工研院研發技術榮獲全球百大科技研發獎

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

本文轉載自顯微觀點

「從高中生開始到大學生，甚至到研究所碩士、博士，其實你只要做一件事－叫做找到有興趣的問題」。

從藍光 LED 起始的奈米研究之旅

中研院應用科學研究中心副研究員張允崇近年致力於光電推廣教育工作，不僅作為國際光電工程學會 SPIE 的光學推廣委員會成員，還擔任中華民國光電學會教育委員會主任委員，並已連續舉辦兩屆光電學會光電教具創作競賽。

張允崇自台灣大學物理系畢業後前往北卡羅萊納州立大學攻讀電機博士。時值台灣開始發展半導體的年代，加上他對光學和雷射很有興趣，因此選擇光電半導體作為研究領域，其中又以藍光 LED 為其研究重點。

LED（發光二極體，light-emitting diode）是一種半導體光源。當電流通過這個半導體電子元件時，電子與電洞複合以光子的形式釋放能量，而發出單色光。光線的波長、顏色則和採用的半導體材料種類以及故意摻入的元素雜質有關。

一開始以磷化鎵砷（GaAsP）為材料的 LED 僅能發出紅光且效率低，因此僅作為指示燈使用。而後雖出現可發出綠光的 LED，但一直缺少藍光 LED，就無法以光的三原色－藍、綠、紅，來任意組成不同的顏色，尤其是可供照明的白光。

直到 1993 年，日本日亞化學（Nichia Corporation）的中村修二成功把鎂摻入，成功以氮化鎵和氮化銦鎵（InGaN）開發具有商業應用價值的藍光發光二極體。

有了藍光 LED 後，白光 LED 也隨即問世。因此 2014 年諾貝爾物理學獎也以「發明高亮度藍色發光二極體，帶來了節能明亮的白色光源」的理由，將獎項頒給中村修二，以及製成高品質 GaN 並首次以 pn 結構完成藍色 LED 的日本科學家赤崎勇與天野浩。

2001 年博士學位並於 2003 年返台至成大任教的張允崇說，當時藍光 LED 領域正好當紅，因此博士班期間以及回台任教之初，便以此為研究材料進行研究。

但很快地，藍光 LED 材料愈來愈便宜且效率也已提升很多，相關應用和研究到達瓶頸，要再突破已非易事。相關領域的學者不是已經放棄，就是必須做出變化。張允崇亦是如此。

台灣從 2003 年開始，投入新台幣約 250 億元執行「奈米國家型科技計畫」，推動奈米科技發展。因此，張允崇也將研究視角轉向開發各種不同奈米製程，其中一個便是奈米球鏡微影術（Nanospherical-Lens Lithography，NLL）。

奈米球鏡微影術是使用奈米球將入射的紫外光聚焦於下方光阻，藉以製作出大面積的金屬圓盤陣列，這樣不僅可以大面積生產，使用的設備也是產業界既有生產設備，成本相對低廉。

「到 2018 年，我們幾乎可以宣稱我們是全世界做奈米球做厲害的人」。但張允崇表示，儘管奈米球鏡顯微影術可以大面積、有效率地提升製程產量，但在學術發表上外界期望看到「新功能」，加上後來到中研院任職，資源較多，便不再限制於奈米球上，而是開發各種奈米製程和新功能。

直觀研究取代考試教學

「我可以講 30 分鐘的研究，沒有任何一個公式在投影片裡」，張允崇笑稱因為自己的數學不太好，所以研究的題目「數學不會太多」。

他以奈米金屬為例，儘管背後有很多數學推導，但在他們實驗室的研究開發中，便僅以「奈米顆粒對環境折射率非常靈敏」的直覺，進一步對其作為感測器進行研究。

但與其說是「受限於數學不好」，不如說張允崇更看重科學直覺和實作，這不僅表現在他的研究，也體現在他的教學和近年致力推廣的光電教具創作競賽中。

張允崇提到之所以投入光電教具創作競賽，起因於他參與國際光電工程學會（International Society for Optics and Photonics, SPIE）的年會時，擔任其中一個類似教具競賽的外展活動評審，氣氛不錯。

