夏威夷最冷、最難的工作

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

• 文／玄冥
  曾經做過 Radio Astronomy，現在叛逃去 Structure Formation 了，但也許有天會再回去。喜歡的動物是樹懶。

1946 年 2 月的某個清晨，澳洲東海岸的一群無線電科學家嚴陣以待，將電波接收器對向海的彼岸。如果是幾年前，他們會膽顫心驚地觀察日軍戰機的動向，但是今天不一樣，他們滿懷期待地等著日出。因為科學家們知道，他們正將原本用於國家間內鬥的利器 —— 電波干涉術（Radio Interferometry），用於人類探索太空的共同嚮往。

電波干涉術原先是二戰時用來提高電波觀測準確度的技術，如果說大家對電波干涉術不熟悉的話，那麼對人類拍攝的第一張黑洞影像應該記憶猶新（圖一）。這張黑洞影像的成像原理便是電波干涉術，拍攝這張照片的電波干涉儀則是遍佈全球的「事件視界望遠鏡（EHT）」（圖二）。

大家聽到「電波干涉儀」時，腦海中浮出的想像，可能都是如圖二中的碟狀接收器。然而實際上，電波干涉儀最初的樣貌是非常簡單的（圖三），以下這篇文章會分別介紹電波和干涉術，再介紹兩者結合的原理，一步步帶大家了解電波干涉儀的原型機是如何被設計出來的。

什麼是無線電波？

無線電波（Radio wave，簡稱電波）是一種電磁波，它充斥於我們現代生活的各個角落。例如手機產生的信號、衛星轉播，以及藍牙、WIFI 等等。電波與可見光是唯二能在地球大氣中自由穿行的電磁波波段，因此大多數地面望遠鏡都以觀測可見光跟電波為主。重要的是，相對於可見光波，電波波長更長（約 1 mm 以上），較容易穿過障礙物，讓它更便於觀測藏在宇宙塵埃後的物體（如原恆星）。然而，能穿透障礙物的代價是，在相同的望遠鏡口徑下，電波望遠鏡的「角解析度（Angular resolution）」比較低。

角解析度（或稱角分辨率）是探知物體細微移動或分辨兩個鄰近物體的能力，白話的說就是它能看得多「清楚」。角解析度正比於望遠鏡的直徑，但反比於所觀測的電磁波波長。做一個誇張的比喻，如果我們的眼睛能看到的是波長較長的電波而不是可見光的話，我們需要有一顆直徑約一棟樓高的眼睛，才能看得跟現實中一樣清楚。有限的角解析度，是電波天文台在 1930 年代剛出現時所面臨的主要困境之一。這個問題一直到二戰時期才得到解方 —— 干涉技術。

光的干涉，相信大家在高中的物理實驗中都見過。在實驗中，我們將光源對準布幕，並將切有兩條平行狹縫的一塊紙板隔在光源與布幕之間。此時通過兩條狹縫的光，便會在布幕上產生黑白相間的干涉條紋。這些條紋，源自光通過不同狹縫抵達布幕所需的距離不同，因此不同狹縫發出的光波到達布幕時的震動方向會有所不同。如果兩道光波震動方向相反，會造成相消干涉而形成暗紋；若抵達布幕時震動方向相同，則造成相長干涉而形成亮紋。

利用動畫可能更好理解一些（見圖四、五）。從實驗設備的上方俯視，藍色的點代表光源，紅色的點則是紙板上的狹縫位置，圖片底端是布幕，白色與黑色的部分即為光波的亮紋和暗紋。從圖四我們發現，當狹縫間距越遠，布幕上亮紋就越細緻，而從圖五則可以看見，當光源橫向移動時，布幕上的亮紋及暗紋亦會大幅移動。結合這兩張圖可以看出，越細緻的亮紋對光源的移動就越敏感，電波作為一種波亦有相同的特性。

