國家太空中心成功執行UFFO實驗儀器環境模擬測試

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

台北時間 1 月 18 號下午四點，中研院天文所公布了一張黑洞照！別小看這張照片，裡頭有玄機！不論是驗證愛因斯坦的廣義相對論，還是要研究 M87 黑洞有沒有什麼特性，都得從這張照片著手。

為什麼我們能拍到比之前更清楚的照片呢？這是因為，這次「事件視界望遠鏡」的團隊，加入了格陵蘭望遠鏡的觀測數據。它不僅是全球第一座位於北極圈內的重要天文觀測站，此外，這座觀測站，也和台灣脫不了關係喔！

就讓我們來看看，這張黑洞照到底是怎麼拍的？這幾張黑洞甜甜圈照，又藏有哪些重要資訊？

近年的黑洞觀測

大家應該都還記得 2019 年的黑洞熱潮，當年 4 月，人類第一張黑洞照——M87 的真面目，被公開了，我們終於取得了黑洞存在的最直接證據。3 年後的 2022 年 5 月，我們也終於看清楚那個在我們所在的星系中，在銀河系最深處的黑洞——人馬座 A*。這兩張像是甜甜圈的照片，掀起黑洞熱潮，也帶給我們不少感動，想必很多人都還記得。

但是，這兩張模糊的甜甜圈，不管對於科學家還是我們，想必都還不滿足！我們想看到的，是能跟電影星際效應中一樣，帶給我們強烈震撼的完整黑洞樣貌。

很快就有好消息，在 M87 照片公開的三年後。2022 年 4 月，天文學家展示了另一組 M87 的照片，除了原本的黑洞以外，還能看到外圍三條噴流，與圍繞在黑洞旁邊的吸積流，更加完整的黑洞結構同時存在在一張照片上。

有趣的是，在 2022 發表的觀測結果中，黑洞似乎胖了一圈，直徑比 2019 年發表的結果大了 50%。這可不是說黑洞在幾年間就變胖了 1.5 倍，不用擔心，宇宙不會因此毀滅。這主要是選用觀察的電磁波波段不一樣，2019 年觀察的電磁波波長是 1.3 毫米，2022 年的波長則是 3.5 毫米。但其實，1.3 毫米比 3.5 毫米的電磁波穿透力更好。也就是 2019 年的影像更接近黑洞的實際長相。

對了，2022 年的黑洞照並不是事件視界望遠鏡發的。你知道「事件視界望遠鏡」並不是唯一在進行黑洞觀測的計劃嗎？

為了觀測黑洞，全球的電波望遠鏡進行同步串聯，打算打造一個等效直徑幾乎等於地球直徑的超大望遠鏡。因為我們無法直接打造一面面積跟地球一樣大的望遠鏡，因此我們得將分布在各地的望遠鏡同步串聯，由數據分析來拼湊出整體樣貌。你可能不知道，全球的大型黑洞觀測國際合作計畫其實有兩個，一個就是大家比較常聽到的「事件視界望遠鏡 」，簡稱 EHT，主要以 1.3 毫米的波段進行觀測，也就是大家熟悉的甜甜圈照。而另一個大計畫是「全球毫米波特長基線陣列」，簡稱 GMVA，以 3.5 毫米為主要觀測波段。2018 年 GMVA 還加入了新成員，讓我們能看到最新的這張照片。其中一個是超強力助手 ALMA，另一個，就是第一座位於北極圈內，由台灣中研院主導的格陵蘭望遠鏡 GLT。

為什麼黑洞會那麼難觀察？

現在大家都知道，我們已經能確實拍到黑洞了。即使黑洞的本體是全黑的，圍繞在黑洞周邊快速旋轉的物質，也會因為彼此摩擦與同步輻射，放出強烈的電磁波，被我們看到。

但即便它會發光，仍然是個難以觀測的天體，直到近年，我們才補捉到它樣貌。這是因為，比起亮度，更難的地方在於尺寸，黑洞好小，更準確來說，是看起來好小。M97 和人馬座 A* 實際上都比太陽大上不少，但因為距離我們十分遙遠，從地球上來看，人馬座 A* 與 M87 黑洞的陰影尺寸，分別是 50 微角秒和 64 微角。從我們的視角來看，就跟月球上的一顆甜甜圈一樣大。

