我也知道 但從沒人真正試過－專訪線上即時熱能分析儀團隊

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

文／劉珈均

工研院的「線上即時熱能分析儀」與「鈣迴路捕獲二氧化碳技術」雙雙獲得2014「全球百大科技研發獎（R&D 100 Awards）」，此獎項素有科技界奧斯卡獎之稱，是市場鑑定新技術的重要指標，今年邁入第52屆。「線上即時熱能分析儀」大幅提升發光二極體（Light Emitting Diode, LED）量測熱阻的速度達千倍，且可在生產線上即時量測，工研院也已與儀器業者旺矽科技合作技術轉移，實際應用於提升LED品管品質與生產效率。

深入了解這技術前，得先認識一下熱阻與LED的關係，熱阻（thermal resistance）是熱能在傳導途徑上遇到的阻抗，反映介質本身或介質與介質間的熱傳導能力，換言之，也是物體對熱能傳導的阻礙效果。

傳統光源如鎢絲燈或鹵素燈透過加熱燈絲發光，熱由光源正面以光輻射方式傳出，同時散發出的紅外光讓人感受到熱氣；LED不會讓人感受到熱，但並非不發熱，而是 LED所產生的廢熱從晶粒傳導而出，LED功率愈高，產生的廢熱愈多，加上體積要愈做愈小，散熱就成為問題。因此主要靠傳導進行的LED散熱機制，便需要以熱阻作為散熱性能好壞的指標。

LED漸成照明光源主流，但高功率LED仍與熱的問題糾纏，熱會影響LED的壽命、顏色與亮度。過熱會造成LED波長改變、發光效率下降，繼而使顏色產生變化、亮度降低，隨之影響到可靠度。對於LED封裝散熱能力的評估，就透過熱阻量測，若熱阻的數值大，表示熱不易傳遞，套件產生的溫度較高，也有損LED壽命。

工研院電光所元件測試驗證部專案副理王建評比喻：「熱就像內傷一樣，若只從一般的光電檢測是看不出來，但長期影響很大。」不論設計、檢測或可靠度分析，都需要知道熱阻，只要能掌握LED熱阻數據，就能推估產品的壽命、效率及光品質。

王建評是主導此技術的研發人員，他解釋，早期熱阻量測程序複雜，要把LED擺在爐子裡利用空氣加熱以達到控溫目的，一顆LED要經過幾個溫度測試，以求出溫度與LED電壓的關係式；後來改以熱電制冷器，控溫速度較快；熱電控制器出現後，過程由半天縮短到10~20分鐘，一小時測六顆，但這樣的時間仍太久──對比LED光學量測，一顆只要0.1秒即能完成光度或電壓量測！生產線上一個機台一天產量可能是數萬顆以上，熱測與其他量測的速度差異非常大，所以熱測始終無法成為廠商品管時的依據，基於生產效率考量，業者多只在產品設計階段時於實驗室進行熱阻量測。

工研院技術的突破點在於解析「固晶層」，在生產線上，固晶的製程是影響LED熱阻最大的參數，王建評說：「我們發現，其實我們不需要從頭到尾將整個元件分析完畢，只要分析那層固晶層，就能知道這顆元件好不好。」以前要等整顆LED達到熱平衡，現在只要等熱能傳到固晶層，分析資訊就足夠了，量測時間因此大幅縮短。

固晶製程難以達到品質完全均勻，一批產品有好有壞，但一顆熱阻量測的時間太久了，廠商都採抽樣，一批樣品可能只抽一顆測試，因此原有的技術限制之下，難以得知那批產品好壞比例，無法準確掌握LED產品可靠度。

而今工研院研發的「線上即時熱能分析儀」已能成功與LED自動化光電分類機台整合，在生產線上即時測量，組成全球首套自動化LED熱阻測試設備。兩相結合下，整套設備每小時的量測速度可達12000顆元件，相當於量測一顆元件只要0.3秒，比起以往在實驗室一小時量測六顆，速度快了整整2000倍。

「我們有些人畢業後就直接在工研院工作，我們也跟廠商學了很多業界的東西、機台開發的技巧。」王建評說，現階段量測光學與熱阻的機台分開，但可互相支援，一台光電量測機台可搭配數台熱能分析儀，如此便能應付生產線上大量的LED，這是廠商覺得可行的方法，未來團隊也會繼續研究將測試熱阻的功能整合到既有機台上。

文／劉珈均

「很多事情都是從很不偉大的事情開始作啦！」此次受訪的周佩廷與王建評是工研院電子與光電研究所、元件測試驗證部的經理與專案副理，周佩廷口中開端並不起眼的線上即時熱能分析儀奪下了百大科技研發獎，背後也是一群工程師長時間摸索，不斷研究與改良的心血。

任務指示：「品質可靠度。That’s all。」

周佩廷回憶研發歷程，難以界定這專案投入研發的時間有幾年，因為一位工程師身上常常同時扛了幾件或大或小的專案，有許多構想都在「檯面下」進行，漸漸成熟後才「正式列管」。

周佩廷與王建評所在的「光電元件與系統應用組」在工研院約已20幾年歷史，主題始終專注於LED。七八年前，元件測試驗證部剛成立不久，組長朱慕道認為LED的品質可靠度是個重要議題，該部門的技術主軸分為LED的品質可靠度與標準。市面上有宣稱LED可用兩萬五千小時或更多，但消費者可能拿到不良品，LED燈泡一下子就損壞，這便是LED可靠度的範疇，也牽涉到統計學、田口式品質工程[註1]等。

