VISTA看透銀河中心，在銀心彼端發現2個球狀星團

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

• 文／蕭予揚 清大天文所碩士生，將於約翰・霍普金斯大學攻讀天文博士、
  　　林彥興 清大天文所碩士生，EASY 天文地科團隊總編

若問當前軌道上最強的可見光太空望遠鏡是誰，那當然非哈伯太空望遠鏡莫屬。身處太空的它有著直徑 2.4 公尺的主鏡，可以在不受大氣層干擾的情況下，清晰地拍攝遙遠且黯淡的天體。然而，哈伯望遠鏡並非全能，雖然它在解析度（angular resolution）和靈敏度（sensitivity）上都無人能及，但也有不擅長的領域 ── 它的視野相當小。

即使是哈伯裝備的所有相機中視野最大的「先進巡天相機（ACS）」，其視野也只有 202 角秒 x 202 角秒而已，相當於滿月的 1.5%，或是一個十元硬幣在約 25 公尺外的大小。可以想見，想要用這麼小的視野拍攝廣大的區域，是相當緩慢而沒有效率的事。

直到最近幾年，天文學家發明了稱作「Drift And SHift (DASH)」的新型觀測模式，可以在不改變哈伯硬體設備的前提下，大大增加哈伯在近紅外線波段的拍攝效率。利用這項技術，來自多倫多大學的團隊展開名為 3D-DASH 的大型紅外線巡天計畫，其拍攝的天空範圍，是前一個紀錄保持人「CANDELS」的七倍之多。

不斷選擇「引導星」的傳統觀測模式

想了解為什麼 DASH 技術可以大大提升哈伯的觀測效率，就要先從哈伯原本是怎麼觀測的開始談起。

不知道大家有沒有在黑夜中拍照的經驗呢？在低亮度的環境中，相機總需要比較長的時間進行曝光，才能拍出清楚的照片。而如果你在曝光的過程中不小心移動了相機，那拍出來的照片就會糊成一團。同理，由於天文學家想要拍攝的目標，大多是極其遙遠且黯淡的天體，所以天文觀測時單張照片的曝光時間，往往動輒數百秒以上。因此，專業天文望遠鏡常會配備「導星（Guiding）」系統，以確保望遠鏡能在數百秒的時間內，都精準的指向同一個位置。

導星的原理很簡單，就是在望遠鏡和相機觀測的同時，同時用另一套相機監測視野中星星的位置。一旦發現畫面中恆星的位置有任何小小的移動，導星系統就會命令望遠鏡調整指向（pointing），即時把誤差修正回來。在哈伯望遠鏡上，這個負責導星的相機叫作「精細導星感測器（FGS）」。而這個用來幫望遠鏡「導航」的星星，就被稱為「引導星（guide star）」。

一般來說，在哈伯望遠鏡每指向一個新的目標，都需要先花費一段約十分鐘的時間選擇引導星，然後才能進行科學拍攝。然而，由於哈伯的軌道週期僅有 97 分鐘左右，因此在一次軌道中，哈伯基本上只能拍攝一或兩個固定的天區，不然就會有大量的觀測時間被浪費在尋找引導星的過程中。如此一來，天文學家若想透過哈伯來拍攝 800 個不同指向，就需要花費 800 次的軌道繞行時間才能結束這項任務。

花費很多時間有什麼問題呢？哈伯望遠鏡的觀測，是由美國「太空望遠鏡科學研究所（STScI）」向全世界天文學家公開徵求觀測企劃之後，再從中挑選出最具科學效益的企劃後實施。一個耗時 800 個軌道週期的觀測，很難在競爭激烈的觀測計劃書中脫穎而出。

但如果，天文學家真的很需要用哈伯進行大面積的巡天，該怎麼辦呢？

提升效率的新方法

如前述，一般來說哈伯每指向一個新目標，都需要花費十分鐘來進行捕捉引導星。但換個角度想，如果把導星功能關掉，不就可以省下這些時間了嗎？

還真是沒錯，哈伯的設計的確是可以關掉導星系統，利用其中的陀螺儀來進行控制。但陀螺儀的能提供的穩定性終究不如導星系統，一旦曝光時間過長，望遠鏡的微小移動還是會造成最後曝光出來的星星像塗抹花生醬一樣糊成一片，這樣的影像是很難用於科學分析的。

