【記錄】M.I.C. XIV－「驚現」：隱沒在雜訊中的真理

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

愛因斯坦對於宇宙的理解錯了嗎？

愛因斯坦的廣義相對論重新改寫我們對於時間、空間、與質量的認知，也開啟我們對廣大宇宙研究的大門。

在宇宙物理學如同大霹靂快速發展之時，我們也發現愛因斯坦最早提出的宇宙模型，可能並不完全正確。

正確來說，我們發現我們過去對宇宙的理解，可能真的太少了。少到我們至今所觀測到的所有物質，可能仍不到整個宇宙組成的百分之五。並不是說這些能量或物質距離我們太過遙遠，而是他們可能就在附近，而我們卻全然不了解它。

其中佔了將近宇宙組成七成的「暗能量」，到底是什麼來頭？我們能徹底了解它，同時能為我們宇宙的存在，提供一個正確的解釋模型嗎？又或者我們能掌握它，來改變宇宙的未來嗎？

暗能量（dark energy）到底是什麼？這聽起來有夠中二的名字，難道是暗影大人的新能力嗎？

其實暗能量的「暗」，指的是我們看不到也摸不到，用上各種波段的電磁波都察覺不到，甚至現今沒有任何儀器能偵測到它的存在。因為我們無法感受到它、不知道他們的型態，所以稱為暗能量。也就是說，如果暗影大人或是哪個最終 BOSS 的絕招是「暗能量波動」，當巨大的能量朝你襲來，不用擔心，站在原地就好，因為它只會穿過你的身體，打不中你的。同樣的，你可能聽過的「暗物質」，指的也是我們無法探知的未知物質。也就是說，暗物質並不是指某種特定物質叫做暗物質，任何我們現在還無法探測到的，都可能是暗物質的其中一種。題外話，近年某些暗物質面紗底下的容貌，已經逐漸能被我們窺見，例如微中子。這部分，之後我們介紹暗物質的節目中，再來好好討論，今天先來和大家聊聊佔了宇宙質能 7 成的暗能量。

矛盾大對決來了，既然我們摸不到，也看不到，我們怎麼知道暗能量存在，還是僅存在我們的中二想像中呢？我們得將時間回推到最早認為宇宙中有未知能量存在的那個人，他不是別人，就是鼎鼎大名的愛因斯坦。

1916 年愛因斯坦推導出廣義相對論，解釋物質和能量如何影響時空的彎曲和演化。愛因斯坦當時認為，宇宙應該是靜態的，但是若宇宙中只有物質，宇宙應該會受重力吸引而塌縮，因此需要與反向的能量來平衡重力，這股能量平均地存在在空間當中。愛因斯坦當時引入了宇宙常數 Λ 來平衡他的靜態宇宙模型，而直到非常近期的 1998 年，暗能量 (dark energy) 這個詞才由物理學家麥可．特納提出。

在愛因斯坦之後，著名宇宙學家傅里德曼提出不同看法，他認為宇宙不一定是平衡的，也可能正在收縮或膨脹當中，並根據廣義相對論推導出 Fridemann 方程式，關於 Fridemann 方程式的故事，先前我們有好好介紹過。

暗能量不只存在於理論上的預測，同時期天文學家開始發現我們熟知的銀河系，並無法代表整個宇宙，原來夜空中很多像星雲的天體，其實是遙遠的星系！宇宙遠比以前認為得大的太多了！1929 年，哈伯進一步發現，這些星系竟然正在遠離我們而去，而且距離我們愈遠的星系，遠離的速度就愈快！宇宙竟然真的是以地球為中心，而地球利用強大的排斥力，將其他星系用力向外推開嗎？當然不是，想像一下，宇宙就像一個葡萄乾麵包，上面布滿的葡萄乾就是各種天體，當麵包發酵膨脹時，不論站在哪顆葡萄乾的視角，所有天體的距離都是互相拉遠，而且距離愈遠的天體，彼此遠離的速度就愈快。

