Gliese 832 c榮獲「最像地球的系外行星」第3名

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

• 作者｜ Chris Shallue，Google人工智慧研究員 / Andrew Vanderburg，德州大學奧斯汀分校天文學家

幾千年來，人們仰望星星，記錄、觀察天文現象，並從中發現其運行模式。第一批天文學家所認定的天體是行星，由於行星在夜空中看似不規則的移動，因此也被希臘人稱之為「planētai」或「漫遊者 （wanderers）」。經過幾個世紀以來的研究，人們已經了解太陽系的運行模式，是地球和其他行星圍繞著太陽公轉，而太陽是一個恆星，就如同我們肉眼所看見會發光的星星一樣。

如今，在望遠鏡光學（telescope optics）、太空飛行、數位相機和電腦等技術的幫助下，我們得以將對宇宙的了解擴展到太陽系之外，偵測並探究其他恆星周圍的行星。這些圍繞在其他恆星周圍的行星也稱之為「系外行星（exoplanet）」，而研究系外行星能幫助我們更深入探索宇宙與人類的奧秘。太陽系之外的宇宙是什麼樣子呢？外太空還有像太陽系一樣的其他行星恆星嗎？

雖然技術的進步有助於我們探索宇宙，但尋找系外行星仍不容易。與火熱的恆星相比，系外行星是冷的、小的、沒有光亮的，這就像要從幾千英里的地方，看見探照燈旁邊飛來的螢火蟲一樣困難。

不過藉助機器學習（Machine Learning），我們在最近有了一些新的進展。

克卜勒任務與 Google AI 的相遇

天文學家搜尋系外行星的方式，其中一個是分析來自NASA 克卜勒任務（Kepler Mission）中的大量資料數據，並透過自動化軟體和手動方式來執行。克卜勒任務用了四年的時間觀察近20萬顆恆星，每30分鐘拍一次照片，並創造了近140億個資料點。這140億個資料點相當於大約2千兆個可能的行星軌道。這個龐大的資料量即使用最強大的電腦來分析也是非常耗時、費力的。為了讓這個分析的過程可以更有效率，我們導入機器學習來加速分析時程。

凌星法是指，當一顆運行中的行星擋住了恆星的光線時，恆星的亮度會減小。我們以此概念為基礎，將其特徵訊號用來辨識周圍運行的行星，並運用克卜勒天文望遠鏡，在四年之間觀察並分析了20萬顆恆星的亮度。

機器學習能夠訓練電腦認識運作模式，而這對於分析大量數據來說尤其有用。機器學習技術的重點在於讓電腦從範例中學習，而不是透過編寫特定的規則。

我是Google人工智慧團隊的機器學習研究員，對於宇宙的世界相當感興趣。因此，我善用「20%計畫」（在Google，你可以利用20%的時間來做你喜歡或感興趣的事情）來開始執行這個專案。我和德州大學奧斯汀分校的天文學家 Andrew 接洽，共同執行這個專案。我們將機器學習技術應用在宇宙探索，並教導機器學習系統如何識別遙遠恆星周圍的行星。

我們利用超過 15,000 個被標記的克卜勒訊號，創造一個 TensorFlow 模組來辨別行星與非行星。為此，這個模型必須能辨認出真正的行星所形成的圖像，與其他天體如 星斑（starspots）和雙星（binary stars）所形成的圖像。當我們讓 TensorFlow 模組辨識從未見過的訊號時，它能以96%的準確率辨認出哪些訊號是行星，哪些是非行星。因此，我們知道這個模組成功了！

克卜勒90i，發現！

有了可行的模組後，我們拍攝恆星，並利用這個模組在克卜勒數據中尋找新的行星。為了縮小搜尋範圍，我們研究了 670個已知可容納兩顆或更多的系外行星的恆星。在這樣的過程中，我們發現兩顆新行星：克卜勒80g 和克卜勒90i。其中值得注意的是，克卜勒90i 是第八個被發現圍繞著克卜勒90的行星，這使它成為除了太陽系之外，第一個已知的八大行星系統。

我們利用15,000個被標示的克卜勒訊號，來訓練機器學習模組去辨認行星訊號，並利用這個模組，從670顆恆星的數據中發現新的行星，且成功發現了兩個先前被忽略的行星。

另外也發現了一些有趣的事：這個行星比地球大了30%；擁有大約華氏800度的地表溫度，絕對不是你下一趟旅行的好選擇；它以14天的週期繞著恆星公轉，這代表你每兩個星期就會過一次生日喔。

克卜勒 90是太陽系以外第一個已知的八大行星系統。在這個星系中，行星運行的軌道更靠近恆星，而克卜勒90i每14天公轉一次。（請注意，行星的大小，以及行星與恆星的距離不在測量範圍內。）

當我們運用科技來嘗試了解宇宙時，會以為已經可以一窺一二，但其實不然。目前為止，我們只用TensorFlow 模組搜尋了20萬個恆星當中的670個，而克卜勒的數據中可能還有更多系外行星尚未被發現，未來機器學習的新思維和技術將能幫助人類進行宇宙探索，發現更多未知的領域！

