《排球少年!!》在排球場中常發出的啾啾聲，到底是什麼的聲音？──《空想科學讀本》

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

溫度影響剎車的抓力

雖然似乎有點違背直覺，但是煞車是高速駕駛不可或缺的一環。不管是在哪個賽車場，駕駛的目標之一就是保持在賽道的最佳路徑（racingline）—繞行賽道的最短路徑。所以駕駛過彎時不會沿著急轉彎處長長的外彎道前進，而是「夾著」彎道的內側，稱為彎頂點（apex，即過彎路線中最接近彎道內側的點）的地方，以將他們必須行駛的距離縮到最短。

這麼做需要非常精準的煞車：要在剛剛好的時間對煞車踏板施予剛剛好的壓力。當他們辦到時，駕駛就會出現在賽道轉彎處的絕佳位置，且依然帶有征服下一段賽程所需的速度。但是這樣的開車方式會耗損煞車；而且有些賽道沒什麼機會可以讓煞車冷卻。

以世界知名的摩納哥街賽道來說。雖然僅長3.34 公里（2 哩多），是F1 賽程中最短的賽道，但是卻必須不斷踩煞車和加速。煞車製造商布雷博（Brembo）指出，2019 年賽季中，駕駛們每一圈使用煞車 18.5 秒，多過總賽程的四分之一。

在需求最高的轉彎處，汽車要在不到 2.5 秒的時間內將時速從 297 公里（185 哩）減至 89 公里（55 哩）；這會將大量動能快速轉換成熱能，難怪煞車碟盤會冒出火花。為了要負荷這樣龐大的熱負載，製造商在每個煞車碟盤的邊緣鑽入細小的徑向孔—數量超過 1000 個。

這樣的小孔可以增加煞車碟盤的表面積，比較容易散熱。但是也具有通氣孔的功能。與安裝在各個輪框上的大型冷卻管相結合時，可以把冷空氣拉入煞車碟盤中心，把熱空氣從邊緣帶走。還有個額外優點，這些F1 煞車碟盤相當輕，重量約各為1 公斤（2.2 磅），相較之下，差不多大小的鑄鐵煞車碟盤則為 15 公斤（33 磅） 。

所以為什麼不全面使用這種煞車碟盤呢？有個原因是價格—每片煞車碟盤可能要價高達 2000 美元（約 1500 英鎊） ，而且要六個月的時間才能製成。它們也不太耐久，通常每次比賽後就得更換。最後，它們受限於一定的工作溫度，只能處於 350 ∼ 1000℃。

低於溫度下限時，它們幾乎不具有停止能力—煞車片與煞車碟盤無法產生足夠的抓力。但是如果煞車的溫度高於上限值太久，則會災難性地失靈。如馬歇爾對我描述的，「彷彿在踩縫紉機。當這種狀況發生時，煞車碟盤耗盡『材料』的速度有多快，簡直難以置信。」

科技有助於車隊和駕駛控制他們的煞車，但是就跟 F1 的大部分狀況一樣，沒那麼簡單。冷卻管的大小與形狀可控制流經煞車碟盤的空氣量，所以你可以想像管子愈粗愈好。

但是如 F1 傳奇工程師帕特．西蒙茲（PatSymonds）告訴《賽車工程》（Racecar Engineering）雜誌的，冷卻有其後果：「遇到像蒙特羅這樣需要一直踩煞車的賽道，我們被迫使用一些該賽季最粗的管子。從最細的冷卻管換到最粗的冷卻管，會犧牲 1.5％的空氣動力學效率，這代表最高速度時速會減少 1 公里。」

我可以想像這會引發車隊的煞車工程師與他們的空氣動力學家爭辯。就連測量煞車配件的溫度都不容易。馬歇爾告訴我，在奧斯頓馬丁 F1 車隊中，他們會在煞車片的安裝托架中埋入高溫的熱電偶，和一系列直接朝向煞車碟盤的遠紅外線感測器。電視轉播賽事時偶爾會出現的彩色熱影像，主要是為了給我們這些觀眾看—顯示出他們建議的最高溫度。

