Loading [MathJax]/extensions/tex2jax.js

0

0
0

文字

分享

0
0
0

小行星「龍宮」如何撞碎又重生,與隼鳥2號相遇?

果殼網_96
・2019/05/16 ・4165字 ・閱讀時間約 8 分鐘 ・SR值 516 ・六年級

小行星,是我們追溯太陽系歷史的「時光膠囊」。它們大多是太陽系行星形成時期的留下的碎片,很可能還保留著原始太陽系的成分和資訊。

但是,小行星的個頭太小了,自身又不發光,肉眼幾乎不可能看見(除了灶神星),即使在天文望遠鏡裡,也頂多不過是一個小亮點。想要瞭解小行星的秘密,人們就需要派出使者——探測器,去一探究竟了。

來自日本 JAXA 的隼鳥 2 號探測器,就擔負了這樣一個艱鉅的任務:探訪碳質小行星(C型小行星)——「龍宮」。

C 型小行星是小行星中數目最多,也最為原始的一類。它們被認為是落入地球上的碳質球粒隕石的母體,其中一些可能富含水和有機物。探測這樣的小行星,不但可以幫助我們瞭解太陽系早期的歷史和演化,沒准也能我們尋找地球生命起源提供線索。

2018 年 6 月,隼鳥 2 號抵達龍宮。經過了幾個月的探測之後,隼鳥 2 號團隊迎來了第一個收穫的季節——就在昨天(2019-03-20),《科學》雜誌一口氣刊登了三篇論文,介紹隼鳥 2 號團隊對小行星龍宮的初步探測成果[1-3]。

-----廣告,請繼續往下閱讀-----

從一個小亮點,到一整個世界

隼鳥 2 號在距離龍宮 133 萬公里處,首次拍到了它的身影——此時的龍宮還依然只是一個小亮點[4]。然而,隨著隼鳥 2 號一點一點飛近龍宮,隼鳥 2 號攜帶的「十八般兵器」漸漸為我們揭開龍宮的面紗。

隼鳥 2 號 2018 年 2 月 26 日首次拍到的小行星龍宮。來源:JAXA[4]

首先是出場的是相機。隼鳥 2 號攜帶了 3 個相機:1 個遠望相機 ONC-T 和兩個寬角相機 ONC-W1 和 ONC-W2,最高可以拍攝毫米級解析度的龍宮表面照片。

隼鳥2號的三個導航相機。來源:JAXA[5]
ONC相機告訴我們,這個直徑約 900 米的小傢伙形狀略扁(赤道半徑 502 米,兩極半徑只有 438 米),長得像個粽子陀螺,赤道有一圈明顯的隆起,這個環繞赤道一圈的隆起後來被命名為「龍王山脊」。龍宮的自轉週期約 7.6 小時,轉軸傾角 171.64°,幾乎就是逆行自轉(轉軸傾角 180°)。

龍宮的東半球和西半球。來源:JAXA

又一個疏鬆的「亂石堆」

通過測量品質和體積,可以計算出龍宮的密度只有 1.19 克/立方釐米(實在是有點低),這並不是因為組成龍宮的石塊本身密度太低,而是因為這些石塊都是「松松」地靠在一起的,彼此之間有很大空隙。

-----廣告,請繼續往下閱讀-----

當年,隼鳥 2 號的前輩隼鳥號探測的小行星「系川」就是這樣一顆典型的「亂石堆」(rubble pile)。這種由眾多大大小小的石塊通過自身引力聚集在一起形成的小行星,彼此之間的「粘合力」很弱,質地鬆散,孔隙率自然也很高。

龍宮上的坍塌和物質流動痕跡。(左)浦島坑中的坍塌,(右)黃色箭頭指示重力位從高到低的方向,與龍宮目前的物質流動方向一致。來源:參考文獻[3]
而如果我們假設組成龍宮的顆粒物質密度和碳質球粒隕石差不多的話(其中目前已知密度最低的是 Orgueil CI 隕石,密度 2.42±0.06 克/立方釐米[6]),那麼整個龍宮的平均孔隙率將大於 50%,比小行星系川孔隙率(44%)還要高。也就是說,龍宮也是一顆亂石堆型小行星。

