Loading [MathJax]/extensions/tex2jax.js

0

16
0

文字

分享

0
16
0

誰才是《電流大戰》的最終贏家?那些電影也沒說的幕後秘辛

張瑞棋_96
・2019/07/19 ・4596字 ・閱讀時間約 9 分鐘 ・SR值 520 ・七年級

《電流大戰(The Current War)》這部電影,講的是交流電與直流電這兩種電力系統的攻防戰。如果你對特斯拉與愛迪生之間的恩怨情仇略有所知,一定有興趣看看《電流大戰》如何講述這段歷史。而如果你還是班奈狄克·康柏拜區(Benedict Cumberbatch)的粉絲,更會對他主演的這部新作充滿期待。

但如果你兩者皆是,那麼可能會和我一樣在內心哀號:「為什麼 BC 飾演的竟然是愛迪生,而不是特斯拉!」尤其《電流大戰》的試映會恰恰就在七月十日,特斯拉冥誕這一天(編按:《電流大戰》於台灣正式的上映時間為七月十九日)。

「為什麼 BC 飾演的竟然是愛迪生,而不是特斯拉!」(內心哀號)。圖/IMDb

———- 編按:以下有雷,介意的話看完電影再進來喔(雖然談的都是歷史,說有雷感覺哪裡怪怪的 XD)———-

為什麼會如此哀號?愛迪生不是發明電燈,造福世界的偉人嗎?沒錯,從小課本告訴我們愛迪生如何努力不懈,才成為「發明大王」。

-----廣告,請繼續往下閱讀-----

但課本沒說的是,真正點亮世界,並讓人類進入電氣世界的關鍵人物其實是特斯拉,而不是愛迪生。而且,愛迪生還為了商業利益打壓特斯拉、用盡手段阻撓交流電系統的推展。所以,我們當然希望康柏拜區飾演悲劇英雄特斯拉,而不是唯利是圖的愛迪生,對吧?

不過看完電影才發現,其實特斯拉在這部片子裡的戲份並不多。因為就像片中一位角色所說的,在這場直流電與交流電之戰中,背後真正的推動力量不是電流(current),而是金錢(currency)。

因此這部電影的主軸在於西屋電氣老闆威斯汀豪斯(George Westinghouse)與愛迪生的企業鬥爭,而不是特斯拉與愛迪生的個人恩怨。這雖然不免令人有些遺憾,不過相對而言,我們卻能循著這個脈絡來理解這場電流大戰,並進而釐清許多錯誤的迷思。

特斯拉在這部片子裡的戲份並不多,就連預告片也是在最後一秒才出現。圖/imdb

迷思一:電燈是愛迪生發明的?

很多人到現在都還以為是愛迪生發明了電燈,人類才開始用電力產生燈光,其實不然。首先,早在 1802 年,英國的戴維爵士(Sir Humphry Davy)就在英國皇家學會展示,鉑絲通電後會發出微微的亮光。當然這微弱的亮度不足以照明,但七年之後,戴維再次登台展示,他這次用兩千張鋅片與銅片所組成的伏打堆電池,接上兩根碳棒,在兩根碳棒之間製造出約十公分長的耀眼弧光。

-----廣告,請繼續往下閱讀-----

這亮度遠勝當時的煤氣燈,因而激勵許多科學家陸續投入弧光燈的研究。因此如果電燈的定義是指由電力產生的人工照明,那麼在愛迪生發明電燈的七十年以前,就已經有電燈了(註一)。

戴維爵士拉開研究弧光燈的序幕。圖/wikimedia

即使不算弧光燈,只考慮適合居家照明的白熾燈泡,愛迪生也不是最先發明的人。從一八三零年代起,包括英國、比利時、法國、美國等地,就都有科學家相繼研發白熾燈泡,基本上都不脫在真空的玻璃燈泡內安裝燈絲,通電後讓燈絲發亮。

