第一顆人造衛星發射升空｜科學史上的今天：10/4

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

• 撰文／陳子翔、林彥興

全新的太空時代已經揭開序幕，不同於上一次太空競賽時期，如今的太空發展不再是大國政府限定專利，隨者商業潛力的成長近年民間太空產業蓬勃發展，成為吸引創新思維和專業技能的重要領域。在太空產業充滿機會的新時代，RunSpace 太空創新無限挑戰也在去年正式開辦，為台灣太空新創注入能量！

RunSpace 是經濟部產業發展署太空計畫的一環，是一項沒有參賽資格限制，不限專業領域背景，不論是學生還是社會人士都可以報名參加的太空提案競賽。參加者除了提案參與競賽之外，也會在主辦單位舉辦的 Space Bootcamp 訓練營中提升實力，並與其他團隊互相交流。

邁入第二屆的 RunSpace，這次收到了比去年更多優秀且富有創意的提案。最終，三支團隊從決賽脫穎而出，冠軍與亞軍分別由「3Q」與「太空藥局」團隊奪得，而「Project Subsidium」則同時獲得季軍與企業最愛獎。

冠軍隊伍「3Q」提出以電子膠帶實現智慧溫控，降低衛星開發成本

電子紙是一種耗電極低且不需背光的顯示器技術，常見的應用包括電子書閱讀器、公車站牌到站資訊等等。但你有想過，這樣的技術居然也可以應用在太空中嗎？本次冠軍團隊「3Q」，提出名為「ASTRID」的可變色電子膠帶。利用電子墨水技術，它能像是烏賊的身體一樣根據環境改變顏色，調整衛星表面的吸熱放熱效率，從而實現衛星的智慧溫控。

團隊負責人蘇惟思指出，衛星在太空中運行時，其中一面會受到高溫陽光照射，另一面又面向寒冷太空，同時內部的儀器自身也會產熱，因此唯有做好熱控系統，才能維持衛星運作，而散熱器（Radiator）正是衛星熱控系統中重要的一環。傳統上，衛星製造商往往要根據每個衛星的大小、運行軌道與內部儀器的需求，去設計出不一樣的散射器以滿足溫控需求。但若使用 ASTRID 電子膠帶，即可不用針對每個任務重新設計散熱器的形狀、大小與位置，而是透過改變散熱器表面的顏色，去滿足不同熱控需求，如此一來就能大幅降低衛星開發的時間與金錢成本。

蘇惟思表示，ASTRID 技術的構想與測在他大學就讀太空工程系時就已經開始，今年初他以這項技術在美國成立新創公司 SQUID3 Space，目前也正積極的進行募資與尋找潛在客戶，這次參與 RunSpace 競賽獲獎，也對投資者來說有一些加分效果。

最後，蘇惟思分享了寶貴經驗，為未來有志投身太空創新創的人提供建議。首先，他強調不要害怕在競賽中失利，或是被投資者、客戶回絕。去年他也有參與第一屆 RunSpace，而當時連前三名都沒有拿到，但不放棄繼續嘗試才有機會有好的成果。他還分享了曾有人告訴他：「如果創業期間，一週內沒有被客戶或投資者拒絕超過一次，就代表你不夠努力。」

他也提到在創業過程中，許多工程師容易犯一個錯誤，即先開發產品，然後再尋找客戶。在做專題或研究時，開發自己想做的產品，解決自己有興趣的問題是可行的方向，但是在​​創業上不要只埋頭於自己的專案，而沒有先暸解市場的需求。

冠軍得主3Q團隊，在展覽攤位上以遠距視訊的方式與參展者互動，介紹 ASTRID 的相關資訊。

亞軍團隊「太空藥局」提出太空方舟製藥，期望開拓太空市場新藍海

RunSpace 是太空主題的競賽，但這並不意味只有航太與工程背景的團隊才能參加。亞軍團隊「太空藥局」就是來自生技產業，他們提出名為「太空方舟」概念，希望未來只要攜帶簡易的裝置和材料，就能在太空中生產人類生存所需營養素與藥品，滿足長時間太空旅行的需求。

