如何讓空中航班不打結？用數學來模擬一下吧！──《飛航管制的祕密世界》

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

• 【科科愛看書】一直以來人們都渴望飛翔的滋味，但是，難道發明了飛機就能讓大家隨心所欲亂亂飛嗎？密如蜘蛛網的全球航線究竟是如何設計的？那麼多的飛機要怎樣才不會撞在一起？為什麼起降時要特別小心翼翼？快來一窺《飛航管制的祕密世界》，讓你知道空中飛人背後的團隊有多厲害！

故事要從日本最忙的機場說起

談到飛航管制到底是在研究什麼，讓我將舞台移至東京的天空來說明。

東京國際機場（通稱羽田機場）是日本最繁忙的機場，尖峰時刻每兩分鐘就有一班航機起降。只要站在羽田機場的瞭望台，就能看見一架架排列整齊的飛機，不間斷地起飛降落。

比較世界各國機場截至 2014 年 9 月的單年度旅客量，排名第一的是美國亞特蘭大國際機場，其次是中國北京首都國際機場，第三名是英國倫敦希斯洛機場，接續在後的正是榮登全球第四的羽田機場（資料來源：ACI Annual World Airport Traffic Report）。羽田機場 2014 年的起降架次共計 44 萬 7 千次，總旅客量約 7 千 2 百萬人。一窺反映出東京上空航空交通狀況的雷達螢幕，就可發現螢幕被密密麻麻的飛機覆蓋。

2014 年 12 月，羽田機場的 C 跑道向南側延長為 3 千 360 公尺（原為 3 千公尺）。日本政府為了因應 2020 年的東京奧運，目標新增 3 萬 6 千至 3 萬 9 千次起降架次，且為了滿足未來需求，甚而考慮是否增設第 5 條跑道。

壓力最大的職業：別讓大家撞機啊！

天空中就算有許多飛機一同飛行，卻不會發生碰撞等意外事故，都歸功於我們稱為「航空管制員」（正式名稱為飛航管制員）的人致力於管理空中交通。航空管制員負責讓航機安全順利飛行，緊盯對應空中交通狀況的雷達螢幕，從地面向機師下達準確的指令。

一般汽車駕駛可觀察窗外，透過鏡子與其他車輛保持安全距離，掌握周邊交通狀況。他們打開導航就能指引路徑，也可使用智慧型手機程式來了解交通事故和壅塞路段的資訊。

另一方面，操作航空器的機師現實中處於不太自由的狀態。他們無法透過駕駛艙的窗戶，正確掌握附近的飛機正在飛往哪裡或要飛向何地。正因如此，才需要管制員常駐地面管制中心，在盡量不延誤抵達時間、減少油耗量或噪音的考量下，出聲指示機師調整高度和速度等。駕駛艙中的機師根據耳機裡傳來的管制員指示操作飛機。我們稱這種種作業為飛航管制，正式名稱是航空交通管制。

以日本為例，民航機的飛航管制大致分為四類：負責太平洋上空的越洋管制（oceanic control）、負責距機場較遠處天空的航路管制（en route control）、負責機場周邊上空的終端雷達管制（terminal radar control），以及設於機場負責引導在機場滑行的航機並發出進離場指示的機場管制（aerodrome control）。

羽田機場周邊的終端雷達管制設於機場之內，越洋管制則隸屬福岡航空交通管理中心管轄範圍，因此日本的管轄空域稱為「FUKUOKA」（福岡）。航路管制由札幌、東京、福岡、那霸四地的航空交通管制部負責。其中東京管制部管轄的空域最廣，平均每日需處理約 3 千 7 百架班機，航空管制員的作業責任隨之益發沉重。肩負眾多生命的航空管制員，被認為是現今世界上壓力最大的職業。

想解決龐大航班？來點科學吧！

在背後支撐空中旅行的，包括各種硬體、電腦軟體等地面基礎設施及飛機備品，居中則有航空管制員、航空公司的機師和飛航管理人員等，共同維持空中交通安全，有效率地實行管理，這些都屬於飛航管制研究課題之一的「飛航管制系統」。我在研究所主修的航空工程學是以航空器本身為研究對象，飛航管制的研究範圍則涉及所有關於航機交通的部分，研究主題更廣泛。

作用於人類社會中的軟硬體等技術的集合體，或是在技術的集合體中包含人類社會的系統都稱為「社會技術系統」（sociotechnical system），而飛航管制系統正是其中的代表。

為了讓飛航管制這樣集大成的技術，透過與人類社會的複雜相互作用來推動莫大的系統，背後需要的是結合資訊科學、機械工程、數學、物理學、航空工程學、心理學、社會學等各式專門領域而成的學門。

今後全球航空交通需求預估仍會持續增加，僅憑藉航空管制員或因循經驗法則處理，似乎已無法應對未來的航空交通量，在這種危機感之下，催生出嘗試以科學觀點切入飛航管理的研究――「飛航管制科學」。

系統化操作，讓你飛得更安全

1980 年代，以加州矽谷的 NASA 艾姆斯研究中心〈Ames Research Center）為舞台，飛航管制科學正式拉開序幕，當時蘋果麥金塔電腦逐漸普及至一般使用者。

艾姆斯研究中心的海因茲．艾茲伯格博士〈Dr. Heinz Erzberger）率先想到：「運用電腦開發出可協助飛航管制員的工具程式，或許有助於實際工作？」他找來一名志同道合的系統工程師，齊心協力投入研究，著手研發協助飛航管制員處理作業的電腦介面。

當時飛航管制還稱不上是專業學門，研究成員只有這兩人。

他們最終開發完成名為 TMA〈Traffic Management Advisor，空中交通管理諮詢）的航機到場管理系統，可將部分的飛航管制員知識性業務自動化，由系統規定到場航機的先後順序，提供何時、哪架班機應降落跑道的資訊。

美國聯邦航空總署在 1990 年代中期注意到 TMA，並於 1996 年在達拉斯／沃斯堡國際機場〈Dallas／Fort Worth InternationalAirport）實驗性地運行 TMA。實驗結果證明，採用 TMA 可讓機場的到場航機維持一定的峰值〈peak value）。

其後，為了管理到場交通流，美國全境主要機場的地面管制中心引進 TMA，至今仍活躍於第一線，已逾二十年。2010 年，TMA 更名為 TBFM〈Time-Based FlowManagement，以時間為基礎的流量管理），引進至美國各主要機場管理進離場班機的管制中心。

拜 TMA 的發明之賜，飛航管制被認為是可活用科學觀點進行研究的領域，並於艾姆斯研究中心設置專門研究部門。這門新興學門，就此逐漸融入航空產業興盛的歐美。NASA 目前約有三百名飛航管制科學研究員。

本文摘自《飛航管制的祕密世界：從地面到天空，從管制台到駕駛艙，飛航第一線直擊全紀錄》，臉譜出版。