牙膏的氟也來自星星？

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

西元 759 年，大詩人杜甫經過老友衛八的家鄉，屈指數來，兩人已 20 年沒見過面。當年衛八還沒結婚，如今已子女成行。杜甫在衛八家過了一夜，翌日匆匆告別，寫下膾炙人口的〈贈衛八處士〉，頭兩句「人生不相見，動如參與商。」就是成語「動如參商」的出典。

唐代習慣以家族的排行稱呼人；處士，對隱士的尊稱。參（ㄕㄣ），指參宿；商，即商星，是心宿的主星。參、心二宿都是二十八宿之一，參宿位於西方時，心宿位於東方，不會同時在天上出現。

動如參商，比喻見面不易。我們先談到這裡，造兩個句吧。

畢業後同學們動如參商，再也無法朝夕相處。

您遠渡重洋後咱們動如參商，已難得見上一面。

造完句，接下去要說明什麼是星宿了。無論哪個民族，都會將天上的星星分成組，每組之間作些連線，然後比附成英雄人物、動物、器物等等。這種分組，有利於天文觀測。

星座，是西方所發展出的天文觀測體系，總共有 88 個，最為人們熟知的是黃道十二宮。太陽在天球上的軌道稱為黃道，黃道上有 12 個星座，在您生日那段時間，太陽在天球上所對應的星座，就是您的生日座。

中國古代將一組星星稱為一個星宿（又稱星官），魏晉時統合成 283 個，含有星星 1464 顆。在這 283 個星宿中，最為人熟知的是二十八宿，也就是月亮運行軌道（白道）所經過的星宿。

二十八宿是：角亢氐房心尾箕，斗牛女虛危室壁；奎婁胃昴畢觜參，井鬼柳星張翼軫。

在二十八宿中，角亢氐房心尾箕是東方七宿，奎婁胃昴畢觜參是西方七宿。商星是心宿的星星，和西方七宿的參宿是不會同時出現天際的。

中國的星宿，每一星宿的星星數目不等，以心宿和參宿來說，心宿有 3 顆（第二顆就是商星），參宿則有 7 顆。星宿的星星以數字編號，有時另有專名。以心宿的商星來說，編號是「心宿二」，商星是它的專名。

心宿二（即天蝎座 α 星）是顆紅巨星，會發出火紅色的亮光，所以還有一個專名——大火。我們的祖先早就觀察到，每到夏末秋初，大火星就會落向夜空的西邊，表示天氣將逐漸轉涼了。

眾人皆知：牙膏裡含有氟（fluorine）這種成分，不過您知道氟元素來自何處嗎？這個問題困惑科學家已久，關於氟元素的來源有3種主要的理論，不過根據瑞典隆德大學（Lund University）天文學家Henrik Jönsson和Nils Ryde等人的最新研究：氟很可能是與我們太陽相似、但比太陽重一點的的恆星，在其接近死亡階段的過程中形成的。我們的太陽和太陽系中的行星，是從這些已經死亡的恆星遺留的物質中形成的，所以地球上才會有氟元素的存在。

由於不同化學元素是在恆星內部高溫高壓環境下形成的，特定波長的譜線代表某特定元素在某特定溫度下的狀態，所以天文學家可以透過光譜來研究恆星含有什麼樣的化學成分，以及這些元素的豐富程度。Ryde等人研究在宇宙各年齡階段形成的恆星的中紅外光譜，查探這些恆星擁有的氟含量，看看是否與哪個理論預測相符。

氟元素是在恆星生命接近末期，即將轉變成紅巨星（red giant）階段時形成的，之後從恆星核心逐漸轉移到恆星較外側的部分。之後，恆星外層大氣逐漸向外擴張而形成行星狀星雲（planetary nebula），氟就是在這個過程中與恆星週邊環境原有的星際介質氣體混合。新恆星和行星從星際介質中誕生，當這些新恆星也死亡，再度充盈這個區域的星際介質含量。如此一來，星際介質中的氟元素比例就會隨著一代代恆星演化與死亡而增加。

Ryde等人現在也開始著眼於其他類型的恆星，並試圖找找看氟元素是否曾在第一代紅巨星形成之前的宇宙早期就已被製造過。他們也計畫利用相同方法研究和太陽周邊不同的宇宙環境，例如靠近銀河系中心超大質量黑洞的地方，因為該處的恆星死亡與誕生的循環，比太陽附近這樣比較靠銀河系外圍的區域還要快得多了。在不同環境中的恆星所含的氟豐度，將可讓這些天文學家瞭解該處的造氟過程是否有所不同。

資料來源：Toothpast Fluorine Fromed in Stars. Lund University [21 August, 2014]

本文轉載自網路天文館

• 作者 / 海諾．法爾克 （Heino Falcke）、約格．羅默（Jörg Römer）
• 譯者 / 姚若潔

發生在天上的死亡事件：超新星爆炸

公元 1054 年，全世界的人都驚訝的仰望天空。有些人可能擔心巨大的災難即將發生。中國北宋的天文學家精確記下這場天空中的驚人事件，記錄到蒼穹中有顆與金星（太白）一樣明亮的「客星」。一名阿拉伯醫生甚至認為這是一顆新星而記錄下來。

