多少像素才「夠看」？

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.

最近，韋伯太空望遠鏡發布首批科學影像，終於看到敲碗好久的結果——韋伯拍到了人類從未見過的許多東西！有人說，韋伯是哈伯的繼任者，但不知道大家是否好奇過，哈伯和韋伯到底誰比較強？

這個問題有點難回答，因為兩部望遠鏡都是當代科技的結晶。哈伯是 1990 年升空的王者，韋伯是 30 年後科技進步下的產物，我試著用客觀的方式來比較這兩部太空望遠鏡。

哈伯觀測可見光，韋伯觀測紅外光

哈伯的主鏡直徑是 2.4 公尺，韋伯則是 6.5 公尺，韋伯的主鏡直徑比哈伯大 2.7 倍，這也是大家最常比較的部分。可是，如果主鏡大就比較厲害，那麼夏威夷大島上的凱克 10 公尺望遠鏡，不就比哈伯和韋伯更強？

哈伯與韋伯觀測的波段不同，用途也不一樣。哈伯主要觀測的波段在可見光，可見光是指人類眼睛可以看見的光或顏色範圍，也就是紅、橙、黃、綠、藍、靛和紫。從紅光到紫光，光的波長由長到短，紅光的波長大約是 0.62–0.74 微米（1 微米＝0.001 公釐），紫光的範圍則是 0.38–0.45 微米。

紅外光是指比紅光波長更長的光，也就是波長比 0.7 微米更長，這是韋伯望遠鏡主要觀測宇宙的波段。

哈伯和韋伯太空望遠鏡觀測的波段，一個在可見光，另一個在紅外光，所以在功用上本來就不一樣，如果要比較的話就要小心，不然就像拿橘子跟蘋果相比，拿不同的東西做比較顯得很突兀。

誰看得比較清楚？來比一比解析度吧！

哈伯與韋伯可以拿來做比較的是解析度，解析度的值（角秒）愈低，表示能看到天體愈細微的部分，解析度跟主鏡直徑和觀測的波長有關。望遠鏡主鏡愈大，解析度愈好；另外也跟觀測的波長成正比。

以下兩張影像分別是史匹哲太空望遠鏡（Spitzer Space Telescope）和韋伯拍的天空中同一區域紅外光影像，拍攝的紅外波長也差不多（史匹哲：8 微米，韋伯 7.7 微米），不過兩幅影像的解析度卻差很多，韋伯的影像中可以看到更多的細節，史匹哲則好像糊成一團。

當觀測的波長一樣時，解析度跟觀測望遠鏡的主鏡直徑成反比。史匹哲的主鏡是 0.85 公尺，所以韋伯的解析力是史匹哲的 6.5/0.85=7.8 倍！主鏡的大小直接反應在解析度上，韋伯與史匹哲在解析度上高下立判！

解析度除了跟主鏡的直徑成反比，也跟觀測的波長成正比。所以同一面主鏡觀測天體，用愈短的波長觀測解析度愈好。下圖是史匹哲望遠鏡觀測 M81 星系的結果，同樣 0.85 公尺的主鏡觀測，隨著觀測波長的增加，解析度變差。

答案揭曉——哈伯的解析度略勝一籌！

前面提到解析度跟主鏡直徑與觀測波長的關係有一個重要前提，主鏡必須研磨到完美、光滑，也就是主鏡上不能出現高低起伏。如果主鏡不完美，像遊樂場裡的哈哈鏡，不能聚焦成像，解析度自然不好。

波長愈短對鏡面的要求愈高。哈伯太空望遠鏡的鏡面對 0.5 微米波長更長的光是完美的，比 0.5 微米波長更短的光波則呈現不完美，韋伯望遠鏡的主鏡則是對 2 微米更長的波長是光滑的。（光學上，物理學家的說法是哈伯和韋伯分別在 0.5 和 2 微米達到繞射極限。）

哈伯和韋伯望遠鏡最佳解析度分別在 0.5 微米和 2 微米，根據前面的解析度公式，哈伯在 0.5 微米的解析度是 0.05 角秒，而韋伯在 2 微米的解析度是 0.08 角秒，結論是哈伯的解析度比韋伯稍微好一點！也就是哈伯老當益壯，一點也不比韋伯差。

從哈伯到韋伯，有如長江後浪推前浪

天文學家從 1990 年開始，透過哈伯望遠鏡研究宇宙，這三十年來科學家已經把哈伯的功能發揮到極致，我們對宇宙的了解很多都來自哈伯的觀測。不過這三十年的努力也讓天文學家發現哈伯不足的地方，科學家知道關鍵在紅外線觀測能力。前一代的紅外望遠鏡史匹哲無法達到需求，天文學家只能殷殷期盼韋伯。

