用毛「感」走蟲

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

哺乳動物的毛髮功能

所有哺乳動物都有毛髮（即使是醜得離譜的裸鼴鼠^註也有幾根陰毛），或多或少罷了，不過人類算是其中毛髮最少的。毛髮的主要功能是為我們的祖先們保暖，人全身約有五百萬根毛髮，其中大部分每天生長約○．四公釐（○．○二英寸）。這毛髮量聽起來好像很多，但與海狸上百億的毛髮和灰蝶的一千億根毛相比，這個數字就顯得微不足道了。

人類在演化過程中捨棄掉如此多毛髮，這在靈長類動物中絕無僅有，發生的原因目前尚不清楚。基因中有跡象顯示，我們約在一百七十萬年前就不再努力長毛了。

人類捨棄掉這麼多毛髮的原因

人類的體毛生長可能已轉化為青春期後的第二性徵，當我們準備好生育時才會出現。有個有趣的觀點是這樣的，人類毛髮脫落是因為跳蚤等體外寄生蟲作祟。

當人類的社群性格發展得更加明顯，群聚生活變得更緊密，跳蚤和蝨子的問題會變得更令人在意──將容易窩藏寄生蟲的毛髮削減掉，可避免牠們大批繁殖侵擾而造成破壞。

另外有個理論認為，人類學會用火之後，濃密的毛髮可能就成了一種負擔──毛髮稀疏的人引火自焚的機率比較小──但這個說法有點站不住腳。

你閱讀本節時或許已經發現，我們對毛髮的了解遠不及我們所未知的。為什麼有些人頭髮是捲的，有些是直的，為什麼我們有頭皮屑，為什麼陰毛如此粗硬，這些都是待解的科學謎團。

一步一步解開毛髮的謎底

雖然如此，但基本生物學原理套用到所有毛髮上都還是說得通的。毛髮從深陷皮膚的毛囊中發芽，細胞在那裡分裂和繁殖，將毛髮從真皮乳突中擠出，有點像擠牙膏。你的頭髮在夏天長得比冬天時更快，毛髮的學術名稱為複層鱗狀角質化上皮（stratified squamous keratinized epithelium）。

複層意味著它是一層又一層細絲拼排而成，鱗狀表示它表面的細胞扁平，角質化上皮是一種由角蛋白組成的動物組織，角蛋白是相當特殊的纖維蛋白，許多堅韌而靈活的動物身體部位都由這種基礎材質構成，包括頭髮、指甲、爪子和蹄子。

毛髮實際上已經死了，裡面沒有生化活動，但讓我們截取一根髮絲的橫切面來看看。它由三個主要的同心環組成：位於中心的是柔軟細緻、相對無明顯結構的髓質。

包圍它的是皮質，皮質為毛髮提供堅韌強度和支撐結構，並賦予其顏色（取決於黑色素含量）。然後是角質層外殼，其表面覆蓋著一層油性防水脂肪，只有薄薄的一個分子那麼厚。

毛髮的生長週期可謂絢爛又奇特，可分成三個發育階段，你身上的每根毛必定處於其中之一：較長的毛髮生長期；較短的衰退分解階段，此時毛囊收縮；以及休止期，此時原本的毛髮脫落，新的毛髮開始生長。

註解

• 裸鼴鼠是哺乳類動物中唯一的溫度順應者（thermoconformer），牠們與昆蟲一樣，實際上是冷血動物，不必為調節體溫的事操心。

——本文摘自《有點噁的科學：尷尬又失控的生理現象》，2023 年 8 月，時報出版，未經同意請勿轉載。

愛犬慘死，兇手逍遙法外。縱然不是每個人都如電影《捍衛任務》的 Johon Wick，身懷絕技，謀求私刑正義；^[1]透過科學管道，至少可以討個答案，獲得心靈平靜。義大利某隻母的傑克羅素㹴（Jack Russell Terrier），橫屍寵物旅館的院子，得年 8 歲。犬舍的網子破裂，有向內拉扯的痕跡。寵物旅館老闆養的3隻荷花瓦特犬（Hovawart），嫌疑重大；然而事後到場的獸醫，卻認為野生狐狸或海狸才是罪魁禍首。傑克羅素㹴的主人心有不甘，遂找上波隆那的一所動物疾病預防研究機構（L’Istituto Zooprofilattico Sperimentale della Lombardia e dell’Emilia-Romagna）。^[2]

