首度在早期宇宙中偵測到大量碳元素

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

用天然氣發電可以完全沒有二氧化碳排放？這怎麼可能？

2023 年 11 月，台電和中研院共同發表去碳燃氫技術，說是經過處理的天然氣，燃燒後可以不產生二氧化碳。

誒，減碳方式百百種，就是這個聽起來最怪。但仔細研究後，好像還真有這麼一回事。這種能發電，又不產二氧化碳的巫術到底是什麼？大量使用天然氣後，又有哪些隱憂是我們可能沒注意到的？

去碳燃氫是什麼？

去碳燃氫，指的是改良現有的天然氣發電方式，將甲烷天然氣的碳去除，只留下乾淨的氫氣作為燃燒燃料。在介紹去碳燃氫之前，我們想先針對我們的主角天然氣問一個問題。

最近不論台灣、美國或是許多國家，都提升了天然氣發電的比例，但天然氣發電真的有比較好嗎？

好像還真的有。

根據聯合國底下的政府間氣候變化專門委員會 IPCC 的計算報告，若使用火力發電主要使用的煙煤與亞煙煤作為燃料，並以燃燒率百分之百來計算，燃料每釋放一兆焦耳的能量，就會分別產生 94600 公斤和 96100 公斤的二氧化碳排放。

如果將燃料換成天然氣，則大約會產生 56100 公斤的二氧化碳，大約只有燃燒煤炭的六成。這是因為天然氣在化學反應中，不只有碳元素會提供能量，氫元素也會氧化成水並放出能量。

除了碳排較低以外，煤炭這類固體燃料往往含有更多雜質，燃燒時又容易產生更多的懸浮顆粒例如 PM 2.5 ，或是溫室效應的另一主力氧化亞氮（N2O）。具體來說，產生同等能量下，燃燒煤炭產生的氧化亞氮是天然氣的 150 倍。

當然，也別高興這麼早，天然氣本身也是個比二氧化碳更可怕的溫室氣體，一但洩漏問題也不小。關於這點，我們放到本集最後面再來討論。

燃燒天然氣還是會產生二氧化碳？

雖然比較少，但也有燃煤的六成。像是綠能一樣的零碳排發電方式，不才是我們的終極目標嗎？別擔心，為了讓產生的二氧化碳量減到最小，我們可以來改造一下甲烷。

在攝氏 700 至 1100 度的高溫下，甲烷就會和水蒸氣反應，變成一氧化碳和氫氣，稱為蒸汽甲烷重組技術。目前全球的氫氣有 9 成以上，都是用此方式製造的，也就是所謂的「灰氫」。

而產物中的一氧化碳，還可以在銅或鐵的催化下，與水蒸氣進一步進行水煤氣反應，變成二氧化碳與氫氣。最後的產物很純，只有氫氣與二氧化碳，因此此時單獨將二氧化碳分離、封存的效率也會提升不少，也就是我們在介紹碳捕捉時介紹的「燃燒前捕捉」技術。

去碳燃氫又是什麼？

即便我們能將甲烷蒸氣重組，但只要原料中含有碳，那最終還是會產生二氧化碳。那麼，我們把碳去掉不就好了？去碳燃氫，就是要在第一步把甲烷分解為碳和氫氣。這樣氫氣在發電時只會產生水蒸氣，而留下來的碳黑，也就是固態的碳，可以做為其他工業原料使用，提升附加價值。

在氫氣產業鏈中，我們習慣將氫氣的來源做顏色分類。例如前面提到蒸氣重組後得到的氫氣被稱為灰氫，而搭配碳捕捉技術的氫，則稱為藍氫。完全使用綠能得到的氫，例如搭配太陽能或風力發電，將水電解後得到最潔淨的氫，則稱為綠氫。而介於這兩者之間，利用去碳燃氫技術分解不是水而是甲烷所得到的氫，則稱為藍綠氫。

但先不管它叫什麼氫，重點是如果真的不會產生二氧化碳，那我們就確實多了一種潔淨能源可以選擇。這個將甲烷一分為二的技術，聽起來應該也不會太難吧？畢竟連五◯悟都可以一分為二了，甲烷應該也行吧。

