「電力毯」利用體熱產生電力

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

為了達成 2050 淨零排放的目標，各國必須想辦法提高低碳電力的比例，逐步淘汰化石燃料。各式各樣提高低碳電力的方法出現，其中就有個我們從小就耳熟能詳的方法：節能省電。

但這個方法可行嗎？我們觀察了世界各國的發電結構，還真的找到實現了這個方法的國家：北韓。

在 1990 年以前，北韓的發電結構是以化石燃料為主（57.1%），水力發電為輔（42.9%）運作。1990 年後，水力發電的佔比瞬間飆升至 56.3%，截至 2020 年，低碳電力佔比已經達到了 85.53% 的亮眼成績。

同時，北韓的用電量從 35TWh（1989 年）減少至 14.6TWh（2020 年），可以推測出北韓低碳電力佔比提高的原因很可能就是因為用電量減少所致。

用電量降低，低碳電力提高，這聽起來是件好事對吧？但這恐怕不是北韓（人民）願意看見的結果。

到底北韓發生了什麼事？為什麼會出現這樣的情況？

蘇聯解體，重創北韓經濟

北韓過去在蘇聯的資助下，積極發展重工業，甚至在 1970 年成功讓供電網覆蓋全北韓境內的村子和家庭。然而蘇聯解體後，北韓經濟受到重大打擊，失去了從蘇聯進口的石油，導致北韓發電量急遽減少，水力發電因此成為北韓最主要的發電能源。

另外，根據南韓公共媒體 KBS 報導，北韓的火力發電廠設備老舊，經常發生故障，能源效率和發電量都很低。相較之下，北韓更看好水力發電不用燃料的優勢，進而提高了水力發電的佔比。

缺電的北韓

目前北韓人均用電量只有 658 度，對比台灣的人均用電量（11,933 度），相差 18 倍！這不是因為北韓人民超會省電，而是沒電可用。

根據數據統計，北韓將近一半的人沒電可用。由於北韓電網年久失修，以及冬天河川凍結無法使用水力發電，即使在較多精英階層居住的平壤也經常停電。因此北韓的有錢家庭通常會設置太陽能板，以滿足自家用電需求。

低碳電力比例高，所以北韓其實很環保？

答案是，其實不然。

首先，經常斷電導致人民尋求其他的方法，像是太陽能板、柴油發電機，或是自製油燈滿足照明需求，而這些方法往往能源效率極低，還會造成其他威脅（像是更不環保或是對人體有害等）；其次，電力只是眾多能源的一種，對電力的需求很可能轉嫁到其他非電力能源上（例如，沒電使用電燈，因此改用油燈）。

但北韓的確證實了一種可能性：減少用電量可以提高低碳電力比例。只是其他國家有可能利用這種方法減碳嗎？

回答這個問題之前，不知道大家有沒有聽過「卡爾達肖夫指數（Kardashev Scale）」。

卡爾達肖夫指數是根據一個文明能夠利用的能源量級，來為該文明劃分等級的分級法，像是：第一型是能夠利用整個行星的能源；第二型是可以駕馭整顆恆星能源的文明……。

美國物理學家弗里曼．戴森（Freeman John Dyson）也認為任何科技文明對能源的需求會穩定增長，只要存活夠久，總有一天會需要利用到其母恆星「全部」的能量輸出，因此有必要建立一個可以收集母恆星所發出的全部能量的裝置——戴森球。

也就是說，隨著文明的科技進步程度越高，需要消耗的能源就越多。

事實上，自工業革命（1760）以來，我們對能源的需求就不斷地增長，想要僅依靠省電減碳就意味著我們需要在科技進步和節能減碳之間做出選擇，但我們仍然可以試著去估計，人類是否可能在不犧牲科技進步下依靠省電減碳？

以台灣為例，1980 年台灣相繼成立竹科、南科、中科等科學園區，從此走向 IT 大國之路，每年用電量也在快速增長。2021 年台灣總用電量高達 2830 億度，是近 10 年來最高，工業用電量和成長幅度也創下新高，佔總用電量的 57.1%。其中台積電用電就佔了近 6%。