開導星耗時間，不開導星又沒辦法長曝，該怎麼辦呢？

這時就輪到「Drift And SHift（DASH）」技術出場了！DASH 的核心概念很簡單：

• 為了省時，我們就關掉導星。
• 關導星不能長曝，那我們就拍很多短曝光時間的照片，降低每張照片的模糊程度，再把它們對齊之後疊起來。

以 3D-DASH 計劃來說，關掉導星會讓哈伯的指向以每秒 0.001 至 0.002 角秒的速度緩緩飄移。因此天文學家將每張照片的曝光時間壓縮到 25 秒以下，讓星點在畫面中的移動不超過一個像素（WFC-3 的像素大小為 0.129 角秒）。利用這樣的技術，天文學家就能在哈伯的一次軌道週期中，拍攝八個不同的指向，把觀測效率提升了八倍！

拍這些照片有什麼用？3D-DASH 的科學意義

3D-DASH 計畫的觀測資料最近已於網路上公開，不過這龐大的資料量，觀測團隊以及其他科學家們還需要更多時間進行分析。不過，在公布這個計劃的論文中，團隊已經提出了一些值得分析的科學問題。

舉例來說，天文學家認為如今多數的橢圓星系（elliptical galaxy）們，都是由較小的星系合併而來。因此尋找合併中的星系，並測量它們的各項物理性質，是研究星系演化歷史的重要方法。但很多時候，地面望遠鏡可以大略看到一個光點可能是兩或多個相鄰的天體組成，卻沒有足夠的解析度可以研究它們的細節。但有了 3D-DASH 的資料，天文學家就可以清楚的看到星系們合併的細節，並研究其中細微的結構以及測量更多複雜的物理量。

不過這種大範圍的巡天計畫也不是完美的。為了拍攝廣大的天區，每個天區分配到的平均觀測時間就會比較少，因此比起 CANDELS 等前輩們，3D-DASH 只能看到相對亮的星系們。雖然如此，3D-DASH 這種相對廣而淺的觀測，不僅可以提供更大量的星系樣本，幫助天文學家使用強大的統計方法進行分析；也可以讓天文學家先大概了解這片天區裡有些什麼，如果發現了有趣的目標，就可以使用哈伯或韋伯等其它強大的望遠鏡們進行更深入的觀測！

參考資料

• 3D-DASH — Lamiya Mowla
• [2206.01156] 3D-DASH: The Widest Near-Infrared Hubble Space Telescope Survey
• Hubble Space Telescope captures largest near-infrared image to find universe’s rarest galaxies — ScienceDaily

延伸閱讀

• 未來的高解析度近紅外線巡天計畫
  • 丈量宇宙幾何：歐幾里德太空望遠鏡- 科學月刊Science Monthly
  • 百倍於哈伯觀測能力，大小尺度通通包辦！——NASA 的下一個旗艦級「羅曼太空望遠鏡」 – PanSci 泛科學
• 哈伯太空望遠鏡
  • 讓人們窺見宇宙天體的真面目 ——哈伯太空望遠鏡- PanSci 泛科學
  • 出事了哈伯！細數哈伯太空望遠鏡31 年來的維修升級史

• 本文轉載自臺北天文館《臺北星空》第 104 期

• 文／林建爭｜美國夏威夷大學天文研究所、泛星計畫博士後研究員
• 校稿／王品方｜美國夏威夷專案文物修復師

位於美國夏威夷茂宜（Maui）島哈萊阿卡拉（Haleakal）山上，由夏威夷大學天文研究所執行的泛星計畫（Pan-STARRS）望遠鏡近期又發現了一顆新的彗星。這顆彗星將在明（2022）年四月底至五月初最接近地球，目前估計其亮度最亮可達 5 等，因此人們將很有機會透過肉眼或是雙筒望眼鏡看見。

泛星計畫英文全名是（Panoramic Survey Telescope and Rapid Response System； Pan-STARRS），直譯為全天域觀測望遠鏡及快速反應系統，其最主要目的是藉由此觀測系統，指認出軌道可能與地球相交的近地小行星，使人們能預警撞擊與研擬避免撞擊地球的解決方案，關於泛星計畫《臺北星空 42 期》有詳細介紹。該計畫原本要建置四座 1.8 米口徑的望遠鏡，不過由於經費限制，目前僅建造兩座望遠鏡（PS1 與 PS2）並投入科學觀測中，圖 1 是 PS1 圓頂。PS1 及 PS2 裝載了目前世界上最大的數位相機，大約有 14 及 15 億像素，一幅影像視野約 7 平方度。