甲烷如何去碳？

甲烷要怎麼變成乾淨的氫氣呢？

很簡單，加溫就好了。

只要加溫到高過攝氏 700 度，甲烷就會開始「熱裂解」，鍵結開始被打斷，變成碳與氫氣。

等等等等…為了發電還要耗費能源搞高溫熱裂解，划算嗎？

甲烷裂解確實是一個吸熱反應，也就是需要耗費能量來拆散原本的鍵結。根據反應式，一莫耳甲烷要吸收 74 千焦耳的熱量，才會裂解為一莫耳的碳和兩莫耳的氫氣。但是兩莫耳的氫氣燃燒後，會產生 482 千焦耳的熱量。淨能量產出是 408 焦耳。與此相對，直接燃燒甲烷產生的熱量是 891 千焦耳。

而根據現實環境與設備的情況，中研院與台電推估一公噸的天然氣直接燃燒發電，與先去碳再燃氫的方式相比，發電量分別為 7700 度和 4272 度。雖然因為不燃燒碳，發電量下降了，但也省下了燃燒後捕存的成本。

要怎麼幫甲烷去碳呢？

在近二十幾年內，科學家嘗試使用各種材料作為催化劑，來提升反應效率。最常見的方式，是將特定比例的合金，例如鎳鉍合金，加熱為熔融態。並讓甲烷通過液態的合金，與這些高溫的催化劑產生反應。實驗證實，鎳鉍合金可以在攝氏 1065 度的高溫下，轉化 95% 的甲烷。

中研院在 2021 年 3 月，啟動了「 Alpha 去碳計畫」，進行去碳燃氫的設備開發。但團隊發現，盡管在理論上行得通，但實際上裝置就像是個不受控的火山一樣，熔融金屬與蒸氣挾帶著碳粒形成黏稠流體，不斷從表面冒出，需要不斷暫停實驗來將岩漿撈出去。因此，即便理論上可行，但熔融合金的催化方式，還無法提供給發電機組使用。

去碳燃氫還能有突破嗎？

有趣的是，找了好一大圈，驀然回首，那人卻在燈火闌珊處。

最後大家把目光放到了就在你旁邊，你卻不知道它正在等你的那個催化劑，碳。其實過去就有研究表明碳是一種可行的催化劑。但直到 201 3年，才有韓國團隊，嘗試把碳真的拿來做為去碳燃氫的反應催化劑。

他們在高溫管柱中，裝填了直徑 30 nm 的碳粒。結果發現，在 1,443 K 的高溫下，能達到幾乎 100 % 的甲烷轉化。而且碳本身就是反應的產物之一，因此整個裝置除了碳鋼容器以外，只有碳與氫參與反應，不僅成本低廉，要回收碳黑也變得容易許多。

目前這個裝置需要加緊改良的，就是當碳不斷的積蓄，碳粒顆粒變大，反應會跟著下降。如何有效清除或更換濾網與反應材料，會是能否將此設備放大至工業化規模的關鍵。

最後，我們回頭來談談，在去碳燃氫技術逐漸成熟之後，我們可能需要面對的根本問題。

天然氣是救世主，還是雙面刃？

去碳燃氫後的第一階段，還是會以天然氣為主，只混和 10 % 以下的氫氣作為發電燃料。

這是因為甲烷的燃燒速度是每秒 0.38 公尺，氫氣則為每秒 2.9 公尺，有著更劇烈的燃燒反應。因此，目前仍未有高比例氫氣的發電機組，氫氣的最高比例，通常就是 30 % 。

目前除了已成功串連，使用 10 % 氫氣的小型發電機組以外。台電預計明年完成在興達電廠，使用 5 % 氫氣的示範計畫，並逐步提升混和氫氣的比例。根據估計，光是 5 % 的氫氣，就能減少每年 7000 噸的二氧化碳排放。

