飛碟的牽引波成真！？不過是水中版的拉～

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｜Albert Einstein, Leopold Infeld
• 譯者｜王文生

雖然沒有任何實際參與流言散布的人真的在兩個城市間旅行，來自倫敦的小道消息，很快地傳到了愛丁堡。這個過程，涉及兩種截然不同的動作，一種和流言本身有關，從倫敦到愛丁堡；另一種，則要歸咎散播流言的人。一陣風吹過麥田，帶起一道穿過整片田地的麥浪。這一次，我們還是要分清楚波的運動，以及個別植物的運動之間的差異。植物只是稍稍晃動而已。我們曾經看過，把石頭丟進池塘中，水波的圓越來越大，藉此傳播出去。

波的運動方式，和水粒子的運動方式相當不同。水粒子只是上下運動。我們觀察到波的運動，是物質的狀態變化，物質本身並不是波。

從水面上的一顆軟木塞就能清楚地見到這個現象。軟木塞上上下下的動作，和水實際上的運動類似，它的運動不是波造成的。

為了深入了解波的機制，我們再來考慮一項思想實驗。假設在一個足夠大的空間裡，均勻地被水、空氣，或其他種「介質」填滿。空間的中央處有一個球體。實驗開始時，沒有任何運動。突然，球體開始規律地「呼吸」，體積擴張，然後縮小，在此同時維持球狀的外表。介質會發生什麼變化？我們從球體開始擴張的瞬間開始分析。緊鄰球體的粒子被推開，導致周邊一層球殼狀的水，或是空氣的密度上升，高於正常值。經由類似的過程，球體縮小時，緊鄰球體介質的密度下降了（下圖）。組成介質的粒子只是微幅振動，但是，整體的運動卻是一個行進的波。基本上，我們現在正踏入全新的領域，第一次考慮物質以外的運動，也就是經由物質傳遞的能量產生的運動。

以脈衝球體為例，我們可以導入定義波的性質時相當重要的兩項普通物理觀念。首先是速度，描述波的傳遞。它和介質有關，例如，波在水和空氣的傳播速度不同。其次是波長 (Wave Length)。在海上或河流傳遞的波，它的波長是從一個波到另一個波距離，或是一個波峰到另一個波峰的距離。因此，海上的波相較於河裡的波具有較大的波長。至於脈衝球體產生的波，波長是在某個固定時間點，兩個密度最大或最小的相鄰球殼之間的距離。很明顯，這個距離不會只和介質有關，脈衝球體縮放的速度顯然對波長有不小的影響。縮放的速度越快，波長越小；縮放速度越快，波長越大。

波的觀念在物理學取得巨大的成功。

波是力學的觀念，這點無庸置疑。波的現象被簡化為粒子的運動，而且根據動力學理論，粒子由物質組成。因此，所有用到波的觀念的理論，一般來說都能視為力學理論。比方說，聲學現象的解釋，基本上建立在波的觀念。物體的振動，像是聲帶和琴弦，是聲波的來源。聲波在空氣中的傳遞模式，和脈衝球體波相同。如此一來，將所有聲學現象透過波的觀念簡化為力學是可能的。

前面已經強調過，我們得清楚地分辨粒子的運動和波的運動，後者是介質的一種狀態。兩種運動差異不小，但是，在脈衝球體的例子，兩種運動顯然發生在同一條直線上。介質粒子在一條短線段上振盪，隨著振盪運動，介質密度週期性地增加和減少。波傳遞的方向，與振盪發生的直線的方向，兩者相同。這種類型的波，稱為縱波 (Longitudinal wave)。但是，波只有這一種形態嗎？為了接下來的討論，我們必須認知到另一種類型的波存在的可能性，稱為橫波 (Transverse wave)。

我們調整一下先前的例子。現在依然有一個球體，但是它浸在一種膠狀介質裡，不是空氣，也不是水。此外，球體不再是縮放，而是朝一個方向旋轉一個小角度，再轉回來。旋轉的節奏是固定的，轉軸也不變。膠狀介質附著在球體周遭，被迫以相同的方式運動（下圖）。一部分的力作用在稍微遠一點的地方，造成該處產生相同的運動，如此一來，介質中就產生一個波。如果我們留意到介質的運動與波的運動之間的差異，會發現它們並不是發生在同一條直線上。波沿著球體的直徑方向傳播，而介質的運動則和這個方向垂直。以此方式，我們造出一個橫波。