但即便很困難，看到黑洞對我們來說十分重要，我們需要有確切的證據來證明我們對於黑洞的預測並沒有錯。例如在 2022 年有照片證明「銀河系中間真的有黑洞！」之前，2020 的諾貝爾物理獎頒獎時，仍以「大質量緻密天體」來稱呼銀河系中央的「那個東西」。現在，從黑洞噴流、吸積盤、自轉軸、到光子球層，我們還有好多黑洞特性，需要更高解析度的照片來幫我們驗證，驗證廣義相對論的預測是否正確，而我們對於黑洞與宇宙的認識是否需要調整。

好的，我們知道為了追星，嗯，是追黑洞，科學家無不卯足全力提升望遠鏡的解析度。但是為何格陵蘭望遠鏡的加入，就能提升照片解析度呢？

組成世界上最大的望遠鏡？

越大的望遠鏡看得越清楚，為了將全世界的電波望遠鏡串聯，打造等效口徑幾乎等於地球的超大望遠鏡。這些望遠鏡使用了特長基線干涉測量法，這些望遠鏡則稱為電波干涉儀。

這些電波干涉儀通常由一系列的天線組成，例如位於智利的阿塔卡瑪大型毫米及次毫米波陣列 ALMA，就是由 66 座天線組成，最遠的兩座天線距離長達 16 公里。在觀測同一個訊號時，透過比較每座望遠鏡收到訊號的相位差，就能計算出訊號的方位角，進一步推算出原始訊號的樣貌。而當這些天線數量越多、距離越遠，就等於是一座更高解析度、口徑更大的望遠鏡。例如 ALMA 的影像解析度高達 4 毫角秒，能力比知名的哈伯太空望遠鏡還要好上 10 倍。另一座位於夏威夷的次毫米波陣列望遠鏡 SMA，則是由 8 座天線組成，雖然單座天線的直徑只有 6 公尺，卻足以以模擬出一座直徑 508 公尺的大型望遠鏡。

利用相同技術，只要透過原子鐘將全球的望遠鏡同步，就能模擬出直徑幾乎等於地球直徑的超巨大望遠鏡，也就是「事件視界望遠鏡 」或是「全球毫米波特長基線陣列」。

沒錯，格陵蘭望遠鏡 GLT 也扮演重要角色。但為什麼要把望遠鏡建在北極圈內？

畢竟這可不簡單，為了讓望遠鏡能在最低零下 70 度 C 的嚴苛環境中工作，還期望它能發揮超越過去的實力，科學家改造了不少設備，甚至還要加裝除霜裝置。

但這一些都是值得的，因為光是 ALMA、SMA、GLT 三座望遠鏡，就可以在地球上構成一個大三角型，等於一台巨大的電波干涉儀。

而對於事件視界望遠鏡來說也十分重要，因為在地球的南邊已經有南極望遠鏡了，東西向則有許多來自中低緯度的望遠鏡。剩下的關鍵位置，當然就是北極的格陵蘭望遠鏡了。而特長基線干涉技術要在不同頻段發揮作用，每個望遠鏡的相對位置也十分重要。格陵蘭的地理位置與良好的大氣環境，讓格陵蘭望遠鏡可以觀測 230GHz 這個特殊波段的訊號，並且補足黑洞的諸多細節。根據官方消息，未來還要真的登高望遠，更上一層樓地把整座格陵蘭望遠鏡搬上格陵蘭島山頂的峰頂站台基地 （Summit Camp ），觀測 690GHz 的特殊訊號，期待能看到黑洞的光子球層，驗證廣義相對論的預測。

順帶一提，這邊提到的 SMA、ALMA 和格陵蘭望遠鏡，不僅合作關係密切，這些重要計畫台灣還都參與其中！

SMA 是 2003 年啟用，全世界第一座可觀測次毫米波的望遠鏡陣列，也是史密松天體物理台與台灣中研院天文所合作興建與運作的望遠鏡，每年也有許多台灣參與或主導的研究發表。

2013 年啟用，位於智利的 ALMA，則是由東亞、歐洲、北美共同合作的國際計畫，台灣當然也參與其中。擁有66座望遠鏡的 ALMA，也是地面上最大的天文望遠鏡計畫。而有趣的是，由中研院主導的格陵蘭望遠鏡所使用的天線，就是使用 ALMA 的原型機改造而成的！

