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

智慧型手機的功能日趨全面，幾乎就要包辦日常生活大小事，當然也包含我們的健康。有些人拿它來記錄每天的運動狀況，也有人搭配應用程式，監測自己的心肺功能。

但這還不夠，科學家總是能想到更奇葩的需求：未來，你的手機也有機會變身「大麻檢測器」了！羅格斯大學健康暨健康政策與高齡研究所（Rutgers Institute for Health, Health Care Policy and Aging Research）研究團隊，調查大麻使用者的「嗨度」，並將其與機器學習技術做結合，試圖打造能準確判斷大麻中毒程度的日常小工具。

研究發表於《藥物與酒精依賴》（Drug and Alcohol Dependence）期刊^[1]。

大麻何以讓人愉悅？

法國喜劇劇集《大麻咖啡館》（Family Business）中，年輕企業家喬瑟夫．亞贊（Joseph Hazan）乘著法國大麻合法化的順風車，決定將老父親傑哈德．亞贊（Gérard Hazan）的肉鋪改造成大麻咖啡館。雖說父親一開始很反對，但在偶像安瑞可．馬西亞斯（Enrico Macias）的循循善誘下，父親最終也體驗了呼麻的快感，並開始積極面對他們的咖啡館事業。

大麻為何能讓人快樂到放棄執著？一個叫四氫大麻酚（Tetrahydrocannabinol, THC）的傢伙扮演著關鍵角色。由於 THC 的化學結構與人體的內源性大麻「花生四烯乙醇胺」（anandamide）十分相似，它能與大麻素受體（cannabinoid receptors）結合，並啟動大腦的獎勵系統，讓我們感到身心愉悅^[2]。

這不免讓人感到好奇：究竟，人們是如何攝入大麻的呢？

一般來說，大麻被攝取的途徑有二：吸食，或直接拿起來嗑（沒啦，是摻在食物裡面服用）。當人們吸食大麻時，裡頭的化學物質會從肺部進入血液，進而將它們運送到身體各處，包括大腦。但如果是用吃的，由於是透過消化系統吸受，因此大麻所帶來的影響通常會晚個 30 分鐘到 1 小時出現。

大麻中毒將導致「定向感」降低

對大麻使用者來說，它最迷人的地方大概就是使用後欣快的放鬆感受。此外，有些人也會體驗到感官放大的飄忽景象，但也有部分人認為，大麻會讓他們感到焦慮、恐懼、不信任和恐慌。雖然目前較少有因純粹吸食大麻而死亡的案例，然而，若是使用過量，便會引發大麻中毒（cannabis intoxication）^[3]。

大麻中毒的人，輕則產生飢餓與嗜睡等症狀，嚴重的話，會導致認知與對人事時地物的定向感降低，甚至會出現急性精神病（acute psychosis）^[4]。其他典型、可預測的症狀，還包括口乾舌燥、紅眼、短期記憶受損，以及知覺和動作的影響等⁵。

部分大麻中毒者，會因為大麻在精神上的影響，對外界反應時間過慢，造成工作或學校表現低落，甚至在開車、駕駛時形成干擾，最終導致交通事故與傷亡等憾事。

雖說如今有血液、尿液或唾液等測試，能針對大麻中毒進行檢測，但若要實現日常生活中的時刻監測，恐怕還是有些限制的。

過去曾有研究，以現代人形影不離的「智慧型手機」裡的感測器，來探測高風險的飲酒者，準確率高達 90%^[6]。有鑑於此，羅格斯大學健康暨健康政策與高齡研究所團隊開始研究，想知道在機器學習模型的協助下，手機是否能發揮檢測「大麻中毒」的作用，即時探測那些可能因大麻中毒引發的危機。

如何檢測嗨不嗨？關鍵是「使用後的行為」

團隊首先從美國賓州匹茲堡（Pittsburgh, PA）找來 57 位年齡介在 18~25 歲的年輕人，透過自我報告，得知他們每週至少使用大麻兩次。之後，團隊透過「手機回傳調查」搭配「手機內感測器數據」等方法，每日收集受試者使用大麻的相關數據持續至多 30 天，以掌握他們在大麻中毒後的狀況。

