是誰住在深海的蝦子體內？竟然是早就禁用的多氯聯苯

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

編按：現在的生活瞬息萬變，在未來的世代，可能會出現許多你想都沒想過的職業。讓我們與孩子一起發揮想像力，你覺得未來會有什麼樣的職業出現呢？

塑膠漁夫：打撈塑膠就是我們的工作！

「今天又是出海的好天氣！」亞美迪歐和其他塑膠漁夫歡聲雷動，每一天，他們都要拯救受汙染的海洋。自從人類有了石油，就發明出便宜好用的材料─塑膠。可是塑膠被丟棄後會一直在環境中漂流，不會消失。

亞美迪歐的團隊為了捕撈塑膠，會運用特殊設計的磁網，只吸引塑膠垃圾，不影響魚兒在水中的生活。

「糟糕，又來了！這星期已經發生第二次了！」亞美迪歐說完，立刻跳上救生船，原來是遠方有隻信天翁被塑膠網纏住，不斷在水裡揮動巨大的翅膀，發出淒厲的叫聲。

救援行動當然不輕鬆，耽誤了一些工作時間，還好幾分鐘之後，信天翁終於重獲自由了。

除了大型塑膠垃圾外，海裡還潛藏著肉眼看不見的危險物質─塑膠微粒。它們比髮絲更細、比沙粒更小，如果被魚吃下肚，最後會成為人類盤中的食物。

這時候就要動用塑膠漁夫的最新發明。「摩比，做得好，看看你今天能吞噬多少塑膠微粒？」亞美迪歐一邊大喊，一邊走向船尾，一臺貌似藍鯨的機器人從水中冒出來，嘴裡布滿特殊長牙，這些長牙的功能類似過濾器，專門捕撈塑膠微粒。

亞美迪歐大聲歡呼：「還不賴，這裡乾淨多了！現在大家該去睡個好覺，明天繼續往南！」

海洋裡到底有多少塑膠垃圾？

4 億噸：塑膠每年在全球被製造出來，相當於 66 座吉薩金字塔。

6,000 萬噸：塑膠每年在歐洲製造出來，相當於 1,000 萬頭大象。

2,600 萬噸：歐洲每年丟棄的塑膠，其中不到 30% 被回收。

1,000 萬噸：歐盟制定目標，預計在 2025 年，每年至少要回收的塑膠重量。

700 種生物正受到海洋塑膠垃圾的傷害

• 35％ 是鳥類；
• 27％ 是魚類；
• 20％ 是無脊椎動物；
• 13％ 是哺乳類動物；
• 5％ 是爬蟲類。

塑膠漁夫要有的能力：

○ 喜歡海洋

○ 對生態學有興趣

○ 會游泳

○ 大而化之

○ 有遠大的目標

○ 清楚回收流程

——本文摘自《拯救地球的工作者》，2022 年 10 月，和平國際出版，未經同意請勿轉載。

每年的 6 月 8 日被訂為世界海洋日，這個節日是希望每個人都可以好好認識海洋，並且重視汙染與資源過度開發的問題，因為海洋大約佔了地球的 70%，扮演著對於地球非常重要的角色，但近年來因為過度的開發，導致海洋生態系遭受破壞。

甚至，在荒野保護協會 2020 年的調查報告中發現，海洋垃圾中佔比的前五名，分別是寶特瓶、塑膠瓶蓋、菸蒂、吸管和塑膠提袋，這五項中就有四項是塑膠製品！

那我們要怎麼幫助減少海洋垃圾呢？

除了減少使用一次性塑膠製品之外，我們在去海邊遊玩的時候，如果有看到沙灘上有散落的垃圾，也可以一起幫忙搜集起來丟掉，以免在漲潮時候被海浪拍打進海裡，被海洋動物誤食。

如果垃圾還是不小心掉到海裡怎麼辦呢？於是世界各國開始研究起了清理海洋垃圾的方法。

澳洲的 Seabin 海洋垃圾桶就是一個成功的例子，它將港口或者岸邊的垃圾作為主要回收目標，可以 24 小時運轉，一年可以清理掉 1.5 噸的垃圾！

其實還有很多很有創意的發明，都可以幫我們解決海洋垃圾的問題，但是如果我們從根源做起，不亂丟垃圾、確實做好回收分類，看到公共區域的垃圾可以隨手撿起來，改變自己小小的習慣，大家都有這樣的共識，就可以發揮無限大的效用。

人們想像中的海底，總是神秘而未知的，對於我們而言，海洋深處甚至比月球還要難以捉摸，然而，最近一項發表於《自然─生態學與進化》（Nature Ecology and Evolution）的研究卻發現到：這片「地球最後的淨土」竟然也難逃人類的魔掌！潛藏於深海的汙染物逼著人們不得不重新檢視自己對於環境造成的影響。

海洋之心在哪裡？海平面下六公里

為了更理解海洋深處的情形，科學家決定探訪地球上「最後一個重要的海洋生態邊界」──超深淵帶（hadal zone），它是指海平面下 6 公里到 11 公里之間的海域，也就是所謂的海溝地帶。超深淵帶的物種數量和多樣性極低，生存方式也與地表動物大不相同，很多人認為這裡就像是外星球一樣獨特。

