喵星人愛吃在心口難開？原來是貓咪的慢性口炎在作怪！

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

F 編按：本文編譯自 Live Science

說到「拋接遊戲」，許多人腦中應該都會浮出狗狗的畫面，牠們會快速地撲向被丟出去的球或玩具，再興奮地叼回到主人面前。但超出大家想像的是，貓咪也擁有這項天賦（想不到吧），不少飼主都曾發現，家裡的貓貓竟然會以各種物品如紙球、髮圈、瓶蓋，甚至鉛筆等，主動找主人來一場「拋接遊戲」。

在大部分人的認知中，狗是天生「撿東西」的好手，因此曾被培育成獵犬或工作犬，用以回收獵物、報信或傳送物品。而貓咪喜歡捕捉老鼠，又孤傲高冷的形象，則似乎與這項技能沒有何關係。但既然如此，那為何新的研究以及大量飼主觀察都顯示，有些貓能不經任何刻意訓練，就自發地找主人玩起拋接遊戲呢？

貓咪自發性的「拋接遊戲」

英國蘇賽克斯大學的博士生珍瑪．佛曼（Jemma Forman）與團隊近期在《Scientific Reports》上發表了一份有趣的研究。該研究針對 924 位飼主進行問卷，篩選那些聲稱自家貓咪曾展現「叼回來」行為的案例。結果發現，超過 94% 的飼主表示，自家貓咪的撿拾行為是「自然發生」的，而且往往在牠們還是不到一歲的幼貓時期就自發展開。

不少飼主的敘述顯示：這類行為的開始常常並非飼主主導，有時可能只是「不小心」丟出一個物體，貓看見後便會自行撲上前把它叼回來；或是貓咪先將某個小物件疊在主人腳邊，若飼主把該物件再拋出去，貓就衝向前撿回，來回幾次便形成「丟接」的循環。一位研究者便提到，有飼主開玩笑說：「其實是貓訓練了我們，而不是我們訓練了貓！」

飼主與貓的互動：是誰主導了遊戲？

研究另一個重要發現，是貓比人想像中更「有意識」地控制遊戲進程。根據問卷結果，大多數貓會自行決定什麼時候開始玩，也多半由牠們決定何時結束。相較於狗狗可能乖巧等待主人丟球，甚至對「再來一次！」樂此不疲，貓咪常在丟接幾回合後顯露不耐、失去興趣或乾脆躺下睡覺。換言之，這些「叼回來」的遊戲時間通常很短，平均不到 10 次的往返後，貓就會轉移注意力。

此外，貓咪對「丟接」場域與對象都有明顯偏好。部分飼主觀察到，貓只會和特定人士或在特定房間裡玩這個遊戲；如果換個地方、換個人，貓便不再給予任何回應。物件本身也有強烈偏好：有些貓喜歡輕巧的紙團或塑膠瓶蓋，有些則迷戀鉛筆、彈性髮圈，甚至噗嚨共不明的「隨手抓到啥」。從個案顯示，某些貓跟筆有著奇妙的羈絆，一旦看到主人拿筆在地上，就會立刻叼起來，再「要求」被丟遠一點，好繼續衝刺撿回。

為什麼貓會撿東西回來？

不論是狗還是貓，「撿東西」基本上與狩獵本能脫不了關係。對狗來說，傳統解釋是牠們祖先源自狼族，群居習性和人類培育下的獵取天賦，使牠們更具把「獵物」叼回巢穴或交給領袖的行為模式。人類便利用此特徵，培養獵犬能把獵物從遠處叼回，或訓練牠們在工作環境中搬運物資。

至於貓咪，牠們並沒有經過繁雜而漫長的馴化過程來加強「帶回獵物」的基因。多數家貓的繁育重點在外觀（毛色、體型等）或日常溫馴度，而非特別功能。然而，野外的貓科動物依然經常把捕捉到的小動物叼回家中，可能是母貓餵養幼貓的天性延伸；既然公母貓都可能會「叼回來」，顯示其中還涉及更複雜的本能驅動。部分專家推測，或許貓有一部分遺傳特質，會對移動中的小物件產生高度興趣，因而自然而然地「啟動」衝刺、叼拿、再放回主人跟前的動作。

