電磁學先鋒：安德烈-馬里·安培 (André-Marie Ampère)

• 作者／賴昭正｜前清大化學系教授、系主任、所長；合創科學月刊

我擔心人工智慧可能會完全取代人類。如果人們能設計電腦病毒，那麼就會有人設計出能夠自我改進和複製的人工智慧。 這將是一種超越人類的新生命形式。

——史蒂芬．霍金（Stephen Hawking）　英國理論物理學家

大約在八十年前，當第一台數位計算機出現時，一些電腦科學家便一直致力於讓機器具有像人類一樣的智慧；但七十年後，還是沒有機器能夠可靠地提供人類程度的語言或影像辨識功能。誰又想到「人工智慧」（Artificial Intelligent，簡稱 AI）的能力最近十年突然起飛，在許多（所有？）領域的測試中擊敗了人類，正在改變各個領域——包括假新聞的製造與散佈——的生態。

圖形處理單元（graphic process unit，簡稱 GPU）是這場「人工智慧」革命中的最大助手。它的興起使得九年前還是個小公司的 Nvidia（英偉達）股票從每股不到 $5，上升到今天（5 月 24 日）每股超過 $1000（註一）的全世界第三大公司，其創辦人（之一）兼首席執行官、出生於台南的黃仁勳（Jenson Huang）也一躍成為全世界排名 20 內的大富豪、台灣家喻戶曉的名人！可是多少人了解圖形處理單元是什麼嗎？到底是時勢造英雄，還是英雄造時勢？

在回答這問題之前，筆者得先聲明筆者不是學電腦的，因此在這裡所能談的只是與電腦設計細節無關的基本原理。筆者認為將原理轉成實用工具是專家的事，不是我們外行人需要了解的；但作為一位現在的知識分子或公民，了解基本原理則是必備的條件：例如了解「能量不滅定律」就可以不用仔細分析，即可判斷永動機是騙人的；又如現在可攜帶型冷氣機充斥市面上，它們不用往室外排廢熱氣，就可以提供屋內冷氣，讀者買嗎？

CPU 與 GPU

不管是大型電腦或個人電腦都需具有「中央處理單元」（central process unit，簡稱 CPU）。CPU 是電腦的「腦」，其電子電路負責處理所有軟體正確運作所需的所有任務，如算術、邏輯、控制、輸入和輸出操作等等。雖然早期的設計即可以讓一個指令同時做兩、三件不同的工作；但為了簡單化，我們在這裡所談的工作將只是執行算術和邏輯運算的工作（arithmetic and logic unit，簡稱 ALU），如將兩個數加在一起。在這一簡化的定義下，CPU 在任何一個時刻均只能執行一件工作而已。

在個人電腦剛出現只能用於一般事物的處理時，CPU 均能非常勝任地完成任務。但電腦圖形和動畫的出現帶來了第一批運算密集型工作負載後，CPU 開始顯示心有餘而力不足：例如電玩動畫需要應用程式處理數以萬計的像素（pixel），每個像素都有自己的顏色、光強度、和運動等, 使得 CPU 根本沒辦法在短時間內完成這些工作。於是出現了主機板上之「顯示插卡」來支援補助 CPU。

1999 年，英偉達將其一「具有集成變換、照明、三角形設定／裁剪、和透過應用程式從模型產生二維或三維影像的單晶片處理器」（註二）定位為「世界上第一款 GPU」，「GPU」這一名詞於焉誕生。不像 CPU，GPU 可以在同一個時刻執行許多算術和邏輯運算的工作，快速地完成圖形和動畫的變化。

依序計算和平行計算

一部電腦 CPU 如何計算 7×5+6/3 呢？因每一時刻只能做一件事，所以其步驟為：

• 計算 7×5；
• 計算 6/3；
• 將結果相加。

總共需要 3 個運算時間。但如果我們有兩個 CPU 呢？很多工作便可以同時（平行）進行：

• 同時計算 7×5 及 6/3；
• 將結果相加。

只需要 2 個運算時間,比單獨的 CPU 減少了一個。這看起來好像沒節省多少時間，但如果我們有 16 對 a×b 要相加呢？單獨的 CPU 需要 31 個運算的時間（16 個 × 的運算時間及 15 個 + 的運算時間），而有 16 個小 CPU 的 GPU 則只需要 5 個運算的時間（1 個 × 的運算時間及 4 個 + 的運算時間）！

