韋伯太空望遠鏡對人眼健康有益

• 作者／陳子翔｜師大地球科學系｜ EASY 天文地科團隊創辦者

作為 NASA 最新一代旗艦級太空望遠鏡，詹姆士．韋伯望遠鏡在性能上當然必須是太空望遠鏡中的佼佼者。然而，工程師與科學家要如何設計韋伯望遠鏡，才能讓它擁有強大的觀測能力呢？這個問題深究起來相當複雜，不過大方向卻出乎意料的簡單，那就是：「越大越好」。

如何衡量望遠鏡的觀測能力

在說明望遠鏡為什麼越大越好前，讓我們先想想，要如何衡量一部望遠鏡的觀測性能好不好呢？一般來說，望遠鏡最重要的兩項性能指標，就是它的「解析力」和「集光力」。

解析力可說就代表望遠鏡的「視力」。解析力越好的望遠鏡，能拍出天體更多的細節，或是說分辨出解析力較差的望遠鏡無法分辨出來，兩顆非常接近的星星。就像是做視力檢查時，當無法看清楚視力檢查表上某一排的「E」到底指向何處時，其實就代表自己眼睛的「極限解析力」已經無法解析出那一排的「E」囉！而天文學家，當然會希望望遠鏡的「視力」超級好呀！

而集光力則可以衡量望遠鏡蒐集星光（來自天體的電磁波）的效率。平時我們用手機拍照時，通常只需要幾百分之一秒的曝光，就能夠拍清楚日常生活周遭的景像。但由於宇宙中的天體往往非常黯淡，要蒐集這些天體的資料，進行學術研究的天文學家對一個目標的曝光時間，經常都是好幾個小時起跳。有時甚至需要超過一星期的曝光時間呢！

可以想像在這樣的情況下，一部望遠鏡的集光效率，是非常重要的一件事。如果你的望遠鏡的集光力是別人的四倍，那別人要花一個月才能拍攝到的目標，你只需要一個禮拜就可以完成。多出來的這些時間，就可以拿去拍攝更多目標，或是對同一個目標拍攝更長的時間，以研究更多黯淡的細節。

大口徑，真香！

解析力與集光力是望遠鏡最重要的性能指標，而且它們都與同一個因子息息相關，那就是望遠鏡的「口徑」，即望遠鏡主鏡的直徑大小。

若假設望遠鏡主鏡是完整的圓形，那解析力與口徑是成正比的，而集光力則是與口徑的平方成正比。例如一個口徑兩米的望遠鏡，相比其他條件都相同，但口徑只有一米的望遠鏡，其極限解析力就會高兩倍，集光力則會高四倍。說到這裡相信大家應該就能明白，為什麼天文望遠鏡基本上就是「口徑越大越好」了。

口徑長達 6.5 公尺，這樣塞得進火箭嗎？

既然大口徑這麼棒，那韋伯作為最新的旗艦太空望遠鏡，直上太空望遠鏡史上最大口徑，似乎是再合理不過的事了！

韋伯望遠鏡的口徑是 6.5 公尺，比起前輩哈伯太空望遠鏡的 2.4 公尺大超過 2.5 倍。當初哈伯望遠鏡的鏡片口徑之所以會設計成 2.4 公尺，一大原因是如果口徑再更大，就塞不進太空梭的貨艙了。那麼問題來了，韋伯太空望遠鏡的口徑大小能一次升級那麼多，難道是因為發射韋伯的火箭，比起當時的太空梭還要大很多嗎？

答案是否定的。事實上，世界上目前沒有任何一款火箭，能夠裝下一面直徑 6.5 公尺的鏡片！而且若是要為了發射韋伯而專門設計一款新火箭，那計畫的預算和進度一定會大大提升和延後，完全得不償失。不過，山不轉路轉，路不轉人轉，也許火箭不可能為了望遠鏡改變，但我們也許可以換個角度想，讓望遠鏡適應火箭呀！

