鑰匙怎麼開門？先搞清楚鎖中暗藏的彈簧奧秘—《知識大圖解》

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「財團法人國立自然科學博物館文教基金會——科普寫作網路平台」

1676 年，英國科學家羅伯特·虎克（Robert Hooke，1635 C.E.~ 1703 C.E.）拋出了一句拉丁文字謎：“ceiiinosssttuv”；兩年後，虎克揭示了它的謎底：“ut tensio sic vis”——「力如伸長」，吾人熟稔的彈性定律，又稱「虎克定律（Hooke’s law）」。

彈性定律的提出，還得歸功於彈簧的發明，中小學課本的 “F=-kx”，即「彈性恢復力等於彈力常數乘以形變量」，為虎克定律在理想彈簧中的形式，事實上，虎克定律適用範圍甚廣，除卻金屬，也包含弓弦等其他材料。在所有材料中，適用的公式為“σ=Eε”，即「應力等於彈性模量乘以應變。應力為單位截面積受力，即 F/A；應變為單位長度形變量，即 ΔL/L」，也能寫為 “ΔL=E-1×L×σ”，即「形變量等於彈性模量的倒數乘以總長乘以應變」。

廣義的彈簧包含一切比例得當、可彎曲的合金，在人類歷史上使用第一種合金——青銅以後，這個比例經歷數千年才被找到。前三世紀托利密王朝的克特西比烏斯（Κτησίβιος，285 B.C.E.~222 B.C.E.）就找到了這樣的青銅比例，然而當他想要進一步用於研發彈射武器時，卻發生技術上的困難，無法發揮預想的效果，直到後世找到更佳的彈性比例後才慢慢改善；反觀秦始皇陵出土的寶劍被數噸陶俑壓折得嚴重彎曲，經歷了兩千餘年後出土，竟還能彈回原貌！

人們紛紛將此劍稱為「秦王朝具有記憶功能的黑科技」。重點是，秦國的武器鑄造具有非常嚴謹的標準化流程，常見於武器上的「物勒工銘」，即是從高層的「相邦」、「工師」、「丞」，乃至每個工匠，皆須於武器刻上名字，以示負責。至今，秦人一絲不苟的精神，仍可見於數以千計而毫髮不爽的出土刀劍，更可推知與托勒密王朝同一時期的中國，早已將彈性合金的技術瞭若指掌，運用成熟。

今人熟知的「彈簧」，稱作螺旋彈簧（Coil spring，或譯「盤繞彈簧」），出現於 15 世紀初，它促成發條的出現，其中最早使用發條的文物為 1430 年代全盛時期勃艮第公國（今法國中部）的“Burgunderuhr（勃艮第時鐘）”，解決了原本滑輪驅動過於笨重與動力不足的問題，而後比德·海萊恩（Peter Henlein，1485 C.E.~1542 C.E.）更以此技術，發明最早的手錶（須注意：部分資料以海萊恩為發條發明者，這是錯誤的）。

然於四十多年前戰國曾侯乙墓（墓主人曾侯乙薨於楚惠王五十六年，433 B.C.E.）出土的一串糾纏的金彈簧，將螺旋彈簧出現的時刻整整提早將近兩千年。無論何種「彈簧」，當時的中國的技術在世上可謂超倫軼群，那麼，更早善用彈簧的中國人，有可能更早發現彈性定律嗎？

「彈力」一詞最早見於晚唐段成式《酉陽雜記》，其曰：「彈力五斗。」其中「斗」為重量單位，乍看之下與今人使用的「公斤重（kgw）」、「公克重（gw）」並無二致。因此在談論彈力前，吾人須先釐清一項重要問題：古人認知的「力」，與今人有幾分相似呢？古人是否對重量與質量有清楚的認知呢？

誠如上文所述，古人最需計量的「力」，當屬「重力」，乃因重力涉及日常秤重，因此量測重力的方法，必然在原始社會的勞動人民中已能見到。

戰國墨子（周貞定王元年至周安王二十六年，468 B.C.E.~376 B.C.E.）的《墨經》曰：「力，重之謂，下、與（舉），重奮也。」意為：「重量是力的表現，向下墜落、向上舉起，皆由重量所導致。」亦即將「重量」視作向下的「拉力」；又曰：「刑（形）之大，其沉淺也，說在衡。」意為：「形體大的物體，沉入水中較淺，其機制在於平衡。」以現代物理觀念理解，「在衡」的緣故就是體積較大物體上下兩端的液壓差形成浮力，以現在公式理解就是 “B=ρ×V×g”，即「浮力等於液體密度乘以下沉體積乘以重力加速度」，墨子此話同時體現出「力平衡」的觀念。

除卻重力，「彈力」觀念也萌芽於古人重視的射術——山西峙峪遺址出土的石箭簇距今約 28000 年，經過漫長的發展，更成為西周貴族子弟必學的「六藝」之一。鑒於秤重的必要，在墨子的力觀念與「彈力」一詞出現之前，重物已被用於測量彈力。春秋末《左傳》曰：「弓六鈞。」春秋、戰國之交記載齊國度量衡等資料的《考工記》曰：「量其力，有三勻（鈞）。」無庸置疑，皆為重物量測弓弦受力之證，在力學觀念尚未發達的時代，能將重力與彈力連結，是十分先進的。