人們對於深海的想像都是「原始而純粹的」，彷若世外桃源一般，但事實上，這些海溝卻像是垃圾掩埋場一樣，收集了所有落到海床的垃圾。

要如何知道深海的汙染情形呢？科學家利用裝了餌食的機器深入馬里亞納海溝（Mariana Trench）和克馬德克海溝（Kermadec Trench），捕捉短腳雙眼鉤蝦（Hirondellea gigas）。這種小型的端足類甲殼動物就像海中的清道夫一樣，基本上會吃掉一切從海面上掉落的有機物質。（沒錯，汙染物也是牠們的大餐）

由於持久性有機污染物（POPs）會破壞生物的激素，科學家藉由分析鉤蝦身上的脂肪組織，便能推斷汙染物造成的影響。

早已被禁止，海底仍難逃汙染物魔掌

這次研究中，發現了兩種早已在多年前被禁止使用的化學物質：多溴二苯醚（PBDEs）和多氯聯苯（PCBs）。

多溴二苯醚等溴化阻燃劑的防火效果極佳，不但可以減少起火的可能，也能阻礙大火的蔓延，但它難以分解、容易在自然中不斷累積，歐盟在 2003 年所通過的《危害性物質限制指令》（RoHS）中，已明令禁止使用此項化學物質。

多氯聯苯在 20 世紀曾經被普遍而廣泛地當作電器絕緣體，然而，由於它屬於致癌物質，會引發腦部、皮膚及內臟的疾病，美國早在 1979 年便已禁止生產此物質。多氯聯苯從 1930 年代開始生產到 1970 年代被禁為止，全球產量高達 130 萬噸。這些數量龐大汙染物會經由工業事故和外洩、不完全的焚化、垃圾掩埋場洩漏等各種方法滲進自然環境，無法被分解。

本研究取樣的兩個海溝彼此相距 7 千公里，深度皆達10公里，雖然遠離工業區，卻仍被偵測到這樣高劑量的汙染物質，說明人類產生的污染已經抵達地球上每個角落。在研究中，科學家更寫道這兩種汙染物簡直「無處不在」：

「在兩個海溝中，棲息於不同深度的生物樣本身上，都殘有多溴二苯醚和多氯聯苯。」

垃圾不分國界，海洋照單全收

雖然兩個海溝同樣遭到汙染，兩個海溝的汙染程度卻不大相同，研究發現：馬里亞納海溝的鉤蝦，身上所含的多氯聯苯濃度高於克馬德克海溝的鉤蝦。

為什麼兩個海溝之間存在這樣的差異，科學家目前尚不清楚，其中一個可能的推斷是：馬里亞納海溝的汙染物來自「大太平洋垃圾帶」（Great Pacific garbage patch）。這個垃圾帶的面積大約有美國德州的兩倍大，數百萬噸的塑膠和垃圾被洋流間的渦流纏住，因此形成了最大的海洋垃圾大平台。

在馬里亞納海溝中，所測到最高劑量的多氯聯苯，其濃度大約是「某隻螃蟹」的 50 倍──可別小看這隻螃蟹，牠來自一畝經由遼河灌溉的稻田，而遼河是目前中國境內汙染情形最為嚴重的河流。

那麼，這麼高劑量的汙染物到底有多可怕呢？

研究者認為，這些汙染物可能是透過遭汙染的塑膠碎片和沉入海床的動物屍體，來到海溝深處，而後被深海動物分食。換言之，深海就像是汙染物的秘密儲藏室一樣。根據生物累積的理論，這些汙染物在淺層海水層的濃度會高上好幾倍，對於人類的危害也相對更加顯著。

不過，來自澳洲新南威爾斯大學的研究員 Katherine Dafforn（並未參與此研究），在一篇相關評論中則認為，雖然研究團隊量化了超深淵帶的汙染物，但這些汙染物到底從何而來？如何而來？確切原因仍然未明，而這些生物受到的污染對於食物鏈頂層的影響也仍待進一步研究。但她也強調：

這份研究清楚證明了即便深海看似遙遠，卻與表層海水有著密切關聯，也同樣會面臨人造汙染物的威脅。

原文出處：

• Laura Geggel, “‘Disturbing’ Results Show High Pollution Levels in Mariana Trench“, Live Science, [2017.02.15]
• Paul Rincon, “Banned chemicals persist in deep ocean“, BBC news, [2017.02.13]

參考資料：

1. Alan J. Jamieson, Tamas Malkocs, Stuart B. Piertney, Toyonobu Fujii & Zulin Zhang, “Bioaccumulation of persistent organic pollutants in the deepest ocean fauna“, Nature Ecology & Evolution 1, Article number: 0051 (2017) doi:10.1038/s41559-016-0051
2. 超深淵帶 維基百科
3. 多溴二苯醚 維基百科
4. 多氯聯苯 維基百科
5. 大太平洋垃圾帶 維基百科
6. Katherine Dafforn, “Ecotoxicology: Pollutants plumb the depths” , Nature Ecology & Evolution 1, Article number: 0075 (2017) doi:10.1038/s41559-017-0075