必然有效的省電宣導與老舊設備汰換，能征服一年用電降2%的艱鉅挑戰嗎？─節電台南市篇

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

用「資料科學」研究「空污」

大陸霾害何時來？台灣工廠排放的空污如何擴散？以前只能用自己的呼吸道偵測，現在「空氣盒子」為你即時追查 PM2.5 濃度變化。這不只是中研院資訊科學所陳伶志副研究員的計畫，更是一位技術宅父親對氣喘過敏兒的愛。

想像一下，若是大雄所居住的城市，充滿空氣污染。關心大雄的哆啦 A 夢，會拿出什麼道具來相救？也許哆啦 A 夢沒辦法把整個城市的空氣變乾淨，但可能會拿出「任意電視」，找出附近誰在亂燒垃圾，即時阻止對方。或是透過「預知天線」，提醒大雄今天戶外 PM2.5 濃度過高，出門要戴著口罩，否則吸多了會氣喘。

事實上，透過「開放資料」和「數據分析」，空氣盒子真的能即時追查空污真兇，並幫助預測空污擴散趨勢。推動空氣盒子這個想像實現的人正是陳伶志，以及其帶領的研究團隊、 LASS 社群 （Location Aware Sensing System）、政府單位和廣大鄉民，一起從下而上努力改變空污問題。

參與式感測：自己的環境自己救

陳伶志與團隊的主要研究領域為「參與式感測系統」，簡單而言，就是以某種裝置或網絡，偵測生活中的某個問題現象，透過群眾一起觀察所得的數據進行分析，找出問題的解決方法。生活中有許多問題，例如空污、塞車、路不平，若被動地等待政府解決往往緩不濟急。並非因為政府效率太差，而是因為不知道問題真兇藏在哪裡，例如眼前的空污是霾害？還是有工廠偷偷排放廢氣？

「參與式感測系統」最重要的目的，是以「自己的環境自己救」的概念出發，透過群眾自主觀察所得的大量數據，由專家分析找出問題癥結點，推動政府或相關單位採取行動、對症下藥。

關在倉庫測一氧化碳，用命拼研究

要研發出「高準確性」和「低成本」兼具的感測裝置，以供群眾使用，並非容易的事。以觀測空氣為題，從 2013 年開始，陳伶志與團隊嘗試過不同氣體的量測，例如：一氧化碳、二氧化碳、臭氧、二氧化氮等等，但因為氣體感測器誤差過大、校正過程太複雜，皆忍痛放棄。當時，為了在擬真的環境中，校正一氧化碳感測器的準確性，及比對低濃度和高濃度的數值，學生甚至將自家倉庫改造成實驗室待在裡頭，只留一個小縫、往裡面排送機車廢氣。「實在很擔心學生中毒」陳伶志回想。

2014 年底由於空氣污染加劇，大眾逐漸重視 PM2.5 濃度，加上兩歲的兒子因為氣喘成為醫院常客，陳伶志擔憂空污會讓氣喘跟著兒子一輩子，決定專攻「PM2.5 即時濃度感測」，嘗試透過研究找出空污變化模式、解決空污問題。可以即時追查 PM2.5 濃度的「空氣盒子」，因需求而誕生，更因父愛而堅持。

拉拔一個小孩長大成材，需要付出大量的時間與金錢；茁壯空氣盒子這個小孩，也付出了難以計算的心力與學費。陳伶志與團隊耗時三年，經歷失敗、崩潰、接受事實、再失敗的無數次迴圈，終於開發出品質穩定的空氣盒子原型。但這時候，困難才真正開始。

與社群合作 讓空氣盒子遍地開花

開發出可以普及使用的空氣盒子之後，初期面臨沒有民眾願意裝在自己家裡的窘境。「會不會耗電？會不會危險？有問題怎麼維修？」因為這些考量，初期只能將空氣盒子安裝在親朋好友圈，即時觀察到的 PM2.5 濃度數據非常侷限，缺少應用價值。

但就像《牧羊少年奇幻之旅》這本書的啟發：「當你真心渴望某件事，整個宇宙都會聯合起來幫助你完成。」努力找出路的陳伶志與研究團隊，經過朋友的朋友介紹，與認同「參與式感測」精神的 LASS 社群一拍即合。 LASS 社群由一群喜歡動手做的創客（Maker）組成，遍布台灣各地。了解空氣盒子程式碼、安裝步驟後，秉持創客精神，從「想」到「做」如星火燎原般，讓空氣盒子的身影在台灣各地出現， PM2.5 即時濃度觀測的時間與空間資料因而大幅擴展。觀測得到的數據變多、變廣，就能進一步分析空污變化的路徑。

開放資料 x 數據分析 空污真兇莫狡辯

以前總是呼吸道感染了，才知道空氣污染正在肆虐，很難阻止後續擴散或再發生，或是附近的工廠偷偷排放空污，卻沒有證據繩之以法。但現在透過分析各個空氣盒子感測到的 PM2.5 濃度數據，就能推算空污的原因、發生時間點，找出製造空污的真兇。陳伶志舉兩個觀測模式說明：