團隊說明，太空方舟的構想是將人體所需的營養或藥物基因保存在經設計過的細胞中，並在需要時使用這些細胞來生產這些營養素與藥物。這樣一來，在資源與空間有限的太空旅行中，可以用很小的空間與循環資源實現永續生產，太空旅行所需的營養素將不再需要全都從地球發射升空，而是在太空船上實現自給自足。

這次 RunSpace 的提案中，太空藥局以蝦紅素為例，團隊指出蝦紅素是天然超級抗氧化劑，對於太空中長時間逗留的太空人有助於抵抗輻射、保護皮膚、減緩老化和降低罹癌風險。目前傳統蝦紅素的取得方式主要仰賴捕撈磷蝦，或是透過大量土地面積養殖藻類取得，但這兩種方式都需要使用地球上的資源，無法在太空生產，而且也容易對生態造成破壞。

因此，太空方舟成了理想的解決方案，既實現太空環境下永續生產，也提供一個耗費資源更少、更環保的生產方式。同時太空方舟的技術還可以用於保存重要的營養與藥物生產基因迴路，提供資源安全性的策略，應對氣候變遷和戰爭等風險。

同時隊長也分享了團隊進入太空產業的想法，他指出太空旅行需在有限的空間與資源下，循環生產足夠人類長時間生存的物資，而台灣的環境其實也與太空旅行有相似之處。台灣沒有廣大的土地與豐富的天然資源，也因此太空方舟不僅是針對太空旅行的藥品、營養品的生產方案，也是未來台灣可以採用的永續生產方式。

此外，團隊認為生物科技本來就是台灣的強項，非常有潛力可以應用在太空需求，且在太空產業中，生醫領域相對於火箭或是衛星領域還是個藍海，有很多商業與技術發展潛力，值得台灣投入。

季軍隊伍「Project Subsidium」提出太空無人機 EVAid，打造太空漫步萬能助手

本屆季軍得主則是 Project Subsidium，團隊的兩位成員皆是台科大在學學生，並分別來自電機系與建築系。他們提出了名為 EVAid 的小型太空無人機，旨在成為太空漫步的萬能助手，協助太空人太空漫步的工作進行與活動紀錄拍攝。除了奪下季軍之外，這項提案也獲得了本屆中華電信企業最愛獎的肯定。

Project Subsidium 團隊表示，這個特殊的團隊名稱取名靈感來自 NASA 的太空探索任務，因 NASA 多採用與任務內容或精神有關的一個英文單字為太空任務取名。團隊也笑著說，在斟酌要使用哪個英文單字後，他們覺得使用拉丁文感覺更酷更有趣一些，而＂subsidium＂則是拉丁文協助的意思，呼應 EVAid 太空無人機能提供太空漫步協助的目標。

EVAid 外觀呈現四面體，每個端點裝有離子引擎，並在表面設有太陽能板。EVAid 的一大特色是模組化的設計，讓它可根據不同的需求，去設計不同模組安裝在擴充接點上。比如裝設攝影機、燈光、工具架甚至是機械手臂，滿足太空人艙外活動時拍攝、照明、放置工具的需求。由於其自帶推進器，因此 EVAid 也可以成為太空人的移動工具，或是接上太空站的艙體協助移動太空站組件。

即便成員都不是航太背景，Project Subsidium 團隊認為，太空產業要深入可以非常專業，但在網路資源豐富的現代，一些涉及範圍比較廣的題目，只要有心其實也是每個人也都可以嘗試，也會有自己的專業派上用場的地方。例如在控制系統和無人機相關知識，就與電機系所學相關，而建築系的專長則在設計圖繪製會模型製作上派上了用場。

團隊也分享了以學生身份參加 RunSpace 過程中遇到的一些小挑戰，像是在參賽過程中還是要顧及學校課程與考試，成果發表與頒獎的時間也很不巧的正好是期中考週。另外他們也提到，暑期團隊成員分隔兩地，也有遠距工作與溝通的問題需要克服。

最後，Project Subsidium 團隊分享了這兩年參與 RunSpace 學到的寶貴經驗，他們表示不需要一次就試圖做規模龐大，想要＂Do Everythig＂的專案，而是要考量商業可行性。在類似 RunSpace 的競賽中，明確的目標和可行性分析至關重要。

