流線型車頭、沙漠中汲水，還有哪些從大自然來的仿生好點子？——《知識大圖解》

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

在昆蟲中，色彩鮮豔又顯眼的物種往往使人著迷，尤其蝴蝶向來是相當受人喜愛的一群昆蟲。一般人見到蝴蝶時，目光肯定會集中在牠們那五彩繽紛的翅膀。

蝴蝶的翅膀表面布滿著無數的鱗片，每一個鱗片的長度大約介於 50 ~ 200 微米之間（1 微米 ＝ 0.001 公釐）。不同種類的蝴蝶，鱗片的形態也會有所差異，但共通點都是非常容易脫落。

包含蝴蝶的鱗片在內，昆蟲身上呈現出來的許多色彩，是由天然色素所構成，這稱作「色素色」（化學色）。但也有部分顏色屬於「構造色」（或稱物理色、結構色），與體表結構的物理性質有關。

結構賦予的幻紫湛藍

構造色通常由週期性排列的微觀結構，如小突起、溝紋等所造就，這些結構使光線產生反射、干涉、繞射等光學效應，而讓特定波長的光被保留了下來。

構造色並常伴隨著「炫彩」特性，也就是色彩光澤會隨著人眼觀看角度的不同而出現些微變化，讓一隻昆蟲顯得璀璨閃耀。有些蝴蝶在展翅時，會呈現出類似金屬、珍珠般的光亮質感，這類特徵往往便是源自構造色。（註：炫彩（iridescent），也常被譯作「虹彩」、「虹光」）

中南美洲叢林中的「閃蝶」（Morpho，又稱摩爾福蝶）是構造色相當有名的例子。閃蝶的藍色翅膀鮮豔奪目，質感宛如珠寶，因此身價不凡，是眾多標本收藏家愛不釋手的珍品。

閃蝶翅膀呈現金屬藍色，然而翅表面的鱗片並沒有藍色色素，這樣的炫目的色澤歸功於鱗片上奈米尺度的多層次塔狀結構。當陽光映照在鱗片時，部分光線可能會直接被反射，有些光線則穿過部分結構，接著被底下層次的結構反射，而許多被反射的光線，彼此還可能發生交互作用。最終，鱗片的這些微結構反射了大部分藍色光芒，使得翅表面呈現明亮耀眼的金屬質感。

鱗片已經非常的小，當然鱗片上的結構是我們人類肉眼所看不到的，所以科學家在探究這些構造時，必須透過電子顯微鏡才得以一窺究竟。

拿現實生活中的物品來比喻，可以說閃蝶體表閃耀的色澤，性質有些類似 CD 光碟片的表面。光碟片在光線下會顯現七彩的光澤，而這些光澤是光碟表面細小微妙的溝槽造成的繞射效果。

在台灣的我們，除了博物館裡才有機會目睹的閃蝶，有沒有什麼活生生的例子可以讓我們一窺構造色呢？常見的「紫斑蝶」（Euploea），就是很好的觀察對象。牠們不只是數量多，同時又是蝴蝶中動作較為緩慢的種類，因此要近距離接觸牠們並不難。

紫斑蝶前翅背面雖然呈黯淡的褐色，但當牠們展翅時，這些鱗片在陽光下會散發出藍色至藍紫色的絢麗色彩，並且顏色深淺隨著角度的變化非常明顯。這同樣是由於光線照射在鱗片表面的物理結構，反射了特定波長光線的緣故。

其實不只是成蟲，構造色也可見於紫斑蝶的蛹。紫斑蝶的蛹呈亮麗金黃色或銀色，炫彩極為明顯，這是由於表皮底下層層排列的薄膜狀結構，對光線產生了影響。

當然，構造色的形式還存在許多昆蟲身上，常見的幻蛺蝶（Hypolimnas bolina kezia）、蘭嶼的珠光裳鳳蝶（Troides magellanus）都是構造色相當鮮明的例子。一些金屬質感的吉丁蟲、金龜子、灰蝶，其華麗的外觀往往也與構造色脫不了關係。

