汽車塗料與石墨烯合作幫雷達除冰

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

• 本文轉載自科技大觀園，原文為《讓敵人無所遁形的軍事鷹眼！以多頻譜影像處理演算法進行目標物偵測與追蹤》
• 作者 / 科技大觀園特約編輯｜曾繁安

戰場上，分秒之差就能是決定勝敗生死的關鍵。因此如何更迅速捕捉敵軍的動向蹤跡，便成為國防軍備的一大研發重點。多頻譜影像技術能確切捕捉到物體反射的光譜資訊，並已在衛星、醫學、動植物辨識領域取得可行的成果。來自中正大學的研究團隊，便致力於建立多頻譜影響處理演算法的資料庫，期望能應用在軍事目標物的偵測追蹤上，為前線戰士助一臂之力！

掌握物體的「本色」：多頻譜影像技術

色差，是日常生活中會碰到的困擾：不管是印刷品的呈色與預想不符，或是網購的衣服顔色與想象中有所落差。這與傳統的色彩影像量測技術，如電腦電視使用的 RGB 三原色光模式及彩色印刷的 CMYK 四分色模式，在不同裝置上檢測及重現時出現的差異有關。但是，只要回歸到視覺與色彩形成的根本——光線，我們可以解決這些問題。

大家都知道，光源照射物體後，會根據物體特性產生反射、吸收和透射等現象，人眼接收了物體反射的光線，會經由大腦分析視網膜收到的電子訊號，產生視覺色彩的感知。光線是一種電磁波，不同顔色的光有不同的頻率。而所謂的頻譜，就是物體的反射頻譜、投射頻譜或發光頻譜。頻譜影像，顧名思義即是每個畫素都帶有頻譜資訊的影像。

號稱可以捕捉物體本色的多頻譜影像技術（Multi-spectral imaging），厲害之處在於它可以直接擷取畫面頻譜的反射值。這個反射值是唯一值，不會受到不同廠牌的擷取技術或光源影響，因此是十分準確的影像資訊。一般頻譜影像的波段範圍落在可見光範圍（380 – 780nm），在定義上高光譜影像（hyper-spectrum）泛指使用儀器設備所拍攝到的多頻譜影像資料；超頻譜影像，則是以演算法將影像進行計算所得。其所具備的豐富影像資訊，也成為近年來醫學影像判識（如早期癌症病變的診斷）及衛星遙測的一大福音。

從依靠人力，到交給演算法裝置代勞的自動目標識別演算法

自動辨識技術（Automatic target recognition，ATR）的源起，可以追溯至二戰前的雷達(註1)。雷達的操作原理，便是將電磁能量以定向方式發射至空間中，藉由接收空間中的物體所反射回來的電波，計算出物體的方向、高度及速度，並探測物體的形狀。過去的雷達偵測技術，仰賴訓練有素的操作員去解讀雷達訊號，如辨識戰機的大小、型號，以幫助戰場上的同胞第一時間掌握敵營的部署。

不過，人的經驗能力終究有限，因此軍方目標偵測系統也逐漸從人力辨識，逐步發展至交由演算法或裝置來代勞，即自動辨識技術 ATR。準確率更高、速度更快的 ATR，除了可辨識海陸空的軍武，也能偵測生物性目標如動物、人類和植被。目前軍事上通常僅利用一個波段，如近或遠紅外光的資訊來判別目標物，但利用多頻譜影像或超頻譜影像豐富的資訊來進行目標物識別，卻有待發展。

利用多頻譜影像技術，打造鎖定目標的軍事鷹眼！

如果能將多頻譜影響處理演算法帶來的豐富影像資訊，與 ATR 結合，將有望能提升偵測目標的準確率，在戰場上占盡先機。但這不是一件簡單的事：首先，軍武裝載空間有限，因此需以極精簡的光學裝置，來擷取到光路相同的不同波段影像；再來，多頻譜影像資料龐大，因此需整合不同波段的影像特性，以精確辨識俊基、船艦、坦克和建築等目標物；而如何將複雜的演算法轉化成運算夠快的晶片，應用在真實的武器上，也考驗科學家的能耐。

作為影像辨識技術領域的專業，來自國立中正大學的王祥辰教授研究團隊，就志在建立一套適於分析不同目標物特性的超頻譜影像資料庫、開發目標物偵測的多頻譜演算法程式庫，並打造一個方便高效的模擬及演算平台，讓軍方研究者可以進一步建立合適的 ATR 偵測法則。

