植物鐘點戰

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

減肥的黃金守則之一就是：不要吃宵夜！但如果嘴饞該怎麼辦？只要沒有超過一天的熱量額度，應該沒關係……吧？

如果你也是這麼想的，那可就大錯特錯了！

最近一項由布萊根婦女醫院（Brigham and Women’s Hospital）團隊發布在《Cell Metabolism》期刊上的研究就發現：吃飯不只要吃得好、吃得巧，抓對 timing 更重要！

接下來，就讓我們有請師爺（誤）研究團隊來為您解釋解釋：什麼叫 timing？

想減肥只要少吃多動就可以了？情況沒有你想得那麼簡單！

一般說到減肥，大家腦袋中浮現的不外乎「管住嘴、邁開腿」這六個字，不過，其實少吃多動等改變只能產生暫時的效果，因為在飲食之外，還有一系列非常複雜的因素會影響能量平衡、增加肥胖風險，而其中一個重要的因素，便是我們身上的晝夜節律系統 aka 生理時鐘。

過去已經有不少研究發現，較晚吃飯會增加肥胖風險、增加體脂、降低減肥成功率，不過，背後的原因的到底是啥卻沒人清楚。

於是，布萊根醫院「晝夜節律和睡眠障礙部門」中的成員們決定迎接挑戰，來解開這個神祕的難題。他們找來了 16 位 BMI（身體質量指數）落在過重和肥胖範圍中的患者，在實驗開始前，所有人都要嚴格遵守固定的作息表和用餐內容，而後前往實驗室分別進行兩套飲食方案。

方案一：愛吃早餐組，每天 9 點乖乖吃早飯，一天三餐、餐餐不落，六點前吃晚餐。

方案二：晚點吃飯組，跟另一組吃同樣的東西，但跳過早餐，改吃午餐、晚餐和宵夜，宵夜會在 9 點~10 點間吃。

晚吃飯真的母湯！更容易餓還不易消耗

不管早吃飯還是晚吃飯，所有參與者到了 12 點都得乖乖上床睡覺，隔天早上 8 點起床，這樣持續六天，每天都要定期匯報自己飢餓程度和嘴饞程度，然後三不五時讓研究者們量個體溫、確認下能量消耗、抽點血……。

結果發現呢，較晚吃飯會讓人們更容易餓，想吃東西的慾望和想吃的量都會增加，還會想吃澱粉類和肉類食物。

除了這些主觀的回饋外，我們體內的激素也會隨著吃飯的時間而改變：比如說，一種叫做「瘦素」（Leptin）的激素會下降，而當這種激素的濃度下降，我們就比較容易覺得餓。更慘的是，晚吃飯還會降低我們的核心體溫，並讓我們燃燒的卡路里的速度變慢、總數變少，平均每天會少消耗約 5.03% 左右的熱量。

此外，晚吃飯也會影響讓我們體內脂肪組織的代謝，比如說，它會讓 PLD6、DECR1、ASAH1 幾個負責分解脂質的基因表現量下降，反之，負責脂質合成的 GPAM、ACLY、AACS、CERK 等基因表現則會增加。根據過去的相關研究，可以推斷這樣的變化會讓身體減少脂肪分解、增加脂肪生成，也就是說：你的身體會更容易自己囤油啦！

綜合這種種觀察結果，晚吃飯不僅會增加食慾、增加攝取量，還會減少熱量消耗、容易累積脂肪，總而言之，就是讓整體肥胖風險 Up Up 啊！所以說你愛吃宵夜的各位啊，還是快快將手上那罪惡的食物收起來吧！如果真的很想吃，那就早點吃飯吧！

1. https://www.sciencedaily.com/releases/2022/10/221004121928.htm
2. https://www.cell.com/cell-metabolism/fulltext/S1550-4131(22)00397-7

大多數植物和費布納西數列有密不可分的關係

生物世界的數學本質，在植物王國裡更能顯現出美麗而神祕的形式。

在《論生長與形態》這部書裡，有一整章就是在專門討論植物與眾不同的幾何學及數術，諸如葉子沿著莖的排列、花朵裡形成的奇特螺線模式（圖十一），以及花瓣的數目等等。這部分所隱含的數學真的很奇特。

在絕大多數的情形下，植物的結構牽涉到一串被稱為「費布納西數列」（Fibonacci sequence）的有趣數字：

1、2、3、5、8、13、21、34、55、89、144……

費布納西數列的規則

費布納西數列本身就有漂亮的模式：

從「3」以後的每一項，都是前兩項的和，例如 55=34+21。

這個數列，是比薩的雷奧納多（Leonardo of Pisa，約 1170-1250）在 1202 年所創。雷奧納多是位偉大的數學家，偶然發現了印度人與阿拉伯人所發明的新記數法，不同於當時通用的羅馬記數法；在這兩種系統中，相同的符號若放在不同的位置，可能代表著不同的意義：以費布納西數列裡的 55 為例，第一個 5 代表「50」，而第二個則代表「5」。

雷奧納多為印度——阿拉伯記數法，寫下一部劃時代的專書，於是西方世界便將現行的算術體系，歸功於他的大力推廣。

十八世紀的法國數學家李布里（Guillaume Libri），給了他一個綽號「費布納西」（Fibonacci），由於這個綽號一直廣為沿用，所以讓大多數人誤以為是十二、十三世紀就存在的名字（Fibonacci 一字原文的意思是 son of Bonacci，Bonacci 是他父親的名字）。

費布納西的兔子謎題

此外，費布納西也設計出一套「兔子謎題」，問題是這麼說的：假定現在是第零個飼育季，我們剛好有一對未成熟的兔子，而兔子經過一季的時間就可以成熟。

再假定每對成熟的兔子，每一季可以生出恰好一對未成熟的兔子，也一樣要花一季的時間才能成熟。最後我們假設兔子不會死。

那麼每一季會有多少對兔子？ 此問題的結果是，在接下來各季，兔群的數目將依循費布納西數列——而且有大量的重要數學，繼續從這個簡單的發現發展出來。然而，真正的兔群並不會按照費布納西的模型，如果實際去數兔子數目，你不會發現明顯的費布納西數。

花草的世界中也藏著許多費布納西數

但是，如果去數花的花瓣、萼片、雄蕊及其他部分，你就能找到這些數。例如，百合有三個花瓣，毛莨有五瓣，飛燕草有八瓣，金盞花十三瓣，紫菀二十一瓣，而多數的雛菊有三十四瓣、五十五瓣或八十九瓣，除了這些數目之外，沒有其他任何數目會出現得那麼頻繁。

費布納西數也隱藏在向日葵所呈現的模式裡，如果仔細看圖十一，你會看到兩組螺線，一組呈順時鐘方向，另一組是逆時鐘。

現在如果請你數數看每一組各有多少螺線，你會發現兩組的答案都是費布納西數。

——本文摘自《生物世界的數學遊戲》，2022 年 9 月，天下文化，未經同意請勿轉載。