串聯全球愛心，手繪網頁地圖

• 作者／賴昭正｜前清大化學系教授、系主任、所長；合創科學月刊

我擔心人工智慧可能會完全取代人類。如果人們能設計電腦病毒，那麼就會有人設計出能夠自我改進和複製的人工智慧。 這將是一種超越人類的新生命形式。

——史蒂芬．霍金（Stephen Hawking）　英國理論物理學家

大約在八十年前，當第一台數位計算機出現時，一些電腦科學家便一直致力於讓機器具有像人類一樣的智慧；但七十年後，還是沒有機器能夠可靠地提供人類程度的語言或影像辨識功能。誰又想到「人工智慧」（Artificial Intelligent，簡稱 AI）的能力最近十年突然起飛，在許多（所有？）領域的測試中擊敗了人類，正在改變各個領域——包括假新聞的製造與散佈——的生態。

圖形處理單元（graphic process unit，簡稱 GPU）是這場「人工智慧」革命中的最大助手。它的興起使得九年前還是個小公司的 Nvidia（英偉達）股票從每股不到 $5，上升到今天（5 月 24 日）每股超過 $1000（註一）的全世界第三大公司，其創辦人（之一）兼首席執行官、出生於台南的黃仁勳（Jenson Huang）也一躍成為全世界排名 20 內的大富豪、台灣家喻戶曉的名人！可是多少人了解圖形處理單元是什麼嗎？到底是時勢造英雄，還是英雄造時勢？

在回答這問題之前，筆者得先聲明筆者不是學電腦的，因此在這裡所能談的只是與電腦設計細節無關的基本原理。筆者認為將原理轉成實用工具是專家的事，不是我們外行人需要了解的；但作為一位現在的知識分子或公民，了解基本原理則是必備的條件：例如了解「能量不滅定律」就可以不用仔細分析，即可判斷永動機是騙人的；又如現在可攜帶型冷氣機充斥市面上，它們不用往室外排廢熱氣，就可以提供屋內冷氣，讀者買嗎？

CPU 與 GPU

不管是大型電腦或個人電腦都需具有「中央處理單元」（central process unit，簡稱 CPU）。CPU 是電腦的「腦」，其電子電路負責處理所有軟體正確運作所需的所有任務，如算術、邏輯、控制、輸入和輸出操作等等。雖然早期的設計即可以讓一個指令同時做兩、三件不同的工作；但為了簡單化，我們在這裡所談的工作將只是執行算術和邏輯運算的工作（arithmetic and logic unit，簡稱 ALU），如將兩個數加在一起。在這一簡化的定義下，CPU 在任何一個時刻均只能執行一件工作而已。

在個人電腦剛出現只能用於一般事物的處理時，CPU 均能非常勝任地完成任務。但電腦圖形和動畫的出現帶來了第一批運算密集型工作負載後，CPU 開始顯示心有餘而力不足：例如電玩動畫需要應用程式處理數以萬計的像素（pixel），每個像素都有自己的顏色、光強度、和運動等, 使得 CPU 根本沒辦法在短時間內完成這些工作。於是出現了主機板上之「顯示插卡」來支援補助 CPU。

1999 年，英偉達將其一「具有集成變換、照明、三角形設定／裁剪、和透過應用程式從模型產生二維或三維影像的單晶片處理器」（註二）定位為「世界上第一款 GPU」，「GPU」這一名詞於焉誕生。不像 CPU，GPU 可以在同一個時刻執行許多算術和邏輯運算的工作，快速地完成圖形和動畫的變化。

依序計算和平行計算

一部電腦 CPU 如何計算 7×5+6/3 呢？因每一時刻只能做一件事，所以其步驟為：

• 計算 7×5；
• 計算 6/3；
• 將結果相加。

總共需要 3 個運算時間。但如果我們有兩個 CPU 呢？很多工作便可以同時（平行）進行：

• 同時計算 7×5 及 6/3；
• 將結果相加。

只需要 2 個運算時間,比單獨的 CPU 減少了一個。這看起來好像沒節省多少時間，但如果我們有 16 對 a×b 要相加呢？單獨的 CPU 需要 31 個運算的時間（16 個 × 的運算時間及 15 個 + 的運算時間），而有 16 個小 CPU 的 GPU 則只需要 5 個運算的時間（1 個 × 的運算時間及 4 個 + 的運算時間）！

