Richard F. Heck(1937 -)於1931年生於美國麻薩諸塞州春田市。1952年和1954年,分別在加州大學洛杉磯分校取得理學學士和博士學位,指導教授是化學家Saul Winstein。完成博士後之後,他前往蘇黎世聯邦理工學院,不久後又回到加州大學洛杉磯分校。1957年,他開始在位於威爾明頓的赫克力士公司(Hercules)工作。在那裡期間,他的研究屢出成果,使得他在1971年進入德拉瓦州大學的化學與生物化學系就職。他在德拉瓦大學一直工作到1989年退休。
Heck在1989年從德拉瓦州大學退休後,仍為那裡的化學與生物化學系名譽教授。德拉瓦州大學自2004年起,也把一個講席以Heck的名字命名。2006年,Heck榮獲Herbert C. Brown創新合成方法研究獎(Herbert C. Brown Award for Creative Research in Synthetic Methods)。
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。
-----廣告,請繼續往下閱讀-----
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。
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。/ 圖片來源:MotionArray
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)」!
-----廣告,請繼續往下閱讀-----
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。
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。/ 圖片提供:研華科技
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。/ 圖片來源:MotionArray
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)。
-----廣告,請繼續往下閱讀-----
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。
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。
-----廣告,請繼續往下閱讀-----
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?
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。
-----廣告,請繼續往下閱讀-----
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。/ 圖片提供:研華科技
今年的諾貝爾化學獎由三位化學家所共同獲得,他們是法國的 Yves Chauvin,以及兩位美國的學者 Robert H. Grubbs 及 Richard R. Schrock,得獎的原因在表彰他們發展歧化(metathesis)反應在有機合成上的運用所造成的卓越貢獻。得獎者的成就已經在化學工業上成為一項重要的方法,並在合成化合物上開啟了新的機會而將使工業上製造藥物、塑膠以及其它材料的生產更為方便,這些物質的價格會因此降低而且減少對環境的衝擊。
其實化學家早就知道可以透過這種反應來製造新的化合物,只是他們並不瞭解催化劑在這個反應中扮演的角色為何。Yves Chauvin 提出的反應機制在對這個反應的認知上跨出了一大步,因為他解釋了催化劑是如何的運作。此時,研究者獲得了一個新的挑戰機會,那就是如何的去創造一個新的且更有效的催化劑。緊接著,Robert H. Grubbs 及 Richard R. Schrock 的基礎研究進場,由於他們的貢獻,才有今日那些非常有用的催化劑可供使用。
所謂的有機合成就是將不同的化合物以特定的方式反應而製造出其它的化合物;透過有機合成,我們可以從已知的化合物原料製造出新的化合物。許多的工業必需利用有機合成,例如製藥和生技的工業,以及纖維和特用化學品的工業。在(圖2)中,一個在癌症的研究中所需的化合物 A 需要用另一個化合物 B 來合成,而 B 又需要從別的分子來合成。在化合物 B 的結構中具有一個由碳原子所組成的長鏈,其中有一個碳原子被氧原子取代。在合成化合物 A 時,這個長鏈被轉變成了一個大環的結構,這個環狀的結構正是抗癌的活性所必需。
為了製造這個大環,催化性的歧化反應正好派上用場,而其使用的催化劑正是這次的諾貝爾獎得主之一所開發出來的。由化合物 B 的結構中之長鏈兩端的雙鍵(圖中圈出的部分),透過歧化反應可以製造出兩個新的雙鍵,其中一個雙鍵用在結合長鏈的兩端而形成大環,而另一個雙鍵則存在於另一個副產物乙烯當中。如果要用別的方法來形成這個大環,將需要非常複雜而冗長的步驟。
