小工程巧轉乾坤，紅外望遠鏡轉行偵查系外行星

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

14 億歐元天文望遠鏡拍出的照片，你看過了嗎？你看到現在這些照片，揭開了宇宙過去與現在、空間與時間所交織的祕密嗎？

今年 11 月 7 日，位在 L2 拉格朗日點的歐幾里得望遠鏡，終於傳回來它升空後的第一批照片。這 5 張照片不只展示了望遠鏡的強大性能，更讓我們窺見過去無法看到的，宇宙深處的幽美與奧秘。就讓我們一起透過這些獨特的照片，來一場探索宇宙的奇異之旅吧！

歐幾里得望遠鏡有什麼厲害之處？

今年 ７ 月 １ 號升空的歐幾里得望遠鏡，任務是觀察宇宙大尺度結構，來研究暗物質與暗能量在宇宙中的分布與性質，讓我們進一步了解自己身處的這個宇宙。

去年七月，接棒哈伯望遠鏡任務的詹姆斯．韋伯太空望遠鏡，傳回來了升空後的第一批相片，每張照片都美的震撼人心，也帶著我們從全新的視角，眺望遙遠的系外行星、恆星、星雲與早期宇宙。當時，我們製作了一集節目，和大家分享這批照片背後的重要意義。我們也提到，每個望遠鏡在完成校準以後，都會發布一批「開光照」，向外界傳達望遠鏡已經可以順利運作的好消息，同時也讓大家了解這台新望遠鏡身上，背負了哪些重要的使命與任務。

而這次，新升空的歐幾里得望遠鏡也終於完成校正，傳回來不同於韋伯望遠鏡，從另一個視角看宇宙的開光照。先讓我們來了解一下歐幾里得望遠鏡。它的觀測波段是可見光到近紅外線波段，目標是觀測大範圍、不同遠近的宇宙天體。預計在 6 年的服役期間，建立完整清晰的宇宙 3D 立體圖像。只是，剛退役的哈伯太空望遠鏡，主要任務就是可見光波段的研究，去年剛任務正式開始的韋伯太空望遠鏡，則是紅外線波段的佼佼者。那歐幾里得望遠鏡有什麼突破之處嗎？這座花費 14 億歐元的望遠鏡當然有它獨到之處，它強大的地方在於，可以在更短時間內獲得更高解析度的照片，同時拍攝更大範圍的宇宙。比如哈伯太空望遠鏡需要好幾天觀測的天體，歐幾里得望遠鏡一個小時就可以搞定，而且解析度更高。

其實看它們的任務目標就能很快理解，現在在天空上的韋伯和歐幾里得，雖然有部分任務重疊。但韋伯更著重在尋找系外行星與觀察星系、恆星系統的演化。歐幾里得呢，則是將視野放大到整個宇宙，希望了解暗物質、暗能量在整個宇宙間扮演的角色。所以比起韋伯太空望遠鏡著重在拍攝小範圍、高解析度的天體照片，歐幾里得望遠鏡一開始的設計，就是要在短時間內掃描更大片的宇宙。因此，歐幾里得望遠鏡也確實成為建立宇宙 3D 立體圖像的最佳望遠鏡，定期的大範圍掃描天空，讓我們能一窺宇宙隨時間的演化動態。

那麼，就讓我們來欣賞歐幾里得望遠鏡的第一批照片吧！

歐幾里得望遠鏡第一批照片公開！

第一張照片，像是在宇宙這張巨大的黑布上，撒下大小珍珠。它是一張距離地球 2.4 億光年，英仙座星系團的影像照。

宇宙中有許多星系團，英仙座星系團就是其中之一，裡面包含超過 1000 個星系，是宇宙中最大的結構之一。除此之外，這張照片不僅清楚拍下了星系團，如果將照片放大來看，還會發現背景中有許多過去難以看到的星系，數量超過 10 萬個，最遠的甚至達 100 億光年。為什麼第一批照片要選擇拍攝星系團呢？因為研究星系團能幫助我們了解宇宙大尺度結構，進一步推算暗物質與暗能量的比例。

