《電磁通論》，古籍風格

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

功與工作

有些大家慣用的字彙常常會被專業學科借用，專家賦予這些字新的定義，比平常的意思更具體、也更有技術性。物理學有個例子是「功」（work）。如果向一個粒子施加定力，並推動一段距離，你所做的功就定義為施力（沿著粒子運動方向的分量）乘上粒子移動的距離。

這是個很具體的物理量，實際上也是能量的一種形式。做多少功，物體的能量就會增加多少。顯而易見的，這個定義和日常生活中我們對工作（work）的理解有點相關：世人為了完成一些目標（大多是想獲取金錢報酬），而費心費力工作。

不過，物理所講的功有明確的意義，使用的範圍也很清楚；相較之下，平常大家說的工作的意思就有些模糊，泛指很多事情。

動力與動量

動量（momentum）這個字看來不太一樣。物理學的動量是 γmv（相對論的珈瑪符號乘上物體靜止質量、再和物體速度相乘），是一種量化方式，用來描述粒子以已知速率往某個固定方向持續前進的傾向。若粒子的速率遠比光速小，γ會非常接近一， 所以能省略掉。

而更廣義的動力（momentum）用來指稱政治運動，或其他社會變動及政策背後的推力。同樣的，一件事的動力愈大，也暗示它愈難停下。不過，這些領域都沒有明確定義何謂「動力」。

物理學中的「場」

到目前為止，我試著不要太常用一些字，但在之後的章節這些字會很常出現。其中一個就是「場」（-eld）。通常場是一片平坦土地的代稱，上頭種了些植物，可能有農夫在照顧，也許還會有幾頭乳牛。

此外這個字也可以代表特定的研究領域或專業，往前翻你就會知道我已經用過這個意思了。這兩個意思其實也可以合併使用，像在解釋稻草人為什麼可以獲得終生教職的時候，就會用到。

物理學的「場」有個更技術性，但還是和前面意義相關的定義。物理學家說的場是個物理量，在空間中某個區域的每個點上都有特定的對應值。如果你待在一個房間內，就可以用各式各樣的場來描述這個環境。身為一位物理學家，你或許會這麼做：

首先你要想出一個方式來明確指出房間中的每一個點。有個好辦法是先選定房間地面的某個角落為「原點」。

然後選取交於原點的其中一個牆面，沿著地面平行於這面牆的方向走過一段距離（稱為x）；接著再順著平行另一面牆的方向走一段（稱為y），你就能碰到地上所有的點。進一步的，只要往上走段距離（叫作z），就可以抵達房間內所有的點了。你需要的只有三個數字：x、y、z。

幾種有用的場

現在可以來談談幾種有用的場了。舉例來說，溫度就是一種場，房間裡的每一點都有一個溫度值。假設平均來看，我們說房內的溫度是攝氏二十一度；如果房間中每一處的溫度都和平均值一樣，那麼你得到的就是一個常量場（constant field）：場的值和點的位置無關，也就是和x、y、z沒有關係。

然而，天花板附近的溫度很有可能比地面的高出一點，因為熱空氣的密度比冷空氣小，會升向天花板。我們可以用某個場來描述溫度與高度的關係，好比T(z)，換句話說，溫度T只和高度z有關。

T是z的函數（function。另一個生活常用字「功能」，這次是被數學家借去用了），可能像T(z) =20.5 + 0.5z，這裡的z以公尺為單位、而T以攝氏溫標（℃）為單位，舉例來說。在兩公尺高的房間內，地面的溫度是 20.5 + 0.5×0 = 20.5℃，而天花板的溫度則是 20.5 + 0.5×2 =21.5℃。

至於天花板和地板之間其他每一點的溫度，都可以用這個溫度場的函數計算出來。其他的場可以用來描述不同的事情，好比空氣密度，或甚至是噪音量。

以上所談的場在每個點都只由一個數字代表。這些場有大小，卻沒有方向。因此我們稱它為「純量場」（scalar -eld）。「純量」（scalar）代表只有大小、卻沒有方向的東西。

某些種類的場則擁有方向，我們叫這種場為「向量場」（vector field）。我之前有提到一些向量場的例子，像是大型強子對撞機的磁鐵製造的電場與磁場。這個房間也有重力場這個向量場。重力場在房內的每一點都有個值（力的大小大約是每公斤九．八牛頓），以及方向（指向地面）。