但隨著天然氣的使用量逐步提高，我們也應該同時留意另一個問題。

天然氣洩漏導致的溫室效應，是不可忽視的！

根據 IPCC 2021 年的報告，若以 20 年為評估，甲烷產生的溫室效應效果是二氧化碳的 82.5 倍，以 100 年為評估，效果為 29.8 倍，是僅次於二氧化碳，對於溫室效應的貢獻者第二名。這，不可不慎啊。

從石油、天然氣井的大量甲烷洩漏，加上運輸時的洩漏，如果沒有嚴格控管，我們所做的努力，很有可能就白費了。

非營利組織「環境保衛基金」曾在 2018 年發表一篇研究，發現從 2012 到 2018 年，全球的甲烷排放量增加了 60 % ，從煤炭轉天然氣帶來的好處，可能因為甲烷洩漏而下修。當然，我們必須相信，當這處漏洞被補上，它還是能作為一個可期待的發電方式。

另一篇發表在《 Nature Climate Change 》的分析研究就說明，以長期來看，由煤炭轉為天然氣，確實能有效減緩溫室氣體排放。但研究也特別提醒，天然氣應作為綠能發展健全前的過渡能源，千萬別因此放慢對於其他潔淨能源的研究腳步。

去碳燃氫技術看起來如此複雜，為什麼不直接發展綠氫就好了？

確實，綠氫很香。但是，綠氫的來源是電解水，而反應裝置也不可能直接使用雜質混雜的海水，因此若要大規模發展氫能，通常需要搭配水庫或海水淡化等供水設施。另外，綠氫本來就是屬於一種儲能的形式，在台灣自己的綠能還沒有多到有剩之前，當然直接送入電網，還輪不到拿來產綠氫。

相比於綠氫，去碳燃氫針對的是降低傳統火力發電的碳排，並且只需要在現有的發電廠旁架設熱裂解設備，就可以完成改造。可以想像成是在綠能、新世代核能發展成熟前的應急策略。

當然，除了今天提到的灰氫、藍氫、綠氫。我們還有用核能產生的粉紅氫、從地底開採出來的白氫等等，都還沒介紹呢！

除了可以回去複習我們這一集的氫能大盤點之外，也可以觀看這個介紹白氫的影片，一個連比爾蓋茲都在今年宣布加碼投資的新能源。它，會是下一個能源救世主嗎？

歡迎訂閱 Pansci Youtube 頻道 獲取更多深入淺出的科學知識！

• https://research.sinica.edu.tw/methan…
• https://www.sciencedirect.com/science…
• https://unfccc.saveoursky.org.tw/nir/…
• https://www.science.org/doi/10.1126/s…
• https://link.springer.com/article/10….
• https://www.nature.com/articles/s4146…
• https://www.nature.com/articles/s4155…
• https://www.scimonth.com.tw/archives/…

重力波不只能提供星體的資訊！

說到重力波，一般人可能會想到黑洞、中子星、超新星這三個引發話題的星體。不過，只有在這些星體事件發生的「瞬間」，才會產生重力波，就像宇宙中的一場秀一樣。而當重力波通過後，就無法再偵測到這些資訊。

• 延伸閱讀：重力波很難懂？簡單明瞭的重力波捕獲現場——科學超抖宅報

譬如，LIGO 在 2015 年 9 月捕捉到的就是「來自 13 億光年外星體的重力波」。不過，和宇宙年齡相比，這其實是相對較年輕的星體事件。

我們有沒有辦法捕捉到很久很久以前，宇宙剛誕生時產生的重力波，也就是暴脹時期產生的重力波呢？

為什麼宇宙正在急速膨脹？

138 億年前，宇宙在超高溫、超高壓下，以「火球」的樣貌誕生，這就是所謂的「大霹靂」。在這之後，隨著宇宙的急速膨脹，溫度與密度逐漸下降，然後演變現在的樣貌。

這就是大霹靂宇宙論，也是目前多數學者支持的標準宇宙論。

那麼，為什麼會產生「火球宇宙」這個超高溫、超高壓的世界呢？為什麼宇宙不是一直保持原樣（不是保持相同大小），而是會急速膨脹呢？目前有一個較被接受的說法，那就是前面提過許多次的「暴脹理論」^註。

