暗物質比先前認為的還要「暗」

本文由 鼎新數智 與 泛科學 共同規劃與製作

你有沒有想過，當 AI 根據病歷與 X 光片就能幫你診斷病症，或者決定是否批准貸款，甚至從無人機發射飛彈時，它的每一步「決策」是怎麼來的？如果我們不能知道 AI 的每一個想法步驟，對於那些 AI 輔助的診斷和判斷，要我們如何放心呢？

馬斯克與 OpenAI 的奧特曼鬧翻後，創立了新 AI 公司 xAI，並推出名為 Grok 的產品。他宣稱目標是以開源和可解釋性 AI 挑戰其他模型，而 xAI 另一個意思是 Explainable AI 也就是「可解釋性 AI」。

如今，AI 已滲透生活各處，而我們對待它的方式卻像求神問卜，缺乏科學精神。如何讓 AI 具備可解釋性，成為當前關鍵問題？

黑盒子模型背後的隱藏秘密

無法解釋的 AI 究竟會帶來多少問題？試想，現在許多銀行和貸款機構已經使用 AI 評估借貸申請者的信用風險，但這些模型往往如同黑箱操作。有人貸款被拒，卻完全不知原因，感覺就像被分手卻不告訴理由。更嚴重的是，AI 可能擅自根據你的住所位置或社會經濟背景給出負面評價，這些與信用風險真的相關嗎？這種不透明性只會讓弱勢群體更難融入金融體系，加劇貧富差距。這種不透明性，會讓原本就已經很難融入金融體系的弱勢群體，更加難以取得貸款，讓貧富差距越來越大，雪上加霜。

AI 不僅影響貸款，還可能影響司法公正性。美國部分法院自 2016 年起使用「替代性制裁犯罪矯正管理剖析軟體」 COMPAS 這款 AI 工具來協助量刑，試圖預測嫌犯再犯風險。然而，這些工具被發現對有色人種特別不友好，往往給出偏高的再犯風險評估，導致更重的刑罰和更嚴苛的保釋條件。更令人擔憂的是，這些決策缺乏透明度，AI 做出的決策根本沒法解釋，這讓嫌犯和律師無法查明問題根源，結果司法公正性就這麼被悄悄削弱了。

此外，AI 在醫療、社交媒體、自駕車等領域的應用，也充滿類似挑戰。例如，AI 協助診斷疾病，但若原因報告無法被解釋，醫生和患者又怎能放心？同樣地，社群媒體或是 YouTube 已經大量使用 AI 自動審查，以及智慧家居或工廠中的黑盒子問題，都像是一場越來越複雜的魔術秀——我們只看到結果，卻無法理解過程。這樣的情況下，對 AI 的信任感就成為了一個巨大的挑戰。

為什麼人類設計的 AI 工具，自己卻無法理解？

原因有二。首先，深度學習模型結構複雜，擁有數百萬參數，人類要追蹤每個輸入特徵如何影響最終決策結果，難度極高。例如，ChatGPT 中的 Transformer 模型，利用注意力機制（Attention Mechanism）根據不同詞之間的重要性進行特徵加權計算，因為機制本身涉及大量的矩陣運算和加權計算，這些數學操作使得整個模型更加抽象、不好理解。

其次，深度學習模型會會從資料中學習某些「特徵」，你可以當作 AI 是用畫重點的方式在學習，人類劃重點目的是幫助我們加速理解。AI 的特徵雖然也能幫助 AI 學習，但這些特徵往往對人類來說過於抽象。例如在影像辨識中，人類習慣用眼睛、嘴巴的相對位置，或是手指數量等特徵來解讀一張圖。深度學習模型卻可能會學習到一些抽象的形狀或紋理特徵，而這些特徵難以用人類語言描述。

深度學習模型通常採用分佈式表示（Distributed Representation）來編碼特徵，意思是將一個特徵表示為一個高維向量，每個維度代表特徵的不同方面。假設你有一個特徵是「顏色」，在傳統的方式下，你可能用一個簡單的詞來表示這個特徵，例如「紅色」或「藍色」。但是在深度學習中，這個「顏色」特徵可能被表示為一個包含許多數字的高維向量，向量中的每個數字表示顏色的不同屬性，比如亮度、色調等多個數值。對 AI 而言，這是理解世界的方式，但對人類來說，卻如同墨跡測驗般難以解讀。

試想，AI 協助診斷疾病時，若理由是基於醫生都無法理解的邏輯，患者即使獲得正確診斷，也會感到不安。畢竟，人們更相信能被理解的東西。

打開黑盒子：可解釋 AI 如何運作？我們要如何教育 AI？

首先，可以利用熱圖（heatmap）或注意力圖這類可視化技術，讓 AI 的「思維」有跡可循。這就像行銷中分析消費者的視線停留在哪裡，來推測他們的興趣一樣。在卷積神經網絡和 Diffusion Models 中 ，當 AI 判斷這張照片裡是「貓」還是「狗」時，我需要它向我們展示在哪些地方「盯得最緊」，像是耳朵的形狀還是毛色的分布。

