研究人員發現將反物質拋擲進入太空的雷暴

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

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…

14 億歐元天文望遠鏡拍出的照片，你看過了嗎？你看到現在這些照片，揭開了宇宙過去與現在、空間與時間所交織的祕密嗎？

今年 11 月 7 日，位在 L2 拉格朗日點的歐幾里得望遠鏡，終於傳回來它升空後的第一批照片。這 5 張照片不只展示了望遠鏡的強大性能，更讓我們窺見過去無法看到的，宇宙深處的幽美與奧秘。就讓我們一起透過這些獨特的照片，來一場探索宇宙的奇異之旅吧！

歐幾里得望遠鏡有什麼厲害之處？

今年 ７ 月 １ 號升空的歐幾里得望遠鏡，任務是觀察宇宙大尺度結構，來研究暗物質與暗能量在宇宙中的分布與性質，讓我們進一步了解自己身處的這個宇宙。

去年七月，接棒哈伯望遠鏡任務的詹姆斯．韋伯太空望遠鏡，傳回來了升空後的第一批相片，每張照片都美的震撼人心，也帶著我們從全新的視角，眺望遙遠的系外行星、恆星、星雲與早期宇宙。當時，我們製作了一集節目，和大家分享這批照片背後的重要意義。我們也提到，每個望遠鏡在完成校準以後，都會發布一批「開光照」，向外界傳達望遠鏡已經可以順利運作的好消息，同時也讓大家了解這台新望遠鏡身上，背負了哪些重要的使命與任務。

而這次，新升空的歐幾里得望遠鏡也終於完成校正，傳回來不同於韋伯望遠鏡，從另一個視角看宇宙的開光照。先讓我們來了解一下歐幾里得望遠鏡。它的觀測波段是可見光到近紅外線波段，目標是觀測大範圍、不同遠近的宇宙天體。預計在 6 年的服役期間，建立完整清晰的宇宙 3D 立體圖像。只是，剛退役的哈伯太空望遠鏡，主要任務就是可見光波段的研究，去年剛任務正式開始的韋伯太空望遠鏡，則是紅外線波段的佼佼者。那歐幾里得望遠鏡有什麼突破之處嗎？這座花費 14 億歐元的望遠鏡當然有它獨到之處，它強大的地方在於，可以在更短時間內獲得更高解析度的照片，同時拍攝更大範圍的宇宙。比如哈伯太空望遠鏡需要好幾天觀測的天體，歐幾里得望遠鏡一個小時就可以搞定，而且解析度更高。

其實看它們的任務目標就能很快理解，現在在天空上的韋伯和歐幾里得，雖然有部分任務重疊。但韋伯更著重在尋找系外行星與觀察星系、恆星系統的演化。歐幾里得呢，則是將視野放大到整個宇宙，希望了解暗物質、暗能量在整個宇宙間扮演的角色。所以比起韋伯太空望遠鏡著重在拍攝小範圍、高解析度的天體照片，歐幾里得望遠鏡一開始的設計，就是要在短時間內掃描更大片的宇宙。因此，歐幾里得望遠鏡也確實成為建立宇宙 3D 立體圖像的最佳望遠鏡，定期的大範圍掃描天空，讓我們能一窺宇宙隨時間的演化動態。

那麼，就讓我們來欣賞歐幾里得望遠鏡的第一批照片吧！

歐幾里得望遠鏡第一批照片公開！

第一張照片，像是在宇宙這張巨大的黑布上，撒下大小珍珠。它是一張距離地球 2.4 億光年，英仙座星系團的影像照。

宇宙中有許多星系團，英仙座星系團就是其中之一，裡面包含超過 1000 個星系，是宇宙中最大的結構之一。除此之外，這張照片不僅清楚拍下了星系團，如果將照片放大來看，還會發現背景中有許多過去難以看到的星系，數量超過 10 萬個，最遠的甚至達 100 億光年。為什麼第一批照片要選擇拍攝星系團呢？因為研究星系團能幫助我們了解宇宙大尺度結構，進一步推算暗物質與暗能量的比例。

宇宙中的星系分佈其實是不均勻的，有些地方有許多星系，有些區域則幾乎沒有。整個宇宙中天體的分布看起來就像是一張巨網。可是，為什麼宇宙的大尺度結構是網狀的呢？天文學家認為宇宙大爆炸之後，物質在宇宙中的分佈會有些微的不均勻。當宇宙逐漸冷卻，氣體物質密度較高的地方會因為重力吸引而塌縮。但因為溫度很高，高溫產生的巨大壓力又讓氣體團反彈回來，就像擠壓一個壓力球一樣。來回震盪的過程中氣體會像聲波朝四面八方傳遞出去，稱為重子聲學振盪（BAO，baryon acoustic oscillations）。最後整個宇宙就像下毛毛雨時的池塘，形成由許多漣漪交織的網狀結構，波腹的地方氣體密度較高，變成星系高度聚集的區域，我們稱為星系團。其他地方氣體密度低，形成的星系數量較少，就像是宇宙間的孔洞。

