【記錄】M.I.C.V 之「速度」：光速不變實像現 蚊子不動基因控

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

快還要更快！學習物理的重點就是要「快速解題」？

在我的教學經驗中，有些學生會問我：「老師這一題有沒有更快的解法、一個式子就可以解出來？」我總是笑笑的說：「有，不過你還是要完全了解整個物理意義與過程，才能知道快速解法的來由，才能說出一番道理，才能有你自己的想法。」

我完全可以理解學生為什麼需要「快速的解法」，癥結還是：面對學校期中考或 未來的升學考試時，有答題時間限制的壓力。

一般學校期中考，物理科答題時間為 70 分鐘，考題大約 20 題到 25 題左右；升學考試自然科學測 68 題，答題時間 110 分鐘；指定考科物理科答題時間 80 分鐘，回答 26 題到 30 題左右，題數多寡由命題老師依據題目難易度來酌量。因為答題時間有限制，為了能拿到高分數，學生自然希望每一單元都能有快速解題法。

然而，學習過程畢竟不是只為了考試，升學考試只是其中一個目標，高中的學科基礎，會影響大學的學習成效，學習物理還是要建立蓋房子的鷹架模式——九層之台，起於累土；合抱之木，生於毫末；千里之行，始於足下。學習物理還是要「盈科後進」，不宜囫圇吞棗，避免「繁枝容易紛紛落」的速成之弊，才能體會學習物理時「嫩蕊商量細細開」的自然生發之美。

有一則幽默小品文：

聯合國給全世界的小朋友出了一道題目：「對於其他國家糧食短缺的問題，請您談一談自己的看法。」非洲的小朋友看完題目後，不知道什麼叫「糧食」；拉丁美洲的小朋友不知道什麼叫「請」；歐洲的小朋友不知道什麼叫「短缺」；美國的小朋友不知道什麼叫「其他國家」；台灣的小朋友不知道什麼叫「自己的看法」。

雖然只是一則網路幽默文章，可是台灣學生努力符合標準答案，戮力要得知快速解法，恐怕是不爭的事實。我鼓勵大家在學習時，多思考、多質疑，或許就有更多人能超越標準答案和快速解法，提出創造性的看法。

所以說，解題最重要的核心到底是什麼？

有句話說：「得魚忘筌」，「教材課本」是這個「筌」，而「思考能力」是那個「魚」。我期盼同學們學習物理時，能完全了解整個物理單元和例題習題的思考過程，不必急著要公式和快速解題方法，因為完整的物理概念才能讓我們具備帶得走的能力。

我舉個物理運動學的題目來說明：

有一飛行物體以速度 19.6 公尺／秒等速度上升，在離地面 24.5 公尺高空處掉落一個包裹，忽略空氣阻力的影響，且該處重力加速度 9.8 公尺／秒²，回答下列的問題：

1. 此包裹上升的最大高度約為多少公尺？
2. 離開飛行器至落地的時間有多久？

請你先仔細閱讀題目並且了解問題在問什麼之後，再看以下的解釋。

第 1 小題

分析：以包裹離開飛行物體的位置為坐標原點，建立一鉛直的坐標系統，方向以向上為正，向下為負。

此包裹離開飛行器時，為初速度 19.6 m/s 的鉛直上拋運動，此包裹上升至最高點時的速度量值為 0 。求解：如圖，包裹由出發點上升至最高點的位移 h 表示如下：

$$\begin{equation}0 = (19.6)^{2}-2\times 9.8\times h \rightarrow h=19.6(m)\end{equation}$$

所以，包裹離地的最大高度 H 為：

$$\begin{equation}H = 24.5 + 19.6 = 44.1 (m)\end{equation}$$

第 2 小題

• 第一種解法：

此包裹由釋放至最高點的時間 $t_{1}=\frac{19.6}{9.8}=2(s)$

由最高點落至出發點的時間 $t_{2}=t_{1}=2(s)$，最後由出發點落至地面的時間$t_{3}$為$-24.5=-19.6t_{3}-\frac{1}{2}\times 9.8t_{3}^2$$(t_{3}+5)(t_{3}-1)=0\rightarrow t_{3}=-5$（不合）或 $t_{3}=1(s)$

所以由出發至落地的時間為$t_{1}、t_{2}、t_{3}$ 的總和為 5 秒。

• 第二種解法，為符合物理概念的快速解法：

此包裹由出發至落地的位移，根據所訂定的坐標系統為 −24.5 m，包裹從出發至落地的時間 t 示如下：

$(t-5)(t+1)=0\rightarrow t=5$ 或 $t =-1$（不合）

所以，包裹由出發至落地的時間為 5 秒。

學習物理的運動學單元時，鉛直上拋是很重要的等加速運動的例子，這是因為（1）鉛直上拋的「速度」及「時間」這兩個物理量，都具有對稱的性質，以及（2）從最高點落地的過程為自由落體運動；因此，要能了解這當中的物理概念，充分利用這些性質，才可以簡化解題過程。

