竹子的使用有助於阻止非洲的森林砍伐

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

春季下過雨後，竹林裡的竹筍紛紛冒出來，人們以這個自然現象形容事務勃興。

讓我們造個句吧：

• 我家附近建起好幾棟辦公大樓，小吃店如雨後春筍般出現，生意都很興旺。
• 自從我家附近的農地改為都市用地，一座座大廈雨後春筍般拔地而起，往日的村野景致只能在回憶中尋覓了。

竹子屬於禾本科，約有 1000 多種，矮的只有 10 幾公分，高的可以達到 40 公尺。竹子可以說是東方的植物，西方——無論歐洲或美洲——是不容易看到的。一般的竹子固然是圓的、綠的，但也有反乎常態的，像金線竹、墨竹、斑竹、方竹等等。

要講竹子的一生，免不了要從竹筍開始。竹筍是從地下莖冒出來的。冒得快極了，尤其是春雨過後，所以產生了「雨後春筍」這個成語。其實，雨後春筍還不算頂快，當竹筍冒得半高不高的時候，那才真快呢！最快的時候，一天可以長 120 幾公分！

竹子不論大小高矮，冒出地面約兩個月後就不再長了，此後不論怎麼施肥，都不再長高一點點、加粗一點點。一根竹子大概可以活 10 年到 20 年，因為地下莖不斷長出新的竹筍，所以我們感覺不出竹子也有生老病死。

竹子很少開花，有的幾十年開一次花，有的上百年開一次花；一開花，竹子就死了——連地下莖也死了；然後由落在地上的種子，長出新的一代。同一個地區的同一種竹子，通常都是同時開花；所以竹子開花的時候，經常帶來自然災變。

貓熊的食物 90％ 是箭竹，四川臥龍保護區的箭竹，每 45～50 年開花一次，因此每隔 45～50 年，大熊貓便要遭一次劫難。最近的一次開花是 1984 年，幸虧搶救得法，才沒有釀成不可收拾的災情。

竹子中空外直有節，象徵了君子的虛心、正直、節操，這種象徵意義，到了畫家手裡，就化為濃淡有致的墨竹。古今以畫竹聞名的畫家首推清初的鄭板橋，他說：「凡吾畫竹，無有師承，多得於紙窗粉壁日光月影中耳。」當他罷官歸里，在一幅墨竹上寫下有名的題跋：「烏紗擲去不為官，囊橐蕭蕭兩袖寒；寫取一枝清瘦竹，秋風江上作魚竿。」

竹子也是製作管樂器的材料，所以古人將樂器稱為「絲竹」。竹子也可以製紙；製作各種器具更不在話下。用來紮鷹架，可以蓋幾十層的高樓，據說比鋼架還牢固。更妙的是，當年愛迪生發明電燈的時候，首先試驗成功的燈絲就是用竹子燒成的炭絲！

古人類學研究中，如果挖掘現場同時出土石器和化石，多半會判斷石器的製造者，就是化石所屬的古人類。公元 2023 年發表的一項研究，卻讓智人們都很猶豫，因為與石器一起出土的死人骨頭竟然不是「人」，而是 Homo 的近親：傍人。究竟誰才是人之初的石器匠？

最早的奧都萬石器

空間上，遺址地點位於肯亞西部的 Nyayanga，非洲東部有多個大湖，這兒也是維多利亞湖的東北角，古時候算是適宜人居的優質地段。

時間上，年代不是那麼清楚。論文寫法是距今 259.5 到 303.2 萬年前之間，意思不是說延續 40 萬年那麼久，而是這段期間的某個時間點，或是某幾段時間，無法精確區分。如果簡單說一個大概年份，可以採取 290 萬年。

年代的判斷方式不只一種。原理為放射性元素的鈾釷／氦定年法（(U-Th)/He dating）得到將近 300 萬年的數字，地磁反轉則判斷早於 258 萬年。地球的地磁曾經不定期反轉過好幾次，假如確認地層早於 258 萬年前的反轉，便能推測樣本比 258 萬年更早。

