露特西亞小行星可能一度擁有熔融核心

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／黃子權｜掉入岩石堆中的研究生，現就讀台大地質所
• 文／林彥興｜現就讀清大天文所，努力在陰溝中仰望繁星

M 型小行星與行星的誕生

了解太陽系的形成歷史與演化，是行星科學最重要的使命之一。然而，身在太陽系形成後 46 億年的我們所看到的行星，都是經過漫長演化後的結果。它們的表面特性、內部結構，早已與剛形成時大相逕庭。

因此，想要研究太陽系的形成與演化，小行星是相當重要的目標。由於小行星質量小、冷卻快，更不會有複雜的風化和地質運動，因此它們從太陽系形成之初到現在都沒有什麼改變，就像活化石一般。而過去幾十年，人類也確實對小行星進行了廣泛而詳細的研究，比如拍攝照片計算它們的軌道，用光譜分析化學組成，甚至派遣太空船（如 JAXA 的隼鳥一號、隼鳥二號、NASA 的 OSIRIS-REx）直接前往小行星，將樣本採回地球分析。

而在太陽系目前已知的一百多萬顆小行星中，有一個相當特殊的族群，它們大多具有較大的密度和較高的雷達反照率，同時在光譜上缺乏特徵。基於上述特點，科學家們認為它們的組成中有含有不少金屬，因此稱之為 M 型小行星。

根據目前天文學家對行星形成的理解，原行星盤（protoplanetary disk）中的金屬元素分布理應相當分散，因此能夠自然產生元素分異並聚集大量金屬的地方，只有足夠大、足夠熱的原行星（protoplanet）的行星核。所以傳統上，M 型小行星被視為受到撞擊後裸露的行星核，同時也是鐵隕石的來源之一。但截至目前，仍未有探測器直接造訪 M 型小行星，確認這個假說是否正確。

近期，新的觀測資料更顯示，某些 M 型小行星似乎比人們預想的還輕，各種特徵也和人們對行星核的認知不盡相同（例如，在表面觀測到含水礦物的訊號）。這表示傳統的行星形成與演化模型，也許不盡正確。換個角度看，這也代表對 M 型小行星的研究，也許將能幫助我們揭開行星演化理論中的盲區。

M 型小行星是由什麼構成的？它們的演化歷史又是如何？苦於距離遙遠，過去人們對這些問題往往只能止於粗略的推測。但隨著靈神星號任務逐漸上軌，我們離解答這些問題（的一部分）只有一步之遙了。

靈神星探索任務

靈神星探索任務（Psyche）是 NASA 發現計畫（Discovery Program）的一部分。發現計畫始於 1989 年，每隔幾年就會向全美國徵求任務提案，經過重重篩選後，最具有科學價值且最可行的團隊，就可以獲得 NASA 提供的經費，將他們的構想付諸實行。從 1996 年的 NEAR 任務開始，發現計畫已經為十幾個重要的太陽系探索任務提供機會，包含近期因太陽能板發電量降低而終止的火星「洞察號（InSight）」任務。2014 年，第 13、14 次發現計畫徵選開始，最後脫穎而出的其中一個計畫，正是靈神星探索任務。

而計畫要觀測的目標靈神星（16 Psyche）於 1852 年被義大利天文學家加斯帕里斯（Annibale de Gasparis）發現，並以希臘神話中靈魂之神「賽姬」命名。祂是第 16 個被發現的小行星，雖然不是最大的小行星（平均寬度約 220 公里）但卻是目前已知小行星中第 10 重的，其質量佔小行星帶總質量的 1%。根據估算，靈神星的密度大約為 3.9 g/cm³，遠低於鐵鎳隕石的 7.9 g/cm³，因此靈神星不太可能真的完全由金屬構成，比較可能是類似石鐵隕石那樣，由金屬與岩石共同組成。

作為發現計畫的一員，靈神星計畫切實地反映了該系列任務的宗旨：便宜、快速的解答重要的疑問。M 型小行星是行星形成與演化中相當重要的一片拼圖，而靈神星又是體積最大的 M 型小行星，其重要性不言而喻。對靈神星的探測，勢必能更加推進人們對行星演化的認知。

靈神星號的科學目標及預期解答的問題為：

1. 靈神星是行星核還是未熔結物質？
2. 靈神星表面的相對年齡為何？
3. 小型金屬天體是否含有和高壓地核同比例的輕金屬？
4. 靈神星形成環境的氧化還原性？
5. 靈神星地表及撞擊坑特徵？