討論運動學時，有一重要概念需「常在我心」，那是「誰看誰的相對運動」，換句話說「誰是觀察者」很重要。這絕對無法透過背公式、快速解題就能得到答案。讀者不妨思考以下這題北一女期中考的題目：

忽略空氣阻力影響，重力加速度 g 為 10 公尺／秒²。雙十國慶日上午，一架直升機在高空以 50 公尺／秒 等速度沿直線水平飛行。機上搭載兩名傘兵甲和乙，準備在廣場上空表演特技。對飛機而言，甲先從機上靜止落下， 2 秒後乙接著也靜止落下，但兩者的傘具皆暫時不張開，而在空中自由下降。回答下列問題：

1. 甲跳落 5 秒後，甲與乙之間相距多少公尺？
2. 當乙剛跳落時，甲利用一彈射裝置將一小球相對於甲以初速度量值 24 公尺／秒對準乙射出，則經過多少秒後，乙可以接到小球？

說明：

這是運動學的相對運動問題，對地面或地球而言，傘兵甲和乙的水平速度等於飛機的水平航速 50 公尺／秒，因此當乙從機上跳落時，甲的位置正在其正下方處。

1.甲跳落 5 秒後，乙正好跳落 3 秒後，此時甲與乙相距 H。

H =（甲掉下來位移）−（乙掉下來位移），寫成$H=\frac{1}{2}\times 10\times 5^2-\frac{1}{2}\times 10\times 3^2=80$公尺。

2.當乙剛跳落時，甲與乙兩者對地面的加速度相同，也就是乙觀察甲並不是等加速運動，而是等速度運動，兩者的相對加速度是零。

此時甲對地面的速度垂直分量為$V_{Y}=gt=10\times 2=20$公尺 / 秒，甲乙相距$Y=\frac{1}{2}\times 10\times 2^2=20$ 公尺。

從甲看乙，乙以 20 公尺 / 秒的相對速度垂直向上遠離甲，當小球相對於甲以初速度量值 24 公尺 / 秒對準乙射出，則小球對乙的相對速度為 $24−20=4$ 公尺 / 秒等速向上接近乙，經過 $\frac{20}{4}$ 秒後， 也就是 5 秒後，乙可以接到小球。

此時甲、乙兩人相距$20\times 5+20=120$ 公尺。

「考得好差，我肯定不適合讀物理」這樣想就錯囉！

學習任何一科目難免會碰到瓶頸與困境，學習高中物理亦然。

初學物理的高中生常有刻板印象，認為物理科很困難，原因可能是受到學長姊的經驗談所影響，也可能是國中時期就產生的感受，或受到期中考題難度高、分數低的影響。

遇到物理成績低時，究竟該如何面對？我建議同學們學學白居易面對被貶時的心境轉變，偶遊大林寺，竟然有新的發現，找到心中的「桃花」。

你不妨想一想：物理成績低的原因是不是學習方法不正確？是不是沒有完全消化上課內容？我確實認真學習嗎？我把心思放在物理嗎？物理成績低的原因很多，但絕對不要因為成績低就下結論說自己不是學物理的料，高中物理沒救，這樣思考太悲觀。

自我探索、改變方式，再給物理和自己一次機會

每一年都有學生問我：「老師，怎麼辦？我兩次物理期中考都不及格，我有能力學物理嗎？」「老師，我的物理成績這麼低，我還有救嗎？」聽完這些吶喊，我總耐心地告訴他們：「我們來分析你怎麼學習物理，給物理的時間足夠嗎？」「上課認真聽講嗎？整理筆記嗎？做了哪些基本功？」與學生互動後，幫這些心中有迷惑的學生找出路，鼓勵他們突破迷思，回到最基本的「實事求是」，並且確實能執行自己要改進的計畫。

經過自我探索，改變學習方式後，大部分的同學在期末考都能重新出發，找回學習物理的信心。當然，如果只停留在「半暝全頭路，天光沒半步」（台灣俗諺）的「坐而言，起不行」，成績就沒有起色。

物理成績低代表的應是「學習方法和態度有問題」，並不代表自己的腦袋不好。

想突破學習困境，還有一件事很重要：練習多思考，不要「人云亦云」。譬如學到摩擦力的時候，可以試著想一想：摩擦力是不是都是阻力？它的方向永遠與運動方向相反嗎？有沒有可能方向相同或垂直呢？

改變學習方法，學會深入思考、多思考，是學習的不二法門。千萬不要輕易因為物理成績低，就下定論自己能力差而學不好物理。

本文摘自《如何學好高中物理》，2019 年 7 月，天下文化出版。