矮星系吹泡泡

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

• 林彥興｜EASY 天文地科小站主編、清大天文所碩士生，努力在陰溝中仰望繁星

2022 年 1 月底，兩位天文學家在頂尖科學期刊《自然》發表的論文中，宣布他們發現矮星系「Henize 2-10」中的超大質量黑洞，觸發了一批新恆星的誕生。可是，我們印象中的黑洞不是會以極強的重力撕碎、吞噬周遭一切的嗎？怎麼這樣毀滅性的天體，居然還能誕生新的恆星？今天就讓我們來一探究竟！

黑洞：宇宙燈塔核心

多數人對黑洞的印象，大概是一個擁有強大重力、會撕碎與吞噬一切的純黑球體。由於連光也無法逃離它的魔爪，因此黑洞總是隱身在宇宙黑暗的背景中難以觀測。

這樣的圖象雖然大致正確，卻不是事情的全貌。黑洞確實會以它強大的重力吃進物質，天文學家也確實相信茫茫星海中，有許多難以觀測的黑洞漫步其中。但是被黑洞重力捕獲的物質，往往不會直直地朝黑洞落去，而是會在黑洞週遭形成一個旋轉的盤狀構造，稱為「吸積盤 Accretion Disk」。

在吸積盤上，物質之間不斷的碰撞、摩擦、緩緩向黑洞靠近，在過程中將重力位能轉化為動能、熱能、磁能等各式各樣的能量形式，並釋放出橫跨伽瑪射線到無線電波的電磁輻射。在許多系統中，還可以觀測到物質快速的從黑洞附近噴出，通常速度較慢（約每秒數百至數千公里）者通常稱為「外流 Outflow」，速度較快（接近光速）者則稱為「噴流 Jet」。

黑洞產生的輻射、噴流與外流，不僅讓我們能夠用各式各樣的觀測手段去尋找和研究黑洞，它們同時也會對黑洞所在的環境產生影響。

尤其當身處星系中心、質量是太陽數百萬倍以上的「超大質量黑洞 SMBH」們在大快朵頤週遭的氣體時，能夠以太陽數百萬倍、甚至數千億倍以上的功率釋放能量，成為宇宙中最明亮的天體。

如此龐大的能量，足以影響整個星系乃至於星系團的演化。它可能促進星系中恆星的形成，為星系帶來新生；或者是抑制星系中恆星的形成，讓星系變得死氣沉沉。另一方面，星系中恆星的形成、超新星爆炸等其他現象，也會決定有多少氣體能夠流到位於星系中心的黑洞上，從而影響黑洞的成長。

超大質量黑洞與星系之間互相影響、共同演化的機制，統稱為「活躍星系核回饋 AGN Feedback」，是當代天文物理非常重要的研究領域。

過去 20 多年的無數理論與觀測成果，讓天文學家相信活躍星系核回饋確實對星系的演化有重要的影響。但是具體是怎麼影響？影響多大？目前仍沒有明確的結論，甚至連直接的觀測證據都十分稀少。因此，天文學家迫切的想要找到更多活躍星系核回饋的直接證據，了解黑洞究竟是怎麼與星系一同成長。

瞄準目標：矮星系 Henize 2-10

在這個研究中，天文學家鎖定位在羅盤座（Pyxis）、距離地球約 3400 萬光年的矮星系「Henize 2-10」。過去其他天文學家以無線電與 X 射線觀測的結果顯示，這個星系中心可能有一個正在進食的超大質量黑洞，因此是尋找活躍星系核回饋證據的絕佳場所。

為了得到高解析度的影像，天文學家使用哈伯太空望遠鏡仔細的研究星系中心的影像與光譜，發現在星系的中心有一道長約 500 光年、由游離氣體組成的纖維狀結構，源自星系中心的超大質量黑洞噴出的外流。而黑洞東方（圖中的左手邊）約 230 光年外，有一片正在形成許多新恆星的區域（稱為恆星形成區），與外流相連。

天文學家仔細分析星系的光譜後，認為黑洞的外流正是催生這片恆星形成區的幕後推手。因為外流推擠、壓縮了星系中的氣體，增加了氣體的密度，才進一步激發了這批新恆星的形成。對研究黑洞與活躍星系核的天文學家來說，這無疑是一次振奮人心的發現！

結語：萬里長征的一小步

黑洞不只是能夠吞噬一切的引力怪獸。它在囫圇吞棗的過程中，其實可以釋放出巨大的能量。尤其是位於星系中心的超大質量黑洞們，它們產出的能量之龐大，甚至能夠影響整個星系的演化，稱為活躍星系核回饋。但是怎麼影響？影響多大？天文學家們仍在積極的研究。