想像一下，如果你有一筆錢，想要買輛腳踏車，讓你未來可以開車帶著腳踏車出遊，卻發現自己車子的後車廂裝不下一般的腳踏車時，你會怎麼辦呢？相信這時後，比起直接購買一台新的大車，選擇折疊式腳踏車會是更合理的選項。而設計 JWST 的工程師們也是採取這樣的策略，將整部韋伯望遠鏡設計成「折疊式」的，從主鏡、次鏡支架到遮陽帆等等機構，都可以收起來降低體積，讓韋伯望遠鏡能夠塞進空間相當有限的火箭整流罩中，並於發射到太空之後，再一步步自動展開成可以運作的狀態。

韋伯望遠鏡的特殊設計

韋伯望遠鏡最明顯的特徵，就是由 18 面六邊形金色鏡片所組合而成，直徑 6.5 公尺的巨大主反射鏡。與哈伯望遠鏡不同的是，它並沒有鏡筒的構造，而是直接將望遠鏡的主鏡與次鏡露在外面，以支架的方式維持結構。而這樣的設計其實在地球上的大型天文台相當常見。

來自宇宙中天體的光線會透過主鏡與次鏡反射，進入主鏡位於中央的黑色錐狀構造。這個構造中設有一些鏡片組，會進一步將光線導至後方的相機和光譜儀。韋伯望遠鏡設有多個不同的相機與光譜儀，並各自有適合的觀測目標，提供各領域的天文學家重要的研究資料。

而巨大的主鏡下方，一層一層的銀色 「帆布」則是韋伯望遠鏡的遮陽帆。它能夠為望遠鏡擋下來自太陽、地球與月球的光線與熱輻射，讓望遠鏡能夠處在既黑暗又低溫的優良觀測環境中。

根據科學家的估算，當韋伯望遠鏡在太空中運作時，它的遮陽帆的面光側溫度可達到約攝氏 110 度，但望遠鏡所處在的背光面，則能維持攝氏零下 210 度左右的低溫。溫度越低，觀測儀器所受到的熱雜訊影響就越少。這樣低溫的環境，對紅外線望遠鏡至關重要。

遮陽帆的背光側提供了望遠鏡與相機所需，黑暗又低溫的運作環境，但並不是所有的設備都需要這樣的條件。比如提供電力的太陽能板，就需要的是充足的陽光才能運作。同時，也有一些設備是本身就會發熱的，例如維持軌道穩定用的小型火箭引擎與燃料，控制望遠鏡指向的反應輪等等。這些設備也都設置於遮陽帆的面光側，如此一來遮陽帆也能順便隔絕這些設備產生的熱，避免干擾望遠鏡的觀測。韋伯望遠鏡上不同設備的配置位置可說各取所需，相當有巧思。

如本系列文章上集：《為何 NASA 不惜大撒幣也要把它送上太空？》所介紹，將紅外線望遠鏡送上太空能帶來許多的好處與研究潛力，然而設計並打造出這樣的科學儀器絕非容易的事。詹姆士．韋伯太空望遠鏡可說就是集結了頂尖科學、工程與技術，以及許多人共同努力的結晶，也期待將來它能帶來豐碩的觀測資料與成果。

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）
• 太空巨獸 JWST 升空後的 150 萬里長征 —— 認識韋伯太空望遠鏡（三）
• 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）
• 深度認識 JWST 的各項儀器與結構設備
  Instruments and ISIM (Integrated Science Instrument Module) Webb/NASA

參考資料

• James Webb Space Telescope – Webb
• JWST Telescope

本文轉載自中央研究院研之有物，泛科學為宣傳推廣執行單位。

• 採訪撰文／田偲妤
• 美術設計／蔡宛潔

AI 的誕生，文理缺一不可

人工智慧（Artificial Intelligence，簡稱 AI）在 21 世紀的今日已大量運用在生活當中，近期掀起熱議的聊天機器人 LaMDA、特斯拉自駕系統、AI 算圖生成藝術品等，都是 AI 技術的應用。多數 AI 的研發秉持改善人類生活的人文思維，除了仰賴工程師的先進技術，更需要人文社會領域人才的加入。