其次是局部解釋，LIME 和 SHAP 是兩個用來發展可解釋 AI 的局部解釋技術。

SHAP 的概念來自博弈，它將每個特徵看作「玩家」，而模型的預測結果則像「收益」。SHAP 會計算每個玩家對「收益」的貢獻，讓我們可以了解各個特徵如何影響最終結果。並且，SHAP 不僅能透過「局部解釋」了解單一個結果是怎麼來的，還能透過「全局解釋」理解模型整體的運作中，哪些特徵最重要。

以實際的情景來說，SHAP 可以讓 AI 診斷出你有某種疾病風險時，指出年齡、體重等各個特徵的影響。

LIME 的運作方式則有些不同，會針對單一個案建立一個簡單的模型，來近似原始複雜模型的行為，目的是為了快速了解「局部」範圍內的操作。比如當 AI 拒絕你的貸款申請時，LIME 可以解釋是「收入不穩定」還是「信用紀錄有問題」導致拒絕。這種解釋在 Transformer 和 NLP 應用中廣泛使用，一大優勢是靈活且計算速度快，適合臨時分析不同情境下的 AI 判斷。比方說在醫療場景，LIME 可以幫助醫生理解 AI 為何推薦某種治療方案，並說明幾個主要原因，這樣醫生不僅能更快做出決策，也能增加患者的信任感。

第三是反事實解釋：如果改變一點點，會怎麼樣？

如果 AI 告訴你：「這家銀行不會貸款給你」，這時你可能會想知道：是收入不夠，還是年齡因素？這時你就可以問 AI：「如果我年輕五歲，或者多一份工作，結果會怎樣？」反事實解釋會模擬這些變化對結果的影響，讓我們可以了解模型究竟是如何「權衡利弊」。

最後則是模型內部特徵的重要性排序。這種方法能顯示哪些輸入特徵對最終結果影響最大，就像揭示一道菜中，哪些調味料是味道的關鍵。例如在金融風險預測中，模型可能指出「收入」影響了 40%，「消費習慣」占了 30%，「年齡」占了 20%。不過如果要應用在像是 Transformer 模型等複雜結構時，還需要搭配前面提到的 SHAP 或 LIME 以及可視化技術，才能達到更完整的解釋效果。

講到這裡，你可能會問：我們距離能完全信任 AI 還有多遠？又或者，我們真的應該完全相信它嗎？

我們終究是想解決人與 AI 的信任問題

當未來你和 AI 同事深度共事，你自然希望它的決策與行動能讓你認可，幫你省心省力。因此，AI 既要「可解釋」，也要「能代理」。

舉例來說，當一家公司要做一個看似「簡單」的決策時，背後的過程其實可能極為複雜。例如，快時尚品牌決定是否推出新一季服裝，不僅需要考慮過去的銷售數據，還得追蹤熱門設計趨勢、天氣預測，甚至觀察社群媒體上的流行話題。像是暖冬來臨，厚外套可能賣不動；或消費者是否因某位明星愛上一種顏色，這些細節都可能影響決策。

這些數據來自不同部門和來源，龐大的資料量與錯綜關聯使企業判斷變得困難。於是，企業常希望有個像經營大師的 AI 代理人，能吸收數據、快速分析，並在做決定時不僅給出答案，還能告訴你「為什麼要這麼做」。

傳統 AI 像個黑盒子，而可解釋 AI （XAI）則清楚解釋其判斷依據。例如，為什麼不建議推出厚外套？可能理由是：「根據天氣預測，今年暖冬概率 80%，過去三年數據顯示暖冬時厚外套銷量下降 20%。」這種透明解釋讓企業更信任 AI 的決策。

但會解釋還不夠，AI 還需能真正執行。這時，就需要另一位「 AI 代理人」上場。想像這位 AI 代理人是一位「智慧產品經理」，大腦裝滿公司規則、條件與行動邏輯。當客戶要求變更產品設計時，這位產品經理不會手忙腳亂，而是按以下步驟行動：

1. 檢查倉庫物料：庫存夠不夠？有沒有替代料可用？
2. 評估交期影響：如果需要新物料，供應商多快能送到？
3. 計算成本變化：用新料會不會超出成本預算？
4. 做出最優判斷，並自動生成變更單、工單和採購單，通知各部門配合執行。

這位 AI 代理人不僅能自動處理每個環節，還會記錄每次決策結果，學習如何變得更高效。隨時間推移，這位「智慧產品經理」的判斷將更聰明、決策速度更快，幾乎不需人工干預。更重要的是，這些判斷是基於「以終為始」的原則，為企業成長目標（如 Q4 業績增長 10%）進行連續且動態地自我回饋，而非傳統系統僅月度檢核。