• 本文原刊載於Google台灣部落格，原文為《用機器學習發現新行星》

文 / 泛科學編輯部（據說是 j 編、k 編、v 編、y 編合寫的）

美國太空總署的「史匹哲太空望遠鏡」（Spitzer Space Telescope）發現了人類首知、第一個由七顆近似地球大小的行星環繞著一顆恆星的星系（TRAPPIST-1）。目前七顆行星中有三顆被確信位於「適居帶」，也就是與恆星的距離適中，而且很可能有液態水。（延伸閱讀：科學家是怎麼找系外行星的？）

這是人類首次在太陽系外發現一個星系同時擁有這麼多顆位於適居帶的星球。這個星系中的七顆星球都很可能有著人類生存所必要的液態水和適宜的大氣層，其中又以在適居帶內的三顆星球機會最高。

任職於 NASA 科學任務理事會（Science Mission Directorate）的朱伯肯（Thomas Zurbuchen）說，這是一個非常有意義的發現，我們獲得了回答「宇宙中是否有其他生物」這個重大科學問題的一大線索；一次找到這麼多顆在適居帶的星球讓我們朝問題的解答往前邁進了值得紀念的一大步。

「TRAPPIST-1」星系位在水瓶座，離我們不算很遠，如果你能飛的跟光一樣快，從地球出發大概 40 年（約 378 兆公里）就能抵達這群系外行星囉。

TRAPPIST-1 星系的名字來自於位在智利的 TRAPPIST 望遠鏡。2016 年 5 月， TRAPPIST 望遠鏡的研究員就發現這個星系中的三顆行星。在其他地面大型望遠鏡的幫助下，史匹哲望遠鏡不只確認其中兩顆的存在，還發現了其他五個，讓星系家族的行星成員一口氣增長到七個。研究結果發表在今（2017）年 2 月 22 日的期刊《自然》（Nature）。

根據史匹哲太空望遠鏡的觀測資料，研究團隊準確量出這七顆行星的尺寸，並初步推算其中六顆的質量和密度。研究員根據密度推測這群行星都是岩石硬漢，但還需要進一步觀察它們是否有豐富的水？地表有沒有液態水？而最遠，也是唯一沒被推測出質量的第七顆行星則可能是冰球。

研究報告的主要作者，比利時烈日大學 TRAPPIST 系外研究團隊的主研究員吉倫（Michael Gillon）解釋，這是我們首次發現七顆類似地球大小的行星，又繞著此等規模恆星轉的星系，「這也是有史以來研究規模近似地球的潛在移居星球的最好材料！」

與太陽不同的是，TRAPPIST-1 星系的恆星是一顆極低溫紅矮星（ultra-cool dwarf），亮度比太陽還暗兩千倍，即便行星們離恆星很近，仍有可能保有液態水。TRAPPIST-1 星系的七顆行星的軌道離恆星的距離，比太陽系中水星與太陽的距離還要近。甚至這七顆行星間的距離也非常靠近，NASA 指出如果一個人站在其中一顆行星上，他們可能可以看到鄰近的另一顆行星上的地貌或雲。

不過這些行星可能被母恆星潮汐鎖定（Tidal locking），像月球一樣只有一面固定面向恆星，所以會造成行星上有一半是永晝、一半是永夜的狀態。而 NASA 推測這個現象，行星上的氣候會與地球完全不同，例如會出現強風不斷從永晝面吹向永夜面，或是極端溫度變化等。

史匹哲太空望遠鏡於 2016 年秋季連續 500 小時持續觀測 TRAPPIST-1 星系。科學家藉由探測 TRAPPIST-1 恆星發出的紅外線，以及行星從恆星前經過的動態，藉此分析 TRAPPIST-1 星系的結構。

2016 年 5 月哈伯團隊也觀察了 TRAPPIST-1 星系最內側的兩顆行星，並沒有發現它們有蓬鬆大氣的證據，更加強了這些行星的本質很有可能是岩石。哈伯研究的共同主持人、巴爾的摩太空望遠鏡科學研究所天文學家尼科爾．路易斯（Nikole Lewis）說：「TRAPPIST-1 星系提供了很好的機會，讓科學家能在接下來的十年中去研究地球尺寸行星的大氣。」

另外，NASA 尋找系外行星的行星獵人計畫中，克卜勒太空望遠鏡也正在研究 TRAPPIST-1 系統，藉由測量恆星由於行星經過時的亮度微小的變化，觀察其凌星現象。

那這就是追尋系外行星的最高峰了嗎？

之前也有眾多的系外行星被點名為「地球 2.0」，在適居帶的系外行星其實也多不勝數（延伸閱讀：Kepler-452b 真的是「地球2.0」？），而這次的發現雖然是「人類首知、第一個由七顆近似地球大小的行星環繞著一顆恆星的星系」，這或許讓我們對於移民、外星生命、藉此探索地球和生命的起源……等眾多地想像又前進了一步；但只要追尋系外行星的計畫仍在持續進行（2018 年還會有更高性能，可以檢測水、甲烷、氧氣、臭氧和其他大氣組成份，還能分析行星溫度以及表面壓力的 Webb 太空望遠鏡加入戰場喔！），這樣令人興奮的發現就不會停止！

資料來源

• NASA Telescope Reveals Largest Batch of Earth-Size, Habitable-Zone Planets Around Single Star, NASA, 2017.2.23.
• TRAPPIST-1 官方網站