眾望遠鏡轉播175年前一場大爆炸的回光

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

• 作者／豪爾赫．陳、丹尼爾．懷森
• 譯者／徐士傑、葉尚倫

如果我被吸進黑洞會怎麼樣？

很多人似乎都有這個疑問。

「進入黑洞後會發生什麼事呢？」在許多科學書籍中都有提到，也是我們聽眾和讀者經常提出的問題。但是為什麼大家對這問題特別有興趣呢？難道公園裡處處都是黑洞？或是有人計畫在黑洞附近野餐，但又擔心放任他們的孩子在旁邊跑來跑去會發生問題？

可能不是。這個問題的吸睛度與實際上會不會發生無關，而是源自我們對迷人太空物體的基本好奇心。眾人皆知，黑洞是神祕莫測的奇怪空間區域，是時空結構中與宇宙實體完全脫節的「空洞」，任何東西都無法逃脫。

不過，掉入黑洞是什麼感覺呢？一定會死嗎？和掉進普通洞裡的感覺有什麼不同？你會在洞內發現宇宙深處的祕密，還是看到時空在你的眼皮子底下伸展開來？在黑洞裡面，眼睛（或大腦）能正常發揮功能嗎？

只有一種方法可以找到答案，那就是跳進黑洞。所以抓起你的野餐墊，和你的孩子說聲再見（也許是永別），然後牢牢抓緊，因為我們即將深入黑洞公園展開終極冒險。

接近黑洞

當你接近黑洞時，注意到的第一件事可能是，黑洞確實看起來就像「黑色的洞」。黑洞是絕對黑色，本身完全不發射或反射光線，任何擊中黑洞的光都會被困在裡面。所以當你觀察黑洞時，眼睛看不到任何光子，大腦會將其解釋為黑色。

黑洞也是個不折不扣的洞。你可以將黑洞視為空間球體，任何進入黑洞的東西都會永遠留在裡面。這是因為已經留在黑洞內的東西所造成的重力效應：質量在黑洞中被壓縮得十分密集，進而產生巨大的重力影響。

為什麼？因為離有質量的東西愈近，重力愈強，而質量被壓縮代表你可以十分靠近質量中心。質量很大的東西通常分布得相當分散。以地球為例，地球質量大約與一公分寬（大約一個彈珠大小）的黑洞等同大小。如果你與這個黑洞距離一個地球半徑長，感受到的重力就如同站在地球表面一樣，都是 1g。

但是當你分別接近兩者中心時，會發生截然不同的狀況。當你愈靠近地球中心點，愈感覺不到地球重力。那是因為地球圍繞著你，把你平均的往各個方向拉。相反的，當你離黑洞愈近，感受到的重力愈大，因為整個地球質量近在咫尺的作用在你身上。這就是黑洞強大的威力，超緊緻質量對周圍事物立即產生巨大影響。

真正緊緻的質量會在自身周圍產生極大重力，並且在一定距離處，把空間扭曲到連光都無法逃脫（請記住，重力不僅會拉動物體，還會扭曲空間）。光不能逃脫的臨界點稱為「事件視界」，在「某種程度」上，事件視界定義了黑洞從何處開始，以此距離為半徑的黑色球體則稱為黑洞。

黑洞的大小會隨著擠進多少質量而發生變化。如果你把地球壓縮得足夠小，會得到一個彈珠大小的黑洞，因為在大約一公分距離內，光再也無法逃脫。但是如果你再壓縮更多質量，黑洞半徑就會更大。例如，你把太陽壓縮變小，空間扭曲程度更高，事件視界更遠，大約發生在距離中心點三公里處，因此黑洞寬度約六公里。質量愈大，黑洞愈大。

其實，黑洞的大小並沒有理論限制。在太空中我們已探測到的黑洞寬度，最小約有二十公里，最大可達數百億公里。實際上，黑洞形成的限制只有周圍環繞物質的多寡，以及所允許的形成時間。

當你接近黑洞時，可能會注意到的第二件事是，黑洞通常不孤單寂寞。有時你會看到周圍東西掉進黑洞。或者更準確的說，你會看到東西在黑洞周圍旋轉等待落入。

這種東西稱為「吸積盤」，是由氣體、塵埃和其他物質組成。這些物質沒有被直接吸入黑洞，而是在軌道上盤旋等待、螺旋進入黑洞。這景象對於小黑洞而言，可能不是那麼令人印象深刻，但如果是超大質量黑洞，確實值得一看。氣體和塵埃以超高速度飛來飛去，產生非常強烈的純粹摩擦力，導致物質被撕裂，釋放出許多能量，創造出宇宙中最強大的光源。這些類恆星（或稱類星體）的亮度，有時比單個星系中所有恆星的亮度總和還要高數千倍。

幸運的是，並不是所有黑洞，甚至是超大質量黑洞，都會形成類星體（或耀星體，就此而言，像是吃了類固醇的類星體）。大多數時候，吸積盤並沒有合適的東西或條件來創造如此戲劇化的場景。這也算是一樁美事，否則的話，你一靠近活動劇烈的類星體，可能會讓你在瞥見黑洞之前就氣化了。希望你選擇落入的黑洞周圍有個漂亮的、相對平靜的吸積盤，讓你有機會接近並好好欣賞。

——本文摘自《宇宙大哉問：20個困惑人類的問題與解答》，2022 年 8 月，天下文化，未經同意請勿轉載。

廣義相對論的基本

廣義相對論，簡單地說就是兩點。

• 第一，一個有質量的物質，會彎曲它周圍的時空。這是「物質告訴時空如何彎曲」。
• 第二，在不受外力的情況下，一個物體總是沿著時空中的測地線運動。這是「時空告訴物質如何運動」。