宇宙中的星系分佈其實是不均勻的，有些地方有許多星系，有些區域則幾乎沒有。整個宇宙中天體的分布看起來就像是一張巨網。可是，為什麼宇宙的大尺度結構是網狀的呢？天文學家認為宇宙大爆炸之後，物質在宇宙中的分佈會有些微的不均勻。當宇宙逐漸冷卻，氣體物質密度較高的地方會因為重力吸引而塌縮。但因為溫度很高，高溫產生的巨大壓力又讓氣體團反彈回來，就像擠壓一個壓力球一樣。來回震盪的過程中氣體會像聲波朝四面八方傳遞出去，稱為重子聲學振盪（BAO，baryon acoustic oscillations）。最後整個宇宙就像下毛毛雨時的池塘，形成由許多漣漪交織的網狀結構，波腹的地方氣體密度較高，變成星系高度聚集的區域，我們稱為星系團。其他地方氣體密度低，形成的星系數量較少，就像是宇宙間的孔洞。

而根據宇宙學家計算，要形成星系團、宇宙網（cosmic web）這類的宇宙大尺度結構，只靠已知物質提供的重力是不夠的，很可能還有許多我們還不了解的物質參與其中，也就是暗物質。這張照片不僅能幫助科學家研究宇宙大尺度結構，更彰顯歐幾里得望遠鏡的重要任務之一，就是幫助科學家深入了解暗物質的分佈與本質。

第二張照片是螺旋星系 IC342，離地球只有 1100 萬光年，算是離地球很近的星系，但由於它被明亮的銀河系盤面擋住了，觀測的難度非常高。歐幾里得望遠鏡利用近紅外線儀器穿透塵埃進行觀察，並移除許多銀河系中的恆星光芒，最後才形成這張極高解析度的照片，展現了它觀測隱藏星系的實力。

這個螺旋星系在天空中的大小相當於一個滿月那麼大，要一次觀測這樣大範圍的天空，同時保有超高解析度，目前只有歐幾里得望遠鏡才辦得到。由於螺旋星系 IC342 和銀河系很像，觀察它的演化有助於科學家理解銀河系的形成過程。未來歐幾里得望遠鏡也會觀測更多隱藏星系和遙遠的天體，繪製出它們的 3D 分佈圖。

第三張照片是不規則星系 NGC 6822。雖然跟 IC342、銀河系一樣也是星系，但形狀不是螺旋而是不規則的。

透過光譜分析，我們知道這個星系中的重元素含量很低。重元素是透過大質量恆星核融合所產生的，重元素含量少表示星系裡的恆星才剛形成，也就是一個很早期、相對年輕的星系。科學家認為，在宇宙早期星系剛開始演化時，大部分的星系就長得像這樣，質量小、形狀也不太規則。之後這些小星系會因為重力吸引其他星系，彼此相撞、融合成更大的星系，逐漸產生旋轉的結構，形成像銀河系這樣的大質量螺旋星系。所以藉由觀測這些早期星系，可以幫助科學家了解星系的形成過程。

另外，照片中一顆顆藍色的圓形區域，是球狀星團。球狀星團中的星星都是由同一團氣體產生，是宇宙最早形成的天體之一，有些甚至比星系本身還早。透過觀測這些球狀星團的運動，能協助我們更了解這個星系的形成史。

球狀星團大部分分佈在星系的外圍，以很慢的速度繞行星系，可能要好幾年才能觀察到要它們的運動。那科學家要怎麼知道這些星團是如何移動的呢？凡走過必留下痕跡，其中一種方式就是觀察到它們與星系本身互動所留下的痕跡。在歐幾里得望遠鏡傳回來的第四張照片中，就呈現了這些細節。第四張照片是球狀星團 NGC 6397，一個繞行銀河系的球狀星團。

