愛照鏡子的人請注意

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

J……J 個是！這顆石頭一接觸到我的舌頭，它就像火一樣燃燒，同時留下苦澀和尿味的味道，在這之後還留下了一點甜味。

這，這一顆石頭不一樣，它有酸辣味和硫酸鹽味，卻同時給我一種難以形容的愉悅感！就像在品嘗紅酒的酸味一樣！

等等，我並沒有壞掉，我現在做的事是某些地質學家和古生物學家真的會做的事，而且這件事還得了諾貝爾獎！只是是搞笑諾貝爾獎。

搞笑歸搞笑，舔石頭卻真的是再實用不過的方法。因為，舌頭真的是太好用了！

地質地科系祖傳秘招——舔石大法！

2023 年的搞笑諾貝爾獎的化學與地質獎頒給了地質學家揚．扎拉謝維奇，得獎的原因不是因為特定研究，而是它整理了地質學家和古生物學家「品嘗」岩石和化石的「研究史」。

有在跟我們直播的泛糰肯定知道，在今年搞笑諾貝爾獎頒發的隔週，上個月的 9 月 18 日，我們在 YouTube 官方舉辦的 2023 YouTube Festival 活動中，辦了一個實體見面會。在見面會中我們介紹了今年其中三個搞笑諾貝爾獎，其中就包含這則「地質學家為什麼要舔石頭」。另外兩個獎項分別是操縱死靈蜘蛛，和研究為什麼上課為什麼會令人感到無聊。這場見面會也有同時開直播，連結放在右上角的資訊卡，裡面提到不少有趣的觀點，歡迎去直播存檔複習。

當天，除了就像開場演繹的，不同岩石真的嚐起來味道不一樣以外，有一個地科系的觀眾，現場分享了另一個有趣的觀點。但先說聲抱歉，那時候觀眾手持的麥克風訊號沒有進到我們的混音器，所以在線上收聽的朋友沒有聽到前半段。

我們這邊重新轉述一下，這位觀眾說早在這個獎項頒發前，就知道用舔石頭來辨識種類的這種方法了，因為他的老師就是這麼教他的！沒想到，這竟然是地科與地質系祖傳的秘技嗎！

舌頭比手指還好用？

但除了味道外，觀眾還分享了一個這次搞諾沒有提到的原因，就是舌頭的觸覺可能比手還靈敏。某些岩石例如砂岩跟頁岩，可能用手摸不出差別；用舌頭舔，竟然就能分別出差別。

什麼，舌頭真的這麼厲害嗎？想想好像也是，我們吃東西的時候會用舌頭去感受食物的形狀，這些觸感甚至也是我們品嘗食物時，了解食物的重要一環。除此之外，我們還可以找出食物中的魚刺，或是卡在牙縫中的菜渣，有些人還能幫櫻桃梗打結呢。

但好像從來沒有人拿舌頭和手去做比較，因為只要講到觸覺，我們第一時間就會認為手指更加靈敏。

其實，還真的找到有人研究過，一群俄亥俄州立大學食品科技系的實驗團隊，就研究了這個問題。他們準備了幾個形狀極為相似的樣品，樣品的長度、厚度、缺口的大小都一樣，只有缺口處的傾角不同。

傾角從 45 度到 90 度都有，每塊的角度以 5 度為間隔。受試者必須拿起兩塊樣品，並在蒙眼的情況下，分別用摸或舔的方式來分辨出兩者分別為哪一塊。其中一塊始終是 90 度，另一塊則是從 65 度開始角度遞增。

這次的實驗有 30 位受試者，結果表明，使用手指來分辨兩塊樣品，平均要兩塊的角度差超過 19.81 度時，才能分辨出差異。如果用舌頭舔呢？只要兩者的角度差超過 12.75 度，就能分辨出差異！比用手摸的角度差小了許多，也就是舌頭真的比較靈敏。

當然，這個實驗還有兩個方向值得討論，一是這只針對物體邊緣形狀的靈敏作分析，但觸覺有許多不同感受，例如紋理、粗糙程度等，所以可能每種觸覺做出來的實驗結果會不同。這個實驗看起來不難做，各位可以準備一些能放入嘴的材料，例如請朋友直接將比較硬的芭樂切成不同形狀來舔舔看差別，就能簡單復刻這個實驗甚至更改參數，有實際測試的觀眾也不要忘記留言告訴我們。我們這邊也同步徵求花京院來協助我們實驗。

