像《星際效應》讓人進入冬眠

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

孿生子弔詭

這難道不是一個讓人活得年輕的方法嗎？的確是，而且後面講到廣義相對論的時候還會介紹另一個讓時間變慢的機制。科幻作品經常使用這種素材，比如電影《星際效應》（Interstellar）裡，太空人去黑洞附近執行任務，回來的時候還挺年輕的，可是自己的女兒卻已經很老了。

正所謂「山中方七日，世上已千年」。我想提醒你的是，這裡說的時間變慢只是不同座標系對比的結果。對於參加星際旅行的你來說，你實實在在活過的時間還是正常的壽命。在相對性原理之下，你根本感覺不到自己多出來什麼時間，如果你在地面上一輩子能讀一萬本書，在太空船上過這一輩子也只能讀一萬本書；你在山中過的這七天，也是一日三餐，共吃二十一頓飯。

但是你的確比地面上的人老得慢。說到這裡，有個著名的問題，叫「孿生子弔詭」。

假設你有一個雙胞胎妹妹，在你們二十歲這一年，你乘坐接近光速的太空船前往遠方執行任務，你的妹妹留在地球上。在你妹妹眼中看來，你這一走就是五十年，你回來的時候她已經七十歲了。可是因為相對論效應，你在太空船座標系下體會到的這段旅程只有三十年，你回來的時候才五十歲。

你離開的時候，兩人一樣大，回來的時候妹妹比你老了二十年。這個事實是沒問題，但人們會有一個疑問。相對於你的妹妹，你在太空船上是高速運動，所以會有時間變慢的效應，所以你比你妹妹年輕。可是反過來說，相對於你，你妹妹在地球上難道不也是在高速運動嗎？為什麼不是她比你年輕呢？

這個問題的答案是你和你妹妹所在的座標系並不是等價的。你妹妹一直待在地球上，可以近似為一個等速直線運動的座標系。而你離開地球必須首先加速到接近光速，到達目的地要減速、掉頭、再加速，回到地球還要再減速，你經歷的並不是等速直線運動。你在加減速的過程中得使用力量，你會有「貼背感」，而你的妹妹沒有。

考慮到這些，精確計算你在每個階段相對於你妹妹是什麼年齡就比較麻煩了，這裡先不講，在本書番外篇會專門進行一點技術性的討論。

確定的是，這個效應是真實的，你真的比你妹妹年輕了二十歲。孿生子的效應已經有實驗證實。

驗證這個效應不需要真的進行星際旅行，你只需要一種精度非常高的原子鐘。先將兩個原子鐘對時，然後將一個放在地面不動，把另一個帶上一般的民航機的國際航班飛一圈。飛回來後，再把這兩個原子鐘放在一起，就會發現它們的時間有一個極其微小的差異——這個差異是實實在在地存在的。參加了飛行的那個原子鐘，現在確實比留在地面的那個「年輕」一點。

如此說來，那些經常在天上飛的飛行員和空服員都比一般同齡人要年輕一點！但是他們參與飛行的速度不夠快，一輩子也差不了一秒。而如果你能把自己的速度提高到接近光速，那麼你的一天是地面上人的一年，甚至一千年，在理論上都是可能的。你就等於穿越到了未來。

時空是相對的

與時間膨脹相對應的一個效應是「長度收縮」。

還是以太空人為例。同樣一段距離，我們在地面看他應該飛二十五年才能到，在他自己看來，飛十五年就到了。而且請注意，不管是哪一方看來，太空船相對於這段距離的飛行速度是一樣的。

這就意味著，太空人看到的這段距離，比我們看到的要短。

如同時間，長度也是個相對的概念。一個物體的長度在相對於它靜止的座標系中是最大的，如果你和它有一個相對的運動，你會覺得它比靜止的時候短一些。這就是長度收縮。

我還記得小時候看過一個日本動畫片，裡面用極其誇張的手法描寫了這個現象：幾個孩子騎自行車，其他人感覺他們都變瘦了。

其實嚴格地說，有人透過計算，得出三維物體的長度收縮效應是你「觀察」到的，而不是你「看」到的。考慮到物體各個部分的光到達你眼睛的距離不一樣，你的眼睛實際看到的感覺，只是這個物體旋轉了一個角度而已，在視覺上不會覺得它變短了；但是如果你考慮到光速是有限的，物體不同部分的光線到達你的眼睛有個時間差，你根據這個時間差做一番計算，即會得到長度收縮的結果。

時間膨脹和長度收縮這兩個效應告訴我們：空間的長短也好，時間的快慢也好，都與座標系有關，不同座標系中的觀測者所看到的時間和空間是不一樣的。時空並不是一個客觀不變的、一視同仁的大舞臺，每個座標系都有自己的時空數字。當不同的座標系要想交流，得先做「座標變換」，把對方的時空數字轉換成自己的。

但是，在每個等速直線運動的座標系內部，你所用的物理公式，都是一模一樣的。

如果永遠不聯繫，你在太空船的生活和我在地面的生活就沒有任何差別。可是一旦要聯繫，我們的數字則會非常不一樣。而這些不一樣，又恰恰是因為光速在所有座標系下都一樣。

相對論是如此讓人不好接受，卻又是如此簡單。

相對性原理是一個信念，但物理學家從來都沒有把相對論當作「信仰」——科學的精神是實驗結果說了算。物理學家始終對相對論保持開放的態度。二○一一年，物理學家一度以為微中子的速度能超過光速，但是後來發現那是一個烏龍，是實驗設備有問題。

