沒有GPS的戰場

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

為什麼無人機飛得起來？

不管是載人的直升機，還是無人機，飛起來的原因都相同。轉子可帶動螺旋槳旋轉，使螺旋槳上下的氣壓產生差異。當螺旋槳上方的氣壓比下方的氣壓低，就會有一股拉力將螺旋槳往上拉（升力，將物體垂直向上拉升的力量），如此一來便能讓機體上升。

再來，同時使用多個螺旋槳，並分別調整各螺旋槳的轉速，就可以讓無人機自由上升 / 下降、前進 / 後退、左 / 右移動。事實上，仔細觀察飛行中的無人機螺旋槳，會發現相鄰的螺旋槳旋轉方向剛好相反。

想讓無人機前進時，會讓機體前方下傾。左右移動時也一樣，會讓前進方向的機體部份下傾。只要讓其中一側的螺旋槳轉速下降，就可以讓那一側的機體下傾，往那個方向移動。如果要讓四軸無人機旋轉，則需讓其中一條對角線上的螺旋槳轉速降低。

無人機的運動機制

無人機需靠轉子（馬達）轉動螺旋槳才能移動。大疆 Phantom 系列的多軸無人機所搭載的馬達，是所謂的無刷馬達（brushless motor）。

無刷馬達顧名思義，就是沒有電刷的馬達。相對的，學校自然科課程中提到的電刷馬達則是需要讓電刷與整流子持續摩擦旋轉，使用時會逐漸磨損。無刷馬達則是透過特殊電路驅動其旋轉，可以減輕維護的負擔。而且，無刷馬達可以透過名為 Hall IC 的磁場感應器持續監測馬達狀態，故可穩定控制其速度，當發生馬達負荷過重、線路接觸不良、斷線等異常狀況，可以馬上停止馬達運作，並發出警告訊號，以提高無人機的安全性。其他還有速度可控範圍廣、均勻扭矩（flat torque）、高功率等優點。

另外，將訊號送至轉子的零件叫做 ESC（Electric Speed Controller）。也可以說，ESC 就是控制轉子旋轉速度的零件。原則上，無人機搭載的 ESC 數量會與轉子數量相同。

ESC 的輸出端有三條電線，電流可控制轉子的旋轉。隨著轉子位置的不同，ESC 會輸出不同方向、不同大小的電流，使轉子能夠持續旋轉。也就是說，無刷馬達中的 ESC，扮演著一般馬達中整流子及電刷的角色。

相對的，ESC 的輸入端也有三條電線，分別是連接到電源正負極的電源線，以及從 FC（Flight Controller）接收訊號的訊號線。其中，FC 會蒐集來自陀螺儀感應器、加速度感應器、氣壓感應器、超音波感應器、磁場方位感應器、GPS 等裝置的資訊，以控制機體的行動。

無人機的感應器

• 陀螺儀感應器與加速度感應器

陀螺儀感應器可以計算機體傾斜的角度，是穩定機體時不可或缺的感應器。相對的，與陀螺儀感應器十分相似的加速度感應器，則用於檢測速度。陀螺儀感應器與加速度感應器的組合，可以同時計算「傾斜狀況」與「速度」兩者的變化量，並控制機體往傾斜方向的反方向拉回，保持機體平衡，懸停於空中。簡單來說，陀螺儀感應器與加速度感應器就是能夠保持無人機姿態平衡的重點感應器。

• 氣壓感應器與超音波感應器

高度越高時，氣壓感應器會測到越低的氣壓，故無人機可參考氣壓數字，以維持在特定高度。不過畢竟這只能用來偵測氣壓，要是遇到陣風或其他原因造成的氣壓變化，就有可能會失去功能。

超音波感應器可以利用超音波的回聲來感應自身高度。在無人機起飛或降落時，如果位於地表附近的無人機沒辦法透過氣壓感應器蒐集到足夠的高度資訊，就會用到超音波感應器。在高空使用氣壓感應器，在地表附近使用超音波感應器，兩種感應器的組合搭配，便可讓無人機在每個高度區間都能維持一定高度。

