柯昭儀：【化學奇境】一線千珠走入分子世界
「在學習化學的過程，如果能夠熟知分子的對稱性，不但能有助於理解分子的穩定性與其反應特性，甚至可增長對於生活現象及大自然變化的認識。但僅由紙本的平面圖並不容易展現分子在三度空間的幾何結構，更遑論透過原子的實際排列方式，來感受原子的鍵結之奧妙，因此搭配模型來認識分子的立體結構格外重要。」
「台灣大學化學系金必耀教授發揮創意，把時下風行的串珠，拿來作為建構分子模型的素材，巧妙編織出一系列讓人眼睛為之一亮的芙類分子模型。這種串珠模型可以隨心所欲選擇喜歡的珠子；像是瑪瑙珠、米珠或水晶珠，所以打造出來的分子有如飾品般閃亮迷人。值得一提的是，如果選用球形珠子，由於珠珠之間的排斥力類似分子內部的作用力，所以它的串結相當接近真實芙類分子，比起上述的傳統分子模型也更為穩定。」
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。
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！
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。
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。
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。
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。
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。
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
討論功能關閉中。
本文轉載自 CASE 科學報《整個宇宙，都是我的動物園——天文化學》
整個宇宙就像是一座「分子動物園」，藉由研究的分子光譜，我們可以得知這分子的分佈、溫度等性質；而由於不同的分子有著不同的「習性」，我們還可以得知孕育這些分子的星際環境。
天文學是研究宇宙間天體的自然科學，除了一般大眾較為知道的「天文物理學」以外，宇宙擁有很多的面向，其中一個就是本文的主題：「天文化學」。
同樣都是研究「物質」的科學，物理學與化學卻是以不太一樣的方式來觀察這個世界。天文化學著重那些宇宙間「不同天體環境中的原子、分子、離子」等，研究它們的形成、分布、彼此之間的交互作用，或是與環境的交互作用。（接下來為了方便起見，我們將分子、離子等統稱為分子。）
天文學雖然是最古早的科學之一，但是天文化學這個學門，則要到 20 世紀中期才開始慢慢出現。理由很簡單：因為分子看不到呀！星星那麼大一顆，用望遠鏡都不一定能看清楚了，更何況是擺在眼前都看不到的分子呢？
因此要研究宇宙中的分子，必須要靠特別的技術才行；其中，最重要的技術之一，就是「光譜學」。
光譜（spectrum）是將光依照波長或頻率排列出來的圖案，像「彩虹」就是一種光譜，是太陽光依照不同頻率分開來的圖案。而光的範疇除了可見光以外，還有很多肉眼看不到的波段，例如無線電波、紅外線、紫外線、Ｘ光……等。
每一種分子都有著屬於自己的光譜，在地球上的我們，如果想要知道分子的光譜長什麼樣子的話，除了可以做實驗量測以外，更多的是用電腦做精密的模擬計算來預測。分子的光譜就像它們的「指紋」，就像警察會將採集到的指紋與資料庫比對，來得知這枚指紋是哪個人留下來的，天文學家則是將觀測到的光譜與資料庫比對，來得知遙遠星際的另一端有哪些分子，甚至是它們的含量、溫度等（圖 1）。
想要了解更多天文學家如何使用光譜學，可以參考：＜把光拆開來看：天文學中的光譜＞。
動物們往往能反應出當地的環境，舉例來說，看到河馬就知道那邊是有水有草的環境；看到櫻花鉤吻鮭就知道有水溫偏低的溪流 [3]。將宇宙視為分子動物園也是一樣的，觀察分子的分佈、含量，也可以讓我們回推物理環境。目前，我們已從星際間，觀測到了約 200 多種分子，這裡就介紹幾種常見的星際分子吧！
宇宙中含量最高的分子，也是「分子雲」的主要成分。分子雲中每一立方公分大約有一萬個氫分子（104 cm-3）。
分子雲是恆星、行星誕生的地方，所以了解氫分子的分佈，能幫助我們研究恆星形成。同時，氫分子能與較重的元素反應，是許多化學反應的催化劑，產生其他的分子如一氧化碳（CO）、二氧化碳（CO2）、 氰基自由基（CN）等。
氫分子對天文化學來說相當重要，可惜在分子雲這種均溫只有零下 200 多度的環境，幾乎是不太可能觀測到（因為它是個對稱的分子，有興趣的讀者可以再進一步了解。）[5][6]
一氧化碳分佈在星際間低溫、高密度的區域。它是星際間含量第二高的分子。
比起氫分子，一氧化碳容易觀測太多了，所以天文學家更容易從一氧化碳的圖像，來得知分子雲的分佈。由於分子雲幾乎沒辦法用可見光直接觀測，早期的科學家根本不知道我們周邊有這麼多分子雲的存在，直到觀測了一氧化碳的圖像之後才大開眼界。 [5][6][7]