這兩位 AI 代理人的合作，讓企業決策流程不僅透明，還能自動執行。這正是數智驅動的核心，不僅依靠數據驅動決策，還要能解釋每一個選擇，並自動行動。這個過程可簡化為 SUPA，即「感知（Sensing）→ 理解（Understanding）→ 規劃（Planning）→ 行動（Acting）」的閉環流程，隨著數據的變化不斷進化。

以偉勝乾燥工業為例，他們面臨高度客製化與訂單頻繁變更的挑戰。導入鼎新 METIS 平台後，偉勝成功將數智驅動融入業務與產品開發，專案準時率因此提升至 80%。他們更將烤箱技術與搬運機器人結合，開發出新形態智慧化設備，成功打入半導體產業，帶動業績大幅成長，創造下一個企業的增長曲線。

值得一提的是，數智驅動不僅帶動業務增長，還讓員工擺脫繁瑣工作，讓工作更輕鬆高效。

數智驅動的成功不僅依賴技術，還要與企業的商業策略緊密結合。為了讓數智驅動真正發揮作用，企業首先要確保它服務於具體的業務需求，而不是為了技術而技術。

這種轉型需要有策略、文化和具體應用場景的支撐，才能讓數智驅動真正成為企業持續增長的動力。

還在猶豫數智驅動的威力？免費上手企業 AI 助理！ 企業 AI 體驗 現在使用專屬邀請碼《 KP05 》註冊就享知：https://lihi.cc/EDUk4 訂閱泛科學獨家知識頻道，深入科技趨勢與議題內容。 立即免費加入

本文由 環境部 委託，泛科學企劃執行。 

政策環評是什麼，跟一般環評差在哪？

隨著公共建設的規模越來越大，傳統的環境影響評估（EIA），難以應對當今層層疊疊的環境議題。當我們評估一項重大政策時，只看「單一開發案」已經不夠，就像評估一棵樹，卻忽略了整片森林。因此，政策環境影響評估（SEA）應運而生，它看樹，也看森林，從政策的角度進行更全面的考量與評估。

與只專注於「單一開發案」的個案環評不同，政策環評更像是一場全面性的檢視，強調兩個核心重點：「整合評估」與「儘早評估」。簡單來說，這不再是逐案評估的模式，而是要求政府在制定政策時，就先全面分析可能帶來的影響，從單一行為的侷限中跳脫，轉而聚焦在整體影響的視角。無論是環境的整體變化，還是多項行為累計起來的長期影響，政策環評的目的就是讓這些潛在問題能儘早浮現、儘早解決。

除此之外，政策環評還像是一個大型的協商平台，以永續發展為最高指導原則，公開整合來自不同利益團體、民眾與各機關的意見。這裡，決策單位不再只是單純的「評分者」，而是轉為「協調者」或「仲裁者」，協調各方的意見看法在這裡得到整合，讓過程更具包容性。

政策環評並沒有所謂的「否決權」，而是側重意見的蒐集與整合，讓行政機關在政策推動時，能更全面地掌握各方意見。政策環評旨在建立系統化、彈性的決策評估程序（包含量化、特徵化等評估方式），也廣納社會面或民眾滿意度等影響因子，把正式與非正式的作法一併考量進去。再來，決策程序中能層層檢討、隨時修正，也建立了追蹤機制和成效評估標準（如環境殘餘效應、累積效應等），透過學習來強化決策品質與嚴謹度。就像一場球賽，隨時根據變化、調整策略。

這樣的制度設計，就非常適合離岸風電這類規模大、跨區域、影響層面廣泛的能源政策評估，讓我們可以在政策推動初期就想到整個工程對環境、產業發展與社會的諸多影響，也為後續政策執行奠定更穩固的基礎。

離岸風電為何需要的是政策環評？

離岸風電是能源轉型的重要策略之一，但這不是只在某塊空地上架幾個風車，而是要在廣闊的大海中進行大規模建設，牽涉的不僅是發電，還涉及海洋保育、航空交通、水下文化資產等議題，更與當地漁民的權益息息相關。

這樣的大型離岸風電工程，因海洋環境的風險和不確定性極高，很容易讓人擔心生態影響。如何在海洋生態保護和綠能發展之間找到平衡點？這就需要政策環評的把關，從多方檢視這些複雜的挑戰，確保政策推行既能穩妥，又能達成發電目標。

