敢作夢！Amazon的無人飛行快遞員

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

2023 年 3 月 intel 跟微軟共同發布了 AI PC 定義。

定義需要用 intel 的 Core Ultra 處理器，要有微軟系統內建 的Copilot AI，鍵盤上還需要有一個實體 copilot 按鍵，才算是一台 AI PC。

這個 AJ 看到後，發現案情並不單純，定義 AI PC 這件事情，遠比你想得還要重要！

所以今天呢，我們就來回答三個問題：

1. AI PC 是什麼？
2. AI PC 強在哪？
3. 有哪些公司跟 AI PC 有關？

最後再跟大家分享是否要買 AI PC 的建議。

好啦，本集我們整理了整個 AI PC 的脈絡，我把懶人包放在這裡，有需要的可以暫停看一下。

最後來給買 AI PC 的建議吧，如果你主要用桌上型電腦，4090 獨立顯卡直接給他買下去，因為桌上型的處理器至少到目前為止，都還沒看到內建 NPU 的規劃，所以所有的平行運算都還是靠顯示卡 GPU 來處理。

筆記型電腦方面，各家網購平台都已經推出 AI 筆電專區，最低三萬元左右就可以買到最新的 AI PC。

或許你還沒體驗到 AI 工具帶來的工作流程改變，不過潮流已經出現，據說到 2025 年，將出貨超過一億台AI PC，各家軟硬體廠商在這個全新的賽道上，只會不斷推出各種基於 AI PC 架構的應用與服務，畢竟，你如果不做，你的競爭對手可是不會等你。

有點離題了，在可遇見的未來，我們勢必會發現自己的電腦擁有更多基於 AI 技術的功能，

也許，你可以再等一會，等桌上型電腦也內建 NPU 之後，再來買真正的 AI 「PC」，不過要問我的話，如果是購買筆電的需求，選擇適合 Intel Evo 認證的筆電是值得推薦的選擇。

如果有其他想看的 AI 工具測試或相關問題，也可以留言發問，如果喜歡這支影片的話，也別忘了按讚、訂閱，加入會員，我們下集再見～掰！

更多、更完整的內容，歡迎上泛科學院的 youtube 頻道觀看完整影片，並開啟訂閱獲得更多有趣的資訊！

日前，在距離美國海岸線一萬八千公尺的領空，飛彈 AIM-9X 擊中了一顆大型高空氣球；美國與加拿大國防部公開聲明，該氣球來自中國。

這顆氣球在被擊落之前經歷了一段相當漫長的旅程，從中國出發後，沿途經過日本、阿拉斯加、加拿大、美國本土，最後才在大西洋外海被擊落。

如何推算飛行路線

該飛行路徑是由美國國家海洋暨大氣總署（NOAA）使用 HYSPLIT （Hybrid Single-Particle Lagrangian Integrated Trajectory）模型計算出的。

HYSPLIT 為一計算模型，可模擬在 100 公里內大氣環境中，任何位置釋放煙霧等粒子後，其隨著大氣傳播和轉移的軌跡；常用於森林大火、工業區廢氣的擴散，如：加州大火、福島核災等事件，以模擬污染物擴散軌跡，確保其不會進入人口密集區。

若將 HYSPLIT 反向應用，就可透過計算擴散軌跡回推污染傳播路徑，以定位污染源位置。而此次的氣球事件，就是分析大氣氣流方向回推其可能路徑，最終推測出飛行起點位於中國。

氣球為何往東飛

氣球從太平洋西岸飛往東岸，原因不僅僅是為了要避開其他國家的領空，還因為這條「高空航線」只向東開放。在北半球的大氣環境中，風的方向通常是由副熱帶高壓帶吹向極地區域，加上科氏力影響，在中緯度高空會形成一條相當寬的「西風帶」；可想而知，也就成為了氣球環遊世界的最佳航線。西風帶會持續向東移動，對於颱風、洋流以及全球氣候系統都有深遠的影響。

