葉列寧彗星消失了？

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

從遠處看過來，我們的太陽系彷彿空空如也。

如果你用圓球包住太陽系，這圓球大到能容下行星中最外圍的海王星軌道；那麼太陽、所有行星和它們的衛星占住的體積，只比圓球體積的 1 兆分之 1 要多一點點。

不過，太陽系也並不是真的如此空曠，行星之間的空間還有許多岩塊、小圓石、冰球、塵埃、成群的帶電粒子和多艘在遠方飛航的探測船。除此之外，太陽系空間裡，也到處都是強大的重力場和磁場。（太陽系最外圍的行星不再是冥王星了，請接受這個事實。）

多不勝數的固定班底：大大小小的星際碎片

行星際空間其實雜物繁多，所以我們的地球以每秒 30 公里的速率在軌道上行進時，每天都會掃起數百噸的流星體，其中尺寸多半小於沙粒。這些流星體高速衝撞地球大氣產生的熱，會造成它們的表面汽化，於是大部分直接焚毀在地球的高層大氣裡。地球脆弱的物種有賴於這層大氣保護罩，才得以繁衍演化。較大的流星體，除了表面會被燒焦，基本上會相當完整的抵達地球表面。

你或許認為經過了 46 億次的繞行太陽之旅之後，地球應該已經清掉了軌道上的所有碎片，但答案是：還沒有。不過和地球過去的遭遇比起來，現在的情況顯然大有改善。大約在太陽和行星形成 5 億年之後，有多到難以想像的碎片不停掉落到地球上，產生的撞擊熱不斷累積，導至大氣熾熱無比，地殼也完全熔融。

其中一顆非常大的碎片，導致了月亮的形成。在分析阿波羅探月計畫太空人帶回來的樣本後，發現月球的鐵和較重元素的含量意外的少，這表示火星大小的迷途原行星和地球發生擦撞後，那些從地球缺鐵的地殼和地函迸發出去；繞著地球運行的碎片，後來可能聚合成我們低密度的美麗月亮。

除了這個特別重大的事件，嬰孩時期的地球經歷的重轟炸期並不獨特，因為太陽系的其他行星和大型天體也都經歷過。大家也都受到類似的重大破壞，不過只有缺乏大氣的月球和水星，大致保存了這個時期的撞擊紀錄。

太陽系不但受到形成時留下的廢料撞擊，在近行星際空間裡還散布著火星、月亮和地球受到高速撞擊後，從表面彈出的大大小小岩石。流星體撞擊的電腦模擬證明，撞擊區附近的表岩噴飛的速率，高到可以掙脫天體的重力束縛。我們從地球上火星隕石的發現率，可以推斷出每年約有 1 千噸的火星岩石掉到地球上；而每年或許也有大約等量的月岩掉到地球上。回想起來，我們其實用不著特地飛到月球去拿月球岩石，地球上就多得是。只不過，我們沒辦法挑精撿瘦，而且在阿波羅計畫年代，我們也不知道有這回事。

可能會讓物種滅絕的狠角色「小行星」

大部分太陽系的小行星分布在火星與木星間，形狀扁平的小行星主帶上。在傳統上，小行星的發現者有命名權，高興用什麼來命名都可以。通常在畫家描繪的圖示裡，小行星帶是太陽系盤面上一個散布著凌亂崎嶇岩塊的區域。

小行星帶的總質量不到月球質量的 5%，月球的質量則只比地球的 1% 要多一點點而已。雖然小行星的質量不大，但它們的軌道不斷受到擾動，因此形成了一群大約數千顆特別危險的近地小行星，它們的扁平軌道會和地球軌道交錯。簡單的計算指出，它們大部分會在 1 億年內撞上地球。尺寸大於 1 公里的小行星在撞上地球時，產生的能量會高到嚴重破壞地球的生態系統，可能使大部分的陸地物種滅絕。

