小透鏡們的魔術- 由模糊而生的清晰 ! Engraved panel casts image on walls

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

近年來，在新課綱推行之下，「素養」這個詞成為熱門關鍵字，「對我來說，素養就是面對世界的行為模式，在面臨問題時，一個人會抱著什麼樣的態度去解決問題。而科學素養就是『像科學家一樣思考』」LIS 科學情境教材（台灣線上教育發展協會）創辦人嚴天浩這麼說。

嚴天浩在大學時開始製作教學影片，最初的動機來自上大學後體會到城鄉差距、資源落差，想藉由線上教材擴大影響力，然而觀看次數卻不如預期。

2013 年起，嚴天浩和夥伴到台東，向「孩子的書屋」負責人陳爸（陳俊朗）請益，並長期蹲點接觸孩子，發現學生們面臨最大的問題不在於「學什麼」，而在於「為什麼要學」，因此意識到若要改變孩子的學習狀態，不能只是單方面灌輸「老師想教的」，而要從學生的需求出發，了解「孩子想學什麼」。

七年來，LIS 拍攝超過 100 支線上科學影片，包括將科學家的思想歷程、時代背景融入角色劇情的科學史，以及結合時事、生活情境的科學實驗，目前已經超過 250 萬觀看人次，也成為全台許多中小學的教材。

這次，LIS 歷時三年研發出一套科學實境解謎遊戲，不只在玩遊戲的過程中學科學，也引導孩子練習「像科學家一樣思考」。

什麼是「像科學家一樣思考」？

過去，我們在國中課本裡學到的科學方法「觀察、提出假說、進行實驗、得到結論」，然而許多學生能對步驟琅琅上口，卻不見得理解背後的邏輯。LIS 分析百位科學家的思考歷程以及參考教育學者的理論，設計出適合培養國小學生科學思維的「科學推理階梯」，共有四個步驟，包括「發現問題」、「聯想原因」、「大膽假設」、「實際驗證」。

嚴天浩坦言，對於國小的孩子來說，他認為最難的在於——第一步「發現問題」，這取決於孩子過去是否累積足夠的觀察經驗，因此，如何訓練孩子觀察是培養探究學習的重點。然而，在沒有老師的引導下，要怎麼讓孩子能聚焦在實驗的現象上，成為開發遊戲過程中的一大考驗，後來，團隊想出了運用 RPG 中的角色對話，設計句子讓玩家將注意力集中在現象上的差異，「當孩子觀察到的與他原本的認知有所不同，產生衝突時才會進而發現問題。」嚴天浩說。

有適當的引導，才能從問題中學習

在發現問題之後，還須激發玩家思索問題的意願，因此在遊戲中便成為一個個解謎關卡，玩家為了破關、練等會主動尋找答案，在玩完遊戲後得到的成就感，會讓孩子對科學產生動機，在未來有自信用這樣的方式去思考、面對問題。

嚴天浩說：「大學時我修過教育學的課，設計課程的第一步往往是『引起動機』，但我們認為應該從遊戲開始到結束的每一個動作，都需要一個『引起動機』，目前玩過這套遊戲的孩子有持續玩過兩個小時以上，玩得越久代表引起的學習動機越強烈。」

了解背後的意義才是學科學

然而，有時在做完實驗後，學生只會記得當時看到的實驗結果或現象，卻沒有把背後的邏輯和原理帶走，關於這部分，嚴天浩分享，「玩實驗」和「學科學」最大的差別在於，是否了解每個步驟的意義，如同以往「食譜式實驗」，照著課本一步一步做，卻不知道為什麼這麼做。

因此，他們把演示型實驗設計成遊戲，將探究歷程拆分成關卡，透過與 NPC 對話帶領玩家思考，並預想玩家可能卡關的地方，就像是在蓋房子時的鷹架，一層層建構、支持，逐漸將學習的責任放回孩子身上，傳統課堂中搭鷹架的角色可能是老師，而在這個遊戲裡，是精心設計過的關卡提示。

讀到這裡，或許你會想問，在探究式的學習中，真的能夠學會「像科學家一樣思考」嗎？

「我認為探究學習中，知識其實只是附帶的。」嚴天浩解釋：「我們想告訴孩子的是，科學家最厲害的並不是他成功發現了什麼，而是他在失敗了那麼多次之後，還是願意繼續努力。」

如果現在的台灣是二十年前教育的結果，那麼 LIS 正在改變的是二十年後的台灣，那時的每個人在面對問題時都能有邏輯地看待、抱著自信的態度去解決，這是 LIS 的憧憬，也是我們對於台灣未來世代的期盼。

• 科學實驗解謎遊戲 募資計畫｜https://bit.ly/3zqyXCR
• LIS情境科學教材 官網｜https://official.lis.org.tw
• LIS情境科學教材 FB｜https://www.facebook.com/Learningissharing
• LIS情境科學教材 YouTube｜https://goo.gl/WCtXjA

• 本文轉載自科技大觀園，原文為《反演水深、判釋水稻田　福衛五號影像多元應用》
• 劉珈均｜泛科學

「透視」海底，用福五影像逆推東沙環礁水底地形

中央大學太空及遙測中心的副教授黃智遠、副教授任玄及副教授曾國欣選定東沙環礁，測試福衛五號影像反演水底地形的能力。成果顯示，在訓練資料品質佳的情況下，以福五影像建置水底地形的精度與超高解析度衛星影像的成果相當，可協助內政部產製電子航行圖、環境監測、生物棲地研究等。 

