當車子掉進水裡，腦袋和鞋子千萬要保住－《物理才是最好的人生指南》

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／劉詠鯤

本文轉載自 CASE 報科學 《千變萬化的流體（三）：哥吉拉雲—流體的不穩定性》

海岸邊的雲層上緣，出現一隻隻如同哥吉拉形狀的雲；原子彈投下後，劇烈爆炸引起的蕈狀雲；土星大氣層內形狀獨特的雲帶……等。這些看似毫無相關的現象，背後其實成因都可以歸納為：流體中的不穩定性。

2020 年在青森縣的海邊，有網友分享了一張雲朵彷彿在進行「哥吉拉大遊行」的照片（圖一左上）；也有飛行員在雲層上分享過類似的照片（圖一右上）；除此之外，天文學家在土星的大氣層也觀察到相似形狀的雲層（圖一下）。這些「哥吉拉」的行動力竟然如此之高，不只在地球上出現，連土星上都有。這是否暗示它們背後其實具有相同的形成機制呢？

在＜千變萬化的流體（一）＞一文中，我們介紹了流體流動的狀態主要可以分成兩種：層流與紊流。層流狀態的流體十分穩定，它可以被視為一層一層獨立的流動來討論；相對的，紊流如同它的名字所表示，流體內部的流動較為混亂，不同層之間的流體會互相混合、影響。而決定是層流還是紊流的關鍵因素便是「不穩定性」^[1]。

在描述天氣系統為甚麼難以預測時，常常會提到「蝴蝶效應」這個小故事：位在大西洋的颶風，其成因可能只是在亞馬遜森林裡面一隻蝴蝶煽動了翅膀，這個初始的小擾動，隨著時間演變，最終形成尺度龐大的結構。不穩定性在流體中扮演的角色也十分相似。起初流體內部隨機的產生十分微小的擾動，若整個流體的不穩定性足夠大，微小的擾動便有機會繼續成長，直到對整個流體都造成影響。流體中具有各式各樣的不穩定性，在本篇文章中，我們將會介紹與哥吉拉雲還有蕈狀雲有關的兩種不穩定性：克耳文-亥姆霍茲不穩定性以及瑞利-泰勒不穩定性。

克耳文-亥姆霍茲不穩定性：哥吉拉雲

這個不穩定性得名於兩位對此現象進行研究的物理學家：發明絕對溫標的克耳文爵士，以及對聲學共振系統做出系統性研究的亥姆霍茲（在＜香檳聲音哪裡來？＞一文中，他曾經登場過）。這個不穩定性發生的條件是：兩層流體之間具有相對速度。

請搭配圖二，讓我們一起來理解這個不穩定性是如何產生哥吉拉雲的。假設有兩層流體，分別向左與向右運動。當它們彼此完美平行時，一切無事，如圖二（a）。但這個狀態其實並不穩定，任何的擾動，都可能會破壞這個完美狀態。例如，流體中形成了如圖二（b）的擾動，接下來流體的運動會如何變化呢？

對於淺藍流體來說，A 點的體積較原本略小，因此流動速度較大，如同澆花時，將水管捏住（管徑縮小），水可以噴得更遠。此外，流速較快也會使得 A 點的壓力減小；但對於紅色流體來說，A 點的壓力反而會增大。如此會導致流體內部的壓力分佈形成圖二（c）。兩種流體之間的壓力差，會進一步使擾動長大，如圖二（d）。最後，由於流體本身橫向的速度，使擾動在橫向上出現變形，如圖二（e）。如此一來，哥吉拉形狀是不是就出現了呢？

瑞利-泰勒不穩定性：核爆蘑菇雲

接下來，讓我們來看另一種在生活中沒那麼常見，但是看過就很難忘記的不穩定性現象：核爆產生的蘑菇雲。這種現象的成因，是來自於瑞利-泰勒不穩定性，它會發生於密度較大的流體壓在密度小的流體之上時。核彈爆發會在極短時間內釋放出極大熱量，將爆炸中心的空氣瞬間加溫。我們知道，氣體的溫度越高，密度越低，因此在爆炸中心，會瞬間形成大量的低密度空氣。

讓我們用簡單的模型來看看，這種不穩定性是如何造成蘑菇雲的。圖三（a）中有兩種流體，密度較高的在上，此時整個流體系統處於不穩定態，只要有一點擾動 ，如圖三（b） ，不穩定性就會使擾動擴大。由於密度差異，重力使得密度小的流體上升，密度大的下降，使不穩定度振幅逐漸增大。此外，由於壓力差與密度差的方向並不平行，會導致流體的邊界形成渦旋，如圖三（c）。以上這些效應疊加在一起後^[2]，流體邊界處便會逐漸形成如蘑菇狀的特徵，如圖三（d）。

以上兩種流體不穩定性，其實在我們生活中也存在，例如：點燃的線香。由於線香燃燒處的溫度上升，空氣密度下降，此時就滿足瑞利-泰勒不穩定性的條件；當熱空氣上升時，和兩側靜止的空氣有一相對速度，也滿足了克爾文-亥姆霍茲不穩定性條件。只是由於規模較小，發生速度較快，肉眼未必可以清楚的看到如前文中提到的明顯特徵。儘管如此，各位讀者在了解這些不穩定性之後，若是試著觀察看看生活中的各種流體，也許也能找到隱藏起來的「蕈狀雲」喔！

註解

[1] 更詳盡的說明可以參考 CASE＜上下顛倒漂浮船＞一文
[2] 實際上，形成蘑菇狀構造還與流體在三維條件下的非線性效應有關，數學模型較為複雜，此處只是簡單概述其成因。

1. Kelvin–Helmholtz instability
2. Rayleigh–Taylor instability
3. “Single mode hydrodynamic instabilities” draft from Hideaki Takabe.

