科學研究能吃嗎？粒子加速器的食用價值——抖宅翻譯蒟蒻

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

• 本文轉載自科技大觀園，原文為《撞夠了沒？還沒！大強子對撞機續集上映中》
• 作者／郭雅欣｜科技大觀園特約編輯

大強子對撞機（Large Hadron Collider, LHC）隸屬於歐洲核子研究組織（European Organization for Nuclear Research, CERN），是一座巨大的粒子加速器，它包括一個位於地底、周長 27 公里的粒子加速環，就像粒子的跑道一樣。質子或是重離子在超導磁鐵的引導下，在跑道上急速奔跑然後對撞，物理學家就從這些對撞事件中，尋找新的粒子，探究未知的物理。

LHC 在 2012 年就撞出了眾所期待的希格斯粒子，當時的物理界一片歡欣雷動，而最早預測希格斯粒子存在的希格斯本人以及同年提出理論的恩格勒，也在隔年獲得諾貝爾物理獎。LHC 很快就把主線任務解完了，那然後呢？ 8 年過去了，LHC 並沒有因為主線任務解完就退休，這些年來，它仍然努力的製造一次又一次的對撞事件，畢竟科學家預期在 LHC 的撞擊能量尺度，應該還可以看到一些新東西，然而實際情況是如何呢？ 

偏偏不倒的危樓—標準模型

在 LHC 找到希格斯粒子之後，研究團隊於 2015 年底起，把 LHC 的對撞能量從原本的 7 TeV 或是 8 TeV（1 TeV=10¹²電子伏特）調高到 13 TeV，運作了 3 年，這段時期稱為 LHC 的 Run II。撞擊的能量愈高，就愈能撞出罕見的事件。更明確的說，LHC 能撞出的粒子質量上限，大約落在總撞擊能量的 1/6，（在粒子物理中，粒子質量通常以能量單位表示），比這個能量更重的粒子出現的機率太低，事件樣本也太少，因此要有更多觀察，就必須把對撞能量拉高，並且累積更多數據。

全世界的物理學家正在針對這 3 年的數據做分析，長期參與 LHC 實驗的臺大物理系教授陳凱風說：「雖然還沒有分析完，目前的確是存在一些不能被排除的意外訊號，但是統計上還不足以證實這些是新物理所造成的現象。」在尋找新粒子這個目標上，雖然研究成果豐碩，但是量測結果並沒有明顯超出標準模型的範疇。

另一方面，研究團隊也希望根據新資料的分析，來修正標準粒子模型裡的參數，但目前測量出的結果，卻都和理論預測大致相符。「這是一種很詭異的感覺。」陳凱風形容。事實上，現有的標準粒子模型並不是很穩定，陳凱風說：「我們認為目前的理論架構一定有些毛病，但偏偏又找不出來。這就好像我們蓋了座危樓，但又找不出如何補強它，而地震來它還偏偏不會倒。大概就是這麼微妙的感覺！」

舉例來說，標準粒子模型包括了六種夸克：上夸克、下夸克、魅夸克、奇夸克、頂夸克、底夸克，以及六種輕子：電子、緲子、濤子，以及三種對應的微中子。而其中的頂夸克質量明顯比另外五個夸克大非常多，而微中子的質量小到無法直接測量，這在物理學家眼中，是不應該自然發生的；此外，標準模型也無法滿足這個幾乎只存在物質、絕大多數反物質都消失的宇宙。為了解決這個問題，物理學家也提出一些假設，例如，會不會其實還有更重的夸克與輕子、或是更多奇異的玻色子存在呢？「但從 LHC 的實驗結果，我們還沒有找到符合的訊號。」陳凱風說。

 「你當然也可以說，反正宇宙就是這樣運作，但我們覺得背後一定有某個機制導致這樣的結果，只是我們就是沒找到。」陳凱風並且以 100 多年前的元素週期表舉例，當初的週期表也是東缺西漏，但隨著一個個新元素的發現，這些缺口也漸漸被補滿。「而現在的標準粒子模型，就像是有著漏洞、明顯還沒完成的拼圖，卻又找不到東西來填補。」陳凱風說。 