愛迪生雖然於 1880 年取得燈泡專利,但他的燈泡也是同樣這種架構;這也是為什麼後來愛迪生發現西屋電氣逐漸壯大,而於 1885 年提出侵犯燈泡專利的告訴,並在七年後贏得勝訴後,西屋只要避開愛迪生的螺紋燈座設計,改採按壓式的彈簧夾燈座就沒事了。

由愛迪生繪製的燈泡草圖。圖/wikipedia

當然,愛迪生的貢獻也不容抹滅。畢竟他也是試驗了無數種材料,最後才終於發現碳化的竹絲最耐久;而如何改善抽真空的技術與大量生產的製程,也是有他的獨到之處。不過,就像其它科學發明,電燈的發明也是許多前人累積的成果,決不是愛迪生一人的功勞。

-----廣告,請繼續往下閱讀-----

迷思二:特斯拉發明交流電?

對於這場電流大戰的描述,我們看到的大多是以特斯拉為交流電的代表人物,因此可能在腦中埋下特斯拉發明交流電的印象。但其實交流電早就有了。

1820 年,丹麥的大學教授奧斯特(Hans C. Ørsted)在授課時,偶然發現電線接上電池時,竟然造成一旁羅盤的指針轉動,因而發現電流會產生磁場,首度揭露電場與磁場有關。那麼反過來,磁場也會產生電流嗎?

許多科學家拼命做實驗就是試不出來,直到 1831 年,戴維過世兩年後,原本擔任他助手的法拉第(Michael Faraday)才發現原來磁場變動才會產生電流。法拉第運用這電磁感應的原理,做出世上第一台發電機(雖然要用手搖),而它所發的電就是交流電。這是因為當磁場的南北極反轉時,導線上的感應電流方向也會反轉,而既然磁場必須不斷變換才能一直產生感應電流,那麼電流方向當然也就不斷來回變換。

法拉第承繼戴維爵士的研究,做出世上第一台手搖式交流發電機。圖/wikipedia

後來的發明家不斷改善發電機,但都基於同樣的原理,因此所產生的電一開始都是交流電。交流電用來點亮電燈沒有問題,事實上,在愛迪生開展他的照明事業之前,某些城市就已經有採用交流電系統的弧光燈做為路燈了。然而電不只可以用來照明,在許多人(包括愛迪生)的夢想中,電力還能驅動馬達,取代笨重的蒸汽機,將機械化與自動化提升到全然不同的境界。問題是交流電會使得馬達也不斷改變旋轉方向,這樣根本派不上用場,因此需要將交流電轉換成直流電。

-----廣告,請繼續往下閱讀-----

率先令這夢想得以成真的是比利時的發明家格蘭瑪(Zénobe Théophile Gramme)。他於 1873 年發明直流發電機,方法是在發電機內加入整流器。基本原理是這樣的:原本環狀導線兩端的電不斷一進一出改變方向,現在在導線兩端的位置各加裝一個電刷,使得環狀導線每轉半圈,兩端就會碰觸到左右不同電刷,那麼如果原本左邊的導線電流向前,轉了半圈到右邊時,電流變成向後(↑ 左、↓ 右、↑ 左、↓ 右、……),如此一來左右電刷每次收到的都是同方向的電流,所輸出的就一直是左出右進的直流電了。格蘭瑪同時也發明了直流馬達;有了發電機與馬達,人類才終於能跨入全面性的電力時代。

格蘭瑪成功地將交流電轉換成直流電。圖/wikipedia

那麼到底特斯拉對交流電做出什麼貢獻?

