一般的馬達是利用電磁線圈感應的方式把能量換成動能，但是因為複雜的結構以及金屬構造的限制，在有些地方，例如單純的肌肉狀伸縮、生物相容，不需要潤滑或是想做的更微小化上會受限制。
很多的研究在尋找更簡單把電轉換成運動的方式，這影片介紹利用介電彈性體(dielectric elastomer)來作為旋轉馬達。在白色高分子膜的兩邊有可變形的碳電極，當有外加電壓的時候，因為加在電極上的電壓會造成電荷累積，讓兩電極相吸，然後介電彈性體經兩側電荷的壓縮而伸長，只要幾組不同的伸縮膜就可以造成有方向性的旋轉收縮來造成轉動(這影片的設計是利用像是機械手錶的單方向上彈簧-ratcheting-的方式)。這樣的高分子經由電而產生變形的技術還被用在很多的地方，例如直接做成人工肌肉、微流體晶片上的驅動裝置、或是手機上觸控螢幕的觸覺回饋膜等等。
本文原發表於科學影像Scimage[2011-04-25]
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。
編按：尼古拉・特斯拉（Nikola Tesla）的父母原本一直希望他繼承衣缽、成為一位牧師，然而在他少年時期有次感染了霍亂，被醫生宣判可能回天乏術，特斯拉對父親說：「如果你同意讓我去唸工程科系，我也許會好起來。」於是後來特斯拉的父親為他安排進入奧地利史泰利亞邦 (Styria) 的格拉茲 (Graz) 理工學院就讀，這裡也是特斯拉構想交流電發電機的起點。
一年的身體調養期結束之後，我被父親送到奧地利史泰利亞邦 (Styria) 的格拉茲 (Graz) 理工學院就讀，他為我精挑細選了這所歷史悠久、聲譽卓著的大學。這是我期待已久的時刻，在充裕獎學金的資助下，開始我的大學學業，我下定決心一定要在課業上有傑出表現。拜父親的教導和諸多機會所賜，我的學習底子優於一般學生。
進入大學之前，我已經學會多國語言，也啃讀了不同圖書館的藏書，多多少少汲取了有用的資訊。另外，這是我第一次可以選擇喜歡的科系就讀，所以畫圖再也不會成為我的困擾。
我立志要給父母親一個驚喜，所以第一學年我每天從清晨三點一直讀到深夜十一點不間斷，連星期假日都不放鬆片刻。由於同學們抱著學而不思的鬆散學習態度，我的學業成績自然技壓群雄。第一年結束，我通過九科考試，教授們認為我的表現值得給予超越滿級分的嘉獎。
我帶著這張獲得褒揚的成績單回家，在短暫休息過後，我滿心期待著能贏得父親的稱讚，但是看到父親對於我拚了命博得的榮譽一點都不在意的時候，我深感受傷，這件事幾乎扼殺了我的鬥志和雄心。
但是父親死後，我發現了一疊信件，全是學校教授寄來的，信上說除非父親把我帶離學校，否則我會因為用功過度而沒命，看完後，我悲痛難抑。
此後，我全神貫注在物理學、力學和數學上，閒暇時間都泡在圖書館裡。我的習慣是只要開始做一件事情，一定會有始有終，因此常常給自己招來難題。
有一次，我開始閱讀伏爾泰 (Voltaire) 的著作，看到有將近一百卷用小字印刷的皇皇巨著正等待著我去讀，令我驚慌——這個怪物每天喝七十二杯黑咖啡支撐自己寫作！我下定決心一定要全部讀完，但當我放下最後一本伏爾泰的作品時，感到無比暢快，說：「結束了！」
我第一年的表現贏得了教授們對我的欣賞，也與他們建立起情誼。包括了：羅格納教授，教授算術和幾何學；包施爾教授，教授理論及實驗物理學；奧勒博士，教授積分，專長在積分方程式，這位科學家的講課是我聽過最精彩的一位。奧勒博士特別關心我在學業上的進展，經常會在下課後留一、二個小時給我，出題讓我解答，我很樂意接受這樣的安排。
我跟他解釋我的飛行器構想，這項發明是建立在合理的科學原理上，不是天馬行空的幻想，我設計的渦輪機已經讓這部飛行器成真，很快就會展現在世人眼前。
羅格納和包施爾兩位教授都是求知欲旺盛的學者：羅格納教授的自我表達方式很奇特，每次都會引起一陣騷動，然後是一段長長的沉默和尷尬；包施爾教授是一位有條不紊、絕對理智的德國人，他有和熊掌一樣巨大的雙手雙腳，但他的實驗都被精準無誤的執行，展現如鎖芯般精密的高超精準技巧，沒有一點閃失。
在校第二年，學校收到一部來自法國巴黎的格拉姆發電機 (Gramoe Dyname) ，它有一個馬蹄鐵狀的層壓式場磁鐵，以及一個裝有整流器的繞線電樞。通電之後，這部機器展現了各種不同的電流效應。
包施爾教授在示範時，把它當作馬達在操作，結果電刷出現故障，火花亂竄，我在一旁觀察發現：沒有這些裝置，馬達仍有可能運轉。
包施爾教授宣稱不可能，並且請我就這個主題上臺報告，他最後在做總結時如此說道：「特斯拉先生也許會有了不起的成就，但可以肯定的是他永遠不會去實踐這個構想。這麼做無異是改變一個穩定的拉力，猶如把重力轉變成旋轉力，這是一個永動機的概念，不可能成功。」
但是，直覺超越知識，當邏輯推論或是其他想出來的方法都沒有用的時候，無疑的，我們大腦裡某些奇妙的神經纖維會驅策我們去發現真理。
