孤獨恆星的寂寞之光

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

哈佛大學（Harvard University）物理學家提出假設，認為可能有一種傳統物理模型不曾提及的新型暗物質，其行為模式與一般物質類似，所以或許並非所有暗物質都如現行理論所認為的又冷又幾乎不會互撞。

在可見宇宙中，星系會逐漸形成扁盤狀，例如我們銀河系就是其中一個最佳例子，星系中的所有成員大致排列在單一盤面上，這是因星系重力和自轉所造成的。另一方面，暗物質似乎喜好棲息在星系周圍如銀暈這樣的地方—至少，現行理論是這麼說的。所以，一般認為暗物質又暗、又冷，而且幾乎不含有什麼能量，所以暗物質粒子鮮少能與另一個暗物質粒子發生碰撞。

在新研究中，哈佛的物理學家們推測：應該還有另一種暗物質，可是和傳統認為的暗物質不同，而是其行為模式比較像一般可見物質；而且正因如此，它們會因暗物質特有的重力特性而聚在一起，然後也如星系一般最後會形成扁盤狀結構。這些物理學家稱之為雙盤暗物質（double-disk dark matter，DDDM）的暗物質，大約佔了總暗物質的5%左右。

為了讓這些暗物質聚集在一起，這些暗物質勢必得有和可見物質類似的某些性質。為此，這些物理學家推測：宇宙中可能存在所謂的暗原子（dark atom）、暗光子（dark photon），也可能具有某種型式的暗電磁力（dark electromagnetic force）。

科學家在暗物質議題上已經投入數十年的努力，建構一個暗物質能以球形存在的模型，其中星系位在這個球形的中間，所以處在星系中的觀測者無論朝向什麼方向都能「看到」暗物質存在。但是哈佛團隊認為暗物質也可能以別種形狀存於宇宙，就像可見物質組成的宇宙各種構造一樣。

可見宇宙中的物質幾乎都是重子（baryon），也就是由強作用費米子組成的物質；然而現行理論認為這些重子物質僅佔了宇宙所有物質的5%而已。因此，哈佛團隊建議：新型暗物質所佔的比例，可能與可見物質差不多。

如果哈佛團隊所提為真，那麼就應該存有全部都由暗物質組成的星系，只是因現今技術的關係而偵測不到。目前有更多的研究投入這個議題中，未來這種新型暗物質可能會被納入各類模型中；只是在此之前，新型暗物質都還只是個概念性的理論而已。

資料來源:Physicists suggest possible existence of other kinds of dark matter[2013.05.24]

轉載自網路天文館

一項來自史匹哲太空望遠鏡（Spitzer Space Telescope）觀測的新研究顯示，遍及全天的神秘紅外光輝，可能是來自星系邊緣的孤立恆星（isolated stars）。這些恆星可能一度屬於星系，但因星系間劇烈的合併事件而被扯出星系外，遠離家鄉，進入空曠無垠的太空中。

美國加州大學（University of California）Asantha Cooray等人表示：天空中背景紅外光（background infrared light）的成因久為天文研究的大謎題之一，現在有新證據證明這些紅外輻射來自徘徊在星系間的孤星們；這些孤星因太暗而無法見到恆星本身，但我們觀察到的背景紅外光卻是這些孤星們所發出的光匯集而成，並非單一一顆星的功勞。

不過，這項發現和另一個同樣以史匹哲觀測到的背景紅外光為基礎的理論不相符。由美國航太總署（NASA）哥達德太空飛行中心（Goddard Space Flight Center）Alexander “Sasha” Kashlinsky領導的研究小組於今年6月發表論文指出：史匹哲影像所呈現的斑駁紅外光斑，是遙遠的第一代恆星和星系所造成的。（請參考〈史匹哲發現第一代天體猛烈焚燒所釋出的光〉）

在這個新研究報告中，Cooray等人透過所謂的牧夫座星區影像（Bootes field）來進行研究。牧夫座星區影像涵蓋範圍相當於50倍滿月面積，是史匹哲太空望遠鏡針對這個區域累積曝光了約250個小時的結果；雖然其資料靈敏度不如Kashlinsky等人的小組，但因視野涵蓋範圍大得多，讓Cooray等人更能分析出背景紅外光分佈的型態與模式。

在小心地分析牧夫座星區觀測資料後，Cooray等人再利用電腦模擬第一代恆星和星系可能造成的背景紅外光型態，發現與牧夫座星區觀測資料不符。電腦模擬結果顯示：由於第一代星系不若現代星系這麼大、數量這麼多，如果背景紅外光真的是第一代星系造成的話，那麼背景紅外光不可能這麼亮。這些研究學者因而提出另一種理論來取代第一代星系，那就是「星系團間（intracluster）」或「銀暈間（intrahalo）」的星光。

資料來源：NASA’s Spitzer Sees Light of Lonesome Stars. NASA JPL [October 24, 2012]

轉載自 網路天文館

上圖是雙子天文臺（Gemini Observatory）捕捉到的NGC 660星系影像，這是個相當特殊的極環星系（polar-ring galaxy），擁有繞極的環狀星流，是曾經歷兩星系交互作用的結果。