而根據宇宙學家計算，要形成星系團、宇宙網（cosmic web）這類的宇宙大尺度結構，只靠已知物質提供的重力是不夠的，很可能還有許多我們還不了解的物質參與其中，也就是暗物質。這張照片不僅能幫助科學家研究宇宙大尺度結構，更彰顯歐幾里得望遠鏡的重要任務之一，就是幫助科學家深入了解暗物質的分佈與本質。

第二張照片是螺旋星系 IC342，離地球只有 1100 萬光年，算是離地球很近的星系，但由於它被明亮的銀河系盤面擋住了，觀測的難度非常高。歐幾里得望遠鏡利用近紅外線儀器穿透塵埃進行觀察，並移除許多銀河系中的恆星光芒，最後才形成這張極高解析度的照片，展現了它觀測隱藏星系的實力。

這個螺旋星系在天空中的大小相當於一個滿月那麼大，要一次觀測這樣大範圍的天空，同時保有超高解析度，目前只有歐幾里得望遠鏡才辦得到。由於螺旋星系 IC342 和銀河系很像，觀察它的演化有助於科學家理解銀河系的形成過程。未來歐幾里得望遠鏡也會觀測更多隱藏星系和遙遠的天體，繪製出它們的 3D 分佈圖。

第三張照片是不規則星系 NGC 6822。雖然跟 IC342、銀河系一樣也是星系，但形狀不是螺旋而是不規則的。

透過光譜分析，我們知道這個星系中的重元素含量很低。重元素是透過大質量恆星核融合所產生的，重元素含量少表示星系裡的恆星才剛形成，也就是一個很早期、相對年輕的星系。科學家認為，在宇宙早期星系剛開始演化時，大部分的星系就長得像這樣，質量小、形狀也不太規則。之後這些小星系會因為重力吸引其他星系，彼此相撞、融合成更大的星系，逐漸產生旋轉的結構，形成像銀河系這樣的大質量螺旋星系。所以藉由觀測這些早期星系，可以幫助科學家了解星系的形成過程。

另外，照片中一顆顆藍色的圓形區域，是球狀星團。球狀星團中的星星都是由同一團氣體產生，是宇宙最早形成的天體之一，有些甚至比星系本身還早。透過觀測這些球狀星團的運動，能協助我們更了解這個星系的形成史。

球狀星團大部分分佈在星系的外圍，以很慢的速度繞行星系，可能要好幾年才能觀察到要它們的運動。那科學家要怎麼知道這些星團是如何移動的呢？凡走過必留下痕跡，其中一種方式就是觀察到它們與星系本身互動所留下的痕跡。在歐幾里得望遠鏡傳回來的第四張照片中，就呈現了這些細節。第四張照片是球狀星團 NGC 6397，一個繞行銀河系的球狀星團。

當星團經過星系中的高密度區域，比如暗物質集中區、旋臂或星系盤面，星團中的星星會受到不同強度的重力吸引，使得星星彼此遠離，這個力量稱為潮汐力。顧名思義與潮汐的產生是相同的原理，由於地球各處受到太陽與月亮的重力總和不相同，在重力較強的地方海水受拉伸而漲潮，重力較弱的地方就會退潮。同樣道理，球狀星團在靠近星系中心的一側受重力較強，遠離星系的一側則較弱，球狀星團因而被拉伸，形成一條由星星組成的尾巴，稱為潮汐尾。

透過觀測潮汐尾，就可以了解球狀星團，乃至星系的演化過程。如果沒有潮汐尾，也可能代表有暗物質暈阻止外層恆星逃脫，能幫助我們進一步了解暗物質在星系當中的分佈。但要瞭解潮汐尾的形成過程，必須有星團中每顆星星的移動資料，也就是需要同時進行大範圍、短時間、高精度的觀測。而歐幾里得望遠鏡的優勢此時就能充分發揮，它可以一次拍攝整個球狀星團，而且只須一小時就可以得到這張高解析度的照片，連裡面的很暗的星星也看的一清二楚。只要每隔一段時間拍攝一張照片，就可以製作成動畫，了解星團中星體的運動軌跡。

