四張海濱夕照，哪個是地球？

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

美國航太總署（NASA）噴射推進實驗室（JPL）天文學家Lewis Roberts等人發現第2顆位在四合星系統內的系外行星。其實以前就已知這顆行星的存在，只是當時認為它是在一個三合星系統中，直到最近才確認這個系統中其實有4顆恆星。這項發現將有助於天文學家瞭解多重恆星系統會如何影響行星的發展和它未來的命運。

我們太陽系中只有太陽一顆恆星，行星們都只繞太陽公轉。但目前已知有些行星環繞的母恆星不只一顆，Roberts等人利用裝置Robo-AO和自適應光學系統（adaptive optics system）的帕洛瑪天文台（Palomar Observatory）進行觀測，每晚可監測數百顆恆星以便能探查它們是否有伴星。結果發現了一個位在四合星系統白羊座30（30 Ari）中的系外行星，及另一個在三合星系統HD 2638中的行星。之後再利用帕洛瑪天文台中解析度更高的PALM-3000儀器予以確認。

編號為KIC 4862625的行星是第一個在四合星系統中發現的系外行星，它是公民科學家於2013年時利用NASA釋出的克卜勒任務（Kepler mission）資料庫發現的。相隔這麼久，才又再度發現一個四合星系統中的系外行星，以目前系外行星發現速率而言，這樣的狀況顯示四合星系統的系外行星數量相當稀少，至少，比之前認為的還要少，反倒是環繞遠距雙星的系外行星數量比原本設想的還多，畢竟銀河系中雙星系統是相當普遍的。天文學家估計約有4％的類太陽恆星位在四合星系統中，比以前的估計數量還高一些，主要是因為觀測技術穩定改善的結果。

白羊30四合星系統，距離地球約136光年，位在白羊座方向。這個系統中發現的行星是顆氣體巨行星，質量約為木星的10倍，繞其母恆星白羊30B公轉一周約為335天，比地球繞太陽一圈稍短一些。Roberts等人新發現白羊30B附近有個很近的伴星，只有23AU遠，不過行星本身並沒有環繞這顆伴星公轉。而這對近距雙星和另一對近距雙星白羊30A又互相環繞公轉，兩組雙星相距約1670AU，所以整個白羊30是個4合星系統。（註：AU為astronomical unit的縮寫，1AU相當於1億5000萬公里，為地球到太陽的平均距離。）

如果可以站在這顆行星表面看天空，那麼看到的景象，應該是一顆小型的太陽，加上兩顆非常明亮、即使在白天也能看到的星星。而若利用夠大望遠鏡觀察其中一顆恆星，將發現這是一對會互相環繞的雙星。Roberts等人認為在這樣系統中的這顆行星，或任何可能環繞這顆行星公轉的衛星，都不太可能適合生命生存。

銀河系內有單星、雙星、三合星、四合星等各種不同的恆星系統，行星在不同的恆星系統中發展時，會受到不同的影響。觀測證據顯示伴星會影響行星的軌道，甚至讓某些行星可以長得更大更重，例如：熱木星（hot Jupiter），即那些木星等級質量且非常靠近母恆星的氣體巨行星，可能會受到伴星的重力擾動而被推得離母恆星更近一些。

而在HD 2638三合星系統中發現的行星，也是顆熱木星，距離母恆星非常近，公轉一周僅需3天左右。科學家已經知道這顆作為主星的母恆星和另一顆恆星間有重力束縛，兩者相距約0.7光年，相當於44000AU，以雙星觀點而言，這兩者的距離算是有點遠的。但近期觀測發現這個系統中還有第3顆恆星，離擁有行星的這顆主星只有28AU，約比太陽至海王星軌道小一些，近得足以影響這顆熱木星的軌道與未來的發展。

好玩的是，白羊30新發現的第4顆恆星和主星行星的距離，比HD 2638的第3顆恆星與主星行星的距離還近，但白羊30系統卻未見這第4顆恆星對主星行星的軌道有任何影響。這些天文學家無法解釋為何會出現這迥異的結局，只好期待未來持續的深度能讓他們解惑，進一步瞭解恆星的精確軌道，以及整個恆星系統複雜的動力狀態。