現在就讓我們來看看為什麼稱 GPU 為「圖形」處理單元。圖一左圖《我愛科學》一書擺斜了，如何將它擺正成右圖呢？ 一句話：「將整個圖逆時針方向旋轉 θ 即可」。但因為左圖是由上百萬個像素點（座標 x, y）組成的，所以這句簡單的話可讓 CPU 忙得不亦樂乎了：每一點的座標都必須做如下的轉換

x’ = x cosθ + y sinθ

y’ = -x sinθ+ y cosθ

即每一點均需要做四個 × 及兩個 + 的運算！如果每一運算需要 10^-6 秒，那麼讓《我愛科學》一書做個簡單的角度旋轉，便需要 6 秒，這豈是電動玩具畫面變化所能接受的？

人類的許多發明都是基於需要的關係，因此電腦硬件設計家便開始思考：這些點轉換都是獨立的，為什麼我們不讓它們同時進行（平行運算，parallel processing）呢？於是專門用來處理「圖形」的處理單元出現了——就是我們現在所知的 GPU。如果一個 GPU 可以同時處理 10⁶ 運算，那上圖的轉換只需 10^-6 秒鐘！

GPU 的興起

GPU 可分成兩種：

• 整合式圖形「卡」（integrated graphics）是內建於 CPU 中的 GPU，所以不是插卡，它與 CPU 共享系統記憶體，沒有單獨的記憶體組來儲存圖形／視訊，主要用於大部分的個人電腦及筆記型電腦上；早期英特爾（Intel）因為不讓插卡 GPU 侵蝕主機的地盤，在這方面的研發佔領先的地位，約佔 68% 的市場。
• 獨立顯示卡（discrete graphics）有不與 CPU 共享的自己專用內存；由於與處理器晶片分離，它會消耗更多電量並產生大量熱量；然而，也正是因為有自己的記憶體來源和電源，它可以比整合式顯示卡提供更高的效能。

2007 年，英偉達發布了可以在獨立 GPU 上進行平行處理的軟體層後，科學家發現獨立 GPU 不但能夠快速處理圖形變化，在需要大量計算才能實現特定結果的任務上也非常有效，因此開啟了為計算密集型的實用題目編寫 GPU 程式的領域。如今獨立 GPU 的應用範圍已遠遠超出當初圖形處理，不但擴大到醫學影像和地震成像等之複雜圖像和影片編輯及視覺化，也應用於駕駛、導航、天氣預報、大資料庫分析、機器學習、人工智慧、加密貨幣挖礦、及分子動力學模擬（註三）等其它領域。獨立 GPU 已成為人工智慧生態系統中不可或缺的一部分，正在改變我們的生活方式及許多行業的遊戲規則。英特爾在這方面發展較遲，遠遠落在英偉達（80%）及超微半導體公司（Advance Micro Devices Inc.，19%，註四）之後，大約只有 1% 的市場。

事實上現在的中央處理單元也不再是真正的「單元」，而是如圖二可含有多個可以同時處理運算的核心（core）單元。GPU 犧牲大量快取和控制單元以獲得更多的處理核心，因此其核心功能不如 CPU 核心強大，但它們能同時高速執行大量相同的指令，在平行運算中發揮強大作用。現在電腦通常具有 2 到 64 個核心；GPU 則具有上千、甚至上萬的核心。

結論

我們一看到《我愛科學》這本書，不需要一點一點地從左上到右下慢慢掃描,即可瞬間知道它上面有書名、出版社等，也知道它擺斜了。這種「平行運作」的能力不僅限於視覺，它也延伸到其它感官和認知功能。例如筆者在清華大學授課時常犯的一個毛病是：嘴巴在講，腦筋思考已經不知往前跑了多少公里，常常為了追趕而越講越快，將不少學生拋到腦後！這不表示筆者聰明，因為研究人員發現我們的大腦具有同時處理和解釋大量感官輸入的能力。

人工智慧是一種讓電腦或機器能夠模擬人類智慧和解決問題能力的科技，因此必須如人腦一樣能同時並行地處理許多資料。學過矩陣（matrix）的讀者應該知道，如果用矩陣和向量（vector）表達，上面所談到之座標轉換將是非常簡潔的（註五）。而矩陣和向量計算正是機器學習（machine learning）演算法的基礎！也正是獨立圖形處理單元最強大的功能所在！因此我們可以了解為什麼 GPU 會成為人工智慧開發的基石：它們的架構就是充分利用並行處理，來快速執行多個操作，進行訓練電腦或機器以人腦之思考與學習的方式處理資料——稱為「深度學習」（deep learning）。

