發現海王星│ 科學史上的今天：9/23

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

• 文／陳子翔（現就讀師大地球科學系， EASY 天文地科團隊創辦者）

距離我們大約兩百億公里的太空中，有一架名為航海家二號的探測器已經工作了數十年，就在不久前，NASA 送出了久違的訊息試圖再次與她連絡上……

為什麼說久違呢？是這樣的，今年初因為位在澳洲坎培拉，負責聯繫航海家二號的訊號收發站要進行天線設備升級，然而這又是目前唯一能和航海家二號聯繫上的訊號收發站，也因此必須暫停與航海家二號的聯繫。

43 年從未斷訊的航海家二號

雖然說這次與航海家二號數個月的斷訊是計畫之中的事情，但其實還是讓 NASA 的工程師與科學家們有些緊張。各位可以回想看看，自己用過壽命最長的電子產品或家電用品是什麼呢？也許你會想到用了五年的手機，十年的電視機，又或是用了二、三十年的電鍋或冰箱。但相信應該很少人家裡有超過四十年，而且完全沒有維修過卻還能使用的電器吧。然而航海家二號從發射至今已經獨自在廣大的太空中運作超過 43 年了，在她離開地球時，台灣第一條高速公路與電氣化鐵路都還在建設中呢！也因此要與一架骨董級探測器斷訊八個月的確滿讓人擔心的。

不過話說現在科技已經進步非常多，近年也不乏許多先進的新探測器持續進入太空探索，為什麼我們仍這麼關心航海家二號的動向呢？其中有個很大的原因是，即便新的探測器有著更先進的儀器設備，航海家二號帶來的貢獻和歷史意義仍然難以被超越。

就讓我們藉由著個機會來重溫這架傳奇探測器光輝的故事吧！

航海家二號的誕生：太空「大航海時代」的序章

在太空探索的歷史上，1960 年代是載人太空任務發展的黃金年代，第一位進入到太空的人與第一位踏上月球的人都是在 1960 年代發生的。而 1970 年代，就可說是探索太陽系的「大航海時代」了，在這十年間，許多無人探測器先後出發探訪太陽系的各大家族成員，像是首次登陸火星、首次飛掠各大行星的成就都在這幾年間達成，而航海家二號可說是其中最具代表性的探測器之一。

揭開太陽系外圍的神秘面紗，乘載希望奔向宇宙深處

有別於先前多數的太空探測器都是以一顆特定星球作為目標，航海家二號最特別之處，就在於她造訪了所有外太陽系的氣體行星—木星、土星、天王星和海王星。而要完成這樣的壯舉必須仰賴這四顆行星特殊的排列位置，讓探測器在每在造訪一顆行星的同時，也正好能巧妙地讓該行星的重力拉自己一把，幫助探測器用最節省燃料的方式飛向下一顆行星，而這樣的機會每隔 176 年才會有一次呢！

把握住這樣的機會，航海家二號在 1977 年八月升空，並在接下來的十年先後收集了四顆氣體行星的重要科學資料，同時也傳回了許多令人屏息的經典照片。更特別的是，在四十多年後的今天，航海家二號仍然是唯一造訪過天王星和海王星的探測器，因此下次看到像是下圖這樣清晰漂亮的天王星和海王星影像，就可以跟朋友說這個照片是航海家二號拍攝的，也許朋友就會以崇拜的眼光看你（並不會）

1989 年航海家二號飛掠了最後一個計劃中的目標天體—海王星，然而她的任務卻還會持續下去，繼續為我們帶來外太陽系，甚至是「太陽系外」的第一手資訊，例如太陽磁層頂的位置、星際空間的磁場與宇宙射線強度等等……

同時，航海家二號也帶著地球人想送給外星人的「小禮物」，一張收錄用全球各種語言打招呼的錄音，以及數張影像檔案的唱片和唱片播放器。雖然說要在茫茫宇宙中「不小心撿到」這個禮物的機率實在太低，但這樣的紀念品某種程度也象徵著人類踏出航向宇宙的步伐時，做出的浪漫宣示吧！

重新連繫航海家二號

今年十月天線更新完成後，NASA 終於能送出睽違八個月，一封「來自地球的家書」給航海家二號，而她也順利收到並有所反應，彷彿對地球上的我們說：「哈囉地球上各位，好久沒有各位的消息了，很高興又收到你們的信，我在遙遠的太陽系外也都還好喔！」

這次成功的聯繫也代表著航海家二號的任務依然持續進行著，不過 NASA 的工程師也估計探測器的電力應該所剩不多了，我們終究在未來的某一天必須和這部偉大的探測器告別，但航海家二號仍將繼續帶著人們探索未知世界的精神，航向星空深處。

• Jet Propulsion Laboratory Voyager
• Deep Space Network Canberra Deep Space Communication Complex
• NASA finally makes contact with Voyager 2 after longest radio silence in 30 years

十七世紀末，牛頓提出的萬有引力理論象徵現代天體力學的開始；人們利用物理原理來描述天體運行，並藉由天文觀測逐步修正理論或計算方法的缺失。以天王星的發現為契機，科學家開啟了一連串對行星軌道的研究；這些事件不但成為天體力學發展史的重要標誌，最終竟促成重力理論的演進，甚至延續到現今，反應在我們對黑洞的觀察上。

這一切，都要從 1781 年，英國天文學家赫雪爾（William Herschel，1738-1822）在自家庭院，從望遠鏡中看到一顆彗星說起……

天王星的詭異行徑

在赫雪爾將發現回報給皇家學會後，其他科學家也紛紛對這顆彗星進行調查。很顯然的，它似乎沒有彗星尾巴，而且運行軌跡較接近圓形，不像其他彗星以非常扁的橢圓軌道繞行太陽；與其說是彗星，它更像是在土星軌道之外環繞太陽的行星──這就是天王星的發現。