2016 年 3 月，經濟部自願提出「離岸風電區塊開發政策評估說明書」，是臺灣首次針對再生能源政策所進行的政策環評。根據這份評估說明書，政府將採分期公告、逐年檢討的方式，每三年開放 0.5~1 百萬瓩（GW）的電量額度鼓勵業者投入開發。當時環保署（現為環境部）歷經九個月召開 2 次意見徵詢會議，蒐集環評委員、專家學者、相關機關、民眾等意見，最終於同年 12 月的環評委員會作出徵詢意見。這些協商和檢討的過程，讓政策「名正言順」，得以充分顧及各方利益與生態平衡。

共通性環境議題與因應對策

在「離岸風電區塊開發政策評估說明書」中，環評會議盤點了開發過程中共通的環境議題。

首先，對於海洋生態保育的重點，特別是對中華白海豚的保護。環評會要求風機基座必須距離白海豚棲地1公里以上，以減少對其生態的干擾。實際上，這項規範在後續的實務執行中更為嚴格，例如，福海二期示範風場已退縮到 2.5 公里外，臺電二期風場甚至退到 4.2 公里外，顯示政策環評確實發揮了實質作用。此外，針對施工期間的聲音干擾，要求施工需有 30 分鐘以上的打樁緩啟動時間，並限制聲量不得超過 180 分貝等。

針對鳥類保育，政策環評也訂立了具體規範。其中，包括風機之間必須留設 500 公尺以上的鳥類穿行廊道，並在施工期間避開每年 11 月至隔年 3 月的候鳥過境期。同時，為確保這些措施確實生效，工程方也被要求設置「鳥類活動監測系統」，持續追蹤、評估風場對鳥類的影響。

此外，環評會也確立了「先遠後近」的開發原則，要求優先開發較單純的航道外側區塊，待累積足夠經驗及相關資料後，再進行近岸區域的開發。這項原則考量了近海生態系的複雜性，也顧到養殖漁業的漁民權益，展現出政策環評在平衡發展需求與環境保護上的價值。

新一代的審查機制：達成能源轉型及環境保護雙贏

為提升環評效率並確保審查品質，環境部參考過去離岸風電審查經驗，制定「風力發電離岸系統開發行為環境影響評估初審作業要點」，建立了全新的二階段審查機制。

這套新機制分為兩個階段。第一階段，就像「初步檢查」，由環境部依照檢核表進行初審，並由環評審查委員會執行秘書邀集 2-5 位環評委員進行初審，通過第一階段初審之業者，可取得經濟部遴選資格，其初審結果有效期為兩年，必要時可申請展延一年。接著進入「第二階段」，開發單位檢附目的事業主管機關核配的容量證明文件等資料，提供更詳細的環境影響說明書以進行實質審查。

檢核表明確規範了 15 大項審查事項、112 項檢核項目，涵蓋開發案的全生命週期。

在工程面，包含風機及海上變電站基礎設置、海域電纜路線規劃、陸域設施工程等硬體設施的規範。其中，風機基礎設置必須避開海岸保護區、河口、潮間帶等環境敏感區域，且須進行地震危害度分析。海域電纜部分，除特殊情形外，埋設深度至少須達 1.5 公尺，且不得跨越中華電信海底電纜 1 公里的範圍。

環境保護上，檢核表則對施工噪音管制訂立了明確標準。舉例來說，打樁期間警戒區 750 公尺範圍內的水下噪音不得超過 160 分貝，且必須全程採用最佳噪音防制工法。同時，每個開發案或聯席審查的風場，同一時間內只能進行一支基樁施作，而日落前一小時到日出前也不得啟動新的打樁作業。

環境監測計畫更是檢核表中的重點，分為「施工前、施工期間、營運期間」三階段，每個階段都規定了詳細的監測要求（包括海域底質監測、水下噪音監測、鯨豚目視監測等）。以鯨豚監測為例，每年需執行20趟次，四季中每季至少執行 2 趟次。此外，所有監測數據都必須上傳至環境部「環保專案成果倉儲系統」（https://epaw.moenv.gov.tw/）供各界查閱。

這套標準化的審查機制不僅解決了「同一風場可能有多家廠商重複調查或審查」的資源浪費，也透過明確的檢核項目，讓開發單位在規劃階段就能掌握更具體的環境保護要求。不僅如此，該機制亦確保了環境保護標準前後一致，避免不同案件之間標準不一。

結語

透過新的審查機制，環境部正積極推動再生能源開發案的環評審查作業，在提升行政效率之餘，也確保環境影響評估的品質，支持臺灣的離岸風電開發及國家能源轉型政策，也做好把關。藉由標準化檢核表和二階段審查制度，期待能在推動能源轉型的同時落實環境保護。

為確保制度能持續精進，環境部每半年至一年會進行制度檢討，並持續公開所有環評書件於「環評書件查詢系統」（https://eiadoc.moenv.gov.tw/eiaweb/）。此外，環評會議召開前一週，也必須在指定網站公布開會訊息，讓民眾能申請列席旁聽或發表意見。透明化措施一方面展現了政府推動永續發展的決心，另一方面也確保全民能共同參與監督離岸風電的發展過程。未來，這套制度將在各界的檢視與建議中持續完善，為臺灣的永續發展貢獻心力，發揮環評作業的最大效益。

