彩色相機一直以來感光的極限都受限於因為要彩色成像，需要有不同的感測區塊加上濾片來測不同顏色的光，所以每個像素上的光很多都被浪費了。
以往的一個解決方式是利用分光鏡把不同波長的光投影到不同的CCD上，所以有所謂三CCD的攝影機。但是這樣的解決方案成本太高，無法普及。現在有公司開發出放在像素前的小分光器，可以把不同顏色的光導向不同的畫素，這樣一來就沒有因未使用濾鏡而被浪費的光，也可以整合進目前的感光元件設計。
這種小分光器的設計是利用光在小結構傳播時有波動的特性，所以不同波長的光的傳播對尺度很敏感，只要經過仔細的光學運算就可以設計出讓不同的光走不同路徑的微分光器。實際的裝置有設計出紅色跟藍色的分光器，可以把紅色跟藍色的光分到周圍的像素，也開發出了新的光學計算軟體。這樣的新型感測器或許有一天就會用在新的相機上，讓相機有更高的感光度跟夜拍的能力！
轉載自 Scimage 科學影像
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。
當我望著無邊無際的蔚藍海洋、聽到浪花聲、感受微風的輕拂，喜悅地回想起和好友在此旅行的回憶，並決定拿起手機拍下眼前的美景，我是如何感知世界、如何儲存與提取記憶？我的情感、思想、決策與行為是如何發生的？這些心智行為的奧秘藏在擁有 860 億個神經細胞的大腦，是我之所以為我的關鍵。
究竟大腦如何運作？這些神經細胞是如何透過彼此的連結與交互作用產生進一步的功能？進入 21 世紀以來，美國、歐盟、日本、中國等紛紛成立大型且長期的腦科學研究計畫，企圖揭開大腦的奧秘。
我國科技部也推出「台灣腦科技發展及國際躍升計畫」，整合既有研究能量與專業人才，期望建構模式動物至部分人腦的腦神經網路結構及功能圖譜，並帶動腦部疾病的精準醫療。
想要全面分析大腦的結構與訊號，解開單一或一群神經細胞的連結情形，精良的觀測工具是其根本，因此臺大物理系教授朱士維致力研發先進的光學顯微鏡技術。
朱士維表示，常用於醫療的影像技術，像是正子造影（PET）、磁振造影（MRI）、超音波等，雖然可以穿透很深的物體，但是解析度不夠高，無法看到單一細胞；而解析度極高的電子顯微鏡穿透深度卻很小，只能看到表層。光學顯微鏡恰好介在中間，適合用於研究小動物的腦。近期，朱士維的跨領域團隊發表了數個嶄新的顯微技術，分別在解析神經訊號和結構有了重大突破。
首先，研究團隊發表了「高速體積成像系統」，是全球第一次可在活體果蠅腦中以毫秒解析度取得神經結構 3D 高速動態影像！
「高速體積成像系統」是由雙光子顯微鏡與「可調變的聲波漸層透鏡」（TAG）結合構成。拍攝二維的動態影像並不稀奇，厲害的是，研究團隊如何把二維變成三維？關鍵就在於「可調變的聲波漸層透鏡」。由於液體透鏡的密度，會決定光的折射率，進而影響焦距的長短，研究團隊透過壓電材料激發液體透鏡共振，當透鏡的密度不斷變化，焦點也會快速移動，其振盪頻率可高達 100 kHz – 1 MHz，也就是說，在 10 萬分之一秒以內即可完成焦點的來回移動。
一般雙光子顯微鏡每拍攝一次只能拍到水平面（xy 軸）的像素並組成二維影像，若加上「可調變的聲波漸層透鏡」組成「高速體積成像系統」，即可同時進行深度（z 軸）的來回掃描，在同樣的時間內拍攝出一個包含各個深度的體積三維影像。
這項強大的技術對於研究神經與神經之間的功能性連結非常有用，譬如說，想了解果蠅如何處理嗅覺訊號，我們可以給果蠅聞一種特殊氣體，以「高速體積成像系統」綜觀其腦，即可找出此特殊的嗅覺刺激會引發哪些下游神經反應。接著，選擇想深入研究的神經，將拍攝範圍鎖定在該神經所在的區域，便可以毫秒時間解析度與微米空間解析度，追蹤訊號在這些神經細胞之間的傳遞順序。
朱士維表示，「高速體積成像系統」的突破之處，在於可以於腦中劃定任意形狀的空間，並以毫秒等級的時間解析度，看見目標神經中各個神經細胞的電生理動態行為。
研究團隊更進一步發展光學神經激發系統，用光精準地刺激個別神經，再透過「高速體積成像系統」，輔以自動化影像分析，精準定位有反應之神經區域，做到「全光學生理」觀察（all-optical physiology）。目前已成功解析果蠅的視覺神經迴路中，上下游的神經連結與編碼模式。