這裡根本沒有引力的事，根本不需要引力。

這個畫面是這樣的。你可以將時空想像成一張彈簧床，本來彈簧床是平的，往上面放幾顆球，彈簧床上有球的地方周圍就變成彎曲的了——這幾顆球，彎曲了各自周圍的時空。

地球為什麼繞著太陽轉？牛頓認為那是因為太陽對地球有引力。但是廣義相對論認為，地球根本不知道太陽在哪裡，只是太陽把時空彎曲得比較厲害，地球是根據自己所在時空的測地線運動而已。就好像彈簧床上的小球可以繞著大球滾動，而你知道大球並沒有吸引小球，那只是因為彈簧床上大球的周圍有凹陷。

同樣的時空，每個物體的速度不一樣，它們遵循的測地線也不一樣。有的物體會直接掉向太陽，有的會繞著太陽做橢圓運動，有的與太陽擦肩而過，這些都只不過是物體在沿著自己的測地線運動而已。

當然，每個有質量的物體在彎曲時空當中運動的同時，也是在彎曲著自己周圍的時空，只是彎曲的程度不同。時空的形狀由這些物質共同決定，而所有物質都會沿著自己周圍時空的測地線運動。

用彈簧床打比方是不得已而為之，物質彎曲時空並不是如同小球在彈簧床上往下「壓」的結果，而是自然地彎曲周圍所有方向上的時空，所造成的結果。而且請注意，被彎曲的不僅僅是空間，還有時間，只是這部分，我們留到後面的章節再細說。

在這裡，我還要澄清一點。你也許會有這樣的疑問：既然高速運動物體的質量會增加，那多出來的質量是不是也會彎曲空間呢？答案是不會。廣義相對論裡說的「物質彎曲了空間」，可以理解成是物質的「靜止質量」在彎曲空間，靜止質量是所有座標系都同意的不變數。時空的內在幾何形狀是絕對的，但是時空在不同的座標系中被看成了不同的樣子。

廣義相對論就是這麼簡單。

自然運動狀態

愛因斯坦再一次看破了紅塵。什麼是引力？可以說根本沒有引力，有的只是時空的彎曲。

或者也可以說，所謂引力，就是在大尺度下才能看出來的、時空的彎曲。鯨魚的身體是曲線型的，但是如果近距離看，它身上每個地方都近似一塊很平的小平面。局部的測地線就是很直很直的直線，這就是為什麼我們上一章說「局部沒有引力」。

講到這裡，我們要重新定義「自然運動狀態」這個概念。所謂自然運動，就是在沒有任何外力干擾的情況下，一個物體自由自在的狀態。

亞里斯多德（Aristotle）認為自然的運動狀態是靜止。這符合我們的生活經驗——沒有外力干擾的東西好像都是靜止不動的。

後來，伽利略和牛頓說這不對，力並不是讓物體運動的原因，力其實是改變物體運動狀態的原因。一個物體在光滑的平面上滑動，如果沒有任何摩擦力干擾，它就會一直這樣運動下去。所以等速直線運動和靜止沒有差別，它們都是自然運動。

而現在，愛因斯坦表示，一切沿著測地線的運動，都是自然運動。

可以想像太空中有一個周圍非常空曠、沒有任何星體的地方，這裡的時空是平直的，測地線是完美的直線，所以物體沿著測地線運動，正好就是等速直線運動。

如果時空是彎曲的，太空人就會繞著地球轉，而失控的電梯就會直接掉下去，這兩個運動看似不同，但其實都是自由落體運動，它們謹守本分地沿著自己的測地線運動。所以它們雖然有加速度，仍然是自然運動。

自由落體運動、等速直線運動，以及靜止，它們沒有本質上的差別。你在一個封閉的實驗室裡不管做什麼實驗，都沒有辦法區分它們。愛因斯坦表示它們是同一回事，都是沿著測地線運動，都是自然運動。

反過來說，你站在地面不動，站一會兒就累了，這其實是一種不自然的運動。你本來想沿著測地線往下掉，可是地板阻止了你。想要體驗真正的自由，你應該做自由落體運動。

為什麼引力質量正好等於慣性質量，為什麼一輕一重兩個鐵球會同時著地？現在，廣義相對論給這個巧合提供了一個解釋——因為只要質量沒有大到能與地球相提並論、足以顯著影響周圍時空的形狀的程度，測地線就只和物體的初始速度有關，與質量無關！

回頭再看上一章中講的兩個想像實驗。不管你是在加速的火箭上，還是站在地面不動，都有一個外力在阻止你沿著測地線走，所以它們是一樣的。

無論是在地球附近自由落體，還是在太空中空曠、沒有任何星體的地方做等速直線運動，都是沿著該地測地線的自然運動，所以它們也是一樣的。

只要你接受時空尺寸是相對的，你就能接受狹義相對論；只要你接受時空可以彎曲，你就能接受廣義相對論。接受了時空的這兩個性質，光速為什麼不變、慣性質量為什麼等於引力質量、引力到底是不是真實的存在⋯⋯這些問題就不用再糾結了。

所以，相對論是個簡單理論，它只是相當深刻；其實我覺得廣義相對論比狹義相對論還容易理解，它只是美麗非常。

也許下次看見鯨魚的時候，你可以想起廣義相對論。