這次在 Henize 2-10 星系中觀測到的黑洞外流與其激發的恆星形成，是活躍星系核回饋相當重要的直接證據。未來，天文學家將繼續在更多的星系中，尋找黑洞與星系互動的蛛絲馬跡，直到揭開活躍星系核回饋的神秘面紗。

參考資料

• Black-hole-triggered star formation in the dwarf galaxy Henize 2-10 – NASA/ADS
• Dr. Becky: A supermassive black hole FORMING new stars! | Positive and negative black hole feedback
• Reviewing Fantastic Beasts: AGN Feedback in Galaxies and Clusters | astrobites
• Observational Evidence of Active Galactic Nuclei Feedback – NASA/ADS
• Hubble finds a black hole igniting star formation in a dwarf galaxy
• 出事了哈伯！細數哈伯太空望遠鏡31 年來的維修升級史

• 採訪編輯｜歐柏昇 美術編輯｜張語辰

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

天文學家無法做實驗來製造一個宇宙，卻可以在超級電腦中製造小宇宙，探索宇宙中複雜的現象。中研院天文及天文物理研究所的助研究員陳科榮，利用電腦模擬，揭開觀測背後的物理過程，了解超新星爆發的機制，以及超新星與宇宙學的關聯。

模擬天文學家的望遠鏡：超級電腦

對於模擬天文學家而言，超級電腦就是望遠鏡。我們可以在超級電腦裡模擬我們的小宇宙。

為什麼研究宇宙需要用電腦模擬呢？陳科榮說明，物理、化學研究可以在實驗室裡做測試，但是天文學家不可能自己做一個宇宙出來，必須仰賴電腦來做實驗。

用電腦模擬來研究宇宙，其基礎在於我們對物理的理解。我們覺得牛頓定律、電磁學等在宇宙其他地方也適用，就可用數學、物理的方程式，推算宇宙星體經歷的過程。然而，宇宙中的許多系統很複雜，沒辦法用人腦、用筆去算。因此，把物理方程式寫成程式，讓超級電腦計算。

何謂「超級電腦」？陳科榮解釋，當一台電腦的記憶體、運算速度，大約是一般筆電的超過一萬倍以上，就可稱做超級電腦。也就是說，在一般筆電要花一萬個小時的計算，在超級電腦只要花一小時。近年來，電腦運算速度越來越快，幫助我們處理更複雜的問題。

「模擬」是根據基本數學、物理建構出來，製造一個虛擬的世界。虛擬世界跟實際世界是否真的相關聯，這就需要驗證。

陳科榮舉了工業上的例子，說明電腦模擬的應用。過去沒有電腦模擬，若要測試新型汽車的效能，就會先製造一個實體的模型車，放在「風洞」裡，讓風吹向車子，觀察流線的分布，來判斷模型是否優良。現在不必花高成本製造模型車，只要用電腦模擬，計算流體力學，就可以了解流線的情況。確定模擬出的最佳結果之後，才需要做出實體的模型車，再放到風洞裡做實驗，省下了很多開發資源。

用電腦模擬，追探觀測背後的玄機！

用電腦模擬來研究天文，可以幫助我們了解：天文觀測到的現象背後，到底發生了什麼事。

陳科榮說明，我們一般看到宇宙都是看到「光」，光會帶來很多訊息，但有時比較表面。就像我們在大樓裡面討論事情，有些訊號可能會傳到大樓外，但是大部分的光線都被牆壁擋住，大樓外面的人無法得知我們在做什麼。

例如，超新星爆炸是發生在恆星內部的過程，我們只能看到爆炸後的現象，卻也想了解超新星爆炸內部的過程。做模擬的天文學家，便試著去探索背後的機制，了解爆炸怎麼產生。

以上方影片為例，這是陳科榮模擬「磁星」(magnetar) 的超新星爆發過程。簡單來說，中間有個很大的中子星，中子星放出的輻射促成了超新星的第二次爆炸。這種超新星爆炸會發出非常亮的光，且在輻射機制的加速過程中，被推出來的物質會承受流體的不穩定性。一開始小小的不均勻，可成長出「渦流」(eddy)，形成大尺度的不穩定結構。

