0

0
0

文字

分享

0
0
0

地震的成因是因為板塊錯動?事情沒有那麼簡單!——《震識》

震識:那些你想知道的震事_96
・2017/05/15 ・3718字 ・閱讀時間約 7 分鐘 ・SR值 543 ・八年級

文/潘昌志|「你地質系的?」不,但我待過地質所,而且還是海研所的碩士。無論在氣象局、小牛頓…都一樣熱愛地科與科普。現在從事試題研發工作,並持續在《地球故事書》、《泛科學》、《國語日報》等專欄分享地科的各種知識,想以科普寫作喚醒人們對地球的愛。

集集大地震後倒塌的東星大樓。source:wikipedia

這篇我們來聊聊稍微難一點點的地震科學,不過會盡可能用簡單方式切入。

過去,如果有機會和對小朋友講到地震成因時,我經常會提一個很簡單又不簡單的問題:

我:「地震是怎麼來的?」
小朋友:「是板塊運動!」
我:「那板塊是什麼?」
小朋友:「是我們腳下的地方」
我:「板塊『運動』就會地震?那板塊是地震時才運動?還是一直都在動呢?」

這可不是故意要刁難孩子們,而是在科普推廣的經驗中發現了許多常見的盲點,一有機會我就會想盡辦法導正。過往許多教育或某些片段的科普知識,在「地震成因」的部分,經常會以板塊構造運動的學說,來解釋板塊運動伴隨而生的地震。

-----廣告,請繼續往下閱讀-----
臺灣處於板塊交界處,地震頻繁,小孩對於地震都有基本認知,但認知都是對的嗎?圖/By Aaron Siirila,創用CC 姓名標示-相同方式分享 2.5,wikimedia commons

不過,事情才沒這麼簡單呢!人們嘗試用不同方式去了解地震成因的歷史已有數千年,不過到了 1906 年舊金山地震後,人們才連結了地震與斷層的關聯,至於 1960 年代才興起板塊學說,也和地震的關係密不可分,板塊學說可以用來解釋地震,地震其實也是建構板塊學說模型的佐證,今天我們不止談科學,也談歷史,從地震的科學史來看人們探尋地震成因的脈絡。

將地震和斷層摻在一起的第一人:萊尹爾爵士

最早的人們觀測地震的狀況,不過就是「地在搖晃」而已,但因為大地沒事不會搖晃,加上古代人也不會知道地下除了石頭之外還有些什麼,所以也根本想不懂地震是哪來的。

自古以來有許多人嘗試了解地震,不過因為距離理論仍太遙遠,我們直接跳到較重要的一位主角:英國地質學家萊尹爾爵士。

你可能沒聽過他,但他是在地質學和演化論的發展上皆扮演了重要角色,他支持赫登的「均變說」,覺得世間的許多地質的現象都是經年累月慢慢形成的,就像滴水能穿石般的緩慢……而後來達爾文在發展演化論時,多少也受到地質學的影響(這又是另一個故事,我們之後再聊)。

-----廣告,請繼續往下閱讀-----
萊伊爾爵士(1865~1870 之間拍攝照片)圖/By John & Charles Watkins,公有領域,wikimedia commons

回到正題,萊伊爾走遍大江南北,看了很多「斷層」,他的想法是:

「斷層不是一天造成的!」

我們在國中課本上看到的斷層,經常都會看得出它的「錯動」方向,但實際上很多時候斷層長得又是另一種樣子,甚至斷層兩側是八竿子打不著邊的岩層,認真一算,搞不好從古至今滑動了好幾十公尺。所以,萊伊爾就覺得這應該是一點一滴累積而成的。

這時,恰巧有一起證萊伊爾想法的地震發生,1855 年地震發生時紐西蘭雖不能算是殖民地,但也是英國的好朋友,萊尹爾就從紐西蘭地震後得到的資料,確認了地震與斷層的關聯。

不過對於當時萊伊爾的想法僅止於找出「相關」而非「因果」,這就像是雞生蛋在先,還是蛋生雞在先的問題一般,到底地震是「怎麼樣發生」,還無法解釋。

-----廣告,請繼續往下閱讀-----

感謝那些地震後變形的圍籬

時間跳到近 50 年後,1906 年舊金山地震造成加州灣區嚴重的傷亡,但也因為它發生在人們已充分開發的地區,所以有完整的測量資料,就像是我們現在家家戶戶都有畫好地圖地籍一樣。地震後重新測量,發現有些地方的錯動量十分驚人啊!

