史上最多產的數學家，歐拉忌日｜科學史上的今天：9/18

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

本文由 德州儀器 委託，泛科學企劃執行。

從 IC 之父 Jack Kilby 在德州儀器發明世上第一顆積體電路，到現在已過了 65 年，而這項科技已經成為我們的日常，並且還在不斷進步。德州儀器不僅是積體電路的先驅者，更長期投資氮化鎵 (GaN) 的電源應用，例如資料中心伺服器電源、再生能源、或是小體積的電源供應器等，開發許多獨創的電路結構。在已到來的次世代半導體浪潮中，德州儀器早已站穩了腳步，成為高壓半導體領域的領導者。

氮化鎵作為新材料的崛起，已成為充電領域的新寵，甚至打敗了傳統的矽 (Si) 基充電頭。然而，要充分發揮氮化鎵的潛力，需要量身定制相對應的策略和戰術。

何謂電路拓樸？電路設計要考量什麼？

拓樸電路是氮化鎵最好的後勤部隊，能讓它發揮 100% 的力量。但這個拓樸電路又是什麼呢？

先來談一下比較陌生的名詞「拓樸」。拓樸是幾何學中重要的概念，主要在研究物體在連續變化下時的不變性質。舉個數學家最愛的例子，就是研究如何把一個帶手把的馬克杯變成甜甜圈。這是什麼鬼題目？這就像問炭治郎什麼時候要開 5 檔，八竿子打不著吧？但對數學家來說，這個題目是可能的，因為帶手把的馬克杯和甜甜圈有個共通特徵，就是有一個洞！只要有這個共同特徵，我們確實就可以透過一系列的數學運算，將馬克杯變成甜甜圈。

舉例來說，漫威電影中班納博士變身成浩克，如果希望浩克的身上能看得出班納博士的影子，就必須用拓樸學先將班納博士的五官這些「特徵」定位好，製作成大家常看到有如網格的 3D 建模，變身成浩克時才不會整個走鐘（台語），臉部比例亂成一團。沒錯，拓樸解決的，是在兩種形狀間切換時，這些特徵與圖案的比例不會隨便亂跑，成為四不像的東西。

回到我們的氮化鎵電路，難道我們要利用拓樸學，把電路板的形狀變成一個甜甜圈或是浩克嗎?當然不是，這邊指的是用更少的元件、更低的延遲與漏電的設計，把相同功能的電路重新改寫配置。

簡單來說，電路拓樸就像是電路板上的藍圖，告訴我們如何把各種電子元件，比如電阻、電容、電感、電晶體等組織在一起，來完成我們想要的任務。

每種電路拓樸都有它的優點和適用的場合。例如，Buck轉換器可以將輸入的電壓降低，適合用在需要較低電壓的應用上。Boost轉換器則可以提升電壓，適合用在需要較高電壓的應用上。LLC轉換器具有高效率和寬輸入電壓範圍的特性，適合用在需要高效率和靈活性的應用上。PFC（Power Factor Correction）則是一種用來提高電源效率的技術，它可以使輸入電流與電壓同步，減少能量損失等等。

然而，這些都是以矽為主的拓樸電路，為了充分發揮氮化鎵百分之百的潛力，我們不能僅僅依賴傳統的電路設計方法和拓樸，而是要重新塑造！

GaN＋電路拓樸=最強？

那麼，我們要如何重新塑造才能全部發揮 GaN 的實力呢？讓我們以一種常見的電路拓樸—功率因數校正 PFC 為例。

PFC，是電路中的交通指揮，負責將電路中電流與電壓同步，以達到最佳的效率。在電訊號經過漫長電路之後，常常導致輸出的電流與電壓波形出現時間差，不再同步。我們知道功率等於電壓乘以電流，因此兩者好好配合，才能發揮最大效益，如果兩者沒有同步，就會降低整體電路的有效功率。

PFC 功率因數修正電路，現在看到在做的事情，就是讓它們好好同步，降低無謂的能量浪費。目前世界各地許多法規都直接要求在電路中加入 PFC，提升用電效率。

那麼問題來了，同樣是 PFC 電路拓樸，現在我們有兩種設計，下方的圖 1－雙升壓 PFC，跟下方圖 2－圖騰柱 PFC。

依照我們希望體積盡可能小的需求，直覺來說你要選哪一個呢？

當然是圖 2，因為他看起來比較簡單嘛。可惜的是，市面上大多矽基半導體的 PFC，都是選擇圖 1 方案。因為圖 2 方案的簡約設計，前提是關鍵的二極體必須具備低的「反向恢復時間」。

