以下是由金石雷達站的70米深空雷達天線於2011年11月7日拍攝的28幅2005 YU55影像製作的動態影片，可見小行星自轉的狀況。
以下影片則是由史威福觀測衛星（Swift）在2011年11月9日，小行星最接近地球之後的幾小時，以紫外/可見光望遠鏡（UVOT）所拍攝的小行星影像，可見小行星在視野中移動的景象。背景星空是利用數位巡天計畫（DSS）的可見光影像予以合成的結果，拍攝當時，小行星位在飛馬四邊形中。
以下是位在夏威夷、口徑10米的凱克II望遠鏡（Keck II）於2011年11月9日所拍攝的2005 YU55紅外影像，科學家藉此證實2005 YU55應該沒有衛星，且其直徑比科學家原本認為的400公尺還小一些。
資料來源:
轉載自台北天文館之網路天文館網站
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。
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！
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。
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。
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。
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。
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。
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
討論功能關閉中。
在上一篇中，我們介紹了將在 2023 年發生的五個醫藥健康大事件。
這次我們轉向能源、宇宙與科技領域，從首趟平民月球之旅、物理學的標準模型新發現，再到第一個核廢料永久儲存設施正式營運！
世界各國能否聽從科學家的警告，採取實際行動，朝淨零之路前進嗎？看起來不行。由於疫情與俄烏戰爭，去年 11 月在埃及舉辦的「聯合國氣候變化會議 COP27」幾乎是原地踏步。
不過還是有一個重要的決議，那就是建立氣候損失和損害基金。根據協議，排放量較高的富裕國家將在經濟上補償受氣候變化影響最大的貧窮國家。「過渡委員會」將於 2023 年 3 月底前舉行會議，提出資金運用的建議，並在 11 月的 COP28 會議上提交給世界各地的代表。
至於核能的部分，新型核分裂發電與核融合發電，都會在 2023 年有所進展。
另外，世界上第一個核廢料儲存設施，今年將在芬蘭西南海岸外的奧爾基洛托島正式啟用。這個由芬蘭政府於 2015 年批准建造的地下處置庫，將負責封存超過 6500 噸有放射性的鈾；這些鈾會被裝在銅罐中，再用厚厚的粘土覆蓋，最後埋在地下 400 公尺深的花崗岩隧道內，預期將被密封數十萬年，直到輻射水平達到完全無害的程度。
另一個好消息是，今年 1 月 1 日就任的巴西總統——魯拉（Luiz Inácio Lula da Silva），將推翻前任總統開放的雨林開發，保護生態與文化。
然而深海則有新危機。若 2023 年 7 月前，聯合國的國際海床管理局（ISA）沒能讓各國對深海採礦管理準則達成共識，那海底的礦產資源可能會被某些政府和企業盯上，不受限制地開挖，海洋生態將迎來浩劫……。
許多關於能源的抉擇包含了科學和政治，能源短缺也激勵了綠能跟潔淨能源的投資力道及採用意願；至於今年還會不會發生更棘手的麻煩？使能源轉型更加舉步維艱。
2022 年 4 月，美國費米國家加速器實驗室的物理學家，公佈了渺子 g-2 實驗的首批結果；這項實驗研究了被稱為「渺子的短命粒子在磁場中的行為」。
過去 50 年來，標準模型（Standard Model）[註]的理論預測通過了所有測試，但其實物理學家普遍認為標準模型肯定還不完備，並且認為可以從渺子身上找到破綻；如果今年再次公佈更精確的數據，顯示渺子的磁矩比理論預測來得大，那就代表還有新粒子等待被發現，而標準模型就得修正。
位於中國廣東的江門地下的微中子實驗觀測站，也將在今年展開尋找超越標準模型的物理學之旅；利用位於地下七百公尺的探測器，來準確測量微中子的振盪。
註：標準模型為能描述強核力、弱核力、電磁力這三種基本力，以及所有物質基本粒子的理論。
另外，物理學家們在今年會有升級的新設備。第一個是 LCLS-II 直線加速器相干光源 2 代（Linac Coherent Light Source-II），它將創造終極 X 射線機器，看到分子內原子的運動！另一個則是新的重力波獵人—— Matter-Wave Laser Interferometric Gravitation Antenna（物質波雷射干涉重力天線）；這個設施把銣原子冷卻成「物質波」，能夠梳理黑洞和其他超大質量天體碰撞產生的時空漣漪，揪出現有重力波設施錯放的事件，甚至可以幫我們尋找暗物質！