在這個理論中，宇宙初期並沒有任何物質或光，而是一個充滿能量的真空。透過這些真空能量，宇宙用比光速還快的速度，呈指數函數膨脹。

而在暴脹時期結束後，這些真空能量轉變成了光（火球），於是產生了超高溫、超高壓的宇宙，這就是所謂的大霹靂。

不過，如果空間中存在許多能量的話，應該會存在像重力這樣使空間收縮的力才對。為什麼空間會以超越光速的速度迅速膨脹，進入暴脹時期呢？

學者們用「暴脹子場」這種量子場中的真空能量，說明暴脹時期。

暴脹子場是個未證實存在的純量場。就目前而言，它的存在仍處於假說階段。

目前已知的純量場，譬如 2012 年時，由瑞士日內瓦的歐洲核子研究組織 CERN 在 LHC 實驗中發現並發表，由希格斯玻色子產生的希格斯場。研究者們也因此而獲得 2013 年諾貝爾物理學獎，各位應該還記憶猶新。

137億歲的宇宙，至今仍然不斷膨脹

暴脹子場與希格斯場在質量與粒子的結合力上，都有著很大的差異。暴脹子場的真空中，會產生長時間的負壓。而這個負壓會造成宇宙加速膨脹。

這點與目前的暗能量機制十分類似。有人猜想暗能量可能是未發現的純量場。與暴脹時期相同，目前的宇宙中可能存在著未知純量場的真空能量，就像暗能量般，佔了全宇宙能量的 70％。

• 延伸閱讀：宇宙學的最大謎團！暗物質、暗能量組成超過90%的世界，卻仍無法探知他的真面目──《大人的宇宙學教室：透過微中子與重力波解密宇宙起源》

宇宙中佔了 30％ 能量之物質，與佔了 0.1％ 的光會產生引力，但比不過真空能量所產生的斥力，所以目前宇宙正在加速膨脹。

順帶一提，即使物質與光的能量佔宇宙的 100％，宇宙也只是減速膨脹而已，並不會收縮回去。因為膨脹初期的速度過快，所以宇宙只會持續膨脹下去。

宇宙誕生的第一步——「原始重力波」

暴脹時期結束後，空間能量會迅速轉變成物質能量，使宇宙轉變成超高溫、超高壓、充滿輻射的狀態。這就是大霹靂「火球」。暴脹理論說明了幾點。

首先是前面提到的「膨脹速度超越光速的宇宙」。

這造成了我們現在看到的（宇宙視界內的）宇宙溫度擁有各向同性，在 10 萬分之 1 的精度下，為絕對溫度 2.723K（約 3K 的宇宙微波背景輻射（CMB））。

第二，這個急速膨脹，使宇宙的形狀在幾何學上變得相當平坦，就像膨脹的氣球一樣。

再者，暴脹子場的量子擾動，是宇宙初期物質擾動的來源，也就是3K宇宙微波背景輻射所觀測到的溫度擾動。暴脹子場也含有量子的擾動。這些小小的擾動在短時間內暴脹過程中，急速膨脹，延伸至宇宙視界的彼端，造成現今宇宙中不同區域的密度差異，這也是形成星系的種子。

CMB 觀測到的「溫度擾動」，正是暴脹時期產生之暴脹子場的量子擾動。

另外，在重力波方面，暴脹時期不僅會產生前述密度（溫度）的擾動，也會產生「時空擾動」。急速膨脹的過程中，真空會一直變化，成對產生重力子，這與黑洞周圍產生霍金幅射的機制類似。

學者們認為這種重力波現今仍存在，稱其為「原始重力波」。因為整個宇宙都存在這種重力波，所以也叫做背景重力波。若能檢出這種背景重力波，不只能成為暴脹理論的證據，也會是宇宙起源相關研究的一大步。

原始重力波就像是背景雜訊一樣，在宇宙四處飄蕩

黑洞雙星的合併會產生重力波，不過當重力波通過地球，被 LIGO 觀測到時，該事件便已結束。不只是黑洞，中子星雙星的合併、超新星爆發也一樣。

不過，暴脹時期產生的重力波並非如此。當時整個宇宙充滿了重力波。不過這種重力波就像白噪音般的存在，很難分析這種波的狀態，所以也叫做背景重力波。若依波的種類來分，可以將其算在駐波。如何找到這種駐波，是我們現在的課題。

