同一片花瓣的顏色為何有深有淺？揭開花青素分佈之謎

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

當秋風吹起，樹木們便開始褪去辛苦製造養分的夏天之綠，露出隱藏在葉片之間的枝頭。楓紅可說是樹木結束一年勞動後展開的慶典。樹木是靠光照生存的生命體，而在入秋後舉行的色彩慶典則是展示這一點的美麗佐證。

秋風一吹，從春天到夏天一路靠光照生存下來的樹木會先結果，雖然結得緩慢，結出來的果實卻比一年中任何時候都飽滿、結實。此時所有樹木都會長出纍纍果實。果實的顏色會根據秋天的腳步快速變化。從黃到紅，或是從晶瑩的紫色到漆黑的黑色，樹木們用各自的色彩結果。儘管大部分尚未熟透的果實多和樹葉一樣呈綠色，但之後會徐徐轉變成美麗又成熟的顏色。

楓紅不是只有紅色

比果實更早改變顏色的是葉子，也就是紅葉。提到「紅葉」，大家最先想起的應該是紅色的楓樹吧。當然，「丹」意指紅色＊，但楓紅不是只有紅色，看到變黃的銀杏葉，我們也會說它「染成了紅葉」。歸根結柢，我們稱的「紅葉」泛指在秋天變換的所有顏色，英語國家稱紅葉為「Autumn color」（秋天的顏色），也是基於此因。

隨著秋風透進，倉促之間，葉子上浮出了數不勝數、五花八門的顏色。銀杏葉轉黃，槲櫟葉和栓皮櫟葉呈現明顯的紅褐色，掌葉槭的葉子則變得鮮紅。每種樹各有各的秋色。

也有樹木雖屬同種，紅葉顏色卻各不相同，代表性例子當屬櫸樹。櫸樹就算站在一起，紅葉的顏色也不一樣，這是櫸樹與眾不同的特點。也就是說，有染紅葉的櫸樹，也有以亮褐色度過秋天的櫸樹。

產生離層進入冬眠

對樹木來說，秋天到底是個忙碌的時期，而且忙碌程度不亞於其他季節，因為必須為冬天這受苦受難的季節做好萬全準備。如果秋天活得太過鬆散，就無法抵擋即將面臨的北風寒雪，甚至可能喪命。為了在冬天放長假，樹木必須做很多事前準備。這是世世代代、戰勝了數千年冬天的樹木的過秋策略。

感受到秋天氣息的樹木本能地最先做的第一件事，就是在連接葉子和樹枝的葉柄基部形成新組織「離層」（因為是葉子掉落的地方，因此也稱「脫落區域」）。離層雖然細微，但能養出結實的體格。之所以用離層阻擋生命的通道，讓水不被拉上來，是因為樹木有信心，就算不再靠光合作用製造養分也能繼續結果實。懷著對一年持續下來的勞動和收尾的自信，樹木如同其他動物，準備進入冬眠。

最終，葉柄基部形成的離層會完全阻擋水和養分進出的通道。水本來順著樹皮的管道上下流動，樹皮對於樹身外部的氣溫變化最敏感，離層既然擋住了水的流動通道，水就再也無法從根部上來。這個策略是為了減去殘留在管道裡的水分，若水結成了冰，管道就會爆裂，稍有不慎還可能死亡，因此在氣溫降到攝氏零下之前，樹木必須把水清除乾淨。

落葉的防蟲效果

葉子一片又一片枯萎，需要陽光、二氧化碳與水才能進行的光合作用如今無法運作，負責行光合作用的綠色葉綠素失去活力而倒下，輪到楓紅展開色彩慶典了。

由於每棵樹成分不同，葉子因之呈現黃色、紅色或褐色等五顏六色的色彩。像銀杏或刺槐一樣轉成強烈黃色的樹木含有類胡蘿蔔素的成分；像掌葉槭或衛矛等染成華麗紅色的樹木是因為內含許多花青素；像美國梧桐或櫟屬類一樣染成褐色的樹木成分中則有許多單寧。樹木們一整年下來不停地製造養分，養活這片土地上的生命，如今它們放下勞動的辛勞，準備進入冬眠。樹葉染上的顏色，是生命在苦日子之後製造出來的絢麗生命慶典。