加上當時張允崇在台大物理系兼職，教授光電半導體課程。「考試學到的東西很有限」，比起考試他更希望學生能從做中學，因此便參考年會外展活動的概念，讓學生執行期末計畫。

「當時想法只是覺得課堂裡好的作品可以到國際參賽，就像區域競賽比得好，比全國再比國際」。張允崇後來遇到一些志同道合的老師，才將全國競賽籌備起來。

不過，競賽今年邁入第三屆之際，回顧這一路走來，張允崇認為，競賽帶來的收穫、好處和原本初衷略有不同。而最大的好處在於讓學生「提早認識實驗室」。

他表示，許多學生到大三、大四要做專題進實驗室時，早已聽從學長姐和外界的聲音「立志進台積電」。

「現在多學生大三大四就直接聽學長姐說哪一個領域很好，可以去台積電啊。如果你研究所找了老師就是做這個領域，你就被他綁住了，博士班再讀（其他領域）好了，其實也跳不太開了。」張允崇說，不只選錯路不易回頭，進而出現「學用落差」外，學術熱忱也不易被點燃。

但藉由教具競賽，讓大一、大二的學生及早進實驗室「東摸摸、西摸摸」。「大一暑假找一個老師，不喜歡；大二可以換一個、大三再換一個，老師沒有再看到你也不會覺得怎麼樣」，張允崇表示，就算學生不用跟著老師的計畫題目，教具做不出來也沒關係，單純和老師討論教具專題也能略知實驗室的研究內容，進而評估是否對該領域有興趣。

張允崇說，考試答案都是已知的，學生也只是努力搞清楚老師「要考什麼」。但工作、研究卻不是如此，答案都是未知的，因此培養解決問題的能力，包含問對人找到解決方法，更為重要。

而要培養解決問題能力，最快方式就是進實驗室直接動手做。由於實驗室基礎能力需要的是各種能力的展現，不僅限於書本與公式；例如自動控制需要電腦程式能力、有些人手巧適合精工，甚至 3D 繪圖等。學生及早進入實驗室，就算「自認不適合讀書」，也能從中發現自己的專長和定位。

從半導體到奈米光學，再到生物感測，張允崇的研究領域很廣，「奈米領域所有問題都有興趣」。他笑稱，「優點是領域很廣，但缺點是『你問我做什麼題目，我講不出來』」。但只要找到有興趣的東西，就可以做好一件事，「因為你會願意花很多時間」。

本文由 國立臺灣師範大學 委託，泛科學企劃執行。 

今天我們來聊聊一種超酷的通信技術——用 LED 燈來傳遞訊息。

你可能會疑惑，LED 燈怎麼能傳數據？其實，這背後的原理並不難理解。無線電波是電磁波的一種，而 LED 發出的「可見光」也是電磁波的一部分，只是頻率更高。既然都是電磁波，那用光來通信似乎也很合理。

光通信並不是新鮮事。早在周朝，人們就用烽火台來傳遞戰情；我們熟悉的發明家貝爾也發明過光電話（Photophone），且 1880 年 4 月 1 日，貝爾還成功地用光電話在 200 多公尺的距離上實現了通信。

然後？就沒有然後了，光通信技術沉寂了一百多年，直到太空通信中找到了新的用途。

可見光通訊帶來了通信技術的全新篇章。當然，我們也要提到，像遙控器和一些太空通信其實用的是紅外線，但這些都和可見光屬於同一大類——電磁波通信。所以，嚴格來說，可見光通訊也是電磁波通信的一部分。

未來的世界，燈光不僅僅是照明工具，更是我們連接信息世界的橋樑。

更多、更完整的內容，歡迎上數感實驗室 Numeracy Lab 的 YouTube 頻道觀看完整影片，並開啟訂閱獲得更多有趣的資訊！

• Secret Laser Communications via Polybius Square
• Wireless Telephony (1905)
• 比 Wi-Fi 快百倍！Li-Fi 無線傳輸標準 802.11bb 發表
• NASA Uses Lasers To Send The Mona Lisa To The Moon
• 【影】NASA 利用雷射光束將蒙娜麗莎送上月球！ | ETtoday 國際新聞