亂石堆型小行星系川和龍宮。來源:JAXA

另一個支持這個觀點的證據是:龍宮表面有許多大石塊。雖然撞擊作用也會產生石塊,但龍宮上的這些石塊不可能是撞擊濺射物,因為長於 20 米的石塊實在太多了(最大的一塊長度約 160 米),龍宮上最大的撞擊坑(直徑約 290 米的浦島坑)也不可能產生這麼大的石塊。

因此,龍宮很可能是一顆直徑約 100 公里的母天體被完全撞碎之後,碎片重新聚集形成的,而龍宮上的這些大石塊也不是龍宮形成之後才產生的,更可能是組成龍宮的原始碎片。

-----廣告,請繼續往下閱讀-----

「陀螺」是怎麼形成的?

其實,陀螺狀的近地小行星倒也談不上罕見,天文學家們已經通過地基雷達發現過一些。畢竟,自轉引起的離心作用可以讓赤道區域產生一定的隆起,這也不奇怪(咱們的地球不也是「兩極稍扁,赤道略鼓」麼)。

自轉週期短達 3.9 個小時的妊神星,就因為巨大的離心作用被整個「拉」扁了…快速旋轉的妊神星的假想圖,看得我都暈……來源:Wikimedia Commons

但是,相比於目前已知的其他陀螺狀的小行星,龍宮的自轉速度似乎太低了(7.63 小時),按理說,這樣的自轉速度似乎並不足以引起這麼明顯的赤道隆起。

JAXA 隼鳥 2 號探訪的龍宮,NASA冥王號探訪的貝努,以及歐空局曾經的小行星採樣返回計畫 MarcoPolo-R 想要造訪的小行星 2008 EV5 的大小、形狀和自轉週期,相比之下龍宮實在是轉得太慢了。圖片來源:JAXA、NASA

那麼,一個很自然的猜測就是:龍宮過去一定轉得很快,是後來減速到現在的自轉狀態的。

為了證實這一點,隼鳥2號團隊分析了不同自轉速率下龍宮表面坡度(表面法線和重力等位面的夾角)的分佈。來源:參考文獻[1]
結果反映出,當龍宮的自轉速率是現在的兩倍多的時候,龍宮上會發生大規模「坍塌」,大量物質「流」向赤道區域,形成現在環繞赤道一圈的龍王山脊。然後,隨著自轉的減慢,如今的龍宮赤道上的物質也正重新「流」向中高緯區域。

-----廣告,請繼續往下閱讀-----

有點「乾旱」的「龍宮」

「龍宮」這個名字來源於日本民間故事《浦島太郎》(うらしまたろう),故事裡的浦島太郎被海龜帶往海底龍宮,在龍宮受到了公主乙姬的熱情款待,回到人間的時候帶回了一個寶盒——寓意採樣返回的隼鳥 2 號也能從小行星帶回珍貴的信息。這個名字的另一個意義在於,C型(碳質)小行星中有幾個亞類可能含富含水,這也非常符合「海底龍宮」的意味。

ポプラ出版社(2018/3/6)童書《浦島太郎》的封面

那龍宮到底是不是這樣呢?隼鳥 2 號的另一件寶貝——近紅外光譜儀(NIRS3)告訴我們好像並不是。

近紅外光譜儀的內部結構。來源:JAXA[5]
如果某個區域含有某種物質成分,那麼這個區域的反射光被光譜儀「分解」之後,就可能顯示出這種成分對應的 V型的特徵吸收。也就是說,光譜儀可以識別許多物質的「指紋」。

龍宮攜帶的近紅外光譜儀 NIRS3 覆蓋了 1.8-3.2 微米的波段範圍,在這個範圍裡,三種不同形式的水:羥基(OH)、液態水和水冰會體現出不同的吸收特徵——如果龍宮含水,就應該會被檢測到。