也就是說，哈伯觀測到的結果顯示整個宇宙正在膨脹。但還有一個問題，就是這個宇宙的膨脹速度，是隨著時間經過越來越快的加速膨脹，還是膨脹速度正隨著時間在趨緩的減速膨脹呢？為什麼這個問題很重要？因為如果是減速膨脹，靠現有的重力理論就可以解釋，宇宙中天體所提供的重力，正在使宇宙減速膨脹，甚至宇宙的結局可能會是宇宙重新塌縮。但如果宇宙正在加速膨脹，那麼只考慮重力就不夠了，為了抵抗向內塌縮的重力，勢必要有一股力量要將宇宙向外加速推開。這時，就需要加入暗能量的存在了。

宇宙真的正在加速膨脹？

為了確認宇宙正在減速或加速膨脹，好推算暗能量是否存在，科學家再次將目光投向宇宙深處。隨著觀測技術愈來愈進步，天文學家可以透過不同方式，觀測更早期的宇宙。

愈遠的天體發出的光，需要經過愈長的時間才能傳到地球。假設我們觀察離地球1億光年遠的星球，由於我們看到的影像是從星球出發後，經過 1 億年後才到達地球，因此在望遠鏡中看到的，其實是該星球一億年前的樣子。只要利用這點，如果我們將望遠鏡頭對向更加遙遠的宇宙深處，就能看到更早期的宇宙樣貌，幫助我們了解宇宙過去的樣子。

科學家主要透過三種方法，分別用來觀測晚期、中期、到早期的宇宙。第一種方法是觀測 Ia 型超新星爆炸，它指的是當一顆緻密白矮星到了生命末期，吸收大量鄰近伴星的氣體，使得內部重力超過某個極限，引發失控的核融合而形成的超新星爆炸。這個爆炸會在瞬間釋放出許多能量，亮度甚至可以媲美整個星系，因此即使是很遙遠的超新星也可以被地球觀測到。最受天文學家關注的是，因為每個 Ia 型超新星爆炸時產生的尖峰光度都相同，可以直接作為觀測或是亮度的比對參考點，又稱為標準燭光。當它離我們愈遠亮度就愈小，只要觀測亮度就可以得知它離我們的距離。

接著，透過光譜分析，我們還能得到這個超新星遠離我的的速度。這就像是救護車在靠近和遠離我們的時候，警笛的聲音頻率會因為我們和救護車相對速度的改變而產生變化，同樣的道理放在電磁波上，當超新星遠離我們，電磁波頻譜的頻率會下降，我們稱為頻譜「紅移」。最後，只要我們同時觀測好幾顆超新星，並且量測每一顆的距離和遠離我們的速度，看看是不是真的離我們越遠的超新星離開的速度越快，就可以知道宇宙正在加速或是減速膨脹。

第二種方法是觀測宇宙大尺度結構，宇宙中星系的分佈其實是不均勻的，有些地方有星系團，也有一些地方是孔洞，整個宇宙就像是網子一樣。這是因為宇宙在形成星系時，向內的重力以及向外的氣體與光壓力會彼此抗衡，就像我們在擠壓彈力球一樣，向內壓時內部壓力會增強，導致物質向外拋射，壓力減弱後又會停止拋射，這樣來回震盪的過程，就在宇宙中形成一個個震波漣漪，稱為重子聲學振盪（BAO，baryon acoustic oscillations）。有趣的是，當好幾個地方都在震盪，就會產生類似好幾個水波互相撞在一起的干涉現象。而這個宇宙規模的超大水波槽中，波腹部份聚集較多物質就會形成星系團，波節部份不足以形成星系就形成孔洞，是不是覺得我們的宇宙就像是一鍋湯，而我們只是裡面毫不起眼的一顆胡椒粒呢？不過即使是連一粒胡椒都不如的我們，透過觀測宇宙星系分布並透過理論計算，人類科學家還是可以得知這些結構的大小，並且推知這些結構上的星系距離我們多遠，最後再搭配紅移光譜，一樣可以算出宇宙膨脹的速度。今年七月升空，11 月 8 號從太空傳回第一張照片的歐幾里得太空望遠鏡，它的其中一項任務，就是專門觀測重子聲學振盪，來研究宇宙大尺度結構。歐幾里得太空望遠鏡有望帶給我們對宇宙的全新認知，關於這一部分，我們很快會再來深入介紹。

