Loading [MathJax]/extensions/tex2jax.js

0

0
0

文字

分享

0
0
0

總編輯報告:為何泛科學不抵制頂新/味全?

鄭國威 Portnoy_96
・2016/06/20 ・2730字 ・閱讀時間約 5 分鐘 ・SR值 508 ・六年級

「泛科學」的作者為獨立自主,在此議題上有自己的判斷,泛科學不代表任何一位作者的意見,本文僅代表總編輯立場。ama.001

==>請先看專案起源

很久沒回文回一個晚上了,趁著還沒睡著,聊聊有些相關但或許沒那麼直接相關的感想。

如果說做泛科學這幾年來,我有一點點改變的話,那就是我對這個世界,這個宇宙,越來越好奇,同時驚訝於我過去怎麼能依靠僅僅片面的報導、自己的腦補、還有周遭人/網友的看法,就覺得我了解某一件事情的全貌跟真相,就可以對某些事情說三道四,大放厥詞。我以前很常這樣,也很常因此傷害別人。

現在的我還是會犯類似的錯,可能永遠無法避免,但是我得說,頻率少了很多,因為我自覺我對太多事情的認識太少了。例如,以前我沒有那麼偏廢死,現在的我非常偏,不是因為我成了犯罪專家或法律專家或任何專家,而是因為我知道我不知道的事情實在太多了,在這樣的情況下,我無法說服自己去認定一個人該不該死。

-----廣告,請繼續往下閱讀-----

以前我也對某些政治人物或某些社運或某些國家意識形態有很堅定的看法,現在其實都沒有了,不是我不敢辯論或是不敢捍衛,而是我知道我知道的太少了。簡單來說,泛科學讓我知道我實在太無知了,而且我根本沒有足夠的專業去對許許多多的事情下判斷。我前陣子在TEDx彰師大演講時,也提到這件事,現在回想起以前做的事,都覺得怎麼會那麼莽撞?我當初到底憑著什麼去介入?我知道些什麼啊!

我並沒有因此就放棄追尋知識。泛科學激起我無盡的求知慾,並且讓我有機會接觸許多各領域的專業人士,從他們身上重複證明自己的無知,以及證明只要我願意,我可以找到方法去獲得我能夠信任的知識。

前陣子有則新聞說狗狗不喜歡給人抱,原作者是著作等身的加拿大動物與心理學退休教授,全世界的媒體都報導了這則消息,而且有數據佐證,但是實際上看一下,卻發現問題很大

結論不是要說狗狗其實喜歡人抱。事實是我們無法就這則消息得出狗狗不喜歡給人抱的結論,反之亦然。答案對我來說暫時是「不知道」,這樣很好,比我自以為我知道答案是什麼來得好太多了。我還可以去看更多資料,問更多專家,甚至自己實驗,雖然很麻煩,但是我知道我不知道。當我什麼都不知道的時候,我要怎麼對這件事情表達態度,甚至採取行動呢?但天啊,以前的我可以耶。想到就起雞皮疙瘩。

-----廣告,請繼續往下閱讀-----

類似這樣的案例太多了,你說慈濟該不該死?紅十字會該不該廢?柯文哲現在做得爛不爛?台南鐵路東移到底正不正當?我都不知道,我無法馬上下判斷告訴你我的立場,但以前的我早就直接大發厥詞,甚至搞起鍵盤社運。

回到食安事件,我曾經也是杯弓蛇影,例如三聚氰胺,我記得我當年原本的態度是「當然要零檢出」,「不該出現在食物裡的蟑螂就算只有千萬分之一也不該出現」。當時的我不知道什麼是「劑量決定毒性」,什麼是「儀器極限」,要用什麼儀器才能夠判別「刻意加入」或其他。

過往我們仰賴媒體去轉達跟轉譯這些事件,我們才得以做出判斷,但現在我們還能矇著眼睛相信嗎?我個人完全沒有辦法。我信任的資訊來源現在很少,如果有任何內容沒有提供我足以自行檢驗的資料來源,我就當作不知道。也就是說有一件事情被媒體報導了,那「媒體有報導」這個客觀事實是存在的,但媒體報導的那件事是否真的存在?我不知道。是對是錯?我不知道?是真是假?我不知道。而如果我要加以評論,都得提醒自己那前提是「假設這件事是真的發生」。