最後，這次最新的黑洞照就是這張，在 2018 年 4 月拍攝，歷經將近 6 年分析，才正式公布的照片。它與 2017 拍攝，2019 年公開的第一張黑洞照一樣，主角都是 M87。

你說兩張照片看起來都一樣？嗯，沒錯，雖然還是看得出差異，但兩張照片大致上看起來的確差不多。

這兩張照片所得出的光環半徑相同，代表在相隔一年的拍攝期間，黑洞半徑並沒有產生變化。因為 M87 並不會快速增加質量，所以這個觀測結果非常符合廣義相對論對於光環直徑的預測。並且這張照片也讓我們更加確定，2017 年拍攝到的甜甜圈結構，並不是黑洞的偶然樣貌。

有相同的地方，也有不一樣的地方。這兩張照片光環上最亮的位置逆時針偏轉了 30 度，光是這點，就將開啟下一波的黑洞研究熱潮。透過比較不同時間拍攝的照片，科學家將可以深入研究黑洞的自轉軸角度，以及自轉軸隨著時間偏轉的「進動」現象，並更進一步分析黑洞周圍的磁場與電漿理論。

因為 GLT 的加入，有效提升了 EHT 的影像保真度，科學家能取得更加真實的黑洞照，為未來的黑洞研究打下基礎，例如挑戰很難被拍到的光子環。

特別感謝中研院天文所研究員，同時也是格陵蘭望遠鏡計畫執行負責人的陳明堂老師協助製作。我們還有一場與陳明堂老師的直播對談，直接來和大家聊聊這次的黑洞結果以及回答各式各樣的黑洞問題。一起繼續來體驗黑洞的魅力吧！

也想問問大家，現在有了一批新資料，你最期待下一次的黑洞成果發表，帶來什麼消息呢？

1. 我們成功觀察到了霍金輻射！
2. 黑洞的模擬結果發現超越廣義相對論的新理論！
3. 黑洞中其實有其他文明，而且我們已經成功接觸了！

歡迎訂閱 Pansci Youtube 頻道 獲取更多深入淺出的科學知識！

人類上太空的夢想會被我們親自摧毀嗎？

隨著火箭成本降低，人人都能把衛星丟上太空，現在，當你晚上抬頭看天空，你看到的星星可能不是星星，而是人造衛星。你看到一閃而過的的流星，可能只是墜入大氣的太空垃圾。

這些多到不行的太空垃圾已經成為隱憂，更可怕的是，這些以超音速飛行的太空垃圾可能摧毀其他衛星，在衛星軌道上製造更多不可預期的致命飛彈。有人擔心，人類終有一天會無法穿過這片垃圾雲，天空永遠被自己封閉。 終於，有人提出清理太空垃圾的方法了，但這些方法真的可行嗎？

現在的太空垃圾有多少？

最大的太空垃圾可能是整節火箭！

所有在繞行地球的軌道上失去功能的東西，都會成為太空垃圾，最大的包含壞掉的衛星、和大量運送衛星上太空的第二節推進火箭，例如 1960 年代太空競賽時大量發射的火箭，有許多至今還在宇宙遊蕩，每一個都像公車一樣大。而小東西，則包含太空人在太空漫步時遺忘的東西，或是太空垃圾互相碰撞後產生的碎片，最小可能只有數毫米，小的像隻蚊子。但不論太空垃圾來自哪裡，只要缺乏妥善的管理和追蹤，就可能成為其他運作中設施和儀器的致命血滴子。

為什麼說太空垃圾真的很危險？

為了不被地心引力拉入大氣，墜向地球，在軌道上繞行地球的物體大多都以非常快的速度在移動，包括現在還在運作的衛星與各種設施。舉例來說國際太空站位於距離地球表面四百公里高的近地軌道（Low Earth Orbit），以大約每秒 7 ~ 8 公里的速度高速移動，是地表音速的 20 倍。也就是說，太空上的車禍可嚴重多了，來自不同方向或不同傾角的物體，可能會以超過每秒 10 公里的相對速度發生碰撞。別說公車大小的太空垃圾了，只要直徑超過 1 公分的碎片就足以對太陽能板或玻璃造成損害。更麻煩的是，大小在 10 公分以下的物體，大多還因為尺寸過小難以追蹤。