Run III — LHC 改頭換面

儘管 LHC 的 Run II 呈現的結果意外的平靜，但 Run III 已經準備在明年啟動。

在 Run III 階段，LHC 將把對撞能量再往上調高至 14 TeV以上，這是 LHC 當初設計的最大許可能量。另一方面，研究團隊將對 LHC 做許多技術上的修改測試。這是因為在 Run III 結束後，LHC 將進行一次大改造升級，要將每次參與對撞的粒子數量與密度提升，這樣一來，對撞事件發生的次數會跟著上升 5~10 倍。

為了因應這樣的升級，許多軟硬體、零件也必須跟著升級，其中最重要的一項就是偵測器。比如說目前 LHC 底下的 CMS 實驗所裝載的量能器，主要材料是以一種鉛鎢玻璃晶體為材料的閃爍體，而這些安裝在偵測器頂蓋處的晶體長期接受高輻射劑量，已經有了不少缺陷，變得愈來愈不透明了。陳凱風說：「試想如果升級之後，還用一樣的零件材料，那原本經過 10 年才會損壞的，現在只要 1 年就會接近無法運作了。」因此，偵測器必須跟著升級才行。

新的量能器（High Granularity Calorimeter, HGCAL）會以矽半導體材料為主，並且切分成 28 層排成一列，這樣做的好處除了較不易打壞外，每一層都能獨立送出粒子經過時的位置資料，可以更準確地描繪出粒子穿越偵測器的物理反應。目前由臺大物理系教授呂榮祥、裴思達主持的硬體實驗室，就正在研製這種新型量能器。再加上也會一同升級的各種裝備，未來可以對粒子的物理特性有更精準的量測。 

LHC 有來自全世界 85 個國家、超過 8,000 位物理學家參與，可說是全世界最大的實驗計畫。但在加速器的發展上，LHC 可能還不是終點，未來計畫籌建的加速器計畫，還包括 CERN 的未來環形對撞機（FCC）、中國的環形正負電子對撞機（CEPC），以及日本的國際直線對撞機（ILC）等。

雖然說這些計畫是否真的會有所進展，還要看未來的局勢發展，但我們不妨期待包括 LHC 在內的這些實驗計畫，會繼續帶給我們怎樣的驚喜！就如陳凱風在訪談快結束時所說：「希望我們下次討論的，是在對撞的數據中，我們發現了什麼有趣的新物理！」

• 文／章文箴，中研院物理所研究員。

物理的發展中，從過去於自然界中的觀測，到今日利用強大能量的對撞機，尋找尺度更小的粒子一直是物理學家的目標。但粒子到底是如何被製造的呢？本文將解開粒子對撞機製造新粒子的機制。

人類為了發現比原子更小的新粒子，早期大多藉由觀察來自於宇宙射線與大氣層作用後的產物，例如渺子、正電子等；而質量較大的粒子，由於它們容易衰變，生命期短，因此不易觀測。

隨著加速器的發明和使用，後續大多利用加速器產生高能量的質子束或電子束。在碰撞的過程中，能量足夠的情況下，透過特定反應產生並觀察新粒子。

質量是基本粒子的特性，也是辨認它們最重要的實驗證據，利用加速器所產生撞擊事件產生新粒子，碰撞過程的質心系能量 (center of mass energy) 必須大於新粒子的質量，才能透過質能互換，產出生成全新粒子。

因此，在找尋質量更大新粒子的過程中，加速器的能量必須不斷地提升，也由從撞擊固定靶的實驗，轉換成對撞機實驗，達到足夠的質心系能量。

J/Ψ粒子的發現

以 1974 年所發現的 J/Ψ 粒子為例，其質量大約 3 GeV∕c²，由魅夸克 (Charm quark) 和反魅夸克所構成，因為魅夸克的質量遠高於當時已知的上夸克 (up quark)、下夸克 (down quark) 及奇夸克 (strange quark)，受限於加速器能量的提升，在搜尋上拖延了一段時間，甚至讓物理學家猜測是否夸克只有以上的三種。