有一段時間，我迫於教授的權威而猶疑不定，但是我很快就相信自己是對的，然後傾注所有熱情和年輕人的無窮信心，擁抱這個不可能的任務。
首先，我在心中勾勒出一部直流電發電機，使之啟動運轉後，緊盯觀察電樞電流的變化。然後，我會另外想像一部交流電發電機，觀察在相同情況下其運作過程。接下來，我則勾畫想像馬達與發電機兩種系統，並用各種方式測試其運作情況。
我心眼所見的圖像對我而言是如此全然真實，具體可觸。我在格拉茲的理工學院的剩餘時光都在全心鑽研這個問題，直到離校前依舊毫無斬獲，我差一點就要舉白旗投降，宣判這個問題無解。
「電動車」使用者一直跟行動不便的身障者、從菜市場滿載而歸的老人，或在觀光景點悠閒環湖的遊客劃上等號，只是現在，這種刻版印象應該要改觀了！
有鑑於其緩慢的速度，電動車長期被框架在既定使用模式下，但就在今年夏天，出現了一台不同於以往、甚至可以說是直攻痛處的智慧型電動車－Gogoro。究竟它是如何破解「魔咒」？這台挑戰限制的前驅者，其創新便是來自於它動能的靈魂──馬達：
馬達（又稱為電動機）是一種將電能轉化成機械能、再以機械能產生動能來驅動裝置的電氣設備。那馬達是如何運轉的呢？這要來談談「電」與「磁」之間的微妙關係，如果將指北針放在導線附近並通上電，就會觀察到指針有明顯的偏轉現象，這表示當導線中有電流通過時，其周圍會產生磁場（指受磁力所影響的場域範圍）。當通電的導線放置於以固定磁鐵產生的磁場內時，利用電流磁效應可使導線移動，若電流方向不變就會產生連續的轉動，因而產生動能。透過下圖的示意圖可以理解如何從磁場和電流方向，利用「右手開掌定則」來判斷受力方向。
知道馬達如何轉動後，該如何讓它的動力提高呢？這取決於「電磁鐵」磁場的強度，那電磁鐵又是什麼？電磁鐵便是以通電來產生磁力的裝置，從「右手安培定則」可以知道，當直流電通過螺旋狀的導體時會產生具有方向性的磁場，若在螺旋線圈中加入磁性物質（如鐵芯），此磁性物質便會被磁化且達到加強磁場的效果。一般來說，磁場的強度和電流大小、線圈匝數和磁性物質的材質有關，電流越強、線圈匝數越多，磁場就會越強，動力也會提高。
和一般市面上現有的電動車相較，Gogoro 的馬達產生的動力較高，但體積卻相較小上許多，這顛覆了以往馬達「越大越有力」的想法，其原因就在於它的獨門銅線纏繞技術。為了解密其中的技術，泛科學專訪了 Gogoro 研究團隊，團隊表示 Gogoro 的馬達原以電腦先行模擬、運算出銅線編織結構，再請經驗老道的師傅手工纏繞，但以普通方法並無法在預期的體積內完成此纏繞模式，「這不是科學上的創新，而是技術上的挑戰。」Gogoro 產品管理經理王光祖語帶堅定的說。Gogoro 研發團隊將整顆馬達模組化、切割成 12 等分，並在每等分上以自動化技術用更密集的方式堆疊銅線，「就像小時候玩四驅車一樣，要想辦法在一顆馬達上繞上越多銅線越好。」再以串接技術連接起所有銅線，組裝、固定成完整的馬達。
馬達在產生動能的過程中也會產生熱能，這時候冷卻系統就很重要了，冷卻系統能夠幫助動力系統在運作過程中達到熱平衡，不讓零件因過熱而損耗，尤其 Gogoro 在馬達體積縮小、維持高功率情況下，會達到更高的發熱密度。Gogoro 採用高效率的水冷系統，藉由冷卻液在水流道中循環帶走熱能，再經由散熱器的鰭片和外界的空氣進行熱能交換，以維持冷卻液的溫度。比起傳統水冷系統，這款水冷系統以模組化設計的散熱器配合車體空氣流道，來取代耗電的風扇與過長的水管，讓體積變小、質量更輕，不但提高整體的能源使用效率、導風效果更好，精簡零件避免了維修的風險，模組化設計也易於拆解、清洗。
除了動力系統本身以外，傳動系統和懸吊系統的配合也會影響馬達的功率輸出。比起需要維持扭力輸出而使變速系統損耗較大的汽油引擎，電動車的馬達只需要通電就能全扭力運轉，而 Gogoro 更是使用了輕量、高張力的碳纖維複合材質傳動皮帶，以及體積小、動力輸出平穩、效率更高的行星齒輪作為減速裝置。且不同於一般電動車將馬達置於後輪附近以利於驅動，Gogoro 則是將馬達置於車架中間，使後輪在行駛過程中所產生的跳動不會影響馬達構造，維持良好的壽命表現。
根據截自今年8月的統計，台灣的機車數量是約1,400萬輛左右，其中電動車約有3萬輛；每年各家機車廠商賣出約80萬輛燃油機車，電動機車卻不到9千輛。台灣交通環境下，一般人通勤還是以成本和功能為選擇考量，然而 Gogoro 不以車商角度自居，以自行開發設計、台灣製造和智慧化系統為賣點進軍電動機車市場。Gogoro 特製馬達的確給了電動機車彪悍的能耐，但是否能夠帶著 Gogoro 衝破現在環境、價格和使用習慣等挑戰，甚至往「行動能源」、「大數據」等願景前進，是值得關注的下一步。
參考資料：
Peggy Sha／沙珮琦
Amber Wu
shuyun-sylvia
