0

0
1

文字

分享

0
0
1

危橋示警 台灣首創「斷橋預警」系統

劉珈均
・2015/10/15 ・1252字 ・閱讀時間約 2 分鐘 ・SR值 544 ・八年級

於名竹大橋系統安裝完成照片
系統於名竹大橋完成安裝時。圖/國研院提供

國家實驗研究院整合六個中心,首創全球第一個斷橋預警系統,「斷橋預警─雲端防災互連網」可全天候監測橋梁安全,特別是颱風洪水時影響橋樑安全甚劇的「沖刷深度」,並可在橋梁發生斷橋危機前,提前六小時預警。國研院目前已在濁水溪與大甲溪共四座橋梁完成實驗,未來可望擴及其他主要橋梁。

此系統可在洪水氾濫時供當局做封橋決策的科學依據,平時則做為橋梁保養維護之用。台灣目前大小橋梁共兩萬多座,過去十年來,有一百多座橋梁被颱風洪水沖斷,嚴重案例如2000年碧利斯颱風高屏大橋斷橋導致22人墜橋受傷;2008年辛樂克颱風時后豐大橋橋墩沖毀造成6死;2009年莫拉克颱風沖垮雙園大橋15橋墩與500公尺斷裂路面,造成6車10死的意外。

橋梁損壞原因統計
全球橋梁損壞原因統計。其中有60%來自沖刷,而台灣降雨強度集中,地形陡峻,河流短促,沖刷問題特別嚴重。圖/國研院提供

目前世界各國封橋的依據都是看水位有多接近橋面(我國標準是1.5公尺),但水位上漲與沖刷深度並非完全相關,橋梁斷裂主因是河水沖刷、掏空橋墩下方沙土。國家地震工程研究中心研究員林詠彬說,2000年高屏大橋是在颱風過後兩天、水退了才斷,單憑水位高度看不出橋有危險。

沖刷感測器封裝在鋼球裡,埋於河床下的沙土中,每50公分深裝設一個,至少安裝至河床下十幾公尺深。當沙土被沖刷、掏空,晶片就會一個個露於水中而發出訊號,即可得知沙土的沖刷情形(想像一下,十幾公尺深的泥土被沖走,相當於掏空五層樓高了!)。

-----廣告,請繼續往下閱讀-----

橋梁上並有水位計、流速計、應力感測、橋面振動感測等,所有即時監測的資訊回傳至國網中心的雲端超級電腦分析,搭配電腦模擬上、中、下游雨量空間分布及沖刷情形,再將結果傳給橋梁管理單位,幫助掌握封橋時機。

國研院在濁水溪上中下游的名竹大橋、中沙大橋、自強大橋,以及國道3號大甲溪橋裝設此系統,已實驗了兩三年。林詠彬解釋,濁水溪上游是卵礫石,下游為沙質,中游段則是兩者混雜,台灣四大流域的地質特性皆相同,因此可以類推運用至各地區。中部河流的沖刷強度最大,位於大甲溪、濁水溪、高屏溪等流域的橋梁面臨較大的潛在沖刷危險。

林詠彬表示,一座橋不需要每座橋墩都裝,只要裝設在位於深槽區的兩三座橋墩即可推算整座橋梁的狀況,在一座橋上安裝這些感應器的施工費約新台幣300萬。

此系統為國研院整合儀科中心、颱洪中心、國震中心、國網中心、晶片中心、奈米實驗室六個單位,歷經十多年研發而成,已申請台、日、美、中等各國專利,待技術更加成熟也考慮輸出國外。

-----廣告,請繼續往下閱讀-----
經封裝後於名竹大橋安裝之感測晶片
感測晶片就封裝在鋼球裡,埋於橋下沙土。平常橋上感應器一分鐘傳一筆資料,橋下則是10分鐘一筆;發布海上颱風警報後,橋下感應器也增為一分鐘一筆。圖/國研院提供
自強大橋監測管固定施作照片
系統安裝於自強大橋的施工情形。圖/國研院提供
-----廣告,請繼續往下閱讀-----
文章難易度
劉珈均
35 篇文章 ・ 1 位粉絲
PanSci 特約記者。大學時期主修新聞,嚮往能上山下海跑採訪,因緣際會接觸科學新聞後就不想離開了。生活總是在熬夜,不是趕稿就是在屋頂看星星,一邊想像是否有外星人也朝著地球方向看過來。

0

1
0

文字

分享

0
1
0
拆解邊緣AI熱潮:伺服器如何提供穩固的運算基石?
鳥苷三磷酸 (PanSci Promo)_96
・2025/05/21 ・5071字 ・閱讀時間約 10 分鐘

-----廣告,請繼續往下閱讀-----

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。

-----廣告,請繼續往下閱讀-----

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。

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。/ 圖片來源:MotionArray

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)」!

