三條河變成了人——但這只是照看「他們」的開端

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

涇渭分明，是個很常用的成語，比喻界限清楚，或是非分明。讓我們先造兩個句看看。

這兩個政黨的主張，可謂涇渭分明，毫無妥協餘地。

他對是非善惡一向涇渭分明，沒人能影響他的看法。

接下來要說明這個成語的出處。《詩經．邶風》有句話：「涇以渭濁，湜湜其沚。」涇、渭是河川的名字。「涇以渭濁」，是說涇河因渭河而渾濁了。「湜湜其沚」，是說形容涇河的清澈。

當清澈的涇河，流入渾濁的渭河，起初清濁分明，形成了一道明顯的界限。這個自然現象，衍生出「涇渭分明」和「涇清渭濁」兩個成語。後者用來比喻人品高下或事物好壞顯而易見，限於篇幅，就不造句了。

那麼為什麼會涇清渭濁，或涇渭分明？在農業沒興起前，大地覆蓋著樹木或草原，河濱草木蔥蘢，這兩條河肯定都很清澈的。到了《詩經》時代，渭河流域已經開發，水土日漸流失，哪還能清澈？這時涇河流域的自然環境還沒破壞，所以河水仍是清澈的。

然而，後來涇河流域也開發了，水也變渾了，甚至比渭河還要渾濁。這是因為涇河全程流經黃土高原，水土流失較渭河流域嚴重。唐代詩人杜甫在〈秋雨嘆〉詩中說：「濁涇清渭何當分」，可見當時涇河已經濯於渭河。

那麼現在呢？由於渭河流域上游環境破壞，加上流失的土壤含有鐵質的關係，渭河的水色變得赤黃。因此涇渭分明仍然存在，但已成為水色一深一淺，而非一清一濁。

從涇河和渭河的水質變化可以看出，水土保持和河川的關係。以我們台灣來說，在清代時，許多河川都可以行船。以章老師居家附近的景美溪來說，清代時船隻可以沿著景美溪一直上溯到石碇。

然而由於集水區植被破壞，河川的水量減少，現今已沒有一條河川可以行船。西部地區除了河川水量變少，大多還遭到污染。當山洪爆發，滾滾泥沙傾瀉而下，往往造成土石流災害。

那麼就沒辦法整治嗎？當然有。只要河川上游限制開發，沖進河裡的泥沙就會減少；下游不再導入污水，水質就會改善。以景美溪來說，如今河水已不再惡臭，除了耐污染的吳郭魚，還有鯉魚、塘蝨等生息呢！不過要恢復到清代那樣，河水豐沛得可以行船，恐怕已不可能了。

大多數台灣人對東南亞、南亞風格的香料不陌生，甚至有些常見的香料，不特別查詢還不知道起源於東南亞。

一項 2023 年問世的研究，調查將近兩千年前，越南南部的遺址，見到多款香料植物的蹤跡。證實那個時候已經有多款香料，從南亞或東南亞外海的島嶼，傳播到東南亞大陸。

越南兩千年古早味咖哩？

讀者們對咖哩（curry）想必都很熟悉，不過還是要先解釋一下。現今咖哩的定義範疇很廣，南亞、東南亞等地存在風味各異的香料混合料理，都能算是「咖哩」。此一名詞的讀音轉化自印度南部的泰米爾語，源自大英帝國對南亞的殖民，不過混合使用香料的料理，歷史當然更加悠久。

由澳洲國立大學的洪曉純率領的考古調查，地點位於越南南部的喔㕭（Oc Eo）遺址。這兒在公元一到七世紀，是「扶南國」的重要城市。這個政權以湄公河三角洲為中心，統治東南亞大陸的南部；柬埔寨的吳哥波雷（Angkor Borei）與喔㕭，為扶南國最重要的兩處遺址。

• 延伸閱讀：扶南國，南亞向東南亞的遺傳流動

喔㕭地處湄公河三角洲的西南部，離海 25 公里。這兒一到八世紀有過不少人活動，四到六世紀最興盛。遺址中出土的 12 件工具，外型看來相當類似年代更早，南亞用於處理食物的工具。

進一步分析發現，工具上總共保存著 717 個澱粉顆粒，大部分年代可能介於距今 1600 到 1900 年左右的數百年間。不同植物產生的澱粉形狀有別，有時候可以用於識別物種，近年常用於考古學。

這批澱粉中有 604 個可以分辨物種，作為糧食的稻以外，還有八種常用於香料的植物，以薑科植物（Zingiberaceae）的存在感最高，包括五種：薑黃、薑、高良薑、凹唇薑、山奈；還有今日依然常見的丁香、肉豆蔻、肉桂。