實際上，電場和磁場都是量子場，重力場可能也是，但科學家還不清楚相關理論。在日常用途中這件事常被忽略掉，但如果你在極小的尺度下觀察這些場，就會發現它其實不是個數值連續體，而是底層的量子場中一連串離散（discrete，意思是不連續，如階梯般一級一級，而不是如漸層色彩一樣柔和變化）的量子、或激發（excitation）的總和（疊加）。

這些激發有點像是波又有點像粒子。電磁學的量子理論―量子電動力學擁有兩個場，分別是光子場以及電子場。我們量測到的電磁波，或是獨立的光子及電子，都是這兩個場的激發。這裡我們又看到一個科學家借用日常名詞的例子。很明顯「激發」和平常我們的用法緊密相關，因為量子場論是個扣人心弦（exciting）的理論。

無論是不是量子理論，場的概念都是一樣的。場是個物理量，在你感興趣的空間範圍內的每一點，都擁有對應的值，可能是單純的數值或是很多個量子的總和。

——本文摘自《撞出上帝的粒子：深入史上最大實驗現場》，2022 年 12 月，貓頭鷹出版，未經同意請勿轉載。

統一電學、磁學、光學的理論，為相對論與通訊系統奠定基礎的馬克士威；制定絕對溫度，對熱力學與電學都做出重大貢獻的克耳文男爵。這兩位物理巨擘竟然也都和計算機有關係？事實上，正是拜他們之賜，面積儀才能演變為解微分方程的類比計算機。

本文為系列文章，上一篇請見：面積儀無法加減乘除，卻開創出「類比式計算機」新路│《電腦簡史》（二十二）

馬克士威與面積儀的改良

「把時間拉長，比如說一萬年後回頭看人類的歷史，十九世紀最重要的事件無疑是馬克士威發現了電動力學方程式。」──這是科學頑童費曼對馬克士威的讚譽。

愛因斯坦也推崇馬克士威的成就是「自牛頓以來，最深刻、最豐碩的觀念變革」。1999 年千禧年前夕，BBC 請一百位物理學家列出心目中最偉大的物理學家，結果馬克士威位居第三，僅次於愛因斯坦與牛頓。

許多人不知道，這位物理大師在理論物理之外，也曾投入機械設計，還因而影響了類比計算機的發明。

1855 年元月，二十三歲的馬克士威向蘇格蘭皇家藝術協會 (Royal Scottish Society of Arts) 提交一篇論文。他在這篇論文指出面積儀的缺失，並提出改良設計。原來面積儀的滾輪上下滑動時，位置不可能總是精確到位，以致數值會有誤差。馬克士威改用兩顆圓球取代滾輪與圓錐體，圓球固定在原地轉動，就不會有滑動偏差。

皇家藝術協會不但刊登這篇論文，還特地給予馬克士威 10 英鎊獎金（大約是當時工匠 45 天的工資），鼓勵他將所設計的新型面積儀製造出來。不過馬克士威什麼也沒做。

可能是他原本對製造就沒興趣，也可能是他在當年四月突然發現有個新的面積儀，構造簡單、攜帶方便，又可以適用於任何大小的圖。這當然就是阿姆斯勒於前一年發明的極座標面積儀，馬克士威的設計只改善了精確性，但在其它各方面卻都遠遠不及，或許因此他才打了退堂鼓。不過幸好如此，否則馬克士威如果真的投入面積儀的生產製造，不知道會不會影響到他後來提出改變世界的電磁理論。

湯姆森兄弟接手

雖然馬克士威設計的面積儀沒有成形，但是他的論文還是被大他九歲、同是英國物理學家的詹姆斯．湯姆森 (James Thomson) 注意到了。湯姆森認為極座標面積儀仍然有些許滑動偏差，不夠精確。於是他參考馬克士威的圓球設計，於 1864 年發明由轉盤、圓筒與圓球三者組成的面積儀，沒有滑動問題，構造又比馬克士威的原始設計簡單許多。

