元素週期表又添新丁啦

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

「氫鋰鈉鉀銣銫砝、铍鎂鈣鍶鋇镭…」相信很多人離開高中很多年，都還朗朗上口。

列著 118 種已知化學元素的「元素週期表」（Periodic Table），雖然唸起來像咒文，但有了它之後便能夠快速查詢原子序（proton number）、價電子（valence electrons）數量，以及元素可能的化學性質，成為各領域科學家與工程師設計實驗、預測物質反應必不可少的工具。

有趣的是，元素週期表並非一蹴可及。縱觀歷史，化學家們歷經數世紀的摸索、爭論與資料整理，才在 19 世紀後半葉逐漸確立。

週期表之父：門得列夫的突破

19 世紀中葉，已知的化學元素約有 63 種，許多化學家嘗試找出元素間的共同點，卻苦無系統性整理。當時能區分「金屬」與「非金屬」，或利用價電子概念將一些元素歸類，但要涵蓋大多數元素仍顯不足。俄國化學家門得列夫在撰寫《化學原理》教科書時，因接觸各元素的資料而產生新思路。他索性把已知元素各種性質寫在紙卡上，再一一比對它們的原子量（類似當今的原子量或原子序概念）與化學性質。

確切的靈光乍現時刻，如今已無從完全重現，但我們知道門得列夫最後觀察到：「如果按照原子量（或後來的原子序）由小到大排列，某些化學性質就會呈週期性重複。」進一步來看，元素的價電子數量通常也會對應到表格的「欄位」或「族群」。於是，在 1869 年，他將研究結果發表，提出了第一版週期表的雛形，更大膽預言了尚未被發現的元素「eka-aluminium」（後來證實即鎵 gallium）及其他四種元素的性質。

讀懂週期表：原子序、符號與原子量

今日的週期表之所以能快速讓人獲得豐富資訊，關鍵在於三個核心欄位：

1. 原子序（Atomic Number）
   代表該元素核內所含質子數。如果一原子核有 6 顆質子，就必定是碳（C），無論其他中子或電子數如何。此序號由上而下、由左而右遞增，貫穿整張表格。
2. 元素符號（Atomic Symbol）
   多為一至兩字母縮寫，如碳（C）、氫（H）、氧（O）。但也有如鎢（W，因「Wolfram」得名）或金（Au，取自拉丁文「Aurum」）等較不直覺的符號。
3. 原子量（Atomic Mass）
   表示該元素在自然界中各同位素的加權平均值，故通常是帶小數的數字。對合成元素則標示最常見或最穩定同位素的質量，但由於這些元素壽命極短，數值往往會被不斷修正。

舉例來說，硒（Se）在週期表中顯示原子序 34，屬於第 4 週期、第 6A 族，表示它有四層電子軌域，其中最外層（價電子層）有 6 顆電子。有了這些資訊，科學家可快速判斷硒的化學傾向、可形成何種化合物，乃至於在生物或工業應用中可能扮演的角色。

週期表的內部結構：週期、族與軌域

門得列夫最初按照原子量遞增排列元素，現代則依靠原子序（即質子數）來分類。橫向稱為「週期」（Period），從第 1 週期到第 7 週期；縱向稱為「族」（Group），目前總共有 18 組。週期數量在於顯示該元素電子軌域有幾層；而同一族則代表外層價電子數相同，故有相似化學性質。

例如，第 18 族常被稱作「貴氣體」或「惰性氣體」，如氦（He）、氖（Ne）、氬（Ar）等皆不易與其他元素起反應。另一個顯著群體是位於第一族的鹼金屬（Alkali Metals），如鋰（Li）、鈉（Na）等，因外層只有 1 顆電子，極容易失去該電子而形成帶 +1 價的陽離子，故與水猛烈反應。

此外，在表格中央有一塊「過渡元素」（Transition Metals）區域，包括鐵（Fe）、銅（Cu）、鎳（Ni）、金（Au）、銀（Ag）等。它們具有部分填充的 d 軌域，使得該區域的元素呈現多樣性質，例如具有金屬光澤、可塑性或導電性等，被廣泛應用於工業及工程領域。

再進化：從 63 種到 118 種

當門得列夫在 1869 年發表週期表時，已知元素只有 63 種，表格中甚至留有空白以預留「未來或存在尚未發現的元素」。他果然預測到了鎵（Ga）以及日後證實的日耳曼ium（Ge）等新元素性質，贏得舉世矚目。隨後，有越來越多元素透過科學發展，尤其是光譜分析與放射性研究而被發現，例如鐳（Ra）和氡（Rn）等。