• 磁場方位感應器與 IMU

磁場方位感應器有時也直接稱做羅盤，可感應地球的磁場（地磁），藉此瞭解無人機目前朝向東西南北哪個方向。不過，地磁的北邊（磁北）與地圖的北邊有一定差異，即磁偏角。而且隨著時間與地點的不同，磁偏角也不大一樣。舉例來說，札幌的磁北比地圖北邊往西偏了 9°，那霸卻只偏了 5°（參考自日本國土地理院網站）。因此，若換一個地方飛無人機，就需進行「羅盤校正」，重新確認磁場感應器所指示的北方，與實際北方間的差異。

• IMU

GPS 是全球衛星導航系統（GNSS：Global Navigation Satellite System）的一種，是美國的衛星系統。就像汽車的導航系統與智慧型手機的位置資訊服務一樣，無人機可接收 GPS 的電波，藉此判斷自身所在位置，並設定好飛行路線的經緯度自動飛行，或是可以懸停在某個固定位置。這就是所謂的「衛星定位系統」，用於戶外飛行的無人機多會裝設相關的電波收訊器。不過，就像汽車在進入隧道後，導航系統會失效一樣，無人機使用 GPS 時也有可能會突然收不到訊號。因此，為了維持無人機的安全飛航，操控者需隨時注意 GPS 電波的接收狀況。

另外，包括 Phantom 在內的某些多軸無人機，不僅會接收 GPS 訊號，也會同時接收俄羅斯衛星系統 GLONASS 的訊號，偵測機體本身的位置。

這些控制機體姿態的感應器通稱為 IMU（慣性測量單元：Inertial Measurement Unit）。

當出現「IMU 錯誤訊息」「機體不穩定」「羅盤方向不對」「穩定器傾斜」等狀況，就需進行「IMU 校正」。請養成攝影前以及在他處飛行前，一定要進行 IMU 校正的習慣。

• 本文轉載自科技大觀園，原文為《接棒福三，福衛七號讓天氣預報更準確！》
• 作者／郭雅欣｜科技大觀園特約編輯

2019 年 6 月 25 日，福爾摩沙衛星七號（簡稱福衛七號）在國人的引頸期盼下升空。一年多來（編按：以原文文章發佈時間計算），儘管衛星還沒有全部轉換到預定的軌道，但已經回傳許多資料，這些資料對於天氣預報的精進，帶來很大的助益。中央大學大氣系特聘教授黃清勇及團隊成員楊舒芝教授、陳舒雅博士最近的研究主題，就是福衛七號傳回的資料，對天氣預報能有哪些改善。

掩星觀測的原理

要介紹福衛七號帶來的貢獻，得先從它的上一代──福衛三號說起。福衛三號包含了 6 顆氣象衛星，軌道高度 700~800 公里，以 72 度的傾角繞著地球運轉（繞行軌道與赤道夾角為 72 度）。這些衛星提供氣象資訊的方式，是接收更高軌道（約 20,200 公里）的 GPS 衛星所放出的電波，這些電波在行進到氣象衛星的路程中，會從太空進入大氣，並產生偏折，再由氣象衛星接收。換句話說，氣象衛星接收到的電波並不是走直線傳遞來的，而是因為大氣的折射，產生了偏折，藉由偏折角可推得大氣資訊。

氣象衛星會一邊移動，一邊持續接收電波，直到接收不到為止，在這段過程中，電波穿過的大氣從最高層、較稀薄的大氣，逐漸變為最底層、最接近地面的大氣，科學家能將這段過程中每一層大氣所造成的偏折角，通過計算回推出折射率，而折射率又和大氣溫度、水氣、壓力有關  ，因此可再藉由每個高度的大氣折射率，得出溫濕度垂直分布，這種觀測方式稱為「掩星觀測」。掩星觀測所得到的資料，可以納入數值預報模式，進一步做各種預報分析。 

資料同化──觀測與模式的最佳結合

在將掩星觀測資料納入數值預報模式時，必須先經過「資料同化」的過程。數值預報模式內含動力方程式，可以模擬任何一個位置的氣塊的運動，但是因為大氣環境非常複雜，模擬時不可能納入全部的動力條件，因此模擬結果不一定正確。而另一方面，掩星觀測資料提供的是真實觀測資訊，楊舒芝形容：「觀測就像拿著照相機拍照，不管什麼動力方程式，拍到什麼就是什麼。」但是，觀測的分布是不均勻的—唯有觀測過的位置，我們才會有觀測資料。

