NGC 1929製造的超級泡泡

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：林彥興｜EASY 天文地科小站主編、清大天文所碩士生，努力在陰溝中仰望繁星

萬眾矚目的詹姆士韋伯太空望遠鏡，在經過半年的校準與測試後，終於公開了它拍攝到的第一批成果。這些五彩斑斕、美麗絕倫的照片究竟是什麼樣的天體，照片的背後又有哪些深藏的意義？就讓我們一起深入解密，韋伯的第一批照片吧！

韋伯望遠鏡是什麼？

詹姆士．韋伯太空望遠鏡是美國、歐洲與加拿大太空總署合作開發的新一代旗艦級紅外線太空望遠鏡，也是無數天文學家夢寐以求、能幫助人類破解許多未解天文迷團的利器。

韋伯的研發其實早從 1996 年就已經開始，但是由於開發時遇到諸多困難，導致嚴重的預算超支與進度延宕，這台耗資上百億美金的超級望遠鏡，直到去年年底才終於從法屬圭亞那發射中心，用一枚亞利安 5 號運載火箭發射升空，前往距離地球 150 萬公里的日地第二拉格朗日點。

• 延伸閱讀：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）
• 延伸閱讀：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）
• 延伸閱讀：太空巨獸 JWST 升空後的 150 萬里長征 —— 認識韋伯太空望遠鏡（三）

拉格朗日點是什麼？

日地拉格朗日點一共有五個。當物體在這些點上，其受到來自太陽與地球的重力恰到好處，因此太空船只需要少量的燃料，就可以長期與地球和太陽保持穩定的相對位置，可謂是地球軌道附近的風水寶地。

而韋伯繞行的，是位於地球後方的第二拉格朗日點，簡稱 L2。之所以選擇這裡，是因為只有 L2 的位置剛好會讓地球、太陽、月亮都在同一側，而這三個星體正是天文望遠鏡的主要紅外線光害來源。位在 L2 的韋伯，就可以用它的遮陽帆一次把三顆星體全部擋住，認真凝望遠方而不受干擾，因此 L2 可以說是觀測宇宙的絕佳地點。升空的幾個月之間，韋伯已經完成一系列的儀器校準工作，一步步把望遠鏡調整到最佳狀態。

• 延伸閱讀：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）
• 延伸閱讀：順利升空只是開始！韋伯太空望遠鏡升空後「必須完美」的 29 天旅程

相比知名前輩「哈伯太空望遠鏡」，韋伯的優勢不只是擁有比哈伯大六倍的鏡面，更重要的是它是以紅外線為主力觀測波段。宇宙膨脹造成嚴重紅移，但哈伯望遠鏡的守備範圍主要是可見光，波長範圍是 90 – 2500 奈米，可說是鞭長莫及啊。

這時換上以波長 600 – 28500 奈米的紅外線為守備範圍的韋伯，就可以讓我們看到更遙遠、更古老的宇宙。此外，同一個天體在可見光和紅外線看起來，往往長得相當不一樣。這個強大的紅外線觀測能力，正是韋伯最引以為傲的武器。

作為深具儀式感的第一批科學影像，韋伯這次公布的影像分別對應四個主要科學主題：早期宇宙、星系演化、恆星的生命循環與系外行星。

1. 早期宇宙—— 星系團 SMACS 0723 與重力透鏡效應

畫面中心黃白色的天體，是由成百上千的星系共同組成的星系團 SMACS 0723。在韋伯之前，哈伯太空望遠鏡就曾經花費數個禮拜的時間拍攝這個星系團。然而擁有更大鏡面、更精良儀器的韋伯，僅用了 12.5 個小時就拍出了解析度更高、畫面品質更好的照片，讓我們看到許多以前難以辨識的黯淡星系。可見哈伯與韋伯在觀測能力上的差距。

對天文學家來說，圖中最令人興奮的其實不是前景壯闊的星系團，而是後方這些經過重力透鏡扭曲和放大的小小星系們。星系團龐大的質量扭曲了周圍的時空，讓整個星系團好像一塊巨大的放大鏡一樣，可以偏折和聚焦通過的星光，稱為「重力透鏡效應」。

當星系團後方更遙遠、更古老的星系發出的光線通過星系團時，就會被星系團的重力透鏡效應偏折和聚焦，形成而圖中無數弧形的扭曲影像。

這些仍在襁褓中的小小星系，往往正在快速的孕育新的恆星，或是互相合併，因此有著混沌不規則的形狀。離我們越遠的星體發出的光，需要越長的時間才能到達我們的眼中。因此研究這些遙遠且古老的星系，能幫助天文學家理解宇宙早期的模樣。