其中，回傳調查每日三次，包含開始與結束使用大麻的時間、用量，以及主觀感受的自我評分——依據「嗨」的程度，評分標準為 1~10分，其中 10 分為「敲級嗨」。後來回傳的 451 起大麻使用事件中，平均「嗨度」為 3.77 分。

而手機則搭配應用程式，收集了 102 種手機感測器的數據，如 GPS、加速度計（accelerometer）、撥出的電話數量以及平均移動距離等。有些人聽到這裡可能坐不住了。等等⋯⋯GPS 這類定位工具與加速度計，到底能做什麼？是這樣的，GPS 可用來偵測大麻使用者陷入「自我陶醉」時的行進範圍（travel boundary），而加速度計則是用來監測他們的步態與身體活動量。

在對照受試者的回傳調查及手機數據後發現，當使用者回報他們「正嗨」時，透過 GPS 的數據分析可知，他們的移動範圍並不遠。另外，此時加速度計的資料也顯示，主觀報告大麻中毒者，雖然活動多樣性下降，但身體的活動程度卻比較劇烈。

考慮時間點的監測，精確度大提升！

最後，他們在演算法的幫助下^[7][註1]，盼能瞭解上述方法，是否能區別無中毒和中毒（輕度或中度）的情形。透過各種中毒時的行為特徵，加上機器學習技術的檢核，智慧型手機就可以變成如假包換的「大麻使用監測器」啦！

為了探究這個組合的準確性，團隊企圖在不同的時間點（例如：一周中的某一天，或是某一天的幾點幾分）下做排查，找出與大麻使用行為與特定時間點的關係，以進一步確認大麻中毒的具體指標。

結果顯示，僅出動手機內的感測器偵測這群人是否使用大麻，準確度為 67 ％；但若結合「個人呼麻時間點」與 GPS 和加速度計等資料，則準確度高達 90％。

用手機偵測大麻使用？得再等等⋯⋯

面對如此結果，研究團隊認為，以手機結合機器學習預測大麻中毒程度，是相當可行的。不過，未來還需要加入更多資料，以完備這項工具。

首先，由於該研究對大麻中毒的判定，主要建立在「受試者主觀判斷和自我（ㄕㄡˇ）報告」的基礎上，因此在物質使用和生理反應的識別上，不如執法部門的檢驗工具那般客觀。此外，像是大麻使用者的使用史、攝入身體的途徑、劑量，以及使用者對大麻的耐受性，都會影響他們報告身體狀況的結果。

不僅如此，像是不常使用大麻者在中毒時，他們的行為與身體反應和那些「老司機」們相比，是否有明顯差異？該研究受試者多為白人，其他人種在同劑量的條件下，會不會產生相應的數據？這裡不是要戰種族，但光是「喝酒」這件事，每個人種的反應也多少帶有一些差異，像亞洲人普遍就很難代謝酒精^[8]。

以上種種，都是這個工具可能被泛用的關鍵。最後，假設這個大麻偵測小工具，有朝一日被推到應用程式的市場上，你會想下載嗎？又，我們是否能因為大麻使用者的敏感身份與風險，而逕自對他們搜集資料、加以監控？作為一旁拍手叫好等待好用產品問世的小老百姓，在引頸期盼的同時，也必須深思這樣的問題。

註解

• 註 1：該研究所使用的技術為「Light Gradient Boosting Machine」，是微軟公司以「決策數演算法」（decision tree algorithms）為基礎，於二〇一七年釋出 LightGBM 演算法，用於排序、分類和其它機器學習的任務。

1.  Sang Won Bae et al. (2021) Mobile phone sensor-based detection of subjective cannabis intoxication in young adults: A feasibility study in real-world settings. Drug and Alcohol Dependence. 
2.  How does marijuana produce its effects? National Institute on Drug Abuse, 2020.
3.  What are marijuana’s effects? National Institute on Drug Abuse, 2020.
4.  Helen Okoye. Cannabis Intoxication DSM-5 292.89 (F12.12). Theravive.
5.  Marijuana intoxication. U.S. National Library of Medicine.
6.  Bae et al. (2018) Mobile phone sensors and supervised machine learning to identify alcohol use events in young adults: Implications for just-in-time adaptive interventions. Addictive Behaviors
7.   LightGBM. Wikipedia.
8.  Hui Li et al. (2009) Refined Geographic Distribution of the Oriental ALDH2*504Lys (nee 487Lys) Variant. Annals of Human Genetics.