所以，我們一手擁有分布不均勻但很真實的觀測資料，另一手擁有很全面但可能不太正確的模式模擬。資料同化就是結合這兩者，找到一個最具代表性的大氣初始分析場，再以這個分析場為起點，去做後續的預報。資料同化正是楊舒芝和陳舒雅的重點工作之一。 

由於掩星觀測取得的資料與大氣的溫度、濕度、壓力有密切關係，因此在預報颱風、梅雨或豪大雨等與水氣量息息相關的天氣時，帶來重要的幫助。黃清勇的團隊針對福衛三號的掩星觀測資料對天氣預報的影響，做了許多模擬與研究，發現在預測颱風或氣旋生成、預報颱風路徑，以及豪大雨的降雨區域及雨量等，納入福衛三號的掩星觀測資料，都能有效提升預報的準確度。

黃清勇進一步說明，由於颱風都是在海面上生成的，而掩星觀測技術仰賴的是繞著地球運行的衛星來收集資料，相較於一般位於陸地上的觀測站，更能夠取得海上大氣資料，因此對於預測颱風的生成有很好的幫助。另一方面，這些資料也能幫助科學家掌握大氣環境，例如對於太平洋高壓的範圍抓得很準確，那麼對颱風路徑的預測自然也會更準。根據團隊的研究，加入福衛三號的掩星觀測資料，平均能將 72 小時颱風路徑預報的誤差減少約 12 公里，相當於改進了 5％。

豪大雨的預測則不只溫濕度等資訊，還需要風場資訊的協助，楊舒芝以 2008 年 6 月 16 日臺灣南部降下豪大雨的事件做為舉例，一般來說豪大雨都發生在山區，但這次的豪大雨卻集中在海岸邊，而且持續時間很久。為了找出合理的預測模式，楊舒芝探討了如何利用掩星觀測資料來修正風場。 

福衛七號接棒觀測

隨著福衛三號的退休，福衛七號傳承了氣象觀測的重責大任。福衛七號也包含了 6 顆氣象衛星，不過它和福衛三號有些不同之處。

福衛三號是以高達 72 度的傾角繞著地球運轉，取得的資料點分布比較均勻，高緯度地區會比低緯度地區密集一些。相較之下，福衛七號的傾角只有 24 度，它所觀測的點集中在南北緯 50 度之間，對臺灣所在的副熱帶及熱帶地區來說，密集度更高；加上福衛七號收集的電波來源除了美國的 GPS 衛星，還增加了俄國的 GLONASS 衛星，這些因素使得在低緯度地區，福衛七號所提供的掩星觀測資料將比福衛三號多出約四倍，每天可達 4,000 筆。

另一方面，福衛七號的軟硬體比起福衛三號更加先進，可以獲得更低層的大氣資料，而因為水氣主要都集中在低層，所以福衛七號對水氣掌握會比福衛三號更具優勢。

從福衛三號到福衛七號，其實模式也在逐漸演進。早期的模式都是納入「折射率」進行同化，而折射率又是從掩星觀測資料測得的偏折角計算出來的。「偏折角」是衛星在做觀測時，最直接觀測到的數據，相較之下，折射率是計算出來的，就像加工過的產品，一定有誤差。因此，近來各國學者在做數值模擬時，愈來愈多都是直接納入偏折角，而不採用折射率。黃清勇解釋：「直接納入偏折角會增加模式計算的複雜度，也會增加運算所需的時間，而預報又是得追著時間跑的工作，因此早期才會以折射率為主。」不過現在由於電腦的運算能力與模式都已經有了進步，因此偏折角逐漸成為主流的選擇。 

福衛七號其實還沒有全部轉換到預定的軌道，不過這一年多來的掩星觀測資料，已經讓中央氣象局對熱帶地區的天氣預報，準確度提升了 4~10％；陳舒雅也以今年 8 月的哈格比颱風為案例，成功地利用福衛七號的掩星觀測資料，模擬出哈格比颱風的生成。

除了福衛七號，還有一顆稱為「獵風者」的實驗型衛星，預計 2022 年將會升空。獵風者的任務是接收從地表反射的 GPS 衛星電波，然後推估風速。可以想見，一旦有了獵風者的加入，我們對大氣環境的掌握度勢必更好，對於颱風等天氣現象的預報也能更加準確。就讓我們一起期待吧！