每天晚上每個望遠鏡總觀測天區約 1,000 平方度的夜空，而每個目標星場會曝光四次，每次曝光約 45-120 秒，每次間隔約 15 分鐘。圖 2 是泛星計畫所使用的六個濾鏡，分別是 grizyw，其中 w 波段較寬，橫跨 gri 三個波段，而 y 波段接近 1 微米近紅外線。目前搜尋小行星主要以 w 波段觀測，曝光時間 45 秒，其他波段的曝光時間則依其科學目的而有所調整。天文臺拍攝完的影像，會同步下載到夏威夷大學計算中心的伺服器上，團隊人員隨即處理影像，接著每兩幅影像互相比較，因此在一小時內移動的星體便能即時辨識；如果有近地小行星軌道與地球軌道重疊，且有撞擊地球之風險，泛星團隊會立即回報給小行星中心，全世界大大小小望遠鏡將會對該星體進行後續的觀測，以估算其軌道和大小，並進一步確認它們對地球構成威脅的機率。一般說來，泛星團隊在觀測後的 12 小時內，便能將當晚觀測到已知或新發現的近地小行星位置及亮度匯報給小行星中心。

泛星計畫在發現近地小行星方面一直處於領先的角色，自從泛星望遠鏡上線後，有近五成較大的近地小行星（直徑>140 米）由該望遠鏡發現，圖 3 顯示自 2014 年起，泛星計畫的小行星發現數量開始領先其它巡天計畫並持續至今。自從 2010 年十月泛星計畫發現了第一顆新彗星 P/2010 T2 以來，該計畫在發現彗星方面也有不少收穫；其中過去五年（2016 年至 2021 年）從美國噴射推進實驗室小行星資料庫的統計中，新發現的彗星約有 350 顆，而泛星計畫發現約 130 顆，每一年佔新發現的彗星中約有三成五以上。

今年 7 月底，泛星計畫望遠鏡再度發現了一顆新彗星，當時被暫時命名為「P11ibiE」，這顆彗星預估在明（2022）年四月底至五月初最接近地球，當彗星接近地球和太陽時，太陽的輻射會使彗星表面變暖，隨著氣體和塵埃從其冰冷的表面釋放出來後，整體的表面積（塵埃與氣體）變大，讓更多陽光從彗星反射出來，這樣的過程使得彗星變亮。也因此這顆彗星讓我們很有機會透過肉眼或是雙筒望遠鏡看見。

這顆彗星是由夏威夷大學天文所的天文學家 Robert Weryk 在 2021 年 7 月 26 日首次觀測記錄，通報至小行星中心，接著由全球的望遠鏡協助觀測確認後，在 8 月 1 日正式命名為 Comet C/2021 O3（PANSTARRS）。儘管這顆彗星正逐漸接近地球，但屬於對地球沒有威脅的星體，其軌道預測近日點距離約 0.29 天文單位（註：地球與太陽距離是 1 天文單位），目前與地球的距離約 3 天文單位，如圖 4 所示，這顆彗星以雙曲線軌道繞行太陽，目前預計在 2022 年 4 月 21 日經過近日點，接著它就會展開新的旅程，朝太陽系外遠去。

夏威夷大學天文所的天文學家 Richard Wainscoat 也表示，類似這種長週期彗星的軌道是相當難預測其未來的路徑，它可能受到其他行星（例如：木星）的重力影響而改變軌道週期。而 Comet C/2021 O3（PANSTARRS）在運行的過程中，也有可能會因重力或其他小行星體撞擊而偏離軌道，甚至可能會變成週期彗星而回歸，不過即使再次回來，也是數百或是千年後的事了。Robert Weryk 認為這顆彗星不大，這可能會導致它在接近太陽時，受太陽重力拉扯碎裂解體；即使沒有，太陽的輻射也會使彗星內的物質蒸發，形成彗星特有的標誌「彗尾」。目前預估要觀察該彗星的最佳機會是明年五月的前幾天，屆時彗星將在日落後低懸於西方天空。

YouTube 相關影片：

• Pan-STARRS
• New Comet Discovered by UH Telescope on Haleakalā Could Become Visible in 2022
• 新發現肉眼可見的 C/2021 O3（PanSTARRS）彗星 
• Pan-STARRS Releases Largest Digital Sky Survey to the World 
• Comet discovered by Haleakala telescope could be visible on BI next year