黃仁勳在 5 月 22 日的發布業績新聞上謂：「下一次工業革命已經開始了：企業界和各國正與英偉達合作，將價值數萬億美元的傳統資料中心轉變為加速運算及新型資料中心——人工智慧工廠——以生產新商品『人工智慧』。人工智慧將為每個產業帶來顯著的生產力提升，幫助企業降低成本和提高能源效率，同時擴大收入機會。」

附錄

人工智慧的實用例子：下面一段是微軟的「copilot」代書、谷歌的「translate」代譯之「one paragraph summary of GPU and AI」。讀完後，讀者是不是認為筆者該退休了？

GPU（圖形處理單元）和 AI（人工智慧）之間的協同作用徹底改變了高效能運算領域。GPU 具有平行處理能力，特別適合人工智慧和機器學習所需的複雜資料密集運算。這導致了影像和視訊處理等領域的重大進步，使自動駕駛和臉部辨識等技術變得更加高效和可靠。NVIDIA 開發的平行運算平台 CUDA 進一步提高了 GPU 的效率，使開發人員能夠透過將人工智慧問題分解為更小的、可管理的、可同時處理的任務來解決這些問題。這不僅加快了人工智慧研究的步伐，而且使其更具成本效益，因為 GPU 可以在很短的時間內執行與多個 CPU 相同的任務。隨著人工智慧的不斷發展，GPU 的角色可能會變得更加不可或缺，推動各產業的創新和新的可能性。大腦透過神經元網路實現這一目標，這些神經元網路可以獨立但有凝聚力地工作，使我們能夠執行複雜的任務，例如駕駛、導航、觀察交通信號、聽音樂並同時規劃我們的路線。此外，研究表明，與非人類動物相比，人類大腦具有更多平行通路，這表明我們的神經處理具有更高的複雜性。這個複雜的系統證明了我們認知功能的卓越適應性和效率。我們可以一邊和朋友聊天一邊走在街上，一邊聽音樂一邊做飯，或一邊聽講座一邊做筆記。人工智慧是模擬人類腦神經網路的科技，因此必須能同時並行地來處理許多資料。研究人員發現了人腦通訊網路具有一個在獼猴或小鼠中未觀察獨特特徵：透過多個並行路徑傳輸訊息,因此具有令人難以置信的多任務處理能力。

註解

（註一）當讀者看到此篇文章時，其股票已一股換十股，現在每一股約在 $100 左右。

（註二）組裝或升級過個人電腦的讀者或許還記得「英偉達精視 256」（GeForce 256）插卡吧?

（註三）筆者於 1984 年離開清華大學到 IBM 時，就是參加了被認為全世界使用電腦時間最多的量子化學家、IBM「院士（fellow）」Enrico Clementi 的團隊：因為當時英偉達還未有可以在 GPU 上進行平行處理的軟體層，我們只能自己寫軟體將 8 台中型電腦（非 IBM 品牌！）與一大型電腦連接來做平行運算，進行分子動力學模擬等的科學研究。如果晚生 30 年或許就不會那麼辛苦了?

（註四）補助個人電腦用的 GPU 品牌到 2000 年時只剩下兩大主導廠商：英偉達及 ATI（Array Technology Inc.）。後者是出生於香港之四位中國人於 1985 年在加拿大安大略省成立，2006 年被超微半導體公司收購，品牌於 2010 年被淘汰。超微半導體公司於 2014 年 10 月提升台南出生之蘇姿豐（Lisa Tzwu-Fang Su）博士為執行長後，股票從每股 $4 左右，上升到今天每股超過 $160，其市值已經是英特爾的兩倍，完全擺脫了在後者陰影下求生存的小眾玩家角色，正在挑戰英偉達的 GPU 市場。順便一題：超微半導體公司現任總裁（兼 AI 策略負責人）為出生於台北的彭明博（Victor Peng）；與黃仁勳及蘇姿豐一樣，也是小時候就隨父母親移居到美國。