貓咪真的「天生社交」嗎？

長久以來，狗被視為「社會性」動物，貓則被歸類為「獨居型」；然而，越來越多研究開始顯示，貓其實也會對飼主表現相當程度的關注，並非只在用餐時間才記得「家裡有個人」。一些行為專家指出，貓很可能透過「拋接遊戲」來吸引主人注意，或回饋主人放出的社交信號。例如，人類在地上丟出一個物品或在空間中拋擲，可能看似無意，但貓卻將之視為「你在呼喚我一起玩」，進而加入互動。

儘管貓普遍沒有群居獵食的祖先背景，也不如狗般崇拜「主人」，牠們仍能形成一種與人類共存並汲取好處的社交關係。例如，許多貓會主動把「戰利品」，像是戶外抓到的昆蟲、小鳥，甚至是室內看似無關痛癢的物體，叼到飼主面前，彷彿是獻禮或玩耍邀請。將叼回來的行為延伸成丟接遊戲，或許是貓對「社交互動」的一種嘗試，更帶有娛樂及互利的意味。

未解的謎團

雖然這項新研究顯示了「貓咪叼回來」行為的常見模式，也試圖探討牠們如何與人協作玩樂，但對「為何」會出現此行為，依然沒有定論。一般相信，狗會撿東西是出自體內被強化的基因；可貓的祖先卻是更善於獨自狩獵且不需看同伴眼色。若從母貓育幼行為或雄貓的「玩獵物」角度來看，都仍無法全面解釋：究竟貓自願玩「拋接」是基於何種驅力？

有些專家認為，品種也可能是關鍵因素。互聯網論壇以及養貓社群時常討論，西方的暹羅貓或孟加拉貓等品種出現「叼回來」行為的比率似乎較高，或許意味某些基因序列更傾向於進行空間探索與物件互動。可是，現今仍缺乏大型量化研究去證實這些品種間的顯著差異。

人在貓科動物的研究上往往著重於飲食、繁殖或健康問題，而貓的玩耍模式與社交行為在科學領域仍是相對陌生的領域。不過，隨著新一代學者與廣大愛貓人士投入觀察、蒐集資料，或許很快就能釐清更多引人好奇的問題。例如：「各類貓咪在何種年齡段最常表現叼回行為？」「是否有特定環境因素（如家中空間大小、多貓相處情況）會影響貓的叼回頻率？」「不同個性或壓力承受度的貓，對『拋接』的接受程度是否有所差異？」等等。

這次研究也為後續打開一條可深入探究的線索，英國林肯大學的教授詹姆斯．瑟培爾（James Serpell）也持續透過線上問卷收集成千上萬份有關貓行為的回饋，期望未來能與其他學者合作，一起揭開更多「貓咪為何玩丟接」的奧祕。

為什麼貓這麼喜歡貓薄荷呢？

原來是貓薄荷裡的荊芥內脂導致貓咪吸了貓心大悅，不住翻滾、流口水、打呼嚕。

但是，貓薄荷不是對所有貓都有用。不到六個月的小貓似乎不會有反應，而且有的貓喜歡，有的貓不喜歡……咦，這還和遺傳有關係嗎？

想要同時驅蚊，又讓貓貓情不自禁饞你身子嗎？那你一定要試試貓薄荷！

荊芥內脂不只會讓貓咪快樂似神仙，也會活化蚊子體內的受體蛋白，接觸到的蚊子會產生搔癢和刺痛感。哈哈小蚊子，你也來嘗嘗癢癢痛痛的痛苦！

給你的貓貓來點刺激的快樂草吧！

延伸閱讀