-----廣告,請繼續往下閱讀-----
(左)羥基(OH)、水和水冰在3μm(3000 nm)附近有不同波段有不同的吸收特徵示例。來源:參考文獻[7](右)龍宮的近紅外波段光譜特徵。來源:參考文獻[2]

NIRS3 的結果顯示,龍宮只在 2.72 微米處探測到了很窄的 V型吸收,而且遍佈全球——這是羥基(OH)的吸收特徵。也就是說,含羥基的礦物(水合礦物)在龍宮表面普遍存在[2]。然而,龍宮上羥基的特徵吸收很微弱,說明整個龍宮表面的羥基都不多——龍宮上雖然有水(羥基可以認為是結構水,但不同于液態水和水冰),但也沒有多少水。

為什麼會有這麼少的水呢?可能的原因有很多。

  • 一種可能性是,龍宮本身作為一顆重組的亂石堆,很可能經歷過一些熱變質或者衝擊變質過程,類似於經歷過這些的碳質球粒隕石,那麼自然地,龍宮在這個過程中被加熱脫水了。
  • 另一種可能是,龍宮曾經的軌道近日點比現在離太陽更近,會受到更強的來自太陽的熱輻射,也會因為更強的太陽風作用而導致羥基的分崩離析。

總之,就是龍宮可能曾經有過很多水,然後水沒了。

另一種可能是,龍宮可能原本就沒有很多水:龍宮的母體小行星上就(因為種種原因)沒有很多水,所以龍宮先天缺水。隼鳥 2 號專案組更傾向於這種情況。

鄉關何處?

至於龍宮原本來自哪裡?它的母體小行星是什麼樣的?我們依然可以通過光譜特徵這把「指紋鑰匙」來推測,或者簡單來說,尋找什麼樣的小天體和龍宮更像。

-----廣告,請繼續往下閱讀-----

以目前龍宮的光譜形態來看,和龍宮光譜特徵最相似的小行星是兩顆主帶小行星:波蘭星(Polana)和歐拉莉婭(Eulalia),從軌道特徵來看,龍宮也很可能是這兩顆小行星之一的碎片。

龍宮和波蘭星(Polana)、歐拉莉婭(Eulalia)的反射光譜。來源:參考文獻[3]
事實上,這兩顆小行星並不是「單打獨鬥」的,它們各自有一個龐大的家族——也就是說一系列軌道特徵相似,可能來自同一顆小行星母體的族群——波蘭星族(Polana family)和歐拉莉婭星族(Eulalia family)(歐拉莉婭星族本身也是波蘭星族的一個分支)。

也就是說,龍宮可能並不直接來源於這兩顆小行星之一的碎片,而可能是它們的二代、三代甚至 n 代碎片。

龍宮的坎坷一生

在隼鳥 2 號抽絲剝繭地偵查之下,龍宮歷經坎坷的一生逐漸浮出水面。

-----廣告,請繼續往下閱讀-----

龍宮的母體小行星或許原本是有水的,但後來因為自身內部的放射性物質衰減加熱,或者因為隕石撞擊加熱,讓很大一部分水散失了。也或許是因為母體小行星的水蝕過程才剛剛開始,還沒有形成很多水。

總之,這顆略有點「乾旱」的母體小行星被另一顆飛來的撞擊體完全撞碎,這是太陽系中稀鬆平常的「慘劇」之一。

在這毀滅之中,也孕育著新生──那些撞擊產生的碎片,又聚集成了一個個新的小行星族群。因為碎片在這個撞擊和重組過程中,除了因為撞擊產生的有限的熱變質之外,並沒有發生很大的化學變化,所以它們幾乎還保留著來自母代小行星的「指紋」。

龍宮或許就是這樣的一顆小行星。又或許,那些子代小行星族群中的一顆,又再次被一顆飛來的撞擊體完全擊碎,這些碎片再次重組,成為了龍宮。

龍宮可能的形成過程。來源:參考文獻[3]
我們並不知道龍宮的一生,經歷了多少次俄羅斯套娃式的毀滅和重生。龍宮的這段歷史,也是建立在無數「可能」之上的推測——隨著隼鳥 2 號的進一步探索,我們一定會得到一段更加清晰的歷史,或許和現在的猜測非常不同。