這當然是糟透了。

小行星並不是唯一會危害地球生物的外太空天體。在海王星之外的柯伊伯帶（Kuiper Belt），帶寬大約和海王星與太陽的距離相當，其中成員包括了冥王星，是一個滿布彗星的環形區域。遠在六十多年前，荷蘭裔美國天文學家柯伊伯（Gerard Kuiper）就指出，在海王星軌道外頭的寒冷深空裡，藏著從太陽系形成時期殘存下來的冰質天體。由於這附近沒有大質量行星來吸收這些彗星，於是大部分彗星就靜靜的繞太陽運行了數十億年。

就如同小行星帶一樣，部分柯伊伯帶天體的軌道極扁平，並會和其他行星軌道相交。例如冥王星和同軌道的那群冥族小天體，它們較靠近太陽時軌道區會和海王星軌道交錯。另外還有一些柯伊伯帶天體的軌道會深入太陽內圍，放肆的穿過許多行星軌道；在這群天體中，最著名的是哈雷彗星。

在柯伊伯帶後方很遠的地方，大約在前往最鄰近恆星的半途上，有一個稱為歐特雲的彗星儲存庫，它呈現球形分布，名字來自首先推斷出它存在的荷蘭天文物理學家歐特（Jan Oort）。

歐特雲（Oort Clude）是長週期彗星的源頭，這類彗星的軌道週期比人類生命還要長。與柯伊伯帶彗星有別的是，歐特雲彗星可以從任何方向，以任何軌道傾角進入太陽系內圍。1990 年代最明亮的海爾─波普彗星（Comet Hale-Bopp）及百武彗星（Comet Hyakutake），都是源自歐特雲，而且在短時間內都不會再度回歸。

有大氣層真好：太陽風極光

太陽表面每秒會散失超過 1 百萬噸的質量，而形成的物質流稱為太陽風，太陽風主要的成分是帶電的高能粒子。太陽風粒子時速最高可達 1 千公里，粒子以這種高速向外泛流成群穿過太空，只有遇到行星磁場時才會轉向。

太陽風的部分粒子以螺旋軌跡掉向行星的磁北極和磁南極時，會撞擊氣體分子，激發大氣發出多彩多姿的極光。哈伯太空望遠鏡已在土星及木星的極區發現極光，而出現在地球上的北極光及南極光，時不時的提醒我們：有大氣層的保護真好。

我們通常說，地球的大氣層從地球表面向上延伸數十公里。而低軌道上的衛星，在 100 公里到 400 公里高的軌道上，大約 90 分鐘會繞地球一圈。

你雖然無法在這種高度呼吸，不過這個區域仍有不少大氣分子存在，摩擦力已足以讓衛星慢慢失去軌道能量而下墜。為了要對抗這種阻力，低軌道的衛星偶爾要重新提升軌道高度，免得掉回地球，焚毀在大氣中。

大氣層邊界的另一種定義為：「地球氣體分子的壓力」和「行星際氣體分子壓力」相等之處。根據這種定義，地球大氣層的範圍有數千公里。在這個高度上方的 36,800 公里處（大約是地球與月亮距離的 1/10），是通訊衛星的國度。在這個特殊的高度，地球大氣的影響無關緊要，衛星的速率也很低，並且恰好和地球的自轉速率相同，所以衛星每天剛好繞地球一圈。相對於地面，這種衛星看似一直飄浮在正上空，是理想的訊號中繼站，能為地表不同的區域轉傳訊號。

謝謝「重力盾牌」木星，為地球擋下危險

牛頓重力定律指出，雖然你若距離行星愈遠，受到行星重力的影響也愈弱，但這個影響並不會降到零。木星用它強大的重力場，把很多原先會在太陽系內圍造成重大破壞的彗星趕開。所以對地球而言，木星就像重力盾牌，也像在保護地球的粗壯大哥，讓地球享有長達億年，相對平安和寧靜的時期。如果沒有木星提供的保護，地球生命除了很難演化成更有趣的複雜生命，也會活在可能受到致命撞擊而滅絕的危險環境中。