現在就讓我們來看看為什麼稱 GPU 為「圖形」處理單元。圖一左圖《我愛科學》一書擺斜了，如何將它擺正成右圖呢？ 一句話：「將整個圖逆時針方向旋轉 θ 即可」。但因為左圖是由上百萬個像素點（座標 x, y）組成的，所以這句簡單的話可讓 CPU 忙得不亦樂乎了：每一點的座標都必須做如下的轉換

x’ = x cosθ + y sinθ

y’ = -x sinθ+ y cosθ

即每一點均需要做四個 × 及兩個 + 的運算！如果每一運算需要 10^-6 秒，那麼讓《我愛科學》一書做個簡單的角度旋轉，便需要 6 秒，這豈是電動玩具畫面變化所能接受的？

人類的許多發明都是基於需要的關係，因此電腦硬件設計家便開始思考：這些點轉換都是獨立的，為什麼我們不讓它們同時進行（平行運算，parallel processing）呢？於是專門用來處理「圖形」的處理單元出現了——就是我們現在所知的 GPU。如果一個 GPU 可以同時處理 10⁶ 運算，那上圖的轉換只需 10^-6 秒鐘！

GPU 的興起

GPU 可分成兩種：

• 整合式圖形「卡」（integrated graphics）是內建於 CPU 中的 GPU，所以不是插卡，它與 CPU 共享系統記憶體，沒有單獨的記憶體組來儲存圖形／視訊，主要用於大部分的個人電腦及筆記型電腦上；早期英特爾（Intel）因為不讓插卡 GPU 侵蝕主機的地盤，在這方面的研發佔領先的地位，約佔 68% 的市場。
• 獨立顯示卡（discrete graphics）有不與 CPU 共享的自己專用內存；由於與處理器晶片分離，它會消耗更多電量並產生大量熱量；然而，也正是因為有自己的記憶體來源和電源，它可以比整合式顯示卡提供更高的效能。

2007 年，英偉達發布了可以在獨立 GPU 上進行平行處理的軟體層後，科學家發現獨立 GPU 不但能夠快速處理圖形變化，在需要大量計算才能實現特定結果的任務上也非常有效，因此開啟了為計算密集型的實用題目編寫 GPU 程式的領域。如今獨立 GPU 的應用範圍已遠遠超出當初圖形處理，不但擴大到醫學影像和地震成像等之複雜圖像和影片編輯及視覺化，也應用於駕駛、導航、天氣預報、大資料庫分析、機器學習、人工智慧、加密貨幣挖礦、及分子動力學模擬（註三）等其它領域。獨立 GPU 已成為人工智慧生態系統中不可或缺的一部分，正在改變我們的生活方式及許多行業的遊戲規則。英特爾在這方面發展較遲，遠遠落在英偉達（80%）及超微半導體公司（Advance Micro Devices Inc.，19%，註四）之後，大約只有 1% 的市場。

事實上現在的中央處理單元也不再是真正的「單元」，而是如圖二可含有多個可以同時處理運算的核心（core）單元。GPU 犧牲大量快取和控制單元以獲得更多的處理核心，因此其核心功能不如 CPU 核心強大，但它們能同時高速執行大量相同的指令，在平行運算中發揮強大作用。現在電腦通常具有 2 到 64 個核心；GPU 則具有上千、甚至上萬的核心。

結論

我們一看到《我愛科學》這本書，不需要一點一點地從左上到右下慢慢掃描,即可瞬間知道它上面有書名、出版社等，也知道它擺斜了。這種「平行運作」的能力不僅限於視覺，它也延伸到其它感官和認知功能。例如筆者在清華大學授課時常犯的一個毛病是：嘴巴在講，腦筋思考已經不知往前跑了多少公里，常常為了追趕而越講越快，將不少學生拋到腦後！這不表示筆者聰明，因為研究人員發現我們的大腦具有同時處理和解釋大量感官輸入的能力。