摩擦介面與溫度控制

煞車片與煞車碟盤之間還有另一個重要的過程是磨耗。所有滑動與摩擦都會對兩個表面造成實質傷害；每次煞車作動，兩者都會有微粒破裂。在煞車系統的使用期間，這會逐漸降低材料的摩擦係數—換句話說，會失去它們的抓力。

但這不只是因為彼此的表面被「磨光」，或是失去黏性。磨耗也會形成摩擦膜（tribofilm）這種東西—煞車片與煞車碟盤相接觸時壓碎的一層非常薄的細粒狀材料。「談到磨耗與摩擦力，摩擦膜非常有影響力，」英國里茲大學（University of Leeds）的沙赫里爾．柯沙利（Shahriar Kosarieh）說。

「我們把這層膜視為『第三體』，因為儘管它是由互相滑動的那兩種材料製成，其化學與機械性質還是與那兩種材料不同。」關注各式各樣市售鑄鐵煞車片的德國研究人員發現，無論煞車片是什麼材質，形成的摩擦膜總是會受到氧化鐵（Fe3O4）控制，其他成分的影響力則相當微弱。

「摩擦膜會控制散熱，且能減少摩擦力—它會主導性能，」柯沙利繼續說道。「煞車製造商很清楚這一點，調配自己的煞車片配方時會考量這一點。煞車片與煞車碟盤要互相搭配，才能產生最佳性能。只要你更動了任一個材料，就會改變界面產生的結果。」

柯沙利最近的研究關注鑄鐵煞車碟盤輕量替代物的摩擦表現，這些輕量煞車碟盤主要都是鋁製。不只有他這麼做—整個汽車產業都對減輕重量很執著，主要是因為汽車的重量愈輕，消耗的燃料就愈少，環境影響也愈少。目前是以鋁為主流。

「那是一種低密度金屬，約比灰鑄鐵（grey cast iron）還低 2.5 倍，所以減輕重量的可能性很高，」他跟我在電話中閒聊。「鋁的導熱性也很高，在表面形成的氧化物也具有一些防蝕效果。」把鋁合金與碳化矽等硬質陶瓷材料結合也能提升其強度。

「但是鋁的問題在於當溫度高於400℃時會開始熔化。就煞車而言，這代表摩擦力突然銳減，也是你能想像最糟的狀況。所以更加促使工程師更努力找出方法，既能讓表面有比較好的熱穩定性，使用壽命又能更持久。」

對柯沙利而言，最有意思的其中一種方法是電漿電解氧化（plasmaelectrolytic oxidation, PEO），這是用一個電場在鋁的表面形成一層複雜又高度耐磨的薄層。當他測試各種不同以電漿電解氧化處理過的鋁盤性能時，發現有些可以撐過約 550℃。不過，許多案例的摩擦係數太低—低於實際煞車系統所需的最低閾值。

柯沙利並不洩氣。「煞車是整個系統一起作動。如果你拿到一個新的煞車碟盤，那你也需要把對位碟盤調整到最佳狀態。製造商設計出專供電漿電解氧化塗層煞車碟盤使用的新煞車片配方。」我只找到幾篇已發表的研究，結合了電漿電解氧化煞車碟盤與這些新的摩擦片，但是結果看起來大有希望。輕量的鋁製煞車在未來的道路車輛上可能有機會亮相。

F1 在 1970 年代晚期為它們的煞車碟盤和煞車片找到了不同的解決方法，從那時候起就沿用至今：一種稱為碳－碳（carbon-carbon）的材料，在石墨基質裡包埋高度有序的碳纖維。其散熱效果非常好，所以也用在太空梭上。雖然它聽起來可能跟F1 賽車底盤用的碳纖維很類似，但其實是非常不一樣的猛獸。