在歐洲，雖然並未留下確鑿的目擊紀錄，人們或許也驚訝的看著占據午後天空的「明亮圓盤」。那麼，到底是什麼驚人事件，讓世界各地都有人記下這個現象？

其實是超新星，一種規模巨大的恆星爆炸事件。它發生在我們的銀河系內，距我們六千光年之遙。培布羅長者曾坐著之處的岩石雕刻中，顯示了半圓形的月亮，以紅色畫在黃色的峭壁表面。在半月旁，是一顆清晰可見的巨大星星，圓形四周射出光芒——就像小孩子可能畫出的表現方式。它幾乎和月亮一樣大。公園解說員告訴我們，這就是當時美洲原住民藝術家所描繪的超新星。我們這群天文學家並沒有完全被說服。專家仍在爭論這幅畫到底是不是在描繪 1054 年的超新星爆炸。但我同時也覺得，他們不太可能沒注意到如此不尋常的事件。

太陽將如何死去？

你可以把恆星想像為一個熱氣球。核心的熱讓它保持充氣狀態。一旦燃料用盡，裡面的氣體冷卻下來，壓力降低，氣球便開始扁掉。恆星以類似方式面臨自己的終結。一旦燃料燒完後，恆星便塌縮。不過恆星如何及何時「死去」，要視其質量而定。較輕的恆星（大多數恆星都屬於這類）在經過漫長的一生後消耗殆盡，最後悶燒熄滅。

我們的太陽擁有一般的壽命。當它開始向內部塌陷時，仍能夠啟動自己的後燃器。在恆星的中央，核融合的灰燼（高熱的氦核）會累積起來。在恆星內爆的內部高壓之下，溫度再次上升，氦會融合為碳，釋放出最後所存的能量，「表皮」因此開始膨脹。就在壽命即將終結之時，太陽會膨脹，變成一顆紅巨星，吞噬掉水星、金星，可能甚至包括地球。

白矮星的誕生

質量大於我們太陽的恆星，在臨終喘息時會向外噴出氣體和電漿。行星狀星雲形成，將死的恆星從內部提供光照，呈現出美妙的形狀與色彩。這個奇景對宇宙來說只是一眨眼的時間；數千年後，這些行星狀星雲便會褪色。行星狀星雲這名稱有點誤導，因為它和行星毫無關係，只是因為在十八世紀發現到時，從當時的望遠鏡中看起來很像是由氣體構成的遠方行星。

在中心位置，是核融合的壓縮灰燼，整個恆星的重量都集中在此。壓力變得如此之大，使得原子逐漸擠在一起，直到摩肩接踵而完全沒有空間留下。然後電子壓力讓這顆星無法繼續塌縮。在恆星核心處繞行原子核的電子稱為「費米子」（fermion）。費米子是物理界的獨行俠，它不會與任何其他費米子同床共枕。當周遭變得太擠時，費米子抗衡了重力帶來的壓力，因而阻止了燃燒殆盡的核心完全崩塌。

如果恆星的外層已經脫去，那麼剩下來的就是一顆體積小、緊緊壓縮、發出亮光的碳核，也就是白矮星（white dwarf），大小相當於地球，但重量相當於太陽。我們的太陽再過數十億年後會變成白矮星，白矮星的組成物只要一茶匙就重達九噸，相當於一輛貨車。白矮星的表面十分酷熱，在很長的時間中會繼續把熱能輻射到太空，直至最後，這顆死星終於變成一顆冰冷、完美球型的碳結晶，成為太空中的巨大鑽石。

這個過程有不同的量子力學效應參與，印度物理學家錢卓塞卡（Subrahmanyan Chandrasekhar）曾對此進行計算。1930 年，年僅十九歲的錢卓塞卡搭船前往英格蘭，以便在劍橋繼續他在印度時即已開始的物理學研究。在航程中他的時間很多，因此決定著手計算白矮星可能的最大質量，並得到 1.44 太陽質量的結論。

不過，如果一顆恆星比我們的太陽更大又重上許多，其壓力提高到根本無法承受的程度時，又會發生什麼事？一顆重量比我們太陽大超過八倍的恆星，會點燃更多後燃器而避免塌縮。這顆巨大太陽的核心像洋蔥般，一層又一層燒掉自己。愈接近核心的內層愈熱，在燃燒各層的灰燼時，除了把每一層所儲存的能量釋放出來之外，也形成更大的原子核。氫變成氦，氦變成碳，碳和氦變成氧，氧變成矽，而矽變成鐵。每一個燃燒過程都比前一個更快。氦要燒成碳需要一百萬年，然而全部的矽融合成鐵只需要幾天時間。

然後，事情到此為止！從能量的角度而言，鐵具有自然界中最為緊實的原子核。如果壓力夠大，鐵還能融掉而形成更多新的元素，但這個過程不會再產生更多新能量，反而需要吸收能量。忽然間，增加壓力以便從原子裡擠出更多能量的單純伎倆不再管用。就這樣，原子不再升溫，而是進入降溫過程；壓力不再提高，而是降低。這顆垂垂老矣的星星終於喪失最後的勉強支撐，墮入死亡。幾分鐘之內核心內爆——這顆步入死亡的星星再也無法承受自己的重力。

——本文摘自《解密黑洞與人類未來》/ 海諾．法爾克、約格．羅默，2022 年 1 月，天下文化。