既然氣球乘西風飛翔，為何氣球走的不是直線，而像是繞遠路呢？難道它真的利用自主動力，繞開敏感地區嗎？

打開空中地圖來看，這顆氣球在進入加拿大後，一路向南抵達美國本土，這與「空中快速道路」——噴射氣流的路徑高度相似，因此很可能氣球就是搭著這股氣流前行。噴射氣流通常位於對流層頂部，因巨大的氣壓與溫度差，流速每小時可高達 200 至 300 公里；過去就有人利用噴射氣流降低航空器的油耗，甚至嘗試用來發電。

既然它是搭乘噴射氣流移動，所以它應該就沒有動力囉？也不一定。目前無法知道這顆探測氣球的確切規格，其搭載的太陽能板除了提供儀器電力外，也可能在某種程度上提供動力。

由於氣候影響很大，釋放氣球也得要考量季節。在冬季的降溫下，西風帶會變得更加寬廣，風速也較為強勁；等到了夏天北半球漸暖後，西風帶就會變得狹窄且緩慢。因此，不論是過去的日本氣球炸彈，還是這次的探測氣球，都選擇在冬季釋放。

然而，氣球的路程並沒有一路大順暢。就正常情況而言，氣球在兩天內就該飄離，但這趟旅程就這麼剛好地遇到了平流層突然變暖，使得西風帶減弱，造成氣球的飄移速度下降，也就在美國本土多滯留了幾天。

究竟飛多高

這顆氣球在離開美國時，高度預計在一萬八千公尺以上。

民航機通常會選擇在一萬一千公尺的高度飛行，這剛好是大氣對流層與平流層的分界，平流層的氣流穩定性，使航程不那麼顛頗，而越往上空氣也會越稀薄，飛機越難取得足夠的爬升力。就氣球的一萬八千公尺而言，在美國現役的戰機中僅有 F－22 能上升到兩萬公尺，在安全距離內破壞氣球。

那為什麼不是以飛機用機槍將氣球射下呢？有必要用到要價 40 萬美金的響尾蛇飛彈嗎？過去加拿大也曾有氣象氣球失控朝著俄羅斯領空飛去，然而高速飛行的飛機不僅難以瞄準氣球，靠著打出的幾個小洞也無法將其擊落，只能盯著它慢慢洩氣，最後墜落。

這次美國等到氣球離開陸地再一次性擊落，在能掌握情況的前提下，可能為最佳方式了。

氣球比你想像得還要有用

氣球能上到一般航空器到不了的高度，充分展現了其戰略價值。

而能上到兩萬五千公尺以上的探空氣球，同步串聯全球大氣資料，各國氣象研究單位藉此分析出完整資料。探空氣球的任務就是在緩緩上升的過程中，紀錄每個高度的溫度、濕度、氣壓、風向、風速、GPS 訊號等變化，做到大氣垂直方向上最精細的測量。

全球的探空氣球會統一在格林威治時間 0 點與 12 點釋放，台灣當然也沒缺席，同時間也就是台灣早晚八點，會從彭佳嶼、新店、花蓮、馬公機場、屏東機場、綠島、東沙島等地釋放探空氣球，遇到特殊天氣，下午兩點還會再多放一次。

商業氣球還能用來做什麼？其實在馬斯克的星鏈計畫之前，Google 也有類似計畫——Project Loon，要讓全世界偏遠地區都能上網；Project Loon 使用的就是可上升至兩萬公尺的網路氣球，而這項技術早在 2013 年 6 月於紐西蘭實驗成功。雖然 Google 已於 2021 年放棄該計畫，但這種概念並沒有因此消失，可作為發生天災、或遭遇戰事時，便宜、方便的重要通訊替代方案。

這次的氣球漂流記，撇除牽扯到兩大強權國的政治角力，讓全球民眾見證了，看似不起眼的氣球，能完成超高難度的移動。

• 歡迎訂閱 Pansci Youtube 頻道 獲取更多深入淺出的科學知識！