又到了和溪流用顏色共譜回憶的季節！

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

之前的兩篇文章，我們告訴大家兩個重要觀念：

1. 減重為什麼這麼複雜：涉及身體能量運用的多系統交互作用
2. 減重為什麼這麼困難：缺乏即時、有效的反饋

大家可千萬不要看了這兩篇就放棄治療啊！實際上，減重還是有很多可行而且實證有效的做法。如果照著醫學系統的學習法，應該要開始講各種複雜的生理機制了，但擔心大家看了複雜的身體代謝機制就昏頭轉向，今天我們要來點輕鬆的！散步！！！

飲食跟運動是減肥的兩大關鍵，但重點是：到底要吃什麼？什麼時候吃？該做什麼運動？什麼時候動？今天這篇文，就會告訴你如果想散步，什麼時候效果可能最好喔～

為什麼要先講散步？跑步或重訓不是效果更好嗎？

大家一定會疑惑，為什麼我們講這麼基礎的東西：散步。

「做比較長時間的有氧運動，或者強度高的重訓不是效果更好嗎？」很多朋友一定會想這樣問。

你說的沒錯，確實散步的「效果」沒有重訓跟慢跑這類更耗能的活動好。但在忙碌的現代生活中，很多人都會用「沒有時間運動」這個理由來拒絕運動。如果我們精準一點來說，也許是「不太容易進入適合運動的狀態」。即使是跑步這種相對簡單的運動，你可能要準備好跑鞋、慢跑褲、輕鬆的上衣。如果你剛從辦公室出來，要進入可以跑步的狀態，其實要花上一些時間。如果要重訓，那可能還要搭車去健身房才有辦法。

但散步就是真的「隨時可做」的運動了。不管你在哪，穿什麼鞋，出去走走的難度都不高。更棒的是，多數人的身體狀況都不會因為散步產生過大的負荷，就算跟爸媽一起走，也不用擔心彼此速度差太多，不管是一人還是多人都可進行，可說是開始運動人生最簡單的第一步啊！！！

但如果想散步，到底要什麼時間散步最有效？現代人的時間分秒必爭啊！畢竟大家都是一秒鐘幾十萬上下，時間總是要花在刀口上對吧？剛好在 2016 年底刊登在 《Diabetologia》的一篇研究，給了我們不錯的方向！一起來看看這篇研究吧！

散步在什麼時間最好？研究指出：飯後效果不錯，晚餐後效果更佳！

肥胖、血糖、胰島素抗性是一整組的問題，彼此非常相關。因此我們選了一篇有關飯後血糖的研究，來讓你參考該什麼時間去運動。適度運動對於糖尿病患者的血糖控制有幫助，但有些運動可能太過劇烈，散步是多數人都可以做到的。因此想研究看看到底什麼時間散步最有效。

因此他們把 41 位得了糖尿病的成人隨機分成兩組，兩組都要求他們每天散步 30 分鐘。差別在於一組是隨便你什麼時間去散步，只要總共累積到 30 分鐘就行。另外一組則是要求他們必須在三餐的飯後 5 分鐘就出發，出去走 10 分鐘，每天累積 30 分鐘。

研究的結果顯示，在餐後就出發散步的這群人，血糖的控制程度明顯比隨便時間去散步的另一群人，餐後散步者的餐後血糖平均下降了 12％。

而且不知道為什麼，在晚餐後的這一次運動，對血糖控制的效果比早餐和午餐都還要明顯！在研究中發現晚餐後這次的運動，更是讓餐後血糖降低 22％ 之多！

為什麼是晚餐呢？可能跟晚餐大家通常吃得比較豐盛，而且晚餐大家喜歡吃完就坐到沙發上去看電視休息有關。

這個研究並沒辦法明確解釋，確切是什麼原因使得飯後散步的效果比較好，畢竟這牽涉到非常複雜的生理機轉，難以在單一個實驗就完整釐清因果關係。但這確實提供了一個有意義的證據，告訴你如果要散步運動，在什麼時候出發最好。

