Loading [MathJax]/extensions/tex2jax.js

0

0
0

文字

分享

0
0
0

常常跟著指標迷路?「尋路」設計原理大解密

活躍星系核_96
・2018/06/19 ・5028字 ・閱讀時間約 10 分鐘 ・SR值 597 ・九年級

  • 文/施登騰 │ 中國科技大學互動娛樂設計系助理教授
「全台最大迷宮」台北車站有無數位旅客指點迷津的指示牌,你有想過它們是如何被設計出來的嗎? 圖/Asacyan [CC-BY SA 3.0] via wikipedia

「尋路」(Wayfinding)是 Kevin Lynch 在 《The Image of the City 》(1960)這本書中所提出的,談的是利用建築的環境元素(Environment Elements)協助訪客在複雜空間中成功導航。此篇直譯Wayfinding為「尋路」,但事實上也能譯為「導視」。也就是說,如果從使用者觀點就是「尋路」功能,若以設計者角度就是「導視」設計。而本文所談的主要是「指示牌 (Signage)」設計的功能檢視。

「尋路」設計有哪些分類?

「尋路」可以說是視覺設計上可以好好用來練功的一個有趣、重要、且又嚴肅的課題,說誇張些,這絕對是使用者導向/中心(User Oriented/Centred Design)的設計手法。「指示牌 Signage」是在許多公共空間中都很常見的視覺設計成品。無論是開車到旅遊景點,或者身處於台北火車站、百貨公司……等公共空間,在行進的途中,都會需要指示。而無論是在高速公路、省道、台北車站大廳,都會看到指標;這些指標通常都是簡潔的視覺化圖文,基本上分為下面幾類,在本文稱為「尋路資訊視覺設計系統」:

  • 資訊標示(Information Signs):提供更細節的圖文資訊,以利使用者閱讀、參考其內容。像是提款機上方或機體上的「功能列表」、百貨公司 Kiosk 導覽機螢幕上各樓層「商家列表」、或者高速公路上標示距離。
  • 方向標示(Direction Signs):提供圖像指示方向(通常是箭頭),以利立即判斷後續的行進方向。像是火車站大廳標示台北捷運站、桃園機捷站方向的「箭頭」,或者是停車場懸掛或地板上地面指示行進路線的「箭頭」。
  • 識別標示(Identification Signs):提供圖像與名稱識別,以利立即辨別確定目標地點。像是百貨公司中的「電梯」、「電扶梯」、「廁所」標示,或者是提款機上方或機體上各家銀行的「企業標誌與名稱」。
  • 警告標示(Warning Signs):提供警告標誌訊息,以作示警用途,通常在設計上會掌握通用、易懂、鮮明等特點。
即使上圖是國外使用的路標,但設計原則都相同,辨識方式亦相通。圖/shutterstuck

這些不同類別的圖文指標,都是協助使用者「取得必要服務」或「到達想去地點」的視覺設計成果(設計簡潔易懂有效益的標示真的不容易)。相信大家都有經驗與體會,那就是這些指標並非總能提供有效的協助。所以說,問題到底在哪裡?這篇分享就是希望透過這部分去探討清楚。

越大的空間越容易迷路:指標如何設計?

基本上「尋路(Wayfinding)」在設計概念與做法上是被視為一種「資訊設計系統(Informative Design System)」是為了創造「環境易讀性(Environment Legibility)」,也就是專注在如何透過視覺設計,提供使用者路線指標(設計端),並強化其空間經驗的理解(使用端)。這系統相當的重要,因為「設計端」與「使用端」必須在摒除認知與資訊落差的情況下,才能讓「資訊設計系統」 成品達到應有的效果。

-----廣告,請繼續往下閱讀-----

因為一旦有了不必要的權傾,出現落差,嚴重者會無法遂行使用目的,像是:無法找到地點、無法取得服務等等;輕者至少會影響到達成/取得的時間,像是:多花了半小時,多走了 500 公尺。這些情況都是「設計端」與「使用端」都不願意看到的。

在概念上,「尋路」既然是種空間經驗的理解與解決能力,所以在空間中的「環境元素」就特別重要。在應用上,必須理出「尋路」應用與設計上的共用元素,才能有效橋接「設計端」的用意與「使用端」的用途。Kevin Lynch 在 「The Image of the City 」(1960)這本書將環境元素分為以下幾項:

  • 路徑(Paths):在建築中的走廊、通道、電梯,在環境中的街道、人行道、高速公路等等可以提供通行的元素。。
  • 邊緣(Edges):在建築中的牆壁,在環境中的圍牆、河流等造成阻礙無法通行的元素。
  • 地區(Districts):在建築中規劃的特定區域或樓層,在環境中的特定區域,像是東區、西門町、士林夜市等。
  • 節點(Nodes):在建築中的轉角、大廳,在環境中的交叉路口、集合場所等等行進路徑的暫留處。
  • 地標(Landmarks):明顯可辨識,可在遠處提供定位參考的結構或建築。