（註五）或。

延伸閱讀

• 「熱力學與能源利用」，《科學月刊》，1982 年 3 月號；收集於《我愛科學》（華騰文化有限公司，2017 年 12 月出版），轉載於「嘉義市政府全球資訊網」。
• 「網路安全技術與比特幣」，《科學月刊》，2020 年 11 月號；轉載於「善科教育基金會」的《科技大補帖》專欄。

為什麼無人機飛得起來？

不管是載人的直升機，還是無人機，飛起來的原因都相同。轉子可帶動螺旋槳旋轉，使螺旋槳上下的氣壓產生差異。當螺旋槳上方的氣壓比下方的氣壓低，就會有一股拉力將螺旋槳往上拉（升力，將物體垂直向上拉升的力量），如此一來便能讓機體上升。

再來，同時使用多個螺旋槳，並分別調整各螺旋槳的轉速，就可以讓無人機自由上升 / 下降、前進 / 後退、左 / 右移動。事實上，仔細觀察飛行中的無人機螺旋槳，會發現相鄰的螺旋槳旋轉方向剛好相反。

想讓無人機前進時，會讓機體前方下傾。左右移動時也一樣，會讓前進方向的機體部份下傾。只要讓其中一側的螺旋槳轉速下降，就可以讓那一側的機體下傾，往那個方向移動。如果要讓四軸無人機旋轉，則需讓其中一條對角線上的螺旋槳轉速降低。

無人機的運動機制

無人機需靠轉子（馬達）轉動螺旋槳才能移動。大疆 Phantom 系列的多軸無人機所搭載的馬達，是所謂的無刷馬達（brushless motor）。

無刷馬達顧名思義，就是沒有電刷的馬達。相對的，學校自然科課程中提到的電刷馬達則是需要讓電刷與整流子持續摩擦旋轉，使用時會逐漸磨損。無刷馬達則是透過特殊電路驅動其旋轉，可以減輕維護的負擔。而且，無刷馬達可以透過名為 Hall IC 的磁場感應器持續監測馬達狀態，故可穩定控制其速度，當發生馬達負荷過重、線路接觸不良、斷線等異常狀況，可以馬上停止馬達運作，並發出警告訊號，以提高無人機的安全性。其他還有速度可控範圍廣、均勻扭矩（flat torque）、高功率等優點。

另外，將訊號送至轉子的零件叫做 ESC（Electric Speed Controller）。也可以說，ESC 就是控制轉子旋轉速度的零件。原則上，無人機搭載的 ESC 數量會與轉子數量相同。

ESC 的輸出端有三條電線，電流可控制轉子的旋轉。隨著轉子位置的不同，ESC 會輸出不同方向、不同大小的電流，使轉子能夠持續旋轉。也就是說，無刷馬達中的 ESC，扮演著一般馬達中整流子及電刷的角色。

相對的，ESC 的輸入端也有三條電線，分別是連接到電源正負極的電源線，以及從 FC（Flight Controller）接收訊號的訊號線。其中，FC 會蒐集來自陀螺儀感應器、加速度感應器、氣壓感應器、超音波感應器、磁場方位感應器、GPS 等裝置的資訊，以控制機體的行動。

無人機的感應器

• 陀螺儀感應器與加速度感應器

陀螺儀感應器可以計算機體傾斜的角度，是穩定機體時不可或缺的感應器。相對的，與陀螺儀感應器十分相似的加速度感應器，則用於檢測速度。陀螺儀感應器與加速度感應器的組合，可以同時計算「傾斜狀況」與「速度」兩者的變化量，並控制機體往傾斜方向的反方向拉回，保持機體平衡，懸停於空中。簡單來說，陀螺儀感應器與加速度感應器就是能夠保持無人機姿態平衡的重點感應器。

• 氣壓感應器與超音波感應器

高度越高時，氣壓感應器會測到越低的氣壓，故無人機可參考氣壓數字，以維持在特定高度。不過畢竟這只能用來偵測氣壓，要是遇到陣風或其他原因造成的氣壓變化，就有可能會失去功能。

超音波感應器可以利用超音波的回聲來感應自身高度。在無人機起飛或降落時，如果位於地表附近的無人機沒辦法透過氣壓感應器蒐集到足夠的高度資訊，就會用到超音波感應器。在高空使用氣壓感應器，在地表附近使用超音波感應器，兩種感應器的組合搭配，便可讓無人機在每個高度區間都能維持一定高度。

