煤炭有幾種？可以洗乾淨嗎？──煤的旅程（一）前處理篇

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

你知道台電有個電力研發基地嗎？台電綜合研究所因應電力研發試驗需求設立，至今已超過 20 年，平均每年進行近 400 項研究專案，是我國電力研究重鎮，今年更首次公開展出研究成果，舉辦「綠潮-2022 台電綜合研究所成果展」，今（14）日在板橋車站旁、全台首座綠能主題展館的「電幻 1 號所」盛大開展。台電表示，此次共展出 25 項電力研究成果，將電力專業知識轉化為與你我相關「看得懂的研究」，今日起免費展出至 10 月 14 日，歡迎民眾一同探索、揭開電力研發基地神秘面紗。

台電今日上午於電幻 1 號所舉辦「綠潮-2022 台電綜合研究所成果展」開幕活動，現場由中央研究院院長廖俊智、國家實驗研究院院長林法正及台電代理董事長曾文生等各界貴賓共同為展覽揭開序幕，並於希爾頓酒店舉辦「智能綠電新未來論壇」，邀請美國電力研究所（EPRI）、亞太能源研究中心（APERC）及彭博新能源財經（BNEF）分享國際電業趨勢，與產官學界進行深度對談。

台電說明，台電研發機構最早可追溯到1968年創立的「電力研究所」，隨研究需求及規模擴張，2001 年正式成立「綜合研究所」至今，扮演著支撐穩定供電、帶動能源轉型的電力核心技術關鍵研究單位，台電綜研所近年積極投入低碳能源與友善環境相關研究，並持續與美國電力研究所（EPRI）、彭博新能源財經（BNEF）等組織進行國際技術交流，以科學研究務實推動能源轉型。

台電指出，此次成果展以「綠潮」為主題，取自「綠」能與國際浪「潮」，突顯綜研所除致力綠能研究，更時刻與國際接軌。展覽共分為「Future、Power、Smart、Green」四大展區，展出 25 項電力研究成果，並第一次與YouTube影音平台訂閱超過 40 萬人、全台最大知識科普社群 PanSci 泛科學合作，將專業電力知識轉譯，搭配擬真模型、解說影片及 VR 裝置等生動有趣互動模式，主打「看得懂的研究」首次對外展出，期望打開民眾對電力的想像與視野。

台電也分享展覽 3 大「必看亮點」，首先推薦「Future」展區可看見未來智慧城市樣貌的「未來電桿」。台電說明，全國電桿數量超過 300 萬支，隨時都可能有各種如颱風天災等突發狀況，台電讓電桿搭載感測器，並結合 AI 影像辨識技術人工智慧及物聯網技術，使電桿具有自動檢測控制功能，目前先於桃園、新竹地區試驗，未來廣泛布建後，除可遠端即時掌握電桿狀態、提升搶修維護效率，更可讓電力線路基礎設施成為能源網路，甚至是城市資訊數據的傳輸平台。

而國際正夯的「碳捕捉」技術也可在展覽中的「Green」展區一探究竟，台電將位於台中電廠已實際投入發電機組排碳捕捉的碳捕集設備，打造成結合科技感互動與聲光展示的「超擬真」模型，直接搬到展場。此設備未來更將以年碳捕捉量 2000 噸為目標。

台電此次展覽亦第一次對外發表國內首創的「產業動態指數」，綜研所分析近3萬具高壓智慧電表所收集的電力大數據，並依據產業用電特性，結合生產力指數、節假日及氣象等多元資料，透過 AI 模型演算，建構出可每日即時更新的經濟領先指標「產業動態指數」，目前已透過 B2B 商業模式，提供企業作為產業發展分析重要依據。

台電表示，此次綜研所成果展自今日開幕，將於電幻1號所展出至 10 月 14 日（開館時間 10：00-18：00，週一休館），歡迎有興趣的民眾前來探索台灣電力研發基地的神秘面紗！

地球暖化會造成溫度升高？不稀奇！地球暖化會造成人類生活環境越來越嚴峻？也不稀奇！但你有聽過，因為地球暖化，讓我們的亮度竟然逐年遞減，地球變得越來越暗嗎？

地球亮度的改變並不是近期才出現的新興議題，關於地球亮度的變化，科學家早在 1990 年代前後便提出一種現象「全球黯化」（global dimming）去解釋為何地表獲得的太陽光能量越來越低。

當時透過資料指出，進到地球的太陽能量大幅降低，從 1950 到 1990 年入射至地表的太陽光能量，竟然平均減少 4%！ 也就是身處在地球上的人類會覺得地表的亮度似乎逐漸地降低。

當人類使用石油、煤炭等非再生能源發電時，會在環境中產生許多氣膠微粒，而這些氣膠微粒進入大氣，微粒可以吸收、反射入射到地球的太陽光，使太陽之能量無法進到地球表面，進而造成地球亮度降低。