最後，我們來介紹最後一張照片。它看起來最為夢幻，猶如一張宇宙中以繁星點綴的絲綢。它是距離地球約 1375 光年的馬頭星雲，也是離我們最近，正在形成新生恆星的區域。在星雲的上方（照片之外），有一顆明亮的恆星：獵戶座 sigma 星，這顆星輻射出的紫外光激發了位在馬頭後方的星雲，形成明亮、宛若薄紗的區域。組成馬頭的暗星雲氣體則因為溫度較低，只有些微的熱輻射，形成較為黯淡的前景，並稍微遮掩背後的明亮星雲。前後星雲層層堆疊，就像一幅宇宙給我們的水彩畫。更進一步，藉由歐幾里得望遠鏡高解析度的照片，科學家得以從中看到更多類木星、棕矮星、嬰兒恆星等，協助科學家了解星雲中的恆星形成過程。

對了，在我們介紹韋伯望遠鏡時有提到過，這些宇宙照通常不是它可見光波段下，真正我們肉眼所見的樣貌。而是選定特定波長後透過顏色校正，甚至將不同波段的照片疊合，才得到的結果。也就是說，選則不同的電磁波波段，或是採取不同的調色方式，得到的照片都會有不同風味。

所以如果你覺得這張淡麗的馬頭星雲不滿意，也有這張，特別強化氫元素的紅色光譜與氧元素藍色光譜後，成為一張猶如滅世風格，帶有點詭譎濾鏡的另一種美照，是不是跟剛才的氛圍完全不一樣呢？

順帶一提，對我來說，一樣是星雲照片，韋伯望遠鏡校色出來的照片還是覺得比較好看。例如之前介紹過的，韋伯望遠鏡開光照之一的船底座星雲。還有原本是望遠鏡大前輩哈伯代表作，後來韋伯又重新翻拍的創世之柱，都更令人讚嘆不已，對比與彩度都高上許多，給人一種正在仰望廣闊宇宙的壯烈感。

我們更了解這個宇宙了嗎？

我們對於宇宙的瞭解還太少，目前宇宙中的已知物質，包括元素週期表上的所有原子，根據計算只佔宇宙質能的 5%，剩下的估計都是暗物質與和能量。

但宇宙的奧秘就像一張複雜的拼圖，每拼上一小塊，都會給我們一些線索，猜測周圍的拼圖可能會是什麼。當拼的夠多，我們終有一天能得知宇宙整體的圖畫長什麼樣貌。恆星形成、星系演化方式、暗物質、暗能量等等，都各自是一塊塊重要的拼圖，唯有了解它們才能逐步得知暗物質與暗能量的奧秘。

舉例來說，暗物質所提供的重力在星系形成中扮演重要角色，目前最被科學界接受的冷暗物質（cold dark matter）模型，假設暗物質是由質量很大的粒子所組成，透過重力吸引聚集成許多小塊，小塊暗物質再彼此融合成更大的暗物質團塊，質量足夠大的團塊就可以吸引夠多的氣體，形成早期星系，之後再彼此融合成為更大的螺旋或橢圓星系。但透過數值模擬，科學家發現這個模型有些問題。理論上來說應該要有數百到數千個小衛星星系，繞行像銀河系這麼大的螺旋星系旋轉。但是天文學家實際上只觀測到約十個小星系繞行銀河系，這是著名的衛星遺失問題（Missing satellite problem）。

因此科學家又提出更多暗物質模型，比如與冷暗物質相對的熱暗物質（warm dark matter）模型，可以透過熱運動所產生的壓力抵銷重力，使得小暗物質團塊變得不穩定，從而解釋為何小星系的數量這麼少。除了熱暗物質以外，還有眾多的暗物質模型。但要證明哪個模型是正確的，就需要更多觀測數據與星系演化的模擬結果進行比較，才能得到答案。

不過看過歐幾里得望遠鏡傳回來的第一批照片，並了解其中代表的重要意義，就能充分感受到我們離解開這個謎團又更近了一步。還沒完，預計於 2027 年升空的羅曼太空望遠鏡（Nancy Grace Roman Space Telescope），與歐幾里得望遠鏡相同，都肩負研究暗能量與暗物質的重要任務。兩座望遠鏡將一同一個從可見光，一個從紅外線波段觀察大範圍宇宙，期待能為科學家帶來寶貴的數據，解開這盤旋好幾十年的謎團。

歡迎訂閱 Pansci Youtube 頻道 獲取更多深入淺出的科學知識！

• https://www.esa.int/Science_Explorati…
• https://www.esa.int/ESA_Multimedia/Im…
• https://www.universetoday.com/135954/…
• https://svs.gsfc.nasa.gov/13768
• https://www.snexplores.org/article/le…
• https://www.syfy.com/syfy-wire/the-be…
• https://www.esa.int/Science_Explorati…
• https://explainingscience.org/overvie…