當然，「護國神山」不能倒，科技發展不能停。那我們試試看計算個人節省用電是否能夠提高低碳電力的比例。

一個人可以省多少的電？對台灣有幫助嗎？

一樣採用台灣 2021 年的用電量來看，假設去年是因為疫情進入三級緊戒，所以家庭住宅用電量比 2020 年多了 5%，佔總用電量的 18.6%。也就是說，在扣除非民生用電之下，去年台灣每戶家庭的年均用電量約為 5846 度。

採用國際能源署（IEA）的對每戶家庭最低供電程度的簡單定義，即每戶家庭有足夠的電力來為每天打開 5 小時的四個燈泡、一個冰箱、一個每天運轉 6 小時的風扇、一個手機充電器和一台每天使用 4 小時的電視供電，相當於每戶每年用電量為 1250 度。

如果台灣每戶家庭都超省，堅持一年只使用最低限度的電，可以為台灣省下 413.8 億度電，相當於總用電量的 14.6%，似乎就能達到目的。

但是，如果要是我們將科技進步納入考量後，就會發現這不是一個合理的策略了。

用於製造世界最先進半導體的機器「極紫外光微影」（EUVs）每台的耗電量高達 1 百萬瓦，目前台積電約有 80 幾台，預計 2025 年台積電用電量就會佔全台用電量的 12.5%。

試著想想，當你為了省電費勁心思，犧牲生活品質所打出的成績卻是「效果甚微」，心裡該有多累。

但減碳從來都不只有一種方法。像是丹麥、法國等國家就投資低碳技術取代化石燃料，也可以選擇電動車取代汽油車等，減少碳排放。我們只有更積極的思考永續發展的解方，人類文明才有可能繼續延續下去。

1. 北韓低碳電力比例
2. 用電再破紀錄！住宅用電攀升，去年工業用電更達「史上新高」
3. 護國神山變吃電怪獸？台積電用電量恐占全台12％　再生能源發展迫在眉睫
4. 北韩的电力状况
5. 1990年代數十萬人死於饑荒，北韓再度出現糧食危機！
6. 供電不足 北韓人民嚴冬中過日
7. Defining energy access: 2020 methodology
8. North Korea: Energy Country Profile
9. https://zh.wikipedia.org/zh-tw/戴森球
10. https://zh.m.wikipedia.org/zh-tw/卡尔达肖夫指数
11. https://zh.m.wikipedia.org/zh-tw/中華民國科技
12. https://www.hk01.com/港學堂/85673/這一秒的歷史-北韓危機的根源-蘇聯解體

「隨手關燈，節能減碳」這是在我們日常生活中，絕對會看見或聽見的標語！在家裡被爸爸媽媽隨時叮嚀、到學校被老師耳提面命、忘記關燈而被罵的記憶肯定不會少。

建立節能好習慣很重要，但我們現在還有哪些跟能源相關的永續行動呢？

台灣的發電來源，主要仰賴燃煤、燃氣等化石燃料，比重高達80%，但提供穩定電量讓人類使用的同時，卻也大量排放二氧化碳及空氣汙染物、加劇氣候變遷，灰濛濛的天空就是最直接的證據。

近年，政府積極推動能源轉型，希望降低對化石燃料的依賴，發展再生能源，尤其是太陽光電和離岸風力發電。

像是今年夏天，家長跟小朋友都很期待的「班班有冷氣」政策，除了讓大家可以舒適上課，也同步規劃「校校會發電」，降低對地球的負擔。

不過大家有發現，學校的發電設備裝在哪裡嗎？

原本烈日長期曝曬，又熱又空的學校頂樓，竟然可以搖身一變，成為設置太陽能板的最佳基地！而當地球最豐沛的資源——陽光，照射到板內的矽晶片時，光子會撞擊電子並產生電流。

這些我們肉眼看不到的次原子粒子，卻悄悄在太陽能板中移動，而且發電的過程不會排放任何溫室氣體，也不會造成空氣汙染，非常不可思議！

也許我們都沒想過，學校可以從原本「電的消費者」變成「電的供給者」，將能源轉型落實在校園中，那麼大家趕快找個時間，去看看自己的學校，有沒有用來發電的太陽能板吧！