人工智慧是一種讓電腦或機器能夠模擬人類智慧和解決問題能力的科技，因此必須如人腦一樣能同時並行地處理許多資料。學過矩陣（matrix）的讀者應該知道，如果用矩陣和向量（vector）表達，上面所談到之座標轉換將是非常簡潔的（註五）。而矩陣和向量計算正是機器學習（machine learning）演算法的基礎！也正是獨立圖形處理單元最強大的功能所在！因此我們可以了解為什麼 GPU 會成為人工智慧開發的基石：它們的架構就是充分利用並行處理，來快速執行多個操作，進行訓練電腦或機器以人腦之思考與學習的方式處理資料——稱為「深度學習」（deep learning）。

黃仁勳在 5 月 22 日的發布業績新聞上謂：「下一次工業革命已經開始了：企業界和各國正與英偉達合作，將價值數萬億美元的傳統資料中心轉變為加速運算及新型資料中心——人工智慧工廠——以生產新商品『人工智慧』。人工智慧將為每個產業帶來顯著的生產力提升，幫助企業降低成本和提高能源效率，同時擴大收入機會。」

附錄

人工智慧的實用例子：下面一段是微軟的「copilot」代書、谷歌的「translate」代譯之「one paragraph summary of GPU and AI」。讀完後，讀者是不是認為筆者該退休了？

GPU（圖形處理單元）和 AI（人工智慧）之間的協同作用徹底改變了高效能運算領域。GPU 具有平行處理能力，特別適合人工智慧和機器學習所需的複雜資料密集運算。這導致了影像和視訊處理等領域的重大進步，使自動駕駛和臉部辨識等技術變得更加高效和可靠。NVIDIA 開發的平行運算平台 CUDA 進一步提高了 GPU 的效率，使開發人員能夠透過將人工智慧問題分解為更小的、可管理的、可同時處理的任務來解決這些問題。這不僅加快了人工智慧研究的步伐，而且使其更具成本效益，因為 GPU 可以在很短的時間內執行與多個 CPU 相同的任務。隨著人工智慧的不斷發展，GPU 的角色可能會變得更加不可或缺，推動各產業的創新和新的可能性。大腦透過神經元網路實現這一目標，這些神經元網路可以獨立但有凝聚力地工作，使我們能夠執行複雜的任務，例如駕駛、導航、觀察交通信號、聽音樂並同時規劃我們的路線。此外，研究表明，與非人類動物相比，人類大腦具有更多平行通路，這表明我們的神經處理具有更高的複雜性。這個複雜的系統證明了我們認知功能的卓越適應性和效率。我們可以一邊和朋友聊天一邊走在街上，一邊聽音樂一邊做飯，或一邊聽講座一邊做筆記。人工智慧是模擬人類腦神經網路的科技，因此必須能同時並行地來處理許多資料。研究人員發現了人腦通訊網路具有一個在獼猴或小鼠中未觀察獨特特徵：透過多個並行路徑傳輸訊息,因此具有令人難以置信的多任務處理能力。

註解

（註一）當讀者看到此篇文章時，其股票已一股換十股，現在每一股約在 $100 左右。

（註二）組裝或升級過個人電腦的讀者或許還記得「英偉達精視 256」（GeForce 256）插卡吧?

（註三）筆者於 1984 年離開清華大學到 IBM 時，就是參加了被認為全世界使用電腦時間最多的量子化學家、IBM「院士（fellow）」Enrico Clementi 的團隊：因為當時英偉達還未有可以在 GPU 上進行平行處理的軟體層，我們只能自己寫軟體將 8 台中型電腦（非 IBM 品牌！）與一大型電腦連接來做平行運算，進行分子動力學模擬等的科學研究。如果晚生 30 年或許就不會那麼辛苦了?

