以光控制光：放大訊號的光機械裝置

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

隨機性，在許多領域都扮演了不可或缺的角色。例如電腦信息的加密，還有模擬複雜物理系統等技術，都需要用到巨量的亂數資料。不過，這些隨機是怎麼來的呢？

當電腦計算 1+1 是多少時，它可以遵從既定的程序算出正確答案；但如果叫電腦隨便給你一個數字，它肯定不知道該怎麼辦。畢竟電腦不像人，可以隨便「想到」一個數字。電腦只能根據你的命令，算出你要的結果。

要得到「真正的隨機」並不如想像中簡單。當我們到廟裡擲筊，或是玩桌遊時丟骰子，得到的結果看似沒有規律，但其實不然。它們可以用簡單的電腦計算來預測，像是丟硬幣的結果，便早已被研究透徹。只要對初始條件有足夠良好的掌握（像是丟出的速度與角度等等），這類物品的行為都能用兩百年前確立的力學定律來精準預測，因此稱不上是「真正」的隨機；另外一個缺點在於，這類方法產生隨機結果的速度實在太慢，跟不上現代社會對於隨機資料的龐大需求。

至於使用電腦計算的結果呢？常見像是串流平台的隨機播放功能，以及粉專抽獎會用的亂數產生器，它們所呈現的隨機是演算法算出來的。隨機播放功能利用特殊的演算法，排列出一個讓你聽起來很隨興的歌單；一般的電腦亂數，只是將特定的「種子」數字丟進一個超複雜的算式，算出成串毫無規律的數字。這些方法雖然快速又實用，但終究是可以預期的。當亂數數量夠多時，往往可以發現某些規律；而可被預期的亂數若是用於加密或認證，便會成為駭客眼中的肥羊。

由量子世界尋求真正的隨機！

既然手邊的物品和電腦都不管用，科學家於是轉向微觀的量子世界。量子物理對世界的描述本身就是機率性的，因此物理學家可以從實際測量結果中汲取「正港的」隨機亂數。像是物質的放射性衰變或電路中的雜訊，都是常見的選項。這類過程雖然可以確保隨機性，但效率還是稍嫌太差，相關的實驗架設也相當費工。

不過就在今年二月，研究人員利用半導體雷射技術，打造出有史以來最快的亂數產生器：每秒 250 TB 的隨機位元，比先前的紀錄高出一百多倍。

雷射的產生牽涉到原子內的「電子躍遷」。在一般狀態下，大部分原子中的電子會按照高中化學課本中提到的「電子軌域」排列，這種排列方式稱為「基態」，代表原子中的所有電子，都處在最低能量狀態。

在原子接收一定的能量後，會有部分電子跳入高能量的軌域中，變成「激發態」，這時原子內的電子組態不穩定，電子會跳回低能量軌域中回到「基態」，並以光（輻射）的形式放出能量。

而這些跳回的電子，如果都從同一個激發態回到基態，就會釋放出特定「頻率」與「能量大小」的光，以愛因斯坦的說法，從相同的激發態回到基態，會得到固定的「光子」，這是舊量子論的重要發現之一。提供原子特定的能量，讓原子放出光子，就可以激發出雷射。

利用電子躍遷的隨機性

但這件事情跟隨機性有什麼關係呢？電子躍遷本身就是具有隨機性的。

要激發雷射，其實事情並沒有那麼簡單，需要克服這個機率性。讓我們回頭看上面的敘述，「『大部分』原子中的電子會按照……」、「在原子接收一定的能量後，『有部分』電子跳入高能量的軌域中」，這些「大部分」、「有部分」，使得我們就算給原子固定能量，也未必能平穩釋放出特定光子，讓雷射光的強弱不穩定，也不會朝同方向射出。

因此雷射技術的重點之一，就是「光學共振腔」，將激發光子的物質放在共振腔中，放出的光子會在共振腔中來回游走，再次激發原子放出更多的光子，來增強雷射強度，並讓雷射光往特定方向射出。

但是，「光學共振腔」強化雷射強度以及方向，但實際上雷射光的強度，仍然是由量子力學的隨機性所決定！如果我們能用感光元件捕捉雷射光線起伏不定的強度，再轉換為數位訊號，就能獲取珍貴且無法破解的隨機亂數。

蝴蝶結狀「光學共振腔」

這種想法雖有十幾年的歷史，不過由於技術上的限制，產率一直相當有限。而且一般方形共振腔產生的雷射，容易讓光強度陷入特定的規律，產生的隨機性也較低。為了解決這個問題，研究人員將共振腔的形狀改良為蝴蝶結狀。如此一來，在其中反彈的雷射光便能保有其當初紊亂的特性，且往特定方向射出。

隨機的雷射光源被 254 像素的高速攝影機拍下，每個像素受到的光強度也被證實為相互獨立，因此成就了 254 條同步生產線，一同產出隨機亂數，使效率遠遠勝過以往一次只能記錄一個像素的做法，創下每秒 250 TB 的紀錄。

現今電腦運作的時間尺度最快不超過幾 GHz，因此這次的 250 THz 創舉難以發揮全部的實力。如果犧牲一些效率，用較簡單的偵測裝置來取代高速攝影機，可以讓整個裝置變得更加輕巧，提升實用性。在不久的將來，史上最速的亂數產生機制，或許可以直接容納於單一晶片之上。

參考資料：

• Kim, K., Bittner, S., Zeng, Y., Guazzotti, S., Hess, O., Wang, Q. J., & Cao, H. (2021). Massively parallel ultrafast random bit generation with a chip-scale laser. Science, 371(6532), 948-952.
• https://www.nature.com/articles/d41586-021-00562-6
• https://cointelegraph.com/news/lack-of-randomness-why-hackers-love-it

