磁星形成之謎應該解開了吧！

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／林彥興｜清大天文所碩士生、EASY 天文地科團隊主編、全國大學天文社聯盟監事

本月初 ^[1]，「最靠近地球的黑洞」這個紀錄被刷新了！以天文學家 Kareem El-Badry 為首的團隊，利用蓋亞（Gaia）衛星極度精準的天體位置資料，加上多座望遠鏡聯合進行的徑向速度量測，成功確認了約 1550 光年外位於蛇夫座的一顆恆星，正與黑洞互相繞行，打破離地球最近的黑洞紀錄。

狩獵隱身巨獸的方法

人類搜尋黑洞已經有數十年的歷史。對於正在「進食」，也就是正在吸積物質的黑洞，由於其周遭的吸積盤和噴流等結構會在無線電、X 射線等多個波段發出強烈的電磁輻射，因此相對容易看到；但沒有在進食的黑洞，就要難找許多。

畢竟黑洞之所以被叫做黑洞，就是因為它本身幾乎不會發光。想要尋找這些「沉默」黑洞的方法，通常只能靠著黑洞的重力對其週遭的影響，間接推測黑洞的存在。

其中最常見的方法，就是尋找「繞著看不見的物體旋轉的恆星」。一般來說，恆星在天空中移動的軌跡應只受恆星的視差和自行影響，但如果恆星在與另一個大質量的天體互相繞行，比如我們的目標：沉默的黑洞，那恆星的軌跡就會受到黑洞影響。

因此觀測恆星的移動軌跡，是尋找沉默黑洞的重要方法之一。這個方法最著名的例子，就是 2020 年諾貝爾物理獎得主 Reinhard Genzel 與 Andrea Ghez 藉由長時間觀測銀河系中心的恆星運動（位置與徑向速度），從而確認了銀河系中心超大質量黑洞的存在。

但由於方法間接，用這類方式尋找黑洞時往往很難確定那個「看不見的物體」到底是不是黑洞。舉例來說，2020 年歐南天文台的天文學家宣布發現 HR 6819 是一個包含黑洞的三星系統，卻在更多更仔細的研究後遭到推翻。因此從恆星的運動來尋找「黑洞候選者」相對不難，但是想要消滅所有其他的可能性，「確定」黑洞的存在，就不是一件容易的事。

多方聯合｜鎖定真身

那麼，這次的新研究是怎麼「確定」黑洞的存在的呢？

第一步，天文學家們先把目標鎖定在「形跡詭異」的恆星。因為當一顆恆星與黑洞互相繞行時，恆星在天上的運行軌跡會因為黑洞的引力而有週期性的擺盪。所以，如果我們看到有個恆星的軌跡歪歪扭扭，這顆恆星很可能就是受到黑洞重力影響的候選者。

而目前，蓋亞衛星（Gaia）提供的天體位置資料是當之無愧的首選。蓋亞是歐洲太空總署（ESA）於 2013 年發射的太空望遠鏡，與著名的韋伯太空望遠鏡一樣運行在日地第二拉格朗日點。

但與十項全能的韋伯不同，蓋亞是「天體測量學 Astrometry」的專家，專門以微角秒等級的超高精確度測量天體的位置。每隔幾年，蓋亞團隊就會整理並公布他們的觀測結果，稱為資料發布（Data Release）。目前最新的「第三次資料發布 DR3」之中，就包含了超過 18 億顆天體的海量資料。

經過篩選，團隊發現一顆名為 Gaia DR3 4373465352415301632 的恆星看起來格外可疑。這是一顆視星等 13.77（大概比肉眼可見極限暗 1300 倍，但以天文學的角度來說算是相當亮）、與太陽十分相似的恆星，距離地球約 1550 光年。

找到可能的候選者後，團隊一方面翻閱過去觀測這顆恆星的歷史資料，另一方面也申請多座望遠鏡，進行了四個月的光譜觀測。同時使用從蓋亞衛星的位置（赤經、赤緯、視差）以及從光譜獲得的徑向速度資訊，團隊可以精確地計算出這顆恆星應當是正在繞行一個 9.6 倍太陽質量的天體運轉。

這麼大的質量，卻幾乎不發出任何光，黑洞幾乎是唯一可能的解釋。

但以現有的觀測資料，天文學家仍不能確定它到底是一顆黑洞，還是有兩顆黑洞以相當近地軌道互相繞行，然後恆星再以較大的軌道繞著兩顆黑洞運轉。但無論是一顆或兩顆，Gaia BH1 都刷新了離地球最近黑洞的紀錄，距離僅有 1550 光年，比上一個紀錄保持人（LMXB A0620-00）要近了三倍。從銀河系的尺度來看，這幾乎可說是就在自家後院。

更多黑洞就在前方

最後讓我們來聊聊，找到「離地球最近的黑洞」有什麼意義呢？

「離地球最近的黑洞」這個紀錄本身是沒有太多意義的。雖然說從銀河系的尺度來說，1550 光年幾乎可說是自家後院，但是這顆黑洞並不會對太陽系、地球或是大家的日常生活產生任何影響。既然如此，為什麼天文學家還會努力尋找這些黑洞呢？