如果身體條件允許，時間地點也方便的話，我們當然希望你投入更多時間在更高強度的有氧或無氧運動上。但開始運動這件事情，絕對是「先求有，再求好」，總比完全不動好。這也適合現代人的生活情境。午休或晚上吃完飯，就找幾個辦公室的好朋友、學校的好同學，或者是親密的家人、伴侶去走一走，別直接坐在那養肚子啦～而且吃越豐盛就越應該要去走喔！

另外也有研究指出，如果飯後坐在那不動，不只是會讓飯後的血糖高，也可能讓接下來 24 小時的血糖波動值變大。看到這，你還敢吃飽就躺在那當沙發馬鈴薯嗎？

開始動，就是邁向成功減肥的第一步！

這篇文章別忘了分享給家裡的長輩喔～趁機會關心他們的身體吧！肥胖跟代謝症候群影響台灣中、老年人的健康非常大，能夠讓他們養成一個簡單、易於執行、甚至可以親子同樂的生活習慣，怎麼能不做呢？

• 編按：愛美是每個人的天性，不過對你而言光是看滿架的化妝品、保養品，各種醫美產品就令你眼花撩亂，更別說還有玻尿酸、膠原蛋白、類固醇這些有聽沒有懂的名詞來搗亂嗎？如果你想要聰明的美，不想要被各種不實廣告唬得團團轉，那麼泛科學這位合作夥伴 MedPartner 美的好朋友，就是你我的好朋友。

本文轉載自 MedPartner 美的好朋友 如果只做散步運動，什麼時間散步最有效？全家必須看！減肥全攻略（2）

如果你是一個色票迷，那麼一定不可錯過這浪漫的色票產生器；如果你對生活美學有所堅持，那麼，這篇文章將重新打開你的想像；如果，你平時就自詡為生態人，這篇文章更將展開你充滿創意的藝術行動！那到底要怎麼開始呢？

從日常生活的顏色、到你市鎮中的那條溪流

在平凡的生活中，每一幅日常的風景，都能夠定格為一張張絕美的色票。先來看看這些取自環境中的色彩之詩吧：

是不是很夢幻，讓人心情大好呢？但這色票好像與我們平常所看到的不太ㄧ樣，到底是怎麼產生的呢？在這裡，溪流小編要告訴你這些浪漫色票的祕密產生器：其實，它們都來自台北市中的一條溪？！

不只是水質檢測，用顏色記錄下你和溪流的寶貴回憶吧！

在不久前的七月裡，內雙溪自然中心與國立科學教育館，共同合作了「水陸倆棲」棲地調查營。營隊中的大小朋友們，和溪流小編一起騎著自行車，循著雙溪河岸，拜訪都市溪流的上、中、下游。除了有趣的水中生物觀察以外，也拿起水質試劑，替雙溪做了一次健康檢查。

溫暖的糖霜與奶茶色，來自六個觀察點中的溶氧量（Dissolved Oxygen，DO）；療癒的松花與嫩綠，是水體中不同位置的酸鹼值（pH）；嬌豔的粉紅色階，是水中的硝酸鹽（NO₃）在上中下游的濃度變化；浪漫的丁香與羅蘭，說明溪流上下游水中總氨量（NH₃/NH₄⁺）的多寡。

收集了這一手漂亮的色卡，溪流同時也告訴我們一些、除了水中生物以外可能的故事（溶氧量、累積的代謝廢物量等等）；這些顏色的解讀，也需要同時伴隨其他變因（溫度、pH 值）一同檢視。因此，每一條溪流、每一個季節、每一個天氣系統劇烈變化或恆常不變的河濱午後或向晚，只要我們走近，都能從水中拾取出一串獨一無二的色票。

如果每個人、都在每個屬於自己的點位，累積自己的四季溪流色票。這一張張色票們，可能將在空間上逐漸排列成有意義的光譜、也可能足以在時間上累積成伴隨豐枯變化的線條。這些，屬於眼下每個日常的種種累積，在時光轉身後，都將成為寶貴的吉光片羽，供未來的我們拼湊出過去的樣貌。