資料來源：

1. Planet ‘Reared’ by Four Parent Stars. [NASA, March 4, 2015 ]

本文轉載自網路天文館。

我們的太陽系中，分佈著大小不等、以幾近圓形軌道繞太陽公轉的行星，不過根據由波昂大學（University of Bonn）Pavel Kroupa領軍的德英天文學家的最新研究：在這個宇宙間，我們太陽系的狀況可能是非常特殊的，因為一般行星系統在形成過程中，若受到鄰近的物質團塊衝撞，很可能就會讓行星的軌道傾角變得很大，或是質量較小、甚至剛好位在適居區中的行星，會因此被踢出這個行星系統外，使得原本可能在此發展生命的機會就此滅失。

包括地球在內的太陽系行星，都以正轉方向繞太陽公轉—即公轉方向與太陽自轉方向相同，絕大部分公轉軌道幾乎接近圓形，且公轉面幾乎都在黃道面附近、離太陽赤道面不太遠。但其他恆星周圍的行星系統顯得與太陽系相當不同，有些系統中的行星公轉方向是逆轉，有些則遠離母恆星的赤道面。面對差異性如此之大的情況，Kroupa等人認為，他們已找出一個合理的解釋。

太陽系各行星的公轉形狀和方向，完全是太陽系在約46億多年前，從一大片氣體與塵埃組成的星雲，受到重力影響而逐漸向內收縮，形成一個轉動的扁盤的結果；在這個被稱為「原行星盤（protoplanetary disk）」的扁盤中，比較密集的物質逐漸積聚而形成行星。如果行星形成過程沒那麼平順，就可能形成比較奇怪的軌道形狀。Kroupa等人經研究後指出：若原行星盤隨母星運動，恰好衝進另一團星雲物質中，很可能會奪取這團雲氣中約30倍木星質量的氣體與塵埃物質；這多出來的物質加入原行星盤後，將使得盤面傾斜，最終就使得行星的軌道傾角變得很大。科學家認為：絕大多數的行星系統可能為星團中的恆星所擁有，這裡的恆星們距離相當近，所以這類衝撞事件應當相當頻繁。

研究小組成員之一的波昂大學Ingo Thies利用電腦模擬進行測試，發現原行星盤加入多出的物質後，不僅可能傾斜，甚至可能翻轉，讓原行星盤轉動方向相反，變成所謂的「逆轉」型態。在此同時，與另一星雲衝撞的結果也會造成原行星盤較內側的區域被擠壓，可能加速行星的形成過程。

在這些環境中，任何形成的行星軌道將變得高度傾斜或甚至成為逆向軌道。某些特殊案例中，行星軌道甚至相對於彼此都是傾斜的，整個行星系統相當不穩定，質量比較小的行星因而被一個個彈出系統外，只剩下少數質量較大的熱木星死守這個行星系統且軌道遷移至非常靠近母星的地方。

在沒那麼極端的案例中，原行星盤只從另一團星雲中搶到一點氣體和塵埃，盤面傾角改變不大。這可能是我們太陽系發生的狀況，平均軌道面相對於太陽赤道面只有傾斜7度而已。Thies相信：太陽和它的行星們應該是處在一個比較有秩序的系統環境中。如同絕大部分恆星一樣，太陽應該是在某個星團中形成，所以極可能經歷過和其他雲塊衝撞的過程。但好險，此番衝撞事件很溫和，因此太陽系盤面受到的影響不大。若非如此，太陽周圍的行星系統將非常不穩定，地球可能被彈出太陽系外，那我們這些地球上的生物可能就都不存在了。

如果Kroupa等人的論點正確，那麼我們太陽系之所以成為現今地球處在個穩定軌道、大型行星處在離太陽比較遠的地方的問題就有解了。這些研究成果甚至可以幫助科學家縮減尋找宇宙他處的生命的區域範圍。

資料來源：Interstellar crashes could throw out habitable planets [18 August 2011]

引用自臺北天文館之網路天文館網站