天文學家首度利用微重力透鏡視差法精確測定遙遠系外行星的距離

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

最近，韋伯太空望遠鏡發布首批科學影像，終於看到敲碗好久的結果——韋伯拍到了人類從未見過的許多東西！有人說，韋伯是哈伯的繼任者，但不知道大家是否好奇過，哈伯和韋伯到底誰比較強？

這個問題有點難回答，因為兩部望遠鏡都是當代科技的結晶。哈伯是 1990 年升空的王者，韋伯是 30 年後科技進步下的產物，我試著用客觀的方式來比較這兩部太空望遠鏡。

哈伯觀測可見光，韋伯觀測紅外光

哈伯的主鏡直徑是 2.4 公尺，韋伯則是 6.5 公尺，韋伯的主鏡直徑比哈伯大 2.7 倍，這也是大家最常比較的部分。可是，如果主鏡大就比較厲害，那麼夏威夷大島上的凱克 10 公尺望遠鏡，不就比哈伯和韋伯更強？

哈伯與韋伯觀測的波段不同，用途也不一樣。哈伯主要觀測的波段在可見光，可見光是指人類眼睛可以看見的光或顏色範圍，也就是紅、橙、黃、綠、藍、靛和紫。從紅光到紫光，光的波長由長到短，紅光的波長大約是 0.62–0.74 微米（1 微米＝0.001 公釐），紫光的範圍則是 0.38–0.45 微米。

紅外光是指比紅光波長更長的光，也就是波長比 0.7 微米更長，這是韋伯望遠鏡主要觀測宇宙的波段。

哈伯和韋伯太空望遠鏡觀測的波段，一個在可見光，另一個在紅外光，所以在功用上本來就不一樣，如果要比較的話就要小心，不然就像拿橘子跟蘋果相比，拿不同的東西做比較顯得很突兀。

誰看得比較清楚？來比一比解析度吧！

哈伯與韋伯可以拿來做比較的是解析度，解析度的值（角秒）愈低，表示能看到天體愈細微的部分，解析度跟主鏡直徑和觀測的波長有關。望遠鏡主鏡愈大，解析度愈好；另外也跟觀測的波長成正比。

以下兩張影像分別是史匹哲太空望遠鏡（Spitzer Space Telescope）和韋伯拍的天空中同一區域紅外光影像，拍攝的紅外波長也差不多（史匹哲：8 微米，韋伯 7.7 微米），不過兩幅影像的解析度卻差很多，韋伯的影像中可以看到更多的細節，史匹哲則好像糊成一團。

當觀測的波長一樣時，解析度跟觀測望遠鏡的主鏡直徑成反比。史匹哲的主鏡是 0.85 公尺，所以韋伯的解析力是史匹哲的 6.5/0.85=7.8 倍！主鏡的大小直接反應在解析度上，韋伯與史匹哲在解析度上高下立判！

解析度除了跟主鏡的直徑成反比，也跟觀測的波長成正比。所以同一面主鏡觀測天體，用愈短的波長觀測解析度愈好。下圖是史匹哲望遠鏡觀測 M81 星系的結果，同樣 0.85 公尺的主鏡觀測，隨著觀測波長的增加，解析度變差。

答案揭曉——哈伯的解析度略勝一籌！

前面提到解析度跟主鏡直徑與觀測波長的關係有一個重要前提，主鏡必須研磨到完美、光滑，也就是主鏡上不能出現高低起伏。如果主鏡不完美，像遊樂場裡的哈哈鏡，不能聚焦成像，解析度自然不好。

波長愈短對鏡面的要求愈高。哈伯太空望遠鏡的鏡面對 0.5 微米波長更長的光是完美的，比 0.5 微米波長更短的光波則呈現不完美，韋伯望遠鏡的主鏡則是對 2 微米更長的波長是光滑的。（光學上，物理學家的說法是哈伯和韋伯分別在 0.5 和 2 微米達到繞射極限。）

哈伯和韋伯望遠鏡最佳解析度分別在 0.5 微米和 2 微米，根據前面的解析度公式，哈伯在 0.5 微米的解析度是 0.05 角秒，而韋伯在 2 微米的解析度是 0.08 角秒，結論是哈伯的解析度比韋伯稍微好一點！也就是哈伯老當益壯，一點也不比韋伯差。

從哈伯到韋伯，有如長江後浪推前浪

天文學家從 1990 年開始，透過哈伯望遠鏡研究宇宙，這三十年來科學家已經把哈伯的功能發揮到極致，我們對宇宙的了解很多都來自哈伯的觀測。不過這三十年的努力也讓天文學家發現哈伯不足的地方，科學家知道關鍵在紅外線觀測能力。前一代的紅外望遠鏡史匹哲無法達到需求，天文學家只能殷殷期盼韋伯。

韋伯首批公布的影像中，幾乎都是哈伯曾經拍過的天體，從科學上來說，比較可見光和紅外影像資料可以對目標天體更多了解，不過我認為這應該是韋伯對哈伯致敬的方式，感謝哈伯三十多年的貢獻！