為了達到這些目標，靈神星號上搭載了以下儀器：

• 多光譜成像儀 （Multispectral Imager）
• 伽馬射線／中子光譜儀 （Gamma-Ray and Neutron Spectrometer, GRNS）
• 通量閘磁強計 （Fluxgate Magnetometer）
• Ｘ頻無線電實驗 （Radio Science (X-band)）

整體而言，靈神星號的載酬相當簡要，科研儀器加總起來只占約 30 公斤，且每項儀器都是經過「實戰」驗證過的：多光譜成像儀來自火星好奇號探測車，GRNS 來自水星的信使號任務、磁強計參與了洞察號任務、X 頻無線電實驗（利用通訊時訊號的都卜勒效應測量重力強度變化）更是有多項成功紀錄。使用這些驗證過的儀器不僅能減少任務風險，同時能省下不少研發經費，提高任務的 CP 值。另外，靈神星號同時也會為深空網路（Deep Space Network, DSN）測試全新的「深空光學通訊（Deep Space Optical Communication, DSOC）」系統，利用雷射作為資料載體進行傳輸，科學家估計 DSOC 的資料傳輸速度，將比過去使用無線電的 DSN 快 10 到 100 倍。

另外，隨著科技進步，太空探索不再是國家機構的天下，各種商業公司紛紛加入了衛星製造的行列。因此重視任務 CP 值的靈神星號，從設計初期，科學家們便決定向商業公司尋求成熟、有發射紀錄且搭載了離子推進系統的衛星載具。最終他們選定了 Maxar 旗下的 Space Systems/Loral（SSL）公司的 1300 系列框架作為靈神星號的主體，並由噴氣推進實驗室（JPL）整合飛行系統（包含指令及資料處理系統）。靈神星號的推進系統是一具 SPT-140 霍爾效應推進器（Hall effect thruster），藉由游離氙氣並透過磁場將其加速噴出以獲得推力。搭配發電量達 20 千瓦的太陽能板及 922 公斤的氙氣，足夠支持靈神星號走完將近六年的航程。

抵達靈神星後，探測器將嵌入軌道開始環繞靈神星。科學家為靈神星號安排了四個逐漸降低的軌道（A 到 D），每個軌道都有各自主要的研究目標：

1. 最高也是最初始的軌道 A 半徑約 700 公里，靈神新號將會在這裡測量靈神星的磁場。
2. 56 天後，探測器將降至軌道 B（半徑 290 公里）並且開始對靈神星的地貌進行調查。
3. 76 天後，靈神星將下降至半徑 170 公里的軌道 C，這是最小的穩定繞極軌道，同時也是最適合用來探測靈神星重力場的高度。
4. 100 天後靈神星號將會降至最後、最低的軌道 D，軌道半徑僅 85 公里，在這探測器將利用 GRNS 調查靈神星表面的元素分布。

靈神星號原訂的發射日期為 2022 年 9 月。然而在飛行前的測試中，任務團隊發現飛行軟體異常，導致它錯過了 2022 年的發射窗口。經過幾個月的調查和調整，目前 NASA 公布的下個發射窗口為 2023 年 10 月 10 日以後，屆時靈神星號將會搭乘 SpaceX 的獵鷹重型火箭進入太空，就讓我們好好期待靈神星號傳回來的各種資料吧！

延伸閱讀

1. 我們的征途是星辰大海：回顧隼鳥二號的億里長征
2. Just Look Up！小行星監測系統「哨兵」全面升級
3. 災難片成真！？小行星「貝努」行蹤飄忽，撞地球的機率有多大？

數學的共振系統存在於太陽系中

太陽系的動力系統充滿了共振。

月球的自轉由於受到其他天體的攝動（perturbation），因而有輕微的起伏，不過它的自轉週期與它環繞地球的公轉週期相同，這是自轉週期與軌道週期的「一：一」共振。因此，我們在地球上總是看到月球的同一側，從來無法看到月球的「背面」。

水星每隔五十八．六五日自轉一周，每隔八十七．九七日公轉太陽一周。二乘八十七．九七等於一七五．九四，而三乘五十八．六五等於一七五．九五，因此水星的自轉週期與軌道週期是一個「二：三」共振。事實上，長久以來，天文學家一直以為兩者構成「一：一」共振，以為兩個週期大約都是八十八日。

因為想要觀察像水星這麼接近太陽的行星，實在是一件很困難的事情。這使得天文學家相信，水星的一側熱得不可思議，而另一側則冷得不可思議，最後卻發現事實並非如此。不過共振還是存在，而且比單純的「一：一」更有意思。