欸?不對啊,這件事不是跟萊伊爾看到的狀況一致?到底是要怎麼看出斷層「怎麼動」的?

這時就要感謝辛勤的加州的畜牧業者,幫我們記下了斷層在地面留下的痕跡,如果要開個牧場,勢必要蓋圍籬。有些牧場的圍籬就正好蓋在斷層線上,在地震過後,正好就發現了這些先來後到的圍籬,記下了截然不同的變形。

1906舊金山震後因斷層錯動變形的圍籬。圖/取自 USGS

如果是已經蓋好非常久的圍籬,地震後幾乎完美的截成兩半,明顯的看出斷層的變形。不過,如果是地震前沒多久才蓋好的圍籬,卻是斷成弧形的,這樣太奇怪了!

-----廣告,請繼續往下閱讀-----
型式一:完整的變形;型式二:同震變形。(這兩者差異於後面的文章中將說明)圖/震識提供

然後,在 1906 地震後多達一千六百多頁的報告中,有一篇「地震的機制」,作者里德(Henry Fielding Reid)闡述了地震與斷層的關係,提出彈性回跳理論來解釋斷層上發生的現象和地震之間的關係…真要細講應該寫個三個星期都講不完,所以還是先跳結論-斷層錯動引發地震的過程可以分成三個階段

第一階段:斷層未受外力的作用也沒產生變形的階段

第二階段:隨著力量的累積,變形也慢慢的變化,而此時斷層面因為摩擦力的作用,是整塊卡住還沒有斷開的,整塊地層像有彈性般變形。

第三階段:斷層上面的作用力和摩擦力的平衡達到臨界點,一口氣錯動開來,並同時發生地震,地震就是釋放突然錯動產生的能量變化。

-----廣告,請繼續往下閱讀-----

就加州的聖安德列斯斷層來說,斷層上的地震便以這樣的方式周而復始發生,在一次大地震後,就有點像是重置這個循環回到第一階段一樣。這個理論不是隨便說說,而是建立在精密的震後測量上,包括前面提到的圍籬變形方式。

彈性回跳理論的三個基本階段循環的示意圖,斷層面在地震發生前會「鎖住不動」而累積應力,直到臨界點才會一口氣錯動,並周而復始重覆。圖/震識提供

而前面提到的「型式二」的變形方式與彈性回跳理論並不矛盾,反而是忠實呈現接近同震的變形:

我們可以想成在斷層面開始累積應力與應變時,才蓋上了新的籬笆,所以離斷層較遠的地方已經先變形了,而斷層面在地震當下的錯動才是最劇烈的!圖/震識提供

更重要的是,上述用圍籬的示意方式,不僅僅是個概念上的理論,還能用數學式子來解釋。因此現在我們才能運用地震波、精密測量與地震後的觀察紀錄來研究斷層的行為,雖然並不是每個斷層的特性都相同,但多數經過重覆的觀察後都可以簡化成上述的行為與方式,這也是目前我們對於地震成因的認識。

雖然這個理論至今仍普遍用來解釋地震的成因,不過其實當時的這個理論還沒辦法完全幫我們解開問題。從前文的脈絡至少就可以列出幾點疑問:

-----廣告,請繼續往下閱讀-----

1. 這個理論有沒有例外?

2. 讓斷層附近變形和錯動的「外力」是哪來的?