中央研究院「研之有物」專訪院內人文社會科學研究中心蔡宗翰研究員，帶大家釐清什麼是 AI？文科人與工程師合作時，需具備什麼基本 AI 知識？AI 如何應用在人文社會領域的工作當中？

詩詞大對決：人與 AI 誰獲勝？

一場緊張刺激的詩詞對決在線上展開！人類代表是有「AI 界李白」稱號的蔡宗翰研究員，AI 代表則是能秒速成詩的北京清華九歌寫詩機器人，兩位以「人工智慧」、「類神經」為命題創作七言絕句，猜猜看以下兩首詩各是誰的創作？你比較喜歡哪一首詩呢？

答案揭曉！A 詩是蔡宗翰研究員的創作，B 詩是寫詩機器人的創作。細細賞讀可發覺，A 詩的內容充滿巧思，為了符合格律，將「類神經」改成「類審經」；詩中的「福落天赦」是「天赦福落」的倒裝，多念幾次會發現，原來是 Google 開發的機器學習開源軟體庫「Tensor Flow」的音譯；而「拍拓曲」則是 Facebook 開發的機器學習庫「Pytorch」的音譯，整首詩創意十足，充滿令人會心一笑的魅力！

相較之下，B 詩雖然有將「人工」兩字穿插引用在詩中，但整體內容並沒有呼應命題，只是在詩的既有框架內排列字句。這場人機詩詞對決明顯由人類獲勝！

由此可見，當前的 AI 缺乏創作所需的感受力與想像力，無法做出超越預先設定的創意行為。然而，在不久的將來，AI 是否會逐漸產生情感，演變成電影《A.I. 人工智慧》中渴望人類關愛的機器人？

AI 其實沒有想像中聰明？

近期有一則新聞「AI 有情感像 8 歲孩童？Google 工程師爆驚人對話遭停職」，讓 AI 是否已發展出「自我意識」再度成為眾人議論的焦點。蔡宗翰研究員表示：「當前的 AI 還是要看過資料、或是看過怎麼判讀資料，經過對應問題與答案的訓練才能夠運作。換而言之，AI 無法超越程式，做它沒看過的事情，更無法替人類主宰一切！」

會產生 AI 可能發展出情感、甚至主宰人類命運的傳言，多半是因為我們對 AI 的訓練流程認識不足，也缺乏實際使用 AI 工具的經驗，因而對其懷抱戒慎恐懼的心態。這種狀況特別容易發生在文科人身上，更延伸到文科人與理科人的合作溝通上，因不了解彼此領域而產生誤會與衝突。如果文科人可以對 AI 的研發與應用有基本認識，不僅能讓跨領域的合作更加順利，還能在工作中應用 AI 解決許多棘手問題。

「職場上常遇到的狀況是，由於文科人不了解 AI 的訓練流程，因此對 AI 產生錯誤的期待，認為辛苦標注的上千筆資料，應該下個月就能看到成果，結果還是錯誤百出，準確率卡在 60、70% 而已。如果工程師又不肯解釋清楚，兩方就會陷入僵局，導致合作無疾而終。」蔡宗翰研究員分享多年的觀察與建議：

如果文科人了解基本的 AI 訓練流程，並在每個訓練階段協助分析：錯誤偏向哪些面向？AI 是否看過這方面資料？文科人就可以補充缺少的資料，讓 AI 再進行更完善的訓練。

史上最認真的學生：AI

認識 AI 的第一步，我們先從分辨什麼是 AI 做起。現在的數位工具五花八門，究竟什麼才是 AI 的應用？真正的 AI 有什麼樣的特徵？

基本上，有「預測」功能的才是 AI，你無法得知每次 AI 會做出什麼判斷。如果只是整合資料後視覺化呈現，而且人類手工操作就辦得到，那就不是 AI。

蔡宗翰研究員以今日常見的語音辨識系統為例，大家可以試著對 Siri、Line 或 Google 上的語音辨識系統講一句話，你會發現自己無法事先知曉將產生什麼文字或回應，結果可能正是你想要的、也可能牛頭不對馬嘴。此現象點出 AI 與一般數位工具最明顯的不同：AI 無法百分之百正確！