但龍宮這樣的小行星,一定經歷過毀滅和新生交織的「坎坷人生」,或許也註定在某一次撞擊中被完全毀滅。

只是剛剛好在這樣一個時刻,龍宮也在,我們也在,然後我們看到了龍宮。

參考文獻:

  1. S. Watanabe, et al., Hayabusa2 arrives at the carbonaceous asteroid 162173 Ryugu—a spinning-top-shaped rubble pile. Science (2019).
  2. K. Kitazato et al., The surface composition of asteroid 162173 Ryugu from Hayabusa2 near-infrared spectroscopy. Science (2019).
  3. S. Sugita et al., The geomorphology, color, and thermal properties of Ryugu: Implications for parent-body processes. Science (2019).
  4. Hayabusa2 has detected Ryugu
  5. Hayabusa2 Science Data Archives
  6. P. Vernazza, et al. (2015). Interplanetary dust particles as samples of icy asteroids. The Astrophysical Journal, 806(2), 204.
  7. C. Pieters, et al. (2009). Character and spatial distribution of OH/H2O on the surface of the Moon seen by M3 on Chandrayaan-1. science, 326(5952), 568-572.

 

-----廣告,請繼續往下閱讀-----
文章難易度
果殼網_96
108 篇文章 ・ 9 位粉絲
果殼傳媒是一家致力於面向公眾倡導科技理念、傳播科技內容的企業。2010年11月,公司推出果殼網(Guokr.com) 。在創始人兼CEO姬十三帶領的專業團隊努力下,果殼傳媒已成為中國領先的科技傳媒機構,還致力於為企業量身打造面向公眾的科技品牌傳播方案。

0

1
0

文字

分享

0
1
0
拆解邊緣AI熱潮:伺服器如何提供穩固的運算基石?
鳥苷三磷酸 (PanSci Promo)_96
・2025/05/21 ・5071字 ・閱讀時間約 10 分鐘

-----廣告,請繼續往下閱讀-----

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。

-----廣告,請繼續往下閱讀-----

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。

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。/ 圖片來源:MotionArray

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)」!

-----廣告,請繼續往下閱讀-----

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。

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。

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。/ 圖片提供:研華科技

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。

-----廣告,請繼續往下閱讀-----

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。

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。/ 圖片來源:MotionArray

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)。

-----廣告,請繼續往下閱讀-----

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。

-----廣告,請繼續往下閱讀-----

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。

-----廣告,請繼續往下閱讀-----
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。/ 圖片提供:研華科技

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

-----廣告,請繼續往下閱讀-----
-----廣告,請繼續往下閱讀-----
文章難易度

討論功能關閉中。

1

3
0

文字

分享

1
3
0
平民登月計劃?核融合真的來了?——2023 最值得關注十大科學事件(下)
PanSci_96
・2023/01/31 ・3226字 ・閱讀時間約 6 分鐘

-----廣告,請繼續往下閱讀-----

在上一篇中,我們介紹了將在 2023 年發生的五個醫藥健康大事件。

延伸閱讀:
用迷幻藥治憂鬱?基因編輯療法將通過批准?——2023 最值得關注十大科學事件(上)

這次我們轉向能源、宇宙與科技領域,從首趟平民月球之旅、物理學的標準模型新發現,再到第一個核廢料永久儲存設施正式營運!