遺址總共出土 330 件人造物，195 件在地表撿到，135 件在遺址內挖到。石器數量不少，材質是當地不難取得的石英和流紋岩（rhyolite）。從形貌看來，確實是人為製作的工具，已經可以視為成熟的奧都萬（Oldowan）風格。

奧都萬石器最早於 1930 年代在坦尚尼亞出土，研究領導者正是上古神獸：路易斯．李奇（Louis Leakey）。2019 年的論文報告，衣索比亞的 Bokol Dora 1 出土的石器，比 258 萬年前的地磁反轉更早一些；這回肯亞的遺址年代似乎更早，也就是最早的奧都萬石器。

• 延伸閱讀：比258萬年更早，最古早的奧都萬石器

東非草原，多用途的工具

過往知道超過 200 萬年的奧都萬產品，大部分位於衣索比亞的阿法地區（就是命名「阿法南猿 Australopithecus afarensis」的那個地名阿法），距離這回的遺址超過 1300 公里。看來初期奧都萬使用者，分佈範圍不小。

討論這些古人類學的議題時，我們習慣統稱作「東非」，不過東非概念類似東亞，相關地區的面積實際上很大，有時候距離可能超級遠。

儘管相距甚遠，遺址當年似乎都是 C4 植物為主的草地，夾雜一些樹木，也就是如今常見的東非草原地形。這應該就是奧都萬使用者喜歡的環境。

石器是工具，做什麼用呢？根據磨痕等資訊判斷，有些石器曾接觸過堅硬的植物部位，如樹幹，也有些處理過軟的植物部位；另外還切割、砍砸過動物的骨頭與肉肉。

遺址出土的動物骨頭不少，能確定遭到石器迫害過的有河馬和牛科動物（包括各款式的牛、羊），石器使用者藉此取得肉肉和骨髓，可謂充分發揮石器的作用。動物未必是擊殺，也可能是撿屍取得。

據此判斷奧都萬最初的使用者，會用石器處理各種材料，不限於植物或動物。他們不只是熟練的石器匠，也是手巧的用戶。

石器與化石的演化史

製造與使用石器的人是誰？出土石器的遺址，不少沒有死人骨頭。Nyayanga 遺址倒是有化石，可是卻不是 Homo，而是 2 個「傍人」的牙齒。

這些名詞的關係有點複雜，先來解釋人的部分。傍人（Paranthropus）是何許人也？人類演化史上，300 到 400 萬年前是南猿（Australopithecus）的時代，傍人、Homo 應該都是南猿的衍生型號。

直立人、智人、尼安德塔人所屬的 Homo，和傍人、南猿是近親，都算是古人類；至於「人」是否包含傍人與南猿，看狀況。

再結合石器與年代的資訊，已知最早有 Homo 特徵的化石（無疑的「人」）為 280 萬年，最早的石器不是奧都萬，而是作工更簡陋的拉米關（Lomekwian），存在 330 萬年前的肯亞。所以最早的石器匠不是 Homo，想來也不意外。

按照之前的資訊推敲，最早的拉米關石器早於 Homo，接著 Homo 距今 280 萬年誕生，260 萬年左右研發出奧都萬石器，看似井然有序。

可是 Nyayanga 遺址的年代十分曖昧，剛好卡在 Homo 最初誕生的階段。至今缺乏直接證據，證明那時已經有 Homo 存在，有的話卻也不意外，符合奧都萬最早製造者的時程。

然而，最早的奧都萬石器，卻與傍人化石一起出土，莫非最早的奧都萬是傍人手筆嗎？

傍人或 Homo，誰是製造工具的石器匠？

傍人的外貌更加粗壯，或許也有更猛的咬合力。以前推測傍人的適應主要在肉體和生理，Homo 則是製作工具的行為。此前缺乏明確證據，支持傍人也使用石器，所以這回即使傍人和石器一同出土，依然不敢認定傍人就是使用者。

