世界最大虛擬光學望遠鏡

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

陳妙嫻／畢業於臺大教育學程；任教於板橋高中；加入思辨教學團隊後，才發現竟然可以對著生物課本問出這麼多的問題，非常開心。

「左心室、主動脈、小動脈、微血管、小靜脈、右心房……」你或許曾為了應付考試背誦過這段文字，但可能從沒想過血管、心臟、所有器官為什麼非得這樣接。

「左心室、主動脈、小動脈、微血管、小靜脈、右心房⋯⋯」即使是將近二十年前的事情了，我還記得當初上生物課時，老師要全班一起朗誦三次、好加強記憶的情景。體循環、肺循環是中學生物課程的重點，也是學生最頭痛的地方之一。看看那張複雜的路線圖，還真不知道該從哪個構造認識起呢！本文要挑戰學生們老是抱怨「生物有好多要死背」的刻板印象，以理解和推理的方式，輕鬆地認識複雜的血管線路！

血管和器官為什麼這麼相連

你一定很熟悉這樣的考題：若護士從手臂靜脈注射藥物，循環至發炎處會經過哪些血管？然後賭氣地想，從手臂長一根血管通到發炎處不是很好嗎？為何要繞來繞去？這是一個非常好的反問──血管和器官之間為什麼要這樣相連？

循環是以心臟搏動為動力、血管為通路、血液為載體，將細胞所需的養分和氧氣送到器官。器官相連的直接想法，就是心臟將血液打出來後，先到第一個器官，再到第二個器官、第三個⋯⋯這樣不是很簡單嗎？

但是這個安排不太理想。第一，排在前面的器官比較幸運，可以獲得比較多的養分或氧氣；而後面的器官，甚至還會「吃到」前面排放的廢物！第二，這種線路有個致命的危險，只要一個地方斷掉，就全部完蛋了！第三，進入器官之後，血管會分支成更多的微血管，此時血壓下降、血流變慢。若血液要再流到下一個器官，恐怕會有血壓不足的問題。

器官一個接一個的相連方法，稱作「串聯」。若器官以「並聯」的方式相連，就可以解決上述問題。這就是為什麼從血液從心臟打出來之後，要經過「主動脈、小動脈、微血管、小靜脈、右心房⋯⋯」，這個過程稱作「體循環」。若考慮到人類體型的限制，並聯的方式會有一些變形。離開主動脈後，先分成四個分支；其中三個分支往上至頭、頸、上肢，最後一個分支往下到軀幹、下肢；而各個分支到該器官部位時，再分支成較小動脈進入器官內。

引入特別的器官—肺

從全身器官回流的血液，應該缺少氧氣和富含二氧化碳。此時考慮引進肺這個器官，將氧氣加入血液中，且排出二氧化碳。肺臟也與其他器官並聯，這樣好嗎？

並聯會使得肺臟每次只能清除少部分的血液，而當充氧血從肺臟流出時，卻必須跟其他器官的少氧血混在一起。因此，若將肺臟放在大靜脈的位置，似乎能解決上述問題。也就是說，讓肺臟跟其他器官串聯，但如此一來，又有串聯產生的問題。然而在肺臟並不存在第一、二個問題，真正有困難的是血壓不足。那麼，就在肺臟前面再加一個幫浦，推動血液。

可是人並沒有兩個心臟啊？其實我們雖然只有一個心臟，卻可說具有兩個幫浦！這兩個幫浦就是人類心臟中的左心和右心。當心臟收縮時，充氧血從左心打出，流經體循環，少氧血再流回右心；而同時間，少氧血從右心打出，流經肺臟加氧、排除二氧化碳，充氧血流回左心，如此循環不已。

小腸和腎臟該怎麼與其他器官相連

除了肺臟是特殊的器官外，小腸和腎臟也與身體的代謝有關。前者負責將養分（如葡萄糖）加入血液中，後者負責將含氮廢物排出體外。那麼，小腸和腎臟該怎麼與器官相連呢？

在思考小腸和腎臟的位置時，先回溯肺臟的情況。肺臟的功能為加氧氣和排除二氧化碳，前者與小腸的吸收養分功能相當，後者則與腎臟排除含氮廢物類似。我們以兩個理由排除了並聯的可能。第一，從肺臟出來的充氧血，流至靜脈時，會與少氧血混合；第二，每次只能排出身體部分的二氧化碳，效率較差。

我們將第一個理由套用到小腸中──從小腸出來的血液，充滿了各種養分，如葡萄糖；而流至靜脈時，會跟缺乏養分的血液混合，但這樣的混合到底有什麼問題？混合的結果是使該溶質的濃度下降，但是該物質的莫耳數（或顆粒數）並沒有減少。也就是說，使用並聯的方式來加氧或養分，都不會影響身體獲得氧或養分的「量」。所以說，小腸和其他器官是並聯就可以了，這樣還能避免血壓或其他串聯的問題。

不過，這麼反駁不是自己打自己的臉了嗎？文章前頭還振振有詞地說明肺臟必須串聯的理由。身體還因此多了一個幫浦（右心），為的就是要解決血壓的問題。看看小腸的例子，似乎也不需要嘛。

但仔細想想，氧氣和養分的情況其實並不相同。氧氣從肺泡至肺泡微血管、組織微血管和組織細胞間的交換，是以擴散的方式進行。而擴散的快慢與兩側氧分壓的差異有關，差異越大，擴散速率越快。因此，在並聯的情形下，充氧血與少氧血混合後又再循環至肺，會減少微血管和肺泡間的分壓差異，使氧氣擴散的速率下降。而全身器官也有相同情形。另外，由於氧氣對水的溶解度很低，人體以血紅素來運輸氧氣。然而血紅素與氧氣的結合率，與氧分壓的高低有關，當氧分壓上升時，血紅素與氧氣的結合率也會上升；因此，若充氧血和少氧血混合時，也可能造成氧合血紅素釋出氧氣，使氧氣的運輸量減少。

