Loading [MathJax]/extensions/tex2jax.js

0

0
0

文字

分享

0
0
0

南極臭氧洞影響全球暖化?

李柏昱
・2013/11/04 ・1698字 ・閱讀時間約 3 分鐘 ・SR值 513 ・六年級

-----廣告,請繼續往下閱讀-----

2013年8月的臭氧洞影像,藍色與紫色代表臭氧濃度最低的地區。科學家預估到2032年,南極的臭氧濃度將回復至1980年的水準。(圖片來源:Credit NASA Ozone Watch/Goddard Space Flight Center)
2013年8月的臭氧洞影像,藍色與紫色代表臭氧濃度最低的地區。科學家預估到2032年,南極的臭氧濃度將回復至1980年的水準。(圖片來源:Credit NASA Ozone Watch/Goddard Space Flight Center)

南極的臭氧層破了個洞,這大家都知道。全球氣候正在逐漸暖化,大家應該也都聽膩了。不過如果說臭氧層破洞會影響全球暖化呢?看似無關的兩者間究竟有什麼關聯?氣候變遷造成自然災害的規模跟頻率增加,這點大家漸漸具有共識。但災害的分布並不平均,工業發展程度低,溫室氣體排放量也低的非洲南部國家反而成為自然災害頻仍下最大的受害者…

故事從天上的一個「大洞」開始

臭氧(Ozone)是由3個氧原子構成的分子,與我們呼吸所需的氧氣(兩個氧原子)不同。臭氧如果出現在地表,會被歸類為空氣污染物,對人體會造成頭痛、刺激呼吸道等負面影響。然而位於大氣平流層(stratosphere),離地約19至31公里高空的臭氧層,則是地表生物不可或缺的防護罩,能將大部分致命的太陽輻射吸收。

而在1980年代,科學家發現南極上空的臭氧層出現破洞,1年當中以南半球的春天,也就是9至11月時破洞最為嚴重,部分地區的臭氧濃度甚至減少70%。追根究柢,科學家發現臭氧洞是由當時廣泛使用於噴霧劑、冷媒中的氟氯碳化物(chlorofluorocarbons, CFCs)所導致,故在1987年的蒙特婁議定書中,全球全面禁止使用氟氯碳化物,臭氧洞才獲得控制。

-----廣告,請繼續往下閱讀-----

臭氧洞與全球暖化

臭氧洞的出現,代表有更多的太陽輻射能抵達地表,造成南極地區能量分布產生變化。藉由電腦模擬,科學家發現臭氧洞會影響南極上空的噴射氣流(jet stream),讓雲層形成的位置更往南極靠近。由於大氣中的雲層能反射太陽輻射,雲越往高緯度移動,所能反射的太陽輻射就越少;換句話說,地表接收的太陽輻射隨之增加,導致地表增溫。

不過,臭氧層破洞直接導致的地表增溫幅度,與溫室氣體完全無法相比,臭氧洞在全球暖化中所占的比重極小。但是臭氧洞還是會間接透過影響南半球的風場與高低壓,造成南半球氣溫的改變。

臭氧洞影響非洲南部增溫

-----廣告,請繼續往下閱讀-----

在最近一份針對非洲南部氣溫變化的研究中,便指出臭氧洞與暖化之間的關聯。非洲南部的平均氣溫在過去20年內顯著上升,尤其每年初夏時節,氣溫升高的幅度最為明顯。原先科學家歸咎於溫室氣體,但是氣候模型卻指出溫室氣體的影響應該是全年一致,不會因為季節而有所變化,這表示非洲南部暖化的原兇另有其人。

於是科學家比對了非洲南部在臭氧洞出現前後的氣象觀測資料,發現臭氧洞會影響南半球風場,並增強位於非洲西南沿海的安哥拉低氣壓(Angola Low),導致赤道較為炎熱的空氣往南吹往非洲南部。

「臭氧洞在非洲南部的氣候增溫中扮演重要的角色。」該研究計畫的主要作者德斯蒙德(Desmond Manatsa)說。根據氣象觀測資料,臭氧洞出現後非洲南部的平均氣溫上升了攝氏1度,而且初夏較大的增溫幅度也與當季臭氧層破洞較大的狀況符合。

在2012年,歐洲的科學家已經證實臭氧洞正在縮小,但是隨著全球溫室氣體的排放,未來南半球的天空將上演一場拔河比賽,結果將決定噴射氣流與雲層會更靠近赤道還是極區。究竟會如何演變誰也說不準,科學家需要對臭氧洞與全球暖化間的交互作用有更為透徹的了解,才能更為精確地評估南半球,甚至是全球的暖化速率。在台灣,儘管原因不同,災難承受者也多半是社經地位較低者,如提高弱勢族群的災難應受及調適能力,必然是將來防災應變的重點。(本文由國科會補助「新媒體科普傳播實作計畫─重大天然災害之防救災科普知識教育推廣」執行團隊撰稿)

-----廣告,請繼續往下閱讀-----

責任編輯:鄭國威|元智大學資訊社會研究所

本文原發表於行政院國家科學委員會科技大觀園「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!

