史匹哲拍到最低溫伴星的影像

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／林彥興｜清大天文所碩士生、EASY 天文地科團隊主編、全國大學天文社聯盟監事

本月初 ^[1]，「最靠近地球的黑洞」這個紀錄被刷新了！以天文學家 Kareem El-Badry 為首的團隊，利用蓋亞（Gaia）衛星極度精準的天體位置資料，加上多座望遠鏡聯合進行的徑向速度量測，成功確認了約 1550 光年外位於蛇夫座的一顆恆星，正與黑洞互相繞行，打破離地球最近的黑洞紀錄。

狩獵隱身巨獸的方法

人類搜尋黑洞已經有數十年的歷史。對於正在「進食」，也就是正在吸積物質的黑洞，由於其周遭的吸積盤和噴流等結構會在無線電、X 射線等多個波段發出強烈的電磁輻射，因此相對容易看到；但沒有在進食的黑洞，就要難找許多。

畢竟黑洞之所以被叫做黑洞，就是因為它本身幾乎不會發光。想要尋找這些「沉默」黑洞的方法，通常只能靠著黑洞的重力對其週遭的影響，間接推測黑洞的存在。

其中最常見的方法，就是尋找「繞著看不見的物體旋轉的恆星」。一般來說，恆星在天空中移動的軌跡應只受恆星的視差和自行影響，但如果恆星在與另一個大質量的天體互相繞行，比如我們的目標：沉默的黑洞，那恆星的軌跡就會受到黑洞影響。

因此觀測恆星的移動軌跡，是尋找沉默黑洞的重要方法之一。這個方法最著名的例子，就是 2020 年諾貝爾物理獎得主 Reinhard Genzel 與 Andrea Ghez 藉由長時間觀測銀河系中心的恆星運動（位置與徑向速度），從而確認了銀河系中心超大質量黑洞的存在。

但由於方法間接，用這類方式尋找黑洞時往往很難確定那個「看不見的物體」到底是不是黑洞。舉例來說，2020 年歐南天文台的天文學家宣布發現 HR 6819 是一個包含黑洞的三星系統，卻在更多更仔細的研究後遭到推翻。因此從恆星的運動來尋找「黑洞候選者」相對不難，但是想要消滅所有其他的可能性，「確定」黑洞的存在，就不是一件容易的事。

多方聯合｜鎖定真身

那麼，這次的新研究是怎麼「確定」黑洞的存在的呢？

第一步，天文學家們先把目標鎖定在「形跡詭異」的恆星。因為當一顆恆星與黑洞互相繞行時，恆星在天上的運行軌跡會因為黑洞的引力而有週期性的擺盪。所以，如果我們看到有個恆星的軌跡歪歪扭扭，這顆恆星很可能就是受到黑洞重力影響的候選者。

而目前，蓋亞衛星（Gaia）提供的天體位置資料是當之無愧的首選。蓋亞是歐洲太空總署（ESA）於 2013 年發射的太空望遠鏡，與著名的韋伯太空望遠鏡一樣運行在日地第二拉格朗日點。

但與十項全能的韋伯不同，蓋亞是「天體測量學 Astrometry」的專家，專門以微角秒等級的超高精確度測量天體的位置。每隔幾年，蓋亞團隊就會整理並公布他們的觀測結果，稱為資料發布（Data Release）。目前最新的「第三次資料發布 DR3」之中，就包含了超過 18 億顆天體的海量資料。

經過篩選，團隊發現一顆名為 Gaia DR3 4373465352415301632 的恆星看起來格外可疑。這是一顆視星等 13.77（大概比肉眼可見極限暗 1300 倍，但以天文學的角度來說算是相當亮）、與太陽十分相似的恆星，距離地球約 1550 光年。

找到可能的候選者後，團隊一方面翻閱過去觀測這顆恆星的歷史資料，另一方面也申請多座望遠鏡，進行了四個月的光譜觀測。同時使用從蓋亞衛星的位置（赤經、赤緯、視差）以及從光譜獲得的徑向速度資訊，團隊可以精確地計算出這顆恆星應當是正在繞行一個 9.6 倍太陽質量的天體運轉。

這麼大的質量，卻幾乎不發出任何光，黑洞幾乎是唯一可能的解釋。

但以現有的觀測資料，天文學家仍不能確定它到底是一顆黑洞，還是有兩顆黑洞以相當近地軌道互相繞行，然後恆星再以較大的軌道繞著兩顆黑洞運轉。但無論是一顆或兩顆，Gaia BH1 都刷新了離地球最近黑洞的紀錄，距離僅有 1550 光年，比上一個紀錄保持人（LMXB A0620-00）要近了三倍。從銀河系的尺度來看，這幾乎可說是就在自家後院。