韋伯首批公布的影像中，幾乎都是哈伯曾經拍過的天體，從科學上來說，比較可見光和紅外影像資料可以對目標天體更多了解，不過我認為這應該是韋伯對哈伯致敬的方式，感謝哈伯三十多年的貢獻！

韋伯站在巨人的肩膀上，必定能看得更暗、更遠！

• 文／林彥興（EASY天文地科團隊總編輯，就讀清大理學院學士班）

「一個哈伯不夠用，那你有試過來一百個嗎？」

哈伯太空望遠鏡可說是世上最著名的科學儀器之一。在它 1990 年升空的這三十年中，拍攝了無數令人嘆為觀止的宇宙奇景。然而，隨著時光流逝，垂垂老矣的哈伯剩下的時日恐怕已經不多。

倘若再次出現嚴重故障，可能就得和這座傳奇的天文望遠鏡永遠告別。好在，哈伯並非後繼無人，在今 (2021) 年十月韋伯太空望遠鏡升空之後，NASA 的下一個旗艦級太空望遠鏡，將以相仿的體型，卻百倍於哈伯的觀測能力幫助天文學家更深入了解宇宙的奧秘。它就是「南希．葛莉絲．羅曼太空望遠鏡 Nancy Grace Roman Space Telescope 」。

誰是羅曼？人稱哈伯之母的天文學家

在介紹望遠鏡之前，讓我們先來看看羅曼究竟是誰，居然偉大到讓 NASA 以她的名字命名下一代的旗艦級望遠鏡。

南希．葛莉絲．羅曼 (1925-2018) 是著名的美國天文學家。在二十世紀前葉，科學界中的性別不平等遠比現在嚴重。但她仍然努力撐過他人的冷眼與勸退，選擇攻讀天文並在取得博士學位後，在恆星分類、星團運動等領域貢獻卓越。

1959年，羅曼到 NASA 任職，並從此長年擔任 NASA 的首席天文學家。在她任職的時代，太空科技才剛剛起步，人們對太空望遠鏡的概念也相當陌生。但羅曼憑著她的遠見，參與、主持了許多 1960 與 1970 年代 NASA 的太空望遠鏡計畫，並四處為這些計畫籌措資金，為現代太空望遠鏡的蓬勃發展打下基礎。

同時，她也推動 NASA 將觀測到的資料開放給全世界使用，最終讓天文界開放資料的文化延續至今。她對 NASA 太空望遠鏡計畫的卓越貢獻，最終讓她獲得「哈伯之母」的美譽。

我要一個打一百個！羅曼的超廣視野

在被命名為羅曼太空望遠鏡之前，這個望遠鏡計畫名為「廣域紅外巡天望遠鏡
WFIRST 」。顧名思義，這是一台觀測可見光與近紅外線，用於進行廣域巡天——也就是觀測大範圍天空——的望遠鏡。預計將在 2020 年代中期發射，與蓋亞、韋伯等前輩一起運行於日地第二拉格朗日點。

在望遠鏡的構造上，羅曼與哈伯太空望遠鏡相當類似，都使用一面直徑 2.4 公尺的主鏡。但得益於三十年來的科技進步，同樣是 2.4 公尺的主鏡，性能卻大不相同。

首先，利用先進的新式材料，羅曼的主鏡重量僅有哈伯的兩成，約 186 公斤重。再者，為了增加鏡片的反射率，一般的望遠鏡都會在鏡片的表面鍍上一層高反射率的金屬。比如哈伯太空望遠鏡的鏡片表面，就鍍上了一層約 850 奈米厚的鋁。但鋁雖然能夠很好的反射可見光與紫外光，對紅外線的反射率卻不夠理想。因此作為一個觀測近紅外線為主的望遠鏡，羅曼的主鏡片表面鍍上了厚度 400 奈米的銀，讓它能夠更好反射來自宇宙深處的黯淡紅外線。

但單純只是反射還不夠，想要得到清晰的影像，就得精確的讓光線聚焦到正確的位置。因此，望遠鏡需要非常精密的拋光。羅曼的主鏡在拋光完成後，鏡片表面的平均起伏僅有 1.2 奈米。這有多平整呢？如果我們將鏡片放大到跟地球一樣，那它表面的起伏將僅有 6 毫米高！

最後，當光線經過一連串複雜的鏡片聚焦之後，將匯聚到羅曼的相機—— 3 億像素的「廣域儀器 Wide Field Instrument 」上，轉化為影像資料後送回地球讓天文學家分析。在這一整套光學系統的合作下，羅曼太空望遠鏡保有與哈伯相同解析度的情況下，擁有視野一百倍以上的超廣視野！