本文由台灣康寧贊助，泛科學策畫執行

在上篇文章「可撓式玻璃能怎麼玩？來看看教你穿衣服的智能行李箱和透明停車場樑柱」中，泛科學介紹了兩組指定示範組團隊將 Willow 可撓式玻璃分別應用於行李箱和交通情境，來改善使用者體驗的概念作品，分享他們如何從生活問題中發想、設計與實踐。這些創作皆來自康寧創星家 ─  創新應用競賽，它規定「使用材料」而未限制主題的獨特遊戲規則，催生了許多意想不到的創意。

這次我們訪問到臺灣科技大學設計團隊，他們所選用的特殊材料為「康寧 Fibrance 玻璃光纖」，透過其纖細、可彎曲、高彩度、高明度的特性，把場景延伸進「水」裡，提出兩種創新應用。

幫忙把關魚缸的水質狀態，給魚兒健康的家

大家應該看過河川或海口出現不同顏色的水流吧？一般人通常會很直覺地想，這水有特殊物質，可能不乾淨。但是無色無味的水就是乾淨的嗎？如果之中有我們看不見的汙染呢？「如同空氣品質對於人類健康的影響，對住在水族箱裡的魚來說，水的品質一旦超出範圍便會對魚的健康造成衝擊、甚至死亡。因此，水的溫度和 pH 值必須嚴加控管。」臺科大團隊的施同學與我們分享此想法的動機。

著眼於 Fibrance 玻璃纖維的特性：防水、明度彩度皆高，而且對雷射的顯色效果比一般塑膠光纖好，因此臺科大團隊決定利用這樣的特殊材料來做水質指示功能，進而達到水質控管，於是第一項作品「水底空調」誕生了。

水底空調的測量儀器旁邊裝有一塊光纖板，並於側邊接出雷射頭，在充飽電、水質正常的狀況下會持續發光，而當魚缸中水的 pH 值、溫度超過或低於正常範圍時，則會開始閃爍。談到產品設計過程的挑戰，他們表示，「當然也沒有整個設計過程都很順利，我們碰到最大的問題是『太熱』。平常大家用雷射筆用得很習慣，大概不會發現雷射發亮時其實會產生極高的熱能，讓整個測量監控系統變得很燙。起先想用盒子把它包起來，但發現行不通；後來經過設計，我們將雷射頭部分掛在外面，並用長尾夾夾住方便散熱。」。

除了應用於水質檢測，Fibrance光纖的纖細和可彎曲的特性讓使用者能隨個人喜好設計出不同的形狀，裝飾自己的水族箱，展現出更趣味、客製化的產品樣貌。

你的光劍哪裡來的？不，這是我的釣竿！

第二種概念發想則出現在釣竿上，光纖釣竿感應器 ─ Night Flash 夜漁玩家。

「釣魚是一件很花時間的事，夜釣尤其有趣。一般專業釣客通常會有兩三支釣竿，以竿架固定同時使用，那麼夜釣時，要怎麼知道魚有沒有上鉤？是哪一支釣竿中獎？除了仰賴釣客的感官經驗外，就是用釣竿警報器。在這種既有產品的基礎上，我們想設計出更炫、更便利的應用。」臺科大團隊的林同學如是說。

他們將警報器別在釣竿竿頭上，並串聯至 Fibrance 玻璃光纖、再掛上釣線，魚一旦吃餌，拉動了感應器，光纖就會發亮。Night Flash 夜漁玩家在配色設計採用現有的雷射模組 RGB 三種基礎色（紅、綠、藍），搭配基本的黑色，讓釣竿在黑夜中像光劍一般搶眼，或許也能讓夜釣過程更有趣。套句臺科大設計團隊的話，就是「很炫、很好玩啊！」

設計講求實踐，可行性是成功關鍵

特別的是，兩款產品的負責同學都不是電子背景。林同學表示，「過去我只要碰到電子領域就會選擇放棄，這次算是突破了以前的障礙。雖然我們的作品是買現成晶片板來修改程式，一開始還是什麼都不懂，甚至只能土法煉鋼地一個個戳電路板，觀察反應。但後來慢慢摸索、學習，實際去做之後，才發覺好像也沒有想像的那麼難。」而這次經驗也讓他們想了解更多不同的領域，接觸更多設計的可能性。

臺科大團隊指出，「創星家競賽一定要做出實品這點也是有所成長的原因，我們必須考慮設計可否『實現』，以及產品有沒有市場。這很符合現況，現在設計領域很講求實踐，產品可行性是成功的關鍵。」接著他們補充，做使用者研究也很有趣，負責到釣具行買測試用釣竿的林同學回憶，他隨口向店裡一個五、六十歲的伯伯介紹團隊的新設計，伯伯竟然表示有意願購買，直接問一個要賣多少錢，讓他相當驚訝，「原來從舊有產品中做改良，因為消費者已經很熟悉了，所以會更有共鳴，更容易接受。」

「我們想透過 Fibrance 光纖，把看不到的東西視覺化。」

聊到產品理念，兩位同學說他們的發想起點同樣是材質本身。在魚缸和釣具之前，兩人考慮過很多主題，例如測量空氣品質和配電盤，最後決定從身邊的議題下手。「不過這些想法都圍繞著同一個概念，」他們說，「Fibrance 玻璃光纖明度、彩度高，在視覺上非常漂亮，希望能做出能充分凸顯這項特點的應用。Making the value / action visible 是我們的設計初衷，就好像蒲公英的種子讓人『看見』風的存在，我們想把看不到的東西視覺化，送到大家眼前。」