第三種方法是透過觀測宇宙微波背景輻射，它是宇宙的第一道曙光，在此以前，宇宙能量很高，光和電漿相互作用，不會走直線。但是到了宇宙三十八萬歲時，宇宙已經冷卻到足以讓電子與原子核結合，宇宙終於變得乾淨了，光也終於可以走直線。而三十八萬歲時的早期宇宙的畫面，至今仍不斷經過遙遙 137 億年的時間抵達地球，被我們觀測到，稱為宇宙微波背景輻射。有趣的是，根據這些照片，我們能發現早在 137 億年前，宇宙各處就不是均勻的。透過分析這些微波的分布，科學家能計算出當時宇宙的組成成份。這時我們發現，目前的已知物質，也就是元素週期表上看得到的原子，只佔所有能量的 4.93%，而看不到的暗物質，佔 27.17%，那還有 67.9%，將近七成的組成分是什麼？科學家認為就是暗能量。

哇！暗能量佔的比例這麼高？那我們未來有機會從空間中汲取無限的能量嗎？先不要想的這麼美，其實暗能量在宇宙中的密度很低，依照質能等價公式，質量跟能量是可以互相換算的。換算下來暗能量每立方公分只有 10 的負 24 次方公克，相比之下，水的密度是立方公分 1 公克！真的微乎其微。之所以暗能量在宇宙中佔的能量比這麼大，是因為它均勻的存在在廣大無垠的宇宙中，不像一般的物質，只集中在一些星系和星體中。

現在我們知道暗能量存在，而且量也不少，但回到最關鍵問題，這些暗能量到底是怎麼來的呢？

宇宙與暗能量的未來

科學家普遍認為暗能量是來自「真空能量」，根據量子力學，我們過往認為的真空，其實會不斷短暫的出現粒子並消失。而這些量子漲落便會產生真空能量。雖然這聽起來很玄，但各位看完我們的影片並按下訂閱之後，這些訂閱數就一定會是真的。都看到影片最後一段了，就拜託大家再多動一下手指吧！

而量子力學除了能在真空中產生真空能量以外，這個過程甚至可能幫助我們開啟蟲洞！關於真空能量與時空旅行的關係，可以參考我們的這一集哦（閃電俠）。

為了重新認識我們的宇宙，科學家此時再次拿出了宇宙常數 Λ 和 Fridemann 方程式，建立了一個可以完美解釋前面三種觀測結果的模型－ΛCDM 模型。

ΛCDM 是近代在解釋宇宙微波背景輻射、宇宙大爆炸時，最常被使用的理論。目前對於宇宙歷史與加速膨脹的圖像，也都基於此模型。

不過 ΛCDM 理論仍有兩個致命的問題待解決。第一個是理論中的宇宙常數 Λ，應該要與位置、時間無關，是一個不隨時間變化的常數。然而針對觀測早期和晚期宇宙所計算出來的宇宙常數數值卻不一樣，要如何解釋這個觀測差異？第二個問題是，假設暗能量是真空中的量子漲落所造成，依此推算出的宇宙常數數值，還跟觀測差了 120 個數量級！也就是 10 後面有 120 個零，整個宇宙中的原子數量也才 82 個數量級而已！

因此科學家也提出其他可能的暗物質理論。比如認為暗能量不是來自真空能量，而是由一種未知的粒子場所驅動，而這個場與時間有關，導致早期和晚期宇宙的觀測結果有差異。還有人認為根本沒有暗能量存在，宇宙會膨脹，是因為愛因斯坦的廣義相對論在宇宙學這種大尺度中是不適用的！就像牛頓的萬有引力公式在地球上管用，到了太陽系規模就會出現誤差。或許在宇宙規模還有比廣義相對論更完備的其他理論等待我們發現！另一派科學家也認為沒有暗能量，我們會看到加速膨脹，只是因為銀河系剛好位於宇宙大尺度結構的孔洞中，也就是葡萄乾麵包裡面空氣比較多，口感比較鬆的地方，由於這個地方總體重力比較小，天體也就是葡萄乾之間向外膨脹的速度比較快，但不代表整個葡萄乾麵包都在加速膨脹，宇宙加速膨脹只是局部觀測的假象。