這項計劃包含三個子系統，子系統 1 是建立多光譜及高光譜拍攝影像的資料庫。就像過去的雷達系統，是依賴熟練的操作員調度腦中記憶的資訊，去與雷達訊號進行比對辨識。要訓練機器裝置去指認出目標物，首先就得提供它一個可靠的影像資料庫作為基礎。為此，研究團隊在不同的天候條件下，拍攝不同波段下的各種目標物如電塔、水泥建築、海面船艦及空中飛行物，來建立一個涵蓋陸、海、空特性的多頻譜與高光譜影像資料庫。

接著，上述涵蓋不同波段的影像，可以經過子系統 2，進行超頻譜展開運算。在子系統 2 時，為了減少計算量，使用者可設定挑選效果最好的數個頻帶，讓目標與其背景的差異達至最大化。這個過程如同指導電腦來玩「大家來找碴」的游戲，讓電腦可以學會如何在不同的場景、天氣條件下，快速辨識出指定的目標物。

子系統 2 將原本有限頻段的多頻譜影像，轉換為特定目標物適用的超頻譜影像，作為子系統 3 的輸入。在這個友善而直覺的圖形化人機介面，軍事研究人員可以在複雜的影像資料庫及法法則程式庫中不斷進行模擬，找出不同目標物的最佳化演算法則，縮短軍事研發所需的時間，提高所開發武器的效能。

如今，王教授的研究團隊已完成三個子系統的建設。此項研究成果，預計可以應用在各式對地、對空及對海飛彈，以及各式影像偵蒐系統的 ATR 設計開發上，成為新一代的鷹眼。而該研究的系統，也能幫助縮減開發測試的時間，對演算法和超頻譜頻帶最佳化都將有所助益。

【注解】

1.雷達（Radio Detection and Ranging，縮寫為 RADAR），是始於二戰前的偵測技術，其原理是利用將電磁能量以定向方式發射至空間中，藉由接收存在於空間中的物體所反射回來的電波，就可以計算出該物體的方向、高度及速度，並探測物體的形狀。

參考文獻

• 多頻譜影像處理演算法資料庫及應用其之軍事目標物偵測與追蹤技術開發（105 年）
• 多頻譜影像處理演算法資料庫及應用其之軍事目標物偵測與追蹤技術開發（106 年）
• 多頻譜影像處理演算法資料庫及應用其之軍事目標物偵測與追蹤技術開發（107 年）
• 國立中正大學-王祥辰教授-應用超頻譜影像辨識癌病變方法
• 應用超頻譜影像辨識癌病變方法
• Automatic target recognition
• Multispectral image
• Hyperspectral imaging

自動駕駛，減少交通事故的福星？

從客觀的統計數據來看，人們實在稱不上是好駕駛。美國每年平均有三萬人死於車禍事件，而台灣每年則約有三千多人死於交通事故。與人類相比，機器至少不會酒駕、不會邊開車邊講電話，也能在短時間內處理更多的訊息並作出反應。Google 在 2008 年提出發展無人駕駛車輛的構想，以過去 6 年實際上路測試的統計數據來看，一共發生過 11 起事故，不過全部都是人類駕駛開車去撞無人駕駛車，諸如追撞或闖紅燈撞上等。

「自主學習」的車輛，從經驗中學習如何應變

車輛的中央運算系統必須即時處理各項觀測儀器回傳的資料，並分析周遭各種移動物體，例如其他汽車、行人等等。在程式撰寫上，有些程式指令是寫死在軟體中，例如看到紅燈就一定要停車。不過道路上情況瞬息萬變，光靠程式設計師要把所有的情形都納入並不實際，因此程式設計師賦予車輛「自主學習」的能力，從之前的駕駛經驗中學習該如何反應。舉例而言，Google的車輛已經學會辨認以及回應下列幾種情況：

• 右線道有台烏龜車，它後方的車輛有高度可能性會超車。
• 路上的坑洞或障礙物代表其他汽車駕駛有高度可能性會繞過它。
• 左線道壅塞時，駕駛有高度可能性會切換到右側車道。

隨著駕駛里程累計，車輛會試著在面對各種情形中，測試可行的解決方案，此外所有車輛的資訊與經驗也會交流，最終車輛會學會遇到特定狀況最佳的反應方式，甚至學習在偵測特定狀況發生的徵兆時，進一步去避免它。