而另一點是，關於舌頭為什麼有跟手指同等，甚至更強觸覺的生理機制，本篇研究僅止於現象探討，還未有深入研究。

濕濕的石頭更好觀察？

除了味覺和觸覺外，舔石頭還有另一個重要的原因，就是濕潤的石頭紋理更清楚，更方便研究。

這應該大家都有經驗，在學校的大理石地板拖地，或是海邊的鵝卵石，沾到水之後，石頭的紋理都更加清楚，看起來也更漂亮。但這又是為什麼呢？

影響的原因有很多，但影響最大的，就是濕潤的表面讓石頭更「平」，產生類似拋光的效果。但為什麼磨平拋光，顏色就更好看呢？

我們知道光線照到鏡子會產生反射，但鏡子很平整，如果現在照射到的是一個凹凸不平的表面，光線就會往四處反射，這種現象稱為漫反射。當我們只想看石頭上的其中一點時，旁邊的光卻會雜亂的跑進我們的眼睛，影響到對比度。並且各種顏色的色光聚在一起會形成白光，因此這些漫反射而來的光線，就會以白光的形式被我們看到。白話文就是，物體的對比下降了，但是整體的亮度提高，變成我們常看到灰白色的石頭表面。

直到石頭被拋光，或是因為濕潤產生拋光的效果，這些漫反射就會減少，石頭整體變得比較暗沉，但是斑紋之間的對比度提高了。這就是為什麼粗糙的石頭顯得灰白，浸濕之後卻呈現深沉而圖樣明顯的原因。

還沒完，薄薄一層水還會造成更多影響。例如，這層折射率介於空氣與石頭之間的介質，可以幫助光線稍微穿透岩石的表層後再反射出來，提供視覺上更多的紋理細節。如果將水換成木工中常使用的亮光漆，除了反射與折射外，亮光漆中的分子，還足以讓光線產生散射，讓你在上不同厚度的亮光漆時，能產生不同的顏色變化。

簡單來說，不論是水還是漆，這薄薄的一層介質，能像相機的鏡片一樣，透過光學調校，將更清楚、細節更多的影像送進相機的感光元件，也就是我們的眼睛上。而替換不同的鏡片，就能改變我們看到的樣子。

這個看似玩笑的舔石頭研究，確實好像又有幾分認真的道理，我們自己在研究的時候，最開始也覺得超ㄎㄧㄤ，後來又發現能學到不少冷知識。

歡迎訂閱 Pansci Youtube 頻道 獲取更多深入淺出的科學知識！

• https://www.palass.org/publications/n…
• https://kb.osu.edu/bitstream/handle/1…
• https://www.askamathematician.com/201…
• https://www.tandfonline.com/doi/abs/1…

要核能、綠能、還是天然氣？大家不用吵了，因為讓我隆重介紹，宇宙太陽能準備登場，地球將進入能源自由，人類文明將邁入下一個時代！

雖然只是邁入第一步，但我沒有在開玩笑，美國、日本、歐盟、英國都陸續展開宇宙太陽能計畫，預計在太空中布下大量太陽能板，將取之不盡的能量，不分晝夜、不分天氣地將能量源源不絕的傳回地球。而且第一階段的測試，已經在宇宙中測試成功了！

宇宙太陽能真的可行嗎？我們離能源自由，還有多遠？

為什麼要去太空中進行太陽能發電？地面太陽能的困境

台灣要選擇哪種能源配比，各方論點各有道理。而同樣的問題，不只是台灣，對世界各國來說都是爭論不休的議題。面對這樣的困境，竟然有人提議往太空探索，去太空中進行大規模太陽能發電，並將能量傳回地球，成為宇宙太陽能電廠，一舉解決所有能源問題。可是就算不去太空，在地面上的太陽能近年來成長迅速，安裝量和產量都持續增加，為什麼非得跑到太空中去做一樣的事呢？

雖然太陽能板的設置成本近年來降低很多，能不能穩定發電卻要看老天臉色，而且需要的佔地面積廣大。世界上只有少數幅員廣大，日照充足的國家可以打造 GW 等級的太陽能發電廠，像是印度，中國，以及中東地區。許多地方例如台灣，多以民間業者小規模發展為主，很難建設大規模的太陽能發電廠，如果要大規模使用農地、魚塭、屋頂種電，也有許多問題等待解決。

