沒有解決的懸念讓你心癢癢？眾說紛紜的〈黑道家族〉結局 —《欲罷不能》

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

本文由 工研院 委託，泛科學企劃執行。

Hey，未來的千萬年薪人才！來一起深入了解那些正在改變我們生活的科技吧！工研院為你精心準備了三堂超有趣的線上課程：從探索醫學界的 PLGA 微米球技術，到揭秘半導體測試的幕後英雄 ATE，再到讓塑膠也能有身分證的創新方法。這不只是學習，更是一場與科技親密接觸的旅程！

第一門 材料檢測與模擬設計之原理與應用系列學習

精選課程：塑膠也有指紋？如何給塑膠「身分證」來驅動循環經濟，減緩地球暖化？你要知道的光譜分選技術－材料光譜分選技術

這堂課將探討如何透過光譜智慧分選技術，為塑膠材料賦予「身分證」，進而推動循環經濟並減緩地球暖化。塑膠標籤的設置主要是為了方便辨識材質，這對於廢塑膠的回收和再利用至關重要。不同號數的塑膠因其分子組成、結構和排列的差異而有不同的特性和應用領域。

在光譜智慧分選技術中，首先要理解電磁波的概念。電磁波是一種電場和磁場交互變化的波動現象，其不同波長可以用於不同的應用，如手機訊號、微波爐、家用遙控器、X 光攝影等。在塑膠分選中，光譜技術常用的波長範圍落在近紅外到遠紅外光的區域，即 1 微米到 300 微米。這些波段的電磁波能誘發塑膠分子振動，並吸收散射或入射的電磁波能量，從而造成光譜的變化。科學家利用這種振動光譜的變化來獲得塑膠分子的特徵光譜，從而開發出能辨識不同塑膠分子的技術。

舉例來說，最簡單的雙原子分子，如 C-H、O-H 等，會有特定的振動頻率。當結構更複雜的分子（如水分子）被電磁波誘發振動時，會產生更多的振動模式，每種模式對應不同的特徵光譜。塑膠由多種原子組成，因此其特徵振動光譜相當複雜，但這也使得每種塑膠具有獨特的光譜特徵，類似於條碼或指紋，可用於辨識不同類型的塑膠。

本集介紹的光譜技術主要聚焦於紅外線頻譜區段，其波長範圍在 900-2500 納米。在這一範圍內的紅外光能量正好能引起塑膠分子的振動，並在不同波長上產生吸收。透過紅外線感測裝置掃描塑膠分子，可以快速獲得塑膠的材質信息，這不僅有助於塑膠的分類和回收，也對環境保護和資源再利用具有重要意義。

第二門 半導體IC設計與檢測技術系列學習

精選課程：好的良率就是好的利率！考試交卷前都會再檢查、確認了，IC 生產才不會忘記你－半導體測試簡介

在這堂課中，我們將探討自動化測試機台（ATE）在半導體測試領域中的關鍵作用。自動化測試機台是一種專為測試集成電路（IC）而設計的設備，它可以大幅降低手動測試的人力需求，並減少測試成本。每種IC根據其規格，都需要特定的測試項目。針對這些項目，專門編寫的測試程式被用於自動化測試機台，以自動檢測和篩選出不合格的 IC。

不同種類的 IC 需要不同的測試機台。例如，數位 IC 需要使用專門的數位測試機台，而記憶體 IC 則需要使用演算法來進行測試。類比 IC 和混合訊號 IC 則涉及電性測試，因為它們不是像數位IC那樣僅依賴固定的 0 和 1。

隨著系統晶片（SoC）的出現，測試機台的複雜性也隨之增加。SoC 整合了數位、記憶體、混合訊號甚至 RF IC 於一個晶片中，因此其測試機台必須同時具備上述所有種類機台的功能。這種SoC測試系統非常昂貴，每台造價可能高達數千萬。

最近，模組化測試系統成為了一種趨勢。這種系統的主要特點是其靈活性，能夠根據不同類型的IC進行不同模組的組裝，以進行測試。例如，對於數位IC，可以使用數位模組；對於類比或混合訊號IC，則可以使用相應的類比測試模組，如示波器或任意波型產生器。對於RFIC，則可以插入RF模組，如VNA等網路分析儀。模組化測試系統通常基於PXIE或LXI這樣的系統，其中PXIE是基於PCIE的擴展，加入了與儀器相關的電路；而LXI則是在LAN基礎上加入儀器相關電路。

總結來說，自動化測試機台在提高半導體製造過程中的良率和效率方面發揮著不可或缺的作用。無論是傳統的ATE還是新興的模組化測試系統，它們都在確保IC品質和性能方面扮演著關鍵角色。

