虎鯨也有更年期？停經原因讓人大喊：世上只有媽媽好！

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

狐狸的育幼行為

對於生物來說，離開親代的意義是什麼？

放手讓子代獨當一面的意義又是什麼？

肉食性動物的親子分離是很絕情的，下面要介紹的例子是狐狸。

狐狸是很重感情的動物。

童話故事中的狐狸總是給人狡猾的印象，不過實際上狐狸家族之間的情誼相當牢固。

狐狸採一夫一妻制，雄性也會參與育幼，由夫妻一起照顧小孩。

母狐狸會躲在挖得很深的巢穴中待產，雄狐狸則會勤奮地替在巢穴中的雌狐狸覓食。即便小孩出生了，雄狐也不能進洞裡。據說曾有人觀察到在巢穴附近坐立難安的雄狐，好像很想見見自己的小孩，讓人不覺莞爾。

狐狸媽媽生產完之後，雄狐狸要持續替牠送食物。

狐狸以老鼠或兔子為食，覓食對牠們而言並不容易。就算生活在食物豐富的里山環境（編按：里山指環繞村落的山林和草原，經人類適當耕耘，可提供動植物多樣性的棲地），也需要一平方公里的領地。若是在食物匱乏的地方，領地可能要五十平方公里。為了家人，狐狸爸爸必須在遼闊的領地間徘徊覓食。

況且老鼠與野兔相當敏捷，獵捕起來並不容易。狐狸需要高超的狩獵技巧。

牠們的基本狩獵方式是跳躍，畢竟以追捕的方式捉老鼠與野兔有一定難度，因此狐狸選擇靜悄悄靠近，再一口氣跳高，由上往下攻擊獵物。

牠們還有一種特殊的狩獵方式，稱作「誘捕」（charming）。鎖定獵物的狐狸會維持著一個不會讓獵物溜走的距離，然後狀似痛苦地不斷打滾，老鼠和兔子看到狐狸的模樣心生好奇，就會忘記要逃命。此時狐狸一邊劇烈扭動、一邊慢慢靠近，趁獵物不注意的時候偷襲。據說牠們還懂得裝死讓獵物放下戒心，這也是需要高超的演技。

在獵捕水鳥時，狐狸也懂得把水草或雜草纏在身上，透過偽裝的方式靠近獵物。這種狩獵方式需要高度的智能。進行高階的狩獵行為需要深度的學習。所以小狐狸出生三個月左右，親代就會把牠們帶到遠方，傳授生存需要知道的重要事項，包括如何狩獵。

讓小狐狸離巢的狐狸爸媽

等到教會孩子怎麼狩獵之後，狐狸爸爸就不再替小孩覓食了，透過這種方式督促小狐狸自立。乍聽之下很無情，但牠們並非放任小孩自生自滅。有時候狐狸親代似乎會事先把食物藏好，再讓小狐狸自己去找，表面看起來嚴厲，實則處處有愛。這種愛在心裡口難開的表現，實在很有父親的育幼風格。

然而進入夏天的尾聲，就是別離的時刻了。

小孩不能永遠待在父母身邊。進入離巢期，親代會開始驅趕子代。狐狸是很寵小孩的動物，養育小孩時也關愛有加。在小狐狸眼裡，媽媽和爸爸都無比慈祥和藹。小狐狸也很依賴父母。可是在離巢期的狐狸爸媽會突然翻臉就不認小孩了。