視野超大，然後咧？

誒不過話說回來，視野廣大有什麼用呢？

望遠鏡不是要讓我們去看更暗、更小的東西用的嗎？視野變大了，解析度卻沒有提升，這樣真的算是有進步嗎？

當然有囉！

在大家的印象中，天文學家好像總拿著望遠鏡，鉅細靡遺的觀察、研究某個天體。這當然是其中一種重要的方式，但並不是天文研究的全貌。其實在真正的天文物理研究中，很多天文學家想知道的並不是特定天體的特性（比如仙女座銀河有幾根懸臂、有多少顆恆星），而是藉由大量普查宇宙中該種天體的基本性質，然後在海量的資料中尋找擁有科學價值的寶藏。

覺得這像有字天書嗎？沒關係，我們舉個比較親民的例子。

如果你今天想知道新課綱對孩子們的學習成效如何，你會怎麼做呢？也許你可以找幾個孩子出來談談，仔細地問問他們對新課綱的想法。就像那些鉅細靡遺的研究特定目標的天文學家一樣；但你也可以用更宏觀的方式，比如看看他們全體的考試成績或補習花費，來了解新課綱的影響。

同理，對宇宙學家與星系天文學家來說，羅曼太空望遠鏡的廣大視野，讓他們可以在相同的時間內拍攝更廣的天空，或是在對同一片天空拍攝更久的時間，以看見更暗的天體。

當羅曼升空之後，將會拍攝早期宇宙中數以百萬計的大量星系與超新星，並對其中一部份進行更詳盡的光譜分析，藉由觀測這些星系的紅移、位置分佈、形狀、亮度、大小⋯⋯等等資訊，可以回推出宇宙膨脹歷史（與暗能量有關）、星際間暗物質的分佈（利用重力透鏡效應）、尋找早期宇宙中的特殊星系、甚至是幫忙測量本星系群之中的恆星移動。

另一方面,系外行星學家也對它充滿期待。羅曼太空望遠鏡將藉由兩種方式來偵測系外行星：

一個是藉由「微重力透鏡 Microlensing 」效應。當一顆恆星通過一個背景光源時，恆星的質量會扭曲周圍的時空並匯聚後方的光源，使得背景光源看起來像在短時間內快速的變亮、然後又恢復原狀，而且亮度變化的曲線有相當明顯的特徵。而如果這顆恆星旁邊有行星環繞，那行星的質量也將對亮度曲線造成影響。天文學家就能藉由分析亮度的變化曲線，來探測系外行星的存在。

第二個重點，羅曼將攜帶最先進的日冕儀 (CGI)，直接拍攝系外行星與原行星盤。

甚麼是日冕儀呢？顧名思義，它最早是為了研究太陽的日冕而發明的儀器。由於平常的太陽實在太亮，使得旁邊相對黯淡的日冕相當難以觀測，因此科學家發明了日冕儀，藉由複雜的光學系統，遮擋住視野中心來自太陽的強光，才能好好的拍攝、研究黯淡的日冕。

而系外行星的探測中，由於系外行星本身又小又暗、又非常靠近明亮的母恆星，想要直接拍攝到他們，就像要你直視著汽車頭燈，然後尋找頭燈旁的蚊子一樣困難。因此，天文學家必須借助日冕儀的力量才能夠直接拍攝到它們。

而羅曼搭載的光譜儀，將更進一步利用各種特殊的光學元件，以及類似調適光學技術中採用的可變形鏡片，利用破壞性干涉來消除主恆星的光線，讓我們能看到主恆星旁 邊，比恆星暗數百萬倍的系外行星。並進一步研究它們的光譜，看看他們溫度多高、 是由甚麼組成、讓我們更加了解這些外星世界。 

結語：值得期待的未來

作為韋伯之後的下一款大型光學太空望遠鏡，天文學大尺度與小尺度的問題羅曼通通包辦。它將能夠以哈伯等級的解析度，拍攝廣大宇宙中數以百萬計中的星系來研究宇宙學與星系演化；同時，它搭載的新一代日冕儀將能讓我們更清楚的直接拍攝系外行星。羅曼太空望遠鏡將產出哪些令人驚艷的資料？又將如何協助我們揭開宇宙的神秘面紗？就讓我們拭目以待吧！

參考資料

1. STSCI, Roman. Nancy Grace Roman Space Telescope
2. Roman Space Telescope NASA 官網. Roman Space Telescope/NASA
3. 主鏡製造商 Nancy Grace Roman Space Telescope 
4. Roman Lecture Series
5. 初稿：【時事新聞】羅曼太空望遠鏡的鍍銀主鏡