忘記帶傘怎麼辦？試著挑把「樹傘」吧！——《解讀身邊的天氣密碼》

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

溫度對昆蟲至關重要，因此昆蟲會對溫度產生反應。

有一個普遍的通則：炎炎夏日中，你會先看到大昆蟲，接著見到小昆蟲，最後又再一次碰到大昆蟲。昆蟲愈大，愈能忍受低溫、對高溫愈難耐；因此大昆蟲喜歡在一天的清晨或傍晚的涼爽期間出現，中午的活動力較低；小昆蟲較不耐低溫，會在環境變暖時才現蹤。

昆蟲與氣溫密不可分

蘇格蘭高地的糠蚊（Ceratopogonidae）總是令人難受，但可以利用牠們對溫度的敏感度對付牠們。糠蚊蓬勃生長的溫度帶相當狹窄，介於不冷也不熱的溫度之間，因此只要你往上爬／向下走，溫度會上升／下降至牠們的舒適圈之外，就能擺脫牠們。

蟋蟀代表了溫暖的氣溫是眾所皆知的事，此外，蟋蟀的聲音頻率與溫度有直接關係。雖然因不同物種而異，但蟋蟀溫度計主要的規則是，在攝氏十三度的環境裡，蟋蟀每秒鐘叫一聲，且此頻率會隨著溫度上升而增加。

在夏天，天氣溫煦、潮溼且微風徐徐，飛蟻會成群結隊地移動。牠們結伴飛過天空，數量多到人們相信「飛蟻日」的存在，飛蟻日說的正是飛蟻同時在全國各地現蹤的日子。不過，正如我們所知，陸地上的微氣候變化甚大，因此知道飛蟻日是個迷思也不該為之震驚，只是某幾個區域的條件正巧在那幾日適合飛蟻出巡。倘若你遇見一大群飛蟻，牠們捎來的訊息是，現在的氣溫大約攝氏十三度，風速低於每秒六公尺。

螞蟻藏著天氣機密？

據某些傳說所言，螞蟻直線移動代表壞天氣即將到來，但我未觀察過也沒有科學理論能佐證這點。

更有趣的是，澳洲原住民有一個習俗，說螞蟻在蟻窩周遭蓋高牆表示大雨將至，西方也有相同的俗諺。之前的章節提過太平洋諸島的居民發現小火蟻（red ant）會在風雨來襲前堵住巢穴，天氣晴朗時則大敞家門，這在西方諺語裡也提過。我還沒觀察到這個現象，但出現在廣泛的文化圈，甚至是兩個信仰社會尚未接觸的時間點就已發展出這種說法，說它沒有參考價值還真不為人所信。

許多科學研究能支持螞蟻對溼度敏銳的觀點：研究人員曾觀察到編織蟻（weaver ant）在熱帶風暴來臨前織網。

其他物種裡，螞蟻、白蟻丘的排列和太陽脫不了關係。澳洲北部，羅盤白蟻（Amitermesmeridionalis）建造了指向北邊的蟻丘而為人所知；蟻丘細細的部分指著中午的日頭，寬闊的部分則指向清晨與向晚的太陽，這有助於調整蟻窩的溫度。

世界上有超過一萬三千種獲得命名的螞蟻物種，牠們都擁有各自的習性，我們要多關注近身物種的行為。

我時常運用一些螞蟻的方式，它們比起天氣更接近自然導航，不過兩者間有許多重疊的部分。在英國，排水性佳的草地經常可見黃土蟻（Yellow meadow ant）的身影，我家附近的白堊山丘就有很多。黃土蟻呈暗黃色，牠們的蟻窩比螞蟻本身有用多了；黃土蟻會將蟻窩向上堆到 0.5 公尺高，較為平坦的那一面通常面向東南邊，可以充當太陽能板，在涼爽的早晨收集太陽的熱量。

——本文摘自《解讀身邊的天氣密碼》，2022 年 10 月，晨星出版，未經同意請勿轉載。

我們從極端的例子中認識許多關於霜的知識，從不會結霜的地方開始吧。

小島嶼及沿海地區甚少結霜，因為海洋帶來了溫暖的空氣。河流附近的無霜帶能一瞥與海洋相同、但尺度較小的現象。我在蘇格蘭北部印威內斯散步時，從距離尼斯河兩公尺左右的地方發現了露水充盈的青綠草地，它與四周閃爍著白色光澤的霜地形成強烈對比。