小狐狸會困惑地無法理解，像平常一樣回到父母身邊。但是親代不允許子代回來，選擇強力恐嚇並驅趕小孩，狐狸媽媽甚至還會開咬。

儘管如此，小狐狸還是想回來，不過每次都會遭到恐嚇與攻擊。最終小狐狸會死心離開父母家園。

這就是孩子的自立，也是親代放手讓小孩獨當一面的時機。狐狸親代就是為了這一刻才不斷教導子代各種生存策略，最終子代也會擁有自己的領地並為人父母。

這一切都是為了讓小孩學會獨立自強。這就是狐狸的育幼方式。

——本文摘自《生物轉大人的種種不可思議：每一種生命的成長都有理由，都值得我們學習》，2023 年 8 月，商周出版，未經同意請勿轉載。

• 文 胡潔曦｜黑潮海洋文教基金會 鯨豚保育研究員
• 本文轉載自黑潮海洋文化基金會《海洋盛宴——抹香鯨落》，歡迎喜歡這篇文章的朋友訂閱支持黑潮喔！

編按：本文主要內容與圖片摘錄、翻譯自文獻Three-year investigations into sperm whale-fall ecosystems in Japan，期望在頻繁目擊抹香鯨的 7 月，跟大家分享抹香鯨落的研究。

生存在深海中並非容易的事，由於深海裡缺乏陽光與有機物質，許多生物是藉著海水表層落入深海的有機物質維生。當鯨豚死亡後沉入海底，這段過程、遺體以及過程中所形成的生態系均可被稱為「鯨落」。鯨落可以說是生命的延續之源，而這些殞落至海底的鯨豚有如「金山銀山」，不僅能提供大量的有機物，同時也將許多硫化物帶入海底，造福許多海洋生命，因此也有一句話說：「鯨落，萬物生」。這篇文章透過閱讀國外文獻與整理，希望跟大家分享抹香鯨死亡之後的貢獻！

故事的開始——集體擱淺在日本的抹香鯨

在 2002 年 1 月，日本的西南海岸發生了一起集體擱淺，共發現了 14 隻抹香鯨，而其中 12 隻抹香鯨被綁上水泥塊後，被當地政府沉入了 Nomamisaki 岬角周邊深度大約兩、三百公尺的海裡，形成了多座人工鯨落。當時有許多學者對於抹香鯨落感到好奇，究竟牠們會吸引來哪些生物？而抹香鯨龐大的遺體會需要花費多長時間分解呢？透過這項研究，或許能讓人們對大型齒鯨落的分解過程更加瞭解。

事實上，在 2002 年以前，多數的鯨落研究出自於美國的加利福尼亞州外海，並以鬚鯨為主要研究對象，而這些鯨落的深度幾乎都落在一、兩千公尺深，比起這次抹香鯨落群的深度深了非常多。而這次大量出現在日本西南海域的多座人工鯨落有著種種獨特性，包含了：深度淺、是大型齒鯨的鯨落等等，也讓學者們充滿好奇心。

究竟要如何長期觀察抹香鯨落呢？

閱讀至此，不知道讀者們是否有一項疑問？在兩三百公尺深的海裡，既缺乏可見光，同時也承受著數十倍的大氣壓，在這樣的條件下到底要如何觀察抹香鯨落呢？「ROV——水下探測載具」即是這個研究的一大助手，能夠幫助科學家們突破這些困難，不僅能在深海中蒐集珍貴的影像，也可以完成採集的工作。而在團隊耗費了 3 年運用水下載具追蹤其中的五隻抹香鯨後，他們也有了些有趣的收穫，透過圖四可以看到這段時間抹香鯨的外觀變化。

經過數年的追蹤後，研究團隊發現，抹香鯨落歷經分解的速度堪稱飛快！根據 2003 年的鯨落研究，學者將鯨豚分解的過程定義為下述四個階段（Smith and Baco 2003），而第一個階段到最後階段可能會歷時數年甚至到數十年，當鯨豚的遺體越大，可能耗時越長：

1. 移動清道夫階段（Mobile-scavenger）：生物會快速消耗掉鯨豚體表上的肉與脂肪。
2. 機會主義者階段（Enrichment opportunist）：生物開始進駐鯨豚裸露的骨頭及周邊富含營養的底層泥沙上。
3. 化能自養階段（Sulphophilic）：骨骼釋放硫化物，供養海洋中依靠硫化物維生的生物。
4. 骨礁階段（Reef）：在所有有機物質被消耗之後，即會進入骨礁的階段。