因此，AI 的運作需建立在不斷訓練、測試與調整的基礎上，盡量維持 80、90% 的準確率。在整個製程中最重要的就是訓練階段，工程師彷彿化身老師，必須設計一套學習方法，提供有助學習的豐富教材。而 AI 則是史上最認真的學生，可以穩定、一字不漏、日以繼夜地學習所有課程。

AI 的學習方法主要分為「非監督式學習」、「監督式學習」。非監督式學習是將大批資料提供給 AI，讓其根據工程師所定義的資料相似度算法，逐漸學會將相似資料分在同一堆，再由人類檢視並標注每堆資料對應的類別，進而產生監督式學習所需的訓練資料。而監督式學習則是將大批「資料」和「答案」提供給 AI，讓其逐漸學會將任意資料對應到正確答案。

學習到一定階段後，工程師會出試題，測試 AI 的學習狀況，如果成績只有 60、70 分，AI 會針對答錯的地方調整自己的觀念，而工程師也應該與專門領域專家一起討論，想想是否需補充什麼教材，讓 AI 的準確率可以再往上提升。

就算 AI 最後通過測試、可以正式上場工作，也可能因為時事與技術的推陳出新，導致準確率下降。這時，AI 就要定時進修，針對使用者回報的錯誤進行修正，不斷補充新的學習內容，讓自己可以跟得上最新趨勢。

在了解 AI 的基本特徵與訓練流程後，蔡宗翰研究員建議：文科人可以看一些視覺化的操作影片，加深對訓練過程的認識，並實際參與檢視與標注資料的過程。現在網路上也有很多 playground，可以讓初學者練習怎麼訓練 AI，有了上述基本概念與實務經驗，就可以跟工程師溝通無礙了。

AI 能騙過人類，全靠「自然語言處理」

AI 的應用領域相當廣泛，而蔡宗翰研究員專精的是「自然語言處理」。問起當初想投入該領域的原因，他充滿自信地回答：因為自然語言處理是「AI 皇冠上的明珠」！這顆明珠開創 AI 發展的諸多可能性，可以快速讀過並分類所有資料，整理出能快速檢索的結構化內容，也可以如同真人般與人類溝通。

著名的「圖靈測試」（Turing Test）便證明了自然語言處理如何在 AI 智力提升上扮演關鍵角色。1950 年代，傳奇電腦科學家艾倫・圖靈（Alan Turing）設計了一個實驗，用來測試 AI 能否表現出與人類相當的智力水準。首先實驗者將 AI 架設好，並派一個人操作終端機，再找一個第三者來進行對話，判斷從終端機傳入的訊息是來自 AI 或真人，如果第三者無法判斷，代表 AI 通過測試。

換而言之，AI 必須擁有一定的智力，才可能成功騙過人類，讓人類不覺得自己在跟機器對話，而這有賴自然語言處理技術的精進。目前蔡宗翰的研究團隊有將自然語言處理應用在：人文研究文本分析、新聞真偽查核，更嘗試以合成語料訓練臺灣人專用的 AI 語言模型。

讓 AI 替你查資料，追溯文本的起源

目前幾乎所有正史、許多地方志都已經數位化，而大量數位化的經典更被主動分享到「Chinese Text Project」平台，讓 AI 自然語言處理有豐富的文本資料可以分析，包含一字不漏地快速閱讀大量文本，進一步畫出重點、分門別類、比較相似之處等功能，既節省整理文本的時間，更能橫跨大範圍的文本、時間、空間，擴展研究的多元可能性。

例如我們想了解經典傳說《白蛇傳》是怎麼形成的？就可以應用 AI 進行文本溯源。白蛇傳的故事起源於北宋，由鎮江、杭州一帶的說書人所創作，著有話本《西湖三塔記》流傳後世。直至明代馮夢龍的《警世通言》二十八卷〈白娘子永鎮雷峰塔〉，才讓流傳 600 年的故事大體成型。