當星團經過星系中的高密度區域，比如暗物質集中區、旋臂或星系盤面，星團中的星星會受到不同強度的重力吸引，使得星星彼此遠離，這個力量稱為潮汐力。顧名思義與潮汐的產生是相同的原理，由於地球各處受到太陽與月亮的重力總和不相同，在重力較強的地方海水受拉伸而漲潮，重力較弱的地方就會退潮。同樣道理，球狀星團在靠近星系中心的一側受重力較強，遠離星系的一側則較弱，球狀星團因而被拉伸，形成一條由星星組成的尾巴，稱為潮汐尾。

透過觀測潮汐尾，就可以了解球狀星團，乃至星系的演化過程。如果沒有潮汐尾，也可能代表有暗物質暈阻止外層恆星逃脫，能幫助我們進一步了解暗物質在星系當中的分佈。但要瞭解潮汐尾的形成過程，必須有星團中每顆星星的移動資料，也就是需要同時進行大範圍、短時間、高精度的觀測。而歐幾里得望遠鏡的優勢此時就能充分發揮，它可以一次拍攝整個球狀星團，而且只須一小時就可以得到這張高解析度的照片，連裡面的很暗的星星也看的一清二楚。只要每隔一段時間拍攝一張照片，就可以製作成動畫，了解星團中星體的運動軌跡。

最後，我們來介紹最後一張照片。它看起來最為夢幻，猶如一張宇宙中以繁星點綴的絲綢。它是距離地球約 1375 光年的馬頭星雲，也是離我們最近，正在形成新生恆星的區域。在星雲的上方（照片之外），有一顆明亮的恆星：獵戶座 sigma 星，這顆星輻射出的紫外光激發了位在馬頭後方的星雲，形成明亮、宛若薄紗的區域。組成馬頭的暗星雲氣體則因為溫度較低，只有些微的熱輻射，形成較為黯淡的前景，並稍微遮掩背後的明亮星雲。前後星雲層層堆疊，就像一幅宇宙給我們的水彩畫。更進一步，藉由歐幾里得望遠鏡高解析度的照片，科學家得以從中看到更多類木星、棕矮星、嬰兒恆星等，協助科學家了解星雲中的恆星形成過程。

對了，在我們介紹韋伯望遠鏡時有提到過，這些宇宙照通常不是它可見光波段下，真正我們肉眼所見的樣貌。而是選定特定波長後透過顏色校正，甚至將不同波段的照片疊合，才得到的結果。也就是說，選則不同的電磁波波段，或是採取不同的調色方式，得到的照片都會有不同風味。

所以如果你覺得這張淡麗的馬頭星雲不滿意，也有這張，特別強化氫元素的紅色光譜與氧元素藍色光譜後，成為一張猶如滅世風格，帶有點詭譎濾鏡的另一種美照，是不是跟剛才的氛圍完全不一樣呢？

順帶一提，對我來說，一樣是星雲照片，韋伯望遠鏡校色出來的照片還是覺得比較好看。例如之前介紹過的，韋伯望遠鏡開光照之一的船底座星雲。還有原本是望遠鏡大前輩哈伯代表作，後來韋伯又重新翻拍的創世之柱，都更令人讚嘆不已，對比與彩度都高上許多，給人一種正在仰望廣闊宇宙的壯烈感。

我們更了解這個宇宙了嗎？

我們對於宇宙的瞭解還太少，目前宇宙中的已知物質，包括元素週期表上的所有原子，根據計算只佔宇宙質能的 5%，剩下的估計都是暗物質與和能量。

但宇宙的奧秘就像一張複雜的拼圖，每拼上一小塊，都會給我們一些線索，猜測周圍的拼圖可能會是什麼。當拼的夠多，我們終有一天能得知宇宙整體的圖畫長什麼樣貌。恆星形成、星系演化方式、暗物質、暗能量等等，都各自是一塊塊重要的拼圖，唯有了解它們才能逐步得知暗物質與暗能量的奧秘。