愛因斯坦對於宇宙的理解錯了嗎？

愛因斯坦的廣義相對論重新改寫我們對於時間、空間、與質量的認知，也開啟我們對廣大宇宙研究的大門。

在宇宙物理學如同大霹靂快速發展之時，我們也發現愛因斯坦最早提出的宇宙模型，可能並不完全正確。

正確來說，我們發現我們過去對宇宙的理解，可能真的太少了。少到我們至今所觀測到的所有物質，可能仍不到整個宇宙組成的百分之五。並不是說這些能量或物質距離我們太過遙遠，而是他們可能就在附近，而我們卻全然不了解它。

其中佔了將近宇宙組成七成的「暗能量」，到底是什麼來頭？我們能徹底了解它，同時能為我們宇宙的存在，提供一個正確的解釋模型嗎？又或者我們能掌握它，來改變宇宙的未來嗎？

暗能量（dark energy）到底是什麼？這聽起來有夠中二的名字，難道是暗影大人的新能力嗎？

其實暗能量的「暗」，指的是我們看不到也摸不到，用上各種波段的電磁波都察覺不到，甚至現今沒有任何儀器能偵測到它的存在。因為我們無法感受到它、不知道他們的型態，所以稱為暗能量。也就是說，如果暗影大人或是哪個最終 BOSS 的絕招是「暗能量波動」，當巨大的能量朝你襲來，不用擔心，站在原地就好，因為它只會穿過你的身體，打不中你的。同樣的，你可能聽過的「暗物質」，指的也是我們無法探知的未知物質。也就是說，暗物質並不是指某種特定物質叫做暗物質，任何我們現在還無法探測到的，都可能是暗物質的其中一種。題外話，近年某些暗物質面紗底下的容貌，已經逐漸能被我們窺見，例如微中子。這部分，之後我們介紹暗物質的節目中，再來好好討論，今天先來和大家聊聊佔了宇宙質能 7 成的暗能量。

矛盾大對決來了，既然我們摸不到，也看不到，我們怎麼知道暗能量存在，還是僅存在我們的中二想像中呢？我們得將時間回推到最早認為宇宙中有未知能量存在的那個人，他不是別人，就是鼎鼎大名的愛因斯坦。

1916 年愛因斯坦推導出廣義相對論，解釋物質和能量如何影響時空的彎曲和演化。愛因斯坦當時認為，宇宙應該是靜態的，但是若宇宙中只有物質，宇宙應該會受重力吸引而塌縮，因此需要與反向的能量來平衡重力，這股能量平均地存在在空間當中。愛因斯坦當時引入了宇宙常數 Λ 來平衡他的靜態宇宙模型，而直到非常近期的 1998 年，暗能量 (dark energy) 這個詞才由物理學家麥可．特納提出。

在愛因斯坦之後，著名宇宙學家傅里德曼提出不同看法，他認為宇宙不一定是平衡的，也可能正在收縮或膨脹當中，並根據廣義相對論推導出 Fridemann 方程式，關於 Fridemann 方程式的故事，先前我們有好好介紹過。

暗能量不只存在於理論上的預測，同時期天文學家開始發現我們熟知的銀河系，並無法代表整個宇宙，原來夜空中很多像星雲的天體，其實是遙遠的星系！宇宙遠比以前認為得大的太多了！1929 年，哈伯進一步發現，這些星系竟然正在遠離我們而去，而且距離我們愈遠的星系，遠離的速度就愈快！宇宙竟然真的是以地球為中心，而地球利用強大的排斥力，將其他星系用力向外推開嗎？當然不是，想像一下，宇宙就像一個葡萄乾麵包，上面布滿的葡萄乾就是各種天體，當麵包發酵膨脹時，不論站在哪顆葡萄乾的視角，所有天體的距離都是互相拉遠，而且距離愈遠的天體，彼此遠離的速度就愈快。

也就是說，哈伯觀測到的結果顯示整個宇宙正在膨脹。但還有一個問題，就是這個宇宙的膨脹速度，是隨著時間經過越來越快的加速膨脹，還是膨脹速度正隨著時間在趨緩的減速膨脹呢？為什麼這個問題很重要？因為如果是減速膨脹，靠現有的重力理論就可以解釋，宇宙中天體所提供的重力，正在使宇宙減速膨脹，甚至宇宙的結局可能會是宇宙重新塌縮。但如果宇宙正在加速膨脹，那麼只考慮重力就不夠了，為了抵抗向內塌縮的重力，勢必要有一股力量要將宇宙向外加速推開。這時，就需要加入暗能量的存在了。