• 磁場方位感應器與 IMU

磁場方位感應器有時也直接稱做羅盤，可感應地球的磁場（地磁），藉此瞭解無人機目前朝向東西南北哪個方向。不過，地磁的北邊（磁北）與地圖的北邊有一定差異，即磁偏角。而且隨著時間與地點的不同，磁偏角也不大一樣。舉例來說，札幌的磁北比地圖北邊往西偏了 9°，那霸卻只偏了 5°（參考自日本國土地理院網站）。因此，若換一個地方飛無人機，就需進行「羅盤校正」，重新確認磁場感應器所指示的北方，與實際北方間的差異。

• IMU

GPS 是全球衛星導航系統（GNSS：Global Navigation Satellite System）的一種，是美國的衛星系統。就像汽車的導航系統與智慧型手機的位置資訊服務一樣，無人機可接收 GPS 的電波，藉此判斷自身所在位置，並設定好飛行路線的經緯度自動飛行，或是可以懸停在某個固定位置。這就是所謂的「衛星定位系統」，用於戶外飛行的無人機多會裝設相關的電波收訊器。不過，就像汽車在進入隧道後，導航系統會失效一樣，無人機使用 GPS 時也有可能會突然收不到訊號。因此，為了維持無人機的安全飛航，操控者需隨時注意 GPS 電波的接收狀況。

另外，包括 Phantom 在內的某些多軸無人機，不僅會接收 GPS 訊號，也會同時接收俄羅斯衛星系統 GLONASS 的訊號，偵測機體本身的位置。

這些控制機體姿態的感應器通稱為 IMU（慣性測量單元：Inertial Measurement Unit）。

當出現「IMU 錯誤訊息」「機體不穩定」「羅盤方向不對」「穩定器傾斜」等狀況，就需進行「IMU 校正」。請養成攝影前以及在他處飛行前，一定要進行 IMU 校正的習慣。

• 本文轉載自科技大觀園，原文為《接棒福三，福衛七號讓天氣預報更準確！》
• 作者／郭雅欣｜科技大觀園特約編輯

2019 年 6 月 25 日，福爾摩沙衛星七號（簡稱福衛七號）在國人的引頸期盼下升空。一年多來（編按：以原文文章發佈時間計算），儘管衛星還沒有全部轉換到預定的軌道，但已經回傳許多資料，這些資料對於天氣預報的精進，帶來很大的助益。中央大學大氣系特聘教授黃清勇及團隊成員楊舒芝教授、陳舒雅博士最近的研究主題，就是福衛七號傳回的資料，對天氣預報能有哪些改善。

掩星觀測的原理

要介紹福衛七號帶來的貢獻，得先從它的上一代──福衛三號說起。福衛三號包含了 6 顆氣象衛星，軌道高度 700~800 公里，以 72 度的傾角繞著地球運轉（繞行軌道與赤道夾角為 72 度）。這些衛星提供氣象資訊的方式，是接收更高軌道（約 20,200 公里）的 GPS 衛星所放出的電波，這些電波在行進到氣象衛星的路程中，會從太空進入大氣，並產生偏折，再由氣象衛星接收。換句話說，氣象衛星接收到的電波並不是走直線傳遞來的，而是因為大氣的折射，產生了偏折，藉由偏折角可推得大氣資訊。

氣象衛星會一邊移動，一邊持續接收電波，直到接收不到為止，在這段過程中，電波穿過的大氣從最高層、較稀薄的大氣，逐漸變為最底層、最接近地面的大氣，科學家能將這段過程中每一層大氣所造成的偏折角，通過計算回推出折射率，而折射率又和大氣溫度、水氣、壓力有關  ，因此可再藉由每個高度的大氣折射率，得出溫濕度垂直分布，這種觀測方式稱為「掩星觀測」。掩星觀測所得到的資料，可以納入數值預報模式，進一步做各種預報分析。 

資料同化──觀測與模式的最佳結合

在將掩星觀測資料納入數值預報模式時，必須先經過「資料同化」的過程。數值預報模式內含動力方程式，可以模擬任何一個位置的氣塊的運動，但是因為大氣環境非常複雜，模擬時不可能納入全部的動力條件，因此模擬結果不一定正確。而另一方面，掩星觀測資料提供的是真實觀測資訊，楊舒芝形容：「觀測就像拿著照相機拍照，不管什麼動力方程式，拍到什麼就是什麼。」但是，觀測的分布是不均勻的—唯有觀測過的位置，我們才會有觀測資料。