季軍得主 Project Subsidium 的作品 EVAid 模型展示，端點為離子引擎的噴嘴，中間的圓形處則是與其他模組相接的接點。

2023 RunSpace 太空創新無限挑戰圓滿落幕，而下一屆的 RunSpace 預計將邀請更多國際上的太空科研單位與業界團隊加入策略夥伴，同時讓更多國際上的團隊報名參賽，共同推動太空創新，也讓 RunSpace 成為更加國際化，主題多元的太空盛事！

太空人約翰・葛倫與相機的相遇

1962 年冬天，水星任務太空人約翰・葛倫在一間藥房買了一部安斯可全自動（Ansco Autoset）相機。儘管這部相機出身平凡，卻成了葛倫的得力助手，拍下了第一張人類從太空中拍攝的彩色照片。

一開始，葛倫的軌道任務並不包括拍照。飛行任務中指定使用的相機，是為了科學研究而配置，不是為任務做記錄，而且 NASA 認為，太空人拍照會干擾水星計畫的工程學目標。在美國第一次載人太空飛行時，並沒有手持相機的選項，尤其艾倫・薛帕德的自由 7 號太空艙根本沒有為飛行員設計的窗戶。

雖然到了水星任務的第二位飛行員高斯・格里森時，NASA 為他的自由鐘 7 號（Liberty Bell 7）安裝了一面梯形的窗戶，他的任務還是不包括攝影。但是葛倫相信，把太空飛行的冒險和世界分享是非常重要的，而且照片「有助於為看照片的人轉譯太空人的經驗」。

他向休士頓的載人太空飛行中心（Manned Spaceflight Center），也就是後來的詹森太空中心（Johnson Space Center）主任羅伯特・吉爾魯斯（Robert Gilruth）提出請求，後來得到允許。

任務之前，葛倫去佛羅里達州的可可海灘（Cocoa Beach）理髮，之後在附近的藥房看到一部相機，他進去把相機拿起來看，注意到它有全自動曝光功能， 表示使用時不需調整相機，可以為短暫的任務省下珍貴的時間和專注力。這部相機除了當時最先進的功能，還有簡單、易於使用的設計。他花了 45 美元買下這部相機，帶回 NASA。

「一天之中看到四次美麗的日落，那真是無可言喻的感覺。」

──約翰・葛倫（JohnGlenn），在友誼7號飛行之後

相機的改良

因為葛倫必須穿太空衣飛行，會有厚厚的手套和魚缸型的頭盔，因此相機必須適當改造。美國無線電公司（RCA） 的一位承包人，綽號「紅」的羅蘭・威廉斯（Roland “Red” Williams）很快製作出槍把式控制握柄，把相機上下顛倒， 讓握柄和相機的過片桿和曝光鈕相連。

這個握柄讓葛倫用一隻手就可以拿相機拍照。然後威廉斯又在新的相機「頂上」加裝了拍立得（Polaroid）的觀景窗，讓葛倫拍攝地球時不受頭盔影響。

1962 年 2 月 20 日，約翰・葛倫乘著巨大的擎天神號（Atlas）火箭進入地球軌道，同時帶著安斯可和另一部徠卡（Leica）相機。他成為繼其他水星任務夥伴的次軌道飛行後，第一個在地球軌道上飛行的美國人。

葛倫用安斯卡相機作為白天或拍攝地平線景觀的傻瓜相機，而徠卡相機則安裝了光譜鏡片，用來拍攝獵物座的紫外線影像。在微重力環境中，安斯卡相機運作得相當成功。葛倫後來回憶：「我需要用到兩隻手時， 就放開相機，讓它飄浮在我面前。」

雖然葛倫的照片傳遍世界各地，卻沒有達到後來阿波羅任務太空人照片的標誌性地位。要等很多年後，NASA 才開始重視太空影像的大眾傳播。因為NASA 官員把攝影視為工程記錄和科學研究的手段，所以遲遲沒有把照片視為早期飛行計畫的重要部分。

本文摘自 大石國際文化 《重返阿波羅》