宇宙真的正在加速膨脹？

為了確認宇宙正在減速或加速膨脹，好推算暗能量是否存在，科學家再次將目光投向宇宙深處。隨著觀測技術愈來愈進步，天文學家可以透過不同方式，觀測更早期的宇宙。

愈遠的天體發出的光，需要經過愈長的時間才能傳到地球。假設我們觀察離地球1億光年遠的星球，由於我們看到的影像是從星球出發後，經過 1 億年後才到達地球，因此在望遠鏡中看到的，其實是該星球一億年前的樣子。只要利用這點，如果我們將望遠鏡頭對向更加遙遠的宇宙深處，就能看到更早期的宇宙樣貌，幫助我們了解宇宙過去的樣子。

科學家主要透過三種方法，分別用來觀測晚期、中期、到早期的宇宙。第一種方法是觀測 Ia 型超新星爆炸，它指的是當一顆緻密白矮星到了生命末期，吸收大量鄰近伴星的氣體，使得內部重力超過某個極限，引發失控的核融合而形成的超新星爆炸。這個爆炸會在瞬間釋放出許多能量，亮度甚至可以媲美整個星系，因此即使是很遙遠的超新星也可以被地球觀測到。最受天文學家關注的是，因為每個 Ia 型超新星爆炸時產生的尖峰光度都相同，可以直接作為觀測或是亮度的比對參考點，又稱為標準燭光。當它離我們愈遠亮度就愈小，只要觀測亮度就可以得知它離我們的距離。

接著，透過光譜分析，我們還能得到這個超新星遠離我的的速度。這就像是救護車在靠近和遠離我們的時候，警笛的聲音頻率會因為我們和救護車相對速度的改變而產生變化，同樣的道理放在電磁波上，當超新星遠離我們，電磁波頻譜的頻率會下降，我們稱為頻譜「紅移」。最後，只要我們同時觀測好幾顆超新星，並且量測每一顆的距離和遠離我們的速度，看看是不是真的離我們越遠的超新星離開的速度越快，就可以知道宇宙正在加速或是減速膨脹。

第二種方法是觀測宇宙大尺度結構，宇宙中星系的分佈其實是不均勻的，有些地方有星系團，也有一些地方是孔洞，整個宇宙就像是網子一樣。這是因為宇宙在形成星系時，向內的重力以及向外的氣體與光壓力會彼此抗衡，就像我們在擠壓彈力球一樣，向內壓時內部壓力會增強，導致物質向外拋射，壓力減弱後又會停止拋射，這樣來回震盪的過程，就在宇宙中形成一個個震波漣漪，稱為重子聲學振盪（BAO，baryon acoustic oscillations）。有趣的是，當好幾個地方都在震盪，就會產生類似好幾個水波互相撞在一起的干涉現象。而這個宇宙規模的超大水波槽中，波腹部份聚集較多物質就會形成星系團，波節部份不足以形成星系就形成孔洞，是不是覺得我們的宇宙就像是一鍋湯，而我們只是裡面毫不起眼的一顆胡椒粒呢？不過即使是連一粒胡椒都不如的我們，透過觀測宇宙星系分布並透過理論計算，人類科學家還是可以得知這些結構的大小，並且推知這些結構上的星系距離我們多遠，最後再搭配紅移光譜，一樣可以算出宇宙膨脹的速度。今年七月升空，11 月 8 號從太空傳回第一張照片的歐幾里得太空望遠鏡，它的其中一項任務，就是專門觀測重子聲學振盪，來研究宇宙大尺度結構。歐幾里得太空望遠鏡有望帶給我們對宇宙的全新認知，關於這一部分，我們很快會再來深入介紹。

第三種方法是透過觀測宇宙微波背景輻射，它是宇宙的第一道曙光，在此以前，宇宙能量很高，光和電漿相互作用，不會走直線。但是到了宇宙三十八萬歲時，宇宙已經冷卻到足以讓電子與原子核結合，宇宙終於變得乾淨了，光也終於可以走直線。而三十八萬歲時的早期宇宙的畫面，至今仍不斷經過遙遙 137 億年的時間抵達地球，被我們觀測到，稱為宇宙微波背景輻射。有趣的是，根據這些照片，我們能發現早在 137 億年前，宇宙各處就不是均勻的。透過分析這些微波的分布，科學家能計算出當時宇宙的組成成份。這時我們發現，目前的已知物質，也就是元素週期表上看得到的原子，只佔所有能量的 4.93%，而看不到的暗物質，佔 27.17%，那還有 67.9%，將近七成的組成分是什麼？科學家認為就是暗能量。