這還是得回到愛迪生與西屋的電流大戰說起。雖然直流電可以直接驅動馬達,但因為長距離傳輸容易耗損,不適合用於電網,因此必須到處佈建發電機,成本高昂。相對地,交流電發電機產生的交流電可以先用感應線圈提高電壓,便能長距離傳輸,直到靠近用戶端時,再用感應線圈降至符合電氣設備的電壓,因此只需幾個中央發電站,就能透過電網供電給廣大用戶,效益更高。

湯瑪斯·愛迪生(左)與喬治·威斯汀豪斯(右)。圖/Wikimedia

問題是,交流電到了用戶端後怎麼驅動馬達?一個方式是在馬達裡放進整流器,先將電網傳來的交流電轉成直流電(類似直流發電機的原理,只是剛好反方向),再驅動馬達。但是電刷容易產生火花,又會耗損,因此不利交流馬達的推廣。特斯拉的最大貢獻便在於發明出「多相感應交流馬達」(註二),不但不用電刷,轉換動力的效率還更高。

-----廣告,請繼續往下閱讀-----

馬達的應用甚廣,從一般家庭到大廈、工廠、礦場等不同場域,都有各種使用馬達的機械設備,因此特斯拉的發明更有助於西屋擴展交流電市場。而除了用戶端,發電廠本身也需要用到馬達,西屋的電網也因而更有競爭力,得以標到像芝加哥世界博覽會,以及尼加拉瀑布發電廠這樣的重大建設。 

迷思三:特斯拉被愛迪生打壓才窮困潦倒?

是的,特斯拉受雇於愛迪生時並未獲得合理對待,愛迪生還食言而肥,不發給他原本答應的五萬美元獎金。不過特斯拉後來窮困潦倒卻與愛迪生無關。

西屋既然贏得電流大戰,但特斯拉卻沒有因此名利雙收。圖/修改自maxpixel

威斯汀豪斯於 1888 年時,為了取得特斯拉的多相感應馬達,曾經答應除了預付兩萬美元,並分三期支付五萬美元外,馬達所產生的每匹馬力還要再付 2.5 美元的權利金給特斯拉。照理說,西屋既然贏得電流大戰,提供更多電力,特斯拉應該有源源不絕的權利金收入,為什麼晚年還會如此落魄?

原來 1890 年底,英國霸菱兄弟銀行(The Baring Brothers)傳出財務危機,在骨牌效應下,第二年西屋也面臨資金缺口。威斯汀豪斯一方面設法籌措資金,一方面不得不跟特斯拉攤牌,希望他放棄權利金。擁有浪漫情懷的特斯拉,除了感念威斯汀豪斯對自己的賞識,也一心想看到電力的全面普及,遂爽快答應了。有人曾經估算,就算截至 1905 年,特斯拉的馬達專利到期為止,他的馬達光在美國就已經產出七百萬匹馬力,這意謂著特斯拉至少放棄了一千七百五十萬美元的權利金,相當於今日的四億八千萬美元。若有這筆錢,特斯拉再怎麼將錢浪擲在他的偉大夢想上,仍應該可以過著相當優渥的晚年生活。

-----廣告,請繼續往下閱讀-----

迷思四:誰是電流大戰的贏家?

特斯拉後來為了追求一個不切實際的夢想——提供全世界源源不絕的免費電力,而將所有積蓄都浪擲在這個計畫上,最終也賠上自己的信譽,再也得不到投資者的青睞。1934 年起,特斯拉搬到紐約客旅館(Hotel New Yorker),他已無力負擔每月125美元的旅館房費,是由西屋電氣幫他墊付,一直到 1943 年特斯拉孤獨死於房中。

1943 年特斯拉孤獨死於房中。圖/Wikimedia Commons

威斯汀豪斯帶領西屋電氣平安度過 1891 年的危機,並以芝加哥世界博覽會與尼加拉瀑布發電廠的成功經驗,讓交流電打敗直流電,成為電網的輸送方式。不料 1907 年的經濟大恐慌再次帶給西屋財務危機,這次西屋雖然仍挺了過來,但威斯汀豪斯卻失去公司的控制權。七年後,威斯汀豪斯病逝,享年 67 歲。

愛迪生雖然因為背後金主摩根(J. P. Morgan)的強力介入,於 1892 年要求愛迪生的公司與另一家公司合併為通用電氣(General Electric Company,又稱「奇異公司」),而失去他的電力事業,但他在電影事業卻一帆風順,也一直受到美國人愛戴,稱得上名利雙收。

愛迪生的死對頭,威斯汀豪斯與特斯拉,分別於 1912 年與 1917 年獲美國電氣工程師協會頒發獎章,以表揚他們兩人的貢獻。不過獎章名稱卻是「愛迪生勳章」。你說,誰是贏家呢?