2. 星系演化——史蒂芬五重奏（Stephan’s Quintet）

上一張照片讓我們認識星系的起源，這張「史蒂芬五重奏（Stephan’s Quintet）」則可以讓天文學家更仔細地研究星系內的複雜結構，以及星系與星系之間的交互作用。

正如其名，「史蒂芬五重奏（Stephan’s Quintet）」是由五個視覺上相當靠近的星系所組成。但其實最左邊的這個星系（NGC7320）與另外四者並無關聯，只是從地球上看剛好位在天空中差不多的位置而已。

圖片中偏向黃白色，感覺如絲綢般順滑的部分是在近紅外線波段拍攝，主要顯示的是星系中恆星的分布；而醒目的橘紅色，則是來自中紅外波段的資料，展示的是星系中的高溫塵埃，以及星系中的氣體高速對撞時產生的震波（Shock wave）。

除了影像，韋伯還使用光譜儀仔細檢視了影像中右上方的星系（NGC 7319）中心，因為那裏有一顆比太陽重 2400 萬倍的超大質量黑洞，正在吸食周遭的氣體，並在過程中釋放巨大的能量。

藉由觀察光譜的細節，韋伯可以分辨出像是氬離子、氖離子或是氫分子等等化學組成，甚至知道氣體的溫度、運動速度這些從一般照片難以辨識的資訊。

史蒂芬五重奏就像一個天然的實驗場，讓天文學家研究星系演化的詳細過程。

3. 系外行星——WASP-96 b 的大氣光譜

這一張照片可能是整批影像中，視覺上最不起眼的一張，它是系外行星 WASP-96 b 的大氣光譜。

最近 20 多年來，人類對太陽系以外行星的認識越來越多。截至今日，人類已經發現超過 5000 顆系外行星。然而，以現有的觀測技術，天文學家通常只能用一些間接的方法，測量它們的質量、半徑、軌道週期等粗略的特性。想知道這個行星是否適合生命生存，就不能少了行星大氣層的化學組成和溫度資訊。

那要怎麼取得行星的大氣資訊呢？當行星通過恆星跟地球中間時，恆星的一部分星光將會通過行星的大氣層，並被行星的大氣吸收。吸收的多寡和波段，取決於行星大氣層的溫度和化學組成等特性。此時，天文學家就可以藉由分析光譜中的各種特徵，去回推行星大氣層的性質。

圖片中的白點，即是韋伯實際觀測 WASP-96 b 時取得的光譜資訊。而藍色的線，則是天文學家認為最貼合觀測數據的理論模型。

根據這個觀測結果，天文學家計算出 WASP-96 b 的大氣溫度約為 725°C，大氣中明顯有著水氣，並推測可能還有雲和霾存在。未來進一步的分析和觀測，將為世人揭開更多系外行星的神祕面紗。

4. 恆星的生命循環——「南環狀星雲」與「船底座大星雲（Carina）」

最後兩張照片都與恆星的生命循環有關。正如人會有生老病死，恆星也是一樣。

恆星一般誕生在巨大分子雲中，氣體在重力吸引下逐漸塌縮、升溫並點燃核融合，成為一顆恆星。

當小質量的恆星步入晚年，其結構容易變得不穩定，最終將自己的外層氣體拋射出去，形成美麗的行星狀星雲，也將氣體吐回到星際空間中，成為下一代恆星的養分。氣體都拋射完之後留下的核心，就是白矮星。

• 延伸閱讀：宇宙「新」光──新星、超新星與千級新星

各位現在看到的，是暱稱「南環狀星雲」的行星狀星雲，左右兩張圖分別於近紅外線與中紅外線拍攝。

我們可以看到，左圖中的影像比右圖要更清晰一些，這是因為在相同的望遠鏡口徑下，波長越短所能達到的理論解析度就越高。

有趣的是，在左圖中看起來位於星雲中心的明亮恆星，其實並不是行星狀星雲的核心。真正的核心其實是在其左下方，一顆被塵埃包裹著的黯淡白矮星。在近紅外線波段的影像中，這顆白矮星幾乎淹沒在隔壁恆星的炙烈星芒之中。