「高速體積成像系統」以高速動態影像研究神經細胞功能上的連結，為建立果蠅的「功能性全腦連結體（connectome）」提供強而有力的工具。
此外，在結構解析方面，顯微鏡光是能看到神經細胞還遠遠不足。神經細胞有樹突、軸突等向外延伸的纖維，有些纖維寬度只有 100 奈米，當兩條神經纖維緊鄰彼此，需要小於 100 奈米的解析度才能將它們區分開來。而且，神經纖維常常延伸至很遠的地方與其他神經細胞連結，因此顯微鏡的穿透深度，還須深至腦的最底層。
朱士維團隊發表了「深組織超解析光學技術」（Confocal lOcalization deep-imaging with Optical cLearing, COOL），在果蠅全腦中達成 20 奈米的超高空間解析度，剖析腦中神經的細微結構，能分辨出相鄰或彼此纏繞的神經纖維，藉以判斷神經連結的路徑。
「深組織超解析光學技術」結合了四個關鍵技術，包含「螢光蛋白標定」、「共軛焦掃描顯微鏡」、「光學組織澄清技術」以及「定位顯微技術」。
「定位顯微技術」是 2014 年諾貝爾化學獎的得獎項目，透過操縱螢光分子輪流放光，再分別計算螢光分子的中心位置，打破光學顯微鏡的解析度極限，大幅提高解析度至接近 20 奈米。「光學組織澄清技術」則是江安世院士發明的 FocusClearTM 試劑，因其獨特的化學配方，讓生物組織各部位的折射率一致，呈現透明狀態。
朱士維團隊找出可適用於腦組織的螢光分子並改善其放光能力，成功將定位顯微技術應用在果蠅腦，並且透過光學組織澄清技術讓腦組織透明化，減少組織的散射與像差，提高穿透深度，以及利用共軛焦掃描顯微鏡一層一層地掃描不同深度的影像。最終，組合成三維的超高解析影像。
這項技術最厲害之處在於可穿透厚度約 200 微米的果蠅腦，在果蠅全腦皆達成 20 奈米的解析度，可應用在建立果蠅全腦的神經連結網路。
這些研究成果仰賴跨領域的團隊，除了朱士維，還有清華大學腦科學研究中心主任、中央研究院院士江安世、中研院物理所副研究員林耿慧、清大工程與系統科學系副教授吳順吉、清大生醫工程與環境科學系助理教授朱麗安、捷絡生技公司執行長林彥穎等人，共同參與研究。
諾貝爾生醫獎得主 Sydney Brenner 曾說：「科學的進展往往是始自新的技術」，腦科學作為 21 世紀科學界的兵家必爭之地，顯微技術的研發重要性不言可喻。朱士維團隊在動態的神經訊號與靜態的神經結構，皆發展出相應的顯微技術，可說是為腦科學領域開拓出令人期待的嶄新未來。
我們打開Nikon D600，檢查其內部組件
D600是Nikon出產的全片幅數位單眼反射式相機（DSLR），旨在提供消費者一台具備專業性能但價格平易近人的相機。
拜大小為35.9×24公釐的CMOS感光元件所賜，它的畫素高達2430萬像素。與D600價位相近的款式通常感光元件只有其一半或四分之一大，這是由於傳統的全片幅感光元件成本相當高，導致每一片矽晶片可生產的感光元件數量較少。
以全片幅感光元件擷取的圖像由EXPEED 3成像引擎處理。EXPEED 3是內含多中央處理器（CPU）的媒體處理器，可以執行多重任務，例如色彩再現、灰階處理、影像銳化、伽馬校正和壓縮等。由於有多CPU，EXPEED 3成像引擎能夠平行執行多項任務，因此相機連拍速率可每秒高達5.5張。
與其他同樣高級的全片幅相機相較，D600最重要的特點是它輕便的設計──體積為14.2×11.2×8.1公分，重量也輕。而輕便背後的奧祕在於整合雙SD卡插槽，並選用體積較小的內部晶片和電板。
何謂全片幅？
全片幅單眼相機的感光元件相當於35mm底片的大小，主要優點是以全片幅感光元件拍攝的影像範圍較一般感光元件來得大，因此畫面不會被裁切，拍攝到的角度也更寬廣。舉例而言，一個24mm的鏡頭若是裝在全片幅相機上，則可拍攝到視角84度的影像，而焦距轉換率為1.5的一般相機則只有62度。除此之外，全片幅相機能應用於較大的感光點，進而取得更寬廣的動態範圍與更低的雜訊，因此影像即使過曝仍能保留細節。
本文節錄自《How It Works知識大圖解 國際中文版》第04期（2015年1月號）
更多精彩內容請上知識大圖解
狐禪
