冥王星新增一顆衛星

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

• 作者／語星葉，與一隻米克斯黑狗簡單地生活在新竹，正在努力成為天文學家。

在浩瀚的太陽系裡，冥王星一直是個迷人又「謎人」的存在。關於冥王星精彩的故事很多：1930年被鍥而不捨的天文台助理發現、2006年被從行星殿堂「降級」為矮行星、2014年新視野號成功飛掠並帶來無數珍貴的照片與科學資料……如今關於冥王星的新研究又帶來驚喜──或該說是驚嚇？

冥王星與海王星的「雙星共舞」

冥王星是第一顆被人類發現的「海王星外天體（Trans-Neptunian object, TNO）」。如今我們已知海王星軌道外有數百顆這類的天體，並且數量還在增加中。這類天體雖繞行著太陽，但其軌道週期之大，宛如被太陽遺忘在邊疆的散兵。有些 TNO 還長得奇形怪狀，例如妊神星（Haumea）雖然有 1/3 個冥王星的質量，但其外型不是球型，而是一顆橢球，且其長軸比短軸長了一倍！

上圖最左上角是冥王星系統，其中最大的衛星凱倫（Charon）甚至大到使這個雙體系統的重心在冥王星之外，因此也稱冥王星是個雙（矮行）星系統。而妊神星（Haumea）則硬生生長成恐龍蛋形狀，因其自轉一圈只花 4 小時，這樣的高自轉速度使它無法成球體。值得一提的是，已知的 TNO 體積都小於月球。

冥王星本身更是有許多有趣的現象。冥王星的軌道偏心率高，呈橢圓狀，而且軌道平面是傾斜的，跟太陽系盤面差了 17 度角（見下圖）。除此之外，冥王星跟海王星的關係可謂糾葛難分──冥王星的軌道跟海王星有些微交錯，即某些時候冥王星會轉到海王星軌道的內側，此時冥王星比海王星離太陽更近！這樣難道兩顆星不會因為太過靠近，而使彼此的軌道不穩定嗎？天文學家發現，冥王星與海王星的軌道呈和諧的共振關係，兩顆星就像在跳方塊舞，互相受彼此的重力牽連著、卻不會因距離太近而打破軌道的平衡。

這兩顆星的和諧軌道共振有兩個要素：首先，冥王星跟海王星的軌道週期呈現近乎 3：2 的比例，且當冥王星在近日點時，海王星大約在與其軌道長軸呈垂直的位置。更精確地說，冥王星的近日點位置是會浮動的，在天體力學中稱為冥王星近日點的天平動（Libration，指的是天體軌道角度的週期性震盪）。

若由上往下看太陽系盤面，冥王星的近日點天平動會與海王星軌道保持上述的關係，因而不會與海王星太過接近。另一個要素則是軌道傾角方向的天平動。由於先前提到的軌道傾斜，冥王星的近日點能保持在遠高於海王星軌道平面的位置，因此更加確保兩顆星不會相遇。

上圖為冥王星軌道與八大行星軌道對照圖。截圖自The Sky Map | 3D Solar System Simulator 。
有興趣的讀者可以上這個網站，搜尋 Pluto 並勾選 animate ，調整合適的時距，便可以隨心所欲從任意角度觀察冥王星與八大行星的軌道運動。只是 3D 模擬運算量大，網站頗容易當哈哈……

你以為天體運行繞一圈就結束了嗎？讓影片畫給你看

其實天體力學的軌道計算非常的複雜。連結是神人用 Python 寫的開源模擬所繪製的影片。前半段影片顯示的是冥王星與海王星的軌道共振狀態，冥王星以紅色標示，海王星以藍色標示，坐標系則隨著海王星一起公轉；後半段影片展示一個無軌道共振的系統作為對照，冥王星質量的天體以綠色表示。

影片中，左上圖是從上往下看太陽系盤面，可以看見海王星的位置其實有微小的變化，這是因為海王星的軌道並非正圓；而冥王星的軌跡則顯示出上下兩個對稱的弧線，這是近日點的位置，可以發現平均下來近日點跟太陽的連線，的確跟海王星位置跟太陽的連線是垂直的，還可以觀察到近日點天平動的幅度。

而下方兩張圖則是從側面看太陽系（平行於太陽系盤面看過去），可以看出兩側高凸的近日點位置的確遠高出黃道面（z=0）。這個模擬的時長為 2 萬年，冥王星約繞行太陽 80 圈，可以看見其軌跡是有跡可循的；相對的，影片後半沒有軌道共振的對照組，其近日點在這兩萬年內不斷地漂泊，繞行軌跡也相當混亂無序。

上述的模擬只考慮了太陽、海王星與冥王星的三體運動（雖然已經極為複雜了），那麼其他已知的氣體行星，會不會對冥王星軌道造成微小的擾動呢？欸嘿， N-body simulation 出場了！（筆者表示害怕）