舉例來說，暗物質所提供的重力在星系形成中扮演重要角色，目前最被科學界接受的冷暗物質（cold dark matter）模型，假設暗物質是由質量很大的粒子所組成，透過重力吸引聚集成許多小塊，小塊暗物質再彼此融合成更大的暗物質團塊，質量足夠大的團塊就可以吸引夠多的氣體，形成早期星系，之後再彼此融合成為更大的螺旋或橢圓星系。但透過數值模擬，科學家發現這個模型有些問題。理論上來說應該要有數百到數千個小衛星星系，繞行像銀河系這麼大的螺旋星系旋轉。但是天文學家實際上只觀測到約十個小星系繞行銀河系，這是著名的衛星遺失問題（Missing satellite problem）。

因此科學家又提出更多暗物質模型，比如與冷暗物質相對的熱暗物質（warm dark matter）模型，可以透過熱運動所產生的壓力抵銷重力，使得小暗物質團塊變得不穩定，從而解釋為何小星系的數量這麼少。除了熱暗物質以外，還有眾多的暗物質模型。但要證明哪個模型是正確的，就需要更多觀測數據與星系演化的模擬結果進行比較，才能得到答案。

不過看過歐幾里得望遠鏡傳回來的第一批照片，並了解其中代表的重要意義，就能充分感受到我們離解開這個謎團又更近了一步。還沒完，預計於 2027 年升空的羅曼太空望遠鏡（Nancy Grace Roman Space Telescope），與歐幾里得望遠鏡相同，都肩負研究暗能量與暗物質的重要任務。兩座望遠鏡將一同一個從可見光，一個從紅外線波段觀察大範圍宇宙，期待能為科學家帶來寶貴的數據，解開這盤旋好幾十年的謎團。

歡迎訂閱 Pansci Youtube 頻道 獲取更多深入淺出的科學知識！

• https://www.esa.int/Science_Explorati…
• https://www.esa.int/ESA_Multimedia/Im…
• https://www.universetoday.com/135954/…
• https://svs.gsfc.nasa.gov/13768
• https://www.snexplores.org/article/le…
• https://www.syfy.com/syfy-wire/the-be…
• https://www.esa.int/Science_Explorati…
• https://explainingscience.org/overvie…

溫度影響剎車的抓力

雖然似乎有點違背直覺，但是煞車是高速駕駛不可或缺的一環。不管是在哪個賽車場，駕駛的目標之一就是保持在賽道的最佳路徑（racingline）—繞行賽道的最短路徑。所以駕駛過彎時不會沿著急轉彎處長長的外彎道前進，而是「夾著」彎道的內側，稱為彎頂點（apex，即過彎路線中最接近彎道內側的點）的地方，以將他們必須行駛的距離縮到最短。

這麼做需要非常精準的煞車：要在剛剛好的時間對煞車踏板施予剛剛好的壓力。當他們辦到時，駕駛就會出現在賽道轉彎處的絕佳位置，且依然帶有征服下一段賽程所需的速度。但是這樣的開車方式會耗損煞車；而且有些賽道沒什麼機會可以讓煞車冷卻。

以世界知名的摩納哥街賽道來說。雖然僅長3.34 公里（2 哩多），是F1 賽程中最短的賽道，但是卻必須不斷踩煞車和加速。煞車製造商布雷博（Brembo）指出，2019 年賽季中，駕駛們每一圈使用煞車 18.5 秒，多過總賽程的四分之一。

在需求最高的轉彎處，汽車要在不到 2.5 秒的時間內將時速從 297 公里（185 哩）減至 89 公里（55 哩）；這會將大量動能快速轉換成熱能，難怪煞車碟盤會冒出火花。為了要負荷這樣龐大的熱負載，製造商在每個煞車碟盤的邊緣鑽入細小的徑向孔—數量超過 1000 個。