-----廣告,請繼續往下閱讀-----

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。

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。

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。/ 圖片提供:研華科技

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。

-----廣告,請繼續往下閱讀-----

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。

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。/ 圖片來源:MotionArray

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)。

-----廣告,請繼續往下閱讀-----

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。

-----廣告,請繼續往下閱讀-----

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。

-----廣告,請繼續往下閱讀-----
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。/ 圖片提供:研華科技

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

-----廣告,請繼續往下閱讀-----
-----廣告,請繼續往下閱讀-----
文章難易度

討論功能關閉中。

0

6
2

文字

分享

0
6
2
指甲刮黑板的聲音,為何讓人難以忍受?
雅文兒童聽語文教基金會_96
・2023/10/22 ・2522字 ・閱讀時間約 5 分鐘

-----廣告,請繼續往下閱讀-----

  • 朱家瑩/雅文基金會聽語科學研究中心 研究員

想像一下當你聽到手指甲刮著黑板產生的摩擦聲,或者是拿著叉子摩擦著不鏽鋼碗的聲音,抑或是小孩的哭叫聲,有沒有哪一個聲音會讓你全身起雞皮疙瘩,想要用手摀住耳朵,甚至是情緒爆炸、只想要遠離現場呢?這些讓人不適的聲音,是有其特有的聲學特質?或是其他緣故呢?

想像一下指甲刮黑板的聲音。圖/Pexels

不是尖銳、高頻音就刺耳,而是流淌在你我血液的祖先智慧

一般認為,令人不適的聲音是因為刺耳的高頻聲,尤其像是手指甲刮黑板時所產生的摩擦聲,其中那種「ㄍㄧ ㄍㄧ ㄍㄧ」的聲音,似乎是造成不適感的主因。

然而,Halpern、Blake 和 Hillenbrand(1986)這三位研究者對於這個現象感到好奇,因此他們進行了一項實驗 [1],他們將那些令人不適聲音(如:刮金屬或石板的聲音)中的高頻音減弱。

結果顯示,即使減弱尖銳的高頻聲音,受試者仍然感到不適,因而主張尖銳的高頻音並不是造成不適感的主因。接續 Halpern 等人在企圖尋求答案時,意外發現刮黑板的聲音頻譜圖跟靈長類猴子的警告叫聲非常相似,因而大膽推測這個不適感並非高頻音造成的,而是源於人類祖先的記憶。

-----廣告,請繼續往下閱讀-----

人類對特定頻率區間的聲音感知最敏感,加上跨感官的連結,讓人聽到某些音就不適

可惜,到底是不是來自老祖先的智慧傳承,這點未獲得後續研究的支持。另一方面,Kumar 等人(2008)進一步以聲學分析探究是否是因特定頻率導致聆聽的不適感時,發現聲音中涵蓋 2500-5500 赫茲這個頻率區間的聲學頻率似乎特別容易引起聽者的不適感 [2]

有沒有哪一個聲音會讓你全身起雞皮疙瘩,想要用手摀住耳朵?圖/Pexels

他們推測這可能是因為這個頻率範圍的聲音感知上最為強烈,同時也具有最高的能量,因此使得聽覺系統特別對這些頻率的聲音敏感。

但是,我們平常聊天談話中也涵蓋了這個頻率範圍的聲音,除了頻率之外,是不是還有其他因素造成對某些聲音的不適感呢?

Ro 等人(2013)發現當聽到聲音時,聲音進入大腦的聽覺皮質同時,會傳遞訊號到觸覺感官系統,啟動了觸覺感官,讓聽者聽到聲音時,「感覺」到自己的皮膚彷彿被指甲刮的刺痛感 [3]

-----廣告,請繼續往下閱讀-----

聽聲音會啟動身體觸覺感官系統並非只存在刮黑板這類聲音,有些人在聽到音樂聲,像是聽到低音貝斯的聲音時,也會感覺到自己的身體也在震動,甚至感受到皮膚的不適感 [4、5]

也許因為這個跨感官的訊號傳遞,讓身體的其他部位也出現不適的感受,才會讓聽者對於這些聲音感到不適。

當感知到令人不適的聲音,杏仁核會依據習得經驗,決定是否啟動保護機制!