解讀這些材料時必需注意，出土工具上能見到的澱粉，只是當年的一小部分，不能直接代表古代使用的比例，只能證明確實有過那些種類。

來自亞洲大陸：薑黃、薑、高良薑、凹唇姜、山奈

喔㕭遺址中出土數目最多的是薑黃（turmeric，學名 Curcuma longa）。薑黃的家鄉應該在南亞，早於四千年前的哈拉帕遺址中已經存在；後來薑黃向各地傳播，遠渡至地中海地區。這項發現則是東南亞大陸最早的紀錄。

• 延伸閱讀：從印度到以色列，薑黃，黃豆，香蕉，3000多年前的食慾流動

台灣人大概對薑（ginger，學名 Zingiber officinale）更熟悉，薑可能起源於東亞與南亞，一路向西傳到歐洲。台灣飲食習慣中，薑不只是特定用途的香料，從海鮮湯中的薑絲，到餃子肉餡的蔥薑水與薑末，可謂無所不在的添加物（對！薑默默躲在很多食物中）。

另外三種比較少見的薑科植物，如今東南亞都有種植，包括高良薑（galangal，學名 Alpinia galanga）、凹唇姜（fingerroot，學名 Boesenbergia rotunda）、山奈（sand ginger，學名 Kaempferia galanga，也叫沙薑）。

來自亞洲海島：丁香、肉豆蔻、肉桂

三種不屬於薑科的香料，如今台灣也都不陌生。肉豆蔻（nutmeg，學名 Myristica fragrans）原產於摩鹿加群島南部的班達群島。摩鹿加群島就是大航海時代歐洲人稱呼的「香料群島」，雖然算是東南亞外海的島嶼，不過靠近新幾內亞，和東南亞大陸有相當距離。

丁香（clove，學名 Syzygium aromaticum）也原產於摩鹿加群島，早在公元前便已經傳播到歐亞大陸。越南南部的丁香應該是進口產品，不過無法判斷原本種在哪兒，是摩鹿加群島或更西邊的爪哇。

肉桂（cinnamon，學名 Cinnamomum sp.）可能源自好幾個物種，這回光靠澱粉無法準確判斷。不過從其餘植物遺骸看，喔㕭人使用的肉桂，大概是原產於斯里蘭卡，印度外海島嶼上的錫蘭肉桂（Ceylon cinnamon，學名 Cinnamomum verum）。

• 延伸閱讀：短篇 海上絲路斯里蘭卡貿易港，香料，穀物，葡萄，沒有香蕉

跨越空間，貫穿時間，香料的食慾流動

喔㕭出土的研磨器具上，除了澱粉還有另一種植物遺骸：植物矽酸體（phytolith），根據型態差異，也能用於植物的分門別類。棕梠、香蕉屬（Musa）植物的矽酸體，見證當時利用的植物種類相當多樣。

儘管缺乏直接證據，不過以常理推敲，東南亞大陸南部的喔㕭人，使用源於南亞的道具，研磨多款外地引進到當地種植，或是直接進口的香料植物，可能的一項目的，就是製作混合香料的咖哩料理。

喔㕭遺址也保存許多稻米的碳化穀粒遺骸，稻米飯應該是當時菜單中的重要組成。我猜，當時的人會吃咖哩飯。

越南等地，香料搭配的魔法，顯然將近兩千年前已經存在惹。時至今日，和出土古物超過 87% 相似的研磨器具，依然有人使用。食慾流動的慾望，跨越空間，貫穿時間。

延伸閱讀

• 短篇 烏茲別克山上城市，絲路上瓜果的食慾交流
• 「綠豆」生「南亞」，之後往哪去？破解綠豆的傳播路徑
• 印度河流域文明，哈拉帕人的DNA
• 東南亞島嶼的情慾流動，亞洲大陸，大洋洲，南島
• 【2022 年搞笑諾貝爾藝術史獎】浣腸也搞儀式感！藥理學家的馬雅考古

參考資料

1. Wang, W., Nguyen, K. T. K., Zhao, C., & Hung, H. C. (2023). Earliest curry in Southeast Asia and the global spice trade 2000 years ago. Science Advances, 9(29), eadh5517.
2. Researchers find evidence of a 2,000-year-old curry, the oldest ever found in Southeast Asia
3. Curry may have landed in Southeast Asia 2000 years ago

本文亦刊載於作者部落格《盲眼的尼安德塔石匠》暨其 facebook 同名專頁。