天體力學下的平衡

美國亞利桑那大學的天文學家 Malhotra 與日本國立天文台的 Ito 研究員，在他們的模擬中考慮了太陽以及所有氣體巨行星──木星、土星、天王星與海王星──對冥王星的重力作用，並且把模擬時長拉長到50億年（上述 Python 模擬的 16 萬倍），也就是預期太陽剩餘的壽命。他們想嘗試回答，在太陽穩定照亮世間的漫漫時光裡，像冥王星這樣軌道如此精巧的天體，究竟是否能長久和海王星跳著方塊舞呢？

在模擬中，他們分別測試了不同的行星組合，以判斷各巨行星對冥王星軌道的影響。一如過去所知，模擬結果顯示了海王星的重力主導了冥王星近日點在平行太陽系盤面方向的天平動，也就是保持著 3/2 的和諧共振。然而，對於軌道傾角方向的天平動，海王星並未握有太大實權。拉長時間來看，冥王星近日點的天平動無論在平行盤面、軌道傾角兩個方向上，對巨行星們的一舉一動都頗為敏感。巨行星們的重力作用會使冥王星軌道產生微擾（Perturbation），使冥王星軌道產生天平動，只要天平動限縮在穩定的範圍內，就不用擔心冥王星會被耍得團團轉。

令人驚訝的是，根據模擬結果，他們發現在平行盤面的方向上，天王星竟在破壞冥王星的軌道穩定！不過別擔心，這個軌道穩定破壞者正被木星和土星給鎮壓著──在不含天王星的模型中，冥王星平行盤面的天平動和實際情況相去不遠，然而在移除木星和土星、只考慮天王星及海王星的模型裡，冥王星軌道只能在千萬年之內保持穩定。然而在軌道傾角方向上，天王星又有其貢獻，因為只有在考慮所有巨行星的模型裡，此方向的天平動才是與現實相符且長久穩定的。

因此，在維護冥王星精密的軌道平衡上，四大行星可謂缺一不可。更令人驚奇的是，在漫長的 50 億年模擬中，冥王星的天平動雖被限縮在一個安全穩定的範圍內，但這個穩定範圍其實非常的狹窄！若冥王星稍有不慎，掉到了安全範圍之外，其軌道將變得無序而渾沌，便不再跟海王星跳著和諧的方塊舞了。

太陽系就是個大舞池

看到這裡，你是否震撼於冥王星的軌道之精密，簡直像是被刻意調整過的呢？就如同生物演化的優勝劣汰，過去太陽系也曾盛大進行著重力之舞淘汰賽，只要一有天體踏出重力穩定帶，便可能被逐出舞池、或者惹上其他天體的麻煩。

今日現存的太陽系成員都是重力之舞的佼佼者，它們因緣際會來到為數不多的重力穩定帶，尋得屬於自己的舞步，悠然繞旋至今。然而在過去，它們可都曾有過波瀾壯闊的瞬間──或許是與其他天體擦身而過、或許是被逼到穩定帶的邊陲……透過精細演算太陽系天體的移動，天文學家得以窺探這場重力之舞淘汰賽的精彩回顧，甚至可能發現被淘汰天體所遺留的蛛絲馬跡。

如今在太陽系這浩瀚的舞台上，行星、衛星、彗星、 TNO 等天體組成舞團，相互配合著對方的舞步，漫遊於其中。它們已是訓練有素的舞者，所演出的每一支舞都令人為之震撼，值得反覆品味、研究，就連遠在五十億公里外的冥王星，都使天文學家為之神往。究竟從冥王星複雜而精美的舞步中，還能挖掘出什麼有趣的新發現呢？讓我們拭目以待！

註：關於冥王星的故事，非常推薦閱讀精采的《冥王星任務》（時報出版）一書，由新視野號主持人共同執筆寫下，高潮迭起、充滿笑與淚，會讓你一看就停不下來！

參考資料：

paper本體https://www.pnas.org/doi/epdf/10.1073/pnas.2118692119

科普新聞 https://www.space.com/pluto-orbit-influences-from-giant-planets

冥王星軌道開源模擬 https://iopscience.iop.org/article/10.3847/2515-5172/ac3086, https://github.com/renumalhotra/2021-Pluto-Neptune-Resonant-Dynamics-Visualized-in-4D

關鍵時刻，意外發生

二○一五年七月四日，星期六的下午，航太總署的「新視野號」冥王星任務負責人艾倫．史登人在距離新視野號計畫任務控制中心不遠處的辦公室裡。他星期六也沒休息，但工作到一半，電話鈴聲突然響起。他不會不知道這天美國國慶放假，但對他來講，這天真正的意義是「飛掠冥王星前十天」。新視野號，這個他投入了前後十四年的飛行器任務，如今只剩十天就要達成目標，將要與人類探索過最遙遠的系內行星面對面。

