時間的軌跡：現代都市中的巨石陣

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

F 編按：本文編譯自 Live Science

每到歲末或年初時，大家常會打開新的行事曆，做新一年的計畫。從直覺來看，我們常以「一年有 365 天」或「閏年 366 天」的概念衡量時間。如果將 365 天除以 7（每週 7 天），得到的答案約是 52 週又 1 天；若遇到閏年（366 天），則是 52 週又 2 天。換句話說，無論是一般年還是閏年，一年都不可能整除，剛好 52 週，總要多出 1 或 2 天。

對多數人而言，這種「約 52 週加 1 天」似乎是再自然不過的事。然而，實際上人類在訂定「一年幾天」與「多久閏一次」的規則上，一路走來經歷了漫長探索與爭議。自古以來，不同文明先後採用依太陽或月亮運行週期為基準的曆法；儘管最終各國大多轉而採行以太陽週期為主的格里高利曆（Gregorian calendar），但並非一蹴可幾，而是一段包含宗教、政治、天文觀測的故事。

從洪荒到曆法：人類如何決定時間單位

追溯人類對時間的測量，可遠至一萬多年前：考古發現顯示，澳洲原住民或新石器時代的部落，便會根據太陽、星象的移動，來推算季節變遷與祭典進行。後來，隨著農業興起，區分一年四季並掌握耕作節氣成了首要需求，日曆的概念亦逐漸成型。

• 宗教推力：古埃及與蘇美等文明常需要在特定時刻進行祭祀或儀式，故對晝夜長短、月相週期乃至每年太陽位置頗為講究。
• 日月曆法之爭：有些文明依月亮週期（約 29.5 天）為月數基礎，稱「陰曆」；也有採納太陽年度（約 365 日）稱「陽曆」，或折衷稱「陰陽合曆」。

就週數而言，古人或許更關注「每個月有幾天」與「一年有幾個月」，而非「一年到底可以分成幾週」。然而，週的概念在很多宗教與文化裡同樣重要，如猶太教及後來的基督宗教都強調「七天」一週之體系，用於安息日或祈禱輪替。因此，當今的一年分成「52 週多幾天」，也綜合了宗教傳統與太陽年的計算。

朱利安曆失準？教宗格里高利的關鍵校正

現行國際普及的格里高利曆，最早源自於古羅馬朱利安曆（Julian calendar）。公元前 46 年，凱撒大帝（Julius Caesar）在天文學家蘇西根尼斯（Sosigenes）建議下，設定一年 365.25 天，並每四年加一天作閏年。看似精妙，但實際上太陽年長度約是 365.2422 天，每年多出的 0.0078 天、也就是大約 11 分鐘，雖然聽來微乎其微，卻在一段世紀之後累積成巨大的誤差。

對天主教而言，耶穌受難與復活日期影響了整年眾多教會節日。若曆法逐漸偏移，像復活節等慶典便逐年脫節了季節原意。至 16 世紀末時，朱利安曆已誤差累積多達 10 天。教宗格里高利十三世遂在 1582 年宣佈大刀闊斧改革：10 月 4 日的次日直接跳到 10 月 15 日，並規定「百年年份如若非 400 整除，則不列為閏年」。如此，將一年的平均時長微調至更貼近 365.2422 天。

一些國家如法國、西班牙和義大利等迅速採納「新曆」，但英國則因宗教立場等因素拖延至 1752 年才肯切換。中國雖在 1912 年起算是「正式認可」，但廣泛實施延至 1929 年。這樣因曆制修整所產生的「失落日子」，在各國各時期都曾引發不小民眾抗議與混亂，但如今我們所熟知的「一年 365（或 366）天、每週 7 天」全球大體一致，正是拜此改革所賜。

一年是 52 週又幾天？

回到主題：基於現在格里高利曆的「年」長度，一般年 365 天，閏年 366 天。因此只要把 365 ÷ 7 = 52 餘 1，或 366 ÷ 7 = 52 餘 2。這樣看來，52 週是某種近似值，再加上 1 或 2 天則填補了週數的縫隙。有趣的是，人們日常生活中往往不深究這些「多一天」會落在哪裡，反而透過各國法定假期、節日分布或企業排班，來靈活因應。

