[ASWEB]星系家庭寫真照

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

古老的星光，啟程於大霹靂後約30億年，以每年9.6兆公里的速度，歷經107億年而抵達地球，為今天的我們帶來驚喜，因為呈現在我們眼前的是：已知最早的螺旋星系。不過，107億年前的螺旋星系究竟有什麼特別呢？

UCLA天文教授Alice Shapley最近剛在Nature期刊上發表這項觀測研究結果，她向媒體表示：「如果我們回溯到宇宙早期，所看到的星系通常是怪模怪樣：是塊狀的、不規則的，而不會是對稱的，大部分古老星系看起來都像一列火車被撞後的殘骸。因此我們對這張圖像的第一印象是，這個星系怎麼會這麼特別，特別的美麗？」

在今天的宇宙裡，星系分為幾種型態。譬如像我們的銀河系是屬於螺旋狀的星系，星系裡有恆星和氣體盤，新興恆星在盤面上形成，恆星運動的方式是旋轉。除了螺旋星系以外，星系還有其它類型，譬如：橢圓星系，從外表看起來，它的形狀正好比一顆巨大的球，球體裡頭大多是較老、顏色偏紅的恆星，恆星的運動方向是隨機的。其他還有很多體型較小的不規則形星系，裡面的恆星只是因重力被「綁」在一起，但沒有任何可見得到的結構特徵。

早期宇宙中，星系結構在組成比例上與今天的宇宙大大不同，主要充斥在其中的都是一些不規則型星系。

根據UCLA的新聞發佈稿，Shapley教授所領軍的這組研究團隊是在透過哈柏太空望遠鏡去觀測早期宇宙中300個很遙遠的星系以了解它們有何特性的過程中，偶然發現了BX442。

回憶和這次新聞主角-「BX442星系」的初相遇，科學家們表示，雖然它在所有300個受觀測星系中已經是質量最大者，不過，最初他們並未想要給它取個什麼響亮的名字，只簡單給了它一個編號：BX442，而初次接觸所留下的第一印象就是，視覺錯覺；他們想，或許這只是看到兩個星系互相疊加所產生的影像。

然而，教人跌破眼鏡的是，事實上這個星系卻果然存在！另一位來自加拿大Toronto大學的論文共同作者David Law表示，以現階段的智慧，我們會認為，具有如此「大設計」（grand design）的螺旋星系，在早期宇宙中，根本就不會存在。（所謂” grand design”，指的就是在形狀上具有明顯的「旋臂」特徵者）

既然取得了一個如此獨一無二的BX442影像，為了能對它有更進一步認識，於是研究人員前往位於夏威夷毛納基山上的凱克望遠鏡去尋求協助，他們使用OSIRIS攝譜儀，一共研究了3，600個資料源，包括位在BX442星系的裡面以及其四周附近的都有，所獲得的這份光譜資料對於他們終於能確認這座星系「確實具有旋臂特徵」帶來極寶貴的幫助。也使他們能確認這不是兩個星系「正好在排列上出現巧合，湊巧疊加在一起」而已。

當研究團隊確認這個圖像並非來自視覺錯覺，而是這些旋臂特徵真的屬於「BX442星系」時，團隊成員們的反應簡直是興奮到爆。事實上他們還看到似乎有證據也顯示出這個星系中央有一顆巨大的黑洞，而且黑洞或許也和BX442星系的演化也有所相關。

但是，為什麼這顆星系看起來會這麼像一顆「現代版」的星系呢，又為什麼今日結構型態最為普遍的星系在古老宇宙中是那麼的罕見呢？

這就帶我們要回到「旋臂特徵形成原因」上去探究一番了。研究員認為，這個古老的螺旋星系形成的起始點可能指向了那顆位置在BX442附近的同伴矮星系（companion dwarf galaxy），還有兩者之間所發生的重力交互作用。矮星系的光譜資料在OSIRIS攝譜儀所提供的圖像上也看得到，就是位置在左上角部分的那塊斑點，後續方面，還有Arizona大學的研究人員Charlotte Christensen以數值模擬的方式加以確認。最後，小星系的命運將會是什麼呢？根據Shapely教授的想法，它可能是會被合併，成為BX442的一部分。

