首度在太陽系以外發現含有水冰雲的證據

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

天文學家發現一顆極低溫天體，雖然它現在的表面溫度低到和行星差不多，但它可能曾有過多變多端的過往歷史，溫度變動極大，甚至可能在它年輕時有數百萬年的時間，表面溫度和一般恆星一樣熱。

這顆編號為WISE J0304-2705的極低溫天體，位在南天的天爐座方向，距離約在33~55光年之間，表面溫度僅有攝氏100~150度左右，是所謂的Y型棕矮星（Y dwarf）。Y型棕矮星是目前已知表面溫度最低的恆星類天體，讓恆星按溫度的光譜分類擴展成OBAFGKMLT。雖然WISE J0304-2705的溫度就介在金星和地球的表面溫度之間，但它們並不是類似地球這樣的岩質行星，反而比較類似木星這樣的氣體巨行星。

英國赫特福德大學（University of Hertfordshire）David Pinfield等人，利用廣角紅外巡天探測器（Widefield Infrared Survey Explorer，WISE）的觀測資料進行分析研究，最後發現這顆天體，因此其名稱中包含WISE，至於J0304-2705代表的則是這顆天體的赤經與赤緯座標。WISE採用中紅外波段進行觀測，波長比人類眼睛可見的還長，所以人眼不得見。發現WISE J0304-2705之後，Pinfield等人又利用8米雙子南望遠鏡（Gemini South Telescope）、6.5米麥哲倫望遠鏡（Magellan Telescope）和歐南天文台3.6米新技術望遠鏡（New Technology Telescope）等大型望遠鏡拍攝它的光譜，由光譜來估算它的表面溫度，並瞭解它的過往歷史。

到目前為止，已知的Y型棕矮星僅有20顆，WISE J0304-2705在其中是個特異份子，有著和其他Y型棕矮星不同的發射光譜特徵。Pinfield等人認為：從這顆棕矮星的化學組成或連同它的年齡來看，它可能是銀河系較老的成員星之一；這意味著它的溫度演化可能非常極端，開始時的表面溫度高達數千度，可是現在也頂多是杯沸騰茶水的程度而已。

WISE J0304-2705之所以會歷經這樣劇烈的冷卻史，是因為它是一顆所謂的次恆星天體（ub-stellar object），它的內部從未達到可點燃氫核融合反應的溫度，無法自行產生熱能，這讓它除了不具備正式的恆星資格外，也無法維持穩定的溫度，因此冷卻和變暗是它無可避免的命運。

如果WISE J0304-2705是顆年老天體，它的溫度演化將如右上圖所示（左上至右下）：在最初2000萬年左右，它的表面溫度約為攝氏2800度，約與像比臨星（Proxima Centauri，半人馬座αC星或南門二C星）這類紅矮星（red dwarf）相當。1億年後，它冷卻到攝氏1500度左右，大氣中的矽酸鹽凝結成雲。10億年後，它的溫度降至攝氏1000度左右，低到讓甲烷氣體和水蒸汽得以主宰它的表面。數十億年之後的現在，它已逐漸冷卻到攝氏100～150度。

WISE J0304-2705的質量約僅為木星的20～30倍，大約介在最輕的恆星和典型行星之間。但若以溫度的觀點來看，它則是從類恆星狀態演變成類行星狀態。

目前並不確知Y型棕矮星的溫度下限，太陽系鄰近區域中或許可能有許多溫度更低的各式天體尚未被偵測到。WISE於2009年發射升空，2011年2月休眠，2013年12月喚醒後繼續工作，預定可再延長3年任務時間。利用它在紅外波段的優勢，或許這3年內又會帶給天文學家們更多的驚訝與震撼。

資料來源：

• Planet-like object may have spent its youth as hot as a star/2014.08.05

本文轉載自網路天文館

法國天文學家Philippe Delorme等人利用位在智利的超大望遠鏡（Very Large Telescope，VLT）和位在夏威夷的加法夏望遠鏡（Canada-France-Hawaii Telescope，CFHT），發現一顆不屬於任何恆星的疑似行星，正獨自在星際空間中流浪。這個天體距離太陽系僅約100光年左右，如果確認它是行星的話，那麼它將是離太陽系最近的獨立行星（free-floating planet，或譯為孤兒行星或自由行星）。這顆行星距離這麼近，又少了恆星過亮的光芒在旁干擾，提供天文學家一個特別的機會，可以直接且詳細地研究這顆行星的大氣狀況，並將研究結果應用在未來以儀器拍攝其他恆星旁的系外行星影像上。

