危橋示警　台灣首創「斷橋預警」系統

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

• 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？

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。

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]。

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]。

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。

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。

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 & Psychophysics, 39, 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 America, 124(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. Neuroimage, 16(3), 746-753.
7. LeDoux, J. E. (2000). Emotion circuits in the brain. Annual review of neuroscience, 23(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.

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？

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？）。

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。

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。

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？

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。

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。

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。

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？

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。

歡迎訂閱 Pansci Youtube 頻道 獲取更多深入淺出的科學知識！