氨也是很容易被觀測到分子。歷史上第一個觀測到的分子是就是氨。氨有許多譜線，而這些譜線的強度對於環境變化非常敏感，能對應到很多種不同的星際環境。對氨的觀測能讓我們更精確地回推出該處的環境狀況 [8][9]。
宇宙中的環境變化太大了，不同的環境下化學反應可能會有很大的差異。宇宙間的發散星際雲（diffuse cloud）、密集分子雲（dense cloud）、恆星形成的熱原恆星核（hot core）等這些已經偵測到大量分子的區域，溫度分佈從 10 K～1000 K（約攝氏 -200 度到 +800 度）、密度從每立方公分一百顆粒子到十兆顆粒子（102 cm-3～1013 cm-3）都有！
這裡接著再介紹幾種分子含量高的星際環境。
分子雲內部高密度、正在形成恆星的地方。獵戶座 KL 星雲（Orion KL）是獵戶座大分子雲中，恆星形成最活躍的區域。在這裡有許多的「複雜飽和有機分子」出現，如：甲醇（CH3OH）、甲酸甲脂（HCOOCH3）等，也有一些長鏈的碳分子，如：氰基乙炔（HCCCN）[10]。
在近幾年的觀測資料中，科學家在這裡看到了含量極高的氧分子（molecular oxygen, O2），這讓他們感到非常意外。因為氧分子在宇宙中很容易起反應、變成其它的分子，而在彗星這麼樣一個容易揮發的環境中，卻能有高含量的氧分子存在，代表這些氧分子很有可能是在彗星形成的時候，就已經存在周遭的環境中，並且冰封在彗星上 [11][12]。
天文化學所牽涉到的範圍很廣，橫跨了許多不同的領域。 整個宇宙就是一座「分子動物園」。天文學家觀察這些宇宙中的分子，來得知遙遠天體中具有什麼樣的環境。星際間也發現了許多有機分子，研究這些分子甚至能幫助我們理解生命的起源，這是現在天文化學研究的一個重點方向。
生物體中的蛋白質分子通常長得非常複雜，不是幾行化學式能解決的。如果想把它的分子結構鉅細靡遺的描繪出來，你有幾種選擇。
其中一個是 X 光晶體學，也就是讓許多蛋白質分子一同排列成整齊的晶體，接著將 X 光打進去，用繞射圖案進行分析。從 1950 年代以來，科學家便常常使用這種技術來探索分子結構。DNA 的雙股螺旋結構便是透過 X 光晶體學被發現。
不過這種方法有其根本上的限制。X 光晶體繞射後的強度很弱，必須藉由晶體內多個重複且整齊的晶格，進行同步繞射來增強訊號，因此沒辦法處理太大的蛋白質分子（單位體積內重複晶格太少），或是結構複雜的蛋白質（像是核糖體是由兩個次單元組成的），而且因為 X 光晶體學仰賴的是晶體結構的繞射，那些無法好好結晶的蛋白質，便不在它的防守範圍內，而細胞中許多的蛋白質都很難形成整齊的晶體。
另外，就算可以成功的結晶，被結晶的蛋白質分子也無法呈現出平常運作時的多種風貌，產生的影像也無法捕捉關於分子的任何動態資訊。
於是我們有另一個選項：低溫電子顯微技術 (cryo–electron microscopy) 。待觀察的分子被凍結在超低溫環境中，而研究人員用電子束轟炸分子，透過電子留下的影像來還原分子的立體結構。這種技術不需要蛋白質進行結晶，不過解析度普遍較差，最後的影像往往只能看出幾個模糊的團塊，因此通常只會用在大的蛋白質分子。
隨著相關領域人員的持續努力，低溫電子顯微的解析度已經大有進展。2017 年的諾貝爾化學獎便是頒給三位科學家在高解析度低溫電子顯微技術方面的突破。前一陣子的紀錄保持者是日本團隊對缺鐵基蛋白 (apoferritin) 的研究，解析度到達 1.53 埃。不過如果想要清楚的呈現個別原子，解析度差不多需要到達 1.5 埃，還差了一些。
在今年十月 Nature 期刊的一篇最新研究中，一個跨國研究團隊利用改良過的電子束與分析軟體，成功達到了 1.25 埃以上的解析率，足以清楚標示出每顆原子的位置。
聽起來很厲害，不過這代表的是什麼？
由於生物分子可以在行動中被降溫並「定格」，我們現在能夠清楚的看見蛋白質這類複雜的分子機械如何運作，清楚到每顆原子的動態都盡收眼底。毫無疑問地，這樣的技術將為分子與結構生物學帶來重要的進展。
目前，原子等級的解析度只適用於結構較堅硬的蛋白質分子。做為下一階段的目標，研究團隊希望能將同樣的技術運用在一般柔軟的大型蛋白質結構，並達到一樣好的解析度。在結構生物學的領域中，使用低溫電子顯微鏡的研究人口逐年成長，而這次的技術突破有望繼續加速這個趨勢。
windmill
Homo sapiens
Peggy Sha／沙珮琦
Mr. S
鄭國威 Portnoy
![ESA/Rosetta/NAVCAM [12], CC 3.0（右）](https://zh.wikipedia.org/wiki/%E4%B8%98%E7%95%99%E8%8E%AB%E5%A4%AB%EF%BC%8D%E6%A0%BC%E6%8B%89%E8%A5%BF%E7%BC%85%E7%A7%91%E5%BD%97%E6%98%9F#/media/File:Comet_67P_on_19_September_2014_NavCam_mosaic.jpg){kind=link}