重現真實影像的先知│ 科學史上的今天：8/16

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

自從德國物理學家克希荷夫（Gustav R. Kirchhoff）與化學家本生於 1859 年共同發明化學元素的光譜分析法，並指出陽光的「夫朗和斐線」就是不同化學元素的光譜後，科學家紛紛透過光譜分析尋找新的元素。

法國天文學家讓森（Pierre Janssen, 1824－1907）特地於 1868 年 8 月 18 日這一天跑到印度的 Guntur，因為此地才能看到日全食。日全食時，黑色太陽邊緣的日珥清晰可見，讓森就能用光譜儀觀測這太陽表面噴發出的強烈火舌，分析其中所含的元素。結果他在光譜中發現了一條特殊的的黃色亮線，他想再觀測確認，但日食已過，讓森情急之下，想出在光譜儀中加上剛好遮住太陽的小圓盤，如此就能製造日食的效果。他改造好光譜儀之後再次觀測日珥，確認是新的光譜線後，將觀測結果寄交法國科學院。

10 月 23 日，就在讓森的報告抵達法國科學院這一天，英國天文學家洛克耶（Norman Lockyer, 1836－1920）也在英國皇家學會報告同樣的發現。不過洛克耶是於 8 月 20 日在倫敦做的觀測；他沒有千里迢迢地跑到印度，因為他也想到了讓森想到的原理。英國皇家學會的秘書於 10 月 26 日向法國科學院告知洛克耶的發現，因此不用再做驗證了，當天法國科學院就對外宣布讓森與洛克耶兩人共同發現太陽新的光譜線 D3。

不過此時兩人都還沒想到這新的光譜線可能代表新的元素，是洛克耶繼續仔細比對現有已知元素的光譜線，發現都不符合後，才於十一月宣布那是地球尚未發現的元素；他將它命名為「氦」（helium），取自太陽的希臘文 helios。

氦是惰性氣體，又無色無味，難怪這宇宙第二豐富的元素在此之前竟從未被發現。1882 年，義大利物理學家帕密里（Luigi Palmieri）才在觀測維蘇威火山的岩漿時，首次在地球上發現 D3 光譜線，證實地球也存在氦元素。氦在自然界主要存在於天然氣與放射性礦物中。放射性礦物輻射出的 α 粒子就是氦原子核，拉塞福於 1907 年將 α 粒子打入真空管，放電後觀察管內新氣體發出的光譜，才確認 α 粒子就是氦原子核。沒錯，用的還是當年讓森與洛克耶所用的光譜分析法。

本文同時收錄於《科學史上的今天：歷史的瞬間，改變世界的起點》，由究竟出版社出版。

1908 年的諾貝爾物理獎頒給了今天生日的法國科學家李普曼（Gabriel Lippmann, 1845－1921），以表彰他發明「利用干涉現象重現色彩的攝影術」。不過，這技術跟現今的彩色相片或彩色影片一點關係都沒有，因為它還沒商業化就馬上被別的技術取代了。這樣得諾貝爾獎好像有點尷尬，其實不然，後來證明這個當時被棄置一旁的技術並非過時，反而是超越時代太多。

李普曼這項研究與他 1872 年到德國進修，遇到的兩位指導教授有很大的關係。一位是發明光譜分析法的克希荷夫（Gustav Kirchhoff），他與本生於 1859 年從太陽光譜中辨認出許多元素；另一位是亥姆霍茲（Hermann von Helmholtz），他對彩色視覺的機制提出了解釋。李普曼於 1875 年返國後，太陽光譜與彩色視覺這兩項主題仍一直縈繞在他心中。

1891 年，李普曼成功在感光版上顯影出太陽的彩色光譜，這雖然不是第一張彩色相片，卻是首次能顯示全彩而且不會馬上褪色。李普曼第二年又進一步拍出靜物的彩色相片。1894 年，他將這項技術的背後原理寫成論文發表，原來是在玻璃板塗上一層薄薄的光敏材料，接著讓光敏材料表面吸附一層水銀；陽光穿透玻璃，再穿過光敏材料後，碰到水銀層而反彈回來，與光敏材料處的光線產生干涉作用而形成駐波。不同波長的色光形成不同駐波，因此就能產生彩色影像。