我們一直在利用行星的重力場為太空探測船提供能量。就以前往探索土星的卡西尼號探測船為例，它受到許多行星的重力協航，其中金星兩次、地球（由金星返回時）和木星各一次。探測船在多顆行星間輾轉飛航，以酷似撞球檯上撞球的路徑行進，是很常見的操作方式。如果不這樣，火箭提供的飛行速率和能量，不足以讓我們的小探測船前往目的地。

眾多命名不盡的小行星

我現在對太陽系的行星際碎片有些許責任了。2000 年 11 月，由李維（David Levy）和舒梅克（Carolyn Shoemaker）發現的主帶小行星 1994KA，後來命名為「13123– 泰森（13123 Tyson）」來向我致敬。我雖然享有這個殊榮，但其實也沒有什麼好自大的，因為還有許多類似的小行星，以喬笛、哈洛特和湯瑪斯等常見的名字命名。還有一些小行星的名字叫梅林、龐德和聖誕老人。

目前發現的小行星，數量已將近數十萬顆，可能很快就會對我們命名的能力產生挑戰。不管這種時日是否會來臨，我覺得相當欣慰的是，以我命名的那個宇宙碎片在行星間遊蕩時，並非孤苦無依，而是有一大堆以真人和虛構人物為名的其他天體為伴。

此刻讓我更高興的是，我的小行星並沒有直衝地球而來。

本文摘錄自《宇宙必修課：給大忙人的天文物理學入門攻略》，天下文化出版。

• 文／陳英同｜中研院天文所博士後研究員

肉眼、望遠鏡、推理：這就是整個太陽系了嗎？

遠古以來，人類在深夜裏仰望天穹， 結合神話故事，想像出一百多個星座。就在這樣充滿故事但是顯少改變的夜空中，有幾個星點被古代天文學家發現了規律的週期運動，這就是我們現在所知道的太陽系行星，並且以最有名的幾個希臘神來命名，例如：阿波羅（Apollo）－太陽、維那斯（Venus）－金星、朱比特（Jupiter）－木星等等。

不過畢竟肉眼的能力有限，頂多只能看到視星等五等多的天王星（不過天王星不是肉眼發現的，是利用望遠鏡偶然發現的）。在中古世紀，人們覺得這七顆行星應該就是太陽系中所有的行星了（不過確定他們是繞著地球還是太陽轉，又是另一個很長的故事了）。

在1846年，數學及天文望遠鏡發展了一段很長時間後，天文觀測精確度以及計算能力都剛好滿足時，天文學家發現最外圍的天王星似乎在天空中有著不規則的運動，而且剛好可以假設一顆還未發現行星的重力擾動來解釋，也因此而發現了海王星。

有了這個成功的例子，天文學家開始利用相同的方法去找尋是否海王星外是否還有未發現的行星。在1930年終於發現了冥王星，這也是唯一美國人發現的行星（雖然我們現在知道冥王星被降級成「矮行星」，再也不是太陽系的行星了······）。

在這之後，人們「又開始覺得」這應該就是整個太陽系的模樣了，但是理論天文學家就不這麼覺得了。荷蘭天文學家揚．歐特（Jan Oort）首先在 1932 年左右首先提出長週期彗星的來源，應該是一個距離 20000 au （天文單位，地球到太陽的距離）的球狀雲團 ，也就是歐特雲。

庫柏（Gerard Peter Kuiper）跟艾吉沃斯（Kenneth E Edgeworth）在 1950年代時，提出了海王星外應該有個太陽系形成時，所殘留下來的原始行星盤的假說。費南德茲（Julio Fernández）與中央大學的葉永烜老師在 1987 年進一步用數值計算模擬推論出位於 35 到 50 au 應該要存在一個彗星帶或是行星盤，才能解釋短週期彗星的成因。有了這些理論的基礎，1992 年麻省理工學院的朱維特（David Jewitt）終於找到在發現冥王星 60 多年之後的第二顆庫柏帶天體1992QB1，並且開啟了海王星外天體的大航海時代。