這一身醒目的光澤，對昆蟲而言可能帶有警告的意味，因為許多鮮豔明亮的昆蟲有毒，或嚐起來具有特殊臭味。日光下閃爍的炫彩也可能具有隱蔽的效果，或者與同種個體間的辨識溝通有關。

似白非白的鱗片

我們可能常常直覺的把構造色與光亮的炫彩畫上等號，事實上在大自然裡，生物的構造色不見得都是如此。

我們在平地或山區都有機會見到，分布範圍相當廣的白粉蝶（Pieris rapae），身上其實也具有大片的構造色，但我們在牠身上看不到光輝的炫彩現象。

白粉蝶的翅膀，有局部的鱗片具有黑色色素而形成深色斑塊，其他區域則主要呈白色，或略帶有一點淡黃。以往，白粉蝶身上單純的色彩多被認為是色素色，可是那些佔大多數的白色鱗片，實際上並不含白色的色素。

在白粉蝶的鱗片表面，具有許多枝狀的構造，其表面又附著了許多如珠子般的微小顆粒，顆粒本身也沒有色素成分。其實是這些顆粒反射了特定光線，導致翅膀呈白色的構造色。

不管是構造色的成因，以及所造就的色彩樣貌，當中複雜且多樣的機制，往往遠超出人類所想像。許多的昆蟲的表皮，構造色與色素色這兩類色源，並時常同時存在，兩者交織構成體表展現的色彩。

用「光」代替顏料上色

物理結構形成的色彩，理論上能夠長期存在，能夠避免褪色的問題，人類也從中得到了不少科技靈感，試圖在工業產品上重現這般的顏色。

日本的纖維公司便參考了閃蝶翅膀的原理，研發出不使用化學染料，而是運用物理特性顯現色彩，名為「藍默纖維」（Morphotex）的環保材質。這樣的材質有什麼優點呢？構造色呈色的纖維不需要經過傳統的化學染色製程，能減少產生的廢料，亦減低了水資源與能源的消耗。

如果掌握了不會褪色的顏色技術，還有機會應用在太陽能板塗料、印刷、化妝品、鈔票防偽等方面，幫助解決許多技術問題。

昆蟲及各式動物與生俱來的外貌，有時比人類費力研發出的技術都要精巧得多，甚至可能悄悄改變人類的生活。人類應該善待並維護自然資源，這顯然是很重要的一項理由。

1. What Gives the Morpho Butterfly Its Magnificent Blue?
2. Vukusic, P., Sambles, J. R., Lawrence, C. R., and Wootton, R. J. (1999). Quantified interference and diffraction in single Morpho butterfly scales. Proceedings: Biological Sciences, The Royal Society of London 266, 1403–1411.
3. Ragaei, M., H.S. Al-Kazafy, N.A.E. Farag, H.H. Elbehery, and A. Abd-El Rahman. (2017). Role of photonic crystals in cabbage white butterfly, Pieris rapae and queen butterfly, Danaus glippus coloration. Biosci. Res. 14: 542-547.
4. 王仁敏（2017）。蝶翼的絢麗幻色。蝶季刊 2017 卷 2 期：19 – 19。

如果我們的油漆不再需要有機色素的調配，而是以仿生學中、模仿毛蜘蛛非炫彩藍色的奈米結構製作？

「這個計畫結果如果發表，可能未來三五年內，就有機會把這些非炫彩的結構色，用工業方法大量做出來商品化。」採訪這天是 美國時間 4 月 25 日晚上十點，距離熊柏凱在 experiment.com 網站提出的募資科學實驗計畫，還有幾天就要截止。

先從顏色講起：結構色與色素色大不同

若非科班出身，要了解「非炫彩結構色」這幾個字可能比讀天書還難，不過開啟話題前，先來說說大自然中的顏色到底怎麼來。

自然界色彩產生的途徑有兩個主要來源：一為色素色、另一為結構色。油墨、染料這類物質的顏色之所以能被眼睛看見，是因為色素選擇性吸收某些特定波長的光，再將剩餘顏色光線反射／散射回觀察者眼中，在此同時材料也因為不斷吸收光線能量，導致物質分子鏈結被破壞，最後材料逐漸褪色，這類色彩產生原理就稱為「色素色」。