與光波不同，重力波的偏振方式可以分成十字形（＋）與交叉形（×）2 種，如下圖所示。十字形的偏振會往縱向與橫向伸縮、交叉形偏振則會往斜向伸縮，如其名所示。這兩種波疊合後，會變成圖中右方的樣子，往外傳播。

隨著時間的經過，來自黑洞的重力波會持續前進；但暴脹時期產生的重力波為「背景重力波」，是一種駐波，就像噪音一樣充滿在整個宇宙中。如果能發現這種波，就能證明暴脹理論。

宇宙之窗：暴脹子場是什麼？

暴脹時期產生的「暴脹子場」究竟是什麼樣的東西呢？

重複一次，暴脹子場被認為是某種未知、很重的純量場，其質量上限在 10¹³GeV　以下。目前這個低能量宇宙中，已經不存在暴脹子場。即使透過粒子對撞，產生目前可達到的最高能量（數 10TeV，相當於數 10 京度的溫度），也沒辦法產生這種場。

每種基本粒子都有著伴隨其出現的「量子場」。

譬如希格斯場會伴隨著希格斯玻色子出現。就希格斯場這種純量場而言，其存在機率最高的期望值稱做場值（真空值），是希格斯玻色子的位置。而場值周圍存在所謂的量子擾動。這種量子擾動只有在微觀尺度下有意義。

在我們生活的巨觀尺度下，幾乎察覺不到任何量子擾動，所以我們平常的生活並不會意識到它們。

我們周圍有許多電路會用到二極體。在微觀尺度下看這些電路，會看到粒子般的電子周圍有量子擾動，這種量子擾動對二極體來說相當重要。

在這種量子擾動下，電流只能沿著電路中可跳躍量子擾動的方向流動，二極體才有如此特別的性質，可見量子論也是現代科技中的重要理論。

所以說，考慮初期宇宙中暴脹子場的量子擾動，可以知道當宇宙還很小時，暴脹並非在宇宙中的各個地方同時間發生。宇宙中各個地方開始暴脹與結束暴脹的時間都不一樣。

量子擾動會造成時間擾動，不過在暴脹這種急速膨脹後，會轉變成超越視界的古典擾動，所以我們會在巨觀視界下觀察到，各個地方都有著不同的密度。這就是所謂的「密度擾動」或「溫度擾動」。

總而言之，最初產生量子擾動後，隨著空間的急速膨脹而迅速延伸，轉變成了空間性的密度擾動。

備註

• 暴脹理論與大霹靂的名稱

1981 年，佐藤勝彥在大統一模型的框架下，提出真空相變會造成宇宙呈指數函數膨脹的理論。同年，古斯也發表了同樣的想法。自宇宙誕生的瞬間起（依大統一理論，約為 10⁻³⁸ 秒後～10⁻³⁶ 秒後）宇宙會以超越光速的速度，呈指數函數膨脹，然後轉變成大霹靂的「火球」宇宙。

1980 年時，為修正愛因斯坦的重力觀點，學者們提出了以指數函數膨脹中的宇宙。

而在 20 世紀初，多數學者認為「宇宙永遠不會改變」（宇宙穩態論），沒有開始，沒有結束，大小也永遠不會改變。不過宇宙穩態論的擁護者霍伊爾（Fred Hoyle）曾在某個廣播節目中說「宇宙的開始？那是大霹靂的觀點（the ‘big bang’ idea）」，於是「大霹靂」這個名稱就定了下來。

當時連愛因斯坦都相信宇宙穩態論，否定膨脹宇宙。不過在觀測結果陸續出爐後，哈伯（Edwin Hubble）、勒梅特（Georges Lemaître）等人成功說服了愛因斯坦接受宇宙正在膨脹。

——本文摘自《大人的宇宙學教室：透過微中子與重力波解密宇宙起源》，2022 年 6 月，台灣東販，未經同意請勿轉載。