製造碳－碳很緩慢且複雜，此材料是由原子薄層堆疊成層。它在摩擦力方面勝出，提供的抓力比傳統煞車配件高 2 倍（在其理想工作溫度範圍內）。但是那並非魔法。在競速的壓力之下，這種材料終究會磨耗殆盡，部分是由於摩擦，但也有化學方面的因素。溫度上升時，碳－碳會與空氣中的氧氣產生反應，而氧氣會提高其劣化程度。你有時候會看到F1 駕駛大力踩煞車時冒出黑塵，這就是原因。

藉由感測器數據調整剎車系統

這個過程代表車隊需要監測的煞車項目不只是溫度。馬歇爾跟我說，他們會使用壓力感測器留意流經管子的氣流。他們也有針對磨耗的電子感測器，可以測量胎側的活動。

「我們使用這些儀器測量煞車片還能接觸煞車碟盤多久。由此可以推論總磨耗程度—也就是煞車片與煞車碟盤的磨耗總和。」為了推算總磨耗比例與煞車片的關係，以及對煞車碟盤的磨耗程度，車隊會把感測器數據對照以往試駕和賽事所蒐集的煞車數據。

「我們可以從所有資料中追溯比賽時的磨耗速率。如果太快，我們可以調整煞車平衡，以免磨耗最高的車輛壽終正寢，或可以請駕駛找一些乾淨的空氣冷卻煞車。」不管怎麼做，目標都是確保駕駛在需要的時間和地點擁有阻擋能力。任一賽季都會面臨數以千計的彎道，這些系統，當然還有駕駛，都表現卓越。

——本文摘自《黏黏滑滑》，2022 年 11 月，晨星出版，未經同意請勿轉載

你在長大過程中（應該是小時候），或許曾心血來潮，想挖個從美國通到中國的洞。你甚至可能動手過，在海灘挖了差不多一公尺。

現在你年紀增長，更有毅力了。假設你下次到了海邊，完成童年時的未竟志業，挖了個穿過地球、深達八千哩（約一萬兩千八百公里）的洞，然後一股腦跳下去。

接下來會怎樣？

問題一：起點很重要

首先，得看你從哪裡開始挖。你的確切起點很重要。別以為中國就在美國的對面。這是錯誤的觀念。事實上，如果你從美國大陸開始挖，最後會溺斃在印度洋。若想在美國挖洞，最後在乾燥的陸地上冒出，得從夏威夷海灘上開始挖，最後你會在波札那的狩獵保護區冒出來。

問題二：摩擦摩擦，直到你剩一攤爛泥

但從夏威夷開始挖也有問題。地球外殼的旋轉速度比內部要快得多，和旋轉木馬一樣。你站在夏威夷海灘上，會比地球核心的移動速度每小時快八百哩（約一千兩百八十七公里）。因此，當你跳進洞裡之後，會一路摩擦著岩壁往下，而朝著另一頭往上時，背部也會摩擦岩壁。

要是摩擦速度慢，你只會輕微擦傷。但高速墜落時，持續擦傷會把你的皮膚與骨頭磨光，直到你只剩一攤爛泥。

要避免摩擦致死，最聰明的方法是從南極或北極開始挖，這裡地表的旋轉速度與核心的旋轉速度差不多。

這是第一步驟。不過，跳進穿過地球的洞穴，風險可不只擦傷致死而已。

人體在海平面以屈體墜落時，終端速度約為時速兩百哩（約三百二十公里）。以這種速度墜落八千哩需要四十小時。換言之，你大可以照一般的方式訂機票，中間經過轉機幾次的折騰後，便能抵達波札那。但假設你不趕時間，花四十小時也無妨。只是，你仍舊不可能通過地球。

