像鳥類一樣用自己的身體飛翔一直是人的夢想之一，不過因為人體構造不合適，一直不能實現。鳥類的飛行所需的升力利用了兩種策略，一種是揮動翅膀讓空氣產生不對稱的流動，另一種是利用型態跟迎風角讓空氣自己產生不對稱流動，把前進阻力部分轉化成升力。後一種策略在風箏、風車、紙飛機，或是真正的飛機上都可以看到。
以人類來說，雖然前一種的人力飛行身體結構負擔不起，但是後一種的飛行方式只要想辦法讓飛行的速度夠快，使阻力變的夠大，就有可能可以實現。
這影片介紹的Wingsuit是一種跳傘特技在使用的裝備，可以讓人配備像鼯鼠的滑翔膜，這樣一來在空間停留的時間就會增加。如果更進一步，在腳上裝上小火箭增加滑翔的速度，只要到達一定速度，就可以提供夠多的升力一直持續飛行。
下面的影片就是這樣做的結果；當然，這樣的服裝需要很好的空氣動力學設計，人員也需要很好的訓練，不過或許有一天，只要稍微借助一點小動力裝置，用身體感受飛行不再是不能體驗的事情了！
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。
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！
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。
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。
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。
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。
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。
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
討論功能關閉中。
本文由 我的青航時代－2023航發會×暑期航空營 委託，泛科學企劃執行。
座落在熱帶和亞熱帶氣候帶的台灣，地形複雜，天氣的變化多端，比另一半翻臉的速度還快。在地面上的人們尚且需要天氣預報，才能順利規劃日常生活起居；在天空中翺翔的飛機，同樣也必須仰賴航空氣象的資訊，才能完成一趟安全的飛行。一起來瞭解航空氣象扮演的重要角色吧！
過去不少令人觸目驚心的空難憾事，如 2014 年復興航空 222 號班機空難受颱風麥德姆風雨影響墜毀、2020 年空軍黑鷹直升機因天氣驟變失事，都與天氣因素有關。根據台灣國家運輸安全調查委員會的報告，台灣近 10 年的民用航空運輸重大飛航事故分析中，「天氣」是其中僅次於人員因素的事故原因。
因此要守護機組人員與乘客的安全，能否及時提供可靠的機場氣象觀測、預報及警報，供飛航作業人員參考，便至關重要。
那麽氣象資訊是怎麽來的呢？幕後功臣就是設置於台灣各處民航機場，堅守各自崗位的航空氣象臺。目前全島共有 5 個航空氣象臺（松山、桃園、高雄、豐年及金門）與 5 個任務臺（蘭嶼、綠島、恆春、北竿、南竿）[註1]負責監測航空氣象。
航空氣象人員的職責，就是蒐集、整理、分析和解釋飛航所需的機場及航路之預測、預報、警報及顯著危害天氣資訊。他們是飛航安全背後的强力後援，全天候守視飛航情報區天氣變化及提供諮詢。
要即時準確地進行氣象觀測，絕對少不了各種氣象裝備的幫忙！任憑氣象七十二變，氣象人員也能透過氣象觀測隨時掌握情況，確保航空安全。飛航服務總臺在各民航機場都有設置的自動氣象觀測系統（Automatic Weather Observation System，簡稱 AWOS），是一個多功能的好幫手。它可以觀測風向、風速、能見度、跑道視程、雲量、雲高、溫度等等各種項目，讓氣象人員可以用來進行機場天氣測報和航機管制作業。
飛機在起飛降落時，最擔心遇到增加飛行難度的風切（Wind Shear）。風切指的是大氣中不同兩點之間，風速或風向的劇烈變化。低空風切（Low-level wind shear）則是指 1600 呎（500 公尺）以下空氣層中的風切，可能造成飛機難以操控而被迫重飛，甚至失速導致飛航事故，因此需格外注意。