那麼，我們的頭上有多少太空垃圾呢？

根據歐洲太空總署 ESA 的資料，目前軌道上有 6800 個運作中的衛星，相對的有超過 3 萬 2千個可追蹤的太空垃圾。但如果估計所有無法追蹤的物體，大於 10 公分的物體可能有超過 3 萬 6 千個，介於 1 公分到 10 公分的則高達一百萬個。

在這些太空垃圾中，大多數大型太空垃圾就是來自發射衛星後，一起留在太空的第二節推進火箭，小型太空垃圾則來自火箭爆炸或各種大大小小碰撞所產生的碎片。

太空上曾發生過嚴重的太空垃圾碰撞事件？

歷史上比較嚴重的一次撞擊事件發生在 2009 年，銥衛星公司運作中的通訊衛星，重量 700 公斤的 iridium 33，和失效、重 900 公斤的蘇聯軍用衛星 kosmos 2251，在 789 公里的高空，兩台衛星以每秒 11.7 公里的相對速度直接撞上，化成了兩團在軌道上繞行的碎片團。

NASA 估計，這單一次的碰撞產生了超過 2000 片可追蹤的碎片，雖然許多碎片受地球引力慢慢墜入大氣燒毀，但直到到 2023 年 2 月的統計，大約還有一半，也就是 1000 片碎片留在軌道上。過往也曾經觀察到碎片從距離國際太空站僅 100 多公尺的位置驚險掠過。

如何解決太空垃圾的問題？

太空垃圾又多又危險，真的有辦法清除嗎？

2023 年三月，NASA 發表一篇研究，整理了關於各種清理太空垃圾的方法與成本，包含從地面或太空發射雷射推動垃圾改變軌道，或是直接物理性撞擊改變軌道，還有透過捕捉垃圾，直接在太空將垃圾循環利用，作為燃料或其他用途的再利用等方法。

清理不同大小的物體，要用的方法跟產生的效益也不同，因此他們評估了針對兩種策略。第一種策略將會優先處理目前最大、最具威脅性的 50 個太空垃圾，例如完整的第二節火箭或是失去功能的完整衛星。第二種策略則是優先移除 1 到 10 公分的十萬個小型垃圾。NASA 分別評估處理這兩種目標帶來的效益，恩，所謂的效益，就是預估能減少多少因為太空垃圾碰撞而產生的損失。

要如何移除太空垃圾呢？

移除大型垃圾主要的方法主要是再入大氣層（re-entry），簡單來說就是讓垃圾落入大氣層燒毀。這個方法預計讓運送任務完成的火箭載具，透過剩餘的推進燃料，順手將其他大型垃圾帶下來。移除這 50 個大型垃圾預計總共會花費 10 億美金，但在移除 30 年後所帶來的效益，將會超過花費的成本，非常划算。

至於小型太空垃圾，主要使用的方法將會是成本較低的雷射。藉由雷射產生的微弱動能來改變垃圾的軌道，將它們送入大氣層或推離常用的軌道。發射雷射的裝置可以設置在地面或是太空中，單純以使用效率來說，設置在太空所需要的能量較低，但是設置在地面維護和管理比較方便。然而這也衍伸了許多爭議，主要圍繞在這個清除垃圾的雷射也可以作為武器使用，例如在戰爭爆發時用雷射攻擊敵國的衛星。不過如果順利設置的話，清除十萬個小型垃圾後大約只要十年就可以達到等同於成本的效益，比移除大型垃圾能更快回收成本。

方法有了，但我們真的能讓太空再次乾淨嗎？

太空垃圾問題有解嗎？

現在的太空有多擁擠？

如果把歷史發射資料整理出來，會發現近五年人類的衛星發射數量幾乎是直線攀升，2012 年一整年全世界也只發射了 200 多顆衛星，到了 2022 年已經成長到一年 2000 多顆衛星。而且絕大部分都是來自於美國的衛星，想當然很大一部份都來自於 SpaceX 的星鏈計畫。而受益於獵鷹九號的高成功率和可回收造就的低廉成本，也能夠發射更多的中小型衛星，像是我們臺灣也發射了不少自主研發的立方衛星上太空，例如 2021 的「飛鼠」和「玉山」以及最近才剛發射的珍珠號立方衛星。

