(來源不明,翻譯 by PanSci社群)
我不能愛你比你愛我更多阿
看不到@@?
這篇原文我沒看過,但用英文句子很容易查到原始來源(跟Ifan查到的一樣),既然已知來源,文內最好就加註進去了,不要再掛著「來源不明」吧。
This is reviewer’s job to catch those things.
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。
去年醫學論文造假事件鬧到最鬧烘烘時,很多圈內的朋友也都不約而同做了很多相同的夢,內容非常真實又刺激,曲折離奇到說出夢境都絕對要發表不自殺聲明。
毫不例外的,現實當然也要比很多影視作品還更變態,狗血狂灑到編劇都嚇到吃手手,不信看看從造假後一路走來,台灣高等教育和學術圈在面對愈來愈嚴峻的國際競爭壓力下,各種明爭暗鬥、扯後腿、落井下石,真是令人眼花撩亂,難怪台灣書市的大眾小說幾乎全都變小眾了,因為讀報紙就比大眾小說精彩。
醫學論文造假事件後,除了造成有學校沒有校長,很多新同事和助理、學生要去上所謂的學術倫理課,以及信箱不時收到誠信電子報,在制度和體制上幾乎沒有任何改變。相信再來一次,同樣的戲碼又不會不再重演一遍,然後更多無辜的人要逼得寫作文,或小說。
這是一個很難讓人樂觀的年代,不過在這個現實虛構顛三倒四的惡質現狀下,慶幸的是有部優異的作品橫空出世了!在紛紛擾擾的環境中,這本小說卻很瘋刺的比讀報紙才知道的事情還來得更像是真實的!
在一系列造假事件中,學術圈內異常的安靜,就連我夢中在醫院裡工作的線民,都回報說醫院內所有人上班時都完全不像聽說任何事一樣,在茶餘飯後都完全沒人想要提到這件事,一整個河蟹到可怕,據說膽敢要說八卦的話,都要作夢跑離院外好幾公里外才行,果然比台日版的《白色巨塔》(白い巨塔)還變態,還好是作夢夢到的。學術圈內的大佬也沒人敢出來批評什麼,只有個位數學者敢在媒體上大量投書。
就在那幾位膽敢大量投書媒體的人物中,最突出的就是國立宜蘭大學生物機電工程學系特聘教授 ──《科學月刊》、《科技報導》前總編輯蔡孟利老師,以專業證據、實際訪談為基礎,提出強力的質疑,是極少數的正義之聲。據說他母校已有很多師生及校友感到 ⋯⋯ 因此,台灣就平添了一位優異的小說家!
科學的價值、教育的價值、大學的價值,在純粹的名利追逐下,無形中崩壞!有人還敢說在學者和官員的這些作為下,能帶給社會正面的力量,以及給予莘莘學子追求和現實夢想的勇氣嗎?!難怪人才加速流失。好棒棒,沒有關係,很可以,我們還有小說《死了一個研究生以後》。
在細胞培養室裡無預警地開了一氧化碳自殺,然後她就死掉了。讓一個宅男在十幾天中步向人生中,比做實驗追求知識更真實的探索之旅,探索學姐的死因、探索人生中的其他面向、探索愛情。科學研究,原本就是要犧牲一個人很多很多青春和精力的,可是換來的不是高尚的理念,而是成了追名逐利下被吃掉也不痛不癢的小棋子,都不知大人要怎麼教小孩了。
原本以為,《死了一個研究生以後》只是一本人物對白簡單的爆料驚悚小說,可是沒想到這卻是一本文學性頗強的小說,甚至讓人忘了真實世界中的論文造假事件,即使真實的世界的夢境中,真的死了人。
我相信,沒讀過《死了一個研究生以後》的朋友遠超過讀過的,因為讀過的朋友見面時都不約而同問對方讀過了沒,即使不是生科人,也讀得津津有味。很難想像理工宅的處女作,就交織出複雜的劇情、深厚的感情、合理的線索,讓讀者跟著一位宅男抽絲剝繭,並且在宅了很多年的象牙塔脫困後在現實世界中遭遇各種逃避過的衝撞,簡直就是本宅男的異想世界,宅得很精彩!