-----廣告,請繼續往下閱讀-----
你說,誰是電流大戰的贏家呢?圖/IMDb
  • 註一:其實俄國的物理學家佩卓夫(Vasily Vladimirovich Petrov)於 1802 年就用四千兩百個個鋅片與銅片組成前所未有的巨型伏打堆電池,展示更明亮穩定的弧光。可惜他在國內發表的論文並未傳到歐洲,直到十九世紀末才被發現。
  • 註二:當然特斯拉還有許多重要發明,包括廣播、無線電、遙控器,以及可以無線充電的特斯拉線圈。

參考資料

  • 一、《光之帝國》,吉兒·瓊斯(Jill Jonnes)著,商周出版社
  • 二、”Generators
  • 三、en.wikipedia.org

延伸閱讀:

-----廣告,請繼續往下閱讀-----
文章難易度
張瑞棋_96
423 篇文章 ・ 1028 位粉絲
1987年清華大學工業工程系畢業,1992年取得美國西北大學工業工程碩士。浮沉科技業近二十載後,退休賦閒在家,當了中年大叔才開始寫作,成為泛科學專欄作者。著有《科學史上的今天》一書;個人臉書粉絲頁《科學棋談》。

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。

0

1
0

文字

分享

0
1
0
任意添加光學元件 為研究打開大門的無限遠光學系統
顯微觀點_96
・2025/01/30 ・1763字 ・閱讀時間約 3 分鐘

本文轉載自顯微觀點

圖 / 顯微觀點

顯微鏡在科學發展中扮演關鍵的角色,讓人們得以突破肉眼的限制,深入微觀的世界探索。而隨著時間推進,顯微技術也日新月異,其中現代顯微鏡設計了所謂的「無限遠光學系統」(Infinity Optical Systems),更是提升了顯微鏡性能和突破過去的觀察瓶頸。因此主要的顯微鏡製造商現在都改為無限遠校正物鏡,成為顯微鏡的技術「標配」。

1930 年代,相位差顯微技術出現,利用光線在穿過透明的樣品時產生的微小的相位差造成對比,使透明樣本需染色就能更容易被觀察。1950 年左右,則出現使用兩個 Nomarski 稜鏡,將光路分割再合併產生 干涉效應的 DIC 顯微技術,讓透明樣本立體呈現、便於觀察。

在傳統「有限遠系統」中,單純的物鏡凸透鏡構造,會直接將光線聚焦到一個固定距離處,再經過目鏡放大成像。也因此過去顯微鏡的物鏡上通常會標示適用的鏡筒長度,通常以毫米數(160、170、210 等)表示。

-----廣告,請繼續往下閱讀-----

而在過渡到無限遠校正光學元件之前,選用的物鏡和鏡筒長度必須匹配才能獲得最佳影像,且大多數物鏡專門設計為與一組稱為補償目鏡的目鏡一起使用,來幫助消除橫向色差。

但是問題來了!當這些光學配件要添加到固定鏡筒長度的顯微鏡光路中,原本已完美校正的光學系統的有效鏡筒長度大於原先設定,顯微鏡製造商必須增加管長,但可能導致放大倍率增加和光線減少。因此廠商以「無限遠」光學系統來解決這樣的困境。

德國顯微鏡製造商 Reichert 在 1930 年代開始嘗試所謂的無限遠校正光學系統,這項技術隨後被徠卡、蔡司等其他顯微鏡公司採用,但直到 1980 年代才變得普遍。