後續由丁肇中先生所領導的團隊，利用當時美國紐約州布魯克黑文國家實驗室 (Brookhaven National Laboratory, BNL) 剛完成全世界最高能量的加速器──交變梯度同步加速器 (Alternating Gradient Synchrotron, AGS) ，將質子束加速到 30 GeV，與固定鈹靶撞擊，此撞擊質心系能量大約為 7.75 GeV，因此得以產生並觀測到質量大約 3.1 GeV∕c² 的 J/Ψ粒子。

而同一時間，美國加州 SLAC 國家加速器實驗室 (SLAC National Accelerator Laboratory)，透過正負電子湮滅反應，由能量直接生成新粒子，找尋 2.6~8 GeV∕c² 區間的新粒子，也同樣在 3.1 GeV∕c² 處發現 J/Ψ 粒子。兩團隊在 1974 年 11 月同步宣布發現，確認第四種夸克的發現，這項科學重要里程碑，在兩年後獲得諾貝爾物理學獎的肯定。

澄清聳動新聞報導中的兩個專有名詞

在最近國內一則新聞報導提及，有研究人員在重氫與重氫核融合的過程中，宣稱觀察到 W 中間子的生成，並可透過此過程取得穩定能量。

筆者認為在該報導中有兩點需要進一步被澄清：W中間子觀測與核融合技術。

W 中間子的觀測

核反應後原子核中不穩定的中子可透過弱交互作用力，轉換成質子成為穩定核結構，稱之為 β 衰變（下圖）。而 W 中間子正是弱交互作用力的交換粒子，但此處的 W 中間子在理論架構中只是一個虛粒子 (virtual particle)，代表動態量子場中能量和動量的傳遞，該處的質量是變動的而非定值，因此 β 衰變的發生，並不能視為實際發現弱交互作用力中 W 中間子的證據。

科學界對於 W 中間子的發現與確認，是源於歐洲核子研究組織 (Organisation Européenne pour la Recherche Nucléaire, CERN) 實驗室於 1983 年，在 400 GeV 質子和 400 GeV 反質子對撞後，所產生質心系能量可高達 800 GeV 反應中，觀察到質量大約 80 GeV/c² 的W玻色子，該研究成果在 1984 年贏得諾貝爾物理學獎，從此 W 粒子的質量測定成為高能物理實驗的量測準確的檢驗方法之一。

人類一直在追尋的技術：核融合

關於核融合反應，事實上是與日常生活息息相關。

在太陽內部，每一秒有 60 億公噸的氫核透過連續核融合反應轉換成氦核，其中的質量虧損轉換成能量形式放出，提供地球上的生物與人類生活上不可或缺的光和熱。

而太陽內部的核融合反應能夠發生，歸功太陽內部強大的重力場，讓原子核能克服核子間的庫倫斥力，彼此靠近到約 10^-15 公尺的距離，讓短距離的核力得以作用。

人類為了尋求穩定能量的來源，人造的核融合反應已研究超過 60 年，但是在技術層次上仍面臨重大困難。

過去曾嘗試利用加速器或電漿加熱方式，試圖克服核子間的庫倫斥力，以產生核融合反應，但是整個過程中所投入的能量，卻大於核融合反應後所釋放出的能量，無法達到能量的損益平衡，毫無商業運轉的價值。

目前位於法國的國際熱核融合實驗反應爐 (International Thermonuclear Experimental Reactor, ITER) 計畫正集合來自全球各地 35 國之力，期望能在 2035 年底前突破此挑戰，讓人造核融合反應成為人類穩定能量的來源。

科學技術的源自於長期累積

科學和相關技術的進展需要長時間、大量人力與物力投入，透過嚴謹討論辯證、量化的測定、可重複的結果逐步累積，絕非一蹴可幾，也因此得以帶來對人類深遠的影響。

筆者期待藉此文提供讀者一些科學基本的知識得以用來判斷相關新聞報導的真假，更期盼臺灣社會大眾，能夠有正確眼光和態度，支持科學長期的發展，多充實科學基本知識，避免只感興趣於聳動性的新聞報導。

〈本文選自《科學月刊》2019 年 10 月號〉

在這個資訊不被期待的時空裡，卻仍不忘科學事實至上的自由價值。