陳科榮發現，磁星的超新星爆炸機制，模擬出來的結構，竟然與下方右圖的蟹狀星雲非常像，推測蟹狀星雲可能是由這種爆炸機制形成。

陳科榮再舉一個爆炸模擬，如下方影片所示。一般想像的爆炸是四面八方擴散，但其實有種不均向的超新星，稱為極超新星 (hypernova)。爆炸能量主要集中在南北極，產生噴流的結構形成極大的不對稱性。這就像是大砲把恆星轟一個大洞，整顆炸開。

化作春泥更護花──超新星與宇宙學

陳科榮在博士班三年級的時候，得到一個獎學金，去德州大學做研究，開啟了宇宙學和超新星關聯的研究旅程。超新星對宇宙有何影響呢？陳科榮引用詩句來詮釋：

落紅不是無情物，化作春泥更護花。

星星就像是一朵花，這朵花是由它的泥土滋養而來。超新星爆炸時，這朵花就散落了，但是花瓣回歸到泥土，就繼續滋養下一代的花長大。超新星也是一樣，散出去的物質，變成之後下一代星星成長所需要的元素。因此，超新星是宇宙、恆星生命週期中的重要過程。

宇宙很大，恆星很小，恆星卻能影響宇宙。這就像是人體很大，細胞很小，但是細胞發生問題，可能會影響到整個人體。恆星、超新星、宇宙之間的關聯性相當重要，但因為跨越了巨大的物理空間，是不易研究的課題。

為求了解恆星對宇宙的影響，陳科榮做了宇宙結構的模擬，如下方影片所示。首先，恆星會發光，將周圍氣體加熱、游離化。如果恆星死亡後直接變成黑洞，氣體會慢慢冷卻。但若恆星變成了超新星，則會發生許多有趣的變化。

在超新星的爆炸過程，會見到「紊流」這個現象。無序的紊流，是普遍發生於自然界的擴散過程。例如，滴下一滴墨水，很快地，杯子裡的水都變成藍色。其實短短時間內發生的物理過程很複雜，出現了「瑞利 – 泰勒不穩定性」等現象，使得流體混合在一起。透過下方的電腦模擬影片，我們可以仔細品味其中的過程，以及無序之美。

• （紊流影片來源│謝宜達提供）

難以入眠的模擬天文學家

宇宙星體很美麗，卻看似離實際利用較遙遠，那研究目的是什麼呢？陳科榮認為，研究基礎科學最重要的動機，是對人類知識做出貢獻，滿足人類的好奇心、求知慾。是否能夠拿來賺錢，總是往後才應用出來的事。

陳科榮舉例，電磁學之父法拉第發明了「電場」的概念，國王問他，這個東西對國王有什麼用？法拉第回答，他也不知道這能幹嘛，但是相信它未來會貢獻國王的稅收。後來，全世界一半以上的產值都和「電」有關。研究天文、宇宙，現在也不知道馬上能夠拿來幹嘛。

但若未來人類要去外太空旅行，也許就能知道要避開哪些爆炸的超新星。

談到研究的甘苦，陳科榮說，其實研究大部分時間都是苦的。一個研究結果出現，經常是失敗過很多次了。不過，痛苦與樂趣是相對的，如果沒有痛苦，就不會覺得快樂。如果有問題在腦中徘徊，經常睡覺就沒有睡好，但是想到答案時就很高興。他也有忙裡偷閒的方式，像是在美國時，有時自己一個人開車到山上躲個幾天，調劑身心。

模擬天文學家的另一項樂趣，是把研究成果作為藝術。超新星模擬結果的圖片，經常讓人感到新奇，容易登上新聞版面。陳科榮也常用模擬結果作為素材，創作出富有哲思的藝術品。

另一方面，陳科榮認為，能夠當科學家是得到一種「優待」，可以做自己喜歡的事，又有薪水過活；在研究上，自己就是自己的「老闆」，是個自由的工作。

相對地，科學家也有許多義務，不僅要做好研究，對人類知識做出貢獻，也有一些社會責任：將知識傳承下去，教育下一代。陳科榮回到臺灣之後即身體力行，在中研院成立了「爆炸小組」，帶領學生一起做研究，希望幫助學生，並且讓研究環境變得更好。

延伸閱讀

• 陳科榮的天文所網頁
• 陳科榮的個人網站
• 陳科榮「爆炸小組」團隊網站
• 【地球證詞導讀】宇宙的黎明─真正的創世時刻

本著作由研之有物製作，原文為《電腦裡的小宇宙，重現絢麗的恆星爆炸！專訪陳科榮》以創用CC 姓名標示–非商業性–禁止改作 4.0 國際 授權條款釋出。

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