No. 5 氣候與能源衝擊

世界各國能否聽從科學家的警告,採取實際行動,朝淨零之路前進嗎?看起來不行。由於疫情與俄烏戰爭,去年 11 月在埃及舉辦的「聯合國氣候變化會議 COP27」幾乎是原地踏步。

不過還是有一個重要的決議,那就是建立氣候損失和損害基金。根據協議,排放量較高的富裕國家將在經濟上補償受氣候變化影響最大的貧窮國家。「過渡委員會」將於 2023 年 3 月底前舉行會議,提出資金運用的建議,並在 11 月的 COP28 會議上提交給世界各地的代表。

-----廣告,請繼續往下閱讀-----

至於核能的部分,新型核分裂發電與核融合發電,都會在 2023 年有所進展。

另外,世界上第一個核廢料儲存設施,今年將在芬蘭西南海岸外的奧爾基洛托島正式啟用。這個由芬蘭政府於 2015 年批准建造的地下處置庫,將負責封存超過 6500 噸有放射性的鈾;這些鈾會被裝在銅罐中,再用厚厚的粘土覆蓋,最後埋在地下 400 公尺深的花崗岩隧道內,預期將被密封數十萬年,直到輻射水平達到完全無害的程度。

另一個好消息是,今年 1 月 1 日就任的巴西總統——魯拉(Luiz Inácio Lula da Silva),將推翻前任總統開放的雨林開發,保護生態與文化。

然而深海則有新危機。若 2023 年 7 月前,聯合國的國際海床管理局(ISA)沒能讓各國對深海採礦管理準則達成共識,那海底的礦產資源可能會被某些政府和企業盯上,不受限制地開挖,海洋生態將迎來浩劫……。

-----廣告,請繼續往下閱讀-----

許多關於能源的抉擇包含了科學和政治,能源短缺也激勵了綠能跟潔淨能源的投資力道及採用意願;至於今年還會不會發生更棘手的麻煩?使能源轉型更加舉步維艱。

巴西新任總統推翻雨林開發,保護生態與文化。圖/Envato Elements

No. 4 超越標準模型

2022 年 4 月,美國費米國家加速器實驗室的物理學家,公佈了渺子 g-2 實驗的首批結果;這項實驗研究了被稱為「渺子的短命粒子在磁場中的行為」。

過去 50 年來,標準模型(Standard Model)[註]的理論預測通過了所有測試,但其實物理學家普遍認為標準模型肯定還不完備,並且認為可以從渺子身上找到破綻;如果今年再次公佈更精確的數據,顯示渺子的磁矩比理論預測來得大,那就代表還有新粒子等待被發現,而標準模型就得修正。

位於中國廣東的江門地下的微中子實驗觀測站,也將在今年展開尋找超越標準模型的物理學之旅;利用位於地下七百公尺的探測器,來準確測量微中子的振盪。

-----廣告,請繼續往下閱讀-----

註:標準模型為能描述強核力、弱核力、電磁力這三種基本力,以及所有物質基本粒子的理論。

另外,物理學家們在今年會有升級的新設備。第一個是 LCLS-II 直線加速器相干光源 2 代(Linac Coherent Light Source-II),它將創造終極 X 射線機器,看到分子內原子的運動!另一個則是新的重力波獵人—— Matter-Wave Laser Interferometric Gravitation Antenna(物質波雷射干涉重力天線);這個設施把銣原子冷卻成「物質波」,能夠梳理黑洞和其他超大質量天體碰撞產生的時空漣漪,揪出現有重力波設施錯放的事件,甚至可以幫我們尋找暗物質!

而在瑞典隆德附近、由歐洲 17 國攜手成立的歐洲散裂中子源(ESS),將使用史上最強大的線性質子加速器產生強中子束,來研究材料的結構;雖然預計 2025 年才會完工,但於今年迎來第一批研究人員,開始實驗。

No.3 就是要抬頭看天空

許多人心中 2022 年科學事件第一名,正是韋伯太空望遠鏡傳回的驚人照片;沒有意外的話,韋伯在 2023 年會繼續大顯身手,揭露星系演變的真相,與遙遠系外行星的生命印記,找尋地球之外的生命。

今年還會有更多驚喜!來自於新的太空望遠鏡,如:由歐洲太空總署開發的歐幾里得太空望遠鏡,今年發射後將繞行太陽六年,拍攝宇宙的 3D 圖;日本宇宙航空研究開發機構 JAXA 的 X 射線成像、光譜任務 XRISM,則是繞地球軌道運行的太空望遠鏡,將探測來自遙遠恆星和星系的 X 射線,預計在今年 4 月升空。