極環星系是很特殊的天體，迄今已知的極環星系數量很少，相當罕見，因此對於它們的起源所知不多。絕大部分極環星系的中間是早型螺旋星系系統（early-type spiral system），即所謂的透鏡星系（lenticular galaxy）。NGC 660位在雙魚座方向，距離約4000萬光年，和其他極環星系不同的是，NGC 660中間部分是目前唯一已知的晚型透鏡星系（late-type lenticular galaxy）。不過，所有的極環星系都有一個共同特徵，就是擁有一圈由恆星、塵埃和氣體組成、和星系盤面垂直的繞極環狀構造，可綿延長達數萬光年。

按照電腦模擬結果，極環星系可能是由兩個星系碰撞合併而形成，與其他星系碰撞事件稍不同的是，這兩個螺旋星系的盤面是以幾乎直角的角度相互碰撞的，碰撞之後，富含氣體螺旋星系中的物質受到主星系的重力（潮汐作用）而被剝離，逐漸形成一個環狀結構。在此劇烈碰撞事件中，可能引發大量恆星誕生，使得這個長達40,000光年的極環滿佈明亮而色彩斑斕的新生恆星、星團或星雲。

在狂暴事件中誕生

美國亞利桑納大學（University of Arizona）的Brian Svoboda近期正在研究NGC 660的化學組成和環境溫度，他相信這個獨特的型態是這個星系之前曾與一個富含氣體的星系有交互作用的結果。NGC 660的極環中所含的氣體量比主星系還多。不過NGC 660極環的幾何形狀，確切的說，並不是真的繞極，而是與主星系盤面傾斜45度角；以電腦模擬星系碰撞，無法模擬出這種低角度的極環，然而若是採用潮汐加速模式（tidal accretion scenario），則可呈現這種低角度極環。

NGC 660的極環中已經衍生出數百個天體，其中有相當多的是藍巨星和紅巨星。其中最年輕的恆星大約僅有700萬歲左右，顯示極環中的造星運動已經持續好一陣子，而且仍未衰竭。除了顯眼的極環之外，NGC 660上還有與明亮背景成鮮明對比的暗色塵埃線（dust lane）橫越星系盤面。整個星系畫面簡單，卻美麗！

掂掂證據的份量

如果真的是兩個星系合併的結果，那麼就應該會有向內收縮的核心和大量恆星形成的現象。而天文學家的確有看到這兩個現象。但讓天文學家感到最驚奇的一點，卻是NGC 660的極環和主星系部分，都含有極豐富的氣體。如果只是單純的重力累積，則極環中的氣體與富含氣體的主星系就不會有強烈的交互作用；然而，如果是有重力交互作用，那麼就會導致氣體向中心區域流動，引發如我們現在所見的大量恆星誕生現象。

更進一步的證據，是NGC 660缺乏雙核心，也就是兩個原螺旋星系中心的超大質量黑洞；通常在星系合併事件中，如果星系還沒有完全合而為一，那麼應該會有雙核心。

天文學家並沒有偵測到NGC 660有向外延伸的潮汐尾（tidal tail），這是許多星系有潮汐交互作用的關鍵特徵之一。通常一個星系近距離掠過另一個星系時，彼此間的重力交互作用（稱為「潮汐作用」）會將星系內的恆星、氣體和塵埃拖曳而出，在星系後方形成一道燦爛的尾巴。但前述兩種極環星系的模型，都會產生沒有潮汐、但新恆星誕生活躍的極環。

Svoboda等人估計這場碰撞事件造成的極環大約10億歲左右，因此扯出極環的另一個星系已經跑遠了。

浴火重生的鳳凰？

在眼睛看不到的電波波段，科學家偵測到在NGC 660的核心有個直徑小於32光年的緻密電波源。這些天文學家相信，應該是在核心附近的緻密塵埃氣體雲中有數千顆恆星所組成的超級星團（ super cluster），這些藍色恆星年輕且熾熱，因而能輻射出大量無線電波。

星系的核心區通常是由紅色的老恆星擁有主導權，但可能是某次NGC 660曾經歷的星系碰撞事件，在這個星系的核心區激發了大量恆星誕生；有可能是因為兩星系之間的重力交互作用製造一波波的震波衝入巨大氣體雲時導致雲氣收縮而形成大量恆星，其中許多恆星的質量可能超過100倍太陽質量。這些恆星怪獸們壽命都不長，並在生命終點發生超新星爆炸，爆炸過程又產生更多震波，導致下一波新恆星誕生。如此惡性循環之下，NGC 660核心便匯聚了大量新生的熾熱恆星，讓它不僅是個極環星系，也是個所謂的星遽增星系（starburst galaxy）。這些歷程，讓NGC 660的核心區成為迄今已知最密集、最劇烈的恆星誕生環境。

偵測暗物質

極環星系的極環的自轉速度與主星系相當。藉由測定離星系核心不同距離的極環自轉速度，這些天文學家可以探找星系銀暈中的神秘暗物質。電波觀測顯示雖然極環靠星系核心一側的自轉速度是正常的，但遠離核心的外側部分一直到缺乏氣體的區域，自轉速度卻仍保持相同；然而理論上，離核心愈遠，自轉速度應會明顯降低。因此自轉速度均一的現象，顯示NGC 660星系的銀暈中含有大量暗物質。

天文學家相信暗物質會影響整個星系的動力學，但要瞭解暗物質卻是天文學界最大的挑戰之一。因此，這些天文學家們希望未來能藉由研究NGC 660的奇特環境來進一步探索暗物質的真相。

資料來源：Poetry in Motion: Rare Polar-Ring Galaxy Captured in New Image. Gemini Observatory [October 18, 2012]

轉載自 網路天文館