透過在城市中的每個人、每一個日常的河濱散步；每一個上下學途中的例行探訪，都將讓我們在未來面對環境變動時，有更即時的警覺，以及提供更具體的原貌可以參考比較。我們也邀請住在城市每個角落的你，起身 邁向最近的那條河堤。在每個河濱的晨昏，收集屬於你自己與眾不同的、四季溪流色票。

色票收集小訣竅

1. 可以採用「世界水質檢測日」的檢測包，並將成果上傳到網頁，把你累積的色票與眾人分享。
2. 除了水中的繽紛色彩，我們也邀請你收集濱河的地景樣貌，甚至水中的魚蝦生物。用照片、文章或者日記，留下溪流活在每個時空中的身影。

雖然乾旱造成了自然生態浩劫及農業損失，它的影響也有相反的一面：使今年墨西哥海灣的「死區」(dead zones)，縮減為1985年以來缺氧面積倒數第四名。

什麼是「死區」？當沿海地區因為河流帶來過多營養鹽而產生缺氧現象，這個地方的生物量隨之大減，海洋不再生氣蓬勃，就稱為「死區」。

死區的成因其實就是我們所熟悉的「優氧化」(eutrophication)，只是一般人比較容易注意到湖泊、靜水域的優氧化，而死區一詞是專指海洋的優氧化區域。

死區的缺氧現象可以說是導因於營養鹽，尤其是含氮、磷的營養鹽。自然界有氮元素的循環，因此經固氮作用後，氮營養鹽在土壤中的存在屬自然現象；但是隨著農業需要及其他人類活動，人工固氮使得大量營養鹽沉積在土壤中，再經密西西比河的沖刷流入墨西哥灣。

這些營養鹽是海藻的養分來源，因此近海區域營養鹽的增加導致藻類大量增生。雖然藻類行光合作用能夠產生氧分子，但是藻類的生命週期短暫，很快地，大量藻類殘骸需要經由微生物分解，而分解藻類殘骸的過程反而消耗更多溶氧量，導致周遭水域的溶氧量大減。

2008年8月發表在《科學》期刊的研究指出，1910年期間科學家開始注意到低氧海洋地區，當時在全球只發現四個區域；但是到了2008年，全球各大洲沿岸已經遍布了405個區域，其中面積最大的就是墨西哥灣的死區。

科學家估計2012年的墨西哥海灣死水區，佔有7,482平方公里，這樣的數據比起去年的狀況有天壤之別，幾次洪水攜帶大量土壤中的營養鹽到大海，導致2011年死區的面積廣達17,534平方公里。

「今年死區會縮小是因為乾旱的緣故，今年春天排入墨西哥海灣的含氮營養鹽創下80年來最低紀錄。」美國路易斯安那大學的海洋研究團隊領導者萳西說，她也是死區調查航行的領隊。

由於帶動陸域營養鹽流向大海的主要推手是河水，沖刷力弱、較低的水位所能攜帶的營養鹽較少，因此今年春季的乾旱現象很可能是死區面積縮減的原因。

每年夏天科學家會開始在美國路易斯安那州及德州沿岸進行調查，死區的面積變動是一個相當重要的指標，因為缺氧面積的調查結果能夠反映今年墨西哥灣沿岸有多少生物適合生存。

自科學家開始調查以來，墨西哥海灣的死區在1988年最小，只有39平方公里；在2002年面積最大，於墨西哥灣沿岸擴展成長條狀，佔21,756平方公里。

死區不單純是自然界其他物種的麻煩，也同時威脅人類的漁業、觀光業的成果。更了解死區的的系統性成因，也更有機會提出改善之道。

（本文原發表於行政院國家科學委員會-科技大觀園「科技新知」。歡迎大家到科技大觀園的網站看更多精彩又紮實的科學資訊，也有臉書喔！）

資料來源：

• Drought’s Positive Effect: Smaller Gulf Dead Zone
• Robert J. Diaz and Rutger Rosenberg(2008) Supporting Online Material for Spreading Dead Zones and Consequences for Marine Ecosystems. Science, 321, 926-929.