不管日曆如何安排，七天一週與太陽一年的 365.2422 天本質上不會整除。因而實際執行層面，才衍生「一月有 4 週多幾天」或「一年 52 週多幾天」。而根據格里高利曆規範，每 4 年遇到 2、6 結尾者時通常加閏日；再以百年刪除閏日，唯獨 400 年倍數的百年不刪。如此 400 年中有 97 個閏年，非 100 次，年均值約 365.2425 天，與真實太陽年極為貼近。

再度修正：米蘭科維奇曆與東正教的調整

與此同時，一些東正教教會或科學家，仍曾嘗試做更精準的校調。例如 1923 年出現的「米蘭科維奇曆」，由塞爾維亞天文學家米蘭科維奇（Milutin Milanković）提出：

• 改進閏年規則：如果該年不是 100 的倍數，則正常計算；若是 100 的倍數，就得看除以 900 所餘下的數是否為 200 或 600，若是，則跳過閏年。
• 應用範圍：此一方案被視為更貼近天文年，但只有部分東正教教會接納實施，對全球世俗時間並未產生重大影響。

有趣的是，若米蘭科維奇曆被大規模推廣，平均一年長度會更符合真實太陽年，但世界各國基礎已扎根於格里高利曆，也不太可能再冒然重新改革。畢竟，每次曆改都會使官方紀錄、民間活動和宗教節慶產生協調難題，且大眾的社會慣性早已落實在現行制度裡。

時間計算背後宗教、政治與科學的糾纏

我們眼中的「一年 52 週又 1~2 天」其實是長期政治、宗教、科學交互影響的產物。數世紀以來，不同文明為祭祀、政令或貿易往來而反覆調整曆制；伴隨天文觀測與數學演算的精進，人們才一步步從古老的朱利安曆轉到格里高利曆，避免每年多出一些看似微不足道的分鐘數量，卻逐漸累積成整天的時差。在這些爭論、改革中，週數雖非爭議焦點，但它一同被帶入今日世界，最終定型為「一年 = 52 週 +1（或 2）天」。

另一方面，有些文化或地區在現代仍維持傳統的陰曆、陰陽曆搭配格里高利曆，如中國農曆可見節氣和月相紀錄；穆斯林世界則使用純陰曆，並以其方法計算齋戒月、開齋節等。全球一體化雖使格里高利曆成為主流，但不代表其他紀年方式就此消失。在各種曆法交錯下，「一週幾天，一年多少週」或許並非普世絕對，卻是人類根植於宗教、科學與經濟行為下逐漸形成的共識。

踏入 21 世紀，隨著全球高度互聯與商業活動頻繁，幾乎所有國際公約、金融市場、交通規劃都以格里高利曆為基準。此種高度一致有利經貿往來與跨國協作，但究其根源，私底下仍有一種「不完美但通用」的妥協性質。時至今日，要再度大規模推行新的曆制（比如米蘭科維奇曆）的機率微乎其微。

也許未來某天？

不管你是否每天翻開行事曆查看日期，或是習慣智慧型手機提醒，在全球主流價值裡，「一年 52 週又 1 或 2 天」已成幾乎不容置疑的常識。

也許未來仍有理論家建議以更精準的曆法取代格里高利曆，讓一年日數更貼合天文常數。然而，歷史經驗告訴我們，此種改革勢必付出巨大社會成本，還要面對全球龐雜的政治協調。最終，我們大概仍會安於現在這個略有瑕疵卻普及度最高的制度，繼續說著「一年有 52 週」，並在每年最後那 1 或 2 天裡，慶祝跨年、增添慶典。

不論如何，時間的運行永不止息；地球仍舊繞著太陽旋轉，帶給我們四季遞嬗與新的挑戰。或許最重要的並非究竟一年「整除」了多少週，而是我們如何在這既定框架下規劃生活，在有限的時間裡，拓展出新的生活軌跡。