• 作者／劉詠鯤

本文轉載自 CASE 報科學 《千變萬化的流體（一）：一個做了90年的實驗》

從躺在沙灘上，吹拂身體而過的微風，到吃果醬吐司時，苦苦等待滴落的黏稠果醬；光滑如鏡的湖水到構成平整路面的柏油（瀝青）。這些東西之間具有什麼共通性？又是什麼因素造成它們表現出來的性質，具有如此大的差異？

流體，泛指任何可以流動的物體，在我們的經驗中，主要包含了氣體和液體。例如充斥我們四周的空氣，以及隨處可見的水。但實際上，有些我們看似為固體的東西，其實也屬於流體，例如堅硬的玻璃。以上這些物質都落在流體的範疇。很顯然地，它們之間應該有某種決定性的差異，那便是它們的「黏滯性」。

流體的黏滯性

從微觀的角度來看，黏滯性可以被看成是流體分子之間的吸引力強弱。我們可以想像眼前有一杯水和一坨麻糬。當我們對著它們吹一口氣時，從微觀的角度來說，便是在對它們表層的分子施力。水分子之間的吸引力比較弱，因此表層的水在受力後能夠自由移動，形成波紋；但麻糬分子之間的作用力較強，表層分子被其他分子緊緊抓住，因此不會形成明顯的運動。

麻糬看起來已經很黏了，但在黏滯性排行榜中，它可能還排不太進去。在生活中存在著一種黏滯係數非常大的流體，雖然可能大家都沒把他當成流體過，那便是：瀝青。為了量測瀝青的黏滯係數，物理學家進行了一個「持續時間最長」的實驗：「瀝青滴漏實驗」。到目前（2021 年）為止，已經持續了 90 幾年。有興趣的讀者可以透過以下連結參與這個實驗的直播：http://www.thetenthwatch.com/feed/。

若是讀者們沒有看出瀝青正在滴落，不用懷疑播放鍵是不是壞了。畢竟，根據實驗記錄，上一次滴落花了 13 年時間！這個實驗從 1927 年架設完畢，到目前為止，一共只有 9 滴瀝青滴下。以此估計，瀝青的黏滯係數會是水的千億倍。因此，瀝青大概會是黏滯係數排行榜榜首的候選人之一。

那若是我們看向另一端，黏滯係數很小的部分，可以想像當這樣的流體一旦受到外力，會非常容易流動。也許讀者們會好奇，有沒有可能黏滯係數為零呢？有，這種流體被稱作「超流體」。打個比喻，若是咖啡是種超流體，當我們加入奶精、糖攪拌完後，過半個小時來看，會發現它還在不停的旋轉，完全沒有停下來的跡象！這種流體具有非常獨特的性質，但由於其背後物理原理較為複雜（有數個諾貝爾物理獎都與此題目有關），筆者將此題目留至下一篇文章，再進行完整的介紹。接下來，我們先介紹如何描述流體的運動，也就是流體流動的類型：層流與紊流。

層流與紊流

當我們想要描述流體時，可以將某一個特定時刻，流體中每一個點的瞬間速度以箭頭的方式標出，箭頭的方向指向該點的運動方向，箭頭長度則為運動速度大小。例如在一根細管中，若有水流過，可以預期水流會和管壁大致平行。此外，由於管壁的摩擦力，靠近管壁的流體速度會最慢，正中間的流體則最快，形成如圖二般的速度分布。

這種情形下，流體可以被看作一層一層、彼此不會互相混合且穩定的流動，稱為「層流」。雖然表面上看起來流體分子之間如排隊般，以非常整齊的隊伍前進，但是實際上，流體中存在各種各樣的不穩定性（流體中的不穩定性遍布日常生活中，我們會在超流體之後的文章和各位讀者介紹此現象。），會使得流體發生微小的擾動。若是流體的黏滯性夠大，這些微小的擾動便會被摩擦力消耗掉，使得整體看起來依舊穩定流動；但若是擾動足夠克服摩擦力，則不同層之間的流體會開始混合，形成如漩渦般的複雜結構，這種情況被稱為紊流。由以上描述可知，流體的運動會是哪種情況，會和擾動大小與流體黏滯性有關。在科學上，會透過流體的「雷諾數」來加以描述一個流體運動屬於哪種類型。

層流與紊流的現象在日常生活中其實非常普遍，我們不需要去計算雷諾數，也能夠從流體的外觀來大致分辨它是處於層流還是紊流。例如在欣賞壯麗的瀑布時（如圖三），會發現在水流落下之前，水的流動是相對平穩，顏色呈現深藍色；但當水開始下落形成瀑布時，水的流動變的不穩定，形成白色的水花。讀者們看到這裡，想必已經可以判斷它們分別對應的流體運動種類為何了。

流體在日常中無處不在，流體性質的研究並非僅僅只是純科學的探索，它們早以走進每個人的生活中。例如飛機機翼如何設計增加浮力、高鐵車頭什麼形狀可以降低風阻、甚至容器瓶口要如何設計，才不會倒水時沿著瓶身留下…等等，這些都和流體的特性密切相關。流體，值得我們更深入的認識它！

• [1] Laminar flow
• [2] Pitch drop experiment

2021.12.12 PM 0:45 更新：圖三敘述原寫「尼加拉瓜瀑布」。感謝 codocodo2009 提醒，已修改成「尼加拉瀑布」。