冬季奧運的幕後功臣－人造雪

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

文 / K（物理碩士）

緣起

高中曾去安寧病房照顧癌末病童，當時裡面的一個孩子對我說：「哥哥，我沒有看過雪，你能不能變出雪給我玩」因為我便去尋找、思考如何製作人造雪。

後來於日本的書籍發現了或許可以使用高分子吸水物（聚丙烯酸鈉）來製作，也是這時候發現原來可以拿來堆雪人，製作雪人出來時，的確讓孩子很開心。

當孩子向我道謝時，我心裡想著：「其實，我能做的也只有這樣而已了……」

所需材料

1. 尿布或衛生棉的內容物（高分子吸水物，請別誤食），也可至化工行購買聚丙烯酸鈉（俗稱的吸水粉）。
2. 冰水（只是為了讓產物觸摸溫度更像真正的雪，也可使用室溫的水取代）
3. 塑膠盆之類的盛裝容器
4. 手扒雞手套（防止高分子吸水物沾黏於手上，若是想體驗人造雪的觸感，則可不必使用）
5. 竹籤、串珠等裝飾用物品以及老虎鉗（剪裁竹籤用）

製作流程

1. 一開始將尿布或衛生棉內容物放在杯子（請盡量撕碎內容物，方便之後製作）

2. 然後加入冰水後,會產生神奇的變化 （如下圖，為了讓圖片更清楚，所以放置到黑色杯子中）

*這裡有個關鍵點：

如果是使用市售的尿布或衛生棉製作，再加水之後，必須盡量清除內含的棉絮成分，只保留其中的高分子吸水物

拿起來會像如此的凝膠物質（高分子吸水物）

3. 之後再把人造雪從杯中倒出，會呈現像筒仔米糕的樣子（如下圖），這樣比較好塑型

4.將他塑形，先捏出大小兩顆圓球，作為雪人身體與頭部 （請穿戴手扒雞手套）

5.最後以竹籤、串珠等物品裝飾雪人，即大功告成

製作完後，把手扒雞手套取下翻面，手套外沾到的人造雪便會被包在手套中，手上便不會沾黏到人造雪

原理

在尿布或衛生棉中的高分子吸水物通常是吸水力超強的聚丙烯酸鈉（可以吸收質量比200到300倍的水分），乾燥時是白色粉末，放進水中會像海綿般吸水，成為凝膠聚合物。

主要是因為結構中的鈉含量很高，使水分子經由滲透作用進入聚合物中。反過來若把鹽灑在凝膠上，使聚合物外部的鈉濃度更高，就可以逆轉，讓水從凝膠流出。

P.S.一開始製作雪人時，也曾仿效「撒鹽空中差可擬，未若柳絮因風起」，結果差強人意ＸＤ

下落速度超快的撒鹽空中差可擬XDD

後來想到曾聽過羅馬帝國的皇帝尼祿命令人從高山上取雪，加上水果和牛奶，製作成原始的冰淇淋，所以我開始嘗試製作無糖的冰淇淋來模仿雪的外觀與觸感（即使沒加糖，但因為有牛奶的成分，所以在塑型時手會黏黏的……）。

失敗了幾次以後，我開始分析古人說的撒鹽、柳絮還有我做的冰淇淋，到底是想表現雪的何種性質？撒鹽、柳絮應該是想表現雪的外觀、飄落，而冰淇淋是想模仿外觀、觸感，綜合以上的想法，如果要做出人造雪，必須做到外觀（白色）、觸感（柔軟、可塑、冰涼）。

在查詢資料跟實驗的過程中發現高吸水樹脂吸水後會呈現顆粒狀，一粒粒的小樹脂加冰水膨脹，塑型後的質地和觸感摸起來很接近真實的雪，因為雪本身便是由小小的冰顆粒物構成。

而最近也使用手機顯微鏡來觀察聚丙烯醯銨（人造雪人原料聚丙烯酸鈉的近親）觀察吸水前後的狀態，同樣放大倍率下，吸水後體積增加不少，也意外地發現微觀世界下的聚丙烯醯銨，竟是如此的美!!!

吸水實況影片

後來有位讀者剛好看到了這篇文章，他也正好是醫院志工，並將這雪人分享給在病房中的孩子們，而雪天使也就這樣傳遞了出去。

生活應用

嬰兒紙尿布、女性衛生用品、膨脹玩具（恐龍蛋）、水晶寶寶、魔晶土、人造雪……等，都含有這類成分。

P.S. 筆者於製作時發現，一些較便宜的衛生棉中，聚丙烯酸鈉的含量頗少（幾乎都是棉絮），吸水性不佳，且不利於製作人造雪人。還記得當時為了找雪人的材料，買了個品牌的衛生棉來嘗試，結帳時被店員跟顧客被奇怪的眼光注視著… 不過為了病童的願望，只能豁出去了 XD

作者：K，物理碩士。相信著 “以人化物” 器物再美，缺乏人的溫度，終將不完美 而若多一分人性的溫暖，便能包容原先器物的小缺陷 這是設計科學小物的初衷 希望這些東西能充滿著溫暖，無論是手心的亦或是內心的。

Original publish date:Mar 08, 2006

編輯 John C. H. Chen 報導

人造雪已經成為冬季奧運中不可或缺的一部份。但是這種對人造雪的需求卻可能會對環境造成損害。

在2006年杜林冬季奧運會中，人造雪被廣泛應用在許多的競賽中，例如滑雪及滑雪板。事實上，今年杜林的雪下的比往常要薄，所以為了使比賽能夠順利進行，人造雪也可以說是必然的選擇。而人造雪的好處除了製造足夠的雪量之外，同時可以做出可以維持的較久而且狀況較好的表面。對競賽選手來說，人造雪可以使他們更容易創造新紀錄。這種人造雪的技術在許多的滑雪聖地都已經被廣泛的使用，以避免因為天氣關係雪量不夠而無法營業的情形發生。

製造人造雪主要是將水從一個噴嘴中高速噴出來然後利用高壓空氣將水滴吹到空中造成起霧般的效果，然後讓這些液滴在空氣中結成雪花。成功的關鍵是要讓這些液滴在降落到地面之前就凝結起來。

現在因為地球環境暖化，所以找到好的滑雪場地已經越來越困難。舉例來說，阿爾卑斯山的雪線已經逐年上升，對滑雪愛好者來說，的確不是個好消息。但是過度依賴人造雪也是會有問題。國際保護阿爾卑斯山組織（International Commission for Protection of the Alps, CIPRA）的Michel Revaz就表示，製造人造雪要消耗水及能量。而這些人造雪所溶化的水也會對周圍的生態系造成影響。

所以Revaz提了一個可能的折衷方案。他表示像冬季奧運這種大活動，不需要為了奧運就每四年建一堆造雪機器。把這些機器回收使用應該是個可以接受的方法。

參考來源：

• news@nature.com: Skiers take to man-made slopes

本文版權聲明與轉載授權資訊：

• 本文採用書面授權轉載模式，詳細著作權聲明與轉載規定請見 http://sciscape.org/copyright.php。