獨立行星是行星級的天體，不似一般行星一樣，環繞某顆恆星公轉。以前也曾經發現過獨立行星，但之前的案例都無法確定這些獨立行星的年齡，因此無法確定這些天體究竟真的是行星，還是那有「失敗的恆星」之稱的棕矮星。

最新發現的這個天體編號為CFBDSIR J214947.2-040308.9，簡稱為CFBDSIR2149，這些研究學者從專門搜尋低溫棕矮星天體的CFHT棕矮星巡天計畫（Canada-France Brown Dwarfs Survey ，CFBDS）紅外觀測資料中先發現這個天體，之後才利用VLT做後續觀測分析，因此這個天體的編號為CFBDS計畫名稱+IR波段+天體赤經與赤緯座標的結果。

研究結果顯示CFBDSIR2149似乎位在銀河系內一個由年輕恆星組成的星流—劍魚座AB移動星群（AB Doradus Moving Group）中，劍魚座AB移動星群是離太陽系最近的移動星群，位在南天的劍魚座方向；移動星群內的恆星們一起朝一個特定方向漂流。一般認為星群內的恆星們應該是幾乎在同一時期內形成的，換言之，它們的年齡相差無幾。如果CFBDSIR2149真的與劍魚座AB移動星群有關，代表這個天體也很年輕。光從這一點，再結合更多這個天體的性質，包括溫度、質量及其大氣組成等，天文學家又可以說出一齣故事來。

由此可知，確認CFBDSIR2149和劍魚座AB移動星群的關係，確定CFBDSIR2149的年齡，是進行下一步研究的關鍵線索。在假設CFBDSIR2149與劍魚座AB移動星群的前提下，得出CFBDSIR2149的質量約為4~7倍木星質量，表面溫度約攝氏430度（與金星差不多），年齡則與劍魚座AB移動星群相仿，約5000萬～1億2000萬年左右。這是第一個在移動星群中找到的獨立行星級天體，這個與移動星群之間的關係，讓它成為天文學家眼中最有趣的疑似獨立行星。不過，也不能完全排除這個天體只是恰巧在劍魚座AB移動星群方向，與這個移動星群無關的可能性；不過研究學者們經由分析CFBDSIR2149的自行運動估算CFBDSIR2149與劍魚座AB移動星群有關的機率高達87%，有95%以上的機率是顆相當年輕的行星級天體，所以他們基本上已經認定它是移動星群的一份子了。

一般認為像CFBDSIR2149這樣的獨立行星的形成過程應該如同正常行星一樣，之後才因不明原因被踢出原本的行星系統；也可能是類似質量最小的恆星或棕矮星的形成過程，因而成為一個孤獨的天體，在太空中流浪。無論哪一種形成方式，都讓人心生疑惑。而現在，如果能確認CFBDSIR214確實是一個被原生行星系統拋棄的獨立行星，天文學家或許可以進一步重建並檢視這個行星從誕生到被拋棄的過程，或者也可藉之瞭解一般恆星的誕生過程到底可產生的恆星質量下限是多少。

天文學家們認為獨立天體可能為數不少，可能和正常恆星一樣多，甚至近期有研究顯示銀河系中獨立天體的數量是主序星的兩倍之多（請參見〈一拍個不見陽光的流浪星球〉、〈孤兒行星的數量恐比恆星還多〉）。如果CFBDSIR2149與劍魚座AB移動星群無關，沒辦法透過移動星群瞭解它的本質與特性，那麼它可能就會被歸類為是小型的棕矮星。不過，無論是獨立行星還是棕矮星，都是瞭解行星和恆星如何形成和有何行為舉止的重要線索。

資料來源：Lost in Space: Rogue Planet Spotted? ESO [14 November 2012]

轉載自 網路天文館