新聞稿背後的科學

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

沒有線下書展，讀力仍與你同在！
自己的書展自己辦、全民讀書挺出版
泛科學聯合工頭堅、黃麗群、高琹雯等知名作家
推出全民線上書展及共讀計畫

2021 年台北國際書展原訂於 1 / 26 開始，卻因為國內疫情升溫的關係，主辦單位文化部於 20 日宣布停辦。這是台北國際書展舉辦三十多年來，連續第二次停辦，上一次則是在疫情爆發的 2020 年；原本盼望終於能在今年一解書癮的愛書人們，希望再次落空，已為書展籌備許久的出版社與IP文創業者等上下游也受到巨大衝擊。但這不能阻止讀者與好書、作者、出版人相見的決心！不只已有出版社直接自辦活動，連鎖書店、獨立書店也挺身提供免費場地響應，多家線上通路更策劃了線上書展。致力推動知識普及的全臺最大科學社群網站「PanSci 泛科學」，也拋磚引玉，聯合 Taster 美食加、旅飯、娛樂重擊等知名生活藝文網站，推出「#願讀力與你同在」共讀計畫，將於 2021 年 1 / 26 1/27 正式啟動。(update：因為網站調整花了比較長時間！延後一天啟動！)

此計畫跨界與多家出版社、通路與媒體合作，精選多份華麗的主題書單，除了邀請讀者一同「雲」共讀，更能透過閱讀、寫書評累積「讀力」點數，兌換愛書人聽到都會流口水的超級好書大禮包！原本在書展的實體活動，也會以 Podcast 的形式加入「#願讀力與你同在」，講座不再實體限定，讓書與人的精彩對話可以永流傳！此外，由於是線上活動，本次活動泛科學也會統計相關數據，在活動結束後以科學方法進行整理分析，提供給參與的出版夥伴。

米飯旅行社創辦人暨作家工頭堅、新活水總編輯與作家黃麗群、知名美食家暨作家 Liz 高琹雯都在第一時間響應並參與。泛科知識公司知識長鄭國威表示：「出版界一直是泛科學成長的最重要夥伴，我們成立十年來也從未停止推薦好書。我本來也在這次書展有一場分享，跟朋友約好要一起逛書展，聽到停辦的消息當下覺得很可惜。因此與同事立刻動作，希望能盡一份力，透過線上策展讓大家在年節前與好書相遇，當然也需要更多出版夥伴協力。」

相比於實體書展以及講座活動，線上共同策展能讓更多人次一同參與，跨越空間以及時間的藩籬，結合既有的購書通路，不論是喜歡實體書或是電子書的讀者，都能透過這次的活動，與好書以及愛書人跨時空相遇。就算防疫措施更升級，我們也能一起「防疫好讀書，在家讀好書」，願讀力與你同在。

活動將於 2021 年 1 / 26 正式啟動至 2 / 7 2 / 26 (update: 因為迴響熱烈，決定搞大一點！)，包括比書展還長很多週的密集線上策展、永久留存精彩活動紀錄，泛科學等協力夥伴將提供流量跟技術支援，歡迎出版社免費參與、將原放在書展的好書好活動在讀力秀出來！

聯絡人：鄭國威、雷雅淇（泛科知識）
Email：contact@pansci.asia、kuowei@panmedia.asia、hiaabbccdd@panmedia.asia
Phone(週一到週五上班時間): 02-2362-0699 #215 ,
mobile: 0953-679-238（鄭國威） 0953-700-089（雷雅淇）

為了解決資訊遺失的問題，霍金設想以一種特殊的方式，把一大群粒子集中射向同一個地方，這樣，當它們相遇時，它們將具有足夠的物質和能量去形成一個黑洞。然後，他研究在理論上，所有這些粒子發生交互作用後可能出現的情況。

他在都柏林演講中說：「人們從無窮遠處（即，很遠的地方）發出粒子和輻射，再回去測量無窮遠處發生了什麼事。」「人們永遠不會在中間（發生複雜交互作用的地方）去探測場的強度。」

儘管概念很簡單，但分析過程卻很複雜。為了做到這一點，霍金使用了費曼的方法：歷史總和法。記住，造就某一個可測量到的結果，背後都有無限多種可能的歷史途徑，而費曼的方法是要求你把這所有可能的歷史途徑全部加總起來：對於你正在研究中的系統的所有粒子，每個粒子可能出現「歷史」軌跡。

在追蹤碰撞過程中可能發生的演變時，霍金說，儘管絕大多數可能的歷史都會被包含進黑洞形成的過程，但有少數的歷史軌跡是不會有黑洞形成的。霍金說，這是他的主要頓悟。「我將證明資訊可以透過這種可能性而保留下來」，他說。