相信大家都同意,對於許多大型公共空間、商業空間來說,如何提供適當的引導是真的很重要的。應該沒人會想在不熟悉的空間中迷路,也沒有商家能承受顧客迷途無法來店消費的負面效應。然而「尋路難度」卻恰好與「空間尺寸」、「路線複雜」、「導引地點數量」是成正相關的,也就是空間越大、路線越複雜、導引地點越多,尋路難度就越高,這個邏輯與事實其實不難懂。

辦公大樓樓層常見的識別標示、方向標示、與資訊標示。圖片來源

將尋路應用在互動設計系教學:自助導引設計

此外,若換個角度看這個設計用途,試著從互動系教學設計上去看「尋路」對於教與學的功能。那麼,重點會落在「自助導引設計(Self-Guided Tour Design)」上,無論是用於導覽路徑或者是展示動線,視覺設計的功能必須要有特定的規劃,將尋路作為重要的設計技術觀念,或將此概念導入博物館的展示規劃中。

-----廣告,請繼續往下閱讀-----

之所以會有這樣的概念,主要是基於以下幾個理由:

  • 以「尋路」技術與概念為主體的設計,與許多場域的「導覽動線」的規劃概念是相通的。
  • 「尋路」技術與概念很適合作為設計訓練課程,特別是在「標示視覺設計(Sinage Visual Design)」的教學與測試。

在展覽場域實施「尋路」式視覺設計前,也必須將空間進行拆解,分析並理出其環境元素。Kevin Lynch 的環境元素,應用在展場空間識別與動線規劃中的表現:

  • 路徑(Paths):在展場中的動線、通道等等可以提供通行的元素。
  • 邊緣(Edges):在展場中的牆壁、展品區等阻礙或無法通行的元素。
  • 地區(Districts):在展場中的特定主題展區。
  • 節點(Nodes):在展場中的展品、展櫃、展架等,在展區被設定暫留欣賞展覽之地點。
  • 地標(Landmarks):大型、獨立、明顯可辨識的展間或展櫃,可在遠處提供定位參考。

將「尋路」運用於導覽規劃

而能具體實現「展場動線規劃」與「展覽故事內容」的,無疑就是「導覽」,「導覽」就像是敘事(Narrative/Storytelling)的引導式線性架構,也具有「尋路」的特徵。Othman、Petrie 與 Power (2013)的研究將目前常見的導覽類型分為「隨選型(free tour)」與「引導型(guided tour)」兩類,而且透過實驗,結果顯示「隨選型」較具有互動品質(quality of interaction);而「引導型」則有較佳的學習性與控制性(learnability and control)。

所以在導覽實施上,因為「引導型」架構具起始與結束的故事軸引導效果,所以適合主控路線行進,但在導覽歷程中,則應適時導入「隨選型」形式,由觀者自由嘗試、探索。如此才能兼擅兩種形式的優點。

-----廣告,請繼續往下閱讀-----

其實展覽就像說故事,一個段落,一個情節,就像由幾個別具興味的「節點」,而順著情節發展移動,留下的足跡就串連成「故事線」,這隱隱然的「故事線」其實既是策展單位心中的「展覽動線」。而且從結構分析的角度來看,故事也是可以被結構化的。

ML Ryan (2001)在《Narrative as Virtual Reality: Immersion and Interactive in Literature and Electronic Media》一書中提出九種「具尋路設計之互動敘事結構」,雖然 Ryan 的理論主要是用來架構在故事敘事理論形式上的,但是其中所見的空間與路徑分析,也很適合做為具有「路徑」、「節點」等元素的「展區導覽」去使用。像是 Ryan 所提出的迷宮(The Maze)架構,在他的「時間敘事」與「空間敘事」兩大分類上,是屬於偏向空間類的,而且此結構可自成一個迴路,使用者可雙向來回,且有設定開始與目標機制,是比較具有任務性質的導覽動線結構。而史詩漫遊(Epic Wondering)架構則是開放式的空間體驗,比較不具有起始點限制,可任意地在空間中遊走體驗。

這樣的敘事架構形式對於「展區動線規劃」與「尋路視覺設計」都有幫助的。前面所談的「標示 Signage」設計與應用其實都是重要的輔助工具。

Ryan 所提出的「史詩漫遊」架構。圖/WeiXuan_Zhao
Ryan 所提出的「史詩漫遊」架構。圖/WeiXuan_Zhao

此外,就像前面提到的「迷宮」互動敘事架構,在密室脫逃的設計上,也有學者做過結構分析,就像下面的圖。共分為「開發式(Open)」、「序列式(Sequential)」、「路徑式(Path-Based)」,其共通的重點就是指向式的單一終點/出口,透過密室脫逃玩家一一突破各種設計過的謎題、機關去找到最後出口或破解所有謎團。

密室脫逃的路線設計架構分析圖。圖/Huonepakopelin projektinhallinta

如果套用 Kevin Lynch 所提出的環境元素,並且從「尋路」為目的之「資訊設計系統 Informative Design System」檢視下面所見到的密室脫逃架構。就會發現密室脫逃架構其實是在「路徑」的每個「節點」設計上,試圖把「節點」變成「牆壁」,反向的阻礙「尋路」目的的遂行,這是相當有趣的差異。