不過只要把太陽能搬到外太空，就可以大喊：「解開束縛、重生吧！太陽能，我還你原型！」

首先，太空中可以接收到更多的陽光。由於太空中沒有夜晚，所以軌道上的衛星幾乎可以 24 小時暴露在陽光之下。此外，太空中的陽光不會像地面上的冬天或傍晚，有傾斜入射的問題。太陽能板可以隨時指向太陽的方向，和太陽光的方向保持垂直，接受百分之百的陽光照射。根據計算，同一塊太陽能板放在太空中可以接受到的陽光量至少是地表的三倍以上。

另外，地球的大氣其實幫我們阻隔了許多陽光，保護地表上的我們不會被瞬間曬傷。就算是晴朗無雲的日子，大氣層還是會散射掉許多的陽光。太空中的太陽輻射比地表強上不少，大約多了 40% 左右。

綜合前面所說的，只要把現有的光電材料放到衛星軌道上，就可以輕鬆獲得約四倍的發電量。此外還不需要任何占地，不會對環境生態帶來負面影響。

太空種出的電要怎麼運回地球？

你可能會好奇，在太空中收穫這麼多太陽能，要怎麼運回地球給大家使用呢？難道要存在電池裡再回收嗎？科幻大師艾西莫夫早在 1941 年就想過這個問題了。在他的短篇小說《理性》中，各個太空站會再收集太陽能之後，用微波光束將能量傳送至不同行星，也就是遠距無線傳輸能量。

雖然這種技術在當時屬於科幻情節，但現在的我們知道這樣的技術在原理上可能辦到的。在我們介紹無線獵能手環那集，我們有提到電磁波傳遞能量的問題，就是能量會以波源為中心向外發散，並且能量隨著距離快速衰減。想要高效率傳輸能量，如果不想接條線，就必須使用指向性的波源，將能源都集中到一點。

現在，我們使用多個天線組成陣列，並調整他們的相位，讓各個天線發出的微波產生干涉，形成筆直前進的單方向微波束，將能量精準發射到遠處的一個點。除此之外，因為選擇的電磁波頻段是微波，就像手機訊號可以穿過牆壁到你的手機一樣，特定頻率的微波也能穿透大氣層或雲層的阻擋。即使地球上的我們是下雨天，宇宙太陽能仍能透過微波將能量傳至地表，大幅降低天氣造成的影響。

所以，只要把所有太陽能板發射到地球同步軌道上，讓它們在軌道中展開，組裝成大還要更大，邊長長達數公里的超大太陽能板。這樣空中太陽能發電廠就會一直維持在天空中的某一點，地面的我們，只要蓋個微波接收站就可以了。當然要將所有設備發射到地球同步軌道上所費不貲，較可行的做法是先用火箭將衛星射入高度較低的低地球軌道中，再利用衛星本身的離子噴射等方式把自己慢慢推到地球同步軌道。

這個主意，在 1968 年工程師 Peter Glaser 就在 Science 期刊上提出，還向美國政府申請了專利。當時，美國能源局和 NASA 也覺得這個概念挺「有趣」的，針對宇宙太陽能做了一系列的調查並提出了正式的可行性報告。不過當時各方面的技術未成熟，無法進行測試。最重要的是，要把一整個太陽能發電廠射到太空，實在要花太多錢，產出的電根本就不敷成本。

好消息是，太空運輸成本近年來已經降低很多。SpaceX 的獵鷹九號火箭將每公斤物質運到低地球軌道的成本，只需要約三千美元，是過去使用太空梭運載的二十分之一。這讓宇宙太陽能的可能性，從僅只於科幻，搖身一變成為潛力無窮的未來能源。

宇宙太陽能離我們有多遠？

從美國、英國、歐盟到日本，都已經放話要加入這場全新的太空能源競賽。領跑者之一是日本的太空機構，宇宙航空研究開發機構 JAXA，預計在 2025 年前後展開從太空向地面送電的實驗，並在 2030 年左右開始試運轉宇宙太陽能機組，是有生之年就能看到的成果！

這個時程也不是信口開河，日本在 1980 年代左右便開啟了宇宙太陽能計畫。經過數十年的規劃與研發， JAXA 已在 2015 年進行地面測試，成功將電能傳輸到 55 公尺外的接收天線，驗證遠距傳輸能量的可行性。這個實驗相當重要，因為在發射成本的問題解決之後，宇宙太陽能要面對的下一個難題，就是如何有效地從外太空軌道遠距送電。雖然我們已經知道可以透過干涉的方法，讓微波束直線前進，但實際運作時，還是會有一個很小的發散角，不會完全平行。

