藻類生質燃料（一）：前景與瓶頸

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

碳捕捉：把電廠排出來的二氧化碳再抓回去！

一九九〇年代，尚未開發出風能和太陽能，當時對氣候變遷的擔憂日益增加，因此有人建議捕捉和儲存那些從化石燃料發電廠排放出來的二氧化碳，如此就可將其轉變成一種低碳電力。

碳捕捉主要是透過化學反應將煙道氣（flue gas）中的二氧化碳分離出來，然後再將其壓縮液化，泵入地下洞穴，例如含水層或是廢棄的油氣田。

同時要針對傳統的發電機開收排放二氧化碳的費用。這將鼓勵電廠採用碳捕捉技術，不過前提是碳價要夠高，超過捕捉和封存二氧化碳的成本。

然而，即使在龐大的歐盟市場，碳的價格也從未高到足以讓碳捕捉在電力生產中具有競爭力，而且真正在運作的碳捕捉工廠很少。

即使如此，捕捉二氧化碳排放依舊可望成為一種脫碳方法，在未來某些產能製程中合乎成本效益。一個例子是將天然氣轉化為氫氣，這還能用於加熱和製造燃料電池，或用於生產水泥以及甲醇和氨等重要工業化學品。

碳捕捉的各種可行性：直接從空氣抓？多種一點樹？

也有人認真思考過直接從空氣中捕捉二氧化碳的可行性，因為目前我們所面對的現實非常危險，即二氧化碳排放量下降的速度恐怕來不及讓上升溫度控制在攝氏 1.5 度內。

種植更多的樹木可能是最簡單也最便宜的方法，但首先必須遏止每年大量的伐林問題。

每年約有一千萬公頃的森林遭到砍伐，用於種植大豆、棕櫚油和其他作物，以及放牧牲畜。這樣的伐林導致全球每年約 10％ 的二氧化碳排放量和生物多樣性的重大損失。

此外，封存大量二氧化碳所需的樹林面積也相當大──約要美國國土面積的四分之一，需要超過六年，甚至幾十年的時間才能讓樹木長到成熟，每年只能吸收平均全球燃燒化石燃料的 10％ 排放量。

而在成長期過後，還需要更換樹木，因為在建築中也會使用到木材。有人建議，可以燃燒林業的廢棄物來產生能量（熱或電），並捕捉和封存排放出來的二氧化碳。

這種生質能源的碳捕捉尚有爭議，必須要確保改變土地利用的這項變動最後的結果是產生淨負排放，而不是增加碳的排放量。此外，這種方法尚在開發中，可能會與其他對可耕地和淡水的需求產生競爭關係。

不過，可以使用化學吸收器直接從空氣中捕捉二氧化碳，這種方法比生質能源更緻密、更可靠， 只是目前的價格較為昂貴。

奧利金能源公司（Origen Power）正在開發將碳捕捉與具有商業價值的石灰生產相結合，這樣的製程可望降低成本。

吸碳新創公司「Carbon Engineering」也在開發另一種方法，是使用與二氧化碳接觸會形成碳酸鈣的氫氧化鉀。整個過程以石灰來合成氫氧化鉀，形成碳酸鈣，然後將其加熱，釋放出二氧化碳，進行壓縮和封存──這時便會再度合成石灰。他們預估，以這種方式捕捉二氧化碳的成本可望降低至每噸 100 美元。

碳捕捉的展望與未來

為了增加產值，可以將捕捉來的二氧化碳與氫結合（比方說以再生電力來電解水，製造出氫氣），這可用來合成低碳燃料，取代汽油、柴油或航空燃料，這樣一來，其總排放量會遠低於某些生質燃料。

若是要捕捉和封存燃煤發電廠排放的二氧化碳，電力成本會增加約 60％，而使用再生能源來發電，成本則低得多。

然而，隨著空氣碳捕捉的研發和大量投資，再加上在某些工業製程中捕捉二氧化碳，以及重新造林，預估到二〇五〇年時，碳捕捉可能會吸收掉全球年排放量的 10％。

到二〇五〇年，再生能源和核能的總發電量可能接近當前全球需求量的 90％，透過碳捕捉，全世界可能會達到二氧化碳淨零排放。但要處理大量再生電力，電網在輸送和分配上需要適應風場和太陽光電場輸出量的種種變數，因此發展儲能設備非常重要。

