解決對立沒有特效藥：從認知科學找到社會衝突的原因與解法

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

• 艾瑪．楊恩（Emma Young）／著
• 鄧子衿／譯

許多人可能多多少少瞭解「飢怒（hanger）」的狀況，但是和食物相關的感覺訊息對心理造成的影響，並非只有這樣。

潛在的學習行為

在日常對話中，經常會出現「直覺」（gut feeling）這個字眼。你無法確定要買這棟房子還是那棟房子？靠直覺吧！這種直覺的特徵是：並非由意識評估利弊得失，而是更多取決於下意識對不同選擇之間的偏好，而且往往會影響到重大的決定。

選擇偏好是在下意識發生的，但並非代表就不會受到事實的影響。你的腦部會學習到某種程度的內隱知識（implicit knowledge）和關聯持續性，但是你自己並沒有瞭解到這點，那屬於演化上較原始的學習形式。

雖然人群中，這種學習能力有高有低，但是與智商無關。有人可能智商測驗的得分高到可以成為門薩（Mensa）會員，但是在內隱學習上是個笨蛋，當然也有反過來的人。如果你仔細瞭解到在實驗室裡內隱學習發生的過程，就馬上能夠瞭解箇中道理。

內隱學習：感知身體狀態的訊息

其中許多的研究中，會追蹤人們玩賭博遊戲時的心理狀態，但是那些人在玩的時候並不瞭解遊戲規則。玩家如果想玩得好，就需要在遊戲進行時，摸索遊戲行動與勝負效應之間的模式，也就是遊戲規則。不過由於設定的遊戲規則非常複雜，藉由邏輯推理的方式難以整理出來。

儘管如此，根據經驗，有些玩家至少顯示出學習到了一些規則，或是對規則的掌握程度高到足以做出明智的決定，他們會選擇在贏錢機率高的時候下賭注，在容易輸錢的時候收手。但是當研究人員問這些受試者真正的規則是什麼，他們通常會說不知道。那麼，他們是怎麼學習到遊戲規則的？

答案和他們的生理狀態有關。在進行遊戲時，研究人員會測量受試者的身體狀態，例如心跳速率和皮膚出汗的程度。研究指出：處於適合下注的時機與不適合下注的時機之間，這些狀態會有微妙的差異。大腦喜歡贏，杏仁體會很快學到「勝利」的狀態（不論是在賭博遊戲中，或是其他會影響生存繁衍的事情上）以及「失敗」的狀態。

當杏仁體偵測到威脅，便引發了生理學家坎農所說的「戰或逃」反應，告知下視丘讓心跳加速、流汗增加，以及產生身體的其他變化。如果威脅既實際又明顯，那麼反應就會很強。如果威脅曖昧又模糊（例如你拿到一手爛牌），那麼反應就會比較弱。

不過就算沒有意識到那真正的威脅，但是身體對於威脅所產生的曖昧又模糊的感覺訊息，你依然可以察覺到。身體的這些訊息能夠讓你在下意識中，靠直覺而非以邏輯思維，做出正確的決定。比較能夠感知到身體狀態訊息的人，往往比較擅長內隱學習。由於感知身體內部狀態的能力和智商無關，我們從事這種內隱學習的能力，也就和智商無關了。

內隱學習與高風險決策的能力

有鑑於每個人感知身體內部狀態的能力不相同，薩塞克斯大學的克里奇利（Hugo Critchley）和葛芬柯（Sarah Garfinkel）想要知道，這種能力是否會影響實際生活中的決策與成功。為了研究，他們要找一群能夠快速吸收大量知識、從很複雜的資料中看出模式，能夠快速進行高風險決策的人。結果他們找到的是股票交易員。

上述的那些能力，股票交易員樣樣精通，往往能夠做出正確的決定，報酬則是大把鈔票和保有工作，錯誤的決定則會讓他們被踢出華爾街。

理論上，感知身體內部狀態的能力更敏銳，內隱學習和憑直覺做決策的能力就更強。

關鍵在敏銳的內感受能力

克里奇利和葛芬柯與同事一起研究倫敦股票交易市場的營業員，驚人的結果於 2016 年發表。

首先，和從事其他不同工作的對照組相比，股票交易員對於心跳的感覺比較敏銳，這確實代表了對身體內部狀態的感覺比較敏銳，有助於交易成功。但是研究團隊竟然發現：可以用個別交易員的內感受能力，預測他們能賺多少錢，以及在這行業能夠待多久。在這個內感受能力超強的群體中，愈敏銳的人愈成功。

研究團隊寫道：

金融界的交易員經常提到，在挑選有利的交易時，直覺很重要。我們的研究指出，這種直覺並不只是金融圈的神話傳說而已，而是真實的生理訊息，有真正的用處。

意識都還來不及反應的「預感」

知道心跳速率稍微變化，並不屬於直覺，但是我們知道：對於心跳的感覺可以用來當成內感受能力的普遍指標。在受到威脅的狀況下，進入腸道的血液會減少，而腎上腺素會使得小腸中的不自主平滑肌放鬆，那些肌肉的伸展受器能夠偵測到這種現象。腦部察覺到這些改變，在意識還沒有瞭解到的情況下，就知道了可能會發生的狀況，只不過這時你覺得產生的是「預感」。

對於內感受更為敏銳的金融交易員，可能就是如此。同時，如果其他人對於要做的事情猶疑不定的時候，這些內感受更為敏銳的人通常會建議：「相信你的直覺。」（Trust your gut.）