在火星與木星之間，有一個寬闊的小行星帶（asteroid belt），其中包含了數千個微小的天體。這些小行星的分布並不均勻，在某些與太陽距離固定的軌道上，我們發現還有些「小行星子帶」，在其他距離上則幾乎找不到它們的蹤跡。這兩者都得歸因於與木星的共振。

希耳達群（Hilda group）小行星就位在小行星子帶，它們與木星形成「二：三」共振。也就是說，這群小行星所處的位置，剛好使它們在木星公轉兩圈的時間中環繞太陽三圈。而最有名的小行星帶隙（gap of asteroid），則是「一：二」、「一：三」、「一：四」、「二：五」與「二：七」的共振。

各位讀者也許有些擔心，為什麼共振同時能夠解釋小行星帶的叢聚與間隙呢？ 答案是每一個共振都具有本身的動力學特徵，某些會造成叢聚效應，某些的作用則剛好相反，全都由共振比例數字來決定。

用數學來預測未來

數學的另一項功能是進行預測。

在了解天體的運動之後，天文學家便能預測月食、日食，以及彗星的回歸等等。他們知道應該將望遠鏡對準何處，才能重新發現運行到太陽背面、暫時無法觀測的小行星。由於潮汐主要是由日、月與地球的相對位置所控制，所以他們也能預測許多年後的潮汐。

（但這種預測的主要困難並非來自天文學，而是大陸的形狀與海底的地形，它們都能使某個高潮提前或延後。然而，即使過了一個世紀，這些地理因素也幾乎不會有什麼改變，因此一旦了解它們造成的效應之後，將這些效應考慮在內只是例行公事。）

反之，想要預測天氣則困難無數倍。對於控制天氣的數學，我們知道的跟控制潮汐的數學一樣多，可是天氣天生就有一種不可預測性。縱使如此，氣象學家仍能做出有效的短期預測，比方說三、四天以後的天氣。不過，天氣的不可預測性與隨機性毫無關聯。在第八章中，當我們討論到混沌概念的時候，將會詳加探討這個題目。

數學所能做的遠不止於預測。一旦了解某個系統如何運作，我們就不必再做個被動的觀察者了。我們可以試圖控制這個系統，讓它照我們的意思行事。可是最好不要野心太大，例如天氣控制就仍處於嬰兒期，我們還無法隨心所欲地造雨，即使天上有一大團現成的雨雲。

控制系統的例子不勝枚舉，從保持汽鍋溫度固定的恆溫器（thermostat）到中世紀式的造林。還有，假如沒有精妙的數學控制系統，太空梭就會在空中橫衝直撞，因為任何太空人絕對沒有足夠迅速的反應，可矯正它固有的不穩定性。至於使用電子式心律調節器幫助心臟病患者，則是控制的另一項實例。

這些例子，讓我們看到數學最為實際的一面，也就是它的實際應用：數學如何造福人群。

隱身文化幕後的數學工具

我們的世界奠立在數學基礎上，數學不可避免地深植於全球文化中。我們並非總能夠了解數學對我們的生活有多大影響，理由是它被人盡可能藏在幕後。

這是很合理的，譬如您找旅行社安排一次度假旅遊時，不必了解設計電腦或電話線的數學與物理理論，也不必了解使某座機場能起降最多架次飛機的最佳化（optimization）程式，或是為駕駛員提供正確雷達影像的信號處理方法。

當您收看電視節目的時候，也不必了解在螢幕上製造特殊效果的三維幾何、藉由衛星傳送電視訊號的編碼方式、解出衛星軌道運動方程式的數學技巧，以及在製造可將衛星送到定位的太空的各個零組件時，每個步驟所應用的數千種不同的數學工具。

還有，農夫在種植新品種的馬鈴薯時，也不必知道遺傳學統計理論，不必知道這理論如何幫助育種學家找出何種基因使這品種具有抗病性。

然而，以前一定有人了解這一切，否則飛機、電視、太空船、抗病性的馬鈴薯都不可能發明出來。現在也需要有人了解這一切，否則它們就不會繼續運作。而將來也需要有人發明新的數學，以便解決新出現的或迄今尚未有解的難題，否則當我們面對某種改變，必須解決新的問題，或是舊問題需要新的解答時，我們的社會便會崩潰。

假如數學以及所有植基其上的發展，突然之間從我們的世界消失，人類社會將在瞬間四分五裂。又假如數學從此停滯不前，再也不會向前邁出一步，我們的文明便會很快開始倒退。

——本文摘自《大自然的數學遊戲 》，2022 年 11 月，天下文化出版，未經同意請勿轉載。