雖然圖像上看起來好像只是一顆鄰近星系而已，但是別忘了在早期宇宙中星系合併的頻率比現今高得多，當時來自星際介質的氣體如雨水般源源不絕澆灌，這些氣體餵養著恆星，也使得恆星形成速度比現在快得多，就連黑洞的生成也是以加快動作的速度發生，今天的宇宙如果和早期宇宙相比，想必將因「無聊透頂」而大為失色吧。

關於這個觀測項目的下一步計畫是什麼，Shapley表示，該團隊正規劃要去取得這顆星系在其他波段的各種圖像，他們想要為BX442中恆星和氣體的組合狀況繪圖。

早期星系熱鬧無比，變動劇烈程度遠大於我們今日所見的螺旋星系，兩者之間明顯不同，在Shapley主持的這支天文團隊的心目中，「BX442所扮演的正是其中的一個關鍵鏈結。事實上，且不論旋臂結構在宇宙的哪一段時期形成，BX442都能大幅突顯出，星系合併的交互作用怎樣影響旋臂結構的形成。」

因此，研究BX442能幫助天文學家了解螺旋形狀的這種星系是如何形成的。我們的家園，銀河系-也是一顆螺旋星系。（Lauren 譯）

圖說：藝術家繪製的BX442星系及其「伴矮星系」（“companion dwarf galaxy”， 位置在圖的正上方略為偏左） 圖片來源： Dunlap Institute for Astronomy & Astrophysics/Joe Bergeron

資料來源：中研院天文網[2012.08.03]

轉載自台北天文館之網路天文館網站

上圖是歐南天文台（ESO）超大望遠鏡（Very Large Telescope）拍攝的NGC 1187星系，是到目前為止天文學家曾拍過這個星系的影像中最精細的。這個離地球約6000萬光年遠的螺旋星系，位在南天的波江座方向。過去30年間曾2度在此星系中發現超新星爆炸事件，其中最近一次發生於2007年。

威廉‧赫歇爾（William Herschel）於1784年首度發現NGC 1187，鄰近波江座τ3星，總亮度約10.6等，以口徑15公分以上的業餘望遠鏡便可見到。它是個幾乎是正面面對地球的螺旋星系，因此可清楚看到它的螺旋結構。影像中可清楚看到NGC 1187約有6條旋臂，每一條旋臂都含有大量氣體與塵埃。旋臂呈現藍色特徵，顯示旋臂中已有大量年輕恆星自星際雲氣中誕生。

將目光移到星系中心區域，可見核球（bulge）部分呈現黃色色調。這部分主要是由老恆星、氣體和塵埃所組成。不過NGC 1187的核球並不是接近圓球形，而是橢長形，顯示NGC 1187中心是個不甚明顯的棒狀結構（bar），旋臂上的氣體可能是經由這樣的棒狀結構流入星系中心區，使星系中心區的恆星形成比例得以增加。

沿著NGC 1187外圍區域，可見到許多更暗、更遠的星系，其中有些遙遠星系甚至可透過NGC 1187盤面而顯現出來。絕大部分遙遠星系帶著紅色色調，和距離較近、帶著藍色色調的星團對比鮮明。

NGC 1187看來雖寧靜且永恆不變，但其實近30年來，這個星系中已經發生過2次超新星爆炸，第一次是在1982年，第二次則在2007年。超新星爆發是大質量恆星演化到末期或是雙星系統中的白矮星因質量累積超過極限而引起的劇烈爆炸事件。超新星爆發是宇宙最劇烈的爆發事件之一，因此會在短時間之內，成為該宿主星系中最明亮的天體，有時甚至超過整個星系的總亮度，數週或數個月後才逐漸消退到不可見的地步。它在這個非常明亮的短時間內所發出的能量，超過太陽約100億年生命期中所發出的總能量。

1982年10月，歐南天文台La Silla觀測站的天文學家在NGC 1187星系中發現超新星SN 1982R；2007，南非業餘天文學家Berto Monard在這個星系發現第2顆超新星SN 2007Y。有一組天文研究團隊隨後利用各種不同的望遠鏡對SN 2007Y做詳細的追蹤觀測，時間長達1年。這幅ESO的NGC 1187影像就是他們的觀測成果之一，讓天文學家們驚喜的是，即使過了超新星爆發最亮期許久之後，仍能在影像中見到這顆超新星的亮光，SN 2007Y就位在這幅影像中的星系下緣附近。

資料來源：A Blue Whirlpool in The River[2012.08.01]

轉載自台北天文館之網路天文館網站