到 20 世紀後期，隨著粒子加速器的誕生，人類可以合成更重的超鈾元素（Atomic Number > 92）。這些人工合成元素往往極度不穩定，壽命僅能以毫秒或微秒計，但仍證實存在、並填補週期表後段空白。如今，週期表已收錄到第 118 號元素「鿆（Og，Oganesson）」，但科學家預測或許還能繼續向上延伸；只要能合成更重、更穩定的原子核，我們就能拓展週期表的新邊境。

一般認為，隨原子序遞增，原子核內部的質子數目激增，原子愈趨不穩，往往在極短時間內衰變成較輕元素。然而，一些理論物理學家提出「島狀穩定性」（Island of Stability）的概念：也許在某特定質子與中子數量組合下，能出現意外長壽的「穩定」重元素。

是否真能在表格上方再增添「第八週期」甚至更高週期的列，仍有待更多實驗來驗證。但無法否認的是，週期表一直是科學家檢驗自然規律的試驗場，也見證了人類探索未知的無盡熱情。

前面幾章都在談元素週期表，但還有一個重要面向沒有提到。為什麼有這麼多元素週期表出版，而且為什麼現在的教科書、文章、網路，提供這麼多種元素週期表？有沒有「最理想的」元素週期表？追求最理想的元素週期表有意義嗎？如果有，我們在找出一份最佳週期表的過程中取得那些進展？

種類數量可觀的元素週期表

愛德華．馬蘇爾斯（Edward Mazurs）關於週期表歷史的經典著作中，收錄自一八六○年代首張元素週期表繪出以來，大約七百張的元素週期表。

馬蘇爾斯的書本出版已過了四十五年左右；之後，期間至少又有三百張週期表問世，如果再加上網路上發表的就更多了。為什麼會有這麼多元素週期表，這件事情需要好好解釋。當然，這些元素週期表中，許多並沒有新的資訊，有些從科學的觀點來看甚至前後矛盾。但即使刪除這些具有誤導性的表，留下的數量還是非常可觀。

元素週期表的變體：有圓形的還有立體的？

我們在第一章看過元素週期表的三個基本形式：短元素週期表、中長元素週期表、長元素週期表。這三類基本上都傳達差不多的訊息，但相同原子價（編按：原子的價數，金屬為正價、非金屬為負價）的元素，在這些表中有不同的分族。

此外，有些週期表不像我們一般認識的表格那樣四四方方。這種變體包括圓形和橢圓的週期系統，比起長方形的元素週期表，更能強調元素的連續性。不像在長方形的表上，在圓形或橢圓形的系統中，週期的結尾不會中斷，例如氖和鈉、氬和鉀。

但是，不像時鐘上的週期，元素週期表的週期長度不同，因此圓形元素週期表的設計者需要想辦法容納過渡元素的週期。例如本菲（Benfey）的元素週期表（圖 37），過渡金屬排列的地方從主要的圓形突出來。也有三維的元素週期表，例如來自加拿大蒙特簍的費爾南多．杜福爾（Fernando Dufour）所設計的（圖 38）。

但我認為，這些變體都只是改變週期系統的描繪形式，它們之間並無根本上的差異。稱得上重要變體的，是將一個或多個元素放在和傳統元素週期表中不同的族。討論這點之前，我先談談元素週期表一般的設計。

元素週期表的概念好像很簡單，至少表面上是，因此吸引業餘的科學家大展身手，發展新的版本，也常宣稱新的版本某些地方比過去發表的更好。

當然，過去有過幾次，化學或物理學的業餘愛好者或外行人做出重大貢獻。例如第六章提過的安東．范登．布魯克，他是經濟學家，也是首先想到原子序的人，他在《自然》等期刊發展這個想法。另一個人是法國工程師夏爾．雅內（Charles Janet），他在一九二九年發表「左階式元素週期表」（Left-step periodic table），後來持續受到週期表的專家和業餘愛好者的關注（圖 39）。

「理想」的追求

那麼，追求最理想的元素週期表真的有意義嗎？我認為，這個問題的答案取決於個人對週期系統的哲學態度。一方面，如果一個人相信，元素性質近似重複的現象是自然世界的客觀事實，那麼他採取的態度是實在論。對這樣的人而言，追求最理想的元素週期表非常合理。最能代表化學週期性事實的就是最理想的元素週期表，即便這樣的表還沒制訂出來。

另一方面，工具論者或反實在論者看待元素週期表，可能會認為元素的週期性是人類強加給自然的性質。若是如此，就不必熱切尋找最理想的元素週期表，畢竟這種東西根本不存在。對約定俗成論者或反實在論者來說，元素究竟如何呈現並不重要，因為他們相信我們處理的，不是元素之間的自然關係，而是人造關係。

——本文摘自《【牛津通識課10】元素週期表：複雜宇宙的簡潔圖表》，2023 年 4 月，日出出版，未經同意請勿轉載。