富蘭克林放風箏 │ 科學史上的今天：06/15

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

歐姆定律：電流與電壓的完美協奏

川村老師，請用簡單的方式告訴我「歐姆定律」是什麼？

老師：的方式會使電流變弱。電阻定律告訴我們，金屬導線的電阻 R 與長度 L 成正比，也就是導線愈長，電阻愈大。相反的，截面積 S 愈大，電阻愈小。

貓咪：能捲太多圈嗎？喵！

老師：這樣會讓導線長度增加。電阻 R＝ρ L/ A，ρ 是電阻率。

觸控面板的原理

觸控面板是貼附在螢幕玻璃表面上的薄膜，手機與電腦普遍使用的觸控面板是利用靜電原理進行感應。觸控面板有許多感應方法，最具代表性的是電容式觸控與電阻式觸控。手機使用的是電容式觸控面板，利用靜電就能讓 CPU 知道手指是否放在螢幕上。

觸控面板中縱橫交錯著許多表面帶靜電的電極陣列，如下圖。

手指碰到觸控面板時，會吸走該位置的靜電，感測器便據此判斷何處有靜電釋放。用一般的筆或戴著手套觸碰時，手機不會有反應，是因為其他東西與手指不同，不會導電，所以也不會釋放靜電。

電阻式觸控面板無法多點觸控；也就是說，不能用兩根手指同時操作。使用手機時，可以用拇指和食指同時觸碰面板，然後手指張開把照片放大，或手指閉合把照片縮小，電阻式觸控面板就沒辦法這麼方便。

電阻式觸控面板的電流是從兩片膜之間通過；手指碰觸時，上層膜會接觸到下層膜，使電阻降低，表示該處有電流通過，此時感測器便可讀取到接觸點位置。電阻式面板是透過壓力來操控，與觸控媒介是否導電無關；所以用筆、指甲來觸碰，螢幕也會有反應。這種面板也能感應觸碰壓力的強弱，因此常用於遊戲機。

——本文摘自《物理角色圖鑑：用35個萌角色掌握最重要的物理觀念，秒懂生活中的科普知識》，2024 年 9 月，漫遊者文化，未經同意請勿轉載。

靜電在生活上的應用

我們的抱負是替每種造成生活困難的現象平反，要幫忙找到它們會讓人好過的例子，告訴大家在哪些情況下，它們是有用（甚至更厲害）或有趣的。但是老實說，我懷疑在靜電荷上是否能做到，它好像到哪都會造成困擾。不過有時靜電荷其實也很有用，許多雷射印表機沒有它就無法工作，感謝雷射印表機讓我們不必用鉛筆寫 14 公里。

簡單來解釋一下雷射印表機的運作原理：印表機裡面有個用來列印紙張的感光鼓（Image Drum），這個鼓是帶電，會曝露在雷射光下，而它曝露的地方就會因此被放電，最後會回頭在要充電的區域著色。然後，感光鼓會轉到碳粉那裡，碳粉也帶了電荷，只會附著在仍要充電的區域。感光鼓現在有了我們想要列印的精確圖像，它被引導至紙上將碳粉卸下。

現在我們的文件已經列印好了。為了不被弄髒，之後會再用滾筒施壓加熱固定，也因此從雷射印表機出來的紙張會有點熱。我們辦公室的雷射印表機曾經在最後一個步驟故障了，還是會列印，只是要手工加固顏色。

除了列印，靜電對打掃也非常有用，但不是清潔家裡，是打掃大型工業廠房時可以派上用場。

我們會用靜電過濾器來過濾空氣中的灰塵或煙灰，現在大略解釋一下它的作業過程：帶電的電線會將電子噴到要清潔的氣體中，這些電子會在該處碰到灰塵並對其充電，帶電的塵粒就會衝向另一個正電荷的電極，並在那裡落下。然後，你就只要關掉靜電過濾器的電源，並輕輕敲一敲。