不過湯姆森也是紙上談兵，並未實際著手打造，甚至沒有公開發表，就此將面積儀拋諸腦後。沒想到十二年後，他遺忘許久的這個設計竟然再度浮現腦海，而激起他記憶之人是同為物理學家的弟弟威廉．湯姆森 (William Thomson) 。

威廉與詹姆斯相差二歲，但無論在學術理論或工程技術方面的成就，都遠遠超過哥哥，後來還因貢獻卓越而受封為克耳文男爵 (Baron Kelvin) 。絕對溫度的制定便是出自他的倡議，因此就以克耳文作為絕對溫度的單位名稱，記為 K。除此之外，熱力學與電學還有許多現象或定理也以克耳文為名，以表彰他所做出的重大貢獻。在工程技術方面，克耳文參與了大西洋海底電纜的鋪設、設計經由海底電纜發送電報的系統，還發明了許多科學儀器。

1867 年，克耳文開始思考預測潮汐的可能性。

克耳文的「潮汐預測機」

英國四面環海，在當時海權時代，無論是對貿易或國防而言，掌握各個港口的潮汐漲落都至關重要。影響潮汐的主要因素當然是太陽與月球的引力，但是不同經緯位置所受的引力大小與角度都不相同，海底地形也會影響潮水的運動，加上地球本身就在旋轉，種種複雜因素互相作用，根本不可能憑物理公式直接算出漲退潮的時間。

克耳文採取的作法，是將潮汐變化的波形視為許多簡單的基本波形疊加的結果；每個基本波形都可以用三角函數表示，如此便是一個預測潮汐的數學模型。

這個模型的妙處在於不需要計算；不用算出三角函數的值，也不用一一加總。因為基本波形可以用圓周運動來表示，也就可以用輪軸旋轉來模擬（波的週期取決於轉速、振幅取決於半徑大小）；適當地讓幾個輪軸連動便能模擬出波形疊加的結果，也就是潮汐的變化。

克耳文於 1873 年展示以此原理打造的潮汐預測機，用了八個連動的輪軸，轉動後會在標有時間軸的紙上，畫出潮汐的高度。

潮汐預測機雖然能自動疊加三角函數，不需人工計算，但這是在機器運轉之後。在機器建造之前，還是得用傅立葉分析 (Fourier analysis)，找出組成潮汐變化的基本波形，才能知道輪軸的大小與轉速要設計成怎樣。而這牽涉到微分方程式的計算，相當複雜耗時。

如果是一勞永逸也就罷了，偏偏每個港口的潮汐變化都不同，各有各的傅立葉分析要做，太耗費時間了。難道這不能也用機器代勞嗎？

從面積儀進化成「調和分析儀」

1876 年，克耳文向哥哥詹姆斯提及這個問題，詹姆斯突然想起自己十幾年前設計的面積儀——既然將微分方程中的項目積分可以解出方程式，或許面積儀可以派上用場。克耳文一聽其中原理，馬上明瞭若將兩台詹姆斯設計的面積儀整合在一起，讓第一台的圓筒連接到第二台的轉盤，相當於將前者的計算結果做為後者的輸入值，就可以解二階線性微分方程式。只要串接更多台面積儀，就能解更高階的微分方程式，做出更吻合潮汐變化的傅立葉分析。

他們兄弟倆很快完成論文，詹姆斯先發表他之前發明的面積儀，並提及克耳文發現的潛在應用。克耳文隨後再發表論文，詳述利用詹姆斯的面積儀解微分方程式的原理，並附上自己設計的「調和分析儀」 (Harmonic Analyser)，專門用來做潮汐的傅立葉分析。兩年後，調和分析儀原型機問世，雖然只能做到波形的二次分析，但已經向世人證明機器可以解微分方程。以調和分析儀為基礎，後來又延伸出各種不同用途的類比計算機，分別用於熱力學、氣象學的分析，乃至火炮射擊的調控，都取得相當不錯的成效。

不過克耳文理想中，將很多台面積儀串接起來，組合成一部可解更高階微分方程式的分析儀，其實不可能做得到。因為第一台面積儀轉動所產生的扭力，不足以傳遞到後面的面積儀。這個問題是機械零件無法克服的，必須等到電子零件出現，才能解決扭力不足的問題，也才能打造出真正可解各種微分方程式的計算機。