而在瑞典隆德附近、由歐洲 17 國攜手成立的歐洲散裂中子源（ESS），將使用史上最強大的線性質子加速器產生強中子束，來研究材料的結構；雖然預計 2025 年才會完工，但於今年迎來第一批研究人員，開始實驗。
許多人心中 2022 年科學事件第一名，正是韋伯太空望遠鏡傳回的驚人照片；沒有意外的話，韋伯在 2023 年會繼續大顯身手，揭露星系演變的真相，與遙遠系外行星的生命印記，找尋地球之外的生命。
今年還會有更多驚喜！來自於新的太空望遠鏡，如：由歐洲太空總署開發的歐幾里得太空望遠鏡，今年發射後將繞行太陽六年，拍攝宇宙的 3D 圖；日本宇宙航空研究開發機構 JAXA 的 X 射線成像、光譜任務 XRISM，則是繞地球軌道運行的太空望遠鏡，將探測來自遙遠恆星和星系的 X 射線，預計在今年 4 月升空。
在地球上，位於智利的薇拉魯賓天文台（Vera C. Rubin Observatory）將於今年 7 月啟用；其望遠鏡採用特殊的三鏡面設計，相機包含超過 30 億像素的固態探測器，每三個夜晚就能掃描整個南天，也是監測可能危害地球小行星的守護者之一。而世界上最大的可動望遠鏡——新疆奇台射電望遠鏡（QTT）也將在今年完工；其口徑達 110 公尺，能夠觀測天空中 75% 的星星。
2022／12／11 這天，包括阿拉伯聯合大公國的拉希德漫遊者月球車、NASA 的月球手電筒立方衛星、以及日本的白兔 HAKUTO-R M1 登陸器，共同搭乘 SpaceX 的獵鷹九號發射升空；HAKUTO-R 如今正緩緩帶著拉希德前往月球，預計在今年 4 月著陸。
而印度太空研究組織 ISRO 的第三次探月任務月球飛船 Chandrayaan-3，預計今年年中發射，並於月球的南極著陸。
還有首次民間人士的月球之旅 dearMoon。SpaceX 的 Starship 將載著 11 位平民上太空，包含創業家、明星跟 YouTuber；如果 Starship 成功發射，將會成為史上最大的火箭。Blue Origin 的 New Glenn 也預計在今年首度發射。若兩者都成功，將推動太空科學與商業進入新時代，讓進入太空的成本大幅下降。
歐洲太空總署的木星冰月探測器 JUICE 也將在今年 4 月升空，並於 2031 年抵達木星系統；目標是研究木星以及三顆衛星：木衛二三四的環境，了解他們有沒有可能支持生命存在。
NASA 將於今年 10 月後發射延遲了一年的 Psyche 靈神星小行星軌道飛行器，其研究對象為 16 Psyche 靈神星小行星；科學家認為它可能不是一般的小行星，而是一顆年輕行星裸露的鐵核心。如果今年順利發射，將在 2029 年到達。
看來對太空迷來說，2023 又將是幸福熱鬧的一年。
借過借過，AI 已預約登上 2023 年最大科學事件！
如果 GPT-3.5 開發的 ChatGPT 還沒有嚇到你，那 GPT-4 就要來了！
而在科學領域，DeepMind 的 AlphaFold 帶來的衝擊不亞於 ChatGPT；它能夠根據蛋白質的一維氨基酸序列，準確預測折疊後的三維形狀，對生物與醫療研究影響非常大。 AlphaFold 2 於 2021 年發布了另外 2 億多種蛋白質的結構，幾個月來，來自 190 個國家／地區、超過 50 萬名研究人員，使用 AlphaFold 研究了 200 萬種不同的蛋白質結構。另外，Meta 的 ESMFold 的速度甚至又比 AlphaFold 快 60 倍，預測的蛋白質超過 6 億種！
基於 AlphaFold 跟 ESMFold 的研究量將大大增加，這些龐大新知識也將開始應用於各學科，包括新疫苗和塑膠開發。
法規管制總是比科技進步緩慢，隨著 AI 越來越強大、滲透到社會的方方面面，各國政府必須回應。歐盟在今年將通過人工智慧法案，為使用人工智慧制定標準，其他國家和科技巨頭將密切關注，跟進與調適。
以上就是「2023 最值得關注十大科學事件」，你最期待的是哪一個？哪個是你心中的 No.1？又有哪些我們漏掉了，但你覺得該列入的呢？歡迎留言討論！
歡迎訂閱 Pansci Youtube 頻道 鎖定 2023 年的每一個科學大事件！
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。
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？
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：
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！
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
延伸閱讀
狐禪
