夏至要幹嘛？當然是用竿子丈量世界啊！

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

厄拉托西尼（Eratosthenes, 276 BC-194 BC）是古希臘時期的科學家，他曾經在夏至時準確量測地球的直徑。2020 年的夏至，我們可以用當天的日環食，量測月球的距離，向最早準確量測地球大小的科學家致敬！

以「三角視差法」量測月球距離

環食帶中央發生食甚時，太陽和月亮的中心重合在一起，環食帶中央的觀測者透過望遠鏡拍攝日環食的照片，同一時間其他地區的觀測者也透過望遠鏡拍攝日食。兩張同時拍攝的日環食影像可以用三角視差法來量測月球的距離。

兩張同時拍攝的影像，將太陽的大小調整與重合後，量測兩月亮中心的角度 θ。另外用 Google 地圖量 A 點到 B 點的距離 d，如果太陽的位置接近天頂，月球的距離就是 d/θ。

如果日環食發生時，太陽不在正天頂，就不能直接用 A、B 兩地點的距離，要用有效距離代替，因為有效距離才是造成兩點視差的原因。

2020環食帶通過哪裡？食甚什麼時候發生？

2020 年 6 月 21 日，環食帶通過台灣中南部，環食帶經過的確切位置可以從以下的 Google map 得知。兩條紅色線標示日環食的南北界，兩條紅線間的人都可以看見日環食，以外的地方只能看見日偏食。

地圖上藍色的線是環食帶中心通過的地方，這裡在環食食甚時，月亮會位在太陽的正中央，兩個天體的中心會重合，可以看見日環食的時間最長，這次位在環食帶中央的人大約可以看見大約 1 分鐘的日環食。

這個 Google 地圖上只要點一下，就可以知道當地初虧（C1）、食既（C2）、食甚（MAX）、生光（C3）、復原（C4）的世界時間（UT），世界時加上 8 小時就是台灣時間。

• 嘉義市日環食各個階段的時間表

為什麼要在日環食時量測，日全食會比較好嗎？

因為三角視差要以太陽作為參考點，日環食可以同時看見太陽與月亮，所以比較方便。日全食食甚時，太陽完全被月亮遮住，太陽這個參考點看不見，反而不適合做月球距離的量測。

不在環食帶中心也可以嗎？日偏食也可以嗎？

只要日食發生時，兩個地點同時拍日食的影像都可以量月球距離，不過兩地點上相機朝的方向必須一樣，例如兩台相機的上方都是北方，這樣才能正確比較月亮圓心的角度。

不過一般移動式望遠鏡，相機的轉向並沒有做良好的校正，影像上方不一定是正北方，這會增加距離量測的難度和誤差。

選擇位在環食帶中心作為拍攝地點之一（A 地點），可以省去相機轉向的問題，因為在食甚時太陽和月亮的中心重合，兩個圓形狀對稱。B 地點拍攝的日食和 A 地點比較時，只要把太陽的大小和 A 地點拍的相重合，就可以正確量出 A、B 兩點月亮中心的角度，可以省去相機轉向的校正。

如果有興趣在 2020 年夏至這一天量測月球的距離，可以找兩組人和望遠鏡，一組在環食帶中央，另一組在其他地方。當第一組人所在的位置出現食甚時，兩地的人同時拍下日食的影像，這樣就可以推算出月球的距離。讓 2020 年的夏至充滿天文與科學！

本文轉載自作者部落格「屋頂上的天文學家」，原文為〈2020年夏至要幹嘛？當然是量測月球距離啊！〉

每年的夏至落在 6 月 21 日或 22 日（歐美地區則是 20 日或 21 日），這一天太陽直射北回歸線，北半球的白晝最長、夜晚最短；北回歸線地區的日正當中時，地面幾乎沒有影子。二千二百多年前的一個夏至，古希臘的埃拉托斯塞尼（Eratosthenes, 276 BC－194 BC）因此得知了地球的大小。

埃拉托斯塞尼出生於現今的利比亞，在雅典接受教育。他精通數學、天文學、地理學，還是位詩人；西元前 245 年，他被托勒密國王任命為當時規模最大的亞歷山卓圖書館館長，約莫五年後，他想到了測量地球大小的方法。

首先，埃拉托斯塞尼知道地球是球形；是的，無須等到十六世紀麥哲倫航海證明地球是圓的，早於埃拉托斯塞尼一個世紀的亞里斯多德就根據月蝕時，地球投影在月球上的弧形影子，以及眺望帆船進港時，總是先看見桅杆，接著才出現船體，而推論地球必定是個球體。亞里斯多德還從北方與南方所見的星空並不完全相同，而推論地球與星辰相比，體積並不大。因此埃拉托斯塞尼還可以將照射到地面的陽光視為平行的。

根據文獻記載，位於亞歷山卓南方五千「斯塔德」（stadia，古希臘距離單位）遠的城市塞耶尼（Syene）有一口水井，每年的夏至中午，太陽正好位於水井正上方映照在深處的水面上，太陽就像個塞子均勻地蓋住井口。也就是說，陽光的方向經過水井，直指地球中心。但此時陽光卻會令亞歷山卓的日晷投下影子，因為光線是平行的，所以光線與日晷頂點形成的夾角，會等於日晷到水井這段圓弧對應的圓心角。埃拉托斯塞尼測量影子長度與日晷高度，算出夾角大小等於圓的五十分之一，也就代表亞歷山卓的日晷到塞耶尼的水井這段距離是地球圓周的五十分之一，因此地球周長就等於五千斯塔德乘以五十，等於二十五萬斯塔德。雖然斯塔德在不同地區所定義的長度稍有不同，但學者估計換算成現代長度，與地球實際周長四萬公里誤差最多也不超過 2%。

埃拉托斯塞尼完全展現了科學思考的力量，將看似無法克服的複雜問題，化約成本質不變的簡潔模型；不用蠻力與特殊工具，也無需深奧的理論與繁複的計算，僅憑現今國中程度的數學就能在兩千多年前算出地球的大小。當然，這背後需要豐富的想像力與抽象思考的能力，而這似乎一直是我國偏重計算能力的數理教育力所未逮之處。

本文同時收錄於《科學史上的今天：歷史的瞬間，改變世界的起點》，由究竟出版社出版。