註解：上述中文名詞翻譯參考自國家地理頻道及國立海洋科技博物館 鯨落展區。

鯨落最快被消耗掉的部分是身上的肉跟脂肪，而這份文獻研究的 5 座抹香鯨落，肉跟脂肪在經過 1 年之後已幾乎被消耗殆盡；經過 1.5 年之後，抹香鯨落已進入化能自養階段，骨骼開始釋放硫化物質；有些大型鯨落從化能自養階段轉為骨礁期要歷經數十年，根據這項研究發現，部分抹香鯨落竟在 3 年後就能夠進入骨礁期，身上所有的有機質都被消耗殆盡，而這樣的進度相較於過去鬚鯨落的研究是非常快的！研究人員初步推測，可能是因為此處的平均水溫相較其他鯨落研究的海域高，生物分解的速度比較快。

抹香鯨落上意想不到的生物多樣性

這次的研究共有發現超過百種生物聚集在抹香鯨落周邊，包含軟體動物門、多毛綱與甲殼綱的生物等，在 1.5 年後，貽貝是抹香鯨骨骼上最為豐富的生物類群（圖五）。而抹香鯨落整體的生物多樣性在到達 3.5 年時來到高峰，紀錄中共有八十多種生物出現。

除了確認抹香鯨的腐化速度之外，研究人員也會在探測載具每次下海時採集底部的泥沙，經分析發現，抹香鯨身體下方泥沙中的硫化物濃度，隨著鯨落分解的時間越久，濃度也會逐漸提高，並吸引來大量仰賴硫化物生存的生物。為了進一步確認周遭環境的生物是否與抹香鯨身上的有差異，研究人員也將抹香鯨 10 米以內與外的生物做了比較，發現鯨落 10 米以外的物種與鯨落上的生物完全沒有重疊，也證明了鯨落的出現確實吸引來許多的生物。

鯨落，萬物生

鯨落的各個分解階段吸引了許多生物造訪，肉與脂肪等在幾個月內快速地被消耗掉，有機碎屑也能讓周邊海底的富含養分，而抹香鯨骨能釋放硫化物數年，部分大型鯨甚至可能長達數十年。「鯨落，萬物生」，在鯨豚生命的最後一章，牠們的身體緩緩沉入海底，成為了大量生物的食物來源。至 2022 年為止，目前世界已知鯨落共有約 160 座，也希望隨科技進步，人們能更深入認識鯨落為環境帶來的影響。

影片分享：美國於2019年在NOAA保護區發現的深海鯨落。

1. Fujiwara, Y., Kawato, M., Yamamoto, T., Yamanaka, T., Sato-Okoshi, W., Noda, C., Tsuchida, S., Komai, T., Cubelio, S.S., Sasaki, T., Jacobsen, K., Kubokawa, K., Fujikura, K., Maruyama, T., Furushima, Y., Okoshi, K., Miyake, H., Miyazaki, M., Nogi, Y., Yatabe, A. and Okutani, T. (2007), Three-year investigations into sperm whale-fall ecosystems in Japan. Marine Ecology, 28: 219-232.
   https://doi.org/10.1111/j.1439-0485.2007.00150.x
2. Li Q, Liu Y, Li G, Wang Z, Zheng Z, Sun Y, Lei N, Li Q and Zhang W (2022) Review of the Impact of Whale Fall on Biodiversity in Deep-Sea Ecosystems. Front. Ecol. Evol. 10:885572. doi: 10.3389/fevo.2022.885572
3. https://oceanservice.noaa.gov/facts/whale-fall.html
4. https://natgeomedia.com/environment/article/content-6001.html
5. https://www.soest.hawaii.edu/oceanography/faculty/csmith/Files/Smith%20and%20Baco%202003.pdf
6. http://hi.people.com.cn/BIG5/n2/2020/0409/c228872-33936490.html