Pokémon GO全球爆紅超越臉書，還會紅多久？—《科學月刊》

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

社交梳理以及令螞蟻聞風喪膽的黑殭菌

這三年來人類對抗新冠肺炎的防疫戰絕對是科學史上的重大突破，防疫的科學知識和技術出現突破性的成長。然而，不只人類通過合作對抗病原體，許多社會性的生物也會合作對抗病原。

以最著名的社會性昆蟲——螞蟻為例，牠們會幫助同伴清除身上的病原體真菌孢子，這種互相幫忙清理身體的行為在許多社會性的生物上都可以發現（例如獼猴、蜜蜂等），稱為社交梳理（Allogrooming），社交梳理是這些社會性動物對抗病原體的重要防線，可說是群居動物的獨特「防疫政策」。

正所謂道高一尺魔高一丈，致病病原體也不是吃素的，就像新冠肺炎病毒不斷有新的病毒株出現，感染螞蟻的蟲生真菌同樣也有一套對付螞蟻社交梳理的招數。今年發表在《Nature ecology and evolution》的論文就做實驗以了解：螞蟻的社交梳理行為是否會對黑殭菌（Metarhizium sp.）造成生存壓力，以及黑殭菌的應變策略進行探討。

黑殭菌屬的真菌屬於蟲生真菌的一類，如著名補品冬蟲夏草，具有感染寄生昆蟲並使其死亡的能力；因此，對於螞蟻來說，黑殭菌絕對是致命的敵人，若看到同伴身上有黑殭菌孢子一定要幫忙清除。

螞蟻的「防疫政策」對黑殭菌造成生存壓力

首先，科學家想要透過研究「社交梳理行為是否會改變真菌群集組成」，來確認「社交梳理是否會對黑殭菌造成生存壓力」，因此使用六種不同菌株感染螞蟻，並將實驗分成「獨自面對真菌」以及「有兩名同伴照護」的組別，前者的螞蟻個體只能透過自身免疫力來抵抗真菌感染，後者則是有同伴幫忙清除有害真菌孢子。在感染真菌後的八天內，如果有螞蟻死亡，就會將這些孢子拿去感染新的螞蟻個體，並同樣分成兩組進行上述實驗，如此重複十個循環（圖一）。

實驗結果顯示，社交梳理行為確實對真菌群集造成天擇壓力。獨自面對真菌的組別，在經過十個循環後出現較低的真菌多樣性（只剩兩株菌株），然而同伴照護組卻出現較高的真菌多樣性（還剩四株菌株），說明社交梳理行為足以影響菌株間的競爭。（圖二）。

既然螞蟻的「防疫政策」會對真菌造成影響，那麼真菌在螞蟻「防疫政策」的洗禮下，是否也會產生改變呢？答案是：會！

黑殭菌利用「隱身術」騙過螞蟻的防疫政策

科學家首先針對真菌的兩項特徵進行研究：毒性（致死率）和子代數量（產孢數）。研究結果顯示，經過社交免疫的篩選後，真菌的毒性有顯著的下降（圖三 a），然而產生子代的數量卻有所提升（圖三b）。

更有趣的是，這些經過社交免疫篩選的真菌孢子竟提升對社交免疫的抵抗力！相較於獨自對抗真菌篩選出來的菌株，社交免疫篩選出的菌株再次感染單獨的螞蟻和有同伴照顧的螞蟻時，致死率竟沒有差異（圖三 a），這代表社交免疫已經失效了！

科學家猜想，這種現象源於螞蟻們不再好好清除同伴身上的致命孢子，實驗結果也確實顯示同伴螞蟻們似乎對於經社交免疫篩選出來的真菌孢子沒有敵意，因此大大降低清除這些孢子的意願（圖四 a）。與此同時，科學家還發現，經社交免疫篩選出的真菌孢子中「麥角固醇（Ergosterol）」的含量大幅減少，麥角固醇是真菌孢子中的重要組成成分，科學家懷疑螞蟻可能就是因為麥角固醇的幾少而無法辨識孢子。

最終的行為實驗結果支持了這個論點，若把麥角固醇塗在螞蟻身上可以吸引同伴前來清潔，構造相似的膽固醇則沒有類似效果（圖四c、d），因此，麥角固醇很可能就是吸引螞蟻進行社交梳理的標的！

不僅是本實驗的阿根廷蟻（Linepithema humile）被麥角固醇吸引並進行社交梳理，前人的研究發現另外一種社會性昆蟲——白蟻也具備類似的行為，科學家推測麥角固醇可能就是真菌避免被同伴螞蟻清除的關鍵。值得留意的是，麥角固醇的實驗結果可能也解釋了毒性下降以及後代數量提升，由於麥角固醇是真菌孢子重要的組成成分，因此若麥角固醇的含量改變將會導致資源的分配有所調整，毒性下降和後代數量提昇可能就是資源調整分配的結果。

昆蟲的行為背後往往牽涉複雜的因素，麥角固醇是否真為引起螞蟻社交梳理行為的因素或是唯一因素仍需更進一步的證據支持才能夠確認。可以肯定的是，在螞蟻「防疫政策」的伺候下，黑殭菌正透過某種「隱身術」來躲避螞蟻的清除，這不由得令人想起 Jurassic Park （侏儸紀公園）中那句經典的台詞：

Life will find its way out.