所謂反向恢復時間，指的是電晶體在電源切斷的瞬間，電晶體內仍有殘留電荷，會反向放電，造成電路阻塞。而矽基半導體過長的反向恢復時間，會導致電源損耗上升。反之，氮化鎵因為反向恢復時間為零，可以完全適應高效的圖騰柱 PFC。

這邊提到的 PFC 只是氮化鎵的其中一種運用，別忘了，除了零反向恢復時間外，它還有著能承受高電壓與高溫的特性，再加上低漏電率的關鍵被動技能，在目前的半導體戰場上，可說是最強的挑戰者。未來在各種電源供應器上，應該很快都能看見它的身影。

當然，講到這邊，都僅止在題本作答。在實際的晶片設計中，各元件間的距離與電路安排，都需要經過多次的試驗和調整，才能找到最適合的電路拓樸和元件配置，而這也正是德州儀器所擅長的領域。

德州儀器設計出的電源供應器，已經遍佈全世界的重要設備中。除了提供高效的能源供應，節省下的能源，也直接減少了許多碳排。根據估計，對一個 100 MW 的資料中心來說，換上 GaN FET 之後，就算只有提升 0.8% 的效率增益，在 10 年內就能節省多達 700 萬美元的能源成本。尤其在 AI、量子電腦等科技發展蓬勃的現在，在「節流」這一塊的投資，真的非常重要！

看到這鋰，如果你也想訓練這個「黑科技」氮化鎵，打造更強的電路、為世界的節能貢獻一份心力。或甚至像 IC 之父 Jack Kilby 那樣，發展全新的電路架構，做出足以改變世界的創舉，德州儀器歡迎所有熱血人才加入，一起來改變世界吧！

數學家通常都想很多，這是我們的習性。我們會分析對稱或相等這類大家都知道的基本概念，試圖找出更深層的意義。

形狀就是一個例子。我們多少都知道形狀是什麼。我們看到一個物體時，很容易就看得出它是圓形、方形還是其他形狀。但數學家會問：形狀是什麼？構成形狀的要素是什麼？我們以形狀分辨物體時，會忽略它的大小、色彩、用途、年代、重量、誰把它拿來的，以及最後誰要負責歸位。我們沒有忽略的是什麼？當我們說某樣東西是圓形時，看到的是什麼呢？

形狀百百種，可以量化嗎？

當然，這些問題沒什麼意義。就實際用途而言，我們對形狀的直覺理解就已經夠了——生活中沒有什麼重大決定是需要仰賴我們對於「形狀」的確切定義。但如果你有空又願意花時間來想一想，形狀倒是個很有趣的主題。

假設我們現在要思考了，我們或許會問自己這個問題：

這個問題很簡單，但不容易回答。這個問題有個比較精確和有限的說法，稱為廣義龐卡赫猜想（generalized Poincaré conjecture，或譯龐加萊猜想）。這個猜想提出至今已經超過一百年，目前還沒有人解答出來。嘗試過的人相當多，有一位數學家解出這個問題的大部分，因此獲得了100萬美元獎金，但還有許多種形狀沒有找到，所以目前我們還不知道世界上一共有幾種形狀。

動手把形狀畫出來

我們來試著解答這個問題。世界上有幾種形狀？如果沒有更好的點子，有個不錯的方法是畫出一些形狀，看看會有什麼結果。

看來這個問題的答案取決於我們區分形狀的方式。大圓和小圓是相同的形狀嗎？波浪線（squiggle）應該全部算成一大類，還是應該依彎曲的方式細分？我們需要一種通用規則來解決這類爭議，才不用每次都需要停下來爭論。

從幾何學到拓樸學

可用於決定兩個形狀是否相同的規則相當多。如果是木匠或工程師，通常會希望規則既嚴謹又精確：必須長度、角度和曲線都完全相等，兩個形狀才算相同。這樣的規則屬於幾何學（geometry）這個數學領域。在這個領域裡，形狀嚴格又精確，經常做的事情是畫垂直線和計算面積等等。

但我們的要求比較寬鬆一點。我們想要找出所有可能的形狀，但沒時間慢慢區分幾千種不同的波浪線。我們想要的是在比較兩個形狀是否相同時比較寬鬆的規則，它能夠把所有的形狀分成若干類別，但類別的數量又不至於太多。

——本文摘自《不用數字的數學：讓我們談談數學的概念，一些你從沒想過的事……激發無窮的想像力！》，2022 年 9 月，經濟新潮社，未經同意請勿轉載。