軍隊如何利用電波干涉偵測敵軍？

讓我們將焦點拉回二戰時期。當時的英國軍隊為了能預警敵機，通常會將電波接收器對準海平面，隨時觀察敵機的位置。圖六和圖七是電波接收器（紅點）跟敵機（藍點）以及海面（黑色區域）的相對位置圖，此時敵機發出的電波會從兩條不同路徑抵達電波接收器，其中較短的電波是從敵機直達接收器，而較長的則是經海面反射後抵達接收器，這兩條路徑的電波會互相干涉並形成明暗相間的條紋。

這些干涉條紋如同雙狹縫干涉所產生的條紋一樣，對波源的移動非常敏感（圖六），因此可以非常準確的判斷出敵機的位置；而如圖七所示，當電波接收器與海平面之間的高度差愈大，干涉條紋愈細緻，這表示電波接收器的海拔高度正比於其角解析度。實際上，如果將電波接收器放在濱海的峭壁上，其影像的清晰度約為一台口徑為兩倍峭壁高度的電波接收器，這便是「電波干涉儀」最初的樣子——也就是圖三那一台在峭壁上的電波接收器。

隨著二戰結束，許多軍事科技被轉為民用或科研用途，電波干涉儀也不例外。對於研究太陽黑子的天文學家們來說，電波干涉儀在這一年轉為民用更是生逢其時，因為隔年恰好迎來了百年內規模最大的太陽極大期。

太陽活動通常以 9~14 年為週期。在太陽活動最旺盛的時候，往往會伴隨著許多太陽黑子的出現、以及被磁場束縛住的日冕物質所迸發的強電波。然而過去受限於電波觀測的低角解析度，人們只知道電波的強度與太陽黑子數量呈正相關，卻並不知道電波具體源自太陽的何處。隨著電波干涉儀的出現，天文學家得以精確地觀測出電波強度的分佈，其範圍比太陽小、且位置與太陽黑子高度重疊，這為此後的太陽黑子研究以及電波通訊應用提供了不少幫助。^(1)(2)(3)

使用電波干涉儀探索宇宙吧！

銀河系和太陽，是天空中兩個最亮的電波源，因此是天文學家最先望向的目標。但天文學家們也注意到，較弱的電波源其實散佈於天空各個角落。這些電波源在沒有干涉儀的時代，因低角解析度以及來自銀河系的電波干擾而遲遲無法精確定位，而這一情況在電波干涉儀出現後得到改善。

二戰後，澳洲海軍負責雷達設備的軍官 John Bolton 以及他的助手，在澳洲沿海各處搭建了電波干涉儀，以觀測來自天鵝座的電波。他們將該電波源的位置精確度，由先前透過一般電波望遠鏡量測的五度推進至七角分（約 1/10 度），也得知這個天體的大小在八角分以下。

然而弔詭的是，如果量測到的電波源自於這八角分不到的天體，這個天體所蘊含的能量密度將遠超出任何已知的天體！更令人驚訝的是，該天體並沒有對應到任何可見光影像中的恆星，於是他們將這個只出現在電波影像的天體稱為天鵝座 A⁽⁴⁾ 。隨後他們用電波干涉儀掃瞄了南方的天空，陸續發現了許多類似天鵝座 A 的天體。

在後續技術發展下，天文學家終於找出這些電波天體在可見光的真身 —— 電波星系⁽⁵⁾（圖八、九）。電波星系在可見光波段的影像如同一般星系，然而在電波望遠鏡下，時常能看見噴流從電波星系中心噴湧而出，噴流的痕跡可達星系本體的數倍。現在我們知道，噴流是在星系中心大質量黑洞進食（吸積）時所噴出的強烈電漿流，其中的帶電粒子在噴流磁場的加速下會發出強電波，從而被電波干涉儀接收。

這些噴流能夠改變星系的氣體與能量分佈，因此對星系演化有著至關重要的影響，今日人們也在透過更先進的電波望遠鏡了解這些星系。

時過境遷，如今的電波干涉儀，已經能夠將遍布全球各地多個電波接收器收到的電波進行干涉，不再是依託於大海的孤立接收器；干涉儀技術的改良，立基於全世界探索宇宙深空的好奇與嚮往，而非國家間互相對抗的戰火。