其中一大原因，是因為尋找這些與恆星互相繞行的黑洞，可以幫助天文學家了解恆星演化的過程。在銀河系漫長的演化歷史中，曾有數不清的恆星誕生又死亡。我們看不到這些已經死亡的恆星，但可以藉由這次研究的方法，去尋找這些大質量恆星死亡後留下的黑洞 ^[2]，從而推測雙星過去是如何演化，留下的遺骸才會是如今看到的樣子。

除了 Gaia BH1，天文學家也在持續研究 Gaia DR3 之中其他「形跡可疑」的恆星／黑洞雙星候選系統。而隨著蓋亞衛星的持續觀測，更多這類黑洞候選者將會越來越多。研究這些系統，將幫助天文學家進一步了解雙星系統演化的奧秘。

註解

[1] 嚴格來說，論文九月中就已經出現在 arXiv 上了。

[2] 嚴格來說，恆星質量黑洞（stellar mass black hole）是大質量恆星的遺骸。超大質量黑洞（supermassive black hole）就不一定了。

延伸閱讀

1. El-Badry, K., Rix, H. W., Quataert, E., Howard, A. W., Isaacson, H., Fuller, J., … & Wojno, J. (2022). A Sun-like star orbiting a black hole. Monthly Notices of the Royal Astronomical Society, 518(1), 1057-1085.
2. [2209.06833] A Sun-like star orbiting a black hole
3. Astronomers Discover Closest Black Hole to Earth | Center for Astrophysics
4. The Dormant Stellar-Mass Black Hole that Actually Is | astrobites
5. Astronomers find a sun-like star orbiting a nearby black hole
6. 狩獵隱身巨獸：天文學家發現沉默的恆星質量黑洞？ – PanSci 泛科學
7. 「最靠近地球的黑洞」其實不是黑洞
8. 人們抬頭所遙望的星空是恆定不變嗎？ – 科學月刊Science Monthly

• 文／語星葉

2018 年，在特大天線陣巡天計畫（VLA Sky Survey, VLASS）的資料中，一個來自遙遠星系的不尋常電波源，吸引了天文學家的注意。經過四年的觀察與分析，他們認為這個未知電波源，最可能是來自一個非常年輕且威力強大的中子星。

這個電波源在二十年前，在特大天線陣的第一個巡天計畫「FIRST」資料中尚不存在，代表這是個「瞬變天體（Transient）」，即在人類的時間尺度中，可觀察到明顯變化的天體——別忘了，人類的千年歷史，在宇宙時間尺度下都只是一瞬。

在當今望遠鏡技術的快速推進下，瞬變天體其實並不罕見。每天都有許多新的瞬變天體被望遠鏡捕捉。然而，至今仍有許多瞬變天體覆著未知的面紗，例如 21 世紀新發現、被稱作「快速電波爆（Fast radio burst, FRB，圖二）」的瞬變天體，便是今日天文物理學的熱門主題。

科學家對其極高光度、極短時距的成因和來源都還沒有定論。不過，這個新發現的電波源未來有望為我們帶來解答！

天文學家認為，這次的未知電波源，最可能是來自一顆脈衝星（Pulsar，圖一）、甚至可能同時是一顆磁星（Magnetar，圖六），與周遭氣體交互作用所產生的星雲亮光。脈衝星和磁星都是中子星的一種，至於它們分別是什麼，以及為何會有這些不同的名稱，則要回顧一下中子星的發現史。

理論推演中子星、觀測發現脈衝星，證明中子星的存在

在 1933 年的美國物理年會上，也就是查兌克宣布發現中子後一年，兩個不相干的理論團隊雙雙提出，因恆星塌縮後反彈而形成的「超新星」爆發，會促使中心區域坍縮形成「中子星」，即體積極小、非常緻密，由中子擠在一起形成的天體。這無疑是一重大突破，在此之前，天文學界還不清楚超新星跟新星（Nova）是來自不同的物理機制，而「中子星」更是沒人提過的概念。

• 延伸閱讀：宇宙「新」光──新星、超新星與千級新星 – PanSci泛科學

此後，超新星的概念快速普及，觀測上古往今來的超新星也如雨後春筍般被識別與發現。然而，中子星的概念，還要等到三十多年後脈衝星的發現，才被廣為接受。^[3]

1967 年，一位年僅 24 歲的劍橋大學研究生約瑟琳．貝爾．伯奈爾（Jocelyn Bell Burnell，圖四）和她的指導教授安東尼．休伊什（Antony Hewish），在無線電望遠鏡資料中，發現了一種會以極短的週期快速閃爍的未知無線電波源，她們稱之為「脈衝星」。然而究竟是什麼原因產生這樣的訊號？他們沒有頭緒。