更多黑洞就在前方

最後讓我們來聊聊，找到「離地球最近的黑洞」有什麼意義呢？

「離地球最近的黑洞」這個紀錄本身是沒有太多意義的。雖然說從銀河系的尺度來說，1550 光年幾乎可說是自家後院，但是這顆黑洞並不會對太陽系、地球或是大家的日常生活產生任何影響。既然如此，為什麼天文學家還會努力尋找這些黑洞呢？

其中一大原因，是因為尋找這些與恆星互相繞行的黑洞，可以幫助天文學家了解恆星演化的過程。在銀河系漫長的演化歷史中，曾有數不清的恆星誕生又死亡。我們看不到這些已經死亡的恆星，但可以藉由這次研究的方法，去尋找這些大質量恆星死亡後留下的黑洞 ^[2]，從而推測雙星過去是如何演化，留下的遺骸才會是如今看到的樣子。

除了 Gaia BH1，天文學家也在持續研究 Gaia DR3 之中其他「形跡可疑」的恆星／黑洞雙星候選系統。而隨著蓋亞衛星的持續觀測，更多這類黑洞候選者將會越來越多。研究這些系統，將幫助天文學家進一步了解雙星系統演化的奧秘。

註解

[1] 嚴格來說，論文九月中就已經出現在 arXiv 上了。

[2] 嚴格來說，恆星質量黑洞（stellar mass black hole）是大質量恆星的遺骸。超大質量黑洞（supermassive black hole）就不一定了。

延伸閱讀

1. El-Badry, K., Rix, H. W., Quataert, E., Howard, A. W., Isaacson, H., Fuller, J., … & Wojno, J. (2022). A Sun-like star orbiting a black hole. Monthly Notices of the Royal Astronomical Society, 518(1), 1057-1085.
2. [2209.06833] A Sun-like star orbiting a black hole
3. Astronomers Discover Closest Black Hole to Earth | Center for Astrophysics
4. The Dormant Stellar-Mass Black Hole that Actually Is | astrobites
5. Astronomers find a sun-like star orbiting a nearby black hole
6. 狩獵隱身巨獸：天文學家發現沉默的恆星質量黑洞？ – PanSci 泛科學
7. 「最靠近地球的黑洞」其實不是黑洞
8. 人們抬頭所遙望的星空是恆定不變嗎？ – 科學月刊Science Monthly

• 文/陳明堂│中央研究院天文所及天文物理研究所研究員，兼天文所夏威夷運轉副所長。

在過去的幾個月中，關於一顆黑洞存在與否的問題，在天文學界引發一場熱烈的科學論戰。

論戰的起源來自去年 (2019) 11 月底，《自然》雜誌刊登的一篇關於發現黑洞的論文。那是由中國天文學家領導的國際科學團隊發表的研究成果。他們宣稱找到一顆非常特別的黑洞。特別的地方在於這個黑洞的質量：相當於 70 個太陽。

對專門研究「星體黑洞」（Stellar Black Hole ，或稱恆星黑洞）的科學家而言，質量大於 10 個太陽的黑洞就算是很罕見了。因此，找到一顆 70 個太陽質量的恆星黑洞，會是個空前的發現，而且可能改寫重要的黑洞和星球形成理論。因此這個成果登上了《自然》科學雜誌中，並且引起國際天文界的注意。

這次成果的觀測資料主要來自於中國的「郭守敬望遠鏡」，搭配西班牙的 Gran 望遠鏡和夏威夷的凱克望遠鏡。郭守敬望遠鏡 (英文名： Large Sky Area Multi-Object Fiber Spectroscopy Telescope ，簡稱 LAMOST) 是一座由中國主導建造的光學望遠鏡。主鏡的直徑 4 公尺，望遠鏡位在北京西北邊約 115 公里，海拔九百多公尺的興隆觀測站。 這座望遠鏡是十年前完成的。這一次的空前發現，對這一座觀測環境並不是太理想的國家級望遠鏡，是一件轟動中國科學界的大事。

某些恆星的末路：恆星黑洞

以目前我們對於恆星演化的理解，當星球把所有的燃料用光的時候，那時候它們再也沒有能量維持向外的壓力，而它本身的重力將會把所有的質量往內擠壓。如果星球的質量足夠大的話，它的重力可以大到把自己一直往內塌縮，一直縮到「事件視界」的範圍內。從這個過程產生的黑洞，我們稱之為恆星黑洞，或是「星體黑洞」。