傳統常以船隻搭載聲納，或飛機搭載光達的方式量測水深，這兩種方式皆須現地量測，精度高，但成本也高，且淺海與爭議水區的量測會受限。多光譜光學衛星影像能穿透約 20 公尺深的潔淨水體，成為廣泛調查淺水域的潛力方式。

要以衛星光譜影像反演水深，仍需收集訓練資料（例如地形的現地量測資訊）當作「教材」，讓電腦建立正確的模式參數。「沒有太多人為擾動影響、卻又要有高品質的訓練資料 ，同時符合這兩個條件的就選東沙環礁了！」東沙環礁有精密的光達測深資料，還有海水潔淨、淺水域面積廣大等優點。

此項技術的訓練方式是，輸入衛星影像各波段數值（主要為透水較佳的綠光波段）及其對應的實際水深訓練網路，網路模式訓練完成之後，輸入目標區域的衛星影像數值，就能推算出每個像素對應的水深資訊。

為了衡量福五影像的表現，團隊也拿超高解析度商用衛星 WorldView2 的影像反演水深，比較兩者成果。福五反演的水深成果精度達 1.62 公尺，雖略遜於 WorldView2 的 1.26 公尺，但相差不遠。

黃智遠解釋，相較於房屋、橋梁等地物地貌，水下自然地形的局部變化通常較小，所以對於衛星影像空間解析度的要求也較低。在反演水深的應用上，使用福五或超高解析度衛星的差異不大，福五反演僅局部區域比實際地形略深。

光譜反演的挑戰在於訓練資料蒐集困難，不過，透過衛星影像產製水深還有另一種稱為「立體對測量」的方法。福衛五號可以對地「立體取像」——人的視覺因左右眼視角差異而能感知立體，資料也能整合不同角度的衛星影像產生視差，萃取出目標物的數值地形模型，再以此當作訓練資料，進行模式訓練、反演水底地形。

過去團隊與內政部合作，在東海南海的許多島礁進行水深反演，已累積起一套決策樹，考量目標區域具備的資料庫、資料品質、成本等，可為不同地區挑選、整合不同的水深產製方式。

雙衛星搭檔，提高水稻田判釋精度！

水稻田分佈判釋是行政院農委會農糧署年度重要工作項目，農糧署與臺灣大學理學院空間資訊研究中心教授朱子豪、遙測及資料加值組組長張家豪合作，以福衛五號影像結合合成孔徑雷達衛星影像判釋水稻田，正確性達 92%，大幅提高偵測精度。 

由於雲林有充足的基礎資料可供驗證與訓練模型，研究團隊選定雲林做為研究區域，試驗福五的影像用在水稻田判釋可達多少能力。 

團隊使用福衛五號影像，搭配 22 組歐洲太空總署合成孔徑雷達衛星「Sentinel-1」的開放資料，並試驗了三種方法：僅使用福五（光學）影像、僅用雷達影像、兩者相互搭配。結果顯示，整合兩者的效果最好，判釋正確性最高可達到 92%，高於單用光學或雷達影像的 90%、80%。

「光學衛星最大的限制就是雲！」雲會遮擋目標、影響判釋，而農作物判釋的取像時機又相當關鍵，取像時有雲就沒輒了；合成孔徑雷達衛星會主動發射微波到地面再接收反射波，可穿透雲層，不受雲覆與日照影響，可補強不同時期影像，取得水稻田從插秧、成長、結穗的時序變化資訊。

本研究的突破在於，只用了單一分類器全自動判別的條件下，偵測精度大幅提升，更是首度只用一個時間點、單張光學影像就達到了。團隊對此也相當興奮，「可能因為福五當時在 11 月取像，剛好是水稻結穗時，影像特徵與其他作物差異較大。」張家豪解釋。 

推測了面積，可以進一步推估產量嗎？「一公頃稻作能收成 1,000 公斤或 4,000 公斤，有太多因素影響了。」朱子豪說。溫度、溼度、施肥、天災、病蟲害等都會影響收成，此類研究在平遂的情況下可大致估產，尚難達成精確估產。

掌握物候特徵是判釋關鍵

未來若要擴大範圍，判釋全國水稻田面積，由於各地農民栽種時序、田間管理多變，如何選擇適合的取像時間會是一大挑戰；若要擴展到判釋其他作物，則得視其生長特徵進行更多的分析比對。

張家豪舉例，判別柑橘類的常年果樹、葉菜類極困難，果樹在光學影像上看起永遠是綠色一片，也無足夠的栽種方式差異、生長週期特徵和其他特性可區辨；檳榔、椰子、香蕉從空中看都是放射狀葉片，雖可參考栽種密度與高度，但影像的空間解析度也得提高至 60 公分才能精確判別；蔥、蒜皆屬旱作，需要空間解析度優於 60 公分的影像，搭配如地區性栽種時序、田埂排列鮮明的地表特徵，有機會判釋成功，「但要是田裡混作個青江菜，就分不出來了。」

梅樹是另個成功案例，它在 12 月下旬會落葉，隔年 2 月開花長葉結果。團隊曾執行判釋南投水里梅樹的研究，標定幾個時間取像，「若有某個區域在十月是綠葉、入冬出現裸露地特徵、然後變得白白的（開花）、四月又出現綠葉，那就很可能是梅樹！」但李子與梅樹的影像呈現類似，生長期也相近，要是沒在生長期重疊前順利取像，就會混淆兩者。

以衛星影像判釋作物不光是直白的「看照片」或分析光譜，掌握作物的「物候特徵」才是關鍵。