這樣的小孔可以增加煞車碟盤的表面積，比較容易散熱。但是也具有通氣孔的功能。與安裝在各個輪框上的大型冷卻管相結合時，可以把冷空氣拉入煞車碟盤中心，把熱空氣從邊緣帶走。還有個額外優點，這些F1 煞車碟盤相當輕，重量約各為1 公斤（2.2 磅），相較之下，差不多大小的鑄鐵煞車碟盤則為 15 公斤（33 磅） 。

所以為什麼不全面使用這種煞車碟盤呢？有個原因是價格—每片煞車碟盤可能要價高達 2000 美元（約 1500 英鎊） ，而且要六個月的時間才能製成。它們也不太耐久，通常每次比賽後就得更換。最後，它們受限於一定的工作溫度，只能處於 350 ∼ 1000℃。

低於溫度下限時，它們幾乎不具有停止能力—煞車片與煞車碟盤無法產生足夠的抓力。但是如果煞車的溫度高於上限值太久，則會災難性地失靈。如馬歇爾對我描述的，「彷彿在踩縫紉機。當這種狀況發生時，煞車碟盤耗盡『材料』的速度有多快，簡直難以置信。」

科技有助於車隊和駕駛控制他們的煞車，但是就跟 F1 的大部分狀況一樣，沒那麼簡單。冷卻管的大小與形狀可控制流經煞車碟盤的空氣量，所以你可以想像管子愈粗愈好。

但是如 F1 傳奇工程師帕特．西蒙茲（PatSymonds）告訴《賽車工程》（Racecar Engineering）雜誌的，冷卻有其後果：「遇到像蒙特羅這樣需要一直踩煞車的賽道，我們被迫使用一些該賽季最粗的管子。從最細的冷卻管換到最粗的冷卻管，會犧牲 1.5％的空氣動力學效率，這代表最高速度時速會減少 1 公里。」

我可以想像這會引發車隊的煞車工程師與他們的空氣動力學家爭辯。就連測量煞車配件的溫度都不容易。馬歇爾告訴我，在奧斯頓馬丁 F1 車隊中，他們會在煞車片的安裝托架中埋入高溫的熱電偶，和一系列直接朝向煞車碟盤的遠紅外線感測器。電視轉播賽事時偶爾會出現的彩色熱影像，主要是為了給我們這些觀眾看—顯示出他們建議的最高溫度。

摩擦介面與溫度控制

煞車片與煞車碟盤之間還有另一個重要的過程是磨耗。所有滑動與摩擦都會對兩個表面造成實質傷害；每次煞車作動，兩者都會有微粒破裂。在煞車系統的使用期間，這會逐漸降低材料的摩擦係數—換句話說，會失去它們的抓力。

但這不只是因為彼此的表面被「磨光」，或是失去黏性。磨耗也會形成摩擦膜（tribofilm）這種東西—煞車片與煞車碟盤相接觸時壓碎的一層非常薄的細粒狀材料。「談到磨耗與摩擦力，摩擦膜非常有影響力，」英國里茲大學（University of Leeds）的沙赫里爾．柯沙利（Shahriar Kosarieh）說。

「我們把這層膜視為『第三體』，因為儘管它是由互相滑動的那兩種材料製成，其化學與機械性質還是與那兩種材料不同。」關注各式各樣市售鑄鐵煞車片的德國研究人員發現，無論煞車片是什麼材質，形成的摩擦膜總是會受到氧化鐵（Fe3O4）控制，其他成分的影響力則相當微弱。

「摩擦膜會控制散熱，且能減少摩擦力—它會主導性能，」柯沙利繼續說道。「煞車製造商很清楚這一點，調配自己的煞車片配方時會考量這一點。煞車片與煞車碟盤要互相搭配，才能產生最佳性能。只要你更動了任一個材料，就會改變界面產生的結果。」