-----廣告,請繼續往下閱讀-----

在地球上,位於智利的薇拉魯賓天文台(Vera C. Rubin Observatory)將於今年 7 月啟用;其望遠鏡採用特殊的三鏡面設計,相機包含超過 30 億像素的固態探測器,每三個夜晚就能掃描整個南天,也是監測可能危害地球小行星的守護者之一。而世界上最大的可動望遠鏡——新疆奇台射電望遠鏡(QTT)也將在今年完工;其口徑達 110 公尺,能夠觀測天空中 75% 的星星。

詹姆斯.韋伯太空望遠鏡(James Webb Space Telescope,JWST)去年發布的圖片——史蒂芬五重星系。圖/維基百科

No. 2 好多月球任務,還有一個鐵小行星

2022/12/11 這天,包括阿拉伯聯合大公國的拉希德漫遊者月球車、NASA 的月球手電筒立方衛星、以及日本的白兔 HAKUTO-R M1 登陸器,共同搭乘 SpaceX 的獵鷹九號發射升空;HAKUTO-R 如今正緩緩帶著拉希德前往月球,預計在今年 4 月著陸。

而印度太空研究組織 ISRO 的第三次探月任務月球飛船 Chandrayaan-3,預計今年年中發射,並於月球的南極著陸。

還有首次民間人士的月球之旅 dearMoon。SpaceX 的 Starship 將載著 11 位平民上太空,包含創業家、明星跟 YouTuber;如果 Starship 成功發射,將會成為史上最大的火箭。Blue Origin 的 New Glenn 也預計在今年首度發射。若兩者都成功,將推動太空科學與商業進入新時代,讓進入太空的成本大幅下降。

-----廣告,請繼續往下閱讀-----

歐洲太空總署的木星冰月探測器 JUICE 也將在今年 4 月升空,並於 2031 年抵達木星系統;目標是研究木星以及三顆衛星:木衛二三四的環境,了解他們有沒有可能支持生命存在。

NASA 將於今年 10 月後發射延遲了一年的 Psyche 靈神星小行星軌道飛行器,其研究對象為 16 Psyche 靈神星小行星;科學家認為它可能不是一般的小行星,而是一顆年輕行星裸露的鐵核心。如果今年順利發射,將在 2029 年到達。 

看來對太空迷來說,2023 又將是幸福熱鬧的一年。

由超大型望遠鏡(Very Large Telescope,VLT)拍攝的靈神星。圖/維基百科

No.1 GPT-4 跟 AlphaFold 的衝擊波襲來

借過借過,AI 已預約登上 2023 年最大科學事件!

-----廣告,請繼續往下閱讀-----

如果 GPT-3.5 開發的 ChatGPT 還沒有嚇到你,那 GPT-4 就要來了!

而在科學領域,DeepMind 的 AlphaFold 帶來的衝擊不亞於 ChatGPT;它能夠根據蛋白質的一維氨基酸序列,準確預測折疊後的三維形狀,對生物與醫療研究影響非常大。 AlphaFold 2 於 2021 年發布了另外 2 億多種蛋白質的結構,幾個月來,來自 190 個國家/地區、超過 50 萬名研究人員,使用 AlphaFold 研究了 200 萬種不同的蛋白質結構。另外,Meta 的 ESMFold 的速度甚至又比 AlphaFold 快 60 倍,預測的蛋白質超過 6 億種!

基於 AlphaFold 跟 ESMFold 的研究量將大大增加,這些龐大新知識也將開始應用於各學科,包括新疫苗和塑膠開發。

法規管制總是比科技進步緩慢,隨著 AI 越來越強大、滲透到社會的方方面面,各國政府必須回應。歐盟在今年將通過人工智慧法案,為使用人工智慧制定標準,其他國家和科技巨頭將密切關注,跟進與調適。

-----廣告,請繼續往下閱讀-----
圖/GIPHY

以上就是「2023 最值得關注十大科學事件」,你最期待的是哪一個?哪個是你心中的 No.1?又有哪些我們漏掉了,但你覺得該列入的呢?歡迎留言討論!