倘若某些南猿，已經摸索出最初的石器奧義，那麼身為南猿後裔的傍人也會操弄石頭，似乎沒那麼意外。

可是其他遺址也見到過，傍人和南猿與 Homo 住在附近；所以也可能是遺址當年同時住著沒有石器的傍人，以及使用石器的 Homo，後來卻只有傍人留下化石。總之，目前難以判斷誰是石器匠。

還有個黑暗的可能性：與石器一同出土的傍人，搞不好是被石器處理的對象？

• 延伸閱讀：200萬年前最早的直立人，有泉源南猿和粗壯傍人鄰居

最早的傍人

我們對傍人的認識不多，這項研究儘管無法判斷傍人是否會使用石器，依然獲得重要的新知。

傍人一度被歸類於南猿旗下，比較粗壯的南猿，後來才另立新屬 Paranthropus；para 意思是旁邊（beside 或 near），anthropus 是人。目前可分為 3 個物種，這項研究沒有斷言是哪個物種。

以前知道最早的傍人化石距今 260 萬年，出土於衣索比亞的 Omo Kibish，被歸類為衣索比亞傍人（Paranthropus aethiopicus）。

這項研究沒有特別討論，有趣的是，如果年代估計無誤，曾經於肯亞 Nyayanga 出沒的傍人極可能早於 260 萬年，那麼這就不只是最早的奧都萬石器，也是最早的傍人。距離最近的傍人化石 230 公里，也拓展了傍人的分佈範圍。

劃重點：

• 最早的傍人及奧都萬石器，在肯亞出土，年代超過 260 萬年，可能有 300 萬年。
• 東非草原環境中，石器剛出現，用途就很廣。
• 那時可能已經有 Homo 存在，但是石器與傍人一同出土，不確定誰是石器匠。

延伸閱讀

• 肯亞330萬年前的史上最早石器
• 北非240萬年最早石器，可能當地獨立研發？
• 短篇  奧都萬與阿舍利石器，非洲直立人全都要
• 最早的人屬在280萬年前衣索比亞出現
• 南非180萬年前粗壯傍人，比200萬年前更壯
• 理查．李奇 Richard Leakey (1944-2022)：我希望自己是有用的
• 莫維斯線與竹子假說：東方真的比較落後嗎？

參考資料

1. Plummer, T. W., Oliver, J. S., Finestone, E. M., Ditchfield, P. W., Bishop, L. C., Blumenthal, S. A., … & Potts, R. (2023). Expanded geographic distribution and dietary strategies of the earliest Oldowan hominins and Paranthropus. Science, 379(6632), 561-566.
2. Stone Age discovery fuels mystery of who made early tools
3. 2.9-million-year-old butchery site reopens case of who made first stone tools
4. We found 2.9-million-year-old stone tools used to butcher ancient hippos – but likely not by our ancestors
5. Did more than one ancient human relative use early stone tools?
6. Ancient stone tools suggest early humans dined on hippo
7. The “Robust” Australopiths
8. de la Torre, I. (2019). Searching for the emergence of stone tool making in eastern Africa. Proceedings of the National Academy of Sciences, 116(24), 11567-11569.
9. Harmand, S., Lewis, J. E., Feibel, C. S., Lepre, C. J., Prat, S., Lenoble, A., … & Roche, H. (2015). 3.3-million-year-old stone tools from Lomekwi 3, West Turkana, Kenya. Nature, 521(7552), 310-315.
10. Villmoare, B., Kimbel, W. H., Seyoum, C., Campisano, C. J., DiMaggio, E. N., Rowan, J., … & Reed, K. E. (2015). Early Homo at 2.8 Ma from Ledi-Geraru, Afar, Ethiopia. Science, 347(6228), 1352-1355.

本文亦刊載於作者部落格《盲眼的尼安德塔石匠》暨其 facebook 同名專頁。