並不是所有星球的演化都會產生黑洞的；像我們的太陽，它的質量還不足夠大到能形成黑洞程度，當它燃料用盡時會變成「白矮星」。而比太陽大一些的星體，會變成「中子星」。

比太陽大 10 倍以上的星體才會變成「黑洞」！這類型的恆星會最終爆炸成為「超新星」，爆炸的過程會把一些星體的質量往外拋出，成為星際物質；同時，還會有往內的壓力，擠壓原本就非常緻密的星核，由此形成黑洞。形成的黑洞質量大約是太陽的數倍到二、三十倍。三十倍太陽質量以上的黑洞，它們成因就比較複雜了，如果環境不對（像是我們的銀河系）， 就可能無法成型。

天文學家對大質量黑洞（幾百個太陽質量以上）的成因了解有限，目前沒有一致的定論。最近的一個研究，發現最靠近我們的星體黑洞，距離地球大約有 1,000 光年，質量是 4 個太陽。

一個具有 4 個太陽質量的黑洞，它的直徑比台北的大安區略大；而 70 個太陽質量的黑洞的直徑大約就像台北市那麼大。在浩瀚無垠的宇宙中，這是一個再微小不過的範圍。除非是在我們太陽系附近，不然以目前的儀器，我們無法直接觀測到如此小的星體。

找尋星體黑洞主要靠間接的量測，常見的方法有二：一是觀察黑洞周遭恆星軌道的變動，二是尋找黑洞吸積盤物質因快速摩擦而釋放出的各種電磁波（可見光、紅外光、無線電波、 X 射線等）。

中國團隊宣稱： LB-1 雙星系統有個 70 個太陽質量的黑洞！

這次中國的科學團隊觀測的目標是一個叫做 LB-1 的星體。在視覺上，它在望遠鏡中只看到單一個光點，看不出什麼特別的。但是從它發出的光譜，天文學家判斷該系統是一組雙星系統。兩顆互相環繞的星體，其中之一是顆發出可見光的普通恆星；另一顆伴星似乎沒有訊號。根據 LB-1 光譜的分析，天文學家知道發光的恆星的大致的組成成份，並根據目前的恆星演化理論，了解該星體的物理狀況：像是溫度、大小、年齡等等。至於它的神秘伴星，由於以往的觀測看不到它的訊號，過去一般認為它若不是中子星，就是黑洞。

小知識：對於雙星系統的估測

天文學家有一套估算這種雙星體的旋轉週期、相對質量、軌道形狀的技術。這個技術源自於 17 世紀的克普勒 (Kepler) 先生發現的定律，一直沿用到現在。雖然在視覺上，我們無法直接看到 LB-1 的雙星運動，現代的天文學家還是可以透過量測它的可見光光譜的變動，得知雙星的旋轉週期。
恆星的燃燒靠著是氫原子融合，而一堆火熱的氫原子聚在一起就會發出某些氫原子特有的光。我們知道一顆靜止不動的恆星，這些特定的光會出現在在光譜的固定頻率上。但是如果這顆恆星是繞著另外一顆星體打轉，那麼這些特定的光譜線，就會在原本的固定點，左右變動著。這就是所謂的都普勒光譜效應：當恆星是朝著地球過來，光譜線的頻率就會增加；反之，則是降低。

中國團隊就是靠著分析 LB-1 發出的光譜變動，宣稱它的神秘伴星是一顆黑洞，而且其質量高達前所未見的 70 個太陽。

中國團隊的發表中認定，LB-1 是一個距離我們 1  萬 4 千光年的的雙星系統。 它包含一顆 8 個太陽質量的恆星，和一顆 70 個太陽質量的黑洞。 另外，靠近黑洞的周遭圍繞著一環盤狀的氣態雲，這個氣態環跟隨著黑洞，與主星以大約 80 天的週期互相圍繞著。黑洞不會發出訊號，但是靠近它的氣態雲會發光，並且發射出氫原子的特殊譜線，稱為 H-alpha 譜線。透過觀測這條光譜線的頻率變動，科學家們可以推測雙星體的旋轉週期、相對質量、軌道形狀等物理參數。

根據目前的星體演化模型，如此大質量的黑洞不可能在銀河系這般的星系中形成的。這是銀河系中星體的普遍成份，造成大質量的恆星在它們演化末期，跳過了重力崩塌的過程，而將所有物質全部向外炸開，灰飛煙滅。所以也不會有黑洞這塊墓碑留下來。

70 個太陽質量的星體黑洞出現在我們的銀河系中，這個空前的發現如果被證實的話，對已知的天文理論具有革命性的結果。因此，這顆黑洞的質量特別引起世界各地的天文學家的注意。

分析錯了嗎？各國質疑聲浪紛紛出現

該篇《自然》論文發表後，不到十日，天文界出現質疑的聲浪。三篇反駁性的論文，分別來自美國、紐西蘭-英國-澳洲、比利時三地的團隊，一致性的質疑中國團隊的詮釋光譜資料的正確性。並且提出各自的分析方法，從同樣的觀測資料，導出不同的結論。