歡迎訂閱 Pansci Youtube 頻道 鎖定 2023 年的每一個科學大事件!

-----廣告,請繼續往下閱讀-----
所有討論 1
PanSci_96
1262 篇文章 ・ 2411 位粉絲
PanSci的編輯部帳號,會發自產內容跟各種消息喔。

0

6
1

文字

分享

0
6
1
謎樣的「超快自旋小行星」——什麼原因讓它自旋這麼快而不崩解?
科技大觀園_96
・2021/12/23 ・2604字 ・閱讀時間約 5 分鐘

超快自旋小行星的自旋週期小於兩小時。圖/沈佩泠繪

科學家相信,一顆小行星的內部可能是由一堆大大小小的碎片組成,這些碎片靠著彼此的重力聚集成一顆小行星,這就是所謂的「瓦礫堆模型」。瓦礫堆小行星無法自旋太快,如果自旋速度超過一個極限,整顆小行星就會遭受強大的離心力而崩解。瓦礫堆模型可以解釋為什麼小行星有一個自旋週期 2 小時的極限,因為超過這個極限,小行星就會瓦解。 

圖中的黑點是一般小行星,圖中虛線是 2 小時的自旋週期,藍色圓點是超快自旋小行星,它們的自旋週期比一般小行星快,短於 2 小時。圖/章展誥提供

「凡事都有例外」,這句話在小行星的自旋週期上也適用。2002 年,科學家發現一顆特別的小行星,它的長度大約 700 公尺,自旋週期只有半小時!這種小行星被稱為「超快自旋小行星」。這個例外讓天文學家感到困惑,是什麼原因讓它自旋這麼快而不崩解?瓦礫堆模型不適用了嗎?還有其他更多的超快自旋小行星嗎?這些問題就成了章展誥的研究主題。

如何量測小行星的自旋週期?

小行星本身不發光,只會反射太陽光。假設小行星的形狀是長橢圓形,當太陽照射到面積最大那一側,小行星看起來最亮;當太陽照射面積最小那一側,小行星看起來最暗。從小行星的亮度變化就可以知道它的自旋週期。 

從小行星的亮度變化可以推算出它的自旋週期。圖/沈佩泠繪

章展誥於 2011 年取得中央大學天文所博士學位,當時是跟隨高仲明教授研究銀河系結構。畢業後他先留在原團隊做博士後研究,後來轉跟隨葉永烜教授,與美國加州理工學院合作研究小行星的旋轉與結構模型,自此與超快自旋小行星結緣。

-----廣告,請繼續往下閱讀-----

為了尋找其他的超快自旋小行星,章展誥利用加州理工學院帕洛馬瞬變工廠(Palomar Transient Factory)的 1.2 公尺廣視野望遠鏡,進行大量小行星自旋週期的測量。2014 年春季,他發現一顆疑似超快自旋小行星,這顆小行星的亮度相當暗,無法確定它是不是真的轉得很快,就像聽音樂時,音量很低,很難聽清楚是哪一首歌;這時如果你有一對大象般巨大的耳朵,就可以把旋律聽得清楚。音樂和光一樣都是一種訊號,章展誥需要大口徑的望遠鏡,進一步確認這顆小行星是不是真的轉得很快。 

加州理工學院帕洛馬瞬變工廠的執行地——帕洛馬天文台。圖/Wikipedia

當時他正在加州理工學院訪問,便與加州理工學院的合作者使用他們的 5 公尺口徑望遠鏡進行自旋週期確認,結果顯示它確實是一顆超快自旋小行星。這顆超快自旋小行星的發現,證實了 2002 年發現的第一顆超快自旋小行星並不孤單,超快自旋小行星是一個族群。 

提到那次經驗,章展誥心中除了喜悅還有震撼,原來美國一流名校是這樣做研究的!取得 5 公尺望遠鏡的使用時間就像是走到對街買杯奶茶一樣容易,資源如此豐富,做研究自然得心應手。

除了轉得快,與其他小行星有什麼不同?

