究竟是誰偷走了TYC 8241 2652的塵埃盤？

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/Steed

12月14日，中國的嫦娥3號著陸器成功在月球虹灣著陸區登月。儘管此次探月任務沒有跟美國NASA展開任何形式的合作，但NASA仍在官網上放出了一篇文章，簡述了他們對在月球探測方面取得的種種進展，還一一細數了目前仍在執行任務的4艘繞月衛星將對嫦娥3號登月展開怎樣的觀測。NASA指出，他們「將這次著陸視為一次全新的科研機會，或許能夠增進對月面大氣的研究和觀測。」以下內容就是NASA官網上那篇文章的部分摘譯：

自阿波羅計畫將12人送上月面以來，美國太空總署（NASA）一直致力於月球科學。憑藉「克萊芒蒂娜」（Clementine）和「月球勘探者」（Lunar Prospector）之類的現代探測器，以及最近完成的LCROSS和GRAIL等任務，NASA的科學研究已經幫助繪製出了月面地圖，確定了水冰的存在，還理解了我們這顆衛星不規則的引力場。NASA當前的月球任務，正在幫助NASA更好地理解我們的太陽系，給未來對其他行星天體的探測提供信息，讓我們離未來探測小行星和火星之類的目的地所必需的技術更近一步。

科學家目前正在利用4艘NASA的繞月衛星研究我們的月球。中國的嫦娥3號於12月14日登陸月球，或許會給它們提供一次機會來採集新的數據。美國和國際上的研究者將這次著陸視為一次全新的科研機會，或許能夠增進對月面大氣的研究和觀測。

嫦娥3號登月時，NASA的「月球大氣及塵埃環境探測者」（LADEE）、「月球勘測軌道飛行器」（LRO）和兩個被稱為「加速、重聯、湍流及電動力學月球－太陽交互作用」（ARTEMIS）的探測器，仍在繞月軌道上繼續它們的科學任務。

儘管美國和中國在這些任務之間沒有展開合作，美國的研究者從這次著陸中看到了潛在的科學價值。採集到的這些數據，將向國際科學界公開。

LADEE

LADEE，即「月球大氣及塵埃環境探測者」，配備著專業設備用於測量大氣成分和塵埃顆粒，或許能檢測到嫦娥3號登月時揚起的塵埃及排出的氣體所導致的月球大氣變化。

探測器原本的目標，是要研究月球原始大氣及軌道塵埃環境。利用探測器上攜帶的設備，科學家希望回答長期懸而未決的一個問題：月球上因為陽光照射而被帶上電荷的塵埃，能不能解釋幾次阿波羅任務期間檢測到的、在日出之前就出現在月球地平線上的光芒。

自11月10日降低繞月軌道開啟為期100天的首要任務以來，LADEE一直在收集科學數據。科學團隊已經為極其稀薄的月球外大氣層以及塵埃撞擊，建立了科學數據的基準線。在嫦娥3號著陸之前，LADEE團隊收集的數據已經覆蓋了一個完整的月相週期（29.5天）。

在嫦娥3號著陸前後，LADEE將利用它的中性質譜儀（NMS）展開額外的觀測。根據目前能夠獲得的、對嫦娥3號著陸系統的描述，研究團隊推測著陸推進系統將排出一些氣體產物，如水蒸氣、氮氣、一氧化碳、二氧化碳及氫氣。NMS將監測這些產物的密度。此外，LADEE還將繼續它的基準線觀測，以查看月面軟著陸能否對月球的背景塵埃及氣體環境產生足以檢測的變化。

LRO

2009年6月發射升空的月球勘測軌道飛行器（LRO），已經對月球的外大氣層進行了多項科學研究，並且取得了不少獨一無二的成果。這個探測器還拍回了大量清晰度空前的月面圖像。

在嫦娥3號登月的當天，LRO將進行多達8次的空間機動，利用它所攜帶的萊曼阿爾法測繪儀（LAMP）掃瞄著陸點附近的月面區域。這台紫外成像光譜儀將尋找嫦娥3號排出的煙塵。