延伸閱讀:

-----廣告,請繼續往下閱讀-----
文章難易度
李柏昱
81 篇文章 ・ 2 位粉絲
成大都市計劃所研究生,現為防災科普小組編輯。喜歡的領域為地球科學、交通運輸與都市規劃,對於都市面臨的災害以及如何進行防災十分感興趣。

0

1
0

文字

分享

0
1
0
拆解邊緣AI熱潮:伺服器如何提供穩固的運算基石?
鳥苷三磷酸 (PanSci Promo)_96
・2025/05/21 ・5071字 ・閱讀時間約 10 分鐘

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。

-----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)」!

-----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。

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。

-----廣告,請繼續往下閱讀-----

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。

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。

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。

-----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?

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。

-----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

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

-----廣告,請繼續往下閱讀-----
-----廣告,請繼續往下閱讀-----
文章難易度

討論功能關閉中。

0

0
0

文字

分享

0
0
0
提出蓋婭假說│科學史上的今天:7/26
張瑞棋_96
・2015/07/26 ・1033字 ・閱讀時間約 2 分鐘 ・SR值 525 ・七年級

-----廣告,請繼續往下閱讀-----

蓋婭,希臘神話中的大地之母。她誕生自混沌之中,不但是眾神之母,也創造了宇宙與地球,孕育出自然萬物。英國科學家洛夫洛克(James Lovelock, 1919年7月26日 – )腦中不由浮現蓋婭溫柔地將整個地球環抱懷中的樣貌……。

洛夫洛克於 1957 年發明電子捕獲檢測器,可以偵測氣體所含的原子與分子,因此 NASA 於 1961 年請他協助研發可以精確分析行星大氣成分的儀器,以供將來的太空計畫之用,尤其是探測火星的計畫。洛夫洛克在工作的同時,一邊想著是否可能從大氣組成研判火星是否有生命──畢竟地球的大氣組成在生命出現前後即有極大的差異。

1969 年,他根據四年前天文學家透過光譜分析得到的火星大氣組成,大膽預測火星上沒有生命!不只是因為火星大氣絕大部分是二氧化碳。而是因為它處於靜態的化學平衡狀態,不像地球大氣因為生命的作用,二氧化碳與氧氣不斷地循環變化。洛夫洛克思考地球環境與生命的互動關係,而於 1972年提出了「蓋婭假說」(Gaia hypothesis)。

蓋婭假說的論點是:

-----廣告,請繼續往下閱讀-----

地球提供了適合的地理條件孕育出生命,繁衍後的生命則反過來改變地球環境,並透過調節作用維持有利於生命的穩定狀態──包括大氣組成、氣溫、酸鹼值等。這整個是由小至細菌、浮游生物,大至森林、動物等地球上所有生命的反饋影響所致;就如同人會調節自己身體一樣,地球也可視為一個超級生命體。

蓋婭假說引起極大爭議,雖然環保份子與部分生態學家極力支持,但多數科學家卻持保留意見,道金斯與古爾德更是大力抨擊,認為作用於個體的天擇怎麼可能會影響到整個星球的穩定。

洛夫洛克於 1983 年以電腦模擬一個布滿只有黑白兩色雛菊的星球,黑白族群的數量會因太陽輻射的高低變化而消長,卻因此維持大氣溫度在一個穩定的範圍;相對地,沒有生命的星球則是隨著太陽輻射變化而氣溫劇烈改變。雖然洛夫洛克以雛菊模型有效反駁批評,爭取到更多支持,但歷史上多次冰河時期更迭以及諸多生物大滅絕事件,也使得蓋婭假說與仍難獲得主流科學界的認同。

反倒是洛夫洛克用電子捕獲檢測器率先在大氣層發現氟氯碳化物,才引領科學家找出南極臭氧層破洞的原因,開啟全球立法避免人為的破壞。如今地球暖化也證實了地球上最有影響力的生物──人類──的確正在改變整個星球的環境;蓋婭假說或許永遠只是個假說,卻是個具體意象提醒我們時時反省人類所應扮演的角色。

 

本文同時收錄於《科學史上的今天:歷史的瞬間,改變世界的起點》,由究竟出版社出版。

-----廣告,請繼續往下閱讀-----
-----廣告,請繼續往下閱讀-----
張瑞棋_96
423 篇文章 ・ 1028 位粉絲
1987年清華大學工業工程系畢業,1992年取得美國西北大學工業工程碩士。浮沉科技業近二十載後,退休賦閒在家,當了中年大叔才開始寫作,成為泛科學專欄作者。著有《科學史上的今天》一書;個人臉書粉絲頁《科學棋談》。