這個問題，我並沒有答案，但我想提出兩個觀點：
1. 就比較死亡人數來說，火力發電造成的空氣汙染、開礦、砍樹、移山倒海等等，對環境以及人類造成的危害更大，因此直接間接死亡的人數更多，只怕無法以百萬計，核能真的有比較不安全嗎？如果要以安全為判準，是否我們更該停止落後的火力發電？甚而將火力發電的能源份額全面轉換成核能？
2. 如果要投資在新未來能源，核能(更進步的版本，例如第四代核能發電，甚至核融合)是否更有潛力一舉解決能源問題呢？雖然其他的再生能源(太陽能、風力、潮汐能、地熱)等等都持續進步中，但我們有條件等嗎？
以上兩個問題拋磚引玉，就教各位。歡迎在底下留言，提供連結，或是將您的意見寄到pansci.tw@gmail.com，我們會整理後刊登。
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。
二次大戰後，李高佛雖然招惹很多人的厭惡，卻在最後一刻，列入派往田納西州橡樹嶺秘密原子能研究城市的海軍軍官名單中。他們的任務是學習核能的秘密，了解核能用在和平的發電用途中，可能扮演什麼角色。
李高佛很快就看出核子海軍的戰略潛力，此後一直致力推動海軍核子化。他特別了解核子潛艇的航程和戰力，遠超過二次大戰期間的柴油潛艇。核能可以為困擾傳統潛艇的一個棘手問題，提供絕佳的解決之道，這個問題就是傳統電池受到限制，潛水艇在水下高速巡航的時間因此受到限制的問題。相形之下，一般認為，核子潛艇應該可以在水下全速巡航很多小時、很多天，甚至很多個月。
李高佛負起雙重任務，負責海軍和新設原子能委員會的核子動力計畫。這種兼職協助他克服艱巨的工程和官僚阻力，造出核子潛艇。據說他會寫信給自己，然後回信，確保海軍和原子能委員會的流程立刻可以結束。一九四九年，蘇聯進行第一次原子彈試爆，使美國的這個計畫迫切性更為增加。
製造原子彈是一回事，利用和控制核分裂連鎖反應發電，是大不相同的另一回事。包括科技、工程和知識在內，有太多的東西，必須從頭開始發明和發展。選擇壓水式輕水反應爐作為動力系統，是李高佛所做的決定。他也為「核能工業或除了他所主管機關以外的政府部門，制定了前所未聞的工程與技術紀律。」為了達成目標，李高佛培養了一批技術高超、訓練優異的核子海軍軍官，還不斷的督促他們根據最高標準行動。如果這樣表示他要擔任監工和監察官，他的確是身兼這兩種身分。即使是小小的疏忽，或稍微背離李高佛非常高的標準，都可能表示這樣的軍官會遭到「去核化」，意思是趕出核子海軍部隊。
李高佛甄選核子海軍成員時，為了讓來口試的人意外和考驗他們，會讓他們坐在兩隻前腿削短的椅子上，同時讓他們坐在陽光可以透過特別調整的活動百葉窗、直接照射接受口試人員眼睛的位置上。他解釋說，這樣「會在他們從椅子上往下滑的時候保持頭腦清醒。」
有一次，有一位年輕的潛艇軍官申請加入核子海軍，他驕傲的告訴李高佛，說他在海軍官校八百二十位同學的畢業班中，成績排名第五十九。李高佛尖銳的問他，是否盡了最大的力量。這位名叫詹姆斯．卡特的軍官嚇了一跳，猶豫片刻後，承認自己沒有盡到最大的力量。
「為什麼沒有？」李高佛問。
這個問題—為什麼沒有盡力？—幾十年後，變成卡特競選總統時競選自傳的書名。
李高佛孜孜不倦的製造核子潛艇、破除官僚阻力之際，讓很多上司十分惱火，以至於兩次錯過升為海軍上將的機會，要等到國會插手干預，才終於升為海軍上將。
李高佛的做法成果優異，核子潛艇科技的發展、工程和建造，全都在創紀錄的時間內完成。
美國的第一艘核子潛艇鸚鵡螺號從一九五四年起開始服役。整個任務在七年內完成，而不是像別人所預測的二十五年。一九五八年，鸚鵡螺號在北極和極地冰帽下，潛航二千二百多公里，完成轟動一時、極為艱巨、又的確令人難以置信的任務，潛航期間，除了短暫困在龐大冰帽和淺海海底之間外，中途毫無停留。鸚鵡螺號返航後，艇長受邀到白宮，參加歡迎儀式，為製造鸚鵡螺號負最後責任的李高佛因為討人厭，遭到刻意排除，沒有參加典禮。
鸚鵡螺號艇長在另一次儀式中，送給李高佛一塊小心保存在潛艇冰箱裡的北極寒冰，李高佛終於露出下屬難得一見的笑容。到一九八六年李高佛終於退伍時，四○％的美國主要作戰艦艇都是核子動力艦艇。