從12月起，LRO上的相機（LROC）將有能力對著陸地點及月球車拍照，分辨率高達每像素大約2米。隨著月球的自轉將嫦娥3號的著陸地點帶到LRO的軌道平面以下，LROC每月都將有機會進行這樣的拍照觀測。反覆的成像觀測，將細緻地測量著陸造成的地表變化，以及玉兔月球車在月面上的運動。

LROC拍攝的照片能夠分辨出嫦娥3號降落引擎導致的地表變化，就如同它對過去的月面著陸器進行的同類觀測一樣。第一次嘗試拍攝時，光照條件不會太理想，因為著陸地點的太陽高度太低，但在接下來的幾個月裡，光照條件會有所改善。嫦娥3號著陸導致的月面大氣及地表的改變，將為LRO提供一個全新的科研機會，來仔細觀察月面上氣體的輸運，以及局部擾動對月面浮土的影響。

LRO不只傳回了未來載人及無人探測器所需的全部資訊，還顯示出月球要比科學家之前所想像的更加複雜、也更有活力。LRO將繼續向地球發回月球的數據，直到2014年10月。此外，它的任務還有可能再延期2年。

ARTEMIS

ARTEMIS衛星將協助LADEE解釋它對嫦娥3號登月所做的測量。

NASA的ARTEMIS任務由兩顆衛星構成，自2010年以來就在繞月軌道上運行。它們原本是NASA的另一項任務THEMIS的探測器，那項任務一共動用了5顆衛星。ARTEMIS任務讓NASA重新啟用了其中兩顆在軌衛星，以延續它們的科學使命。

第一顆ARTEMIS衛星（P1）於12月14日從距離月面不到200千米的地方飛掠。按照當前的計畫，這顆衛星將尋找與嫦娥3號登月有關的等離子體煙塵及磁場跡象。第二顆衛星（P2）將觀察原始的太陽風等離子體及磁場狀況。這些都是確定月面塵埃為何會揚起所必需的信息。

目前ARTEMIS的研究著眼於測量月球表面的靜電荷、月球在超音速太陽風中拖出的等離子體尾跡，以及月球與太陽風的相互作用。

轉載自果殼網

在史匹哲太空望遠鏡拍到的這張M94（或NGC 4736）中，看到的是幾個環？乍看下，會覺得好像有好幾個，但天文學家認為：環只有一個。

天文界一向也認為M94擁有兩個環，且二者大不同：一個很亮，結構緊密的內環，繞著星系的核轉，另一個環除了較黯以外，也比較寬，像大片恆星掉落在主要盤面以外。

然而，最近天文學家發現，此圖中以青藍色代表恆星光的這個外部環，搞不好可能只是光學錯覺。2009年一項研究中，天文學家曾結合了太空和地面望遠鏡的紅外線、紫外線、可見光及近紅外線資料，有了M94完整的圖像，進一步可得知，從我們的觀點看到這「兩個」旋臂，其實只是一個單獨而連貫的環。

但M94的內環，就不是光學幻覺了。被認為是「星爆環」（Starburst ring），在這塊小小的範圍裡，恆星生成速度相對地超快。一般誘發星爆的原因，多和兩星系間重力相互作用有關，但M94這個案例中，事實上，星系的橢圓形狀，可能才是星爆的主因。

另外，在星爆環的內環和旋臂狀外環間，還塞了一些東西，這些其實是星系的盤面。縷縷綠色絲狀的星際塵，乍看下雖然很像一組重重疊疊的環，事實上塵埃呈弧狀是受到旋臂的曲線緊密扭絞的影響。

M94距離我們大約有1700萬光年，離銀河系有點遠。1781年時由梅西爾的助手Pierre Méchain首度發現，並納入梅西爾天體總表。

在上圖中以藍色和青色顯示的紅外光，波長範圍介於3.6~4.5微米之間，代表恆星的光。波長8微米及24微米的光是用綠色及紅色表示，分別代表溫度比較冷一點和溫度略為偏暖的這兩種塵埃。史匹哲紅外太空望遠鏡的冷媒在2004年時告罄，這些紅外波段的觀測是完成於冷媒用光以前。（Lauren譯）

資料來源:Galactic Wheels within Wheels[2013.05.29]

轉載自網路天文館