最低溫製造區

每一個地區都有最嚴酷的霜袋，破紀錄的低溫多從此處產生。無論世界何方，最低溫製造區都有類似的特色，通常居於內陸且在山谷底部。

奇爾特恩丘陵（Chilterns）是著名的例子之一，位於倫敦西北部的小山丘，離倫敦約一小時車程的距離。奇爾特恩丘陵海拔最高峰不超過三百公尺，很難想像這座小山會出現極端的天氣現象，也是這種意料外的極端，使我們懂得更多。

奇爾特恩丘陵的霜坑位於里克曼斯沃斯（Rickmansworth），該地區處於英國倫敦西部的內陸地區，霜的小口袋就在山谷裡，即便這個山谷並非此地區的最低點。

這裡有個奇妙之處，當冷空氣從山丘往凹陷的山谷流動，會受到霜坑另一側的鐵路堤岸阻擋。回想一下冷空氣像糖漿流動的概念，會更容易理解它是如何被阻礙擋下。相同效應會出現在更小的天氣尺度裡。

上午，霜覆蓋了大地，前往書寫本書的林地小屋途中，我停下腳步來研究霜。農田下陷處的霜比高處的霜還要多，但靠近我腳邊的地方有些細微的現象。大顆的薊上覆著一層厚厚的霜，我很享受看著眼前的多刺植物如何成為基甸的羊毛上衣。

貼近地面的葉片阻擋土壤的熱量散失，因此葉片附近的土壤只見得著霜的小碎片。

小草坪上有些許的高度變化，霜避開了較高的地區，更喜歡貼近草坪邊緣地勢較低的草。草坪約二十公尺長（約六十五英尺），高度落差則不超過一公尺（三英尺），卻足以展現出霜的偏好。

草皮和小屋中間鋪著人行磚的地面並非完全平坦，稍早降下的雨水蓄積在一片地磚壓出的淺坑，且在一夜之間結凍。它通透到我一開始以為它是液態的水，也就是一個小水漥，直到靴子的腳尖踩上它打滑後，我才從固體、透明的元素知道它是黑色的冰，或雨淞。

如果你對於在這麼小的尺度裡看到變化感到存疑，堅持眼見為憑，我不怪你。但如果我們看一個人工實驗，可能會帶給你更多信心。

科學實驗顯示，只要一公尺乘上一公尺（三英尺乘上三英尺）的保麗龍盒，就能夠創造出截然不同的微氣候。

經過十個夜晚，盒內的溫度平均約比外面的空氣低攝氏七度。盒子扮演著迷你山谷和隔絕地面溫度的隔熱體，用季節的感覺來形容的話，在黎明時進入盒子，就像在幾公尺內體會從六月到十一月的溫度差異。

我們可以知道為什麼天氣學家清楚表示天氣觀測裝置不能被放在山谷，它完全有道理，但卻也藏起了一部分在我們身邊的豐富天氣。

因霜害發展出的文化

霜對植物具有毀滅性的影響，因此農夫們短時間內就摸出霜的習性。

霜在某些區域可能會引發爭端，巴布亞紐幾內亞（Papua New Guinea）的沃拉人（Wola）偶爾會與鄰近的族群發生衝突，形成了激烈的競爭文化。對手的不幸是他們的快樂，比如敵人受霜袋影響被迫遷移時，沃拉人載歌載舞、大肆慶祝。這種幸災樂禍的行為就稱為「liywakay」。

或許與我們的文化相差甚遠，又或許近在咫尺。可以想像英國村莊內一位獲獎的菜農，在聽到死對頭的作物被冰霜傑克（Jack Frost，是西方民間傳說裡的冬季精靈）搗毀，也會樂得手舞足蹈。

霜袋也說明了為什麼有些山頂的植物會比山下的植物更早冒出葉子。這似乎有點違反常規？但只要我們了解較高處能免於晚霜之害，那聽起來還挺合理的；天寒地凍的霜袋中，幼苗可能全都被凍死。

當我們在寒冷、無雲的星空下露營時，捨棄山谷，移動到較高的地方睡一晚，就能避開最凍人的溫度。

——本文摘自《解讀身邊的天氣密碼》，2022 年 10 月，晨星出版，未經同意請勿轉載。