在水的表面傳遞的波是橫波。漂浮的軟木塞上下浮動，水波則沿著水平面傳遞。另一方面，聲波則是我們最熟悉的縱波範例。

還有一點：脈衝的球體和震動的球體，在同質的均勻介質中製造的是球形波。這是因為在任意時間點，任何圍繞著球體的球殼上的任何一點，行為都是相同的。讓我們考慮位在波源遠處，以波源為球心的球殼上的一個小塊。我們考慮的小塊越小，距離波源越遠，它就越接近一個平面。若不做太嚴謹的考慮，可以說半徑夠大的球殼上的一小部分，和平面其實沒有什麼差距。我們常常把遠離波源的球形波上的一小部分，稱為平面波。如果把下圖著色的區域再向遠離球心的方向移動，兩條半徑中間的夾角就會越來越小，更接近平面波。平面波的觀念和某些物理觀念很類似，它們是虛構的，無法以完美的精確度製造出來。然而，平面波依然是相當有用的物理觀念，不一會就能派上用場。

「誒誒誒！音速小子，快點停，你再衝就要掉下懸崖了啊！！」，在懸崖邊的你緊張的說。

「蛤蛤蛤～～～什麼～～～我聽不清楚你在講什麼！！我的耳膜快破啦！！」，你聽到音速小子在一個他最擅長的360度旋轉的最高點說出這句話，伴隨著巨大的聲響，然後迅速的往下俯衝，略過你……

接著就像迪士尼動畫會有的橋段，他在懸崖外騰空了整整一秒鐘，一聲不響地，華麗退場。

事實上，這是你最後一次聽到他的聲音、見到他的身影。在悲傷的同時，你也想著：「為什麼他不聽我的話呢，為什麼！！！！還有他最後那句話是什麼意思？」

或許，就怪他被稱作「音速」小子吧。

（故事為劇情需要，純屬虛構）

音速小子到底怎麼了？

當然有很多可能導致上面這個故事發生。首先，音速小子可能像很多人一樣習慣邊跑步邊聽音樂，又剛好你叫住他的那一刻因為他放的音樂太大聲讓他耳膜快破了，所以也沒聽到你的聲音，造成悲劇的發生。

但是根據你的說法：那一刻，你聽見了巨大的聲響，大到應該不會是耳機發出來的。那麼我會推斷是因為音速小子正經歷因為超音速所帶來的「音爆」現象。

要了解音爆，我們先來看看超音速的歷史吧。1903年萊特兄弟成功完成了第一次人類的動力飛行，在那一次飛行中，他們用12秒的時間飛行了36.5公尺，時速是每小時10.9公里，這雖然是一個小學生跑步都能追上的速度，但這可是劃時代的重要事件。接著我們把時間快轉到二戰，戰爭的危急狀態讓人類的飛行技術突飛猛進。到戰爭末期，最優良的飛機甚至可以達到時速700公里以上！根據紀錄：當時就有飛行員在俯衝，接近音速飛行時，感受到不穩定的搖晃，甚至也有因此操作失當而機毀人亡的紀錄。

事實上，人類史上第一次的超音速飛行是在1947年10月14日完成的，24歲的查克·葉格（Charles Elwood Yeager）成為第一個飛得比聲音快的人，他在12800公尺的高空，使飛行速度達到每小時1078公里，相當於1.015馬赫[註二][註三]。在當時要突破音速，有許多地方有待當時的科學家突破，其中一項就是音爆的問題。

究竟什麼是音爆呢？簡單來說，音爆就是：當物體的速度，超過它所發出聲音的速度時，周圍的空氣會產生一個壓力非常大的錐狀區域（被稱為馬赫錐），造成氣流的不穩定，然後巨大的壓力差會產生巨大的聲響，就像上圖及左圖的示意圖這樣。順帶一提，子彈飛行產生的聲響也是音爆的例子之一。