韋伯站在巨人的肩膀上，必定能看得更暗、更遠！

• 作者｜ Chris Shallue，Google人工智慧研究員 / Andrew Vanderburg，德州大學奧斯汀分校天文學家

幾千年來，人們仰望星星，記錄、觀察天文現象，並從中發現其運行模式。第一批天文學家所認定的天體是行星，由於行星在夜空中看似不規則的移動，因此也被希臘人稱之為「planētai」或「漫遊者 （wanderers）」。經過幾個世紀以來的研究，人們已經了解太陽系的運行模式，是地球和其他行星圍繞著太陽公轉，而太陽是一個恆星，就如同我們肉眼所看見會發光的星星一樣。

如今，在望遠鏡光學（telescope optics）、太空飛行、數位相機和電腦等技術的幫助下，我們得以將對宇宙的了解擴展到太陽系之外，偵測並探究其他恆星周圍的行星。這些圍繞在其他恆星周圍的行星也稱之為「系外行星（exoplanet）」，而研究系外行星能幫助我們更深入探索宇宙與人類的奧秘。太陽系之外的宇宙是什麼樣子呢？外太空還有像太陽系一樣的其他行星恆星嗎？

雖然技術的進步有助於我們探索宇宙，但尋找系外行星仍不容易。與火熱的恆星相比，系外行星是冷的、小的、沒有光亮的，這就像要從幾千英里的地方，看見探照燈旁邊飛來的螢火蟲一樣困難。

不過藉助機器學習（Machine Learning），我們在最近有了一些新的進展。

克卜勒任務與 Google AI 的相遇

天文學家搜尋系外行星的方式，其中一個是分析來自NASA 克卜勒任務（Kepler Mission）中的大量資料數據，並透過自動化軟體和手動方式來執行。克卜勒任務用了四年的時間觀察近20萬顆恆星，每30分鐘拍一次照片，並創造了近140億個資料點。這140億個資料點相當於大約2千兆個可能的行星軌道。這個龐大的資料量即使用最強大的電腦來分析也是非常耗時、費力的。為了讓這個分析的過程可以更有效率，我們導入機器學習來加速分析時程。

凌星法是指，當一顆運行中的行星擋住了恆星的光線時，恆星的亮度會減小。我們以此概念為基礎，將其特徵訊號用來辨識周圍運行的行星，並運用克卜勒天文望遠鏡，在四年之間觀察並分析了20萬顆恆星的亮度。

機器學習能夠訓練電腦認識運作模式，而這對於分析大量數據來說尤其有用。機器學習技術的重點在於讓電腦從範例中學習，而不是透過編寫特定的規則。

我是Google人工智慧團隊的機器學習研究員，對於宇宙的世界相當感興趣。因此，我善用「20%計畫」（在Google，你可以利用20%的時間來做你喜歡或感興趣的事情）來開始執行這個專案。我和德州大學奧斯汀分校的天文學家 Andrew 接洽，共同執行這個專案。我們將機器學習技術應用在宇宙探索，並教導機器學習系統如何識別遙遠恆星周圍的行星。

我們利用超過 15,000 個被標記的克卜勒訊號，創造一個 TensorFlow 模組來辨別行星與非行星。為此，這個模型必須能辨認出真正的行星所形成的圖像，與其他天體如 星斑（starspots）和雙星（binary stars）所形成的圖像。當我們讓 TensorFlow 模組辨識從未見過的訊號時，它能以96%的準確率辨認出哪些訊號是行星，哪些是非行星。因此，我們知道這個模組成功了！

克卜勒90i，發現！

有了可行的模組後，我們拍攝恆星，並利用這個模組在克卜勒數據中尋找新的行星。為了縮小搜尋範圍，我們研究了 670個已知可容納兩顆或更多的系外行星的恆星。在這樣的過程中，我們發現兩顆新行星：克卜勒80g 和克卜勒90i。其中值得注意的是，克卜勒90i 是第八個被發現圍繞著克卜勒90的行星，這使它成為除了太陽系之外，第一個已知的八大行星系統。

我們利用15,000個被標示的克卜勒訊號，來訓練機器學習模組去辨認行星訊號，並利用這個模組，從670顆恆星的數據中發現新的行星，且成功發現了兩個先前被忽略的行星。

另外也發現了一些有趣的事：這個行星比地球大了30%；擁有大約華氏800度的地表溫度，絕對不是你下一趟旅行的好選擇；它以14天的週期繞著恆星公轉，這代表你每兩個星期就會過一次生日喔。

克卜勒 90是太陽系以外第一個已知的八大行星系統。在這個星系中，行星運行的軌道更靠近恆星，而克卜勒90i每14天公轉一次。（請注意，行星的大小，以及行星與恆星的距離不在測量範圍內。）

當我們運用科技來嘗試了解宇宙時，會以為已經可以一窺一二，但其實不然。目前為止，我們只用TensorFlow 模組搜尋了20萬個恆星當中的670個，而克卜勒的數據中可能還有更多系外行星尚未被發現，未來機器學習的新思維和技術將能幫助人類進行宇宙探索，發現更多未知的領域！

• 本文原刊載於Google台灣部落格，原文為《用機器學習發現新行星》