雖然生物使用很多種方式運動，但是現在機器人的設計多半仿製有有骨骼支架的生物，使用關節、支架跟驅動器來達成運動。但是有一類的生物，像是軟體動物，是利用軟組織本身的變形來做運動，沒關節、沒骨骼，這類運動卻很少被應用在機器人身上，現在研究人員利用類似的想法做出了下面這個軟的爬行機器人：
主要的原理很簡單：先利用立體印表機設計出模子，模子的設計是裡面有一些不對襯的空隙，然後用矽膠去翻模，就可以做出可以充氣變形的機器人。裡面的空隙設計如下圖，在這樣的設計裡只要控制四隻腳不同的充氣壓力順序，就可以做到影片中那樣有規則性的運動方式。
這樣的軟機器人的設計成本不高，因為整體沒有關節根支架的分別，製造上也容易，或許在未來像是跟人體互動的接觸或是需要柔和方式的運動時可以派上用場！
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。
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！
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。
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。
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。
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。
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。
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
討論功能關閉中。
男子與公車上認識的同好，打算共赴西洋棋賽。途中兩人開始喝酒，醉到無法下棋，男子便受邀至對方家續攤。他們來到德國某小鎮一棟半獨立式的房子，不知何故卻起了爭執。這名新朋友遂攻擊男子，然後致電警方自首。[1]
警察與鑑識病理學家進入客廳，看見男子四肢蜷曲，橫屍沙發前的血泊中。朝天的後腦勺，有數道深層砍傷。遍佈周遭物品、地板與牆壁的飛濺血斑，方向不一。可以推測男子在跌倒後，以此姿勢繼續受害。他的身邊有兩只刀鞘。相應的武士刀 A 在廚房裡；B 則於屋外的人行道上，一旁還有開山刀。[1]
開山刀上沒有血漬，可能不是兇器；兩把沾滿鮮血的武士刀，成了辦案的焦點：[1]
兩把武士刀的外型，無疑非常相似。不過，製作刀器時的打磨等動作，以及使用造成的磨損，如果留下足夠的紋路，就可能在死者身上產生不同的痕跡。換句話說，驗屍的時候，要挑選刀痕明確，且含有相當細節的砍傷，來進行比對。[1]
男子的頭、頸後方，與右肩、右臂，有 2、30 處銳器損傷；雙手因自我防衛而受傷；嘴唇、手臂、左乳頭，以及左肩胛附近，則有血腫等鈍器損傷。他的內臟輕微貧血，帶少量屍斑，散發著強烈酒味。血液酒精濃度高達 0.378%，[1]衝突發生的當下，抵禦能力大概有限。
| 血液酒精濃度（%） | 可能的症狀 |
| < 0.05 | 多話、放鬆、自信。[2] |
| 0.05 – 0.08 | 判斷力與運動失常，肆無忌憚。[2] |
| 0.08 – 0.15 | 口齒不清；情緒不穩；噁心、嘔吐；視覺、平衡感與肢體協調失常。[2] |
| 0.15 – 0.30 | 想睡、失憶、尿失禁、呼吸困難、失去意識，無法自行走動。[2] |
| > 0.30[2]或>0.40[3] | 昏迷、死亡。[2, 3] |
鑑識團隊取下顱骨（cranium）最上方顱頂（calvaria）的一部份，用冷水洗淨，吸除水份，放在顯微鏡下檢查：8 淺 7 深，共 15 道器物造成的傷痕。其中 3 道特別深，而且保有充足細節，適合比對兇器，被編號為 I、II 與 III。[1]
接著，他們拿出 AccuTrans® 鑄造材料（AccuTrans® Casting Material），往這 3 道刀痕上抹。[1]根據 AccuTrans® 的官網，這是一種鑑識專用的印模矽膠，連鈔票墨紋都能精準捕捉，而且適用於平滑、粗糙，垂直或水平等各種表面。[4]得到第一個模型後，鑑識人員將這塊顱頂扔進不超過 75 °C，摻有洗衣粉的水中浸泡，直到上面的軟組織能被輕輕刷除。然後以丙酮（acetone）除油待乾，再次用 AccuTrans® 翻模。兩塊矽膠模型被放在 Leica FS-C 光學顯微鏡下比較，確認稍早浸泡的程序，沒有不小心破壞了刀痕。[1]