所以，我們一手擁有分布不均勻但很真實的觀測資料，另一手擁有很全面但可能不太正確的模式模擬。資料同化就是結合這兩者，找到一個最具代表性的大氣初始分析場，再以這個分析場為起點，去做後續的預報。資料同化正是楊舒芝和陳舒雅的重點工作之一。 

由於掩星觀測取得的資料與大氣的溫度、濕度、壓力有密切關係，因此在預報颱風、梅雨或豪大雨等與水氣量息息相關的天氣時，帶來重要的幫助。黃清勇的團隊針對福衛三號的掩星觀測資料對天氣預報的影響，做了許多模擬與研究，發現在預測颱風或氣旋生成、預報颱風路徑，以及豪大雨的降雨區域及雨量等，納入福衛三號的掩星觀測資料，都能有效提升預報的準確度。

黃清勇進一步說明，由於颱風都是在海面上生成的，而掩星觀測技術仰賴的是繞著地球運行的衛星來收集資料，相較於一般位於陸地上的觀測站，更能夠取得海上大氣資料，因此對於預測颱風的生成有很好的幫助。另一方面，這些資料也能幫助科學家掌握大氣環境，例如對於太平洋高壓的範圍抓得很準確，那麼對颱風路徑的預測自然也會更準。根據團隊的研究，加入福衛三號的掩星觀測資料，平均能將 72 小時颱風路徑預報的誤差減少約 12 公里，相當於改進了 5％。

豪大雨的預測則不只溫濕度等資訊，還需要風場資訊的協助，楊舒芝以 2008 年 6 月 16 日臺灣南部降下豪大雨的事件做為舉例，一般來說豪大雨都發生在山區，但這次的豪大雨卻集中在海岸邊，而且持續時間很久。為了找出合理的預測模式，楊舒芝探討了如何利用掩星觀測資料來修正風場。 

福衛七號接棒觀測

隨著福衛三號的退休，福衛七號傳承了氣象觀測的重責大任。福衛七號也包含了 6 顆氣象衛星，不過它和福衛三號有些不同之處。

福衛三號是以高達 72 度的傾角繞著地球運轉，取得的資料點分布比較均勻，高緯度地區會比低緯度地區密集一些。相較之下，福衛七號的傾角只有 24 度，它所觀測的點集中在南北緯 50 度之間，對臺灣所在的副熱帶及熱帶地區來說，密集度更高；加上福衛七號收集的電波來源除了美國的 GPS 衛星，還增加了俄國的 GLONASS 衛星，這些因素使得在低緯度地區，福衛七號所提供的掩星觀測資料將比福衛三號多出約四倍，每天可達 4,000 筆。

另一方面，福衛七號的軟硬體比起福衛三號更加先進，可以獲得更低層的大氣資料，而因為水氣主要都集中在低層，所以福衛七號對水氣掌握會比福衛三號更具優勢。

從福衛三號到福衛七號，其實模式也在逐漸演進。早期的模式都是納入「折射率」進行同化，而折射率又是從掩星觀測資料測得的偏折角計算出來的。「偏折角」是衛星在做觀測時，最直接觀測到的數據，相較之下，折射率是計算出來的，就像加工過的產品，一定有誤差。因此，近來各國學者在做數值模擬時，愈來愈多都是直接納入偏折角，而不採用折射率。黃清勇解釋：「直接納入偏折角會增加模式計算的複雜度，也會增加運算所需的時間，而預報又是得追著時間跑的工作，因此早期才會以折射率為主。」不過現在由於電腦的運算能力與模式都已經有了進步，因此偏折角逐漸成為主流的選擇。 

福衛七號其實還沒有全部轉換到預定的軌道，不過這一年多來的掩星觀測資料，已經讓中央氣象局對熱帶地區的天氣預報，準確度提升了 4~10％；陳舒雅也以今年 8 月的哈格比颱風為案例，成功地利用福衛七號的掩星觀測資料，模擬出哈格比颱風的生成。

除了福衛七號，還有一顆稱為「獵風者」的實驗型衛星，預計 2022 年將會升空。獵風者的任務是接收從地表反射的 GPS 衛星電波，然後推估風速。可以想見，一旦有了獵風者的加入，我們對大氣環境的掌握度勢必更好，對於颱風等天氣現象的預報也能更加準確。就讓我們一起期待吧！