希維塔克·帕特爾（Shwetak Patel）為電腦協會計算大獎（ACM Prize in Computing）2018 年的得主，該獎項為電腦科學界僅次於圖靈獎的獎項，與費爾茲獎相同都有 40 歲以下的年齡限制，帕特爾獲獎時僅 37 歲。獲獎原因是帕特爾對於人類健康與永續生活，發展出創意與實用性兼具的感測系統。

帕特爾不僅擁有大學教授與創業家等多重身份，他還擁有合格的水工與電工執照。現為華盛頓大學計算機科學與工程和電氣工程的特聘教授，同時也是 Google 健康科技部門的執行長（Director of Health Technologies, Google）。他曾經創立過 Zensi家居能源監測公司（2010 年被 Belkin 公司收購），以及 Senosis Health 健康檢測公司（2017 年被 Google 收購）等。

接下來，就來介紹帕特爾改變世界並且獲得電腦協會計算大獎的研究！

智慧家居能源監測系統

家家戶戶每個月收到帳單時，都知道家裡的用電量以及對應的費用，然而我們並不清楚是用在哪些方面。若是能收到每個月使用能源與用水的效率報告，就能夠讓人們了解自己的行為模式，進而採取行動增加能源效率與節省荷包。但是，要即時監控家居的能源消耗，一般來說需要裝設非常多感測器才可能辦到。

帕特爾成功發展出一套智慧家居能源監測系統，透過行動裝置就可以監控即時的耗電量與用水量。他發展的 ElectriSense 系統（用水則是 HydroSense 系統），利用既有的電路加上一個感測器（single plug-in device），就能把各種電器發出的高頻電磁干擾雜訊（high frequency EMI noise）當作訊號辨識對應的來源。

以iPad呈現建築物中每個電器即時的用電百分比

這套系統的發展，源自於複雜的電子交換特性與不同電器都會產生的雜訊，帕特爾藉此建立一套理論模型分析電器開關（稱為事件）的雜訊，並由使用者協助機器學習的程式訓練，最終發展出一套精確的預測系統。這套系統的精確度，甚至可以藉由輕微的公差來區分型號相同的電子產品。

考慮到感測器的易用性與持久性，帕特爾發展出可以維持 25 年、低耗電的無線感測系統與晶片（Sensor Nodes Utilizing Powerline Infrastructure, SNUPI），不需要經常替換非常方便。

更棒的是，一般人都可自行安裝，不需要專業的電工協助。未來這整套產品也可能推行至美國以外的地區，讓全球的家庭了解他們的詳細用電情況，進而改變人們的認知與行為，達成節約能源的永續目標。

用手機監測個人健康

人們通常要等到不舒服才會去醫院看病與檢查，過一陣子才會收到檢測報告，才被迫了解自己的身體狀況。現代的穿戴型裝置讓人們開始主動了解自己的健康狀態，除此之外，我們還有其他更好更深入的方法嗎？

帕特爾這幾年的研究領域包括了行動裝置於醫療上的應用。利用手機的 APP 與各種感測器監測個人健康狀態（personal health monitoring），在螢幕上就能立即看到結果，要進行定期與連續的監測也十分方便。

以 SpiroSmart 這個APP來說，它的操作非常簡單，不需要額外的硬體設施，只要對著手機裡的麥克風吹氣，手機會偵測受測者聲音裡的壓力波，自動轉換成即時圖形，就可以監控肺部功能是否衰退以預防慢性疾病。

像這類的檢測，傳統上一定要到醫院才能完成：受測者要對著肺量計 (spirometer)用力吹氣，以呼出的流速與容積（flow-volume）進行肺功能指標判讀。若偏離下圖的白色線段，便可能是這三種疾病的前兆，分別為哮喘 (Asthma)、囊腫性纖維化 (Cystic Fibrosis，CF)、慢性阻塞性肺病 (Chronic Obstructive Pulmonary Disease，COPD)。