但在中紅外波段，由於恆星的亮度相對降低，包裹著白矮星的塵埃發出的光就變得清晰可見。再次展示即使是同一個天體，使用不同的波段進行觀測，往往可以看到不同的東西。

最後這片壯麗的宇宙山崖，則是位於「船底座大星雲 Carina」西北角的 NGC3324 恆星形成區。在這裡，源自星雲中無數初生恆星所發出的炙烈輻射、恆星風與噴流，吹散、游離了星雲中原有的濃密氣體與塵埃。交織出這片壯闊而複雜的結構。

這張照片一共結合了這六個不同的濾鏡的影像拍攝而成。每個濾鏡涵蓋的波段各不相同，代表的物理意義也不一樣。比如（F090W、F200W、F444W）這三個寬帶濾鏡，分別在影像中按照波長順序，以藍色、綠色和紅色這三原色呈現，為照片打下骨幹。而在此之上，照片的製作團隊又疊上青色代表氫原子的（F187N）濾鏡影像，以黃色代表氫分子的（F470N）濾鏡影像，以及用橘色代表甲烷和多環芳香烴的 （F335M） 濾鏡影像，為照片再添更多的細節。

• 延伸閱讀：用黑白相機拍出色彩繽紛的宇宙

想要將這麼多個波段的影像全部結合起來，仔細調整讓細節更加突出，最終呈現出一張如此絢麗又震撼的照片，是非常不容易的。這展示了韋伯太空望遠鏡不僅在科學上相當重要，在藝術上也價值非凡。

最後別忘了，以上只挑選介紹了第一批資料中最具代表性的幾張，更多關於五個目標的照片和光譜，可以在韋伯的官網上找到。而這批照片，又只是韋伯未來二十年服役生涯中，前兩個月的小試牛刀而已。韋伯的時代，才剛剛要開始！

• 撰文｜許世穎

本文轉載自 CASE 科學報《整個宇宙，都是我的動物園——天文化學》

整個宇宙就像是一座「分子動物園」，藉由研究的分子光譜，我們可以得知這分子的分佈、溫度等性質；而由於不同的分子有著不同的「習性」，我們還可以得知孕育這些分子的星際環境。

天文化學是什麼？

天文學是研究宇宙間天體的自然科學，除了一般大眾較為知道的「天文物理學」以外，宇宙擁有很多的面向，其中一個就是本文的主題：「天文化學」。

同樣都是研究「物質」的科學，物理學與化學卻是以不太一樣的方式來觀察這個世界。天文化學著重那些宇宙間「不同天體環境中的原子、分子、離子」等，研究它們的形成、分布、彼此之間的交互作用，或是與環境的交互作用。（接下來為了方便起見，我們將分子、離子等統稱為分子。）

天文學雖然是最古早的科學之一，但是天文化學這個學門，則要到 20 世紀中期才開始慢慢出現。理由很簡單：因為分子看不到呀！星星那麼大一顆，用望遠鏡都不一定能看清楚了，更何況是擺在眼前都看不到的分子呢？

因此要研究宇宙中的分子，必須要靠特別的技術才行；其中，最重要的技術之一，就是「光譜學」。

光譜（spectrum）是將光依照波長或頻率排列出來的圖案，像「彩虹」就是一種光譜，是太陽光依照不同頻率分開來的圖案。而光的範疇除了可見光以外，還有很多肉眼看不到的波段，例如無線電波、紅外線、紫外線、Ｘ光……等。

每一種分子都有著屬於自己的光譜，在地球上的我們，如果想要知道分子的光譜長什麼樣子的話，除了可以做實驗量測以外，更多的是用電腦做精密的模擬計算來預測。分子的光譜就像它們的「指紋」，就像警察會將採集到的指紋與資料庫比對，來得知這枚指紋是哪個人留下來的，天文學家則是將觀測到的光譜與資料庫比對，來得知遙遠星際的另一端有哪些分子，甚至是它們的含量、溫度等（圖 1）。

想要了解更多天文學家如何使用光譜學，可以參考：＜把光拆開來看：天文學中的光譜＞。

為什麼宇宙是「分子動物園」？

動物們往往能反應出當地的環境，舉例來說，看到河馬就知道那邊是有水有草的環境；看到櫻花鉤吻鮭就知道有水溫偏低的溪流 ^[3]。將宇宙視為分子動物園也是一樣的，觀察分子的分佈、含量，也可以讓我們回推物理環境。目前，我們已從星際間，觀測到了約 200 多種分子，這裡就介紹幾種常見的星際分子吧！