我們可以透過「命名實體辨識技術」標記文本中的人名、地名、時間、職業、動植物等關鍵故事元素，接著用這批標記好的語料來訓練 BERT 等序列標注模型，以便將「文本向量化」，進而找出給定段落與其他文本的相似之處。

經過多種文本的比較之後發現，白蛇傳的原型可追溯自印度教的那伽蛇族故事，傳說那伽龍王的三女兒轉化成佛、輔佐觀世音，或許與白蛇誤食舍利成精的概念有所關連，推測印度神話應該是跟著海上絲路傳進鎮江與杭州等通商口岸。此外，故事的雛型可能早從唐代便開始醞釀，晚唐傳奇《博異志》便記載了白蛇化身美女誘惑男子的故事，而法海和尚、金山寺等關鍵人物與景點皆真實存在，金山寺最初就是由唐宣宗時期的高僧法海所建。

在 AI 的協助之下，我們得以跨時空比較不同文本，了解說書人如何結合印度神話、唐代傳奇、在地的真人真事，創作出流傳千年的白蛇傳經典。

最困難的挑戰：AI 如何判斷假新聞

除了應用在人文研究文本分析，AI 也可以查核新聞真偽，這對假新聞氾濫的當代社會是一大福音，但對 AI 來說可能是最困難的挑戰！蔡宗翰研究員指出 AI 的弱點：

如果是答案和數據很清楚的問題，就比較好訓練 AI。如果問題很複雜、變數很多，對 AI 來說就會很困難！

困難點在於新聞資訊的對錯會變動，可能這個時空是對的，另一個時空卻是錯的。雖然坊間有一些以「監督式學習」、「文本分類法」訓練出的假新聞分類器，可輸入當前的新聞讓機器去判讀真假，但過一段時間可能會失準，因為新的資訊源源不絕出現。而且道高一尺、魔高一丈，當 AI 好不容易能分辨出假新聞，製造假新聞的人就會破解偵測，創造出 AI 沒看過的新模式，讓先前的努力功虧一簣。

因此，現在多應用「事實查核法」，原理是讓 AI 模仿人類查核事實的過程，尋找權威資料庫中有無類似的陳述，可用來支持新聞上描述的事件、主張與說法。目前英國劍橋大學為主的學者群、Facebook 與 Amazon 等業界研究人員已組成 FEVEROUS 團隊，致力於建立英文事實查核法模型所能運用的資源，並透過舉辦國際競賽，廣邀全球學者專家投入研究。

蔡宗翰教授團隊 2021 年參加 FEVEROUS 競賽勇奪全球第三、學術團隊第一後，也與合作夥伴事實查核中心及資策會討論，正著手建立中文事實查核法模型所需資源。預期在不久的將來，AI 就能幫讀者標出新聞中所有說法的資料來源，節省讀者查證新聞真偽的時間。

AI 的無限可能：專屬於你的療癒「杯麵」

AI 的未來充滿無限可能，不僅可以成為分類與查證資料的得力助手，還能照護並撫慰人類的心靈，這對邁入高齡化社會的臺灣來說格外重要！許多青壯年陷入三明治人（上有老、下有小要照顧）的困境，期待有像動畫《大英雄天團》的「杯麵」（Baymax）機器人出現，幫忙分擔家務、照顧家人，在身心勞累時給你一個溫暖的擁抱。

機器人陪伴高齡者已是現在進行式，新加坡南洋理工大學 Gauri Tulsulkar 教授等學者於 2021 年發表了一項部署在長照機構的機器人實驗。這名外表與人類相似的機器人叫「娜丁」（Nadine），由感知、處理、互動等三層架構組成，可以透過麥克風、3D和網路鏡頭感知用戶特徵、所處環境，並將上述資訊發送到處理層。處理層會依據感知層提供的資訊，連結該用戶先前與娜丁互動的記憶，讓互動層可以進行適當的對話、變化臉部表情、用手勢做出反應。