周佩廷說：「當時我們接到的指示就是品質可靠度五個字，大家自己去想要作什麼事情。」可靠度並不是一項技術，而是許多技術的集合、相互支撐出來的。成員構思著如何針對可靠度作技術開發，前幾年一直處於摸索期，試圖抓到主軸，大約四年前開始研究熱阻主題，挑選業者可能有需求的題目，其中一個便是快速熱阻檢測。

負責「線上即時熱能分析儀」的研發成員專業領域有來自光電、物理、應用力學、機械等，都是進工研院後才開始接觸LED的。王建評是主導技術開發的負責同仁，他想到，若從加強品管著手，讓廠商能快速量測熱阻，甚至於生產線上即時量測，就能大幅提升LED的品質可靠度。

「這原理我也知道！」　但從沒人真正試過

快速熱阻技術的關鍵點在於解析固晶層，「這不是什麼聽起來就讓人興奮的新發現，但卻沒有人真正把它作出來。」周佩廷說。這不是破天荒的物理發現，或是劃時代的嶄新發明，大家起初都不太看好該技術的價值，內部的人或廠商亦多持觀望態度。

「只是看似簡單，但工程實務上從沒有人真正實現過啊！」周佩廷笑說，這大概是這研究最特別的地方。工研院與各LED廠商接洽、討論此點子的技轉時，「好像很多東西說破就不值錢，所以一開始不願講太多。後來想想，我們要作到就算我跟你說破，你還是作不出來的程度，這樣的技術才有價值。」周佩廷說。

熱結構分析是即時熱能分析儀的核心技術，該技術已有國外業者開發設備，也訂下標準，「但只有他們懂得如何作這設備，大家都不知道怎麼作。」王建評說，它會畫出一條有趣的曲線，稱為「熱結構圖」，大家也只會用那設備，不清楚圖怎麼畫的。許多單位也想開發這種設備。

周佩廷便請王建評專心研究該設備，一開始王建評也沒太多心力鑽研，畢竟身上已同時背了好幾件工作，這項工作又相當耗時，「後來……也不能說是破解了儀器，而是重新開發技術出來，熱結構分析跟演算法有很密切的關係。」以往最快速度也需要十幾分鐘，王建評另設計了演算法，由原本的定點截取變成動態截取法，最快3分鐘內就能量出來，卻能達到相同的量測精度。「這也是得獎原因，否則只是跟別人一樣也沒特色。」

技術走出「車庫」　進入市場

約莫2012年底，周佩廷與當時的電光所副所長劉軍廷（現為所長）談到這點子，劉軍廷隨即認真地說，隔年三月有「台灣國際照明科技展」，就做一台原型機參展吧！周佩廷笑說：「我們就這樣慢慢在『車庫』研發了幾年，後來才被所長『列管』為正式計畫。」當時距離展覽只剩兩三月，時間緊迫，但大家還是成功趕製出原型機參展。

後來，工研院帶了三四項技術與儀器廠商旺矽科技洽談，最後決定合作熱阻檢測這技術，從合作到技轉花了約一年時間。王建評回想從合作到技轉的那一年時間：「廠商會不斷的『挑戰』工研院的能力，一直給我們『考試』。」拿了幾十顆LED給工研院的即時熱能分析儀測試，檢驗精度與誤差是否符合工業標準，一開始明測，後來也作盲測，「還好都有pass！」

「我們研發的出發點單純只是為了『解決問題』，一切順其自然，獎項是隨之而來的肯定。」周佩廷與王建評回想這段過程，敘述的口吻與神色十分沉穩淡然。團隊一路走來，並沒有像動漫《海賊王》裡的魯夫總大喊著「我要成為海賊王！」那樣，立一個雄心萬丈的目標、要發明厲害的機器、拿下發明大獎。

其實光電元件與系統應用組從2008年到現在，已經拿了三個美國百大科技獎（R&D 100 Awards）[註2]，但朱慕道組長認為真正的任務才剛開始，他們要思考如何讓技術的貢獻完全發揮。

一條生產線上，一天產出數萬顆以上的LED，現有的熱能量測技術卻只能抽樣，LED廠商不會覺得效率低落，主動想要採用這項技術嗎？周佩廷說：「很多技術的應用，其實也看時機點。」各廠商其實是需要這項技術的，但站在廠商的角度，「品管、研發」與「成本」是天秤的兩端，而LED品質採抽樣或「普查」，也關乎LED產品「良率」的數字變動。LED的競爭激烈，因此，除非客戶刻意要求，廠商較少主動投資設備，大多跟風國外大廠的作法，但一些LED國外大廠其實已經有投入快速熱阻量測這部分。

周佩廷說：「得獎只是開始，我們接下來還要努力，想著如何把技術的效應作得更大。」目前市面上類似儀器幾乎全屬國際大廠，價格亦是居高不下，國產儀器價格預計可控制成本在進口儀器價格的一半以下。若此儀器能建置於生產線上，大幅提高LED良率，就長遠來看，LED業者的投資負擔並不重。

註：

1. 品質工程（Quality Engineering）：由日本學者田口玄一所創，以統計學方式進行實驗及生產過程管控，以達產品品質改善及成本降低的目的，也應用在生物學、行銷及廣告。（資料來源：維基）
2. 工研院國際獎項紀錄：https://www.itri.org.tw/award/chi/award.htm