柯沙利最近的研究關注鑄鐵煞車碟盤輕量替代物的摩擦表現，這些輕量煞車碟盤主要都是鋁製。不只有他這麼做—整個汽車產業都對減輕重量很執著，主要是因為汽車的重量愈輕，消耗的燃料就愈少，環境影響也愈少。目前是以鋁為主流。

「那是一種低密度金屬，約比灰鑄鐵（grey cast iron）還低 2.5 倍，所以減輕重量的可能性很高，」他跟我在電話中閒聊。「鋁的導熱性也很高，在表面形成的氧化物也具有一些防蝕效果。」把鋁合金與碳化矽等硬質陶瓷材料結合也能提升其強度。

「但是鋁的問題在於當溫度高於400℃時會開始熔化。就煞車而言，這代表摩擦力突然銳減，也是你能想像最糟的狀況。所以更加促使工程師更努力找出方法，既能讓表面有比較好的熱穩定性，使用壽命又能更持久。」

對柯沙利而言，最有意思的其中一種方法是電漿電解氧化（plasmaelectrolytic oxidation, PEO），這是用一個電場在鋁的表面形成一層複雜又高度耐磨的薄層。當他測試各種不同以電漿電解氧化處理過的鋁盤性能時，發現有些可以撐過約 550℃。不過，許多案例的摩擦係數太低—低於實際煞車系統所需的最低閾值。

柯沙利並不洩氣。「煞車是整個系統一起作動。如果你拿到一個新的煞車碟盤，那你也需要把對位碟盤調整到最佳狀態。製造商設計出專供電漿電解氧化塗層煞車碟盤使用的新煞車片配方。」我只找到幾篇已發表的研究，結合了電漿電解氧化煞車碟盤與這些新的摩擦片，但是結果看起來大有希望。輕量的鋁製煞車在未來的道路車輛上可能有機會亮相。

F1 在 1970 年代晚期為它們的煞車碟盤和煞車片找到了不同的解決方法，從那時候起就沿用至今：一種稱為碳－碳（carbon-carbon）的材料，在石墨基質裡包埋高度有序的碳纖維。其散熱效果非常好，所以也用在太空梭上。雖然它聽起來可能跟F1 賽車底盤用的碳纖維很類似，但其實是非常不一樣的猛獸。

製造碳－碳很緩慢且複雜，此材料是由原子薄層堆疊成層。它在摩擦力方面勝出，提供的抓力比傳統煞車配件高 2 倍（在其理想工作溫度範圍內）。但是那並非魔法。在競速的壓力之下，這種材料終究會磨耗殆盡，部分是由於摩擦，但也有化學方面的因素。溫度上升時，碳－碳會與空氣中的氧氣產生反應，而氧氣會提高其劣化程度。你有時候會看到F1 駕駛大力踩煞車時冒出黑塵，這就是原因。

藉由感測器數據調整剎車系統

這個過程代表車隊需要監測的煞車項目不只是溫度。馬歇爾跟我說，他們會使用壓力感測器留意流經管子的氣流。他們也有針對磨耗的電子感測器，可以測量胎側的活動。

「我們使用這些儀器測量煞車片還能接觸煞車碟盤多久。由此可以推論總磨耗程度—也就是煞車片與煞車碟盤的磨耗總和。」為了推算總磨耗比例與煞車片的關係，以及對煞車碟盤的磨耗程度，車隊會把感測器數據對照以往試駕和賽事所蒐集的煞車數據。

「我們可以從所有資料中追溯比賽時的磨耗速率。如果太快，我們可以調整煞車平衡，以免磨耗最高的車輛壽終正寢，或可以請駕駛找一些乾淨的空氣冷卻煞車。」不管怎麼做，目標都是確保駕駛在需要的時間和地點擁有阻擋能力。任一賽季都會面臨數以千計的彎道，這些系統，當然還有駕駛，都表現卓越。

——本文摘自《黏黏滑滑》，2022 年 11 月，晨星出版，未經同意請勿轉載