天文學家在十幾年的陳年哈柏資料中發現隱匿的系外行星

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

通常離熱源愈遠，溫度會愈低。太陽的可見表面稱為光球（photosphere），溫度約為絕對溫度6000K，但光球以上的太陽大氣層溫度卻達數萬度以上，甚至是最外層的太陽大氣—日冕（corona）的溫度是其表面的300倍以上。這樣反常的現象，是太陽物理迄今未解的謎題之一。

美國華盛頓天主教大學（Catholic University）暨哥達德太空飛行中心（Goddard Space Flight Center）科學家Jeff Brosius等人近期提出報告指出：常態性發生的極微閃焰（nanoflare）是讓太陽大氣加熱到如此高溫狀態的主因；但由於極微閃焰規模甚小，因此迄今仍無法偵測到個別極微閃焰的活動。

更讓這些科學家驚訝的是：這個證據來自美國航太總署（NASA）最便宜的任務類型—探空火箭（sounding rocket）短短6分鐘的偵測結果。這個稱為「EUNIS」的探空火箭任務，是極紫外正入射光柵攝譜儀（Extreme Ultraviolet Normal Incidence Spectrograph）的縮寫，發射於2013年4月23日，以每1.3秒的速率蒐集溫度與性質差異均頗大的日冕物質資料。

科學家曾提出多種理論試圖解釋日冕溫度反常高溫的現象，多半涉及的是日冕中磁能轉換成熱能而使日冕溫度上升的過程。不同的理論對可觀測到哪種會影響溫度的物質有的預測也不同，但鮮少有大範圍面積的觀測解析度高到足以分辨哪種預測正確的狀況。

EUNIS探空火箭上裝載有靈敏度非常高的攝譜儀，從譜線狀態，可估算特定溫度下有多少物質出現的訊息。而又因地球大氣會吸收來自太陽的極紫外光，所以這種觀測必須在大氣以外的太空中進行。EUNIS探空火箭飛行至離地表約322公里的高空中，飛行時間僅有15分鐘左右，其中約僅6分鐘在大氣以上的時間能蒐集可用資料。

在飛行期間，EUNIS按預定計畫掃瞄太陽大氣中一個磁場結構複雜的活躍區（ active region）；這類活躍區常是大型閃焰（flare）或日冕物質拋射（coronal mass ejection，CME）等爆發活動的發生之地。進入攝譜儀的光，會按照不同波長分開，且因溫度頗高，日冕中不同元素會在光譜中形成特定波長的發射譜線（emission line），攝譜儀拍攝的就是這些光譜影像。每條發射譜線都可顯示在獨特溫度下的太陽物質，進一步分析還可獲知這種物質的密度和運動。

EUNIS主要觀測溫度約1000萬K的物質所發出的極紫外光。科學家提出假設認為日冕中有大量極微閃焰活動，可將物質加熱到1000萬K的程度。但這些物質冷卻得非常快，所以普遍觀測到的日冕物質溫度約在100萬～300萬K左右；然而，以EUNIS的靈敏度而言，仍能偵測到那些極高溫物質餘留的微弱亮光。EUNIS研究團隊終究成功地在攝譜儀影像中找到與1000萬K極高溫物質有關的譜線，雖然這條發射譜線並不強，但已足以清楚明白地分辨出造成這些譜線的極高溫物質，並成為極微閃焰確實存在的強烈證據。

不過，雖然已有數種理論議及，但對於極微閃焰產生機制還無定論。此外，也有極微閃焰以外的其他理論解釋日冕加熱的現象。這些科學家必須繼續努力，改善觀測工具和儀器後，蒐集更多觀測資料才能驗證他們的極微閃焰加熱日冕的理論是否正確。不過好在，至少沒有其他理論有預測這種極高溫物質的存在，所以極微閃焰理論還是很能站得住腳的。

轉載自 網路天文台

根據Ying D. Liu等人最近發表的論文中指出：2012年7月23日，地球險險避過一場超強太陽風暴的襲擊。這波日冕物質噴發（CME）的粒子運動速度高達每秒2000公里，幾乎是一般典型CME的4倍左右。雖然地球躲過這場襲擊，不過在太空中、繞太陽公轉的STEREO-A太陽觀測衛星卻沒躲過。Liu 等人分析CME掃過STEREO-A時的觀測資料，發現它是1976年以來強的太陽質子風暴（solar proton storm）。如果這樣威力的質子風暴衝擊到地球，則將引起與1859年著名的卡林吞事件（Carrington Event）類似的狀況，對現代的電子科技造成莫大威脅。

卡林吞事件是1859年時曾有一連串強力CME正面衝擊地球，引起強烈地磁暴（geomagnetic storm）。當時不僅造成全球電信線路中斷，而且引發的北極光強到連磁緯很南邊的大溪地都可見。根據美國國家科學院（National Academy of Sciences）的研究，當時這場天災，總共造成了美金2兆元以上的經濟損失，是卡崔娜颶風災損的20倍以上；大量變壓器在這場太陽風暴中燒毀，耗費數年才全部修復，使得全球電信事業癱瘓。同樣強度的太陽風暴如果發生在現代，電力運輸網和通訊網路也都逃不掉癱瘓的情況，而且得花多久時間才能復原，損失難以估計。這表示不僅你的手機不能打了，連有沒有電和水可用都不好說。

2012年7月23日的這個類卡林吞CME事件，其實由2個間隔10～15分鐘的CME組成，再加上CME衝出的方向，恰好在4天前另一波CME事件中被清空了，使得7/23這兩波CME一路暢行無阻，不像平常那樣受到行星際空間粒子的阻擋而減速。

當CME中的質子雲通過地球軌道時，地球本身恰在1週前剛通過那個位置，所以避過了這兩波CME的正面衝擊，但這也顯示這兩波CME非常窄的質子流。 整起事件最高潮之處在於喚起太空天氣的危機感。許多觀測者都注意到現在所處的第24太陽活動週期比以前的還要弱，或許是百年來最弱的。但是透過2012年 7/23的這個超強太陽風暴事件，顯示即使是個活動微弱的太陽活動週期，也還是會產生非常強的太陽風暴。地球在這類事件中並不安全，所以必須居安思危，時時準備好應付這類事件，以期將損失降到最低。

資料來源：SpaceWeather.com [Mar. 20, 2014]

轉載自網路天文館