針對棘手的風切問題，氣象臺在松山機場和桃園國際機場設置了 低風切警報系統（Low Level Wind-Shear Alert System，簡稱 LLWAS），利用機場周邊沿跑道兩側及跑道延伸線外之多個 20 公尺以上測風塔進行風場觀測。當風場變化達到風切發生條件時，系統立刻就會透過文字、圖形和聲音等警告資訊，提醒氣象觀測員及塔臺管制員，發布風切警報警示進場和離場的機師做好因應措施。
1985 年在桃園國際機場架設的都卜勒氣象雷達（Doppler weather radar），長得就像一個巨型氣球，是當時全亞洲首座供作業用的 C 波段氣象雷達，掃描範圍可達 300 公里。它就像個盡責可靠的氣象觀測員，負責台灣北部機場和附近航路天氣的即時監測與預警，可以掌握劇烈天氣如颱風、雷雨、風切和亂流等天氣現象的發展和移動，提供資訊給飛航相關人員作業參考，確保飛行安全。
如果你拿到一份航空氣象報告，恐怕會以為這是一串亂碼。由各種英文字母縮寫和數字組成的航空氣象電碼，其實有著國際規範的通用格式。只要懂得解讀，就會發現裏頭包含了風向、風速、能見度、雲層狀況、溫度露點及氣壓等多項氣象資訊。按照其用途，航空氣象報告可以分成不同的類型，以下簡單介紹其中幾種。
依照機場的作業規模，航空氣象臺會每半小時或每小時發布機場例行天氣報告（Meteorological Terminal Aviation Routine Weather Report，簡稱 METAR），供飛行員和航管員使用來評估該地區當前的天氣狀況。當天氣變化達特定條件時，則會發布機場特別天氣報告（Aviation Special Weather Report，簡稱 SPECI）。另外，觀測員也會發布未來 2 小時天氣預報，提供航機進行作業因應規劃。
若需要預測更長程的天氣變化，臺北航空氣象中心也會每天四次更新機場預報（Terminal Aerodrome Forecasts，簡稱 TAF），其有效時間長度分為 30 小時／24 小時／18 小時等三類，讓航空公司可以用來擬定航班飛行計劃，作為航機調度、載重、油料和旅客安排的參考。
在航空業中，天氣變化不只是出門要記得帶傘這點程度的不便，更會影響航班的安排規劃。如果預計會有暴雨或風暴，航空公司可能會取消或延誤航班，以確保乘客和機組人員的安全。當風速和風向發生改變，機師也可能需要改變飛行路線和高度，以大大降低航程的風險。
但你是否也有過類似經驗：明明天氣很好，來到機場卻遇上航班延誤的消息，而感到困惑不解？這些讓旅客滿肚子哀怨的情況，其實也都是為了安全考量，所作的因應安排。因為即使機場所在地的天氣肉眼可見的良好，並不代表機場適合起飛降落。
例如飛機降落前到達一定高度時，機師必須完全看得見跑道及地面狀況，覆蓋在機場起降航道附近的低雲、雷雨區，都可能造成能見度下降，造成飛機不能按時降落。飛行時，若航路前方有雷雨天氣，基於安全考量，機師通常會繞過或飛越，也就增加了航行時間導致班機誤點。靠山邊的機場如蘭嶼機場，常因地形產生風切亂流，導致飛機降落困難，不得不重飛或返航，延誤航班。
此外，同樣是飛往某地的航班，也可能發生有些能走，有些卻被告知走不了的情況。這是因為航機機型大小不同，適航標準也不同。即使是相同的機型，也會因駕駛員的證照類別、航空公司所訂的安全標準之差異，綜合機場條件、天氣和駕駛員對航機狀態的判斷後，對班機行程做出不一樣的決策。
飛航服務總臺也緊跟時代脚步，建設各項線上即時的氣象資訊服務，包括「航空氣象服務網」和「航空氣象資訊 APP」。航空氣象服務網主要讓航空公司簽派員、飛行員及航空相關人員申請註冊使用，以查詢全球各主要機場即時天氣測報及預報資料。在網站首頁，也有機場即時天氣資料、台灣地區機場適航狀態、即時衛星雲圖等資訊，開發讓一般民衆查詢。
航空氣象資訊 APP 也應行動裝置普及誕生，可供航空從業人員下載使用。一般民衆也能透過 APP 取得全球各大機場即時天氣資訊、東亞地區衛星雲圖及臺灣地區雷達回波圖等資料。
【註解】
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。
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。
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。