小腸上皮細胞是以主動運輸的方式吸收葡萄糖，因此吸收速率無關乎兩側的濃度差異。再者，身體中有嚴密控制血糖含量的機制。當血糖過低或過高時，可藉由肝醣的分解或合成來調控，因此「充養血」和「少養血」混合，造成的問題似乎沒有那麼嚴重。

在消化系統的循環中，另外有個有趣的部分。也就是「肝門循環」中，從小腸離開的靜脈，並沒有直接匯集到下大靜脈，而是由肝門靜脈進入肝臟。也就是說，小腸與肝臟串聯！

為什麼小腸要與肝臟串聯呢？方才提到血糖的調節與肝臟有關，因此由小腸吸收的葡萄糖，先送到肝臟儲存，以維持血糖的恆定；另外，肝臟有解毒和代謝的功能，由消化器官吸收的有害物質，會先送到肝臟去解毒；而胺基酸也會送至肝臟，作為製造血漿蛋白的原料。肝臟等於是消化系統的後端處理器官，在消化道分解後的養分，先送至肝臟做初步的處理，能藉此調節養分在血液中的含量。

那麼，有關串聯的困難又怎麼解決呢？肝臟就在小腸之後，自然沒有得不到養分的問題。肝臟有自己的肝動脈，可送來充足的氧氣；而血管內的平滑肌若接受神經或激素的影響，也可調節局部血壓，使血流推進至肝臟的微血管。

如果血管可藉由平滑肌收縮調整局部血壓，使得器官彼此之間可以串聯，那麼前面為什麼又說器官必須彼此並聯呢？可能的原因是，大規模的局部血壓調節可能較為複雜，雖然還是辦得到，卻不如並聯來得容易。而且串聯的其他問題──後面的器官無法獲得充足的養分和氧氣、後面的器官「吃到」前頭的廢物、一個地方斷掉就全數完蛋，依舊無法解決。若以體循環之並聯為架構，可以一次解決所有問題。而若有特殊的需求或功能，局部器官串聯也並非完全不可能。

肺臟為何非串聯不可

既然一個器官的血壓問題可以由靠血管解決，那麼肺臟為什麼不行？之前提過，除了血壓不足外，肺臟並沒有其他因串聯引伸出來的問題。

或許可以從以下現象獲得啟示：在脊椎動物中，呼吸器官與其他器官的串聯關係，從魚類就存在了。而魚的心臟只有一個幫浦在鰓之前，從鰓流出的血液接下來會流向全身器官（體循環）；但是在流向體循環前，並沒有流回心臟再度加壓，這樣的循環稱之為單環。不過在某些魚類中，體循環之前有由動脈特化而來的「輔助心臟」，以幫助血液流入身體的器官，但輔助心臟的收縮能力沒有心臟那麼強。由這個現象可知，鰓的循環對血壓的要求高於身體其他器官，後來脊椎動物登陸後才逐漸扭轉。至於為什麼鰓需要較高的血壓，有可能是因為呼吸器官為了增加氣體交換的速率，因此有廣大的表面積，因而具規模較其他器官大的微血管網，需要較大的推動力。另外，陸生脊椎動物要將來自全身器官的血液推送至肺，和僅來自小腸的血液推送至肝臟相比，兩者的血量應該有滿大的差距，所需的推動力也不一樣。

總而言之，肺臟之所以要串聯的原因，主要可能是交換和運輸氧氣的限制；而串聯又會造成血壓不足的問題，並且無法用動脈解決，則必須使用比動脈更強而有力的心臟推動。

腎臟也是體循環的一支

若腎臟與其他器官並聯，那麼每次循環都只能排除部份的含氮廢物，效率不彰。因此要以串聯才能解決。不過，就人體的構造來看，腎臟僅是體循環的一支，與其他器官並聯。

較有可能的原因是，在魚類中，排泄含氮廢物的器官主要是鰓，腎的功能則與水份和鹽類的恆定有關。若是考慮到滲透壓的恆定，其實沒有串聯的必要。因此，腎臟的並聯可能是演化的痕跡。再者，前面的討論發現串聯造成的問題較多，而肺臟從魚類開始就已經與其他器官串聯。可由此推測氧氣的取得造成的演化壓力較大，而丟棄含氮廢物的效率，對生存的影響沒有大到非串聯不可的程度。

不過脊椎動物登陸後，丟棄含氮廢物的壓力就增加了。因為環境中缺乏水分，廢物必須在體內暫存一段時間才能丟棄。也無法像魚類一樣，直接靠呼吸器官擴散。但此時腎臟已經與器官並聯，因為這個「歷史共業」，登陸後的脊椎動物將氨轉變成尿素或尿酸，讓毒性降低，彌補效率不彰造成的毒性問題。

學習科學的方法

本文示範了一種學習科學的方法，也就是──對現象問問題、提出可能的看法、反駁、再提出可能的理由、再反駁⋯⋯直到獲得到暫時的答案為止。學習科學時，重要的是要成為主動的思考者，而非被動的接受者；才能以理解代替死背，從諸多生物學細節中理出一種「看的方法」。而這個看的方法，其實是達爾文催生現代生物學的關鍵──演化。

備註： 本文依照人本創新教學專案小組教案〈血液循環之道〉施行。

〈本文選自《科學月刊》2015年2月號〉

延伸閱讀：
體內的推理
中樞神經系統中的淋巴管

什麼？！你還不知道《科學月刊》，我們46歲囉！
入不惑之年還是可以當個科青