第三門：解密醫材醫藥產品開發攻略系列學習

精選課程：藥不💊隨便你～但少了「它」，藥就不能發揮最大功效！製劑的分類與開發

在這堂課中，我們將深入探討 PLGA 微米球技術及其在長效針劑開發中的重要性。PLGA，全稱為聚乳酸甘醇酸，是一種被廣泛應用於藥物釋放系統的生物相容性高分子材料。自 1989 年日本武田藥廠開發出第一款使用 PLGA 的產品 Lupron Depot® 以來，這種技術已被用於多種藥物的開發，涵蓋了小分子藥物和胜肽類藥物。

PLGA 的關鍵特性，包括乳酸與甘醇酸的比例、分子量及高分子末端基團，對藥物的釋放速率和持續時間有著顯著影響。在製程技術方面，溶劑揮發法和溶劑萃取法是兩種主要的製備方法，它們對於親水性和疏水性藥物的包覆都至關重要。這些製程不僅決定了微米球的形成，也影響著藥物在微米球內的分布和最終的藥物釋放行為。

此外，微米球製程的工藝還包括乳化、coacervation 過程、溫度、攪拌速度、微米球固化和乾燥速度等因素，這些都對藥物包覆效率、微米球的粒徑大小分佈及藥物在微米球中的分佈位置產生影響。而不同的製程設計往往會導致藥物釋放行為的顯著差異，這對從實驗室到試量產階段的轉換是一大挑戰。

在台灣，工研院在經濟部的支持下建立了一個無菌製劑試製工廠，該工廠配備了微米球製程設備、高壓均質機、in-line均質機、噴霧乾燥機等關鍵製程設備。這些設備不僅能夠支持微米球的生產，還包括了關鍵的分析儀器，如液相層析儀、氣相層析儀、微米/奈米粒徑分析儀等。工研院的團隊擁有豐富的特殊製劑開發經驗，能夠提供從製劑配方研發、分析方法開發、放大製程開發到客製化產線設計的全方位服務。這些資源和專業知識使得工研院能夠有效地支持新藥的臨床前開發和商業化進程。

總的來說，PLGA 微米球技術在藥物釋放系統的開發中扮演著關鍵角色。透過精確的材料選擇和製程控制，這項技術有望為醫藥界帶來更多創新和有效的長效針劑產品。

還想看更多？不用掏出信用卡，三門線上課都在 ITRI Lab on-line 的 YouTube 頻道獨家放送中，手機打開就能看。但……雖然不用急，但是科技進步也是不等人的，快跟上吧！

本文由 工研院 委託，泛科學企劃執行。

你有沒有想過，是什麼驅動著今日產業的創新與變革？答案就在工研院的「ITRI lab on-line」特色技術系列數位課程中！這是一個與眾不同的學習機會，讓你深入了解並參與到台灣產業創新的核心。

首先，來說說「環構計畫」的緣起。這個計畫是為了配合國家創新產業政策而生，它的目標是建置和維護創新技術與服務平台。這不僅幫助企業開發新產品和服務，推動新興產業和新創公司，還能加速創新技術的產業化，促進企業的轉型升級。為此，工研院不斷擴建新研發場域，涉及各主要技術領域，實驗室分為檢測/認驗證、試量產/試營運、軟體與硬體設施服務等類別。

工研院的目標是推動台灣產業的創新優化與轉型，幫助業界把握新契機，布局自主創新和產業韌性所需的基礎設施。為此，工研院提供「ITRI lab on-line」特色技術系列數位課程，這些免費的線上學習資源將幫助你快速掌握產業新趨勢，增強企業技術升級與轉型的意願。

這系列課程包括三大主題：「永續高值材化」、「智能晶片」和「精準健康」。每個主題都有專門的課程，總共22支數位課程影片，涵蓋從技術原理到應用範圍的各方面知識。這些課程不僅介紹了工研院實驗室的專業技術，也為企業提供了學習和轉型的寶貴資源。想先試看嗎？點這裡看看我們推薦的三堂課吧！

無論你有興趣的是材料檢測與模擬設計、半導體IC設計與檢測技術，還是醫材醫藥產品開發，這些課程都會給你全新的視角和知識。每個課程都是精心設計，旨在幫助企業和個人掌握關鍵技術，並在低碳化與智慧化的時代中保持領先。

現在，只需點擊下方的連結，就能免費加入這個精彩的學習旅程。快來發掘和學習那些塑造當代產業未來的關鍵技術吧！

材料檢測與模擬設計之原理與應用系列學習
半導體IC設計與檢測技術系列學習
解密醫材醫藥產品開發攻略系列學習

【ITRI Lab on-line】系列影片可在工研院產業學院YouTube頻道觀看：點我前往