氫分子（molecular hydrogen, H₂）

宇宙中含量最高的分子，也是「分子雲」的主要成分。分子雲中每一立方公分大約有一萬個氫分子（10⁴ cm^-3）。

分子雲是恆星、行星誕生的地方，所以了解氫分子的分佈，能幫助我們研究恆星形成。同時，氫分子能與較重的元素反應，是許多化學反應的催化劑，產生其他的分子如一氧化碳（CO）、二氧化碳（CO₂）、 氰基自由基（CN）等。

氫分子對天文化學來說相當重要，可惜在分子雲這種均溫只有零下 200 多度的環境，幾乎是不太可能觀測到（因為它是個對稱的分子，有興趣的讀者可以再進一步了解。）^[5][6]

一氧化碳（carbon monoxide, CO）

一氧化碳分佈在星際間低溫、高密度的區域。它是星際間含量第二高的分子。

比起氫分子，一氧化碳容易觀測太多了，所以天文學家更容易從一氧化碳的圖像，來得知分子雲的分佈。由於分子雲幾乎沒辦法用可見光直接觀測，早期的科學家根本不知道我們周邊有這麼多分子雲的存在，直到觀測了一氧化碳的圖像之後才大開眼界。 ^[5][6][7]

氨（ammonia, NH₃）

氨也是很容易被觀測到分子。歷史上第一個觀測到的分子是就是氨。氨有許多譜線，而這些譜線的強度對於環境變化非常敏感，能對應到很多種不同的星際環境。對氨的觀測能讓我們更精確地回推出該處的環境狀況 ^[8][9]。

宇宙中的環境變化太大了，不同的環境下化學反應可能會有很大的差異。宇宙間的發散星際雲（diffuse cloud）、密集分子雲（dense cloud）、恆星形成的熱原恆星核（hot core）等這些已經偵測到大量分子的區域，溫度分佈從 10 K～1000 K（約攝氏 -200 度到 +800 度）、密度從每立方公分一百顆粒子到十兆顆粒子（10² cm^-3～10¹³ cm^-3）都有！

這裡接著再介紹幾種分子含量高的星際環境。

恆星形成區域（star-forming region）

分子雲內部高密度、正在形成恆星的地方。獵戶座 KL 星雲（Orion KL）是獵戶座大分子雲中，恆星形成最活躍的區域。在這裡有許多的「複雜飽和有機分子」出現，如：甲醇（CH₃OH）、甲酸甲脂（HCOOCH₃）等，也有一些長鏈的碳分子，如：氰基乙炔（HCCCN）^[10]。

彗星 67P/Churyumov-Gerasimenko （comet 67P/C-G）

在近幾年的觀測資料中，科學家在這裡看到了含量極高的氧分子（molecular oxygen, O₂），這讓他們感到非常意外。因為氧分子在宇宙中很容易起反應、變成其它的分子，而在彗星這麼樣一個容易揮發的環境中，卻能有高含量的氧分子存在，代表這些氧分子很有可能是在彗星形成的時候，就已經存在周遭的環境中，並且冰封在彗星上 ^[11][12]。

天文化學所牽涉到的範圍很廣，橫跨了許多不同的領域。 整個宇宙就是一座「分子動物園」。天文學家觀察這些宇宙中的分子，來得知遙遠天體中具有什麼樣的環境。星際間也發現了許多有機分子，研究這些分子甚至能幫助我們理解生命的起源，這是現在天文化學研究的一個重點方向。

• [1] sci-news / Astronomers Detect Organic Molecules in Starless and Prestellar Regions of Nearby Stellar Nurser
• [2] ALMA / Forest of Molecular Signals in Star Forming Galaxy
• [3] 雪霸國家公園 / 鮭魚與水質
• [4] EAS / The molecular journey from stars to disks
• [5] wiki / Molecular cloud
• [6] COSMOS / Molecular Hydrogen
• [7] NRAO / The Cold Case of Carbon Monoxide
• [8] wiki / Ammonia
• [9] Ho, P. T. P.; Townes, C. H., Interstellar ammonia, Annual Rev. Astron. Astrophys., Vol. 21, p. 239-270 (1983)
• [10] wiki / Kleinmann–Low Nebula
• [11] ESA / Molecular oxygen detected at comet 67P/C-G – ROSINA mass spectrum
• [12] wiki / 67P/Churyumov–Gerasimenko