那麼，SpiroSmart 是怎麼做到類似的功能的呢？這跟一個「雜訊」有關：講話時會產生的聲道共振（vocal tract resonances）。過去數十年開發語音辨識演算法（speech recognition algorithms），都將聲道共振視為雜訊，希望盡量排除。但關鍵的地方就在這裡：聲道共振實際上與受測者呼出的氣流成比例關係。因此藉由聲帶的物理模型加上深度學習聲道共振的資訊，就能夠反推回受測者呼出氣體的流速─容積曲線。也就因此，用手機與麥克風就可以模擬肺量計了。

面對有人質疑手機APP的準確率，帕特爾表示 SpiroSmart 與原本價格 10 萬美金的肺量計相比的誤差為 5-10%，與美國食品與藥物管理署（FDA）對肺量儀的誤差容忍相同。表示技術上完全可以用手機 APP 取代醫院的儀器；然而要說服民眾相信一個 APP 可以是個醫療裝置，需要透過更多的科學教育與科學普及才有可能達成。

除了以上的案例，帕特爾的普及運算研究室還開發了許多醫療相關的手機 APP，像是以深度學習辨識咳嗽的CoughSense、把手指放在鏡頭前方檢測紅血蛋白（HemaApp）、在新生兒皮膚上放上色卡搭配鏡頭檢測黃疸（BiliCam）、利用陀螺儀檢測骨質疏鬆症（OsteoApp）等實用又創意的專案。

「你的雜訊就是我的訊號」 Your noise is my signal.

這句話貫穿了帕特爾的整個研究生涯，無論是從早期的智慧家居能源感測到近來的個人健康監測。這樣的創意是源自就讀喬治亞理工學院博士班時期，他花了許多時間進行許多跨領域的研究，當某個研究方法行不通的時候，卻有可能作為另一個研究的靈感來源與解決方案。因此把一般研究者亟欲排除的「雜訊」成為可辨識的「訊號」，突破既有知識的框架。

海德堡桂冠論壇小記與場邊觀察

帕特爾以電腦協會計算大獎得主的身份，於 2019 年首次參加海德堡桂冠論壇（Heidelberg Laureate Forum, HLF），也是論壇史上最年輕的得主，非常受到歡迎。每天都忙著接受採訪與分享自己的經驗，幾乎無時無刻不被一群學生包圍發問。

對帕特爾而言，海德堡桂冠論壇是個非常獨特的盛會，在這裡能夠一次見到背負盛名因此平時難以見到的大師，以及從前輩的身上了解到得主如何對世界產生長期影響，是個前所未有的經驗。

即使已經身為得主，帕特爾認為如果他年輕的時候有機會參與論壇，會對早期的學術生涯更有幫助，同時也希望讓更多年輕研究者知道這個世界級的活動，讓與會者覺得能夠脫穎而出參與論壇是個殊榮。（註：2019年海德堡桂冠論壇有800名年輕研究者報名，最終錄取200名）

從小時候動手作到學術遊樂場

帕特爾出生於美國阿拉巴馬州的塞爾瑪（Selma, Alabama），擁有高學歷的父母自印度移民至美國，經營一間含有數十個房間的汽車旅館。因此，帕特爾從小是在汽車旅館旁的公寓長大，就像是旅館的管理人員，必須做一些庶務像是整理床位以及修理壞掉的燈泡，甚至是維修自動販賣機，自然而然對於動手作（tinkering）十分熟悉。

習慣動手作，也讓他的學術研究變得與眾不同。帕特爾在博士班就發表了很多篇與感測器有關的論文，包括機器學習、永續、醫療等領域，並開始創立自己的公司。他同時是實踐家、發明家、會寫論文。思考未來的職涯發展時，認為大學教職可以是個自由研究的遊樂場，可以讓電腦科學變得有影響力，因此選擇成為大學教授。