鸚鵡螺號是核能第一次運用在船舶動力上的例子。然而，一九五四年夏天，蘇聯廣播電台宣布「蘇聯科學」的另一個「第一」：世界第一個民用反應爐在莫斯科南方的科學城歐布寧斯克啟用，蘇聯新聞機構塔斯通訊社宣布，蘇聯「在原子能的發展上已經躍進，超越英美。」
但是歐布寧斯克反應爐很小，只能對當地集體農場、工廠和幾千位居民供電。這種反應爐也是蘇聯壓力管式石墨慢化沸水式反應爐，不幸的是，幾十年後，這種反應爐會變得聲名狼藉。
鸚鵡螺號服役前，美國已經開始發展民用核能反應爐，民用反應爐的發展也由李高佛牢牢控制，是以海軍的設計為基礎，設計中具有潛水艇用反應爐的不少特性，但其中增加了中間的步驟。航空母艦用反應爐開始發展後，艾森豪政府認定這個計畫費用太高，斷定獲得核能的最快方法，是消除航空母艦核動力計畫中明顯的海軍特色，變成民用反應爐的基礎。
各界對原子能委員會宣布民用核能計畫的反應很熱烈，《時代雜誌》稱之為原子時代的「新階段」；《紐約時報》更進一步，宣布原子能電力時代已經來臨。這時各界表現出一片樂觀氣氛，原子能委員會主委路易斯．史特勞斯一九五四年的話更是如此，他所說核電在十五年內，送出的電會「便宜到無法計算電費」的說法，變成了著名的預言。
美國的第一座核能電廠建在賓州裝運港，從一九五七年開始發電，只比鸚鵡螺號服役晚三年。英國凱德府核能電廠較早完工，一九五六年由英國女王主持落成啟用典禮，是世界第一座商用核電廠。但是凱德府核能電廠規模相當小，所用的設計現在已經過時。
相形之下，裝運港核電廠是「世界第一座規模完整的原子能發電廠」，設計和建造正是由李高佛負責，隨後的二十五年裡，他也負責這座電廠的營運監督。這座反應爐雖然是從航空母艦用反應爐的設計升級，但是為了發電，卻經過重新思考和重新設計，功能遠超過表定設計，營運期間幾乎沒有出過差錯，這點要歸功於李高佛一絲不苟的堅定信念和他召集的團隊。
商用核能發電真正的轉捩點在一九六三年出現，當時紐澤西州一家電力公司訂購一座商用核電廠，準備蓋在蠔溪，這座反應爐也是以李高佛監督、發展出來的設計為基礎。
摘自 《能源大探索》，時報出版
據《自然》（Nature）的一項報導指出，在天津的「綠色煤電」煤氣化廠（GreenGen coal gasification plant）的啟動之後，中國已經越來越接近捕捉和封存其碳排放的目標了。
碳捕捉和封存在 2008 年的 G8 峰會上受到各國領導人的重視，他們呼籲在 2010 年前發展 20 個大型碳捕捉技術示範專案。但除了澳大利亞、歐洲和美國的幾項計畫，大多數的計畫都被推遲或取消了。
因此，儘管國有企業華能集團的綠色煤電計畫，比原本推遲了一年，其取得的進展仍意味著，中國開發煤炭資源而不釋放二氧化碳的努力走在全球尖端。
這個 15 億美元專案的第一階段，是建立一個 250 百萬瓦的發電廠，它將煤轉換成一氧化碳和氫氣的混合物來生產電力。從這樣的電廠所排出廢氣中分離二氧化碳，要比傳統電廠更容易一些。該電廠將於今年第一季開始運轉。
計畫第二期工程的工作也已經展開，而這將涉及用氫發電之小規模實驗性工廠的發展。計畫在 2020 年前完成的第三期工程，將會是一個充分進行碳捕獲和封存的 400 百萬瓦電廠。
「『綠色煤電』代表了一種高度的技術複雜性，以及中國對於乾淨能源技術的真實承諾，」位於美國加州、Lawrence Livermore 國家實驗室的碳管理專案負責人 Julio Friedmann 告訴《自然》期刊。
「毫無疑問，中國取得了非凡的成就。」
其他國家，如英國，正在嘗試重新激發其對於碳捕捉和封存的興趣。然而，一位美國麻省理工學院的碳封存專家 Howard Herzog 表示，缺乏穩定的碳政策來獎勵這類計畫，令轉向盈利變得困難。
「問題是，世界是否有一個 CCS（carbon capture and storage，碳捕獲和封存）的市場。如果沒有，為什麼要發展這種技術？」Howard Herzog 表示。
本文原發表於 SciDev [2012-04-18]