——本文摘自《牛津通識課｜再生能源：尋找未來新動能》，2022 年 6 月，日出出版，未經同意請勿轉載。

我們的能源從哪裡來、往哪裡去？

全球每年對能源的需求量相當巨大，若用「瓩時」──即一度電這樣的度量單位──來表示會出現天文數字，因此改用「太瓦時」（TWh）來表示，太瓦時等於 10 億瓩時。

在一八〇〇年，全球約有 10 億人口，當時對能源的需求約為 6000 太瓦時；而且幾乎全部來自傳統的生質能源。到了二〇一七年，全球人口達到 76 億，發電量增加了 25 倍（156000 太瓦時）。

下圖顯示在二〇一七年全球主要能源消耗總量的百分比，其中近 8 成為化石燃料。其他再生能源包括風能、太陽能和地熱能，其中成長最快的是風場和太陽光電場。生質能源則主要來自傳統生質能源。

大約有 1/3 的全球能源消耗在將化石燃料轉化為電力和精煉燃料上。

剩下的稱為最終能源需求（final energy demand），是指用戶消耗掉的能源：每年約 10 萬太瓦時。

大約有 10％ 是來自開發中國家傳統生質能的熱，22％ 來自電力，38％ 用於供熱（主要來自化石燃料） 30％ 在交通運輸。熱能和電能主要都是用於工業和建築。汽油和柴油幾乎提供了所有用於運輸的燃料。

怎麼做比較不浪費？能量轉換效率大比拚！

我們看到供熱與供電一樣重要。兩者都可以用瓩時為單位，也就是一度電來測量，雖然電可以完全轉化為熱量，例如電烤箱，但只有一小部分以熱能形式存在的能量可以轉化為電能，其他的必然會散失到周圍環境裡。

在火力發電廠中，存在於化石燃料中的化學能會在燃燒後轉化為熱能。這會將水加熱，產生蒸汽，蒸汽膨脹推動渦輪的葉片，轉動發電機。只有一部分熱量被轉化成電力；其餘的熱量在蒸汽冷凝，完成循環時，就轉移到環境中，成了殘熱。

這份熱電轉化的比例可透過提升高壓蒸汽的溫度來增加，但受限於高溫下鍋爐管線的耐受度。

在一座現代化的火力發電廠中，一般熱能轉化為電能的效率約為 40％。若是在較高溫的複循環燃氣發電機組（combined cycle gas turbine，CCGT）裝置中，這個比例可提高到 60％。

同樣地，在內燃機中也只有一小部分的熱量可以轉化為車子的運動能量（動能）；汽油車的一般平均效率為 25％，柴油車則是 30％，而柴油卡車和公車的效率約為 40％。

另一方面，電動馬達的效率約為 90％，因此電氣化運輸將顯著減少能源消耗。這是提高效率和再生能源之間協同作用的一個範例，這將有助於提供世界所需的能源。

再生能源的過去跟未來

在十九世紀末，水力發電的再生資源幫助啟動了電網的發展，在二〇一八年時約占全世界發電量的 16％。而在再生能源──風能、太陽能、地熱能和生質能源──的投資上，相對要晚得多，是在二十世紀的最後幾十年才開始。

起初的成長緩慢，因為這些再生能源沒有成本競爭力還需要補貼。但隨著產量增加，成本下降，它們的貢獻開始增加。這些其他再生能源發電的占比已從二〇一〇年的 3.5％ 上升到二〇一八年的 9.7％，包括水力發電在內，再生能源的總貢獻量為 26％。

不過，就全球能源的占比，而不是僅只是考慮用戶消耗的電力來看，再生能源僅占約 18％，而傳統生質能則提供約 10％ 的能量。隨著太陽能和風能的成本在許多國家變得比化石燃料更便宜，它們在總發電量中的占比有望在未來幾十年顯著增加。

這世界花了很長的時間才意識到這一事實，從現在開始，再生能源勢必將成為主要的能源來源。

——本文摘自《【牛津通識課02】再生能源：尋找未來新動能》，2022 年 6 月，日出出版，未經同意請勿轉載。