長照機構的高齡住戶多數因身心因素、長期缺乏聊天對象，或對陌生事物感到不安，常選擇靜默不語，需要照護者主動引導。因此，娜丁內建了注視追蹤模型，當偵測到住戶已長時間處於被動狀態，就會自動發起話題。

實驗發現，在娜丁進駐長照機構一段時間後，住戶有一半的天數會去找她互動，而娜丁偵測到的住戶情緒多為微笑和中性，其中有 8 位認知障礙住戶的溝通能力與心理狀態有明顯改善。

至於未來的改進方向，研究團隊認為「語音辨識系統」仍有很大的改進空間，需要讓機器人能配合老年人緩慢且停頓較長的語速，音量也要能讓重聽者可以清楚聽見，並加強對方言與多語混雜的理解能力。

臺灣如要發展出能順暢溝通的機器人，首要任務就是要開發一套臺灣人專用的 AI 語言模型，包含華語、臺語、客語、原住民語及混合以上兩種語言的理解引擎。這需花費大量人力與經費蒐集各種語料、發展預訓練模型，期待政府能整合學界與業界的力量，降低各行各業導入 AI 相關語言服務的門檻。

或許 AI 無法發展出情感，但卻可以成為人類大腦的延伸，協助我們節省處理資料的時間，更可以心平氣和地回應人們的身心需求。與 AI 共存的未來即將來臨，如何讓自己的行事邏輯跟上 AI 時代，讓 AI 成為自己的助力，是值得你我關注的課題。

延伸閱讀

• 蔡宗翰（2022）。寫給中學生看的 AI 課：AI 生態系需要文理兼具的未來人才。三采文化出版。
• Tulsulkar, G., Mishra, N., Thalmann, N.M. et al (2021). Can a humanoid social robot stimulate the interactivity of cognitively impaired elderly? A thorough study based on computer vision methods. Vis Comput 37, 3019–3038.

• 文／邵思齊，現就讀臺大地質科學系，著迷於大自然的鬼斧神工。

現代的人們生活在充滿明亮人造光源的城鎮中，難以想像純粹的夜空是什麼樣子。對宇宙中天體的印象，多半來自各地天文台與太空望遠鏡所捕捉的絢麗星雲、星團、星系。但這些影像中的顏色是真實的嗎？如果我們能夠用肉眼看到這些天體，它們的顏色真能如影像中如此的五彩繽紛嗎？

色彩的起源：為什麼人眼能看到顏色？

電磁波跨越各種尺度的波段，有波長遠小於 1 奈米的伽瑪射線，也有波長數百公里長的無線電波。但人類眼睛中的的感光細胞僅能感測到波長介於 400-700 奈米之間的電磁波，也就是僅有這段電磁波能夠以紅到紫的色彩出現在人類的視野當中，所以我們對外界的認知就受限於這小一段稱為可見光（Visible Light）的視窗。人之所以能夠辨識不同的顏色，靠的是人眼中的視錐細胞。視錐細胞分成 S、M、L 三種，分別代表 short, medium, long，其感測到的不同波長的光，大致可對應到藍色、綠色、紅色。

肉眼可以，那相機呢？

在還沒有電子感光元件的時代，紀錄影像的方法是透過讓底片中的銀離子曝光、沖洗後，變成不透光的金屬銀（負片），但這樣只能呈現出黑白影像。於是，歷經長時間的研究與測試，有著三層感光層的彩色底片誕生了。它的原理是在不同感光層之間加上遮色片，讓三層感光片能夠分別接收到各自顏色的光線。最常使用的遮色片是藍、綠、紅三色。進入數位時代，電子感光元件同樣遇到了只有明暗黑白、無法分辨色彩的問題，但這次，因為感光元件無法透光，不能像底片一樣分層感光，工程師們只好另闢蹊徑。

於是專為相機感光元件量身打造的拜爾濾色鏡（Bayer Filter）誕生了，也就是由紅色、綠色、藍色三種方形濾光片相間排列成的馬賽克狀濾鏡，每一格只會讓一種顏色通過，如此一來，底下的感光元件就只會接收到一種顏色的光。接著，再把相鄰的像素數值相互內插計算，就可以得到一張彩色影像。由於人的視錐細胞對綠色特別敏感，因此拜爾濾色鏡的設計中，綠色濾光片的數量是其他顏色的兩倍。