與一般教授不同的是，與其研究如何增進 1% 演算法效率，他認為不如去思考如何動手開發出一個對人類有直接影響的產品，能夠正向影響數百萬人的想法甚至行為，其意義會超過發表許多論文與獲得終身教職。

對一個應用導向的研究者來說，開發產品才能夠真正到影響一般民眾。帕特爾與其團隊通常把產品開發到一個程度，就讓其他人收購公司去加速產品的開發，接著投入下一個研究。

即使從研究生時期就被其他人開始質問是否不務正業，例如：「你不是個電腦科學家、你沒有一個專精的領域、你不會拿到教職」，然而擁有自由探索的學術遊樂場對他來說是最自在的。

選擇學生條件與社會服務

要怎樣才能進入帕特爾的學術遊樂場一起玩呢？帕特爾強調，選擇學生的時候他最重視的是善良（kindness）與否，一方面是若對人不友善就會很難找到合作對象，尤其研究室關注的領域與醫療保健與永續相關，關注其他人是必要條件。畢竟技術可以透過學習而來，然而人格特質不容易改變。

那麼，帕特爾是如何指導學生的呢？在研究室裡，有很多不同領域的人，像是電腦科學、電子工程以及醫療背景，帕特爾會試著創造出每個人都貢獻己力才能解決的專案，讓跨領域合作自然而然發生。另外，與其安排好研究方向與每一個細節，帕特爾傾向激勵學生、與學生討論研究的大方向、留給學生探索的空間。

帕特爾從高中時期就有機會接觸研究，因此大學時期也較同儕來得早開始寫論文，而這徹底改變了他的研究生涯，他自認非常幸運。因此，他希望現在的高中生能早點接觸研究，因此特別為高中生開放了 8-10週的暑期研究室實習，期待能夠開啟學生對於程式與科技的想像。

值得一提的是，帕特爾近來婉拒至知名大學演說，他傾向把時間留給郊區的學校，接觸更多高中以下的學生；此外，他認為傳遞科學知識最有效率的是為第一線的教師上課，讓教師在課堂分享電腦科學是個很強大的工具，能夠對社會有正面影響，電腦科學不是只有電玩遊戲。

讓世界變得更好的人文精神：給年輕研究者的建議

「我的研究社群是整個世界與人類。」

帕特爾在海德堡桂冠論壇的演說，除了介紹行動裝置於健康的應用之外，還提供建議給年輕研究者。他提到這是個特別的時代，人類史上擁有最多工具（如人工智慧、資料分析與視覺化）、跨領域研究非常興盛；最好的提問與答案，都在不同領域的交會之處。

當帕特爾還是個年輕教授時，常常被問到「你是什麼領域？是網路、系統或資料庫？」同樣地，許多年輕研究者內心假設「我必須成為一個數學家，必須是個電腦科學家，必須研究某個單一領域」。

然而這並不是世界運作的方式，年輕研究者當然可以在某個領域創新，但是別忘了跳出領域的框架，思考像是政治與政策等更廣的層面，以及自己在做的事對於人類與世界是否有深切的影響。

假使年輕研究者只是想著要拿諾貝爾獎、圖靈獎等大獎，這樣的心態（mindset）本身就是個災難，若是找到自己有熱情的事物，而且每天醒來都為此感到興奮，並且奮力地驅策自己前進，將有最佳的機會能夠邁向成功。

希維塔克·帕特爾在他的研究生涯，實踐了科學與工程最重要的價值──人文精神。

延伸閱讀：

1. 華盛頓大學普及運算研究室：Ubicomp Lab – Ubiquitous Computing Lab at the University of Washington
2. 海德堡桂冠論壇專訪影片：The Heidelberg Laureate Forum Foundation presents the HLF Portraits: Shwetak N. Patel
3. 海德堡桂冠論壇講座影片：New Ways of Thinking the Mobile Phone for Healthcare (52 mins)與投影片
4. 屬於數學與電腦科學的榮耀，聚集大師的海德堡桂冠論壇

想親炙海德堡桂冠論壇，與大師們面對面交流嗎？

每年11-隔年2月開放來自全球的年輕研究者報名

詳情可上官網： https://www.heidelberg-laureate-forum.org/