所以如果你問我:頂新該不該抵制?我的答案是「我不知道」。我當然知道油品案,但我沒有花充分時間了解,我沒有收集到我認為可信的資料,我也沒有去找到自己能找到的最原始資料來源,在這之前,我只能說不知道。「過去的報導很多啊!他們在法庭上認罪了啊!」是真的嗎?但我不知道啊,我知道的是司法還在進行中,這是我唯一能知道的客觀事實。我不那麼信任司法,也不信任超級富豪,但目前司法(不管是法官、還是檢察官還是律師)比我知道的多太多了,我認為我自己根本沒有判斷跟表態的能耐。

-----廣告,請繼續往下閱讀-----

我不知道抵制頂新的人知道的知識真相有多少,所以我也沒有資格去評斷他們的抵制,或許他們知道的很多,非常多,那他們的選擇當然要尊重。但是我,我自己,我還不知道。目前還在司法階段的案件(目前一審無罪),我也很期待知道判決結果。

我不知道抵制味全林鳳營的人知道的知識真相有多少,所以我也沒有資格去評斷他們的抵制,或許他們知道的很多,非常多,那他們的選擇當然要尊重。我因為接了這個案子,去看了一輪,然後結識了多位我信任的專家,有機會知道更多,但我依舊無法判斷,我很確定我還不知道全貌,但我知道的比過去多了一些。我想要提供的就是這些。

泛科學也教會我另外一件很重要的事,那就是犯錯非常正常,但是當然不能刻意去犯錯,重點是你怎麼對待錯誤,我視之為機會,一定要把握的溝通機會。如果我們有錯,那我們一定要反省,但「擔心有人退讚」或「擔心被評一顆星」之類的不是我們存在的目的。

最後的最後,「如果味全以後出了問題」「如果司法最終判決頂新就是有滔天大罪」「那你會不會後悔?」

-----廣告,請繼續往下閱讀-----

我的答案是:我不知道。等我看到資料,並且自己驗證過之後再說。現階段我只知道我知道什麼,而我依照我知道的來行動。如果你知道一些強力的證據,能夠讓我知道我之前都不知道也不能確定的,拜託,請告訴我們,投稿也非常歡迎,只要資料論述證據佳,我們沒有任何包袱。

=>各種關於味全乳品的疑問,歡迎到這邊來提問

=>各種關於為何泛科學要接這個案子的疑問,歡迎到這邊來提問

更新:

-----廣告,請繼續往下閱讀-----

感謝溫朗東先生的批評,不過溫先生以為我們是把科學歸科學,社會歸社會,政治歸政治,其實並不是這樣。我們一直認為科學跟社會跟一切是分不開的。做這個案子的前提也是如此。

第一,不管是各個敏感議題(基改、核能、死刑、性別、還是頂新),我們都不希望泛科學因為不站在主流立場而不敢碰觸。

第二,我希望測試大家對於收費這件事的判斷,我自己是學媒體的,對於置入性行銷非常敏感,也多所批判,但從我也不是傳統媒體人,我認為接受客戶委託作專案,只要充分揭露,內容不受左右,是可以的。(這並非所有人都贊同)

置入性行銷在我的定義中是資訊的偷襲,也就是在沒有說明清楚跟充分揭露的前提下植入某些正反訊息。這種事情做了就毀了。但媒體能不能與企業合作?就算那是個爭議十足的企業?這是可以討論的,我自己站在可以這邊。但沒有百分之百的答案。

-----廣告,請繼續往下閱讀-----

——————

「泛科學」的作者為獨立自主,在此議題上有自己的判斷,泛科學不代表任何一位作者的意見,本文僅代表總編輯立場。

-----廣告,請繼續往下閱讀-----
文章難易度
鄭國威 Portnoy_96
247 篇文章 ・ 1300 位粉絲
是那種小時候很喜歡看科學讀物,以為自己會成為科學家,但是長大之後因為數理太爛,所以早早放棄科學夢的無數人其中之一。怎知長大後竟然因為諸般因由而重拾科學,與夥伴共同創立泛科學。

0

0
0

文字

分享

0
0
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

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。