在那些沒有形成黑洞的歷史軌跡中，顯然不會發生黑洞資訊遺失的現象，因此，他大部分的談話內容都集中在論證，當我們把所有的歷史以費曼總和法相加時，這一小部分的歷史子集合將使得資訊可以復原：資訊透過未形成黑洞的歷史軌跡，而偷偷潛逃回來。

當然，這個簡單的邏輯背後的數學計算可以困難到是一場噩夢，而且讓霍金得出這個結論的計算過程有點神秘。

就某方面而言，為了能夠進行數學運算，霍金必須做出的幾個可疑的近似值，可謂是「極大的簡化」。他在演講中介紹了這些內容，而且承諾稍後將會把所有的細節寫成論文發表。

在描述了他的想法之後，霍金承認他賭輸了。他宣布自己錯了，資訊不會遺失，而且公正性和量子理論都是有效的。他向普雷斯基爾獻出了他應得的賭注：一套「可以從中隨意回收資訊」的百科全書。

研討會結束後，與霍金站在同一立場、認為資訊會遺失的索恩，拒絕遵循霍金的想法與認輸。「從表面上看，這是一個可愛的論點。」索恩說：「但是我還未看到細節。」普雷斯基爾接受了霍金的認輸與百科全書，但他也沒有接受霍金的論點。「說實話，」他說：「我聽不懂他所說的內容。」他說：需要看到更多細節，我才能被說服。

他們的反應是物理學家的典型反應。無論是贊成或反對霍金的人，都在等待他的細節。以前的霍金應該可以提供這些細節，但「新的霍金」卻認為他沒有足夠的時間去堅持嚴謹性的問題，他並沒有實際上去計算這些細節。

他提出了自己的想法，然後把它分配給一名研究生，在他的監督下去進行這份艱巨的計算。不幸的是，這位學生還沒完成這份工作。索恩說：「他不是一個強到可以嚇人的學生。」

在霍金報名參加都柏林的研討會時，當時所完成的計算已經夠多，讓他有信心認為這個想法會成功。然而，證明它真正可行的研究成果，卻從未完成，但對霍金而言，他對這個答案深信不疑，因此，他不願意再花費自己在這個地球上的有限時間去對此進行補救。所以，他在都柏林會議上那段籠統含糊的演講，以及發表在該研討會論文集裡的摘要短文，就是他對這個所表達過的全部想法與意見。

霍金的這場演講以及他認輸的宣言，立刻成為全球的頭版新聞，但這僅僅是一場媒體秀，算是小題大作。在他發表這段演講時，幾乎所有物理學家都已經開始相信，這些資訊並沒有遺失，但是包括霍金本人在內，沒有任何人可以證明這一點。而對於那些尚未得出結論的人來說，也沒有人因為霍金的一席話，就開始跟著他而改變想法。

看到「標籤的力量」實在令我驚訝。在霍金成名之前，陌生人有時會根據他的外表而把他看成是一個身心都有缺陷的人，而不自覺地把視線移開。但是，一旦他被宣稱為是「現代愛因斯坦」，媒體則開始大量報導他所說過的任何事情。

如果沒有他這麼一位出名的人物來參加這次的都柏林會議，那麼這將會是一場絕佳的思想漩渦，讓物理學家圍繞著這個話題進行深度討論，但是卻不會在任何報紙上出現相關報導。然而，由於有了霍金，所以這次的談話就成了一場媒體圈的「大拜拜」。

對於霍金本人來說，他的這項轉變算是一個重大時刻，甚至是一個歡樂的時刻。

對於大多數人來說，自己證明自己犯了錯，大概不會成為是件值得開香檳慶祝的事，但是，就像澤爾多維奇終於弄懂了霍金輻射的感覺一樣，霍金最為關心在意的事情始終是真相，他為了解了自己原本不了解的某件事而感到高興，特別這又是一件對物理學而言非常重要的事。

今天，距離都柏林那場研討會已經十五年了，距離霍金發現霍金輻射更是超過四十年了，相信資訊會遺失的人愈來愈少了。誠如霍金所言：幾乎所有的物理學家都相信，「如果你跳入黑洞裡，你的質能 (mass energy) 將會回歸到我們的宇宙裡」，儘管會是以一種殘破的形式，但是仍會「包含著關於你先前狀態的資訊」。儘管我們認為資訊不會丟失，但是仍然沒有確切的解釋可以說明實際發生的情況。

除了霍金提出的方案之外，還有非常多的各式各樣理論，數量之多，讓物理學家撰寫評論文章時，已經不會列出個別理論，只會列出不同的理論類別而已，而每個類別都還包含許多不同的變體。轉換過立場的霍金所堅持的立場，與大多數人所認同的觀點一致，但未必與他最初的原始想法相同—他仍持續在研究可以得出這一結論替代性理由。

雖然是斷斷續續，但是直到他過世之前，他都沒有放棄對這個問題的研究。而這也成為他最後一篇物理學術論文的主題，該論文於二○一八年在霍金辭世之後發表。