哇！暗能量佔的比例這麼高？那我們未來有機會從空間中汲取無限的能量嗎？先不要想的這麼美，其實暗能量在宇宙中的密度很低，依照質能等價公式，質量跟能量是可以互相換算的。換算下來暗能量每立方公分只有 10 的負 24 次方公克，相比之下，水的密度是立方公分 1 公克！真的微乎其微。之所以暗能量在宇宙中佔的能量比這麼大，是因為它均勻的存在在廣大無垠的宇宙中，不像一般的物質，只集中在一些星系和星體中。

現在我們知道暗能量存在，而且量也不少，但回到最關鍵問題，這些暗能量到底是怎麼來的呢？

宇宙與暗能量的未來

科學家普遍認為暗能量是來自「真空能量」，根據量子力學，我們過往認為的真空，其實會不斷短暫的出現粒子並消失。而這些量子漲落便會產生真空能量。雖然這聽起來很玄，但各位看完我們的影片並按下訂閱之後，這些訂閱數就一定會是真的。都看到影片最後一段了，就拜託大家再多動一下手指吧！

而量子力學除了能在真空中產生真空能量以外，這個過程甚至可能幫助我們開啟蟲洞！關於真空能量與時空旅行的關係，可以參考我們的這一集哦（閃電俠）。

為了重新認識我們的宇宙，科學家此時再次拿出了宇宙常數 Λ 和 Fridemann 方程式，建立了一個可以完美解釋前面三種觀測結果的模型－ΛCDM 模型。

ΛCDM 是近代在解釋宇宙微波背景輻射、宇宙大爆炸時，最常被使用的理論。目前對於宇宙歷史與加速膨脹的圖像，也都基於此模型。

不過 ΛCDM 理論仍有兩個致命的問題待解決。第一個是理論中的宇宙常數 Λ，應該要與位置、時間無關，是一個不隨時間變化的常數。然而針對觀測早期和晚期宇宙所計算出來的宇宙常數數值卻不一樣，要如何解釋這個觀測差異？第二個問題是，假設暗能量是真空中的量子漲落所造成，依此推算出的宇宙常數數值，還跟觀測差了 120 個數量級！也就是 10 後面有 120 個零，整個宇宙中的原子數量也才 82 個數量級而已！

因此科學家也提出其他可能的暗物質理論。比如認為暗能量不是來自真空能量，而是由一種未知的粒子場所驅動，而這個場與時間有關，導致早期和晚期宇宙的觀測結果有差異。還有人認為根本沒有暗能量存在，宇宙會膨脹，是因為愛因斯坦的廣義相對論在宇宙學這種大尺度中是不適用的！就像牛頓的萬有引力公式在地球上管用，到了太陽系規模就會出現誤差。或許在宇宙規模還有比廣義相對論更完備的其他理論等待我們發現！另一派科學家也認為沒有暗能量，我們會看到加速膨脹，只是因為銀河系剛好位於宇宙大尺度結構的孔洞中，也就是葡萄乾麵包裡面空氣比較多，口感比較鬆的地方，由於這個地方總體重力比較小，天體也就是葡萄乾之間向外膨脹的速度比較快，但不代表整個葡萄乾麵包都在加速膨脹，宇宙加速膨脹只是局部觀測的假象。

這些理論或許可以解釋部份的問題，但沒有一個能解釋所有觀測數據，而且由於觀測的限制，這些理論都缺乏數據的佐證。因此目前我們只能說，暗能量的效應確實存在，但我們還不知道它確切是什麼。

有人可能想問，研究暗物質對我們真的那麼重要嗎？其實，它不只影響了宇宙過去演化的歷史，也影響著我們將來的命運。由於宇宙膨脹，物質的密度會因為膨脹被稀釋，但如果暗能量是常數，就代表密度不會改變，因此宇宙會膨脹的愈來愈快，導致遙遠的星系加速離我們遠去，最後暗能量會超過所有的基本作用力，包括重力、電磁力和核力，星系、太陽系、地球都將被拉開，甚至中子和質子都互相分離，使原子不復存在，進入大撕裂時期，也將是宇宙最孤獨的結局。不過這是一百多億年後的事情，在那之前地球會先被死去的太陽吞沒，我們應該要先煩惱的是要如何移民其他星球才是。

最後總結一下，暗能量到底是什麼？很抱歉，經過了幾十年的努力，這個問題依舊是一個問號，但藉由宇宙學的研究，使我們更謙卑更加發覺自身的渺小，我們或許已經掌握許多物質運作的原理，也開發出許多高科技產品，但這些只是整個宇宙的 5% 仔，宇宙中還有許多未知等待我們去探索，而它深深關係到我們的過去和未來。

歡迎訂閱 Pansci Youtube 頻道 獲取更多深入淺出的科學知識！

參考資料

• 解析北京清大「推翻 」方程式背後深意！白紙革命爭自由民主平等
• https://arxiv.org/pdf/1807.06209.pdf
• https://news.harvard.edu/gazette/stor…