（註四）補助個人電腦用的 GPU 品牌到 2000 年時只剩下兩大主導廠商：英偉達及 ATI（Array Technology Inc.）。後者是出生於香港之四位中國人於 1985 年在加拿大安大略省成立，2006 年被超微半導體公司收購，品牌於 2010 年被淘汰。超微半導體公司於 2014 年 10 月提升台南出生之蘇姿豐（Lisa Tzwu-Fang Su）博士為執行長後，股票從每股 $4 左右，上升到今天每股超過 $160，其市值已經是英特爾的兩倍，完全擺脫了在後者陰影下求生存的小眾玩家角色，正在挑戰英偉達的 GPU 市場。順便一題：超微半導體公司現任總裁（兼 AI 策略負責人）為出生於台北的彭明博（Victor Peng）；與黃仁勳及蘇姿豐一樣，也是小時候就隨父母親移居到美國。

（註五）或。

延伸閱讀

• 「熱力學與能源利用」，《科學月刊》，1982 年 3 月號；收集於《我愛科學》（華騰文化有限公司，2017 年 12 月出版），轉載於「嘉義市政府全球資訊網」。
• 「網路安全技術與比特幣」，《科學月刊》，2020 年 11 月號；轉載於「善科教育基金會」的《科技大補帖》專欄。

時事話題

NEWS｜在課堂介紹電磁波概念時，有位同學佳琦舉手提問筆者：「老師，用悠遊卡刷進捷運站非常方便，那個背後的原理和電磁波有關嗎？」另一位同學婕妤回答：「應該是悠遊卡會發出電磁波，傳遞訊息到門閘的感應器吧？」

悠遊卡如今早已融入臺灣大都會的生活中，不論是捷運、超商、購物或搭乘公車，悠遊卡在手，便利許多。然而，悠遊卡內並無電池，也不需要插入讀卡機，為何能夠溝通而傳遞資訊呢？

為何沒裝電池的悠遊卡可以產生電流？

悠遊卡系統主要是應用法拉第電磁感應定律來辨識與傳遞資訊，此與無接觸感應技術有關，該技術稱為「無線射頻辨識系統」（radio frequency identification，RFID）。完整的一套無線射頻辨識系統，是由讀卡機（reader）、電子標籤（tag）和應用程式資料庫電腦系統部分所組成。

運作過程先由讀卡機發射一特定頻率的無線電波能量給電子標籤，藉此驅動標籤內建電路，輸送內部的身分代碼，以開啟溝通之路。

若以法拉第電磁感應的物理概念解釋，讀卡機產生變動磁場， 同步提供電子標籤變動磁場，驅動電子標籤產生感應電流，也就是讓悠遊卡內部迴路產生感應電流，並讓電子標籤發送身分代碼訊息給讀卡機，也即驅動內部晶片能夠發送訊號，讀卡機依序接收資訊、解讀此身分代碼，再透過應用程式資料庫系統讀取悠遊卡內的晶片資料，完整達成溝通與解讀任務。

每一張悠遊卡都有獨立的電子標籤，當卡片靠近悠遊卡標誌的磁場感應範圍內，即可透過電磁感應的原理，驅使電子標籤內的線圈產生感應電流，此電流供應電子標籤傳送資訊至讀卡機，以解讀晶片資料。

或許讀者會好奇，沒有電池的悠遊卡怎麼產生電流呢？這個問題也需要以法拉第電磁感應定律說明。

依法拉第電磁感應定律，悠遊卡的線圈迴路會因為磁場強弱的變化，以及通過的面積區域、角度變化而產生類似電池驅動電流功能的「感應電動勢」，或稱為感應電壓。此感應電壓大小與線圈匝數及每匝線圈中磁場隨時間的變化率有關。匝數愈多，磁場變化率愈大，悠遊卡迴路中的感應電壓愈大，產生的感應電流就愈大。

因此，悠遊卡雖然沒有內建電池，但可以透過電磁波的應用，採用無線射頻辨識系統，在運作時，讀卡機持續發出電磁波，當卡片接近時，其內部線圈產生感應電動勢，再進一步驅動感應電流。此感應電流讓卡片內的晶片發出電磁波，回傳必要的資訊給讀卡機，完成感應過閘的流程。