• Stock, M., Milutinović, B., Hoenigsberger, M., Grasse, A. V., Wiesenhofer, F., Kampleitner, N., Narasimhan, M., Schmitt, T. & Cremer, S. (2023). Pathogen evasion of social immunity. Nature Ecology & Evolution, 7(3), 450-460. https://doi.org/10.1038/s41559-023-01981-6

使用社群媒體後，你變得更快樂還是更憂鬱？

想知道更多資訊的時候，你可能會上網搜尋。有時候是為了資訊的工具價值，比如透過 Google 地圖確認 A 地到 B地 的路線；腳踝扭傷時，也可以從網路上搜尋到應變的實用資訊；又或是並非真的出於任何用途，只覺得知道某些事很有趣，像是忽然想了解流行音樂歷史。你當然完全可以這樣做。

我們身邊有許多資訊都是一些抽象的概念，其中部分資訊卻可能和你切身相關。比如依據某些基本事實可以推斷你的預期壽命；某些資訊可以了解你的健康風險、未來「錢」景，甚至是個性。比起 10 年前，我們現在能得到的資訊更為詳盡正確，再過 10 年，肯定能夠知道得更多。

這章要談的內容很多，不妨開頭就先提示最大的重點：

研究顯示，整體而言，臉書會讓人變得比較不開心，而且可能感到憂鬱、更為焦慮，也對生活變得更不滿意。

我並不打算危言聳聽，事實上這些影響並不大。然而，它們的確存在。

而與此同時，有些人明明已經停用臉書、也感受到幸福感明顯增加，卻又非常想要重新打開臉書。實際上他們要求要得到一大筆錢才願意放棄臉書。這是為什麼？我們雖然無法確定，但一項合理的解釋是，使用臉書的體驗，包括帶來的資訊，並不會讓人變得更快樂，但還是有它的價值。

無知並不是幸福，而很多人都感受到這一點。人們需要知道自己在意的資訊，這是因為喜歡、甚至珍視一種和重要的人之間產生連結的感覺。

若須付費才能使用社群媒體，會怎樣？

重要的是，我們必須強調，社群媒體的功能不僅僅是提供資訊，至少不是我在這裡反覆強調的揭露資訊的意義。你會使用臉書，可能是為了和家人或朋友聯繫，也可能是為了改善荷包或健康。但無論如何，社群媒體的一大重點在於資訊傳遞，雖然這個概念要比我目前所談的更為廣泛。

而這裡的核心問題是：社群媒體究竟多值錢？

在社群媒體上，大部分的資訊是免費的，至少表面上你無須付費；或許可以說你仍需要付出注意力或個資等等。臉書和推特這些企業是從廣告獲得收益，但有鑑於相關爭議不斷，也有人認真討論起將這些平台及其服務的商業模式改成付費使用。

除此之外也有些偏理論的探討，主要關注在如何評估這些平台的經濟價值。要是民眾必須付費才能使用臉書，情況會變得如何？而民眾又願意花多少錢成為用戶？

這些答案會透露出一些重要的資訊，讓我們知道社群媒體與一般資訊所擁有的價值。而回答這些問題，也有助於了解一些更基本的問題：如何計算經濟上的價值；知道某些消費決定可能只是表面工夫；了解傳統經濟指標與實際民眾福利有何差距（請見第二章）。此外，這些答案也會進一步影響政策與法規。

要你放棄使用 FB ，可能比要你付費使用來得更難？

行為經濟學特別感興趣的一個問題，就是「支付意願」和「願意接受金額」間可能出現的巨大落差。

以臉書為例，如果我們想知道它能為我們帶來多少福利，究竟該問民眾願意為此付出多少錢，抑或該問要給他們多少錢才會願意放棄使用臉書？許多研究都探討過稟賦效應（endowment effect）的現象，也就是被要求放棄某樣商品時所要求的價格，會遠高於他們當初獲得這些商品時支付的費用。

稟賦效應目前還有爭議，至少在適用的領域、來源與程度上仍未有定論。我們可能會想知道，使用社群媒體願意付出的費用，是否大於不使用社群媒體所得到的費用？如果是的話，傳統論點又能否提出說明？

另一個同樣常見、甚至是更基本的問題，則是涉及支付意願或願意接受金額的衡量與民眾福利。我在前面也提過，在經濟學中，要是談到民眾擁有某樣商品時的福利效果，往往是以民眾願意付出多少錢來使用那件商品作為衡量。

當然，「願意付出多少錢」也是現實市場的衡量標準。但請回想一下，要提出這項金額，事實上也就是做出預測：預測該商品會對自己的福利造成什麼樣的影響。

這個問題乍看不難，尤其當談到自己熟悉的商品（鞋子、襯衫、肥皂）；但換做是從未使用過的商品，回答起來也就沒那麼簡單。對於一項從未擁有過的商品，哪知道能帶給自己多大的福利效果，以及可以換算成多少錢？

對許多人而言，臉書、推特、Instagram 等平台都是再熟悉不過的社群媒體，而且有著豐富的使用體驗。但出於某些我們馬上會討論到的原因，社群媒體用戶就是很難估算這些平台可以換算的金錢價值。

只要看看民眾提出使用社群媒體願意付出的金額，就會了解在尋求資訊上，「願意付出的金額」和民眾得到的福利效果似乎並不對等；同時值得進一步研究其中的福利效果究竟是什麼。

在這種時候，「願意付出的金額」只反映出部分的福利效果，還可能只反映一小部分。我們必須找出反映效果不佳的實際原因，並且嘗試找出更能呈現福利效果的方式。而我在這裡的目標，就是希望推進這項任務的進展。

——本文摘自《資訊超載的幸福與詛咒》，2022 年 8 月，天下文化 ，未經同意請勿轉載。