問題三：重量減少、空氣密度增加，讓你「漂」在半途

你在幾秒鐘之後，速度就會慢下來。原因有二。

首先，接近地球中央時，就沒有那麼多的地球重力把你往下拉，這表示你的重量會減少 ，墜落速度也跟著變慢。但第二個原因則比較危險：空氣變厚重。

海拔八千八百四十八公尺的聖母峰是地球最高點，那高度沒有太多大氣來壓縮空氣，因此地表的空氣會比較稀薄，只有受過良好訓練的登山者才可能生存。

你往反方向前進時，則會發生相反的情況。

由於上方的大氣增加，你墜落過程的空氣也會越來越受壓縮。你才僅僅墜落六十哩（不到全程的一％，約九十七公里），空氣的密度已和水一樣。你會下沉一會兒，但後來就達到平衡狀態，屆時空氣和你的密度一樣。因此，你永遠會「漂」在地球裡。

由於大氣壓力會擠壓你的氣室，因此你在地球內部的密度也會比目前還高，並且沉得比你預期得深。但你還是到不了地球的另一端。

顯然，這個沙坑需要重新設計一下。要解決空氣密度的問題，就是抽光隧道中的空氣再封起，使之成為長長的真空管。這就解決了漂浮與移動速度太慢的問題，你現在會以時速一萬八千哩的速度（約兩萬九千公里），尖叫著通過地球中心，而非卡在半途。

問題四：超高溫將你全身汽化

可惜，這條隧道還是不能安全使用。俄羅斯人曾挖掘過世界上最大的沙坑，他們證實：地球中心太熱了。

俄羅斯的沙坑稱為「科拉超深鑽孔」（Kola Superdeep Borehole），是一項從一九七○年開始、為期二十二年的龐大計畫，目的只是想了解他們能挖得多深。蘇聯在一九八九年已經挖到四萬呎（十二．四公里），後來因為鑽頭焊接處遇到高溫熔化，計畫才告終。即使他們才挖了地球不到○．一％的深度，溫度即已上升到一百八十度。

根據經驗法則，從地表往下每挖一百呎（約三十公尺），溫度就會上升攝氏約零．五六度，也就是墜落兩秒，你大概就會覺得變暖○．五六度。沒什麼大不了。但你在新真空管中，會加速得非常快。

三秒後，隧道中的溫度會提高一．五度，三十秒後，就和烤箱一樣暖。這可不舒服，但你卻能存活超長一段時間。十八世紀，英國科學家查爾斯．布萊格登爵士（Sir Charles Blagden）把一間房間加熱到一百零五度，在裡頭坐了十五分鐘，毫髮無傷地走出來。不過，布萊格登爵士所在的房間不像你的隧道那樣越來越熱。三十秒後，你或許還活著，但這個洞會繼續變熱。再過三十秒，你前進十三哩（約二十一公里），溫度已經抵達五百三十八度。若你帶了加熱即食的披薩，這時已可以吃了，當然你自己也已經熟了。

但情況越來越糟。你仍無法抵達地球另一端。

地球中心的溫度高達六千一百度，比太陽表面還燙。在那溫度下，你的身體會立刻汽化，電子遭撕碎，剩餘部分也將變成零碎的電漿。

所以，我們又得繼續更改你的隧道設計。

如果我們把這隧道的隔熱功能做得非常、非常好（當然不可能做到）。你能順利抵達嗎？

問題五：能量守恆，小心變成地球版盪鞦韆

假設沒有撞到隧道的岩壁，且排除了導致速度變慢、抵達另一端時身體東缺一塊西缺一塊的因素，那麼你在時速一萬八千哩的情況下，只要十九分鐘即可來到地球中心。一旦你通過中心，速度又會開始變慢，因為地球會開始把你拉回。但就像遊樂場的鞦韆，你的動能會把你推回一開始的高度──在這情況下，就是地球的另一邊。

如果忽略目前科技無法在地球核心的極端溫度與壓力下挖掘的問題，你可能抵達地球另一端嗎？可以！大約三十八分十一秒，即可抵達地球另一端。到時候要扶好彼端的地面。

要是沒扶好，你就得重來一遍了。

本文摘自《然後你就死了：被隕石擊中、被鯨魚吃掉、被磁鐵吸住等45種離奇死法的科學詳解》，2018 年 5 月，臉譜出版。