因為超快自旋小行星的相關研究成果,在 2017 年 4 月舉行的「小行星、彗星、流星國際研討會」(Asteroids, Comets, Meteors 2017, ACM 2017)上,國際天文學會(IAU)宣布將編號 10679 的小行星命名為 Chankaochang——章展誥小行星。到 2020 年 3 月為止,已知的超快自旋小行星一共有 26 顆,其中的 23 顆是章展誥的團隊發現的。除了尋找更多超快自旋小行星,章展誥還進一步研究它們的組成和分佈,比較它們與其他小行星有什麼異同。

-----廣告,請繼續往下閱讀-----

小行星距離我們那麼遠,天文學家要如何研究小行星的組成呢?假設建築工地裡有三種建材,分別是磚頭、水泥和大理石,如果它們放在手碰不到的距離,要如何分辨?你一定知道從顏色就可以分辨它們的材質,紅色是磚頭,灰色是水泥,白色是大理石。實際上天文學家也用類似的方法,他們用小行星的顏色來分辨它們的組成。章展誥的研究發現,這些超快自旋小行星的組成與一般的小行星並沒有不同。

小行星主要分佈在火星與木星的軌道之間,這些小行星分佈的區域稱為小行星帶。超快自旋小行星在小行星帶的分佈位置有什麼特別的地方嗎?它們比較靠近火星或木星?章展誥發現超快自旋小行星分佈的位置並不特別,與其他小行星分佈的位置很相似。

超快自旋小行星除了自旋得超快,它們的組成與分佈跟其他小行星並沒有什麼不同。至於為什麼它們可以轉得超快而不裂解,目前仍是未解之謎,期待未來章展誥能夠解開謎團,告訴我們答案。 

章展誥目前是中央大學天文所的助理研究學者。圖/章展誥提供

從星團到小行星 章展誥繞著天文轉

章展誥大學是念中央大學物理系,修過普通天文學後,覺得天文容易上手,後來進入天文所蔡文祥教授的研究室做暑期學生,開始他的天文研究之路。當時的時空背景,大多數的大學生畢業後都會選擇念碩士班,章展誥覺得天文比較親近,所以選擇報考天文所。考上中央大學天文所,繼續跟隨蔡文祥教授研究球狀星團。

-----廣告,請繼續往下閱讀-----

碩士班畢業後,章展誥到成功大學物理系許瑞榮教授實驗室協助研究紅色精靈,紅色精靈是一種高空閃電現象,他參與的團隊很幸運地拍到紅色精靈,這是臺灣首次記錄這種特殊、罕見的現象。

離開成大後,章展誥曾經到科技業工作,後來覺得不同部門之間,對解決問題方式存在很大的差異,因此在一年後離開企業界,回到中央大學擔任高仲明教授的研究助理,工作是用大量的天文數據和影像建構虛擬天文台。處理大數據的經驗,讓他可以幫助學弟解決研究上的問題,這讓章展誥興起攻讀博士的念頭。於是在 2006 年,他進入中央大學天文所博士班就讀,研究銀河系;博士後一直到現在,則聚焦在小行星。

從球狀星團、紅色精靈、虛擬天文台、銀河系到小行星,章展誥跨足天文、太空多個研究領域,至於未來,且讓我們拭目以待!

-----廣告,請繼續往下閱讀-----
科技大觀園_96
82 篇文章 ・ 1126 位粉絲
為妥善保存多年來此類科普活動產出的成果,並使一般大眾能透過網際網路分享科普資源,科技部於2007年完成「科技大觀園」科普網站的建置,並於2008年1月正式上線營運。 「科技大觀園」網站為一數位整合平台,累積了大量的科普影音、科技新知、科普文章、科普演講及各類科普活動訊息,期使科學能扎根於每個人的生活與文化中。