失之毫釐。差之千里。地球同步軌道離地表可是有三萬六千公里，小小的發散角到地面就會嚴重發散，地面的接收天線尺寸也不可能無限擴張。這任務的難度差不多等於要從操場的一端用雷射筆打到另一端的蚊子，非常困難。JAXA 的天線雖然目前還未達到需要的準度，但是發散角已經能控制在 0.15 度左右，足以從較低的低地球軌道傳輸能量回地球，做初步的測試。

從還處在規劃階段的日本，瞬間移動到地球的另一端，美國的研究團隊，在這個月已經宣布取得重大突破。加州理工學院的宇宙太陽能計畫在今年初，成功讓一個小型測試模組，乘著 SpaceX 的獵鷹 9 號前進低地球軌道，進行太空中的實際測試。這個小型模組包含三個小實驗。第一個實驗是測試宇宙太陽能板的結構、封裝、以及展開並組裝的程序。第二個實驗則是要在 32 種不同的光電材料中，找出哪種在太空中效果最好。第三則是要測試微波傳輸能量在太空中的可行性。

就在今年的 6 月 1 號，團隊宣布他們設計的可彎曲天線陣列，在太空中成功傳送能量到三十公分外的接收天線，點亮了 LED 燈。雖然距離只有短短的 30 公分，但是整個實驗暴露在外太空的環境中進行，證明他們的設計可以承受最嚴苛的環境條件。做為測試，他們也嘗試讓天線發射能量到遠在地球表面，大學實驗室的屋頂上。並且，還真的被他們量測到了數值。儘管規模不大，但這是宇宙太陽能第一次的軌道測試，結果相當振奮人心。

如此看來，技術的發展似乎相當樂觀。可是要用於民生發電，成本是很大的重點。宇宙太陽能真的符合經濟效益嗎？或是我們該把資源留給其他選項呢？

宇宙發電廠符合經濟效益嗎？

根據美國能源情報署 EIA 的資料，1GW 發電容量的發電廠，傳統燃煤發電廠的初期建設成本，大約是一千億台幣，核電廠大約是兩千億台幣。那宇宙太陽能呢？每 1kW 的發電需要二十公斤的材料，1GW 就需要兩萬公噸。目前 SpaceX 獵鷹重型火箭運送每公斤材料進入軌道，需要三萬台幣。也就是說，光是將設備全部送上太空的運輸成本，就需要六千億的驚人花費。再加上太陽能板與相關設備的建置成本，以地面型太陽能發電廠為參考的話，大概還要多花500億台幣。而 JAXA 方面的預估，打造第一座 1GW 宇宙太陽能至少需要一兆兩千億日圓，雖然比我們用獵鷹重型火箭預估的還要低，但仍是一筆龐大費用。

那宇宙太陽能真的只是將鈔票往太空撒，空有理想的計畫嗎？當然不是，有兩個讓科學家不放棄的理由——首先是未來建造成本一定會下修。太空的發射成本相比 50 年前，已經少了兩個零，在 SpaceX 的發展下，還在持續地快速減少。另一方面，太陽能材料的輕量化工程也持續在進行，每 kW 發電重量只有十公斤或以下的太陽能材料已經不是虛構。新式的太陽能材料，我們未來也會陸續介紹。這兩個因素加乘在一起，一兆兩千億日圓的成本，很有機會在幾年內就減少為十分之一或更少。

更重要的是，宇宙太陽能一但建置完成，就會成為可做為基載能源的再生能源，減少對石化燃料的依賴。甚至因為主要設備都在太空，地面只需要建設接收站，可能將解決許多偏遠地區的能源問題，一舉改變全世界的能源型態。而且與許多八字還沒一撇的發電方式相比，宇宙太陽能已經算是距離現實很接近的選項，也難怪各個國家紛紛搶著要發展這塊領域。不過雖說是永續能源，還是有許多方面值得深入研究。例如要把幾萬公噸的材料射到軌道中，需要排放多少的火箭廢氣？一但規模化，這些巨大的宇宙太陽能板是否會成為小行星的標靶，或在一次的太陽風暴過後，讓軌道中堆滿太空垃圾？

宇宙太陽能究竟能不能成為可靠的新興未來能源，從想都不敢想，到開始精算成本，相信我們很快就會知道答案。

歡迎訂閱 Pansci Youtube 頻道 獲取更多深入淺出的科學知識！