當寒暑成災：導言

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 / 林子平

太陽射出短波，加熱物質使表面升溫、釋放長波。

不只是太陽，任何物體皆會發出熱輻射，當表面溫度愈高，釋放的熱輻射就愈強。太陽表面溫度極高，會釋放出能量較強的熱輻射，我們稱為太陽輻射，因其波長較短也稱為短波輻射；當太陽照射在地表或物體上後，地表及物體材料會吸收短波並使表面溫度上升，釋放出能量較弱的長波輻射。因短波含有可見光，所以人眼能夠看得到太陽投射到地上的日光，而長波只有蝙蝠和蛇類等少數動物才看得到。

從房間來了解熱輻射理論

想像一個有大面天窗的房間中，太陽短波輻射穿透了玻璃投射到室內地面，有一部分短波會被反射，繼續以短波的形式前進，再度穿透玻璃返回天空，或碰到天花板再次反射回地面。其餘短波則會在房間內的地板、牆面、天花板之間來回反射並且被室內的不同材料吸收，使表面溫度上升。

而室內較高溫的地板，會放射出較多能量的長波，並在室內進行多次的吸收及放射現象。值得一提的是，短波來自太陽，只有在白天的時候才有，而長波來自所有的材料表面，不論白天或夜間都會釋放。

材料與波的特性，對熱環境有極大的影響

短波具有方向性，就像手電筒光線投射到鏡子一樣，反射光會和入射光角度相同，且反射後其性質不變，仍是短波。材料對於短波入射及反射的比例稱為反射率（有些領域亦稱反照率），很黑的材料反射率接近 0，鏡子的反射率則接近 1，數值愈高代表材料反射短波的比例愈高。如果是不透明材料，那麼材料對短波的吸收率加上反射率等於 1，這代表進入材料的短波被反射後的剩餘部分，會完全被物體吸收。也就是說，當材料反射率愈低，就會吸收愈多太陽熱量，造成高溫化問題。

長波則無方向性，就像石頭掉入水面產生漣漪一樣，長波會由物體表面往四面八方放射。我們以放射率來定義材料在特定波長及溫度下輻射放射的效率，數值愈高代表放射效率愈好。但比較特殊的是，材料對特定波長的吸收率恰等於放射率，也就是物體對長波吸收效率愈好，其放射的效率也愈好。標準的黑體其放射率為 1，代表 100% 地吸收及放射輻射。地球上除了少數表面光滑的物體之外，大部分物質的放射率都在 0.9 至 0.95 左右，差異不大。

長波輻射會加熱空氣使氣溫上升

短波與長波對表面溫度及空氣溫度的影響也截然不同。短波能量很強，被物體吸收後表面溫度會快速上升，然而，它的特性是幾乎不會加熱空氣，如果能在第一時間被高反射材料反射回天空，對都市蓄熱的影響其實不大。相反的，長波能量雖弱，對表面溫度的增加並不明顯，但它的問題便是會加熱空氣，使空氣溫度上升，不能輕忽。

讓我們再回到前面說的房間，看看長短波輻射如何聯手影響表面及空氣溫度。在這個房間的天窗下方因為有太陽短波抵達，這些短波會在室內複雜的地面、牆面、屋頂、傢俱之間來回吸收及反射，提高材料表面溫度。材料溫度上升後會放射長波，並在材料之間來回吸收及放射大量長波輻射，並加熱空氣，使空氣溫度也持續上升。相對的，陰影區因為有不透光屋頂面的阻擋，或天窗上遮陽板及戶外植栽的遮蔽，所以接收到的短波極少，使得表面溫度較低而減少了長波輻射，空氣溫度會比較低，由此可知，陰影對於表面溫度及空氣溫度降低十分重要！

地球熱輻射與溫室效應

如果把地球想像成前述房間的延伸，這個大房間的隱型屋頂及牆壁——即大氣層中的氣體（氮、氧、二氧化碳⋯⋯）、液體（雲、雨）、固體（粉塵、懸浮微粒）等，再加上它變化萬千的地板——即冰層、陸地、森林、海洋、河川等，決定了輻射在大氣層內的穿透、反射、吸收、放射等變化。

太陽輻射進到大氣層後，對於生物危害較大、波長最短的一部分紫外線，會被氧氣及臭氣吸收，抵達地表的短波包含其它紫外線、可見光，以及紅外線三個部分。在到達地表的過程中，雲就像地球這個大房間的高反射窗簾，可將大量的短波反射回到外太空。如果我們將太陽進入大氣層的全年平均輻射能量當作 100%，其中大約有 22% 的短波會被大氣反射回外太空。短波輻射繼續往下到達地面時，會受到不同地表材料的反射率影響，大約有 7% 的短波會被地表反射回外太空。合計有 29% 的短波被大氣及地表反射。

而剩餘的 71% 短波輻射則被大氣和地表合力吸收，如同小房間的牆面、地板接收到短波後表面溫度會上升一樣，地球的大氣及地表也會升溫並釋放長波輻射量。這些長波輻射中，10^-4 奈米以上的長波輻射幾乎都會被水蒸氣吸收，其它像二氧化碳、甲烷（CH₄）、氧化亞氮（N₂O）、臭氧等也都會吸收特定波長的長波輻射。然而，就像之前小房間提到地板與牆面之間重複的吸收及放射長波過程一樣，這些氣體吸收了長波輻射後還會再向地表放射長波輻射，亦即逆輻射。這種大氣和地表之間輻射能量的重複應用，是十分高效率的能量循環，可讓地球氣溫提升，這個現象就稱為溫室效應，而上述這些氣體我們就稱為溫室氣體。溫室效應使地表的氣溫維持在 15℃，若沒有大氣，地表溫度將會是 -18℃。也就是說，溫室效應的存在，讓地球保持一個生物能生存的環境，具有其重要性。

