黑子去哪兒了？

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

• 本文轉載自臺北天文館，《臺北星空》第 100 期。
• 作者 / 臺北市立天文科學教育館 | 陳姝蓉

在 2020 年底，美國 NOAA 和 NASA 的科學家宣布太陽活動極小期於 2019 年的 12 月結束，目前太陽活動穩定增長且中緯度出現磁極方向相反的黑子，代表第 25 太陽週期的到來。目前對驅動太陽活動的磁場於太陽內部的移動方式，乃至於磁極反轉的機制皆尚未完全了解，使得在建立太陽週期模型和預測太陽活動 上有許多挑戰。因此對第 25 週期太陽活動的強弱，看法也不相同。

太陽黑子週期

科學家把 1755 年訂為太陽活動的第 1 週期，並持續紀錄太陽黑子數目來分析太陽活動的變化。太陽活動如閃焰和日冕物質拋射等，會將能量和物質拋向太空。太陽活動造就了美麗的極光，卻也可能造成衛星軌道降低及儀器損害、電波通訊和電力傳輸的中斷。使得提供未來太空天氣粗略概況的太陽週期預報，顯得格外重要。

太陽黑子是磁場較強的區域，因磁場使內部能量不易傳播，溫度較低看起來較暗。太陽黑子數量和太陽活動相關（皆有約 11 年的週期），大多數閃焰和日冕物質拋射皆來自黑子群。太陽和地球一樣具有磁場，南北磁極約 11 年交換一次，新生黑子的磁場方向也隨著改變。於太陽活動極大期時，黑子數量較多且太陽的磁極開始改變，之後太陽活動下降，直到極小期到來，此時黑子數量較少且彼此間距離較遠，甚至有時完全沒有黑子。

NOAA 和 NASA 的預測

NASA 和 NOAA 每十年都會聚集一群科學家，他們會考慮不同模型， 對下個太陽週期的起始、黑子最多數量和太陽活動極大期的時間進行預測。模型通常採用和太陽活動相關的指標，如會受太陽影響的地球磁場或太陽磁極的磁場等。

科學家發現，在極小值時期，太陽磁極的磁場強度與下個週期太陽活動的強弱有關。假如極小值時期的磁極磁場較弱，接下來太陽週期亦較弱，此理論成功預測第 24 週的太陽活動。在過去的幾個週期中，太陽磁極的磁場逐漸減弱，同時最大的黑子數量也跟著下降。

由於第 24 週期的磁極磁場強度和之前差不多，推測第 25 週期的太陽活動將類似第 24 週期。將在 2025 年 7 月達到最大黑子相對數 115 ，這將是測試此模型的好機會。科學家也預期第 25 週期的太陽活動，將不會如前 4 個週期般持續下降。目前無證據顯示太陽活動有趨向於蒙德極小期（ 1645 ~ 1715 年間僅觀測到 50 顆左右的黑子）的跡象。

NCAR 的預測

美國國家大氣研究中心（NCAR）的科學家持相反意見，預測第 25 個太陽週期將是從 1975 年開始紀錄以來的太陽活動較強的週期之一，太陽極大期時的黑子相對數約在 210 ~ 260 之間。如果預測得到證實，將支持團隊的理論模型，即環繞太陽的磁場帶有 22 年週期，具有不同磁場方向的磁場帶的交互作用，產生 11 年的太陽黑子週期。

科學家發現日冕亮點，即太陽大氣在極紫外光的短暫閃爍，會由高緯度移動到赤道，並在中緯度時和黑子出現吻合。推測亮點標誌著磁場帶的傳播，當南北半球具有相反磁極的磁場帶在赤道相遇時，它們會互相湮滅造成「終結」事件， 結束上個太陽週期並開始下個週期。當南北半球的磁場帶（具相反磁場）往赤道移動時，新的磁場帶將在高緯度出現，這將造成下周期太陽磁場的反轉。

有時磁場帶在中緯度移動變慢，會延長磁場帶交互作用的時間，這將使當前的週期變長並減少下週期的黑子數量。由於需要足夠多不平衡的磁場以形成黑子，交互作用時間短有利黑子生成。回顧長達 270 年的觀測紀錄， 科學家進一步發現終結事件間的時間間隔，會影響太陽週期的強弱，間隔越長下個太陽週期就越弱，反之亦然。例如太陽的第 4 週期的終結事件間隔長達 15 年，使得第 5 週期非常弱，這也是道爾頓極小期的開始。同樣第 23 個太陽週期終結事件間隔 13 年，因此第 24 週期較短也較弱。藉此研究人員認為第 25 週期將是有紀錄以來較強的週期。

劇烈的太陽活動將會損害衛星連帶影響通訊傳播和 GPS 服務， 而其對地球磁場的影響可能使電力傳播和無線電通訊中斷，過多的輻射也將對太空人有害。因此了解太陽活動很重要，預測太陽週期將可幫助我們掌握和評估其潛在影響。

參考資料

1. What Will Solar Cycle 25 Look Like?
2. Solar Cycle 25 Is Here. NASA, NOAA Scientists Explain What That Means
3. New sunspot cycle could be among strongest on record
4. Overlapping Magnetic Activity Cycles and the Sunspot Number: Forecasting Sunspot Cycle 25 Amplitude

最近一則新聞提到「科學家警告：太陽15年後『休眠』 地球進入小冰河期！」是不是也就代表著，我們該擔心的是地球變冷，而不是全球暖化？

當然…不是這樣的，要是科學家真的有這麼說，不用鄉民，其他科學家會先把他拖出來鞭，這只是科學現象的理解與科學用語詮釋的問題。接下來我們先從新聞文章與科學研究了解此議題。