暗物質（dark matter）在我們對於宇宙的了解中仍是一個巨大的問號。

不過，瑞士洛桑聯邦理工學院（École Polytechnique Fédérale de Lausanne，EPFL）天文學家 David Harvey 等人利用哈伯太空望遠鏡（Hubble Space Telescope）和錢卓 X 射線觀測衛星（Chandra X-ray Observatory）觀測星系團（galaxy clusters）互撞時，星系團中的暗物質會有什麼樣的行為模式。

結果發現暗物質彼此間的交互作用程度比先前認為的還要少，但這一發現也將暗物質可能的「身份」範圍縮減，希望最終能揭開暗物質的神秘面紗。

目前科學家們對暗物質的瞭解仍然非常粗淺，僅知宇宙中的暗物質含量比可見的一般物質還要多。

造成這種尷尬境況的原因在於：暗物質不反射、發射或吸收光線，因此無從用現代儀器「看到」這些暗物質，只能透過暗物質對一般可見物質的重力效應來窺見暗物質的存在，因此才會將之稱為「暗」物質。

由於對它的不瞭解，因此對暗物質性質的猜測相當多元化而複雜。

為了更瞭解這些神秘的物質，Harvey 等人透過類似研究可見物質的實驗，期待觀察到暗物質與一般物質撞擊時會發生什麼事。因為規模夠大才能看出撞擊效應，他們挑選了星系團作為觀察目標。

星系主要由恆星、氣體雲和暗物質組成。當星系團發生碰撞事件時，散佈在星系各處的氣體雲會彼此撞擊，而後逐漸減速或甚至停下；換言之，星系撞擊時的氣體－氣體交互作用（gas-gas interaction）非常強。

然而恆星本身則很少受到星系團撞擊時的氣體阻滯力（gas-star drag）影響，而且由於恆星彼此間的間隙很大，所以並不會彼此影響而使速度減慢，不過如果真的發生恆星互撞，則摩擦減速的力道也還是很龐大的。

先前認為暗物質的行為應該類似子彈星團（Bullet Cluster）中所呈現的。但僅有一個案例，很難預測將會看到什麼。每一次的星系團碰撞都耗時數億年才結束，因此以人類生命而言，我們只能從一個特定角度看到碰撞事件的某一瞬間。

但碰撞案例數量若能增加許多，那麼便可從各個碰撞呈現的片段資訊，拼貼出比較完整的劇情，瞭解事態的發展走向。

Harvey 等人從哈伯和錢卓觀測資料中選取的 72 個大型星系團撞擊事件進行研究。這些撞擊事件發生在不同時期，所見的撞擊角度也互異，有些是從側邊所見，有些則是正面的俯瞰景象。

既然已知氣體和恆星在星系團互撞過程中會如何行動，以及會在何處發生這些事件，那麼僅需對照暗物質如何作用，就可以幫助科學家縮減暗物質可能的組成成分的範圍。

這些天文學家發現：像恆星一樣，暗物質在劇烈撞擊時會持續前進，並不會慢下來。然而又和恆星不一樣，暗物質之所以不會慢下來，並不是暗物質彼此間距離很遠，碰不到一起的關係。

現行公認的理論認為暗物質是均勻的散佈在星系團內，因此暗物質粒子彼此間應該靠得很近。所以暗物質在星系團撞擊過程中之所以不會慢下來，是因為它們不僅幾乎不與一般可見物質粒子交互作用，而且暗物質彼此間的交互作用程度也比之前認為的還低；這項事實，正是讓 Harvey 等人能縮減暗物質的可能性質的關鍵。

現行最被接受的暗物質理論認為暗物質可能是由「超對稱粒子（supersymmetric particle）」所組成。在標準模型（Standard Model）中，認為電子、質子、中子等所有粒子都有它自己的超對稱粒子伙伴，這些超對稱粒子伙伴的質量比粒子本身稍重一些。

這項理論迄今還無法獲得實驗證實，不過已經可以協助科學家們解決一些紛爭；超對稱理論其中一項概念認為粒子是穩定且為電中性，與標準模型中的一般粒子僅有很微弱的交互作用。而這些性質，似乎都能解釋暗物質的性質。

Harvey 等人目前計畫要繼續增加碰撞星系團的案例數，甚至考慮將單獨的星系撞擊也納入研究範圍，畢竟單獨星系撞擊的事件比星系團碰撞要常見多了。

資料來源：

1. Dark matter even darker than once thought. [Hubble space telescope, March 26, 2015 ]
2. Harvey, D., Massey, R., Kitching, T., Taylor, A., & Tittley, E. (2015). The nongravitational interactions of dark matter in colliding galaxy clusters. Science, 347(6229), 1462-1465.

本文轉載自網路天文館。