Google 無人駕駛車，用到了哪些技術？

實際上，Google 無人駕駛車輛使用的技術大部分都在既有的車輛、或其他的應用領域中十分常見，這些技術我們多半並不陌生，且已通過實際測試，讓 Google 的無人駕駛車顯得更為可行。Google 無人駕駛所使用到的技術包括了以下幾種：

1. 光達（LIDAR）判逼近物體：光達（Laser Illuminating Detection and Ranging, LIDAR）主要用於建構3D的立體地圖，讓車輛探測周遭環境並能趁早發現潛在的威脅。光達會發射雷射光束，並藉由量測光束反射回來的時間，判斷車輛本體和周遭物體的遠近。
2. 雷達加強判定逼近物體的「速度」：縱使光達已經能偵測周遭物體距離，然而光達卻無法即時準確衡量周圍物體的移動速度與方向，在道路上車輛皆為高速移動的情形下十分危險。因此 Google 在汽車的前後保險桿上各安裝了兩台雷達，讓車輛得以避開可能的撞擊。
3. 高畫質攝影機提供立體視覺：目前市面上許多車輛都已經裝配有攝影機且功能各異，在 Google 車上，攝影機則是用來提供周圍影像，透過多台攝影機稍微不同的拍攝角度差異，能提供諸如景深以及物體的各種角度等影像，此功能就像人類左眼右眼的視差所造成的立體視覺。
4. 聲納創造更多交叉比對資料：聲納與前述幾項技術目的相同，都是用於偵測周遭環境以防止碰撞，不過聲納限制較多，像是較窄的探測範圍與較短的有效距離。然而聲納與其他系統合作，能提供更完整的資料交叉比對。
5. 定位系統：不過即便有各種防撞的安全機制，如果無人駕駛車不知道自己在哪裡也是徒然。Google 使用自己的地圖系統、GPS 衛星、慣性感測器等設備來監測車輛的實際移動速度，同時結合前述的攝影機，車輛能透過拍攝周圍的環境與 GPS 資料作比對。藉由上述技術的合作，Google 車輛定位系統的誤差能縮小到幾公分之內。

未來挑戰：如何讓無人駕駛真正安全？

在無人駕駛車真正「大行其道」前，仍然有許多障礙有待跨越。

在技術上，感測元件在豪大雨、下雪等天候不佳時，可能會運作失常，例如光學元件無法正確判讀紅綠燈等狀況，就必須在天候異常時避免開車上路。另外，由於車輛會將偵測到的物體像素化，車輛雖然會避開一個過馬路的小孩，但一團飛過道路的報紙也會有同樣的結果。因此無人駕駛車接下來的首要瓶頸，會是如何提升其各種觀測儀器的運轉穩定性與偵測準確性。

在系統上，各種不同的觀測系統的整合會是一大挑戰。正如 Google 試著讓車輛能夠自主學習，車商必須克服系統間相互干擾的問題，車輛之間的通訊是否真能如上述所說能順暢交流各自的道路經驗也備受考驗。

在環境上，目前的圖資精確度還無法滿足無人駕駛車的需求。Google 無人駕駛車輛使用的地圖相當精細－細到連路肩的高度、車道的寬度都必須仔細記錄，才能讓車輛辨識自己的位置而不至於開到人行道上。為了進行測試，Google 已經繪製約 3200 公里的詳細道路地圖，測試期間優良的安全紀錄絕大部分歸功於這份過於精細的圖資。不過，要繪製如此精細的國家尺度道路地圖實際上並不容易，美國全國公路長達六百萬公里，即便是台灣公路長度也有四萬公里，皆遠超過現有的圖資規模。

在市場上，「價格」也就是最根本和最現實的問題。以 Google 自動駕駛車為例，各項額外設備總價達 7 萬美元（約新台幣 210 萬），如此天價無法使無人駕駛車輛普及大眾化，反將淪為少規模生產的炫耀性財貨。話雖如此，無人駕駛車仍然是值得期待的科技，一旦各項觀測元件與整合技術發展成熟，隨著生產成本降低，無人駕駛車有朝一日仍可能走向商品化，讓原本只存在於科幻電影中的夢幻車輛實際駛入生活當中。

（本文由科技部補助「新媒體科普傳播實作計畫－智慧生活與前沿科技科普知識教育推廣」執行團隊撰稿）

責任編輯：鄭國威｜元智大學資訊社會研究所
審校：陳妤寧

本文原發表於行政院科技部-科技大觀園「科技新知」。歡迎大家到科技大觀園的網站看更多精彩又紮實的科學資訊，也有臉書喔！