《死了一個研究生以後》中的命案把一自以為投身科學研究的宅男搞得七葷八素,現實中更多阿宅的故事只恐怕更杯具。《死了一個研究生以後》把一個宅男的生活和心理刻畫得入木三分,包括對正妹們的諸多性幻想。我雖然一點也不宅,但看看周遭的宅男們,也感到好親切和熟悉。
作為一部傳說中的推理小說,《死了一個研究生以後》是有些不足,就是壞人實在太善良了,果然學界大佬都還是吃素的,讓結尾對照整本小說而言顯然不夠緊張刺激。連邪惡的老闆也只能拿科學哲學大師孔恩 (Thomas S. Kuhn,1922-1996)《科學革命的結構》(The Structure of Scientific Revolutions) 的典範論來打打嘴炮,讓我真想巴他兩下,用力打臉說他怎麼知道他的典範不會被轉移掉,造個屁假啦。然而,瑕不掩瑜,近年台灣已少有這麼優異的小說問世了!
泛科學現在推了個泛科幻獎,徵求短篇和中短篇科幻小說。我已想好兩部科幻推理小說的題目了:《死了一個大學校長以後》,以及其續集《死了一個教育部長以後》,請大家拭目以待,期待都能在夢中讀到這兩部劃時代的巨著!
最後,本人在此特地聲明:
本人樂觀開朗,身體健康,無任何使我困擾之慢性病或心理疾病,故絕不可能做出任何看似自殺之行為。
本人從無睡眠困擾,故不需服用安眠藥。
本人不酗酒亦不吸毒,也絕不會接近下列地點:
1. 開放性水域
2. 無救生員之游泳池
3. 有高壓、危險氣體,或密閉式未經抽氣處理之地下室、蓄水池、水桶等
4. 無安全護欄之任何高處
5. 任何施工地點(拆政府除外),包括製作消波塊之工地
6. 任何以上未提及但為一般人正常不會前往之地點本人恪遵下列事項:
1. 車輛上路前會檢查煞車部件、油門線等,並會在加油前關閉車輛電源與行動電話。
2. 絕不擅搶黃燈、闖紅燈。
3. 乘坐任何軌道類交通工具一定退到警戒線後一步以上,直到車輛停妥。
4. 騎乘機車必戴安全帽;乘車必繫安全帶。
5. 絕不接近任何會放射對人體有立即危害的輻射之場所(如核電廠)或設備。
6. 颱風天不登山、不觀浪。本人將盡可能注意電器、瓦斯、火源之使用。
本人居住之房屋均使用符合法規之電路電線,絕無電線走火之可能;也絕未在家中放置過量可燃性氣體或液體。浴室中除該有之照明外,不放置任何電器用品,並在睡覺前關閉除電燈、冰箱、電扇外之所有電器開關。
本人絕不會與隨機的不明人士起衝突,並盡可能保護自我人身安全。
所以若網友在看完此聲明之後,近期或將來發現此帳號不再上線,請幫我討回公道,謝謝。
本文原刊登於 The Sky of Gene。
我不能愛你比你愛我更多阿
看不到@@?
這篇原文我沒看過,但用英文句子很容易查到原始來源(跟Ifan查到的一樣),既然已知來源,文內最好就加註進去了,不要再掛著「來源不明」吧。
This is reviewer’s job to catch those things.
研究論文(paper)投稿到期刊接受同儕審查(Peer review)的過程中,採取單盲(single-blind,亦即審閲人(reviewer)知道論文作者是誰但作者不知審閱人是誰)或是雙盲(double-blind,作者不知道審閲人是誰、審閲人也不知道作者是誰)會不會有不同的結果?
「一定的嘛!」相信大家大概都這麼認為,但真實情況是否真是如此呢?