這些理論或許可以解釋部份的問題，但沒有一個能解釋所有觀測數據，而且由於觀測的限制，這些理論都缺乏數據的佐證。因此目前我們只能說，暗能量的效應確實存在，但我們還不知道它確切是什麼。

有人可能想問，研究暗物質對我們真的那麼重要嗎？其實，它不只影響了宇宙過去演化的歷史，也影響著我們將來的命運。由於宇宙膨脹，物質的密度會因為膨脹被稀釋，但如果暗能量是常數，就代表密度不會改變，因此宇宙會膨脹的愈來愈快，導致遙遠的星系加速離我們遠去，最後暗能量會超過所有的基本作用力，包括重力、電磁力和核力，星系、太陽系、地球都將被拉開，甚至中子和質子都互相分離，使原子不復存在，進入大撕裂時期，也將是宇宙最孤獨的結局。不過這是一百多億年後的事情，在那之前地球會先被死去的太陽吞沒，我們應該要先煩惱的是要如何移民其他星球才是。

最後總結一下，暗能量到底是什麼？很抱歉，經過了幾十年的努力，這個問題依舊是一個問號，但藉由宇宙學的研究，使我們更謙卑更加發覺自身的渺小，我們或許已經掌握許多物質運作的原理，也開發出許多高科技產品，但這些只是整個宇宙的 5% 仔，宇宙中還有許多未知等待我們去探索，而它深深關係到我們的過去和未來。

歡迎訂閱 Pansci Youtube 頻道 獲取更多深入淺出的科學知識！

• 解析北京清大「推翻 」方程式背後深意！白紙革命爭自由民主平等
• https://arxiv.org/pdf/1807.06209.pdf
• https://news.harvard.edu/gazette/stor…

對撞機能夠給出什麼答案？

物理學家想用大型強子對撞機來解答的重要問題，可以總結如下：在大型強子對撞機的能量級下，粒子物理的標準模型是否有效？「對撞機能量級」是個大大的躍進，因為其能量大小超越了電弱對稱破缺尺度；在這個尺度之上，兩種基本作用力相互統一，而 W 和 Z 玻色子、甚至所有其他基本粒子的質量，也許都是起源於此。

如果標準模型可以成功描述新能量範疇的現象，希格斯粒子應該就會存在，但看來不會有什麼其他的新發現；反之，如果標準模型失效，也許就沒有希格斯粒子了，不過背後一定會藏著稀奇古怪的事物。其實有個不易察覺的問題會左右這件事：我們究竟有多了解標準模型在此能量級下預測的現象？這並不容易回答。

一般而言我們並沒有能耐百分之百準確地解出標準模型。所有人都是用近似法。而絕大多數的近似方法之所以可行，是因為基本作用力的「耦合」，也就是強度，沒有很大。「耦合」就是在物理過程對應的費曼圖中，每個作用頂點帶有的值。（參見【科學解釋 8】）

微擾理論的應用

作用力的強度可以用一個數值來表示。如果說這個數值是 0.1，那麼兩個粒子交互作用的機率就會和 0.1 乘上 0.1，也就是 0.01 成正比。要是有三個粒子，機率就變成 0.1 的三次方，0.001，四個粒子的話就是 0.0001，如此這般。由此可知，如果耦合值很小，你就可以忽略比方說四個粒子以上的粒子交互作用―超過這個臨界值的項對於主要結果都只是極小的微擾罷了，因為前面至少會乘上 0.1 的五次方，也就是 0.00001。

可見更多粒子的反應項只會些微改變原本的結果而已。這就是「微擾理論」的例子，微擾理論廣泛運用於解決物理界和化學界中許多的問題。只要耦合值很小、也就是作用力很弱，這個理論就十分準確。

然而，這種近似法並不是永遠有效。微擾理論失效的地方大多涉及強核力、也就是量子色動力學。這就是為何大家要把這種作用力稱為強核力。我們不是故意要混淆視聽的，強核力的確和它的名字一樣難以應付。