Zald 與 Pardo(2002)發現當聽到讓人感到不適的聲音刺激時,大腦中的杏仁核(amygdala)會高度活化 [6],而杏仁核在大腦中負責掌控恐懼、焦慮、害怕等負面情緒,換句話說,當聲音訊息抵達杏仁核時,它會誘發情緒反應,進而導致我們做出不同行為反應 [7]

杏仁核的啟動是大腦的一種保護機制,透過過往的經驗連結學習會對讓人不適的聲音發出警報[8] ,當聽者遇到可能危及安全的聲音時,杏仁核就會發出警報。

-----廣告,請繼續往下閱讀-----

例如,當聽到車子緊急剎車的聲音時,這個聲音傳送到杏仁核,會進而引起我們想要逃離的反應,或者產生對駕駛者行為的憤怒反應。

由於杏仁核在聆聽這些聲音時會高度活化,Kumar 等人(2012)進一步試圖了解在聆聽令人不適的聲音時,杏仁核在大腦中扮演著怎樣的角色,以及聲音資訊如何被傳遞到杏仁核。

他們的研究結果顯示,聲音刺激會最先傳送到聽覺皮質(auditory cortex)進行聲學訊息處理和分析,解碼聲音所代表的意義,例如,聽到「ㄍㄧ」的剎車聲,解碼出來的是來自汽車或者腳踏車的剎車聲。聽覺皮質處理完畢後,將資訊傳遞到杏仁核,當杏仁核接收到來自聽覺皮質的訊號後,依據這些訊息及過去經驗發出警報 [8],誘發恐懼、焦慮或憤怒等負面情緒,並可能促使進一步的行為反應,像是尖叫、摀住耳朵,或逃離現場。

舉例來說,如果是汽車的剎車聲,基於過去的經驗,可能存在危險,因此可能會誘發恐懼情緒,並引發立馬逃離現場的行為舉動。

-----廣告,請繼續往下閱讀-----
有些人基於過去的經驗,聽到汽車的剎車聲,可能會誘發恐懼情緒。圖/Pexels

然而,如果解碼後的聲音是腳踏車的剎車聲,根據過去的經驗,可能不會有危及生命的危險,因此即便會觸發閃躲的動作行為,但負面情緒可能不如汽車剎車聲來的強烈,可能只會憤怒的罵騎車的人不長眼。

聽到某些聲音,讓人立馬想逃或想戰,也許這個過往的經驗是來自遠古時代祖先的傳承,但更可能是因為聽到這些聲音時,觸覺感官系統被啟動了,身體上「感覺」到不適,所以當不適的聲音再次出現時,杏仁核的活化反應就更增強,讓我們除了單純的接收到聲音之外,也產生了身體及情緒上的反應。

  1. Halpern, D. L., Blake, R., & Hillenbrand, J. (1986). Psychoacoustics of a chilling sound. Perception & Psychophysics39, 77-80.
  2. Kumar, S., Forster, H. M., Bailey, P., & Griffiths, T. D. (2008). Mapping unpleasantness of sounds to their auditory representation. The Journal of the Acoustical Society of America124(6), 3810-3817.
  3. Ro, T., Ellmore, T. M., & Beauchamp, M. S. (2013). A neural link between feeling and hearing. Cerebral cortex, 23(7), 1724-1730.
  4. Koenig, L., & Ro, T. (2022). Sound Frequency Predicts the Bodily Location of Auditory-Induced Tactile Sensations in Synesthetic and Ordinary Perception. bioRxiv.
  5. Lad, D., Wilkins, A., Johnstone, E., Vuong, Q.C. (2022). Feeling the music: The feel and sound of songs attenuate pain. British Journal of Pain, 16(5), 518-527. 
  6. Zald, D. H., & Pardo, J. V. (2002). The neural correlates of aversive auditory stimulation. Neuroimage16(3), 746-753.
  7. LeDoux, J. E. (2000). Emotion circuits in the brain. Annual review of neuroscience23(1), 155-184.
  8. Kumar, S., von Kriegstein, K., Friston, K., & Griffiths, T. D. (2012). Features versus feelings: dissociable representations of the acoustic features and valence of aversive sounds. Journal of Neuroscience, 32(41), 14184-14192.
-----廣告,請繼續往下閱讀-----
雅文兒童聽語文教基金會_96
61 篇文章 ・ 223 位粉絲
雅文基金會提供聽損兒早期療育服務,近年來更致力分享親子教養資訊、推動聽損兒童融合教育,並普及聽力保健知識,期盼在家庭、學校和社會埋下良善的種子,替聽損者營造更加友善的環境。