現在，我們只能說愛因斯坦完全正確。

• 撰文／劉詠鯤

本文轉載自 CASE 科學報《黑洞旅行團，出發！（上）——彎曲的光與重力透鏡》

在嚴峻的疫情下，雖然我們無法親自外出旅遊，但是想像力可不會被輕易束縛。今天讓我們一起前往廣袤的宇宙中，在那裡散布著無數龐大的天體，它們扭曲從旁擦身而過的光線，形成各式獨特的景象。在本篇文章中，我們將帶領各位讀者一起了解光線是如何被彎曲。

電影《星際效應》中，一幅令人印象深刻的畫面是主角們乘著太空梭在黑洞附近時，所看到的黑洞景象（如圖一）。但是以人類目前的太空實力，尚無法脫離太陽系，抵達巨型黑洞附近更是無法實現。那這幅景象只是純粹虛構的嗎？並不是，它是藉由物理理論將我們的認知延伸到遙遠的宇宙彼端，讓我們也有能力推測，遙遠的未來，黑洞旅行團會看到的景象！

黑洞附近獨特景象的原因，是因為它極為龐大的重力。因此，在討論黑洞景象之前，我們要先來認識描述重力的理論，那便是鼎鼎有名的廣義相對論。廣義相對論使得人們有能力理解宇宙中發生的各種現象，其中一個重要的洞見是：「重力的本質是時空的彎曲」。這句話看起來十分抽象，以下我們舉個例子試著讓各位讀者體會，力與時空彎曲這兩件看來毫無相關的事情是如何扯上關係的。

力與彎曲空間

假設有兩位螞蟻探險家，在他們眼中，地球是一個巨大的平面。有一天，他們相約從赤道上兩個不同的位置出發，拿著指北針，約好一起向正北方，以相同速度前進。在他們心中，地球是一個平面，因此兩人同時向北走，路徑會互相平行，應該永遠不會相遇（圖二a）。但經過了數個月，他們在北極點碰到了彼此，感到驚訝無比。為了解釋此結果，他們推斷：「由於地球是平的，我們會碰在一起，代表我們之間有某種吸引力，將我們越拉越近（圖二b）」。但是我們站在第三人稱的視角便會明白，他們倆最後會碰在一起，並非因為彼此之間有吸引力，而是他們所在的地球是個曲面而非平面。力與空間的彎曲似乎沒有我們想像的那麼毫無關係！

愛因斯坦偉大的洞見，便是他了解到：我們時刻感受到的重力，其實本質上是具有質量的物體造成附近時空的彎曲；我們因為認為時空是平坦的，因此把他詮釋為一種「力」，就如同兩位螞蟻探險家。細心的讀者可能留意到，我們在此使用了「時空」，而非「空間」。相對論中，時間與空間不再互相獨立，而可以互相影響。

讀者可能會疑惑：重力是一種力或是時空的彎曲，這聽起來只是詮釋角度的不同，有實質上的差別嗎？其中一個主要的差別在於對「光」的影響。古典描述重力的理論：牛頓力學，對於光通過一個大質量天體附近時，路徑會如何改變的預測，和廣義相對論的結果並不一致。1919 年，艾丁頓爵士在日蝕發生時，向太陽的方向觀測，發現竟然能夠看到理應被太陽擋住的星光。其原因便是太陽的重力造成附近的時空彎曲，遙遠的星光在通過該區域時發生路徑的偏折，使我們有機會在地球上看到它。

一個物體附近時空彎曲的程度，會和其質量大小有關。因此當光線通過愈大質量的天體附近時，路徑的改變就會越大。這個效果就如同光線通過一個透鏡時會發生偏折（如圖三）。天文學中，人們會使用由透鏡、反射鏡等組成的望遠鏡來觀察遙遠的天體。那我們是否可以使用這些天體形成的「透鏡」，來觀察宇宙呢？答案是肯定的，這便是在當前天文與宇宙學領域中，一個正蓬勃發展的觀測方式：重力透鏡。

重力透鏡

根據光線彎曲的程度（也代表著透鏡天體的質量大小），重力透鏡可以被分為：微重力透鏡、弱重力透鏡以及強重力透鏡。其中強重力透鏡，由於光線的彎曲程度較大，在地球上的觀察者可以看到十分有趣的圖像。例如愛因斯坦十字、愛因斯坦環。對此議題有興趣的讀者，可以參考^[3]，該文章有深入淺出的解釋。

由於光線偏折的程度，與通過的天體質量有關。因此，如果我們對於光源的性質十分了解，重力透鏡可以反過來提供給我們透鏡天體的質量資訊。這特別適合拿來進行暗物質的分布量測。由於暗物質只透過重力和其他物質作用，它並不會放出任何的電磁波，要「看」到它，只能透過重力的效應。若是我們在宇宙中，發現某一個區域具有非常大的質量，造成通過的光軌跡有所偏移，但是我們又無法在該區域中，利用各種電磁波望遠鏡，看到可識別的天體，那很可能那裏有緻密的暗物質；再透過分析光線的彎曲情形，科學家們便可以推測出其中的暗物質質量分布。

在本篇文章中，我們向各位讀者介紹了光是如何受到重力的彎曲，以及相關的應用。這個效應在黑洞附近會更為劇烈，在下一篇文章中，我們將會介紹該如何「模擬」黑洞附近的景象。

延伸閱讀

本系列文章：
黑洞為什麼不黑？彎曲的光與重力透鏡——黑洞旅行團，出發！（上）
巨大的黑洞反而不危險？——黑洞旅行團，出發！（中）
怎麼模擬出真實的黑洞樣貌？光線追蹤技術——黑洞旅行團，出發！（下）

• [1] 廣義相對論之鏡─重力透鏡
• [2] Wiki-Gravitational lens
• [3]人類也能擁有上帝視角，宇宙中的天然放大鏡：重力透鏡