高利曆，避免每年多出一些看似微不足道的分鐘數量，卻逐漸累積成整天的時差。在這些爭論、改革中，週數雖非爭議焦點，但它一同被帶入今日世界，最終定型為「一年 = 52 週 +1（或 2）天」。

另一方面，有些文化或地區在現代仍維持傳統的陰曆、陰陽曆搭配格里高利曆，如中國農曆可見節氣和月相紀錄；穆斯林世界則使用純陰曆，並以其方法計算齋戒月、開齋節等。全球一體化雖使格里高利曆成為主流，但不代表其他紀年方式就此消失。在各種曆法交錯下，「一週幾天，一年多少週」或許並非普世絕對，卻是人類根植於宗教、科學與經濟行為下逐漸形成的共識。

踏入 21 世紀，隨著全球高度互聯與商業活動頻繁，幾乎所有國際公約、金融市場、交通規劃都以格里高利曆為基準。此種高度一致有利經貿往來與跨國協作，但究其根源，私底下仍有一種「不完美但通用」的妥協性質。時至今日，要再度大規模推行新的曆制（比如米蘭科維奇曆）的機率微乎其微。

也許未來某天？

不管你是否每天翻開行事曆查看日期，或是習慣智慧型手機提醒，在全球主流價值裡，「一年 52 週又 1 或 2 天」已成幾乎不容置疑的常識。

也許未來仍有理論家建議以更精準的曆法取代格里高利曆，讓一年日數更貼合天文常數。然而，歷史經驗告訴我們，此種改革勢必付出巨大社會成本，還要面對全球龐雜的政治協調。最終，我們大概仍會安於現在這個略有瑕疵卻普及度最高的制度，繼續說著「一年有 52 週」，並在每年最後那 1 或 2 天裡，慶祝跨年、增添慶典。

不論如何，時間的運行永不止息；地球仍舊繞著太陽旋轉，帶給我們四季遞嬗與新的挑戰。或許最重要的並非究竟一年「整除」了多少週，而是我們如何在這既定框架下規劃生活，在有限的時間裡，拓展出新的生活軌跡。

時間不再絕對？牛頓與愛因斯坦的時間觀差異

川村老師，請用簡單的方式告訴我「相對論」是什麼？

老師：狹義相對論源自相對性原理（Principle of relativity，指物理定律〔Physical law〕適用於所有以等速直線運動的物體） 與光速恆定原理。根據這個理論，時間是相對的，依不同觀察者而有所差異。牛頓力學中的時間是絕對的，愛因斯坦則認為，可依不同的觀察者位置對時間進行不同定義。

老師：之前在討論「力」時，也提過離心力。離心力是「慣性力」的一種，慣性力指物體在加速運動時感受到的與加速方向相反的力。置身在沒有窗戶的電梯中，當電梯向上加速，電梯內的人會受到向下的慣性力（譯注：因看不到外面，使得他無法判斷電梯的運動情況）。若加速度為 g，物體質量為 m，則物體所受慣性力為 mg，與在地面所受的重力 mg 相同。愛因斯坦無法區別這兩種 mg 的差異，所以視為等效。但無論慣性力的方向為何，物體都會往向量合成後的視重力場方向掉落。

時間在任何地方都固定不變嗎？

世界上最快的速度是光速。物體的移動速度若接近光速，它的時間進程就會變慢。也就是說，在接近光速的太空船上，時間會變得悠長。而且，接近光速的物體長度會朝行進方向收縮。

物體只要具有質量，即使在靜止狀態依然擁有能量（其能量 E ＝ mc²），稱為靜止能量（Rest energy）。

提到光的運動，我們已經知道光的路徑會彎曲。

1919 年，天文學家觀測到恆星發出的光線在經過太陽附近時被偏折，這種現象稱為「重力透鏡效應」（Gravitational lens），有助於了解黑洞等宇宙中質量分布的情況。此外，天體物理學家也觀測到時間的延遲。簡而言之，接近地面的時鐘行進速度會比高處的時鐘慢，GPS 也是依據這種效應來進行校正。

時間

牛頓力學中的「時間」（也就是我們一般理解的時間）和相對論中的時間大異其趣。牛頓在《自然哲學的數學原理》（Philosophiæ Naturalis Principia Mathematica，1687）中，假設空間是均勻平坦的；從過去到未來，在任何地方都平均延伸。在牛頓力學中，全宇宙的時間一致。

但相對論否定了這一點。

光速恆定原理指出，光的速度是固定不變的。這種狀況下，空間中不同地點發生的兩件事，對某個觀測者來說是同時發生，但對另一參考系的觀測者而言則非同時發生。也就是說，時間的前進速度並非在任何地方都相同。因此，時間和空間不能視為各自獨立的兩回事，應該一體化，視為四維空間（時空，Spacetime）。

不過，這是指物體移動速度接近光速時的情況。日常生活中，使用過去的時間觀不會有任何問題。

黑洞

黑洞（Black hole）是一種天體，因為密度極高，重力極強， 不只物質，連光都會被吸進去，無法逃逸。天體是宇宙中所有物體的總稱，具體來說，指太陽、恆星、行星、星團、星雲等。從相對論來看，黑洞周圍空間是扭曲的。照以下方式想像應該會比較容易理解：

把重物放在一大塊展開的薄橡皮布上，放置處就會凹下去，而這塊凹陷會影響到周圍。同樣的，黑洞所在之處會發生猛烈的空間扭曲，經過附近的天體會被極強的重力吸引，落入其中，連光也難逃魔掌。

銀河系有許多黑洞，但具體數字不詳。2019 年，一個跨國研究計畫團隊首次拍攝到黑洞的「影子」，掀起一陣討論熱潮。

——本文摘自《物理角色圖鑑：用35個萌角色掌握最重要的物理觀念，秒懂生活中的科普知識》，2024 年 9 月，漫遊者文化，未經同意請勿轉載。