殘忍的直流電與交流電戰爭

就算靜電很煩，但至少不會對身體造成重大傷害，不像從插座裡出來的電，會變得非常危險。

你肯定從小就被警告：不要讓吹風機掉進浴缸、不要摸沒有絕緣包覆的電纜！不可以把叉子插進插座裡！不管怎麼說，這些警告都有道理。但原因到底是什麼？如果我們在乾燥空氣中走在地毯上會產生高達 2 萬伏特的電壓，而且也毫髮無傷，那從插座出來的 220 伏特電壓又算什麼呢？

吹風機泡在浴缸中不是件好事的最重要原因，是吹風機用的是交流電。你或許知道愛迪生（Thomas Edison）在 19 世紀末發明了燈泡，他希望燈泡能靠直流電運作，所謂的直流電就是電流在電路中朝一個方向流動，就像單行道一樣。

除此之外，愛迪生還希望用自己的直流電專利和只能計算交流電的電表賺愈多錢愈好。

然而，愛迪生有個最大的問題，就是直流電在長距離使用時，會損失大量的能量。他其實想利用這個問題，在不斷成長的電力市場上，從許多必要的發電站賺到額外的錢。不過隨著時間過去，他愈來愈輸給立場相對的交流電派的競爭對手。

身兼發明家和企業家雙重身分的喬治．西屋（George Westinghouse）與天才物理學家尼古拉．特斯拉（Nikola Tesla）合作，他們依賴交流電每秒會改變 50～60 次的特點。

交流電的優點：可以很容易升到高壓再降壓；可以傳輸幾百公里，損失的能量比直流電少。交流電的缺點：流經生物時，對其造成的危險比直流電大。儘管有這個缺點，威斯汀豪斯和特斯拉還是繼續更大範圍的銷售他們的專利。

愛迪生在大眾示威抗議下，透過電死動物發起一場可怕的反交流電運動，在悲傷的高峰時刻，他要員工替美國政府製造一把電椅，以展示交流電的致命性。但其實沒有用，交流電已經盛行起來了，因此可以替我們國家的所有電器設備（吹風機也包含在內）提供能量，無論是經過變壓器方便地使用或是直接利用。

到底是什麼讓交流電這麼危險？我們身體裡其實一直都有微小的電交換過程在不斷發生，例如用這種方式刺激心臟跳動。但每個心跳週期中，都有一個階段心臟對干擾會特別敏感，也就是所謂的「易損期」（Vulnerable Period）。

如果我們在這個期間受到電擊，就會發生危及性命的心室顫動（Ventricular Fibrillation）。

使用交流電時，電脈衝會以每秒 50 次的頻率雙向流動，電力突波會剛好在易損期擊中我們的風險，會比用直流電還要高很多。不過，如果突波剛好在剛好的時間以適合的強度出現，那麼心臟的這種敏感性當然就有用——這就是心律調節器每天拯救生命的方式。

人體的導電性比你想的還強

我們不應該讓吹風機掉進浴缸還有另一個原因，就是水的導電性比我們想像的要低。我們都以為掉進水中的吹風機非常危險，是因為水可以導電。我們以前都聽父母這樣解釋過，這沒有錯，但也並不完全正確。掉進浴缸裡的吹風機的確很危險沒錯，但那是因為人體的導電性比水好。

就算自來水的導電性很好，但它並非最好的導體之一，例如銅的導電性就是它的 10 億倍。人體的導電性比自來水更強，因為我們不僅是由水組成，還含有許多的鹽，這就是人體比洗澡水更能導電的原因，除非我們在浴缸裡加了浴鹽或尿尿（當然沒人會這麼做），那就另當別論。

如果吹風機掉進水裡，電流在我們身體裡比在水裡更容易傳播，而這種效應還會因為我們整個身體都泡在洗澡水裡而增加，這樣電流的整個接觸面積就會非常非常大。

——本文摘自《神奇物理學：從重力到電流，日常中的科學現象原來是這麼回事！》，2022 年 9 月，商周出版，未經同意請勿轉載。