掩星觀測顯示鬩神星和冥王星大小幾乎相等

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

尋找第九顆行星

1846年發現了太陽系中的第八顆行星海王星後，許多科學家就試著要去找第九顆行星。波士頓的富豪帕西瓦爾·羅威爾（Percival Lowell）非常喜歡天文，1890年代他在亞利桑納的旗竿鎮建造了羅威爾天文台（Lowell Observatory），羅威爾除了觀測火星外，也參與尋找第九顆行星的計畫。但是1916年羅威爾去世為止，第九顆行星一直沒有被發現。

1929年，在當時只有23歲的湯博（Clyde Tombaugh）受僱於羅威爾天文台，他主要的工作便是尋找第九顆行星。湯博使用的是一部33公分的望遠鏡，他在不同晚上拍攝天空中同一個區域的天體，然後將不同的照片做比對：因為相對於天空星星的位置行星會緩慢地移動，如果發現一個不曾發現的緩慢移動的天體，那麼它可能就是正在尋找的第九顆行星！

1930年2月18日，湯博比較1月23日和1月29日拍攝的照片時，發現一個小亮點移動了位置。接下來一段日子的觀測，確認這個天體確實在移動！3月13日他們把發現結果公諸於世。

這個重大的發現立刻成為世界各地的頭條新聞，羅威爾天文台於是公開徵求對這個天體命名，在許多的建議當中，最後選定「Pluto」冥王這個名字，因為這個字的開頭PL和羅威爾天文台的贊助人帕西瓦爾·羅威爾（Percival Lowell）名字的縮寫是一樣的。

冥王星和其他夥伴有點不一樣？

當冥王星的軌道被計算出來後，科學家就發現它和其他的行星相當不一樣，太陽系其他行星以接近圓形的軌道繞太陽運行，但是冥王星的軌道形狀卻相當橢圓，離太陽最近和遠的距離分別是29.7 AU和49.3 AU （AU是地球到太陽的平均距離），當冥王星離太陽最近時，甚至比海王星還靠近太陽。另外，太陽系裡的其他行星幾乎都在黃道面上繞太陽運行，但是冥王星的軌道卻偏離黃道面達17度！

除了軌道特異外，冥王星的質量還比其他行星小很多。1978年發現冥王星的最大衛星夏戎（Charon）後，透過夏戎繞冥王星的軌道，科學家可以計算出冥王星的質量，冥王星的質量只有地球的0.2%！

冥王星被發現後，就有天文學家預測在海王星外，還有許多小天體還沒被發現。但是一直到1992年才在海王星外發現另一個天體，1992 QB1。而到2017年年初為止，已經在海王星外發現了超過2000顆的這類天體，這些天體泛稱為海王星外天體（Trans-Neptunian object, TNO），其中2004年發現的妊神星（Haumea），它的質量大約是冥王星的三分之一，這些天體的軌道和冥王星類似，冥王星會不會只是海王星外天體中最大的一顆而已呢？

新天體的發現反而讓冥王星「降級」了？

2005年1月，麥克·布朗（Mike Brown）和他的團隊發現了一個新的天體，這個天體後來被稱為鬩神星（Eris），鬩神星的名字源自希臘神話，她代表著不和與紛爭，鬩神星就如同它的名字一樣，引發了冥王星是不是行星的爭論。

鬩神星的質量比冥王星稍大，但是體積比冥王星稍小，當鬩神星被發現時，有人稱它為第十號行星！但是另一些科學家卻不認為鬩神星是一顆行星，他們主張冥王星和鬩神星不同於其他行星，應該另外分類成一種新的天體。

冥王星到底是不是一顆行星？這個問題應該要回到最根本的地方，什麼是「行星」？如果行星被清楚的定義，那麼就可以解決冥王星是不是行星的問題。國際天文聯合會（International Astronomical Union, IAU）邀集了專家學者討論這個問題，2006年8月時公布了行星的定義：

1. 行星必須繞太陽運行。
2. 行星的質量夠重足以讓自己呈圓形。
3. 行星能夠清除軌道附近上的其他天體。

冥王星雖然符合第一和第二個定義，但是卻不符合第三個條件，因為冥王星的軌道上有許多的海王星外天體，那麼冥王星應該歸類為什麼樣的天體呢？

天文上常常用「矮」這個字來描述較小的天體，例如紅矮星是質量最小天恆星；棕矮星是比恆星質量小一些，不會產生氫核融合的天體；而矮星系是比一般星系還要小的星系。天文學家於是把不符合行星第三個條件的天體稱為「矮行星」（dwarf planet），所以冥王星和鬩神星就被歸類為這種天體。目前國際天文聯合會認定的矮行星有五顆：冥王星、鬩神星、妊神星、鳥神星（Makemake）和穀神星（Ceres），另外還有一些天體在矮行星的候選名單之中，科學家相信還有許多矮行星在海王星之外等著被發現。

麥克·布朗本來以為發現了第十顆行星，但是因為鬩神星的出現，最後太陽系行星的數量，反而從九顆降為八顆，這可能是他沒有預料到的結果。麥克·布朗因為發現鬩神星，讓冥王星被降級，所以他被封為冥王星殺手，麥克·布朗似乎還蠻喜歡這個封號，他還為此寫了一本書《我是如何殺了冥王星的》！！

所以冥王星就從此過著身為矮行星的生活了嗎？

仔細看一下國際天文聯合會對行星的定義，這個定義似乎是為冥王星量身定做的，感覺就好像刻意要將冥王星排除在行星之外。

其中感觸最深的應該是艾倫·斯特恩（Alan Stern），他是新視野號太空船的計畫主持人，2006年1月新視野號（New Horizons）發射升空時，這艘太空船的最主要目的是探索太陽系裡還未被太空船探訪的最後一顆行星：冥王星，結果新視野號升空幾個月後，冥王星就被降級為矮行星，原本要探訪的冥王星，變得不再是一顆行星，情何以堪！

艾倫·斯特恩認為國際天文聯合會對行星的定義有問題，也不夠嚴謹。以木星為例，木星繞太陽的軌道上並不是只有木星而已，它的軌道上還有兩大群的特洛伊小行星（Trojan），這些小行星和木星一起繞著太陽運行，這表示木星並沒有清光軌道上的其他天體。另外，地球附近也有近地小行星，地球也沒有完全清光軌道上的天體。如果根據國際天文聯合會的定義，木星和地球也不能算是行星！

最近有一些人（主要是包括艾倫·斯特恩在內的新視野號團隊）主張應該把冥王星再列為行星，他們認為行星應該重新定義：行星是比恆星還要小的天體，它們不會進行核融合反應，本身的重力能夠讓自己呈球形，而且和它們的運行軌道沒有關係。根據他們的定義，太陽系裡的行星數量會暴增到大約110顆！因為一些較大的衛星（包括我們的月球）都會升級成行星！他們已經將提議交給國際天文聯合會，冥王星會不會重新回到行星的行列？就讓我們拭目以待吧！

• 原文刊登於科普寫作網路平台，以及作者部落格「屋頂上的天文學家」。