無限遠系統的核心在於其物鏡光路設計。穿透樣本或是樣本反射的光線透過無限遠校正物鏡,從每個方位角以平行射線的方式射出,將影像投射到無限遠。

-----廣告,請繼續往下閱讀-----
有限遠(上)和無限遠(下)光學系統的光路差別
有限遠(上)和無限遠(下)光學系統的光路差別。圖 / 擷自 Optical microscopy

透過這種方法,當使用者將 DIC 稜鏡等光學配件添加到物鏡、目鏡間鏡筒的「無限空間」中,影像的位置和焦點便不會被改變,也就不會改變成像比例和產生像差,而影響影像品質。

但也因為無限遠系統物鏡將光線平行化,因此這些光線必須再經過套筒透鏡在目鏡前聚焦。有些顯微鏡的鏡筒透鏡是固定的,有些則設計為可更換的光學元件,以根據不同實驗需求更換不同焦距或特性的透鏡。

除了可以安插不同的光學元件到光路中而不影響成像品質外,大多數顯微鏡都有物鏡鼻輪,使用者可以根據所需的放大倍率安裝和旋轉更換不同的物鏡。

傳統上一旦更換物鏡,樣本可能就偏離焦點,而須重新對焦。但在無限遠光學系統的設計中,物鏡到套筒透鏡的光路長度固定,也就意味著無論更換哪個物鏡,只要物鏡設計遵循無限遠系統的標準,光路長度和光學路徑的一致性得以保持。

-----廣告,請繼續往下閱讀-----

因此無限遠光學系統也有助於保持齊焦性,減少焦距偏移。這對需要頻繁切換倍率的實驗操作來說,變得更為便利和具有效率。

不過使用上需要注意的是,每個顯微鏡製造商的無限遠概念都有其專利,混合使用不同製造商的無限遠物鏡可能導致不正確的放大倍率和色差。

改良顯微技術,使研究人員能夠看到更精確的目標;以及如何讓更多光學配件進入無限遠光學系統中的可能性仍然在不斷發展中。但無限遠光學系統的出現已為研究人員打開了大門,可以在不犧牲影像品質的情況下輕鬆連接其他光學設備,獲得更精密的顯微影像。

  1. M. W. Davidson and M. Abramowitz, “Optical microscopy”, Encyclopedia Imag. Sci. Technol., vol. 2, no. 1106, pp. 120, 2002.
  2. C. Greb, “Infinity Optical Systems: From infinity optics to the infinity port,” Opt. Photonik 11(1), 34–37 (2016).
  3. Infinity Optical Systems: From infinity optics to the infinity port
  4. Basic Principle of Infinity Optical Systems
  5. Infinity Optical Systems

延伸閱讀選擇適合物鏡 解析鏡頭上的密碼

-----廣告,請繼續往下閱讀-----

討論功能關閉中。

顯微觀點_96
28 篇文章 ・ 5 位粉絲
從細微的事物出發,關注微觀世界的一切,對肉眼所不能見的事物充滿好奇,發掘蘊藏在微觀影像之下的故事。

0

0
0

文字

分享

0
0
0
螃蟹有痛感嗎?我們是怎麼知道的?
F 編_96
・2025/01/16 ・1669字 ・閱讀時間約 3 分鐘

-----廣告,請繼續往下閱讀-----

F 編按:本文編譯自 Live science

螃蟹一直是海鮮美食中的明星,從油炸軟殼蟹到清蒸螃蟹,餐桌上經常見到牠們的身影。有地方也習慣直接將活螃蟹丟沸水煮熟,認為這能保留最多的鮮味。過去人們認為甲殼類缺乏複雜神經結構,不會感受到痛苦,因此不必過度憂心道德問題。但近年來,越來越多研究開始挑戰此一想法,指出螃蟹與龍蝦等甲殼動物可能具備類似疼痛的神經機制。

以前大家相信甲殼類缺乏複雜神經結構,但近期這一認知逐漸受到質疑。 圖 / unsplash

甲殼類是否能感覺到痛?