0

1
1

文字

分享

0
1
1
說好的颱風呢?!氣象預報不準?要準確預測天氣有多難?
PanSci_96
・2023/09/12 ・4646字 ・閱讀時間約 9 分鐘

小心啊,打雷囉,下雨收衣服啊!

氣象報告說好是晴天的,怎麼一踏出門就開始下雨了?

昨天都說要直撲的颱風,怎麼又彎出去了?

多麼希望天氣預報能做到百分之百正確,只要出門前問一下手機,就能確定今天是出大太陽還是午後雷陣雨,是幾點幾分在哪裡?又或是最重要的,颱風到底會不會來?

-----廣告,請繼續往下閱讀-----

但你知道,現在的氣象預報,已經動用全球最強的超級電腦們了嗎?既然如此,我們現在的氣象預報能力到底有多準?我們什麼時候能徹底掌握這顆蔚藍星球上發生的所有天氣現象?

天氣預報有多困難?

雖然我們常常嫌說氣象預報不準、颱風路徑不準、預測失靈等等。但我們現在的實力如何呢?

目前美國國家海洋暨大氣總署的數據分析,對西太平洋颱風的 24 小時預測,誤差平均值約 50 英哩,也就是一天內的路徑誤差,大約是 80 公里。其他國家的氣象局,24 小時的誤差也約在 50 到 120 公里之間。台灣呢?根據中央氣象局到 2010 年的統計,誤差大約在 100 公里內。也就是臺灣對颱風的預測,沒有落後其他先進單位。

現在只要打開手機隨便開個 APP,就能問到今天的天氣概況,甚至是小區域或是短時間區間內的天氣預報。但在過去沒有電腦的時代,要預測天氣根本可以不可能(諸葛孔明:哪泥?)。

-----廣告,請繼續往下閱讀-----

近代且稱得上科學的天氣預測可追溯回 1854 年,那個只能靠人工觀測的年代,英國氣象學家為了保護漁民出海的安危,利用電報傳遞來蒐集各地居民的觀察,並進行風暴預報。後來演變成天氣預報後,卻因為有時預報不準,預報員承受了輿論與國會批判的巨大壓力,最後甚至鬱鬱離世。

19 世紀的氣象學家為了保護漁民出海的安危,會利用電報蒐集各地居民的觀察進行風暴預報。圖/Giphy

在電腦還在用打洞卡進行運算的年代,一台電腦比一個房間還大。氣象局要預測天氣,甚至判斷颱風動向,得要依賴專家對天氣系統、氣候型態的認知。因此在模擬預測非主流的年代,我們可以看到氣象局在進行預測時,會拿著一個圓盤,依據量測到的大氣壓力、風速等氣象值,進行專家分析。

當時全球的氣象系統,則是透過全球約一千個氣象站,共同在 UTC 時間(舊稱格林威治時間)的零零時施放高空探測氣球,透過聯合國的「World Weather Watch」計畫來共享天氣資料,用以分析。關於氣象氣球,我們之前也介紹過,歡迎看看這集喔。

也就是說,以前的颱風預測就是專家依靠自身的學理與經驗,來預測颱風的動向,但是,大氣系統極其複雜,先不說大氣系統受到擾動就會有所變化,行星風系、科氏力、地形、氣壓系統這些系統間互相影響,都會造成預測上的失準,更遑論模擬整個大氣系統需要的電腦資源,是非常巨大的。

-----廣告,請繼續往下閱讀-----

那麼,有了現代電腦科技加持的我們,又距離全知還有多遠呢?是不是只要有夠強的超級電腦,我們就能無所不知呢?