另一種結構色就不同了，它指那些不是經由化學染料，而是光學上、小於一微米之間的內部物理結構，對光線頻譜波長引發散射、繞射或衍射等作用，進而影響肉眼接收到的色彩光波、造成閃爍效果的顏色。自然界中許多昆蟲、蝴蝶、鳥類羽毛的顏色，就是透過這種方式產生。

由於不同結構、光線進入方式與觀看角度，都會影響顏色變化，科學家希望找出這類生物改變色彩的方式，模擬應用在材料製作上（參考：孔雀羽毛為何特別明亮）。最簡單的例子是大家錢包中金融卡／信用卡背後的雷射標籤，就是利用雷射在原本透明的塑膠（或反光材質）上打洞，影響光線行進方向才產生顏色不停變化的結果。

仿生學：向大自然拜師學藝

像這類模仿生物體特質、「對大自然合法抄襲的學問」就稱為仿生學（ Biomimicry/ Biomimetics ），從 1958 年美國史提爾（J. E. Steele）少校提出至今，已經有非常多相關的應用研發（參考：仿生－以自然為師的科學），這個學門的應用研發其實遍布日常生活（受鬼針草啟發的魔鬼氈就是最好的例子），只是我們通常身在其中而不自知。從色彩的角度來說，生物體結構色的原理是仿生學可以效仿的對象，透過模擬生物體上色彩產生的構造，就可以相對應的做出結構色鮮豔的色彩效果，不過最大的問題在於結構色的「炫彩現象」（Iridescent）。這是由於生物體身上的奈米結構不是平坦的，當光線進入時，只能在某個視線範圍內反射單一色彩（參考：大藍閃蝶上的耶誕樹結構），相對侷限了結構色應用的範圍。

3D列印 重現蜘蛛非炫彩結構色

「炫彩現象是限制結構色在日常生活應用一個很大的因素，通常我們不希望顏色一直改變」，鑽研仿生學多年、目前在美國艾克朗大學就讀的熊柏凱，研究主題很特別，他從具有鮮豔藍色的毛蜘蛛身上，找到特殊的多層膜奈米結構。

「我們發現不但所有毛蜘蛛都是相同的藍色，角度改變也不會讓顏色有所變化」， 他提到這個發現，興奮不已，因為這有可能擴大結構色過去使用範圍。他在實驗中假設，如果能將這個多層膜結構用 3D 列印方式做出來，就可以「用工業方法主動複製出簡單結構」，讓毛蜘蛛身上這種非炫彩現象進一步商品化。

有機藍色染料 在自然界中難合成

不只非炫彩的結構色在自然界中難以尋覓，這種毛蜘蛛還有一個特點讓牠與眾不同，「有機藍色染料在自然界中稀少又難以合成」，經過多方研究熊柏凱發現，這種毛蜘蛛至少經過八次獨立演化，身上的奈米結構從未在其他藍色物種中發現，也因此讓這種接近 450奈米、正負十奈米間的鮮艷藍色，成為毛蜘蛛身上的獨到特色。

研究過程 關關難過關關過

熊柏凱研究毛蜘蛛多年，過程中辛酸血淚兩隻手都數不完，光是為了找出適合研究的品種與顏色，就耗上一年半載；接下來還得進一步分析毛蜘蛛身上奈米結構的規律。「仿生學最精華的部分就是我們如何從這麼多的物種中找出共同特性」，為了蒐集足夠樣本進行研究，熊柏凱心中早有張門路清單，知道哪裡能以經濟實惠的價格，買到稀少又昂貴、品質卻有保證的毛蜘蛛。

「如果能以結構色取代有機染料，只要少數幾個材料就能做到很多顏色，加上結構色不會褪色的特點，還能長久使用！」雖然這些優點並非一開始的研究動機，但說起自己的研究，熊柏凱有滿滿的自信。即便研究的只是毛蜘蛛身上一個非常渺小、看似不足為奇的結構組織，卻有可能為未來世界的色彩帶來天翻地覆的改變。