舉例來說，在我們對撞質子，想一探其內部夸克及膠子的種類分布時，某些方面的資訊其實無法從先前所提的原則計算得到（參見 4.5 節）。除此之外，我們也無法算出夸克和膠子最後是如何結合成新的強子的。雖然大家手上有量子色動力學的限制條件，也有一些基本的能量守恆、及動量守恆定律，以及不少從其他地方得到的數據，卻無法用微擾理論。

原因在於強核力的耦合值非常接近一，不論幾次方都還是一。因此，不管你計算的對象是幾個粒子，得到的結果都不會收斂到某個可信的值。最終我們只好依據自己的經驗來猜測結果、或建立模型。而這樣的結論一直都有調整空間。

因此我們要嚴肅看待一個問題：大家在調整模型的時候，實際上可能會遮蔽了令人興奮的新物理。要避免這個問題，你得拿自己熟悉、以微擾理論計算的結果，連結上自己還不太明白、有調整空間的模型。我想像出一個比較毛骨悚然的情景來譬喻這件事――一具以精準預測架構的骨架，嵌在以最佳猜想組成的濕軟肉體內。

肉體的形狀可以改變。你可以重搥它的肚子，或捏它的臉頰（相對來說比較不痛）；但是它有兩隻手兩隻腳，如果你打斷了某根骨頭，自己一定會知道。

用既有的知識探索未知

無論如何，大家利用電腦程式來把可塑的模型、與不易動搖的微擾理論整合在一起，而且絕大部分的工作都已經完成了；這種程式就是蒙地卡羅事件產生器（Monte Carlo event generator）。程式不但能編譯大部分我們擁有的粒子對撞現象的相關知識，同時也是個珍貴的工具，能協助物理學家設計新的實驗，並釐清既有的實驗對不同模擬數據會如何反應與解讀。「蒙地卡羅」這個名字有其典故^＊，因為就和俄羅斯輪盤賭注一樣，這種事件產生器用上了很多隨機的數字。

這一切其實都牽涉到一點有趣的科學社會學。身為一位理論學家，有時你會因為投入某類蒙地卡羅事件產生器相關的研究而吃虧。你的一篇論文可能已經被引用了數千次，大家還是會說：「不過是電腦軟體罷了。」或是「這只是蒙地卡羅那類的玩意兒。」反之，要是你是發表一篇弦論的論文，又被引用這麼多次的話，你就能像個巨人般橫行全世界了。但說到底，弦論努力想預測的現象距離實證還是很遙遠，蒙地卡羅事件產生器卻可以實際解釋數據。

蒙地卡羅事件產生器雖然不是唯一的辦法，大致上仍是物理學家在理解標準模型的意義、與儘量試著利用模型精確預測現象時，所付出的一份心血。

雖然和大型強子對撞機的學界相比，蒙地卡羅事件產生器的研究社群規模較小，但相對來說，這個領域的成員盡的心力甚至不會比大家建造對撞機的付出還要少。美國物理學會也許是考量到了這一點，將 2011 年的櫻井獎（J.J. Sakurai Prize）頒給在這個領域工作的三位理論學家，分別是韋伯（Bryan Webber）、阿塔瑞利（Guido Altarelli）、斯舍斯特蘭（Torbjörn Sjöstrand）。頒獎典禮的引言如下：

因為三位物理學家的洞見，我們得以縝密驗證粒子物理的標準模型，實現高能物理實驗的目標、並從中學習量子色動力學、電弱交互作用、與可能的新物理的確切知識。

我很開心他們獲獎，因為其中兩位是我很親近的朋友，也更是因為三人所寫的計算方法及程式對大型強子對撞機幾乎所有的研究都十分重要，像是確保大家不會在不知情的情況下遮蔽任何新的物理。當前，我們正在嘗試確認希格斯粒子搜尋實驗的不定變數大小，並縮減其數量；人人都在尋找關鍵的三標準差證據、甚至是五標準差的大發現。為了這個目標，許多人夜以繼日持續比對新的數據和蒙地卡羅事件產生器的結果。

——本文摘自《撞出上帝的粒子：深入史上最大實驗現場》，2022 年 12 月，貓頭鷹出版，未經同意請勿轉載。