以臺北、臺中和高雄的悠遊卡來說，採用的是無線射頻辨識系統模式，屬於比較低頻率的電磁波，卡片必須距離讀卡機約 14 公分內，才能讀取卡片的晶片資料。因此若將悠遊卡裝在比較厚的皮夾或兩張磁卡疊在一起，可能無法第一時間完成讀卡，而形成「卡片無法讀取」的「卡卡」現象，建議單純使用悠遊卡過閘，較能順暢通過閘門。

其他如進出家門的感應磁扣、停車場的票卡、信用卡感應支付、國道收費系統 ETC 等，皆是應用無線射頻辨識系統 RFID 的技術，只不過國道收費系統 ETC 的感應器的感應距離約需 60 公尺內，才能順利讀取通過車輛的相關資訊。

物理小教室

• 手機行動支付的物理學原理

手機支付的運作原理也是基於 RFID 發展而出的近場通訊（near-field communication，NFC） 技術。目前近場通訊技術採用頻率為 13.56 MHz 的電磁波，以 106 kbit/s、212 kbit/s 或 424 kbit/s 這 3 種速率傳輸資料，bit 翻譯為位元，是電腦資料的最小單位。

利用手機支付時，須靠近刷卡機約 4 公分距離內，此時可藉由電磁波傳遞相關資訊，完成付款手續。近場通訊技術不只有用在手機支付， 也可運用傳輸文字、照片、音樂檔案，是目前手機常見的內建功能。

• 電磁感應的進階說明

電動勢（electromotive force, emf）可以驅動導體內的電荷移動， 產生電流。電池因為內部材料的屬性，會在正負極產生固定的電位差或電壓。電動勢是電池正負極間的電位差，也常稱為電壓，其國際單位制（SI）單位為伏特（V）。

導體內的電流與電壓成正比，假設導線的電阻及電池的內電阻都可略去不計，電路中流動的電流是電壓與電阻相除後的數值。可知電池的電動勢，可以驅動迴路上的電流，讓燈泡發光發熱。

然而，一個未接電源的迴路導線圈，可不可能產生電流？可以。若是通過迴路導線圈的磁場變化或磁通量改變，也會產生感應電流，這是發電機的原理，也是物理學家法拉第和冷次的電磁感應概念。

電磁爐和捷運列車的磁煞車也是運用電磁感應的概念。電磁爐內部的主要構造是由絕緣體包覆的導線環繞的線圈，當交流電通過線圈時， 電磁爐表面就會產生隨時間改變的磁場，這個磁場的變化會同時在鍋子底面產生應電流，再透過電流熱效應加熱鍋子，也加熱食物。

——本文摘自《我們的生活比你想的還物理》，2022 年 11 月，商周出版，未經同意請勿轉載。

• 文／蕭予揚 清大天文所碩士生，將於約翰・霍普金斯大學攻讀天文博士
  　　林彥興 清大天文所碩士生，EASY 天文地科團隊總編

近日，來自東京大學和倫敦大學學院的科學家 播金優一（Yuichi Harikane） 在天文物理期刊《The Astrophysical Journal》發表了一篇論文，宣稱他們可能找到目前最遠的星系（名為 HD-1，紅移值 z 約為13），打破了原本最遠（GNz-11，z 約為 11）的紀錄。

天文學家為什麼執著要找最遠的星系呢？
是單純為了破紀錄而破、抑或是蘊藏了什麼科學涵義？
天文學家們又是怎麼尋找、並且推論這些星系多遠的呢？

時間推回到二十世紀初，當時的科學家們對宇宙大小到底是恆定或是膨脹爭論不休，其中，愛因斯坦（Albert Einstein）便是支持「宇宙穩恆態理論」的知名科學家。而支持膨脹宇宙的科學家們，一直到西元 1929 年，愛德溫．哈伯（Edwin Hubble）透過測量其他星系，發現了宇宙在膨脹，才為膨脹宇宙（也就是日後人們所說的「大爆炸理論 The Big Bang Theory」）注入了一劑強心針。

接下來的各種證據，如宇宙微波背景輻射、宇宙中元素的比例等，讓天文學家們越來越確信宇宙的年齡是有限的，並開始利用紙筆與超級電腦，來推測最早、也就是第一代星系及恆星的樣貌，並嘗試用望遠鏡，來尋找早期星系是否和我們預測的相符。