哎呀，只不過老實說，超音速飛機與我們的日常生活確實有點遠，可能有點難想像，但其實這個現象在日常生活中也不難觀察到。

從湖面看音速小子的悲劇

大家都有在湖邊玩耍、看看大自然的經驗吧，看著湖面上自由自在悠游的水上動物們，恨不得自己也長了個蹼，能夠跳下去跟著他們一起游泳，把心理的壓力一掃而光。

讓我們觀察一下那隻鴨子身後的水波，事實上，因為鴨子的行進速度比水波的波速還要快，所以在它的後面會有三角狀的水波紋產生。

對應超音速飛機音爆的例子：因為飛機的行進速度比聲波的波速還要快，所以在機身後面會有錐（因為聲波是向四面八方傳遞）狀的衝擊波產生。

有沒有覺得兩句話很像呢？確實，以上所說的兩個現象基本上是源於同一個物理概念。

知道了音爆 那你知道還有光爆嗎

光爆聽起來……怎麼那麼……像什麼會把人燒掉的恐怖武器啊！

別亂想。光爆其實就是上面兩個現象的延伸，只不過這次不是發生在聲音，也不是發生在湖面，而是光！

光爆這個現象是由1934年由蘇聯物理學家契忍可夫（Pavel Alekseyevich Cherenkov）發現的，正式的名稱叫做：契忍可夫輻射（Cherenkov radiation），有的人會稱呼他為光爆，這種輻射的特點就是：很美的藍色輝光！

聰明、好奇的你想了一下，說：「你別騙人了，愛因斯坦的狹義相對論告訴我們：一個物體的速度不可能比他所發出來的光還要快！」

事實上，這個現象的確沒有違反愛因斯坦偉大的狹義相對論。只不過他們用了一個小技巧：這個實驗不會是在真空或者是空氣中這些光行進很快的地方進行， 他們把整個實驗放到一些光跑得比較慢的地方（例如在生活中常見的水中，光的行進速度只剩下原本的大約四分之三），如此一來，科學家們就可以利用加速器，把粒子加速到比他自己發出的光還要快的速度，接著才能順利觀察到這個現象。

在金屬表面產生的光爆

2014年，哈佛大學的研究團隊又有了新的突破，他們成功製造出跟光爆類似的現象，只不過這次的波是行進在金屬表面，以一種被稱為表面電漿子（Surface plasmons）傳遞，他們把這個現象叫作”Cherenkov surface plasmon wakes”。

這個實驗室的教授，費德里科·卡帕索（Federico Capasso）說：「傳統的光學研究成果讓我們製造出全像圖、Google Glass、 LED燈等等的科技產品；但在未來，奈米光學（Nanophotonics）將會是奈米科技的一項重要領域。這次研究成果讓我們更有能力能控制奈米尺度下的光。」

在裡面的研究生，同時也是這篇論文的第一作者丹尼爾（Daniel Wintz）說：「要能夠在比光的波長還小的尺度下控制光是一件非常困難的事情。重要的是我們不但成功製造、觀測到這個現象，更找到了幾個不同的方法來控制它。」

不只是產生這個現象難，就連要觀察也很難，因為事實上，表面電漿子是看不到的，研究團隊必須想辦法把表面電光子從金屬表面“抽”出來，然後經過光纖，才能紀錄到影像。

所以說，其實從水波、聲波一直到光波以及以表面電漿子傳遞的波，這些不同樣貌的現象其實都是同一個物理現象所主導，只是我們平常沒有發現其中的關聯性而已！

備註

1. 見維基百科-萊特兄弟。
2. 1馬赫為一倍的音速，詳見維基百科-馬赫
3. 這個紀錄有些許爭議，見維基百科-查克·葉格，但不管如何，葉格無庸置疑是第一個在有計劃性、嚴密監控的情況下，靠著飛機自身的動力而實際且確實地突破音障的人類。

參考文獻

1. Surfing a wake of light: Researchers observe and control light wakes for the first time
2. Controlled steering of Cherenkov surface plasmon wakes with a one-dimensional metamaterial Nature Nanotechnology [2015]