-----廣告,請繼續往下閱讀-----

將「尋路」觀念導入展場設計細節

「資訊標示」、「方向標示」、「識別標示」、「警告標示」等等「尋路資訊視覺設計系統」是「尋路」用以協助使用者去強化空間理解的視覺標示類別,這些不同類別的標示透過視覺設計手段完成,也肩負不同的資訊指示功能。但是目前在使用上,卻往往因為少了空間環境元素的思考,所以常無法達到協助使用者去理解空間、找到路線的設計目地。

本文以前面所列出的「Kevin Lynch環境元素對於展場空間識別與動線規劃的應用」去分析展區中的「環境元素」(「路徑」、「邊緣」、「地區」、「節點」、「地標」),並且確認「展覽動線/故事線/互動敘事結構」等等所架構出的「線型路線結構」,再將「資訊標示」、「方向標示」、「識別標示」、「警告標示」這幾類視覺圖文標示的製作成果去使用在遂行「尋路」目的上。

「展場視覺設計」項目條列:

  • 資訊標示(Information Signs):在展場提供更細節的圖文資訊,以利使用閱讀與參考其內容。像是展品說明、展覽概述、作者介紹等等。
  • 方向標示(Direction Signs):提供圖像指示方向(通常是箭頭),或是不同展區空間的位置與方向指引。一般展場通常比較少提供方向標示,但適度的「節點(展品)」與「節點(展品)」的引導是有必要的。
  • 識別標示(Identification Signs):提供圖像與名稱識別,以利立即辨別確定展品、展區、主題等內容。
  • 警告標示(Warning Signs):提供警告標誌訊息,以作示警用途。像是展區中的「請勿碰觸」、「請勿越線」、「請勿照相」等標示。

以「尋路」讓參觀導覽者跟隨故事路徑前進

在本文沒有特別碰觸的,是「尋路」的一項重要功能與目的,那就是追求「最短路徑抵達」,要找出需時最短、路線最近的最佳路線。各位點開 Google Map 應用程式,輸入兩個地點,就會得到「需時短、路線近」的幾個路徑選擇。

-----廣告,請繼續往下閱讀-----

而未特別提出的原因,就是因為「參觀展覽」在乎的是「歷時式空間體驗」,也就是說,展覽動線雖然也同樣具有「空間性」與「時間性」,但前面所提的隱隱然的「展覽動線/故事線/互動敘事結構」並非只是追求「空間移動最近」、「時間歷時最短」的優勝路線。因此「尋路」概念與原則施作展區的動線與路徑規劃上,更像是自我在展區地圖中移動,透過與展品間對話足跡,去串聯出一個專屬路線,有自己設定的「起點」與「終點」。

而在「展場設計」上導入「尋路機制」,目的也就在於讓參觀者的「參觀行進路線」可以更接近策展者的「展覽動線/故事線/互動敘事結構」。就像如下的等式:

參觀者的「參觀行進路線」=策展者的「展覽動線/故事線/互動敘事結構」

個人以為具體來說,兼善「引導型導覽」與「隨選型導覽」兩者優點的「展覽動線/故事線/互動敘事結構」,在導覽上效果較佳。就如前面所說:

「『隨選型』較具有互動品質(quality of interaction);而『引導型』則有較佳的學習性與控制性(learnability & control)。所以在導覽實施上,因為『引導型』架構具起始與結束的故事軸引導效果,所以適合主控路線行進,但在導覽歷程中,則應適時導入『隨選型』形式,由觀者自由嘗試、探索。如此才能兼擅兩種形式的優點。」





-----廣告,請繼續往下閱讀-----
文章難易度
活躍星系核_96
778 篇文章 ・ 128 位粉絲
活躍星系核(active galactic nucleus, AGN)是一類中央核區活動性很強的河外星系。這些星系比普通星系活躍,在從無線電波到伽瑪射線的全波段裡都發出很強的電磁輻射。 本帳號發表來自各方的投稿。附有資料出處的科學好文,都歡迎你來投稿喔。 Email: contact@pansci.asia

0

1
0

文字

分享

0
1
0
拆解邊緣AI熱潮:伺服器如何提供穩固的運算基石?
鳥苷三磷酸 (PanSci Promo)_96
・2025/05/21 ・5071字 ・閱讀時間約 10 分鐘

-----廣告,請繼續往下閱讀-----

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。

-----廣告,請繼續往下閱讀-----

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。

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。/ 圖片來源:MotionArray

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)」!

-----廣告,請繼續往下閱讀-----

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。

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。

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。/ 圖片提供:研華科技

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。

-----廣告,請繼續往下閱讀-----

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。

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。/ 圖片來源:MotionArray

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)。

-----廣告,請繼續往下閱讀-----

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。

-----廣告,請繼續往下閱讀-----

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。

-----廣告,請繼續往下閱讀-----
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。/ 圖片提供:研華科技

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

-----廣告,請繼續往下閱讀-----
-----廣告,請繼續往下閱讀-----
文章難易度

討論功能關閉中。