其實這是個已被提出來多次討論的議題,支持雙盲制的人也不在少數,只是現今多數期刊仍行使單盲制──審閱人在審稿時仍然能夠得知論文作者是誰、任職於哪個機構。過去研究者曾提出幾項可能會因此而導致審閱人不公正的效應,例如瑪蒂達效應(Matilda effect)指的是在男性主導的領域中,相較於第一作者為女性的論文,第一作者為男性的論文會被認為具有較高的科學價值。至於所謂的馬太效應(Matthew effect),指的是知名研究者的新研究成果通常能得到更大的關注。還有,作者如果來自有名的、頂尖的大學或機構,也可能使審閲人產生偏誤。
1978 年,當時甫任教於北達科他大學(University of North Dakota)心理系的 Stephen J. Ceci 和已經當了四年助理教授的 Douglas P. Peters 攜手進行了一項有趣的實驗,該實驗於 1982 年發表於期刊《THE BEHAVIORAL AND BRAIN SCIENCES》上。他們從 12 個不同的心理學期刊上找出了 12 篇不同的 paper,這些 paper 的共通點是它們的作者皆來自排名很前面的大學心理系或研究機構、作者本身非常有名與多產、文章達一定程度的引用率、而且是在過去 18-32 個月這段期間所發表的。 Peters 與 Ceci 兩人將這 12 篇 paper 的作者姓名和單位名稱更改成虛構的姓名與機構名稱之後,重新投稿至原本的 12 個期刊。
結果發生了什麼事?有三篇被編輯或審閲人發現是已經刊登過的文章,所以只有剩下的九篇進入評審階段。然後,這九篇之中有八篇被拒絕刊登!而且審閲人最常給的拒絕理由是:研究方法有重大瑕疵(serious methodological flaws)。
這不是很奇怪嗎?!如果有重大瑕疵,那這些論文是如何獲得先前的審閱人和編輯的認可而獲准刊登的?排除幾個可能原因之後,Peters與Ceci認為,要嘛就是第一次遇到的審閲人能力都剛好比較差,要嘛就是大家都被作者或學校名聲給蒙蔽了雙眼。
另外一項發表於《PNAS》的新研究則是直接比較了審閲人在知道/不知道作者姓名單位的情況下,對於論文的評價是否有所不同。
這個由 Google 和北京清華大學合作發表的實驗直接以投稿至第10屆ACM網路搜尋與數據探勘國際會議 (10th International Association for Computing Machinery Conference on Web Search and Data Mining, 縮寫為 WSDM 2017)這個研討會的500篇論文為實驗材料。
在電腦科學(computer science)這個領域,研究者多會把研究成果以研討會論文(conference paper)的形式發表而不是投稿到期刊,而且審稿的時候審閲人會根據全文的結果來決定,而不是只看摘要。
在這個實驗中,有半數的審閲人被分派至單盲組,另一半的審閲人則被分派到雙盲組。實驗包含 bidding 與 reviewing 兩階段。在兩個階段中,單盲組的審閲人都可以看到論文的作者和其所屬單位,但雙盲組的審閲人是看不到這些訊息的。bidding 時,審閲人根據論文的標題和摘要來表示自己是否願意審閱某篇文章(他們可以針對每篇論文表示願意、不願意、或可能三種選項,也可以不表示任何意見)。在 reviewing 的階段, 每篇論文都會由四位審閲人來審閱,單盲組和雙盲組的各兩位。
結果顯示,兩個組別的審閲人的行為在三件事情上有所差異。首先,單盲組的審閲人在 bidding 過程中較少表示意見1。其次,單盲組的審閲人在 bidding 時比雙盲組的更加偏好那些作者來自於頂尖企業2或頂尖大學3的論文。最後,單盲組的審閲人在審稿完畢後比雙盲組的審閲人更有可能給某些論文好評──作者來自頂尖大學/企業、或作者本身就有名4的論文。
簡而言之,審稿的目的本是為了審視論文內容與品質,但論文作者本身的知名度、作者所屬機構的名聲都會影響審閲人的判斷。這項研究的研究者表示,真的該是認真考慮採用雙盲制的時候了。
注解
參考文獻
我不能愛你比你愛我更多阿
看不到@@?
這篇原文我沒看過,但用英文句子很容易查到原始來源(跟Ifan查到的一樣),既然已知來源,文內最好就加註進去了,不要再掛著「來源不明」吧。
This is reviewer’s job to catch those things.
[DEBUG] 10:00:00:995 [ "Breaktime au.js ver: v20250413.2 Copyright © 2025 Breaktime. All rights reserved." ]
[ERROR] 10:00:01:227 [ "getGtmTags error", {} ]
[ERROR] 10:00:01:227 [ "executeGtm error:", {} ]
[LOG] 10:00:01:530 MobileLogger initialized