顱頂刀痕的模型完成之後，2 把武士刀也要準備一下。先以冷水洗去血漬，並用衛生紙擦乾。拿牙科翻齒模的 Cavex Set Up Wax 硬蠟片，在刀刃的紋路上翻模，再灌入 AccuTrans®，做出模型。[1]
鑑識團隊除了將顱頂刀痕和武士刀紋路的模型，放在 Leica FS-C 光學顯微鏡下，打斜光比對；也使用辦案專用的 ToolScan 3D 掃描器與 Lucia Forensic 3D 比較軟體加以分析。他們又拿一般硬度的 Cavex Set Up Modelling 蠟片與褐色的 AccuTrans® AB 鑄造材料，再次製作模型，掃描並分析，以驗證結論。[1]
3 道刀痕都與武士刀 A 吻合，儘管這個結果不能排除 B，但至少證明 A 絕對是兇器。鑑識團隊 3D 電腦斷層掃描顱頂，並將結果匯入電腦輔助設計軟體 Autodesk Inventor，再繪製武士刀 A 配合呈現。然後於法庭上以此系列圖像，展現揮刀的方向與砍傷的時序。最後，兇手因過失殺人被判 9 年徒刑，並強制勒戒。[1]
這次來醫院的目的，是更換並固定新的侵入性呼吸器材，計劃相當簡單：事前禁食，全程無麻醉，不用住院，做完直接回家。不過，當天程序走到一半，13 歲的德國男孩就過世了。[1]
男孩患有原因不明的嚴重先天性神經疾病。[1]大概是食物或液體動不動就落進下呼吸道，他時常感染吸入性肺炎（aspiration pneumonia），[1, 2]因此曾接受氣管造口術（tracheostomy；簡稱氣切）（圖 1）：在脖子前方開一個永久性的孔洞，置入氣切管，並連接正壓呼吸器。[1]這個氣管造口便於抽清下呼吸道，以維持暢通；[3]但是多年下來形狀走樣，開過數次刀，換了各種氣切管，都無法穩固裝置。不僅空氣外漏，氣切管的充氣氣囊（圖 2），也總是在呼吸器運作時滑出來。於是，男孩的醫師群決定執行氣管造口矯正術（tracheostomal epithesis），把氣切管跟氣管造口之間的縫隙封起來。[1]
氣管造口矯正術開始，兒童胸腔科醫師拿起新的氣切管，先測試充氣氣囊是否功能正常，再將氣切管從男童的氣管造口插入。以支氣管鏡確認其位置無誤後，拔除呼吸器。然後灌飽氣切管的充氣氣囊，以防止男童吸入異物；同時仍露在體外，用來顯示氣囊狀況的測風球，也相當飽滿。男孩平常能在無呼吸器的情況下，撐好幾個小時，所以及至此刻他的生命徵象依然穩定。[1]
假體製作師把混合槍（圖3）的前端，伸入氣管造口，從新的氣切管旁，灌注橙色的矽膠印模材料，精確複製周邊組織的構造，好在稍後翻模塑形，填補氣切管跟氣管造口間的空隙。在進行此步驟時，假體製作師發覺矽膠用量異常地大。開始灌注的 60 秒後，男孩的血氧飽和濃度劇降，臉色發青。[1]
所有動作立刻停止。原本在灌注完成後，要透過氣管鏡，檢查有無矽膠跑進氣管或支氣管。現在兒童胸腔科醫師，以及陸續加入搶救的兒童加護科、兒童腸胃科和耳鼻喉科醫師，只管拼命地把矽膠抽出來，還有進行人工呼吸。他們拔出氣切管，再插入一支新的，然後從支氣管鏡看到矽膠的堆積，遠超過計劃範圍。趕緊給男童上了麻醉劑，推去手術室。[1]
醫療團隊於喉頭鏡和支氣管鏡的輔助下，繼續清除矽膠，並且幫他接上體外維生系統（ECMO；又稱葉克膜）。在經過數次努力後，終於從下呼吸道，取出一根 Y 字型的矽膠（圖4）。遺憾 2 小時的搶救下來，男孩仍然回天乏術。[1]
隔天，法醫仔細檢驗這具 140 公分高，28 公斤重的屍體，與死亡相關的發現，包括：取出的矽膠，跟氣管下半部、主支氣管和肺節支氣管完全吻合（照片）；肺水腫（pulmonary oedema）；急性肺氣腫（acute emphysema）；以及肋膜下的瘀點（petechiae）等。另外，假體製作師拿的混合槍，容量為 50 毫升；而從男孩體內取出的矽膠（圖 4），約有 43 毫升。至於出事時用的那支氣切管，充氣氣囊與測風球的功能都正常。[1]
法醫確定男孩死於矽膠阻塞下呼吸道，所造成的窒息。[1]但是，應該不能超過充氣氣囊頂端的矽膠，究竟是怎麼搞得到處有？
2022 年於期刊上發表此個案報告的作者，推測矽膠有可能在這些情況下，流出預定範圍：[1]
調查完畢後，檢察單位認為：[1]
綜合以上，檢方以嫌疑不足結案。報導此事件的論文作者，則提出了幾項建議：首先，在氣管造口矯正術的過程中，最好同步使用氣管支氣管鏡，別等事後才檢查有無異狀。如此便能在問題發生的當下，迅速停止動作。再來，充氣的時候，若有氣囊壓力計（圖 5），灌飽與否就不會僅是憑感覺。最後，專業指南必須詳述操作步驟、所需的人員和技術，以及安全須知。[1]
趙振宇
胡中行
s