科學家是如何知道距離的呢？

天文學家並沒有一把長達「一百多萬光年」的尺，那他們是如何尋找，並且知道這些早期星系距離我們有多遠呢？讓我們把兩個問題分開，先來探討在宇宙學尺度下的距離是怎麼得到的。

由於我們知道宇宙在膨脹，而這些遠離我們的星系所發出的光，也會因為類似都卜勒效應的影響，有著紅移的現象。而越遠的星系遠離我們的速度越快，它們紅移值也就越大；而從實驗室中，我們知道每種元素都會發出特定的譜線，藉由測量到星系光譜中特定譜線的實際位置，並與那條譜線所該在的位置比較，就能夠計算這些星系的紅移值了。

而結合紅移值和其他測量到的宇宙學參數（例如哈伯常數），就可以從星系的紅移值計算出物理上的距離，比如大家常會看到的「光年」。

那既然這樣，我們只要測量所有星系的光譜，不就能知道最遠的星系是哪一個了嗎？可惜事情並沒有這麼簡單。

一來，很多星系（尤其是越遠的星系）都很黯淡，難以測量光譜，二來，測量光譜實際上是又貴又耗時的。所以，以「尋找」的為目的，做單一波段的搜索通常是比較實際的作法。但若是使用單一波段，不就代表我們沒有光譜，這樣不就又不知道距離了？

Well yes, but actually no。大家應該都聽過盲人摸象的故事，透過觀測越多的波段，我們就越能描繪出實際上的光譜，再根據現有的理論模型，我們就可以利用光譜擬合來推論出這些星系的紅移值。

那要如何鎖定這些早期的星系？

天文學家總不可能對每個能測量到的星系都做很多波段的觀測，並且大費周章的利用理論模型去擬合他們。很多特定的望遠鏡（例如 ALMA、JWST）是要寫觀測計畫書和其他天文學家競爭觀測時間的，總要給出一個有力的理由，才能讓你的觀測計劃脫穎而出。

但還沒有資料之前，天文學家要怎麼知道哪個星系是最遠的？這便產生了一個「沒有工作要怎麼有工作經驗」的迴圈。怎麼辦呢？天文學家就是要想辦法，在已經觀測的深空資料庫中去尋找最遠的星系。

而要怎麼在龐大的資料庫中尋找遙遠的星系呢？讓我們再次簡單回顧歷史。量子物理在十九世紀末至二十世紀初逐漸開始發展時，瑞士物理學家約翰．巴耳末（Johann Balmer）研究激發態的氫原子所放出的光譜，發現在可見光波段，氫原子只會發射一系列特定波長的譜線。隨後美國物理學家西奧多．萊曼（Theodore Lyman）也接著發現，氫原子從受激態回到基態時，會放出一系列位於紫外線波段的譜線，這些特定的譜線也被稱為萊曼系。

而用來尋找早期星系的第一種方法，也是最主要的搜索方法，就與萊曼系關係密切。天文學家發現，宇宙中有一種名為「萊曼斷裂星系（Lyman-break galaxies; LBGs）」的星系，這種星系的光譜有一個很明顯的特徵，便是在特定的波長以下就幾乎觀測不到，原因是波長更短的光（更高的能量）都被星際物質（Interstellar medium; ISM）和星系際物質（Intergalactic medium; IGM）的中性氫的萊曼線系給吸收了。

而萊曼線系中波長最短的譜線（常稱為萊曼極限）約在 91.2 奈米，最長的萊曼 α 譜線則約在 121.6 奈米。只要透過兩個波長足夠接近的波段去尋找「在長波長有觀測到、但在短波段沒觀測到的天體」（稱為 drop-out），就可以粗略的估計星系的紅移。

舉例來說，如果我們要找紅移值為 9 的萊曼斷裂星系，只需要稍微長於和短於 1216 奈米的兩個波段，看看有沒有星系出現在長波段的影像中，但在短波段的影像中卻沒有出現，就有可能是在紅移值為 9 的萊曼斷裂星系。如果要找越遠的萊曼斷裂星系，只需要換波長較長的波段即可。