他們的結論沒有排除 LB-1 的伴星是一顆黑洞的可能。但是如果答案是肯定的話，它應該是一顆「正常」的星體黑洞，質量小於 20 個太陽。美國團隊的文章登上今年 (2020) 一月的英國的皇家天文會月報中。

中國團隊資料處理方式遭受到反駁者的強烈質疑。他們一致的指出中國的團隊在資料分析處理中，除了專注在 H-alpha 放射譜線，應該要考慮源自於主恆星的 H-alpha 吸收譜線。從反對者的數值模擬中，說明了把主恆星的吸收譜線排除後， H-alpha 放射譜線應該是來自於一個靜止的發射源。換句話說， H-alpha 光譜發射線並不可能是從黑洞附近發出的，因此跟黑洞的軌道運動沒有直接的物理關係。它的來源更像是環繞在雙星外圍的雲氣所產生的，所以不會產生都普勒效應。

除了這點以外，反對者的分析也認為 LB-1 主星的質量不會超過 5 個太陽，而且 LB-1 距離太陽約 7 千光年，只有中國團隊認定的一半距離。

比利時團隊新觀測資料：伴星是 Be 型恆星啦！

比利時的團隊更是把這個議題提升了一個層次。就在過去的幾個月，他們利用西班牙的 Mercator 望遠鏡，觀測 LB-1。從該望遠鏡獲得的更清晰、同時也更高解析率的光譜資料。從這些新的觀測資料結果，加上中國團隊的資料，他們提出新的證據顯示 LB-1 的伴星不是一個 70 個 太陽質量的黑洞；這顆伴星甚至不是黑洞，而是一顆在天文學中被稱為 Be 型的恆星。

Be 星是會發射出氫原子光譜線的 B 型恆星，傳統天文學用恆星的光譜來分類星體。 B 星是溫度頗高的藍白色星，在銀河系中並不罕見。天文學家可以從恆星的光譜資料辨認出哪些星體是 Be 星。由於比利時的團隊獲得的新的光譜資料在解析率和訊號品質都比之前精確細微，因此研究團隊能夠從原本以為只是主星的光譜資料中，分辨出隱藏其中的伴星光譜。

根據研究團隊的分析，這一顆伴星自轉的速度相當的快，致使觀測到的光譜訊號變得難以辨認；它的光譜又跟主星的光譜混合，讓天文學家以為這個伴星是個不出聲響的緻密星體（黑洞，中子星之類）。

今年 (2020) 四月 29 號 的 《自然》刊登了比利時團隊的研究結果。同一期也刊登了中國團隊對新結果的評論。在評論中，他們表示對新研究的一些分析方法，還是保持著存疑的態度，然而並沒有提出論證反駁 LB-1 新的觀測結論。

在這場論戰中，中國的隊在重新檢視資料後，依舊認為 LB-1 伴星是一個介於 23 – 65 太陽質量的黑洞。這已經是比原先宣稱的質量小了許多。中國團隊倒是同意一點： LB-1 的光譜所代表的訊息，的確是比他們原先設想的更加複雜。

LB-1 的伴星到底是不是黑洞呢？如果中國團隊的結論是正確的，那麼要如何解釋反駁者提出的疑點呢？現代科學研究的過程就是如此。任何的新發現都必須攤在陽光下接受檢視，重複驗證，再三確定，才會產生接近事實的科學成果。

目前看來，比利時團隊的分析方法是相當充分的。他們分析了之前中國團隊和他們新取得的觀測資料，包含了過去 4 年 LB-1 的動力資料。從這些資料產生的結論，並沒有違背目前科學家對雙星系統的理論假設。所以看來，這一顆 70 個太陽質量的黑洞的說法，在經過一連串的小心求證後， 已經離事實越來越遠了，成為一顆失落的黑洞了。

1. Liu, J., Zhang, H., Howard, A.W. et al. A wide star–black-hole binary system from radial-velocity measurements. Nature 575, 618–621 (2019).
2. Kareem El-Badry, Eliot Quataert, Not so fast: LB-1 is unlikely to contain a 70 M⊙ black hole, Monthly Notices of the Royal Astronomical Society: Letters, Volume 493, Issue 1, March 2020, Pages L22–L27.
3. Eldridge, J. J., Stanway, E. R., Breivik, K., et al. Weighing in on black hole binaries with BPASS: LB-1 does not contain a 70M⊙ black hole. 2019, arXiv e-prints, arXiv:1912.03599
4. Abdul-Masih, M., Banyard, G., Bodensteiner, J. et al. On the signature of a 70-solar-mass black hole in LB-1. Nature 580, E11–E15 (2020).