如果所有的衛星與火箭都會變成太空垃圾，我們清理垃圾的速度又不夠快，還有可能發生凱斯勒現象（Kessler syndrome），也就是碰撞產生的碎片引發連鎖反應，造成更多撞擊和更多碎片，讓不可控的太空垃圾快速增加，直到新的火箭與衛星都難以穿越，我們將無法前往太空，被自己的創造出的人造物封鎖在地球。

治標也要治本，我們對於即將發射進太空的人造物能有套管理辦法嗎？

1967 年在聯合國通過並簽署的《關於各國探索和利用包括月球和其他天體的外太空活動所應遵守原則的條約》，簡稱為《外太空條約》。這個條約制定了各國在外太空活動所應該遵守的原則，其中和人造衛星有關的原則主要有三個：

1. 國家責任原則：各國應對其航太活動承擔國際責任，不管這種活動是由政府部門還是由非政府部門進行的
2. 對空間物體的管轄權和控制權原則：射入外空的空間物體登記國對其在外空的物體仍保持管轄權和控制權
3. 外空物體登記原則：凡進行航太活動的國家同意在最大可能和實際可行的範圍內將活動的狀況、地點及結果通知聯合國秘書長

也就是說，雖然各國需要將太空活動回報給聯合國統計，但實際上在制定規範和進行管制的還是各國本身。以美國來說，分別需要和 FAA 聯邦航空總署申報火箭發射和再入大氣層的計畫，以及向 FCC 聯邦通訊委員會申報衛星的通訊規格，至於要如何避免在太空發生碰撞，是發射單位要自己負起責任，公部門只提供有追蹤的物體軌道資料。

不過對於衛星任務結束後的處置，FCC 倒是有相關的規定和罰鍰。因為如果衛星有動力系統，可以在任務結束時就控制墜入大氣層或飛離常用軌道，進到所謂的死亡軌道（Graveyard Orbit），而通常在申請發射衛星時，也需一併提供任務結束後的處置方式。

去年，衛星電視業者 Dish Network 沒有按照它在 2012 年所制定的衛星處置計畫，將衛星從離地 36000 公里的地球同步軌道再往外推 300 公里。這顆衛星在移動的半途中就燃料耗盡失去了動力，只離開原本的軌道 120 公里，FCC 因此對衛星電視業者開罰了 15 萬美元。這起首次針對太空垃圾的開罰，對於太空垃圾的管制具有重大的意義，代表著對太空垃圾危害性的重視，也代表著清理太空垃圾的商機正在逐漸成長。

清除太空垃圾能有商業價值？

隨著商業化的太空活動逐漸熱絡，如何讓清理太空垃圾不只是空談也成了一個重要的問題。如果軌道上的垃圾減少，受益的會是所有使用軌道的衛星。就與現存的回收與垃圾處理方式一樣，我們可以規定所有衛星的生產者都必須繳交「太空垃圾處理費」，如果在發射的過程中產生額外的太空垃圾，則必須提高費率。相對的，如果一家公司提供清理太空垃圾的服務，則可以獲得這些「太空垃圾權」並換成對應的金額。

另外，雖然目前對於在軌道上進行捕捉再回收的直接經濟效益並不突出，但如果未來在太空可以建立起專門的處理設施，或許可以作為一個長期的太空垃圾處理機制，沒想到吧，人類要成為跨行星文明的第一步，竟然是得先成立太空垃圾清潔隊。

不過話說回來，要讓各國政府願意砸大錢在太空垃圾回收產業可能還需要一點時間。畢竟相較於直接影響到生活的全球暖化，太空垃圾的危害並不那麼可怕，大型垃圾的撞擊也可以預測並提前避開，因此短時間內也還不會有明顯的感受，但如果你是需要觀測的天文學家，可能就覺得垃圾好礙眼了。

歡迎訂閱 Pansci Youtube 頻道 獲取更多深入淺出的科學知識！

• https://platform.leolabs.space/visual…
• https://www.esa.int/Space_Safety/Spac…
• https://fas.org/publication/taking-ou…
• https://www.digitalinformationworld.c…
• https://fas.org/publication/how-do-yo…
• https://fas.org/publication/taking-ou…
• https://ourworldindata.org/grapher/ye…
• https://www.theverge.com/2023/10/3/23…