為了進入冬眠，樹木還剩下一些事情需要收尾，那就是將美豔的紅葉落到地上，用乾枯的紅葉覆蓋根部附近的區域。各種顏色的楓紅當中，由花青素製造出來的紅葉們的策略最令人詫異。掉下來覆蓋住根部土壤的紅色落葉不久後就會變成灰褐色，因先前染到葉子上的紅色花青素滲入了樹根附近的土壤。花青素是一種抗氧化劑，具有強烈的抗氧化效果，在阻擋蚜蟲等害蟲侵襲方面也相當卓越。也就是說，樹木會中斷生命活動，像動物一樣進入冬眠，並在進入冬眠的無防備狀態下，將防治害蟲的成分落到根部附近，進行自我保護。

樹木一整年默默的生活就這樣結束，終於來到靜靜睡覺的時候了。樹木必須獨自在風雪交加的原野上戰勝寒風，這是它的宿命。雖然看似寧靜，但這一覺不能有一絲鬆懈。

世上所有生命都有各自的風采和美麗，在那份美麗之中，少不了生存的迫切。花、果實和紅葉，都是樹木做為一個生命，在這塊土地上為了生存而展開的吶喊。到了秋天，我們都應該走進染得紅通通的樹蔭下，久久地傾聽樹木演唱的生命之歌。

——本文摘自《樹葉物語》，2023 年 5 月，時報出版，未經同意請勿轉載。

下過雨後，天空藍得透明。這個自然現象，衍生出成語雨過天青，比喻情況由壞轉好。雨過天晴也有同樣的意思，不過仍以雨過天青較為正式。閒話少說，讓我們造兩個句吧。

這事挽救及時，現已雨過天青。

雨過天青，您的事可以放心了。

這個成語還有個故事呢。有一種瓷器，稱為雨過天青，起源於五代‧後周柴世宗。某日臣子請示，皇家瓷器要燒成什麼顏色？柴世宗隨手批示：「雨過天青雲破處，這般顏色作將來。」工匠經過多次實驗，終於燒製出來，這就是有名的「柴窯」。由於沒有作品傳世，柴窯的真面目已無從查考。

談到這裡，該談談這個成語的意涵了。大雨過後，天空為什麼藍得透明？這是因為空氣中的灰塵隨著雨下降下，空氣較為潔淨的關係。喜歡打破沙鍋問到底的小朋友或許還會問：為什麼空氣潔淨、天就較藍？

這要從天空為什麼呈藍色說起。空氣的成份，主要是氮氣和氧氣。晴天的時候，射到地球上的陽光碰到空氣中的氮分子或氧分子，會引起散射作用。藍光的波長較紅光短，散射得較厲害，看在我們眼裡，天空就成為藍色的。

這個道理看起來好像很簡單，但是人類明白這個道理是 19 世紀末的事。1873 年，英國物理學家瑞利是第一位看天看出名堂的人。他的散射理論——瑞利散射，破解了天色的秘密。

在陽光的七種色光中，紅、橙、黃光的波長較長，藍、靛、紫光的波長較短。空氣中的氧分子、氮分子，大小恰好可以散射波長較短的藍光，藍光散了一天，天空當然呈藍色的。

到了傍晚，夕陽西下，陽光打斜裡射過來，較接近地面，而地面的空氣含有較多的水氣和灰塵，粒子比氧分子、氮分子大得多，較容易散射波長較長的紅光、橙光或黃光，艷麗的晚霞就是這樣散射出來的。

如果天上懸浮著小水滴，也就是雲，那又是另一種景象。小水滴比灰塵大得多，各種波長的色光都能被它散射，結果雲就成為白色的。如果雲層較厚較密，陽光穿不過去，就變成了灰色或黑色。白雲蒼狗，不過是陽光玩的把戲而已！

當雲聚成雨滴的時候，顆粒就更大了，大得具有稜鏡的作用。倘若一邊已出太陽，一邊還在下雨，陽光穿過雨滴，就會形成彩虹。噴泉和瀑布上也可以出現彩虹，原理是一樣的。