——本文摘自《超級感官：人類的32種感覺和運用技巧》，2023 年 3 月，天下文化出版，未經同意請勿轉載。

在某個燠熱難耐的夏日午後，你打開電風扇，卻發現吹出來的風好像比印象中來得小。你眉頭一皺，覺得案情並不單純。就在走近電風扇的那幾步裡，好幾種可能性閃過心頭：

「會不會是按錯按鈕了？」、「會不會是扇葉太髒了？」、「會不會是轉軸黏住了？」、「會不會是⋯⋯？」這些猜想背後，都是根據你對電風扇原理的一些些認識才會做出的假設。

在提出疑問和假設之後，尋找問題的答案

靠近電扇之後，你看到按鈕確實是按下了「強」。接著你切斷風扇電源，看了看扇葉，發現確實有點髒，於是把電風扇拆洗後裝回去，再按下按鈕。結果風吹起來，就如同你印象中的那麼涼了。這證實了你的第二個猜想，並且解決你所關心的問題。

上述這樣的過程，其實就是「察覺差異，提出問題」、「根據理論，連結現象」、「提出假設，進行驗證」、「預測結果」等等的探究過程。

再舉個例子。

我有一天走在馬路上，看到白色分隔標線的一端閃著黃色的光。我心想：「難道馬路地上埋了一顆黃色的燈？是要作為交通警示用途嗎？」

我覺得奇怪，記得前幾天沒看到這裡有燈。接著我把視野放大，往左往右看了看周圍。發現有一台車停在遠處，車頭開啟方向燈，燈是黃色的，而且還在閃爍。然後我馬上注意到，兩者閃爍的頻率是相同的。

於是我有了新的猜想：「地上的神祕閃光，非常可能來自於汽車閃爍的方向燈的反光。」

但是柏油路面怎麼會反光呢？

仔細一看，地上似乎有一小灘水。汽車的方向燈發出來的光，剛好通過那一小灘水的反光進到我眼睛，讓我覺得地面在發光。接著馬上一台車經過，就擋在方向燈和積水的中間。我看到的亮光馬上消失，證實我的第二個猜想是正確的。

「哪裡怪怪的」這個念頭，會帶領我們尋找答案

像這樣的心智活動，在我們的生活中無時無刻都在進行著。只要我們發現「哪裡怪怪的」，腦袋幾乎就會立刻啟動探究的機制：

• 廚房怎麼那麼多螞蟻？（察覺問題）
• 是不是有食物殘渣沒有清理乾淨？（根據理論提出假設）
• 仔細觀察一下，發現⋯⋯（得到結論）

既然這些能力是我們原本就自然會的，那又為什麼要學呢？因為我們雖然很習慣對於意料之外的事情展開探索，但是以直覺來進行思考及解決問題的方式，往往並不太科學。

古人說的「地牛翻身」，其實也是一種探究的精神

古人在觀察自然現象的時候，會提出自己的解釋。例如面對地震的時候，台灣民俗的說法是「地牛翻身」，日本民俗的說法則是「棲息在地底的大鯰魚搖動身體」；至於日食在中國的傳說中是「天上的狗把太陽吃掉了」。

於是後人也會根據這些「理論」來規劃解決問題的方法。例如，綠島人認為地牛不只一隻，還會彼此打架，所以地震時要敲打金屬臉盆來分開牠們；同樣的，古時候的中國人看到日食，也會敲鑼打鼓、放鞭炮來趕走天狗。

有趣的是，根據這些「理論」採取的「實驗」，還真的每一次都會成功喔！一代又一代的人反覆進行著下圖這樣的實驗，所以千年來人們始終對這些「理論」深信不疑。

如果你是一位受過基礎科學教育的公民，這時候可能就會提出質疑，認為這樣的實驗並沒有對照組。

例如下一次出現日食的時候，如果不要敲鑼、打鼓、放鞭炮，日食是不是也會結束？如果不這麼做，日食仍然會結束的話，那麼用敲鑼打鼓的方式趕走天狗的假說就會受到挑戰了。

當然，在一個深信天狗傳說的社會中，沒有人會膽敢拒絕敲鑼打鼓，不然萬一太陽真的就被吃掉而永遠消失了，這責任誰負擔得起？用這個角度來看會發現，有時候要突破傳統，其實是一件非常困難的事情。

恐懼源自於未知：想消除恐懼，需要探究未知

人對於未解的現象，往往會用隨意的想像與歸因來尋求解釋，用很直覺的方式來建立對自然現象的理解，也是人類天生的習慣。

直到距今兩千六百多年前，古希臘哲學家泰利斯才撥開直覺的迷霧，主張應該拒絕再用人格化的神祇來解釋自然現象，而是要藉由理性的假說來理解和解釋自然現象。但即使西方在兩千六百多年前已經出現這樣的思想，但近代科學真正臻至蓬勃發展，還是近半個世紀內的事情。

正由於科學的研究和思考方法並不直覺、並不符合人類的天生習慣，所以必須透過後天的教育與訓練，才能慢慢熟練並妥善運用在生活之中。

雖然探究是我們的天性，但是具有科學素養的探究卻不是天性，無法一蹴可幾。就像科學家需要訓練有素的探究技術，才能做好自己的研究。

一般公民也需要具備科學探究的素養，來幫助自己在面對生活中諸多不熟悉的現象時，能運用一套思考和研究的方式來做判斷，特別是幫助我們更加注意到生活中不尋常的現象，能對許多直覺、缺乏事實支持的歸因有更高的警覺。

正因為我們的生活離不開探究，所以更應該透過學習來提升探究品質。這正是國民教育自然課程中所應教會每個公民的事情。

——本文摘自《教出科學探究力》，2021 年 8 月，親子天下 ，未經同意請勿轉載。