解剖狗屍

這隻傑克羅素㹴死後，在日均溫 7 °C 的環境，被擱置 18 到 20 個鐘頭。接著於 − 18 °C 的冰庫裡，凍了 1 個月，才被研究機構拖出來驗屍。從外觀看來，牠生前的健康狀況良好。不過，毛皮沾血，且有 14 道 7 至 10 公厘，略呈橢圓，邊緣清楚的咬傷，分佈於頸、肩、胸、肋弓、大腿（照片）和鼠蹊。另外，腰部還有個 10 公分長，2.5 公分寬的大傷口。剝掉狗皮後，可見創傷頗深：左邊頸、胸的肌肉浸潤於血中；胸腔與腹腔內，也有輕微出血；肋間肌、肋膜及腹壁穿孔；並有一根肋骨骨折。綜合以上，牠顯然死於咬傷穿透胸部，^[2]使空氣在肋膜腔中累積而壓迫肺臟，^[3]所導致的氣胸（pneumothorax）。^[2]那麼究竟是什麼動物如此殘暴？

nDNA vs. mtDNA

兇手遺留在死者身上的 DNA，是指認身份的好線索。^[2]細胞中的細胞核（nucleus）和粒線體（mitochondria）都含有 DNA，^[4]分別簡稱為 nDNA 與 mtDNA，兩者並不相同。以人類為例，前者包含從雙親得來的 2 至 3 萬個基因；後者則有 37 個，主要遺傳自母親。^[5]分析 nDNA 的短縱列重複序列（short tandem repeat；STR），也就是一些鑑別度高的小片段；^[4]或是單核苷酸多型性（single nucleotide polymorphism；SNP），即DNA序列中單一鹼基的變異，^[6]便能辨識個體。^[2]

以此案來說，最理想的作法，當然是從㹴犬身上的咬傷取樣，分析 nDNA，再比對兇嫌的樣本。可惜屍體於運送的過程中，大概已經受到汙染，驗了也未必準確。再加上寵物旅館的老闆，絕不可能讓3隻荷花瓦特犬配合調查，這個辦案方向根本毫無希望。^[2]

好在天無絕人之路，數根 5 到 10 公分不等，顏色有深有淺的毛髮，不僅卡在死者的牙縫裡（照片），還纏於腳掌上。它們出現的位置奇怪，長得又跟梗犬的不同，或許正是來自兇手。儘管鑑識採集的毛髮時常不帶毛囊，^[2]而髮幹的 nDNA 含量又極低，不過會有相當充足的 mtDNA，^[7]可以辨識物種。於是，鑑識人員挑了最長又最完整的 4 根送驗。^[2]

狼 vs. 犬

毛髮 mtDNA 分析的結果，顯示其來源非狼即犬，才不是獸醫瞎說的狐狸或海狸。如果進一步由傷口位置，回推攻擊方式，嫌疑範圍又會縮得更小：^[2]

狼（Canis lupus）作為掠食者，攻擊講求效率。最好不太耗費能量，便獵得豐美肉食。特別是遇到傑克羅素㹴，這種小型犬的時候，會朝頸部直接咬死，然後狼吞虎嚥。此外，該寵物旅館附近，沒有狼出沒。^[2]

相對地，狗（Canis lupus familiaris）打起架來，才會全身從頭到尾胡亂咬。好不容易把對方搞癱了，卻放著全屍一口沒吃。因此，本案的兇手應該是中、大型犬，而且當時有機會與死者接觸的，唯有那 3 隻毛髮長度和顏色，與證物完全吻合的荷花瓦特犬。^[2]

身後貢獻

鑑識團隊完成狗主人託付的任務後，撰文介紹將 mtDNA 的細胞色素 b 基因（cytochrome b gene），放大並定序，最後確認物種的細節。^[2]雖然不曉得他們的努力，是否有助司法公道，但是好歹已為學術研究貢獻心力。天下蒼生多少默默無聞，死後被立碑著傳的又有幾個？一隻備受寵愛的傑克羅素㹴，能榮登學術期刊，也算不枉此生。

1. ‘John Wick’. IMDb. (Accessed on 02 AUG 2023)
2. Roccaro M, Bini C, Fais P, et al. (2021) ‘Who killed my dog? Use of forensic genetics to investigate an enigmatic case’. International Journal of Legal Medicine, 135, 387–392.
3. McKnight CL, Burns B. (15 FEB 2023) ‘Pneumothorax’. In: StatPearls. Treasure Island (FL): StatPearls Publishing.
4. Department of Emergency Services and Public Protection. ‘Nuclear DNA’. U.S. Connecticut’s Official State Website. (Accessed on 01 AUG 2023)
5. Storen R, Smith E. (11 JUN 2021) ‘Mitochondrial donation in Australia.’ FlagPost by Parliament of Australia.
6. Gunter C. (01 AUG 2023) ‘Single Nucleotide Polymorphisms (SNPs)’. U.S. National Human Genome Research Institute.
7. Tridico SR, Koch S, Michaud A, et al. (2014) ‘Interpreting biological degradative processes acting on mammalian hair in the living and the dead: which ones are taphonomic?’. Proceedings of the Royal Society B, 2812014175520141755.