有了電腦科技加持,我們的預報更準了嗎?

當然,有更強的電腦,我們就能算得更快。才不會出現花了三天計算,卻只能算出一個小時後天氣預報的窘況。但除了更強悍的超級電腦,也要更先進的預測模型與方法。現在的氣候氣象模擬,會先給一個初始值,像是溫度、壓力、初始風場等等,接著就讓這個數學模型開始跑。

接著我們會得到一個答案,這還不是我們真正要的解,而是一種逼近真實的解,我們還必須告訴模型,我容許的誤差值是多少。什麼意思呢?因為複雜模型算出來的數值不會是整數,而是拖著一堆小數點的複雜數字。我們則要選擇取用數值小數點後 8 位還是後 12 位等等,端看我們的電腦能處理到多少位,以及我們想算多快。時間久了,誤差的累積也越多,預測就有可能失準。沒錯,這就是著名的蝴蝶效應,美國數學暨氣象學家 Edward Norton Lorenz 過去的演講題目「蝴蝶在巴西揮動了翅膀,會不會在德州造成了龍捲風?」就是在講這件事。

回到颱風預報,大家有沒有發現,我們看到的颱風路徑圖,颱風的圈怎麼一定會越變越大,難道颱風就像戶愚呂一樣會從 30% 變成 100% 力量狀態嗎?

-----廣告,請繼續往下閱讀-----
輕颱鴛鴦的颱風路徑潛勢圖。圖/中央氣象局

其實那不是颱風的暴風圈大小,而是颱風的路徑預測範圍,也就是常聽到的颱風路徑潛勢圖,​是未來 1 至 3 天的颱風可能位置,颱風中心可能走的區域​顯示為潛勢圖中的紅圈,機率為 70%,所以圈圈越大,代表不確定性越大。​

1990 年後,中央氣象局開始使用高速電腦,並且使用美國國家大氣研究中心 (NCAR) 為首開發的 Weather Research and Forecasting 模型做數值運算,利用系集式方法,藉由不同的物理模式或參數改變,模擬出如同「蝴蝶效應」的結果,運算出多種颱風的可能行進路線。預測時間拉長後,誤差累積也更多,行進路徑的可能性當然也會越廣。

「真鍋模型」用物理建模模擬更真實的地球氣候!

大氣模擬不是只要有電腦就能做,其背後的物理複雜度,也是一大考驗。因此,發展與地球物理相關的研究變得非常重要。

2021 年的諾貝爾物理學獎,就是頒給發展氣候模型的真鍋淑郎。他所開發的地表模式,在這六十年間,從一個沒考慮地表植物的簡單模型,經各家發展,變成現在更為複雜、更為真實的模型。其中的參數涵蓋過去沒有的植物反應、地下水流動、氮碳化合反應等等,增強了氣候氣象模型的真實性。

-----廣告,請繼續往下閱讀-----
2021 年的諾貝爾物理學獎得主真鍋淑郎。圖/wikimedia

當然,越複雜的模型、越短的時間區間、越高的空間精細度,需要更強大的超級電腦,還有更精準的觀測數據,才能預測接下來半日至五日的氣象情況。

世界上前百大的超級電腦,都已被用來做大氣科學模擬。各大氣象中心通常也配有自己的超級電腦,才能做出每日預測。那麼,除了等待更加強大的超級電腦問世,我們還有什麼辦法可以提升預報的準度呢?

天氣預報到底要怎樣才能做得準?

有了電腦,人類可以紀錄一切得到的數據;有了衛星,人類則可以觀察整個地球,對地球科學領域的人來說,可以拿這些現實資訊來校正模擬或預測時的誤差,利用數學方法將觀測到的單點資料,乃至衛星資料,融合至一整個數值模型之中,將各種資料加以比對,進一步提升精準度,這種方法叫做「資料同化 (Data Assimilation)」。例如日本曾使用當時日本最強的超級電腦「京」,做過空間解析度 100 公尺的水平距離「局部」超高解析氣象預測,除了用上最強的電腦,也利用了衛星資料做資料同化。除了日本以外,歐洲中程氣象預測中心 (ECMWF),或是美國大氣暨海洋研究中心 (NOAA),也都早在使用這些技術。