回首過往，人們在戰爭中其實並未忘記對宇宙的嚮往，因此當硝煙散去，人們便互相合作，將戰時的科技化作探索太空的利器，揭開宇宙奧秘、滿足人類的好奇。如今，我們擁有更強大的科技，希望人們能夠繼承這份嚮往，一同探索更多宇宙的未知。

延伸閱讀

1. 毀滅與新生：超大質量黑洞觸發的恆星形成- PanSci 泛科學
2. 黑洞甜甜圈之後：宇宙噴火槍3C 279 黑洞噴流影像現蹤跡！——《科學月刊》 – PanSci 泛科學
3. 黑洞攝影怎麼拍？七個問答來解謎——《黑洞捕手》 – PanSci 泛科學
4. 仰望宇宙的好據點，大國爭相來插旗：「白山」毛納基亞——《黑洞捕手》
5. 太陽升起前，把握最後的永夜！與時間賽跑的組裝任務——《黑洞捕手》 – PanSci 泛科學
6. 人類史上首張黑洞近照：這張動員全球、沖洗兩年的照片是怎麼來的？ – PanSci 泛科學

1. Some Highlights of Interferometry in early Radio Astronomy, Woodruff T. Sullivan III (2016)
2. Pawsey, J. L., Payne-Soott, R., & McCready, L. L. (1946). Radio-frequency energy from the Sun. Nature, 157(3980), 158-159.
3. McCready, L. L., Pawsey, J. L., & Payne-Scott, R. (1947). Solar radiation at radio frequencies and its relation to sunspots. Proceedings of the Royal Society of London. Series A. Mathematical and Physical Sciences, 190(1022), 357-375.
4. Bolton, J. G., & Stanley, G. J. (1948). Variable source of radio frequency radiation in the constellation of Cygnus. Nature, 161(4087), 312-313.
5. Bolton, J. G., Stanley, G. J., & Slee, O. B. (1949). Positions of three discrete sources of galactic radio-frequency radiation. In Classics in Radio Astronomy (pp. 239-241). Springer, Dordrecht.

• 文／陳子翔（現就讀師大地球科學系，EASY 天文地科團隊創辦者）

「WTF！這是什麼鬼？」大概就是不久前一群天文學家在電波觀測資料中發現下圖物體的反應。

圖片中央用藍綠色表示的圓形天體就是用電波望遠鏡拍攝的 ORC1，背景中的星系則是用可見光望遠鏡拍攝，並將影像疊合而成此圖。

天文學家表示，圖中可以觀察到 ORC1 中央有一個橘色的星系，但目前無法確認此星系與 ORC1 是實際上相關的天體，還是是兩個距離相差很遠的天體單純在視覺上疊在一起。

讓天文學家摸不著頭緒的怪東西

事情是這樣的，2019 年底，天文學家們在電波望遠鏡的觀測影像中，發現了一個神祕的環形物體，更有趣的是，經過仔細檢視比對與討論後，這群天文學家對於這個奇怪的物體究竟是什麼卻仍然摸不著頭緒，在困惑驚訝之餘就將它特別標示起來，還留下了「WTF」的註記。

不僅如此，經過檢視更多的觀測資料，他們還發現了好幾個類似的物體，代表這個身分不明的怪東西並不是絕無僅有的特殊案例！而天文學家也暫時將它們命名為「Odd Radio Circles」或縮寫成「ORCs」，也就是「奇怪電波圓圈」的意思。

找到未知神秘天體的興奮

想像一下，當一群天文學家，或是任何領域的科學家找到了某種未知的新東西，會有什麼反應呢？第一個反應大概就是「我好興奮呀！」而ORCs 的發現也不例外。「這真的是任何一個天文學家的夢想：在你的職涯中找到從來沒有人發現過的東西。」ORCs 發現團隊中一位天文學家在受訪時說道。