時間不再絕對？牛頓與愛因斯坦的時間觀差異

川村老師，請用簡單的方式告訴我「相對論」是什麼？

老師：狹義相對論源自相對性原理（Principle of relativity，指物理定律〔Physical law〕適用於所有以等速直線運動的物體） 與光速恆定原理。根據這個理論，時間是相對的，依不同觀察者而有所差異。牛頓力學中的時間是絕對的，愛因斯坦則認為，可依不同的觀察者位置對時間進行不同定義。

老師：之前在討論「力」時，也提過離心力。離心力是「慣性力」的一種，慣性力指物體在加速運動時感受到的與加速方向相反的力。置身在沒有窗戶的電梯中，當電梯向上加速，電梯內的人會受到向下的慣性力（譯注：因看不到外面，使得他無法判斷電梯的運動情況）。若加速度為 g，物體質量為 m，則物體所受慣性力為 mg，與在地面所受的重力 mg 相同。愛因斯坦無法區別這兩種 mg 的差異，所以視為等效。但無論慣性力的方向為何，物體都會往向量合成後的視重力場方向掉落。

時間在任何地方都固定不變嗎？

世界上最快的速度是光速。物體的移動速度若接近光速，它的時間進程就會變慢。也就是說，在接近光速的太空船上，時間會變得悠長。而且，接近光速的物體長度會朝行進方向收縮。

物體只要具有質量，即使在靜止狀態依然擁有能量（其能量 E ＝ mc²），稱為靜止能量（Rest energy）。

提到光的運動，我們已經知道光的路徑會彎曲。

1919 年，天文學家觀測到恆星發出的光線在經過太陽附近時被偏折，這種現象稱為「重力透鏡效應」（Gravitational lens），有助於了解黑洞等宇宙中質量分布的情況。此外，天體物理學家也觀測到時間的延遲。簡而言之，接近地面的時鐘行進速度會比高處的時鐘慢，GPS 也是依據這種效應來進行校正。

時間

牛頓力學中的「時間」（也就是我們一般理解的時間）和相對論中的時間大異其趣。牛頓在《自然哲學的數學原理》（Philosophiæ Naturalis Principia Mathematica，1687）中，假設空間是均勻平坦的；從過去到未來，在任何地方都平均延伸。在牛頓力學中，全宇宙的時間一致。

但相對論否定了這一點。

光速恆定原理指出，光的速度是固定不變的。這種狀況下，空間中不同地點發生的兩件事，對某個觀測者來說是同時發生，但對另一參考系的觀測者而言則非同時發生。也就是說，時間的前進速度並非在任何地方都相同。因此，時間和空間不能視為各自獨立的兩回事，應該一體化，視為四維空間（時空，Spacetime）。

不過，這是指物體移動速度接近光速時的情況。日常生活中，使用過去的時間觀不會有任何問題。

黑洞

黑洞（Black hole）是一種天體，因為密度極高，重力極強， 不只物質，連光都會被吸進去，無法逃逸。天體是宇宙中所有物體的總稱，具體來說，指太陽、恆星、行星、星團、星雲等。從相對論來看，黑洞周圍空間是扭曲的。照以下方式想像應該會比較容易理解：

把重物放在一大塊展開的薄橡皮布上，放置處就會凹下去，而這塊凹陷會影響到周圍。同樣的，黑洞所在之處會發生猛烈的空間扭曲，經過附近的天體會被極強的重力吸引，落入其中，連光也難逃魔掌。

銀河系有許多黑洞，但具體數字不詳。2019 年，一個跨國研究計畫團隊首次拍攝到黑洞的「影子」，掀起一陣討論熱潮。

——本文摘自《物理角色圖鑑：用35個萌角色掌握最重要的物理觀念，秒懂生活中的科普知識》，2024 年 9 月，漫遊者文化，未經同意請勿轉載。