(圖2) 運用一個 Grubbs 催化劑進行的合成。在此透過歧化反應將化合物B中的長鏈結合成化合物 A 中的大環。化合物 A 被用在癌症的研究上,其中環狀的結構正是抗癌的活性所必需。
歧化反應是如何發現的
歧化反應的發現可回朔至 1950 年代,正如同許多有機化學反應的發現一般,它源自於工業界,有好些個專利描述了催化性的烯聚合反應,其中的一篇專利是由美國杜邦公司的 H. S. Eleuterio 在 1957 年所提出的,它描述了得到不飽和的碳鏈(鏈上具有許多雙鍵)的方法;在此之前,由乙烯聚合成聚乙烯只會得到飽和的碳鏈(鏈上不具雙鍵)。這個出人意外的發現造成了深遠的影響。
在許多年之後,這兩個發現的關聯性才被固特異輪胎及橡膠公司的 N. Calderon 發現,他指出,在上述的兩種製程中所發生的是同一種型態的反應,並稱之為烯的歧化反應(olefin metathesis),只不過在分子的層次,其中的催化劑之結構及其運作的機制在當時仍屬未知,因而由此所啟動之精采的催化劑獵捕行動,只能在黑暗中透過隨意擲擊四處碰觸的方式盲目的摸索。
Chauvin 的機制
越來越多的化學家開始注意到到歧化反應可能提供給有機合成的高度潛力,不過可能沒有人料想到它會成為如此的重要。雖然有許多的研究者提出各種歧化反應如何發生的可能機制,但真正的突破要等到 1970 年 Yves Chauvin 所發表的一份研究報告,他和他的學生 Jean-Louis Herrison 指出其中的催化劑是一個金屬碳烯(metal carbene),這種化合物具有一個金屬與碳形成的雙鍵。在之後的文獻中,金屬碳烯也被稱為金屬亞烷基(metal alkylidine)。在更早些年 E. O. Fisher(1973年諾貝爾化學獎)也發現過一些其它的金屬碳烯。Chauvin 也提出了一個嶄新的機制來解釋這個金屬化合物在反應中扮演何種功能。他們所進行的一些新的實驗結果完全符合這個新機制的運作,而無法用之前所提出的各種機制來解釋。在(圖3)(a )中,一個金屬亞甲基做為催化劑,造成兩個雙鍵上的亞烷基之交換,導致兩個新的雙鍵生成(圖中金屬 M 上所用的中括號代表金屬除了與碳之間有一個雙鍵之外其上還有其它的基團)。
(圖3)(b)所示為此反應的機制,在反應的第一階段,金屬亞甲基與一個烯形成一個四元環,這個環含有一個金屬和三個碳,相互以單鍵結合。在下一個階段,其中的兩個單鍵斷裂並形成一個新的烯(即乙烯)和一個新的金屬亞烷基。在第三步驟,這個新的金屬亞烷基又與原先的烯結合成一個新的四元環。在最後的步驟中,這個含有金屬的四元環裂解產生歧化的產物並同時重新得回原先的金屬亞甲基,這個重新得回的金屬亞甲基又繼續投入另一個歧化反應的循環當中。這個反應的最終結果就是兩個烯的分子交換了它們的亞烷基,也就是進行了歧化反應(圖3)(a)。Chauvin 的機制一舉解釋了所有早先文獻中的結果,他的機制也得到了 Robert H. Grubbs、Thomas J. Katz 以及 Richard R. Schrock 等研究團隊的實驗之強烈支持,現已廣為大家所接受。
到此時更多的化學家開始體認到,如果能找到更有效而可靠的催化劑,將可以使得這個反應在有機合成上成為一個極為重要的方法。早先所使用的催化劑結構並不明確,對空氣及濕氣極為敏感,穩定度很差而只能短暫的存在。一個好的催化劑必須是穩定的,並具有確定的結構,其化學活性要能針對需要而做調整,此外它們必須具有選擇性,也就是說只會與雙鍵反應而不會作用到分子上的其它部位。Chauvin 的研究結果顯示了有效率的催化劑可以如何的建立,但問題是在所有結構很明確的已知金屬亞烷基中,沒有一個可以成功的運用在烯的歧化反應上。雖然有好些位化學家在研發歧化反應的催化劑及其運用,並且也有重要的貢獻,不過,在此研究領域中關鍵性的進展則出自於 Robert H. Grubbs 及 Richard R. Schrock 的團隊。
譯者前言:今年的諾貝爾化學獎又落入了生化學家的口袋,連續兩年頒給生化學者並不常見,我想這應該是反映了現在化學研究的熱門趨勢。今年的諾貝爾化學獎讓我們注意到細胞是如何精妙的去控制它的蛋白質系統,昨日(十月六日)我在中研院生醫所聽了一場 2002 年諾貝爾生理及藥學獎的得主 H. Robert Horvitz 的演講,那是另一個熱門的題目:細胞凋亡,真是一場精采的演講,同樣的我們看到這些蛋白質的另一種運作。前幾日與一位生技系的學生聊到他未來想走的方向,言談之間他似乎認為蛋白質的化學已經熱門了好一陣子了,恐怕熱潮已過。不過從現實來看,在諾大的生命體系中,我們對它的瞭解實在是太少了,由這些蛋白質的研究看來,我覺得蛋白質的化學仍應是方興未艾吧!
就這麼一擊,這些完全未預期的發現,改變了其後的研究方向:現在就可以集中力量開始鑑定那些將泛素接上蛋白質標靶的酵素系統。由於泛素普遍的存在於各種不同的組織和生物體中,大家很快的體認到,由泛素所媒介的蛋白質分解對細胞一定是很普遍而重要的。研究者更進一步的推測,那個倚賴 ATP 的能量需求,可能是為了讓細胞控制這個程序的專一性。