臺灣這幾年升空的福衛系列衛星,和將要升空的獵風者等氣象衛星,也將在未來幫助氣象學家取得更精準的資料,藉由「資料同化」來協助模擬,達到更精準的預測分析。

-----廣告,請繼續往下閱讀-----

如果想要進一步提升預報準度呢?不用擔心,我們還有好幾個招式。

人海戰術!用更多的天氣模型來統計出機率的「概率性模擬」

首先,如果覺得一個模型不夠準,那就來 100 個吧!這是什麼意思?當我們只用一種物理模型來做預測時,我們總是會追求「準」,這種「準確」模型做的模擬預測,稱為「決定性模擬」,需要的是精確的參數、公式,與數值方法。就跟遇上完美的夢中情人共度完美的約會一樣,雖然值得追求,但你可能會先變成控制狂,而且失敗機率極高。

「準確」的模型就跟遇上完美情人共度完美約會一樣,雖然值得追求,但失敗機率極高。圖/Giphy

不如換個角度,改做「概率性模擬」,利用系集模擬,模擬出一大堆可能的交往對象,啊不對,是天氣模型,再根據一定數量的模擬結果,我們就可以統計出一個概率,來分析颱風路徑或是降雨機率,讓成功配對成功預測的機率更高。

製造一個虛擬地球模擬氣象?

再來,在物理層面上,目前各國正摩拳擦掌準備進行等同「數位攣生 (Digital Twin) 」的高階模擬,簡單來說,就是造出一個數位虛擬地球,來進行 1 公里水平長度網格的全球「超高」解析度模擬計算。等等,前面不是說日本可以算到 100 公尺的水平距離,為什麼 1 公里叫做超高解析度?

-----廣告,請繼續往下閱讀-----

因為 500 公尺到 1 公里的網格大小也是地表模式的物理適用最小單位,在這樣的解析度下,科學家相信,可以減少數值模型中被簡化的地方,產生更真實的模擬結果。

電腦要怎麼負荷這麼大的計算量?交給電腦科學家!

當然,這樣的計算非常挑戰,除了需要大量的電腦資源,還需要有穩定的超級電腦,以及幾個 Petabyte,也就是 10 的 15 次方個位元組的儲存設備來存放產出的資料。

不用為了天氣捐贈你的 D 槽,就交給電腦科學家接棒上場吧。從 CPU、GPU 間的通訊、使用 GPU 來做計算加速或是作為主要運算元件、到改寫符合新架構的軟體程式、以及資料壓縮與讀寫 (I/O)。同時還要加上「資料同化」時所需的衛星或是全球量測資料。明明是做氣象預報,卻需要等同發展 AI 的電腦科技做輔助,任務十分龐大。對這部分有興趣的朋友可以參考我們之前的這一集喔!

結語

這一切的挑戰,是為了追求更精確的計算結果,也是為了推估大魔王:氣候變遷所造成的影響必須獲得的實力。想要計算幾年,甚至百年後的氣候狀態,氣象與氣候學家就非得克服上面所提到的問題才行。

一百年來,氣候氣象預測已從專家推估,變成了利用龐大電腦系統,耗費百萬瓦的能量來進行運算。所有更強大、更精準的氣象運算,都是為了減少人類的經濟與生命損失。

對於伴隨氣候變遷到來的極端天氣,人類對於這些變化的認知還是有所不足。2021 年的德國洪水,帶走了數十條人命,但是身為歐洲氣象中心的 ECMWF,當時也只能用叢集式系統算出 1% 的豪大雨概率,甚至這個模擬出的豪大雨也並沒有達到實際量測值。

我們期待我們對氣候了解和應對的速度,能追上氣候變遷的腳步,也由衷希望,有更多人才投入地球科學領域,幫助大家更了解我們所處的這顆藍色星球。

也想問問大家,你覺得目前的氣象預報表現得如何?你覺得它夠準嗎?

  1. 夭壽準,我出門都會看預報,說下雨就是會下雨。
  2. 有待加強,預報當參考,自己的經驗才是最準的。
  3. 等科學家開發出天候棒吧,那才是我要的準。更多想法,分享給我們吧

歡迎訂閱 Pansci Youtube 頻道 獲取更多深入淺出的科學知識!

-----廣告,請繼續往下閱讀-----
PanSci_96
1262 篇文章 ・ 2411 位粉絲
PanSci的編輯部帳號,會發自產內容跟各種消息喔。