高速攝影機常常揭露一些意想不到的神秘行為，這影片是利用10000FPS的攝影機拍水珠落入水面的情況。因為電視廣告，應該很多朋友都知道當水珠掉落水面的時候，會有反彈的水柱，這樣的行為其實在隕石撞擊上也有，但是比較少人知道的是，當水珠夠小的時候是可以在水面上直接彈跳的！
反應就像皮球掉到地面一樣，水珠本身不進入水，只在上面彈跳，也不太改變水面的屈度。這裡面牽涉到很多物理，主要的原因是水珠跟水面之間有一層空氣存在，當水珠越來越小的時候，這層空氣對水珠的影響也越大。如果水珠想要進入水面，就必須把這層空氣給排除，但是因為水珠的動態跟水面表面張力彈性的動態都太快，所以還來不及把空氣都排除，反彈就開始了，這樣一來水珠就會在水面上跳了。
這影片最後有拍到這樣的現象，其實經過好的設計(例如震動液面)，是可以看到液體一直都在液面彈跳的狀態喔！
http://www.youtube.com/watch?v=6KKNnjFpGto
本文原發表於科學影像Scimage[2010-12-15]
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。
不少影視作品，善用水滴暗喻流淚。離散的場面哀戚，暗夜裡風雨飄搖。雨絲打在窗上，衝擊著觀眾敏感的心。主觀鏡頭宛如主角的目光，透過玻璃望向遠方。可是任誰都無法忽略，前景那一顆在表面移動的雨滴，默默地、緩緩地滑到一半，止住了。雨過天晴，窗外的玫瑰花瓣托著晨露，晶瑩剔透，水珠怎麼飽滿，也沒溜下來。如此揪心的情緒渲染，倘若換作荷葉或鐵氟龍鍋具，效果肯定蕩然無存。稍稍傾斜，便把持不住一滴，三兩下流得乾乾淨淨，不著痕跡。於是，被騙得一把鼻涕一把淚的觀眾，拭乾雙眼，體會刻骨銘心：摩擦力大的表面，即使垂直，水滴也可能攀附；摩擦力小，則些微的斜度，就會流失水滴。[1]
想留住水滴，就如同要挽回即將離去的戀人，免不了得談客觀條件。芬蘭阿爾託大學（Aalto University）和于韋斯屈萊大學（University of Jyväskylä）合作的團隊，在《自然化學》（Nature Chemistry）期刊上，介紹新創塗料時，列出下面 4 個影響水滴流動的要素：[1]
水滴對固體表面的依附，使它處處惹人嫌。比方說，在汽車的擋風玻璃，以及先進駕駛輔助系統的鏡頭上，會妨礙視線，干擾行車安全。[7]常言道：「所有感情問題，一律建議分手。」研究團隊想利刀斬孽緣，則所開發的塗料，要能有效減少物體表面的接觸線摩擦力，使水滴在上頭「站不住腳」。過往的研究認為，關鍵是降低形貌或化學的異質性。[1]
研究團隊調節時間、溫度和水份等變因，讓疏水性的辛基三氯矽烷（octyltrichlorosilane），在親水性的二氧化矽（SiO2）板上，自然「生長」成自組裝單層膜（self-assembled monolayer）。[1]無論這層膜在矽板上的密度低，也就是表面大多都是二氧化矽；或者密度高，即辛基三氯矽烷佔多數，都可以視為異質性低的情形。反之，若表面密度中等，則異質性高。理論上，異質性低對削弱接觸線摩擦力有幫助，但是研究團隊認為塗料密度低的時候，表面親水性過高，效果可能不彰。[1, 8]
然而實驗結果有些出乎意料：當這層膜在矽板上的表面密度較低，水竟然自由地於塗料的分子間流動，很容易滴落；而表面密度高時，水則停留在塗料上面，也可以輕易滑下來。唯有介於兩者之間，水才會緊巴著矽板。[1, 8]
芬蘭研究團隊的成品，應該是目前全世界最滑溜的塗料，防潑水的能力超級好。[8]麻煩的是厚度太薄，耐用性有待提升。將來如果成功改善，有望廣泛運用於除冰、抗霧、暖氣管線等諸多方面。[1, 8]
1874 年 10 月 17 日，劇評家拉金斯 (Major Larkyns) 走到平常玩牌的俱樂部門口時，一個人影擋在他面前。他警覺地問道：「你是誰？」人影冷冷地回答：「我叫邁布里奇，這是我老婆給你的回覆。」說完舉起槍朝他的胸膛開槍，拉金斯倒地不起。邁布里奇怔怔望著地上這個讓他戴綠帽的男人，直到警察前來逮捕。
俯首認罪的邁布里奇原本已準備接受法律制裁，沒想到企業大亨史丹佛（Leland Stanford, 沒錯，就是他創立了史丹佛大學）竟找了三位舊金山最厲害的律師來幫他辯護。律師與他討論辯護策略時，順便帶來一則口信：「史丹佛先生還等著你完成兩年前委託你的任務哪！」
邁布里奇沒有忘記。兩年前他已是小有名氣的攝影家，因此史丹佛找他去時，他原本以為是要幫他個人或家族成員拍肖像照，不料史丹佛開口竟然問了一個讓他丈二金剛摸不著頭腦的問題：「馬在奔跑時，四隻腳會同時離地嗎？」
他怎麼會知道？也不會有人知道吧；馬跑那麼快，根本不可能看得清楚。史丹佛先生說他相信答案是肯定的，希望邁布里奇幫他證實這一點。他可以提供賽馬和所需的資金，邁布里奇只要發揮他的攝影技術就行了。
史丹佛先生也未免想得太簡單了！一來底片曝光需要時間，再則每次拍完就得抽換底片，哪可能清楚拍到馬騰空的瞬間？但在史丹佛的堅持下，加上他自己也頗有興趣挑戰，他還是答應了。如今他身陷囹圄，又罪證確鑿，史丹佛先生真的相信他還有機會完成這項任務？
四個月後，陪審團接受邁布里奇是因為之前腦部意外受傷而性情丕變，害怕失去妻子才憤殺姦夫，算是正當防衛故予以無罪釋放。邁布里奇也開始著手改進相機的快門速度與底片上的感光劑，終於在 1878 年 6 月 15 日這一天，他用了 24 台相機，間隔 69 公分沿著跑道排成一列；跑道另一側則豎起標了距離的布幕作為背景；每台相機的快門綁上細線拉到跑道上由馬腳觸動，而成功拍下馬奔跑的分解動作，證實馬的四隻腿往內縮時同時離開地面──而非一般人所以為的在四肢伸展時離地。
邁布里奇完成了史上首次的高速攝影，之後還幫賓州大學拍了超過十萬張的相片，分析人類與各種動物的動作。高速攝影與顯微鏡分別在時間與空間上讓人眼得以突破生理上的限制，使我們大開眼界，更能看清萬物的本質，可說是科學史上相互輝映的重要發明。
邁布里奇也是定格動畫的鼻祖。他發明了環狀的「跑馬燈」(Zoopraxiscope)，放上馬奔跑的定格相片，旋轉之後就會宛如看到馬在奔跑的影片（這應該就是跑馬燈這名稱的由來），而成為電影放映機的原型。
從英國移民來美國，在一次騾車意外中頭部受傷返回英國休養而學會攝影，因此回到美國後從書商轉為攝影家，又從殺人犯變成重要的發明家。邁布里奇戲劇化的人生完全就像一部電影呢！
本文同時收錄於《科學史上的今天：歷史的瞬間，改變世界的起點》，由究竟出版社出版。
