VISTA望遠鏡新發現96個星團

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

天文學家利用歐南天文台（ESO）位在南美智利的超大望遠鏡（Very Large Telescope，VLT），捕獲一張美麗的星際鑽戒景象，只不過這是個偶然的美麗—行星狀星雲與一顆前景恆星恰好排列在同一視線方向上的結果。

這個行星狀星雲編號為PN A66 33，另一個更著名的稱法是Abell 33，位在接近長蛇座Alpha（星宿一）的方向上，距離約2500光年。這是類似太陽的恆星在年老之後，外層大氣被向外吹出成氣泡狀的結果；更特別的是，整個行星狀星雲近乎完美對稱的球形，讓這個星際鑽戒景象更顯精緻美麗。像它這麼圓的行星狀星雲並不罕見，通常只有些微擾動，例如恆星自轉的方式或中央恆星有伴星、周圍有較濃厚的星際介質等，就會破壞行星狀星雲的對稱性，使其外型多多少少有些不規則。

絕大部分質量與太陽類似的恆星的生命終點是體積小、非常緻密且熾熱的白矮星。經過數十億載的時間，白矮星會逐漸冷卻；與此同時，原本恆星最外層的氣體也逐漸向外膨脹，形成行星狀星雲；通常行星狀星雲的模樣就是彩色的發光星雲包圍著小而明亮的中央星（central star）。

Abell 33前身恆星（progenitor star）的核心部分正在逐漸演變成一顆白矮星，在Abell 33中心的白色亮點就是這顆恆星殘骸，即前述之中央星；不過它並沒位在Abell 33的圓心，而是稍微偏離一點。這顆恆星殘骸實際上比我們太陽熾熱而明亮許多，其發出的紫外輻射足以讓向太空奔去的行星狀星雲發光，這才造就了我們所見的鑽戒戒身部分。

而在Abell 33邊緣、相當於鑽石位置的亮星，編號為HD 83535，視亮度 約7.2等，只是顆普通的白色恆星。它大約位在地球到Abell 33的中途，與Abell 33並沒有時值上的物理關聯，純屬巧合的排列在同一視線方向上。雖然這顆恆星以雙筒望遠鏡便可看見，但Abell 33本身卻很暗，必須使用口徑大一點的望遠鏡才能看到，若望遠鏡上有加裝適當濾鏡會更容易看見它。

好玩的另一件事是：在銳利的高解析影像中，Abell 33的中央星其實是個雙星；但是真的物理雙星，還是只是剛好排列在同一視線方向上的假雙星，就不得而知了。

天文學家艾伯耳（George Abell）於1966年時編纂了一個「艾伯耳行星狀星雲表（Abell Catalogue of Planetary Nebulae）」，總共包含86個天體，Abell 33便是其中之一。除了行星狀星雲表外，艾伯耳也在天空中仔細搜尋星團，最後蒐羅了4000多個星團，整理後建立了艾伯耳星表（Abell Catalogue）。

資料來源：Chance Meeting Creates Celestial Diamond Ring, ESO [April 09. 2014]

轉載自網路天文館

目前已確認的系外行星數量多達800顆左右，找到具有特殊意義的系外行星，似乎變得愈來愈難，愈來愈遠。發現多重行星系統已經不是新聞，發現質量比地球小的系外行星也已經聽到很多次，偵測到系外行星有大氣層也已經不太能引起大眾的驚艷。不過，最近有篇論文卻找到系外行星研究領域的另一個「突破點」：首度在疏散星團中偵測到熱木星（hot Jupiter）。除了發現地點讓人覺得新奇外，還因發現熱木星的這個疏散星團是對天文學家具有特殊意義、非常著名的蜂巢星團（Praesepe, 或Beehive Cluster，M44，又稱鬼宿星團或馬槽星團）。

這項發現是由美國喬治亞州立大學（Georgia State University）的天文學家Samuel Quinn等人，藉由「擺動法（wobble）」來偵測系外行星，也就是母恆星受其行星的重力擾動，使得恆星的位置隨行星公轉而週期性來回擺動，如此一來，這顆恆星的光譜譜線也會隨之週期性的來回擺動，天文學家因而得以從譜線的移動來反推這顆恆星是否具有行星、行星的公轉週期與可能的質量下限等等訊息。所謂的「熱木星」是指那些質量與木星差不多，且因非常接近其母恆星而使其公轉週期非常短、表面被母恆星加熱到高溫狀態的氣體巨行星。

Quinn等人之所以挑選巨蟹座M44星團的主因，是因為它夠近，僅約577光年左右，但星團成員數量多達1,000顆以上，其中許多恆星都與太陽相似。此外，這個星團的金屬豐度比平均值還高，是可能具有行星系統的特徵之一；再者就是天文學家曾對此星團做過比較詳盡的研究，可取得比較精確的星團形成年齡等訊息。

天文學家也曾在其他疏散星團奮鬥過，但迄今僅在兩顆巨星旁發現行星，且行星距離其母恆星都很遠，並非所謂的熱木星。居然只有發現這麼少的疏散星團恆星擁有行星，讓天文學家們覺得很奇怪，因為目前認為恆星幾乎都是在星團中形成，而後有些逐漸擴散鬆開，才有部分恆星成為像太陽一樣的單星，因此按理來說，星團中的恆星擁有行星的比例應該幾乎與單星相同。

這些天文學家利用位在美國亞利桑納州霍普金斯山（Mt. Hopkins）上的惠爾普天文臺（Fred L. Whipple Observatory）1.5米 Tillinghast反射式望遠鏡來觀測M44裡的其中53顆恆星，結果在其中兩顆還在主序星階段的恆星旁發現2顆靠母星很近的熱木星，其中一顆熱木星Praesepe 0201b（縮寫為Pr0201b），質量下限約為木星的0.54倍，繞母星一周約需4.426天；其母恆星Praesepe 0201（Pr0201）是顆F型矮星，視亮度約10.52等，質量約為1.234倍太陽質量，表面溫度約6174K，比太陽的5778K高一些。另一顆Praesepe 0211b（Pr0211b）的質量下限則約為木星的1.844倍，環繞母星公轉一周約為2.145天；其母星Praesepe 0211（Pr0211）是顆與太陽相同的G型矮星，視亮度約12.06等，質量約為太陽的0.952倍，表面溫度約5326K，比太陽略低。

這項發現將有助於天文學家逐步縮減在年輕的星團系統中，行星如何形成與遷徙的條件範圍。既然大直量行星一般是在離恆星比較遠、比較冷的地方形成，那麼在鄰近恆星之處發現熱木星，顯示這些大質量行星在形成之後，將逐漸向行星系統內側遷移，才能抵達現在觀測到的位置。向內遷移的時間長短一直是天文學家還搞不定的問題之一；不過，既然目前已知M44星團的年齡僅有6億年左右，而新發現的這兩顆熱木星已經這麼靠近其母恆星，代表大質量恆星形成後向內遷移所需的時間應該短於6億年。

雖然這是第一次在疏散星團中發現靠母恆星很近的熱木星，不過這項發現顯示未來在疏散星團中發現更多熱木星並不是夢想，或許將來所發現的數量將與從疏散星團脫離的單星相差無幾，擺脫先前在疏散星團發現行星數量遠低於預期的矛盾現象。

資料來源：Two “b”‘s in the Beehive. universetoday [AUGUST 14, 2012]

轉載自 網路天文館