近日打破紀錄的最遠星系，也是透過 H-band drop-out（在波長 H 波段沒有觀測到，而較長的波段有）所找出的。

上圖為近日打破紀錄的最遠星系 HD1 的 H-band drop-out，可以看到長波段：4.5、3.6 微米以及 Ks 波段都有偵測到，但在 H 波段（以及更短波長）的影像就消失不見了。藍色的光譜 z 值為 13.3 的萊曼斷裂模型，灰色的光譜則為可能的低紅移汙染，z=3.9 的巴耳末斷裂模型。

當然，這只能幫助科學家初步的篩選，而且此種方法會受到一些其他非早期星系的汙染。

舉例來說，上文提到氫原子除了萊曼系以外，還有回到第一激發態的巴耳末系。若只是單純地透過 drop-out，因為巴耳末系本身的譜線就比萊曼系來得紅，所以也有可能找到的是紅移值較小的巴耳末斷裂；此外，非常紅且充滿塵埃的星系也會在光譜上出現類似「驟降」的特徵。

當然，更多波段以及光譜的觀測，都有助於釐清這些可能的汙染。而除了上述的方法以外，萊曼 α 發射體（Lyman-alpha emitters; LAEs）、伽瑪射線暴的宿主星系、重力透鏡效應等，也是尋找遙遠星系的重要方法哦！

那麼，找出這些早期星系有什麼科學意義？

現代宇宙學理論認為，宇宙在早期曾經經歷過兩次相變。第一次是宇宙從炙熱的游離態降溫回到中性的氣態，被稱為宇宙的復合時期（Epoch of Recombination），也是大家熟悉的宇宙微波背景的起源；第二次（也是最後一次）的相變，宇宙中的中性氫變成了游離化的氫離子，這個相變的過程被稱為再電離時期（Epoch of Reionization; EoR）。

而目前認為，第二次這個電離的原因，是第一代恆星和第一代星系所發出的強紫外線光，把周圍的中性氫游離成氫離子。藉由尋找越來越多的早期星系，我們就能透過這些早期星系來描繪宇宙再電離時期的歷史，而這又能夠進一步驗證現代宇宙學理論是否正確。不僅如此，研究這些早期星系，可以讓我們對於星系演化的歷史更往前推，或是研究早期星系的超大質量黑洞，是如何長到這麼大等等的議題。

未來展望

在 2021 年底順利升空的詹姆斯．韋伯太空望遠鏡（James Webb Space Telescope; JWST），其中一個主要的科學目標就是研究早期宇宙。如這篇文章一開始提到的「新的最遠的星系（HD-1）」，又如前一陣子發現的「最遠恆星 Earendel」，以及同一團隊的另一個紅移約 11 的星系，都在第一輪 JWST 的觀測計畫之中。

期待幾個月後 JWST 公布的第一批科學照片，能大幅革新我們對早期宇宙的認識。

參考資料（論文們）

• A Search for H-Dropout Lyman Break Galaxies at z ∼ 12–16 – The Astrophysical Journal
• A highly magnified star at redshift 6.2 – Nature
• Observing the First Galaxies – Astrophysics and Space Science Library
• Galaxies in the First Billion Years After the Big Bang – Annual Review of Astronomy and Astrophysics
• Galaxy Formation and Reionization: Key Unknowns and Expected Breakthroughs by the James Webb Space Telescope – Annual Review of Astronomy and Astrophysics
• General Observer Programs in Cycle 1 

延伸閱讀（科普文章）

• 為何NASA 不惜大撒幣也要把它送上太空？——認識韋伯太空望遠鏡（一） – PanSci 泛科學
• 史上最大口徑的JWST 要如何塞進火箭？——認識韋伯太空望遠鏡（二） – PanSci 泛科學
• 太空巨獸JWST 升空後的150 萬里長征—— 認識韋伯太空望遠鏡（三）
• 淺談JWST 的科學意義：探索宇宙深處與塵埃後的外星世界！——認識韋伯太空望遠鏡（四）