人類長期習慣以哺乳類的神經構造作為痛覺判斷依據,由於螃蟹沒有哺乳動物那樣的大腦腦區,便被認為只憑簡單反射行動,談不上真正「痛」。然而,新興科學證據顯示包括螃蟹、龍蝦在內的甲殼類,除了可能存在被稱為「nociceptors」的神經末梢,更在行為上展現自我防禦模式。這些研究結果顯示,螃蟹對強烈刺激不僅是本能抽搐,還有可能進行風險評估或逃避策略,暗示牠們的認知或感受方式比我們想像更精緻。

關鍵證據:nociceptors 與自我保護行為

近期實驗在歐洲岸蟹(Carcinus maenas)中觀察到,當研究人員以刺針或醋等刺激手段測量神經反應,牠們顯示與痛覺反應類似的神經興奮;若只是海水或無害操作,則無此現象。此外,透過行為實驗也可看出,寄居蟹在受到電擊時,會毅然捨棄原本的殼子逃離電源,但若同時存在掠食者味道,牠們會猶豫要不要冒著風險離開殼子。這些結果使科學家認為,螃蟹並非單純反射,而可能有對於痛感的判斷。若只是「低等反射」,牠們不會考慮掠食風險等外在因素。

痛覺與保護:實驗結果引發的道德思考

以上發現已在科學界引發廣泛關注,因為餐飲業與漁業中常見「活煮」或「刺穿」處理螃蟹方式,如今看來很可能讓牠們承受相當程度的不適或疼痛。瑞士、挪威與紐西蘭等國已開始禁止活煮龍蝦或螃蟹,要求先以電擊或機械方法使其失去意識,試圖減少痛苦。英國也曾討論是否將甲殼類納入動物福利法保護範圍,最後暫時擱置,但此爭議仍在延燒。

-----廣告,請繼續往下閱讀-----
英國對於是否將甲殼類列入動物福利法的保護範圍,有所爭議。 圖 / unsplash

部分學者保持保留態度,認為雖然甲殼類展現疑似痛覺的行為與神經反應,但與哺乳類相同的「主觀痛感」仍需更多研究證明。大腦與神經系統結構畢竟存在很大差異,有些反射也可能是進化而來的自衛機制,而非真正意義上的感受。然而,科學家普遍同意,既然相關證據已經累積到一定程度,毋寧先採取更謹慎與人道的處理模式,而非輕易推卸為「牠們不會痛」。

海洋生物福利:未來的規範與影響

如果螃蟹被證實擁有痛覺,將牽動更廣泛的海洋生物福利議題,包括鎖管、章魚或多種貝類也可能具有類似神經機制。人類一直以來習慣將無脊椎動物視為「低等生物」,未必給予與哺乳類相同的法律或倫理關注。但若更多實驗持續指出,牠們同樣對嚴重刺激展開避痛行為,社會或終將呼籲修訂漁業與餐飲相關法規。未來可能要求業者在捕撈與宰殺前使用電擊或麻醉,並限制活煮等方式。這勢必對漁業流程與餐廳文化造成衝擊,也引發經濟與文化折衷的爭議。

龐大的實驗數據雖已暗示螃蟹「會痛」,但確鑿的最終定論仍需更多嚴謹研究支持,包括更深入的大腦活動成像與突觸路徑分析。同時,落實到實際操作也需追問:是否存在更快、更人道的宰殺或料理方式?能否維持食材鮮度同時保障動物福利?這種思維轉變既考驗科學進程,也考驗人類對自然資源的態度。也許未來,既然我們仍會食用海產,就該以最小痛苦的方式對待那些可能感受痛苦的生物,為牠們提供基本尊重。

-----廣告,請繼續往下閱讀-----

討論功能關閉中。

F 編_96
20 篇文章 ・ 1 位粉絲
一個不小心闖入霍格華茲(科普)的麻瓜(文組).原泛科學編輯.現任家庭小精靈,至今仍潛伏在魔法世界中💃