儘管已驗明正身，天王星仍然困惑著接下來數十年的天文學者：它的實際軌道和牛頓萬有引力理論的預測並不相同。這是牛頓理論的失敗嗎？還是觀測錯誤了呢？1846 年，法國天文學家勒維耶（Urbain Le Verrier，1811-1877）利用數學計算提出預測：存在某個未知星體影響了天王星的運行，造成理論和觀測的差異；他也指出該星體的軌道、質量和位置大約為何。

一陣子之後，柏林天文台收到勒維耶的報告，便馬上著手進行未知星體的搜尋工作；只花不到一個小時，海王星就被找到，與勒維耶預測的位置相差不到一度──史上第一次，單純憑藉數學計算發現新行星[1]。

水星的運行軌道也存在異常

隨著海王星的發現，牛頓萬有引力理論可說獲得空前勝利。然而，天文學家拿重力理論來推估行星運行的嘗試並未到此為止。1859年，勒維耶再度出擊，聲明水星軌道的進動也跟牛頓萬有引力理論的計算有所出入。

在理想狀況下，依據牛頓萬有引力理論，水星環繞太陽的運行軌道應該要固定不變；然而在實際上，因為受到其他行星的重力拉扯（和另外一些次要因素），水星軌道的近日點（以及軌道本身）會緩慢產生變化──這稱為水星的近日點進動。

勒維耶分析了從 1697 年到 1848 年的水星觀測資料，發現水星的近日點進動，與用牛頓萬有引力理論考慮其他行星的影響所算出來的進動數值，每世紀差了三千六百分之三十八（38/3600）度[2]──這是多麼微小的數值，卻又真實存在！

因為之前海王星的成功經驗，勒維耶猜想：介於太陽和水星軌道之間，可能存在未曾發現過的星體，影響了水星的運行；他將其命名為瓦肯星（Vulcan）[3]。

無奈地，這一次任憑天文學家花費幾十年尋找，甚至勒維耶也已去世良久，瓦肯星始終不見蹤影；而水星近日點進動問題便懸而未決，延續到二十世紀。在 1915 年，愛因斯坦才利用廣義相對論成功將此問題劃上句點。

根據我們目前所知，水星的近日點每世紀會移動約 574/3600 度，其中牛頓萬有引力效應佔了 532/3600 度，而廣義相對論造成的效應幾乎剛好就是兩者之差。廣義相對論針對牛頓萬有引力定律所描述的重力，做出了細緻的修正──這個修正在大多數狀況下，微小到可以忽略；只有在水星近日點進動這樣的例子，差異才會顯現出來。可以說，水星近日點進動問題的解決，是幫助廣義相對論得到世人認可的重要原因之一。

廣義相對論的黑洞測試

科學家拿星體運行來測試重力理論的故事就到此為止了嗎？非也。既然原本得到廣泛驗證的牛頓萬有引力定律，因水星近日點進動現象而被找到缺陷，那麼現在大獲全勝的廣義相對論，自然也有可能在某種特殊環境下暴露弱點──科學家於是把腦筋動到了黑洞頭上。

黑洞堪稱宇宙裡數一數二極端的天體，龐大的重力吞噬一切，無疑是測試重力理論的理想選擇。就像水星繞行太陽會產生進動，是否，繞行黑洞的星體，其軌道也會有進動現象呢？又是否完全可以用廣義相對論來解釋？

針對廣義相對論的正確性問題，一群科學家團隊花了二十七年，觀測環繞無線電波源人馬座A*（Sagittarius A*）運行的恆星S2，並於今年（2020）四月，在《Astronomy & Astrophysics》期刊發表最新成果。

人馬座A*位於銀河系中心，距離地球約兩萬六千光年，質量估計為四百多萬倍太陽質量，據信極可能是超大質量黑洞；環繞於外的 S2 具有十多倍太陽質量，與人馬座A*的最近距離是十七光時（海王星到太陽距離的四倍），軌道週期為 16 年（海王星軌道週期是 165 年）。研究發現，S2近心點（pericenter，最靠近重力中心的點）的進動約為每軌道週期 12/60 度，與廣義相對論的預測相符──即使在重力如此強大的環境，廣義相對論依舊通過試煉。

本次研究的意義

儘管沒有發現廣義相對論的破口，這次的成果仍然別具意義：它是人類第一次確認以黑洞為中心的進動現象；再者，若人馬座A*附近存在某些看不見的物質（如暗物質，或其他小型黑洞等等），科學家也能依據數據給出嚴格的質量上限。可以肯定的是，隨著觀測技術的發展，我們對於宇宙、或者黑洞的理解，將持續進步；說不定哪天，還真能發現廣義相對論的問題呢。

• Classical Dynamics of Particles and Systems, Marion and Thornton, 4^th edition, 1995, Harcourt Brace & Company
• Dance around the heart of our Milky Way
• Urbain Jean Joseph Le Verrier
• A star orbiting the Milky Way’s giant black hole confirms Einstein was right
• Wikipedia: Discovery of Neptune
• Wikipedia: Tests of general relativity
• Wikipedia: Vulcan
• Wikipedia: S2 (star)

註釋

• [1] 實際上，勒維耶計算出的海王星軌道，與真正的海王星軌道仍有一些差距。但這並無礙於發現海王星的偉大成就。
• [2] 多年後，其他科學家重新評估牛頓萬有引力理論和實際觀測的差距，得出每世紀三千六百分之四十三（43/3600）度的數值，跟現代觀測吻合。
• [3] 就跟《星際爭霸戰》（Star Trek）裡的瓦肯星同名。不過可以確定勒維耶並不是因為看了《星際爭霸戰》才這麼命名的。