首先是多數人會看到的新聞版本：

好，這是一篇再摘錄過的報導，因為看文章的尾巴就知道文章的結論是蠻薄弱的（所謂「跟蒙德極小期相同的效應」也是語焉不詳的一句話），而下方所謂的「原文」也非研究人員或單位發布的新聞稿，而是摘自大多媒體最喜歡翻譯外電之一的「每日郵報」。

這種「轉手再轉手」 新聞消息，往往就像我們玩喝水傳話一般，誤差是會隨之放大，就算是具科學背景的人士乍看這篇報導，也很難揣測原意是什麼，而實際上的研究成果應為下面這則英國皇家學會的稿件：

科學家到底怎麼說

某位對岸的網友李汀先生在新浪網的投稿中，也提到了這個研究與每日郵報報導中的落差，不過在此我們從一些太陽活動的背景先談起：

1. 太陽的「活動」是有周期性的，而所謂的活動包括了產生太陽風、日冕、太陽黑子等現象，簡單來說就是太陽會定時的向外突然放出高能的粒子、宇宙射線這些東西，平均來說周期是11年左右（如下圖紅線的太陽黑子個數年變化、橘線的太陽黑子個數日變化），但並不是那麼剛好的11年，有時會多1年、有時會少個1年。

2. 造成太陽運動周期變化的主要原因是磁場變化，這樣講或許有點抽象，就像是對流的概念，裡面的東西向外湧出，而外面的東西又跑到內部，而像黑子就是一些不均勻的活動…再講就太深了，先就此打住！

3. 接著回到這個研究，過去科學家已經知道了磁場、對流的影響。而今天科學家Valentina Zharkova這項研究的出發點，就在於他們認為造成太陽運動會有變動的一大主因可能就是太陽內部流體的對流可以「分成兩層」，所以他們便以此為前提來建立模型模擬，並對比到真實的觀測紀錄。

4. 要理解Zharkova的模型，我們可以想像把「兩層」的對流想像成兩個11年上下的穩定波動，有各自的週期，但它們會有疊加、相消的作用。當兩層的波動疊加時，活動就特別大，當相消時，就會特別小，而Zharkova研究團隊的模型與真實的觀測資料對比，有高達97%的準確率。

5. 以此前提我們似乎就可以拿來預測一下未來的活動…結果不得了！原來2030年太陽的活動將會減少為現在的60%，至於上次降那麼多是什麼時候呢？就是所謂的「蒙德極小期」（上圖的Maunder Minimum的區間，約在西元1645~1715年間），而那段時間也正好是「小冰期」的時間點附近（一般指的小冰期是西元1550年至1770年間，也有人認為那是明朝衰亡清朝興起的原因之一）。

科學家對於科學上用詞總是講求精準，誇大對科學家來說是個忌諱，綜合上面五點來看，只有第5點才勉強和地球將要變冷有一點點的擦邊球，但實際上科學家有以此「警告」人們嗎？沒有…為什麼不這麼說？因為那不是科學家有把握的事！即使太陽活動減少至現在的60%，我們還是不知道會降溫多少…甚至連會不會降溫都不知道呢！

所以現在到底是在暖化還是冰期要來？

實際上影響氣候的因子非常多，而且還非常難驗證。舉個例子來說，塞爾維亞科學家米蘭科維奇在本世紀初就提出米蘭科維奇循環，指出地球的氣候模式受到地球的離心率、轉軸傾角和軌道的進動的影響，但實際上我們現在知道的理論則是到1976年才確立的（見文獻[1]）。除此之外，像太陽黑子、板塊運動、火山活動皆會對氣候有不同尺度的影響。你說要斬釘截鐵的說：未來幾年天氣將會怎麼樣怎麼樣的，我相信那一定不是研究大氣或古今氣候的學者會做的事，頂多說會「我們要注意朝向XXXX發展」之類的說法。

再來，從時間尺度來談，蒙德極小期和冰期的相關性還有待討論，而這個太陽活動研究所提出的精準模型預測也還是需要科學家再論證…畢竟蒙德極小期持續了數十年之久，和11年的規律尺度還是有些落差，而在過去的紀錄中，即使能看見「溫度」和「太陽黑子」的相關性，我們也可以發現差距甚至不到1度（見下圖）。像IPCC的主流科學家也認為太陽的活動影響可能不若其它的因素顯著（包括暖化也是），而一般也認為太陽活動對氣候的影響甚小（見[2]）。

所以總體來說，IPCC的主流科學家們認為暖化是一件事，而科學家Valentina Zharkova做的研究是另一件事，這兩件事也可能同時發生，而以目前的證據與研究來說，暖化的效應和尺度似乎大一點，但真實的情況是…我們目前拿的出來的科學證據說不定還不夠用，所以現在把這些研究拿來說些駭人聽聞的事，似乎都言之過早。

那氣候變遷怎麼辦？人類要怎麼因應？至少我們人類別讓自己的影響太過頭（臭氧破洞就是個例子），起碼眼下節能減碳的目標（至少別燒那麼兇），也還算是條穩健的路。至於那些枝微末節或是高深莫測的學問，我們還是努力相信科學家幫我們找答案吧！對了，別忘了看這類的科學研究還是要保持著「科學精神」，避免斷章取義、以偏蓋全哦！

參考文獻

• [1] Hays, J.D., Imbrie, J., Shackleton, N.J., 1976, Variations in the Earth’s Orbit: Pacemaker of the Ice Ages. Science, 194 (4270): 1121–1132.
• [2] Climate Change 2001:Working Group I: The Scientific Basis

延伸閱讀

• 影響氣候的因子 [中央應地所]
• 小冰期將至？氣候危機當前，請不要誤導 [主場新聞]
• 太陽2030年休眠地球進入小冰期？媒體寫錯了！ [新浪投稿]