那天下午，一如往常埋首公務的艾倫，正忙著籌畫飛越冥王星的各項事務。進入任務的最後衝刺階段，他已經習慣睡少工作多，但那天他又特別比平常更早起，半夜就進到了任務指揮中心。他趕這麼早，是為了把大量的電腦指示上傳給飛行器，這些都是新視野號即將飛掠冥王星時不可或缺的導航資料。這一大包待傳的指令資料，代表的是近十年的努力心血。而那天早晨，已經以無線電波送出這些指令，現正以光速在追趕新視野號。至於冥王星，新視野號不斷接近當中。

看了一眼響著的手機，艾倫對來電的人是葛倫．方騰（Glen Fountain）有點吃驚。葛倫長年擔任新視野號任務的計畫經理。艾倫對葛倫此時來電，心生一股寒意，因為他知道住附近的葛倫今天休假在家。葛倫不是應該為了即將到來的重頭戲養精蓄銳嗎？他這時打電話是所為何來？

無論如何，艾倫先接起了電話。「葛倫，怎麼了嗎？」

「我們跟太空船失聯了。」

艾倫回說：「我跟你約任務指揮中心，五分鐘後見。」說完艾倫掛上電話，在辦公桌前坐了幾秒鐘，驚魂未定的他搖了搖頭，直覺不可置信。計畫以外的失聯，是所有飛行器的大忌，對整整九年的航行都沒失聯過的新視野號來說，更是大忌中的大忌。眼看十天後就要飛抵冥王星，現在失聯會不會太要人命？

他抓起隨身的東西，把頭伸進走廊盡頭、他原本要主持的會議中交代說：「我們跟太空船失聯了。」聽他這麼說，同仁們震撼地望著他。「我現在去任務指揮中心一趟，去多久很難講，但今天大概不會回來了。」他頂著馬里蘭州的酷暑步行去取車，然後在約翰霍普金斯大學應用物理實驗室（Johns Hopkins University Applied Physics Laboratory）的校園裡開了半英里（約一點六公里），來到了新視野號的指揮重地。這裡，是馬里蘭州的勞瑞爾市。

最漫長的一段車程

這短短幾分鐘的車程，不啻是艾倫一輩子感覺最漫長的幾分鐘。他對團隊處理危機有絕對的信心：他們演習過不知道多少種突發狀況，這個危機或許別人無法處理，但新視野號團隊絕對沒有問題。但話說回來，他還是不免擔心起自己最不樂見的情形。

他不免想起了航太總署那命運多舛的火星觀察者號（Mars Observer）。一九九二年發射的火星觀察者號，也曾在它要抵達火星的三天前失聯。地球上使盡渾身解數想要重建通訊，但都沒有成功。航太總署後來判斷火星觀察者號的燃料艙破裂，進而導致整艘太空船陷入無法挽回的災難。用白話說就是，船在太空中炸了。

艾倫心想：「萬一真的失去新視野號，這個橫跨十四年的計畫，超過兩千五百位同仁的心血付出，就付諸流水了。我們對冥王星的了解絲毫沒有增進，而新視野號則會成為夢想破滅的代名詞。日後凡提到某件事功虧一簣，新視野號的形象就會浮現眾人眼前。」

嘗試連線

艾倫一抵達偌大、幾乎沒有對外窗的辦公大樓，也就是任務指揮中心的所在地，他首先停好車，把負面的念頭統統轟出腦袋，然後便進門開始幹活。新視野號的任務指揮中心，完全符合一般人對於太空飛行器控制中心的想像。只要你看過《阿波羅十三號》或其他的太空電影，你就知道那是一幅什麼樣的光景：發著光的巨型投影銀幕牆，是室內最搶眼的陳設，至於橫在銀幕牆前的控制台，則是一排接著一排、正常大小的電腦螢幕。

在前往過去曾是太陽系第九顆行星的漫漫九年裡，新視野號的無線電是一種生命線般的存在。因為有了這條連結，團隊才得以聯繫飛船、控制飛船，另外要讀取飛船的狀態、接收飛船得到的觀測數據，也都得經由這條連線。隨著新視野號朝太陽系的外圍愈飛愈遠，通訊的時間延誤也愈來愈久。到了這最後關頭，地球與新視野的通聯已經要九小時才能一來一回，這是用光速行進需要的時間。

為了保持與地球的聯繫，新視野號跟所有長程無人太空船一樣，都倚賴一種幾乎不為人所知、當然也得不到稱頌的行星探險神器：航太總署的「深空網路」（Deep Space Network）。這是一個由三組巨型碟型天線集成、三位一體的無線電網，三處天線集成分別位於美國加州金石、西班牙馬德里，以及南半球澳洲的坎培拉。這三處的碟型天線完美無瑕地進行接力，擔下與飛船通訊的重責大任。因為地球會每二十四小時自轉一周，因此這三處選址才刻意散布在世界三大洲。不論飛船位於深邃太空的任何角落，總有一處天線可以對準訊號的來源。

但如今……深空網路聯繫不上他們極其珍貴的資產，新視野號。

• 本文接續下一篇：分秒必爭！目標是重新鎖定新視野號——《冥王星任務》引言（下）

——本文摘自《冥王星任務：NASA新視野號與太陽系盡頭之旅》，2019 年 4 月，時報出版。