到了西漢中至東漢中的《居延漢簡》，彈力的量測以能達到斤、兩（十六兩為斤，三十斤為鈞，四鈞為石。戰國一兩約 15.8 公克重，兩漢一兩約 13.8 公克重）。隨著量測彈力愈漸精準，產生「應變與應力成正比」經驗，也就無從詫異了。

東漢晚期經學家鄭玄（漢順帝永建二年至漢獻帝建安五年，127 C.E.~200 C.E.）對「量其力，有三勻（鈞）」註曰：「每物加一石，則張一尺。」可謂世界上彈性定律至早的提出者，早於虎克近一千五百年！到了唐代的賈公彥，又對應變與應力的正比性質作出更清楚的闡述：「一石張一尺，二石張二尺，三石張三尺。」

可惜的是，中國始終沒有發現地心引力，因此不能嚴格區分質量與重量，也未將這些經驗推向數學化的過程。中古以後，中國的物理學進展趨緩，上古的科學成就在一次次的戰火中成為鳳毛麟角的絕學，也在一次次的朝代遞嬗與制度變革裡步步失去士大夫的重視，最終淡化在歷史的洪流與知識分子的記憶，直到被後來居上的西方文明趕超。

光速是宇宙的終極速限，任何的物質運動和資訊傳遞都不准超速。不過最近有人做出了最新預測，除了一般物質外，聲音的傳遞速度竟然也有最大上限？

不管是光（電磁波）還是聲音，都是以波動的形式傳播。值得注意的是，波速只會跟系統本身性質(例如：介質不同)有關，一般的繩波或是水面波同樣也是如此，不論震動得多用力或多快，都不會讓波跑的更快或更慢。

我們可以把聲波的傳遞想像成下圖中的彈簧。既然彈簧波的速度可以用彈性係數和彈簧質量來表示，同樣的，聲速應該也可以用某些性質來描述。

先從聲音的性質說起

聲音在不同材料中傳遞的差異，可以用體積模數（Bulk Modulus，簡寫 B ）來表示。體積模數代表物體在面對外部壓力時，會做出多少體積上的改變。數學上可以寫成：

等號左邊是施加的壓力，右邊是體積模數 B 乘上體積變化量占總體積的比率，負號只是習慣，這代表相同壓力下，B 值越大物體越不容易壓縮，和彈簧的 F=-kx 類似。我們知道越「硬」的彈簧反應越快，可以更快地傳遞波動；同樣地，比起在空氣中傳遞，聲速在較難壓縮的液體和固體中會比較快。因此不難看出，B 會與聲速扯上關係，而且 B 值越大聲速越快。

一般來說，聲速可以寫成：

分子就是上面提到的體積模數 B，而分母的材料密度則表示介質越稀疏，聲速越快。國中學過的聲速與溫度成正比便是這個道理，當溫度變高時，空氣體積膨脹，密度變小，因此聲速傳遞更快。

為什麼聲速有上下限？

不過公式中的 B 和材料密度都是需要透過實驗獲得的材料參數，因此很難看出聲速會有什麼上下限。如果要再往前一步，就必須進入微觀的原子尺度。想像兩個同極相斥的磁鐵，彼此互相靠近時，斥力會逐漸變大；這是因為隨著兩個相斥磁鐵逐漸靠近，抵抗靠近的磁力位能會逐漸增加。

同樣地，當原子間的鍵結能量增加，將兩顆原子拉伸或壓縮的難度會隨之上升，物體也就越不容易被壓縮。也就是說，體積模數 B 正比於單位體積內原子間的鍵結能量，巧合的是，材料密度也能寫成單位體積內的原子質量，於是我們可以將聲速寫成：

一般固態物質中，鍵結能量可由古早的波耳氫原子模型導出，大約是 α²c²m_e / 2（原子質量），α 是一大串常用的物理常數，c 是光速，m_e 是電子質量。於是我們在原子尺度的物理圖像中，得到了聲速的新公式：

公式中的英文字母都是常數，唯一重要的是原子質量，原子質量越小的聲速便越快。依照理論，聲速最快的會是原子量=1 的固態氫原子，聲速為 36100m/s 。

聽起來很厲害，實際上真的是如此嗎？

針對一系列不同原子量的固態元素，我們可以看看他們的聲速是否的確符合預期。不過因為 B 的實際值和鍵結種類，晶格結構等複雜因素有關，因此並不會完全落在理論線上，不過整體的趨勢十分吻合。

有趣的是，如果我們將新的聲速公式移項一下，會發現聲速上限對光速的比率，可以用簡單的物理常數來表示，這點是前人使料未及的。這結果或許不像光速這麼絕對，不過仍然是一次很漂亮的科學推理，也為固態物理的理論與實驗提供了嶄新的發展題材。

1. Trachenko, K., Monserrat, B., Pickard, C. J., & Brazhkin, V. V. (2020). Speed of sound from fundamental physical constants. arXiv preprint arXiv:2004.04818.