3. 理論上提到的狀況是已經有斷層了,那斷層又怎麼「從無到有?」

我們先來聊聊「例外」的情況,有沒有不是循這種模式的呢?

有!譬如火山地區岩漿庫內的岩漿增加、移動或冷卻時所造成的地震。

source:Wikimedia

而就算是與斷層作用相關的地震,也不是百分之分就能分成這三個階段,有些斷層經常緩緩的錯動,不發生地震或是僅發生規模很小的地震,有些斷層則是既會發生大地震,也會發生無震的滑移或是小地震,這些差異受了很多因素影響,像是斷層面上的摩擦性質、外力作用的大小與變化,甚至鄰近地區的大地震,也可能間接改變了斷層面性質與能量累積的臨界等,這種種差異,也讓現今科學家不斷修正、調整各項理論的看法。

至於第 2 和第 3 點疑問?其實現今的科學已早有解答。板塊構造學說用板塊運動解釋了「為什麼會有外力」讓地表附近的岩層產生各種變形,而斷層怎麼「從無到有」,則又可以從實驗室中岩石力學的實驗來驗證。不過這兩項又得再花個兩篇文章來細說分明,就暫且賣個關子或請參閱延伸閱讀略知一二吧。

-----廣告,請繼續往下閱讀-----
各種不同的板塊邊界。source: Wikimedia

讀到這裡,可以發現「地震成因」在科學上仍然是個待解之謎,我們還有更長的路要走,這些假說、理論都還有調整修改的空間。即使如此,也沒什麼好洩氣的,更不要想「這些理論又不一定是真理」而認為地震學者都在做些無意義的事,起碼這些層層疊疊的前人肩膀,逐漸長高到讓我們越來越靠近真理。未來若有人能完全解開所有的地震機制之謎,可以想見他也是像牛頓一樣,站在巨人的肩膀上吧!

本文原發表於《震識:那些你想知道的震事》部落格,或是加入按讚我們的粉絲專頁持續關注。將會得到最科學前緣的地震時事、最淺顯易懂的地震知識、還有最貼近人心的地震故事。

延伸閱讀:

關於地震機制的文獻:

  • Scholz, C. H. The Mechanics of Earthquakes and Faulting 439New York: Cambridge University Press, 1990.

關於彈性回跳理論的文獻:

  • Reid, H.F., The Mechanics of the Earthquake, The California Earthquake of April 18, 1906, Report of the State Investigation Commission, Vol.2, Carnegie Institution of Washington, Washington, D.C. 1910
-----廣告,請繼續往下閱讀-----
文章難易度
震識:那些你想知道的震事_96
38 篇文章 ・ 9 位粉絲
《震識:那些你想知道的震事》由中央大學馬國鳳教授與科普作家潘昌志(阿樹)共同成立的地震知識部落格。我們希望透過淺顯易懂的文字,讓地震知識走入日常生活中,同時也會藉由分享各種地震的歷史或生活故事,讓地震知識也充滿人文的溫度。

0

1
0

文字

分享

0
1
0
拆解邊緣AI熱潮:伺服器如何提供穩固的運算基石?
鳥苷三磷酸 (PanSci Promo)_96
・2025/05/21 ・5071字 ・閱讀時間約 10 分鐘

-----廣告,請繼續往下閱讀-----

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。

-----廣告,請繼續往下閱讀-----

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。

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。/ 圖片來源:MotionArray

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)」!

-----廣告,請繼續往下閱讀-----

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。

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。

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。/ 圖片提供:研華科技

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。

-----廣告,請繼續往下閱讀-----

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。

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。/ 圖片來源:MotionArray

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)。

-----廣告,請繼續往下閱讀-----

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。

-----廣告,請繼續往下閱讀-----

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。

-----廣告,請繼續往下閱讀-----
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。/ 圖片提供:研華科技

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

-----廣告,請繼續往下閱讀-----
-----廣告,請繼續往下閱讀-----
文章難易度

討論功能關閉中。