雖然李普曼因此得到諾貝爾獎，然而這方法需要好幾分鐘的曝光時間，製備感光版的過程又複雜，因此始終無人青睞，當利用三原色原理的彩色照相法出現後，更是無人聞問了。沒想到半個世紀後，匈牙利物理學家蓋博（Dennis Gabor）根據李普曼的干涉原理進一步發明了全像攝影，可以呈現物體的完整三維樣貌。

李普曼超越時代的發明不僅如此。他於 1908 年提出整合攝影術（Integral Photography），建議用微型鏡頭陣列紀錄前方場景的完整資訊，之後再加以整合。這項技術也是直到本世紀才現身的光場照相機才加以運用。

科學史上不乏理論遠遠走在技術前面的例子，不過多是一般性的基礎理論，提出者也從未想過實際應用。像李普曼這樣提出實際的具體方案，沉寂數十年後因技術成熟而突然成真，更令人感到佩服啊！

本文同時收錄於《科學史上的今天：歷史的瞬間，改變世界的起點》，由究竟出版社出版。

「能量守恆」是科學上極為重要的基本定律，許多物理定律都是奠基於此。然而這個今日看來理所當然的概念，在十九世紀中葉剛出現時卻是備受冷落，難以動搖當時根深蒂固的錯誤認知。

先是馮·邁爾（Julius von Mayer）在 1842 年發表公認是能量守恆的第一篇科學論文，但完全未激起任何漣漪；緊接著焦耳在第二年於學術會議上宣讀論文，說明自己所做位能與熱能的轉換實驗，現場也是一片沉默。直到 1847 年的今天，亥姆霍茲（Hermann von Helmholtz, 1821－1894）在柏林物理學會上宣讀論文《論力的守恆》後，才終於引起迴響，使得能量守恆定律逐漸獲得各界認同。

亥姆霍茲發表論文時才 26 歲，還在軍隊中擔任醫官。早在他就讀醫學院時就對當時流行的「生機論」──主張生物體內有特殊的「生命力」──感到懷疑；他認為這種說法無異讓每個生物都成了永動機，而他根本不相信有永動機，於是就從「永動機為何不可能實現？」出發，思考各種力之間的關聯。

亥姆霍茲論文中的「活力」與「張力」其實就是分別代表動能與位能；他用守恆的概念檢視卡諾（Nicolas Carnot）、焦耳等前輩的研究，以及各種機械裝置運作過程中，動能、位能、熱能的變化，一一論證每個項目都符合能量守恆定律，因此主張整體的能量不會改變，不增不減，只是從一種形式轉換成另一種形式。能量守恆定律在亥姆霍茲嚴謹的論述下，終於得到許多物理學家的支持，也為馮·邁爾與焦耳爭得應有的肯定。

亥姆霍茲也因此得以在第二年提早退役，至大學教授生理學，繼續做出許多重大貢獻，包括測量神經刺激傳遞的速度、解釋色盲的成因、發明可以直接檢查眼球的檢眼鏡、研究耳朵內部構造而提出音調的生理基礎、發明共鳴器。1871 年轉任物理學教授後，又提出描述電磁波的「亥姆霍茲方程式」；而且旗下還出了三位諾貝爾獎得主，包括在量子力學的誕生中扮演重要角色的維因、測量光速的邁克生，以及發明彩色照相術的李普曼；此外，還有將電磁波帶給世界的的赫茲。

科學史上能像亥姆霍茲這樣跨足不同領域，既能提出理論又能發明，還成功作育英才的科學家也算是絕無僅有了！

本文同時收錄於《科學史上的今天：歷史的瞬間，改變世界的起點》，由究竟出版社出版。