像是在 2015/12/20 這天，陳伶志注意到北部有一些空氣盒子觀測站，都出現 PM2.5 即時濃度「瞬間飆升」的情形（如上圖黃色箭頭所指），代表該地突然出現空氣污染源，常見的原因是燒東西、工廠排放廢氣等等。陳伶志將發生「PM2.5 即時濃度瞬間飆升」的空氣盒子觀測站 GPS 座標列在地圖上，並依瞬間飆升的時間排序（如上圖紅色打卡標所示）。搭配氣象資料指出，當時正吹著西南西風，可以看見空氣污染源是從西南方（ 15:36 開始）依序往東北方（ 18:18 抵達）擴散。

這種來自北部盆地西南方的空氣污染源，會是霾害嗎？
不太可能，應是台灣自造的空氣污染。

由於當時觀測到此現象時，空氣盒子觀測站尚未廣佈龜山、桃園、新竹一帶，也未與政府單位合作。若能進一步追查台北西南側的各個空氣盒子，找出 PM2.5 即時濃度瞬間飆升的「起始點」，應能通報相關單位前往該區，即時開罰空污排放源頭。

為了找出空污變化的模式，陳伶志每 5 分鐘記錄各地空氣盒子 PM2.5 即時濃度，並將異常數據歸納為以下三種，判斷哪區有持續性污染源、或找出哪邊突然產生空污：

1. 時間點異常（上圖藍色打卡標所示）：從時間軸來看，某個時間 PM2.5 濃度「瞬間飆升」，代表當地空氣污染是正在進行式。
2. 空間點異常（上圖紅色打卡標所示）：以區域來看，若某個區域 PM2.5 濃度與鄰近的空氣盒子相比更高，代表空氣污染源於「當地」產生，或是受到「他處」飄來的空污影響。
3. 空間與時間點異常（紫色打卡標所示）：上述兩種情況都發生，當地有空氣污染源的「可能性極高」。

舉個實例，陳伶志觀察到台北龍山寺該區的空氣盒子，「白天」持續顯示 PM2.5 濃度「空間點異常」，代表當地與鄰近區域相比，有持續性的空氣污染來源。將此觀察數據，搭配龍山寺的地理位置比對，燒香、燒紙錢造成的 PM2.5 高濃度影響，透過觀測數據顯而易見。

民間高手，讓空氣盒子能有更多應用

空氣盒子是採用開放資料（ Open Data），因此這不僅只有中研院資科所能用於研究計畫，無論學生科展、大學報告、民間團體等，都能依照陳伶志的空氣盒子架構，依照自己的需求改裝不同版本的空氣盒子，發揮各式各樣的靈活運用。

由於台中空氣品質很糟，努力守護家鄉環境的《台中市原鄉文化協會》，在空氣盒子推出初期，自掏腰包買了 100 台空氣盒子並發起認養活動，將空氣盒子廣佈台中各地，由民眾自主監督空氣污染來源。台中創客（ Maker ）還將空氣盒子改造成方便攜帶的行動版本，發現台中哪一區空氣品質不對勁，一群關心台中環境的市民，就彼此號召拿著行動版空氣盒子前往該區追查空污排放源頭。

國立交通大學資訊工程學系，由彭文志老師帶領的資料探勘（Data Mining）課程，也將開放資料的空氣盒子做為報告題目之一，讓學生自行發想如何應用空氣盒子的感測資料。例如將 PM2.5 觀測資料與實價登錄地圖結合，找出理想的乾淨空氣居住環境；或是找出 PM2.5 濃度變化的時間與地區模式，做出自動監控紫爆現況、預測空污擴散路徑的功能。

不只台灣需要！ 空氣盒子遍布世界

2016 年 2 月，零時政府 g0v 主動介接空氣盒子的開放資料，擴大觀測數據的影響力。 2016 年 3 月開始，台北市、新北市、台中市、台南市、高雄市政府也陸續加入空氣盒子計畫，由民間企業捐贈數百台空氣盒子，並佈建在各區域的小學校園，透過環境教育學習如何觀察 PM2.5 即時濃度變化，監督改善該區域的空污問題。

空氣盒子成功發展嚴謹的研究理論（感測器比對報告、空污模式演算法等），並建立與 LASS 、政府、民間企業的跨領域合作模式，形成領先全球的 PM2.5 即時感測網，吸引世界各國來台學習空氣盒子的經驗。 2016 年 9 月，陳伶志受邀到泰國演講，與東南亞合作觀測 PM2.5 濃度。例如印尼火耕霾害，鄰近的馬來西亞、新加坡，都會大受影響，惟有建立跨國的空氣盒子監測網，才能即時通報、協力找出對策。「因為空氣是流通的，空污不會只發生在一個國家的上空」陳伶志說。

談到未來目標，陳伶志希望推動空氣盒子成為智慧城市的物聯網一環，例如當戶外 PM2.5 濃度過高，室內的空氣清淨機就會自動打開，這功能不只有小孩的家庭需要，有呼吸照護需求的家庭與醫療照護機構更需要。

現在提到智慧城市，大家都會想到阿姆斯特丹、芝加哥，
未來希望國際也能透過「空氣盒子」想到台灣。

──中研院資訊所　陳伶志

延伸閱讀與參考資料

• 陳伶志的個人網頁
• LASS-開源公益環境感測網路
• PM2.5 開放資料：社群協同分析平台
• 自己的空氣品質自己量：談參與式環境感測的機會與挑戰
• 空氣盒子地圖
• 揪心安計畫

• 執行編輯｜林婷嫻    美術編輯｜張語辰