在 2006 年，任職於加州理工學院的布朗（Michael Brown），利用第一代的大視場天文數位相機，發現了絕大部分的比較亮或是比較大的庫柏帶天體，包含表面有水冰光譜的妊神星（Haumea）家族、推測是內歐特雲的賽德娜（Sedna, 小行星 90377），以及跟冥王星大小差不多的鬩神星（Eris）。鬩神星的發現也間接了否定了冥王星行星的定位，西方媒體也戲稱布朗是冥王星殺手。

在接下來的十年中，觀測天文學家利用更大的望遠鏡、更新更廣的電子相機，找到了超過二千個庫柏帶天體。由於離太陽越遠，太陽系原始物質的空間密度會越來越低，在近二十年的觀測裡，也並沒有發現其他會影響庫柏帶天體的天體。這時，大家又開始覺得，真正的太陽系應該就是這樣了：庫柏帶跟歐特雲中間應該沒有什麼大東西存在了。

第九行星，下一個就是你：但是你在哪裡？

自從賽德娜發現後十年，行星動力學一直無法很好的解釋它的來源與存在。由於它離海王星實在非常的遠，離海王星軌道最近的距離比海王星軌道還多一倍 （76 au v.s. 30 au），動力學模擬的結果也證明在46億年內（太陽系的年齡） 它都不會改變它的軌道，那它是如何跑到到那個位置的呢？

一般相信這個與世獨立的存在需要一些外力，例如漂流的恆星通過太陽系外、或是太陽形生成於星團中，而後才離開星團。但這些理論大多只能說是假設，缺少觀測上的支持。但是在這十年間，天文學家陸續找到數顆與賽德納很像的天體，並且發現這些天體的軌道傾角與近日點的位置有特別的趨勢（見圖1、2），但由於數量過少，這個領域的研究方向一直還未確定。就在去年的二月，加州理工學院的巴特金（Konstantin Batygin）與布朗敲響了第九行星理論的第一聲響，發表了一顆十倍地球質量行星位於 250 au 的理論模型。而這個模型剛好可以適當的解釋遠近日點的天體為何都偏向同一邊（見圖）以及傾角分佈，以及他們如何生成的。

行星科學界最重要的定期會議之一是美國天文學會下的 DPS （Division for Planetary Sciences）會議，在裡面接受報告的論文都是最新、最有影響力的研究結果，許多科學媒體也會參與會議，然後立即發出新聞稿。在這個會議中，巴特金受邀發表大會演講，接在他之後的數個論文報告，也都提出一些觀測上跟理論上的一些支持的論點，包含：

1. 雪柏（Scott Sheppard）又找到數顆遠近日點的天體
2. 太陽自轉軸的偏差能用第九行星來解釋
3. 這些遠近日點的天體剛好在這顆推論行星的軌道共振點上。

當然，除了正方的結果，也出現了不少反方的研究，其中最重要的二個結果就是：

(1) 這顆行星的存在將會把現在所見的庫柏帶外的結構摧毀，

(2) 銀河盤面並沒有巡天資料，所以觀測上有明顯的偏差。

現在這個狀況，舉一個眾所皆知的例子，就像UFO到底是外星人太空船，亦或只是地球上的飛行器或者各種光影的組成而已？先不討論照片合成或是誤認，正方反方都能提出不少「說法」或是「間接證據」，但是現況就是我們並沒有確切的證據來證明UFO是外星飛船。

觀測天文學家與理論天文家存在一種微妙的關係：既競爭又合作。理論天文學家可以利用一些假設來預測現在技術看不到的東西或現象，觀測天文學家則是不斷用最新的科學技術去發現、或是證明假設是否正確。一但當科學技術進步到能觀測到應該要觀測的天體時，眾多理論在這時就是大審判的時候了。

目前許多國際研究團隊包含卡內基天文台、加州理工學院及日本國立天文台，都如火如荼地進行尋找第九行星的觀測工作，尤其是位於夏威夷的 Subaru 望遠鏡，由於它是目前口徑最大（八公尺）的大視場望遠鏡，所以擔任起許多重要的觀測工作。所以第九行星到底存不存在？相信這個問題在不久的將來就會真相大白了。

本文摘自《物理雙月刊》39 卷 8 月號 ，更多文章請見物理雙月刊網站。