這種讓各個像素接收不同顏色資訊的做法，雖然方便快速，卻需要好幾個像素才能還原一個區塊的顏色，因此會大幅降低影像解析度。這對寸解析度寸金的天文研究來說，非常划不來，畢竟我們既想得知每個像素接收到的原始顏色，又想獲得以像素為解析單位的最佳畫質，盡可能不要損失任何資訊。

要怎麼讓每個像素都能獨立呈現接收到的光子，而且還能夠完整得到顏色的資訊呢？最好的方法就是在整塊感光元件前加上一塊單色的濾色鏡，然後輪流更換不同的濾色鏡，一次只記錄一種顏色的強度。然後，依照濾鏡的波段賦予影像顏色，進行疊合，得到一張還原真實顏色的照片。如此一來，我們就能用較長的拍攝時間，來換取最完整的資訊量。以天文研究來說，這種做法更加划算。

另外，由於視錐細胞並不是只對單一波長的光敏感，而是能夠接收波長範圍大約數百奈米寬的光，因此若是要還原真實顏色的影像，人們通常會使用寬頻濾鏡（Broadband filter），也就是波段跨足數百奈米的濾鏡進行拍攝。

美麗之外？濾鏡的科學妙用

雖然還原天體的真實顏色是個相當直覺的作法，但既然我們有能力分開不同的顏色，當然就有各式各樣的應用方法。當電子從高能階躍遷回到低能階，就會釋放能量，也就是放出固定波長的電磁波。若是受到激發的元素不同，電子躍遷時放出的電磁波波長也會隨之改變，呈現出不同顏色的光。

如果我們在拍攝時，可以只捕捉這些特定波長的光，那我們拍出的照片，就代表著該元素在宇宙中的分佈位置。對天文學家來說，這是相當重要的資訊。因此，我們也常使用所謂的窄頻濾鏡（Narrowband filter），只接收目標波段周圍數十甚至數個奈米寬的波長範圍。常見的窄頻濾鏡有氫（H）、氦（He）、氮（N）、氧（O）、硫（S）等等。

有時候，按照原本的顏色疊合一組元素影像並不是那麼妥當，例如 H-alpha（氫原子）和 N II（氮離子）這兩條譜線，同樣都是波長 600 多奈米的紅色光，但如果按照它們原本的波長，在合成影像時都用紅色表示，就很難分辨氫和氮的分布狀態。這時候，天文學家們會按照各個元素之間的相對波長來配製顏色。

以底下的氣泡星雲（Bubble Nebula, NGC7635）為例，波長比較長的 N II 會被調成紅色，相對短一點的 H-alpha 就會調成綠色，而原本是綠色的 O III 氧離子則會被調成藍色。如此一來，我們就可以相對輕鬆地在畫面中分辨各個元素出現的位置。缺點是，如果我們真的用肉眼觀測這些天體，看到的顏色就會跟圖中大不相同。

當然，這種人工配製顏色的方法也可以用來呈現可見光以外的電磁波，例如紅外線、紫外線等。舉哈伯太空望遠鏡的代表作「創生之柱」為例，他們使用了兩個近紅外線波段，比較長波的 F160W 在 1400~1700nm，比較短的 F110W在900~1400nm，分別就被調成了黃色和藍色。星點發出的紅外光穿越了創生之柱的塵埃，與可見光疊合的影像比較，各有各的獨特之處。

望遠鏡接收來自千萬光年外的天體光線，一顆一顆的光子累積成影像上的點點像素，經過科學家們的巧手，成為烙印在人們記憶中的壯麗影像。有些天體按照他們原始的顏色重組，讓我們有如身歷其境，親眼見證它們的存在；有些影像雖然經過調製，並非原汁原味，卻調和了肉眼所不能見的波段，讓我們得以一窺它們背後的故事。