然而，隨著工業化發展，人為排放的溫室氣體急劇增加，也強化了上述大氣和地表之間輻射能量循環。IPCC 氣候變遷的報告也指出，人類活動排放的溫室氣體是造成當前地球暖化之主因。這顯示出，溫室效應原本是讓生物得以生存在地球的利器，如今卻轉變為造成環境衝擊的殺手。這對於都市熱島這個議題，具有兩種意義。首先，隨著都市熱島問題的惡化，包含地貌改變造成地表反射率降低，以及人工發熱增加時也可能連帶使溫室氣體排放增加，這都會增加地球暖化的問題。再者，地球暖化可能造成未來市區與郊區的溫差更大，也可能使市區與郊區的整體溫度都上升，這都將使都市熱島的問題更加複雜及惡化。由此可見，都市熱島與全球暖化是緊密相依的議題，當我們解決都市熱島問題的同時，也有助於全球暖化的減緩。

• 作者 / 林子平

比氣候變遷更早被發現的「都市熱島」

「都市熱島」這種市區氣溫比郊區高的現象，可不是最近才被注意到的，它被發現的時間甚至比我們耳熟能詳的「氣候變遷」、「全球暖化」都還要早！在距今 200 年前的 1818 年，英國的盧克．霍華德就已指出都市空氣溫度高於郊區的現象，他發現倫敦市中心在夜間的氣溫，比郊區足足高了約 2.1℃，當時大家對這個現象及造成的原因都很好奇，霍華德則是把這個現象主要歸因於倫敦市區嚴重的煙霧（smog）——這是個結合了煙（smoke）和霧（fog）兩個字所產生的新字。

霍華德是個傳奇的人物，他的本職其實是位製藥學家，氣象雖只是他業餘的興趣，但他被公認是都市氣候研究的先驅。而他在氣象領域中最廣為人知的貢獻，是將雲分類並命名的第一人，這個分類系統一直沿用至今。很多人稱他為雲之教父，德國文學家哥德甚至還寫了一首詩，讚揚他為捉摸不定的雲起了各種名字呢！

從霍華德第一次發現都市熱島現象迄今，200 年來世界各地有許多學者針對不同都市的熱島現象、成因、對策進行探索。尤其近年來熱島現象在氣候變遷、全球暖化的影響下，惡化的速度更是急劇加速，建立大眾對都市熱島議題的認識和思考，已是刻不容緩的任務。

都市熱島急劇惡化程度高於氣候變遷

聯合國政府間氣候變化專門委員會（IPCC）在歷次的評估報告中指出，人類活動為影響氣候變遷的主要成因，2016 年聯合國成員國也簽署了《巴黎氣候協定》，協定的其中一個目標是要將地球的上升溫度控制在 2℃ 以內，並致力於限制到 1.5℃ 以內。在一些網路上的影片中，我們可以看到北極的冰山因為暖化問題正逐漸融解，北極熊必須要長途跋涉，游更長的距離去尋找食物。看著瘦弱不堪的北極熊，愈來愈多人願意改變對於環境及資源的使用方式，也改變自己的生活模式，來減少二氧化碳的排放。

但其實早在 200 年前倫敦市區的氣溫就比郊區高了 2℃ 以上，2008 年一個倫敦研究更指出，市區及郊區的溫差已經到了令人難以置信的 8.6℃，遠高於《巴黎氣候協定》對世紀末溫度控制的目標。當我們試圖做出努力，減少全球溫度升高，解救北極熊的同時，是否曾經想過，享受著現代都市生活種種好處的自己，其實也正付出相對的代價，承受著前所未有的高溫化衝擊。

一座飄忽不定但影響甚巨的「島」

你可能會好奇，為什麼要用「島」這個字來描述都市高溫的現象呢？這是因為都市的氣溫有高低起伏的變化，若畫出等溫度線圖，可以發現它看來很像島嶼的等高線圖。在這個虛擬的島上，高溫區像是島上的山峰，而且往往不只一座；而低溫區則如島上的平原，也可能是兩個山峰之間的山谷。都市在同一時間下最高溫區及最低溫區的氣溫差異，即是「都市熱島強度」。

隨時變化且不易定義的都市熱島強度

都市熱島強度可以用來描述熱島的嚴重性，例如上一節提到倫敦市區及市郊的溫差在 1818 年是 2.1℃，到了 2008 年溫差則達到 8.6℃，我們可以說倫敦的都市熱島強度在這 200 年間劇烈地升高了，代表這個都市高溫化的問題愈來愈嚴重。

都市熱島強度的定義看來很單純，就是把都市中的最高溫及最低溫相減，但實際上，這可比計算一個都市的海拔高差複雜多了！首先是都市中最高溫及最低溫的地點及數值，並不像山川、平原地形一樣，位於固定位置，有固定的高度，它會隨著不同年度、季節、時段一直在改變。以台南為例，白天最高溫常出現在東南側的內陸區，而夜間最高溫卻是位於西北側的沿海區。另外，都市最高溫區很容易指認，通常是在車站、市中心，或發展密集的區域，但低溫位置卻很難定義。低溫區應該選擇在都市開發密度高低變化的邊界處，且海拔高度應與高溫區接近較為合理，例如台北市的低溫區若選擇海拔高、氣溫低的陽明山，那就不夠客觀。