發現了暫時無法解釋的新東西，那是不是代表這群天文學家可以像阿基米德一樣大喊一聲「Eureka」，然後向大家宣布這就是一種全新天體了呢？等等，事情可沒這麼簡單呀！

網路上有「假訊息」，電波天文影像可能有「假訊號」？

要釐清 ORCs 可能是什麼，就像是面對選項超多的選擇題，當對於正確答案沒有頭緒時，至少可以先刪除比較不可能的選項，同樣的在「了解 ORCs 應該是什麼」之前，天文學家們也得先從「ORCs 應該不是什麼」下手。

首先第一個要檢視的是，這些在影像中的東西是「真的」嗎？

咦？啊不是都已經在影像中看到了，眼見為憑還可能是「假的」嗎？

沒有錯，其實要得到一張電波望遠鏡拍出的影像，並不是像我們平時拍照一樣按個快門就馬上可以看到照片的，電波望遠鏡在接收訊號後所得到的觀測資料並不是直接可用的影像資料，因此天文學家拿到一手的資料後，還必須透過電腦進行相當複雜的處理程序，而處理程序中天文學家也必須輸入適合的各項參數讓電腦進行運算，最後才能得到影像成果。

也由於望遠鏡接收到的訊號需要到電腦進行最後運算，這些過程中只要有什麼步驟出了問題，或是在軟體上出現的 Bug，都可能造成最後得到的影像不正確，也因此可能跑出「假訊號」。

為了避免假訊號的錯誤判讀，電波天文學家常常會利用「將同一筆資料給不同團隊處理」以及「用不同的電波望遠鏡，觀測同樣的天體」，交叉比對就可以大大降低誤判假訊號的可能性。例如家喻戶曉的 M87 黑洞影像，就是分別將觀測資料交由三支不同的團隊來處理喔！

而在這次 ORCs 的案例中，這支團隊也已經使用三個不同的電波望遠鏡陣列進行觀測，結果都觀測到了 ORCs 的存在，也因此能初步排除「假訊號」的可能性了。

抽絲剝繭調查ORCs的真面目，結果帶來的是更多的疑問

排除掉假訊號的可能後，下一個可以著手的就是確認 ORCs 有沒有可能是某種已知種類的天體。

ORCs 有幾項特徵，首先，它們的形狀是接近圓形或環形的，而且像是某種星雲。此外它目前只在電波觀測資料中被看見，也就是說像是哈伯太空望遠鏡這種以可見光或紅外線、紫外線等等波段的望遠鏡，目前是沒有觀測到 ORCs 的。在位置的分布上，ORCs 則主要分布在銀河盤面外（恆星數量較少）的位置。

而根據這些特徵天文學家就可以列出並檢視 ORCs 可能是什麼的候選者。例如超新星爆炸後的殘骸、恆星誕生速率超高的「星爆星系」(Starburst Galaxies)中，恆星集團產生的電波輻射，以及因前方大質量天體扭曲後方天體光線路徑產生的「愛因斯坦環」(Einstein rings)，都是可能的選項，但這些選項目前也都已經根據 ORCs 的各項特徵被初步排除掉了。

還有另外一個令天文學家難以判斷 ORCs 成因的因素，是目前我們還不知道這些 ORCs 的距離有多遠。而無法知道距離就無法知道 ORCs 實際在宇宙中倒底有多大。如果ORCs是銀河系內的東西，那它們可能數直徑數光年大的天體，但如果 ORCs 是存在於銀河系外其它星系的周邊，則 ORCs 就會是直徑數十萬光年大的天體，這大小可差了十萬倍呀！

總之，目前我們還是不知道 ORCs 到底是何方神聖，雖然天文學家們已經初步刪去了許多可能的選項，但對於 ORCs 的成因推測也還沒有收斂的明確方向。而 ORCs 究竟會是什麼？而它們的發現又有沒有可能在未來改變一些我們對宇宙的認識呢？就讓我們抱著好奇的心繼續看下去吧！

1. ‘’WTF?’: newly discovered ghostly circles in the sky can’t be explained by current theories, and astronomers are excited
2. Norris, Ray P.; et al. (26 June 2020). “Unexpected Circular Radio Objects at High Galactic Latitude”
3. First M87 Event Horizon Telescope Results. IV. Imaging the Central Supermassive Black Hole