一開始，休伊什甚至認為可能是收到了來自遠方智慧生命的訊號，還暱稱為「小綠人（Little green man，20 世紀電影中外星人時常是綠色皮膚）」。因為他難以想像這樣短促而準確的週期性訊號，不是生命體、而是自然現象產生的。^[4]

此時，被猜疑了三十多年的中子星概念再次登場，而且馬到成功，完美地解釋了這種短週期出現的電波訊號。原來脈衝星是高速旋轉的中子星，其高轉速及強磁場會在中子星的兩極產生高能帶電粒子，從而發射出無線電波波段的輻射。於是兩極的電波束便隨著中子星的高速自轉，如燈塔般週期性的指向地球，被電波望遠鏡所接收，這便是脈衝星的由來（見圖五）。電波脈衝星的自轉週期只有 0.1～10 秒，如此極端的物理性質，也只有中子星可以滿足了。

至於磁星，一種擁有超強磁場的中子星，其發現就更加戲劇性了。

發現磁星

1979 年是磁星粉墨登場的一年。時年 3 月 5 日，先是蘇聯的金星 11 號和 12 號兩顆人造衛星被不明的伽瑪射線給擊中，其搭載的光子計數器瞬間就被「打爆」，超越計數器所能計量的數額，接著這波伽瑪射線接連爆擊了 NASA 的繞太陽衛星和繞金星衛星的伽瑪射線接收器，而後通過地球（還好我們的地球大氣層會把伽瑪射線隔絕在外），襲擊數個繞地衛星後揚長而去。

當年天文學家接收到數個類似的伽瑪射線閃光，其中最亮的閃光（也就是 3 月 5 日那波）在 0.2 秒內釋放了相當於太陽燃燒 1000 年的能量！

這些閃光還具有週期性，在約一週內反覆出現並逐漸消失，有的甚至幾個月或幾年後還會再度出現。經過數十年的研究，如今天文學家認為這些訊號同樣來自中子星，但這類中子星的磁場比一般中子星強上數百到數萬倍，因此被冠以「磁星」之名。

• 延伸閱讀：磁星形成之謎應該解開了吧！ – PanSci泛科學

威力相當於「一萬個螃蟹」的脈衝星風星雲

回到正題，天文學家分析 2018 年特大天線陣接收到的新電波源後發現，這個電波源來自約 4 億光年遠的一個矮星系，且坐落在許多大質量恆星之間，因此極可能是大質量恆星爆發後的殘骸。

超新星爆發之際，剛形成的中子星擁有超強磁場、極高速的自旋，但仍被爆炸所拋出的恆星碎片層層包裹而不可見。需待這層外殼緩緩擴張、物質密度降低以後，中子星所發出的光才得以「撥雲見日」，進入我們眼中。

與此同時，中子星強烈的磁場會拉扯外圍的帶電粒子，使其高速撞擊周遭星際物質，從而發出強烈的電磁輻射、形成圍繞中子星的明亮星雲，稱之為脈衝星風星雲（Pulsar wind nebula, PWN）。最有名的脈衝星風星雲——蟹狀星雲（Crab nebula，圖七）距離我們僅數千光年，因此我們對它有深入的觀察。

根據分析，這個電波源隨時間的光度變化和已知的脈衝星風星雲相似，因此研究人員認為最有可能的解釋，便是一個前所未見的超明亮脈衝星風星雲。

這個 20 年內便突破超新星爆炸煙塵的脈衝星，不僅是人類已知年紀最輕的中子星，更是一個威力強大的中子星。其發出的 X 光強度高達「一萬螃蟹」——不是筆者亂用，「螃蟹（Crab）」真的是一個天文學單位！

就像天文學家也常用「太陽質量」作為天體質量的單位，或是用「天文單位」衡量距離，一個「螃蟹」指的是一個蟹狀星雲發出的 X 射線強度。一個天體發出的 X 射線有幾個螃蟹，就是其亮度是蟹狀星雲幾倍的意思。之所以選擇蟹狀星雲作為標準，是因為在這個領域，它實在太近、太經典了。

言歸正傳，天文學家認為這顆脈衝星不僅是隻超級螃蟹，可能還是顆磁星——其磁場是人類目前所能製造的最強磁場的數億倍！由於磁星被認為可能是快速電波爆的來源，因此可以預期接下來這個年輕的候選磁星，將被天文學家們用望遠鏡細細關照，於其中能探究多少蛛絲馬跡，又有多少新發現尚待挖掘，讓我們引頸期待。

1. Astronomers Find Evidence for Most Powerful Pulsar in Distant Galaxy – National Radio Astronomy Observatory
2. Dong, Dillon ; Hallinan, Gregg (2022). arXiv e-prints. 
3. Baade and Zwicky: “Super-novae,” neutron stars, and cosmic rays
4. Cosmic Search Vol. 1, No. 1 – Little Green Men, White Dwarfs or Pulsars?
5. Kouveliotou, C.; Duncan, R. C.; Thompson, C. (February 2003). “Magnetars“. Scientific American.