而全球黯化同時也影響著人們過去對於全球暖化的理解，當全球黯化造成入射到地表的太陽光減少時，代表著地球所獲得的能量並不如過往我們所想像的這麼多。換句話說，全球黯化所造成的冷卻效應竟比不上人們所造成的暖化速度！

知曉地球改變亮度的方法——地照！

近期最新研究更是顯示，1998 年到 2017 年近十年內，地球的反照率逐年下降！除全球黯化造成地表獲得太陽能量減少外，當從外太空看著地球時，地球竟然也越來越暗了！

反照率是一種常用於亮度表示的方式之一，其指的是太陽電磁波段入射至地表的總量質，除以被地表反射的量值所得出的數字。不同的地表特性即有不一樣的反射量質。因此，透過反照率的升降，科學家也可以推估氣候變遷對環境所產生的變化與影響。

計算反照率的方式十分特別，在科學中我們將其稱為「地照」！

地照現象指的為當太陽光照射到地表，地表會反射部分太陽光，而當地表反射太陽光至月球未被太陽照到的地方時，月球又會將地表所反射至月面的光線反射回地球。

地照的變化與地表的改變息息相關。例如冰雪的反射率較高，當地表溫度較低，累積較多冰雪時，地照數據便可能會上升；而洋面的反照率較低，當地表溫度較高，造成冰雪融化成海洋，則地照數據便可能會下降。

除了利用地照觀測地球反照率外，為使觀測更加精確，科學家利用於 2000 年發射的 CERES 儀器（Clouds and the Earth’s Radiant Energy System）觀測大氣至地表的太陽光輻射與地表放出之輻射，並進一步分析對影響地球溫度的重要因子──雲，和太陽輻射的交互關係。

研究結果分析發現，從 2000 年到 2015 年，地球反照率曲線一直維持接近平坦的狀態，但近年，地球反照率的衰退卻日益明顯，如下圖表示：

橫軸座標為年度，縱軸座標為地照反照率之異常改變（單位為每瓦／平方公尺），黑色為地照異常之數據，藍色為 CERES 觀測到異常之數據，而灰色陰影區域則為誤差範圍。從圖中可以看出，地照反照率在這幾年下降約 0.5 W／m²，而 CERES 之數據則是下降約 1.5 W／m²。

十年一變──太平洋年季震盪

科學家推測，改變反照率的原因，是週期性發生在太平洋的氣候變化──太平洋年季震盪。

太平洋年季震盪指的為太平洋的海水溫度會以十年為週期尺度產生變化：當北太平洋和熱帶太平洋間的海水溫度較高時，稱作暖相位；而當北太平洋和熱帶太平洋間海水溫度較低時，稱作冷相位。

而地球亮度改變的原因，正是因為太平洋年季震盪到了暖相位，造成海面低雲減少，反照率降低！

低雲較為溫暖，其主要成分是由水滴組成，當太陽輻射照射水滴時，較多太陽反射至太空，地球的反照率較高，也造成地表溫度降低；而高雲主要成分由冰晶組成，透光性較佳，再加上高雲通常體積較低雲薄，故太陽輻射可以順利進入地表，地球反照率相對降低。

當北太平洋與熱帶太平洋間海水溫度升高時，洋面上空氣需達到飽和的水氣量相對增加，氣塊達到飽和條件較高，低層雲較難生成。（其實背後原因極其複雜，作者僅是以最簡單的方式嘗試解釋。）當低層雲減少時，反射率降低，造成較少太陽輻射至太空，地球亮度因此變得越來越暗。

交織纏繞的反饋機制

看完整篇文章也別急著下結論！其實地球上的現象不僅環環相扣，影響因素更是族繁不及備載，從海溫改變的原因、高低雲量多寡的變化、反照率升降的主因……，我們都很難用單純或是絕對的一段話去完整解釋自然界的現象。

科學家所能做到的，是透過原因推導、盡力的去解釋現象，所以關於地球反照率下降的趨勢原因，除了太平洋年季震盪、海溫升高、低雲變化等，或許也還有科學家尚未清楚的其他可能性。

但同時，令科學家擔心的事情是，因全球暖化造成地表的反照率降低，代表地表接收到的能量、進到地表之能量相對增加，而吸收的能量又加速全球暖化的速度，地球或許會因為這樣的回饋機制持續升溫，造成更加嚴重的溫室效應。如何去因應溫度上升造成的種種問題，也將會是我們需要不斷去思考問題。

1. AGU Advances，Earth’s Albedo 1998–2017 as Measured From Earthshine
2. science alert，《Two Decades of Data Show That Earth Is ‘Dimming’ as The Planet Warms Up》
3. Wikipedia，《Clouds and the Earth’s Radiant Energy System》
4. Wikipedia，《行星照》