在氣候變遷的影響下，更要聰明的與水一起生活──《科學月刊》

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 經濟部水利署 委託，泛科學企劃執行。

「30年後，我們將面對更嚴峻的缺水考驗。」水利署署長賴建信接受我們採訪時坦承地說。

近年，全臺西部地區都曾遇過「供五停二」的停水措施，，缺水問題更早已是全球問題。根據 2021 年發表在 Nature Communication 上的論文，2016 年全球有 9.33 億的城市人口面臨缺水問題，約為總人口的 12 %；依據過往趨勢推測，至 2050 年，全球將有 16.93-23.73 億的城市人口面臨缺水問題，相當於 2050 年總人口的 17%-24%。

為什麼全球缺水問題會如此嚴重呢？賴建信署長認為首要是「氣候變遷」改變了降雨強度與頻率，並舉生活中的經驗來說明氣候變遷：

「生活在臺灣地區的我們，會感覺到最近好像很久都不會下雨，然後不下雨的時候很熱，但一下雨，雨滴大到打在身上都會痛。」而近期紐約暴雨造成地鐵淹水癱瘓，也是氣候變遷造成的。

氣候變遷讓降雨更加極端

賴署長說：「可以說以後的降雨會非常集中在特定某幾天。就像剛剛講的，就是突然暴雨，然後接下來一個大乾旱。 」

無論是缺水還是淹水，氣候變遷造成的影響都不容忽視，賴署長表示，不只是降雨頻率會更低，降雨地區也會更加不平均，降雨的強度也會有所提升。

依照聯合國政府間氣候變化專門委員會最糟糕的預測（SSP5-8.5），到了這個世紀中，臺灣暴雨強度會比世紀初提升 20%，世紀末會提升 40%，即便是最優預測（SSP1-2.6），也會在世紀中提升 15.7%。

據上所述，氣候變遷讓全人類無法迴避「降雨不均造成的地區性缺水」，以及「降雨強度提升造成的地區性水災」這兩個問題。雖然個人、企業與政府都為了減緩氣候變遷有所作為，但賴署長也表示，我們該「從科學擁抱殘酷現實，對未來做最壞打算」。

簡單來說，若所有締約國都遵守聯合國氣候變遷大會（COP）的決議完成減碳工作，那氣候變遷也只是不再加劇，並不會立刻恢復到過去的型態，而只要有其中幾項沒有達成，那全世界就得面對更嚴峻的情況。

回到開頭賴署長所說的 30 年，我們還有時間做好基礎建設，降低氣候變遷對人民造成的影響。「從2016年開始，我們就思考這些問題，思考說臺灣未來面對的自然環境，我們應該如何因應、構築一個怎麼樣的未來。所以當時我們就開始思考包括區域調度、多元水源等相關計畫。」

賴署長提到的「區域調度」相關計畫，即是目前正在進行的「珍珠串計畫」。

地區性缺水解決方案—「珍珠串計畫」

「珍珠串計畫」預計把台灣西部像珍珠一樣珍貴的水源，用聯通管線串聯起來，讓珍貴的水資源可以妥為應用。

臺灣降雨時間和空間差異極大，桃園至屏東等西部地區，在 5 月至 10 月是豐水期，11 月到隔年 4 月是枯水期，然而北北基與宜蘭等東北地區，卻是完全相反，10 月至隔年 4 月有東北季風帶來的豐沛雨量，此時若能將東北地區的水調度至西部地區，將能緩解西部地區缺水。而未來面對更加極端的降雨情況，也能提供一定的支援。

珍珠串計畫的聯通管線預計將在 2028 年全數完成，而在 2021 年旱災中搶先開通的「桃園—新竹備援管線」，從桃園每日調度 20 萬噸的水給新竹，在旱災期間總計調度 2300 萬噸，約是 0.6 座寶山第二水庫的蓄水量，不僅讓新竹地區免於限水所苦，也讓新竹科學園區的科技業能維持生產。

不僅管線串聯，更要開創「多元水源」

有了聯通管串聯，就能解決缺水問題嗎？賴署長給出否定答案：「如果只有一種供水方式，突然有意外就完了。當然要有多股水源，多條管線。」

過往開發新水源，直覺想到的是蓋水庫，不過蓋水庫不僅要謹慎評估該地是否有充足水源，考慮安全性及經濟性是否合理，更要謹慎評估對環境生態的影響，通常一座水庫從規劃到興建完成，需耗時數十年的時間。

為了因應氣候變遷與逐步增加的用水量，水利署目前已朝「多元水源」的方式來尋找新水源，像是南化與寶山第二水庫藉由「溢流堰加高」擴增蓄水量，臺中水楠經貿園區淨化污水再利用的「再生水」，以及以及高屏溪的「伏流水」與新竹的「海淡水」，這些多元水源將與水庫水、川流水及地下水等傳統水源共同支撐起全臺用水。

此外，水利署也正想辦法讓洪水資源化，臺灣山高水急，大雨過後的洪水大部分都流向大海，只有少部分可被水庫收集，像是「河槽人工湖」就能增加收集水量，來供應日常使用，或補注超抽的地下水。

地區性強降雨解決方案—從「不淹水」轉變為「耐災韌性」

受氣候變遷影響，近年臺灣短延時強降雨頻率提高，低窪地區或排水系統也時常發生淹水，顯現目前臺灣防洪工程的不足。

過去臺灣由於預算有限，治水策略多以建護岸、堤防或下水道為主，然而這種作法有其極限，即便已完成防洪工程的區域，也未必能面對未來極端降雨的情況，為此，水利署改變過往治水策略，從「不淹水」轉變為「耐災韌性、與水共生」，而在多年來中央與地方政府的聯合推動下，各地開始邁向「逕流分攤」的方式來治理水患。

「逕流」是指下雨時地表土壤無法吸收的水份，在地表形成的水流。「逕流分攤」是在淹水較為嚴重的河段，於新建（或改建）公共設施時，以不妨礙設施功能，建設洪水期間可收集逕流的滯洪池。此外，為提升土地耐淹能力，「出流管制」政策也要求開發單位，必須提升建築物的透水、保水與滯洪能力。

以日本東京鶴見川為例，由於東京市的發展，導致土地保水、滲透能力降低，洪水尖峰流量增加，更容易發生淹水。為此日本將橫濱日產體育館建置成兼具滯洪功能的公共設施，來應對鶴見川的洪峰流量，館場下方的滯洪池高度高達五公尺，平日則作為停車場使用。

「我們希望所有的土地都能更有效地利用，例如我們學校的操場，如果下面是一個蓄水池，那大雨下來是不是就不容易淹水了？」賴署長表示，近期開工的鹿港洛津國小的地下停車場兼滯洪池工程，正是「逕流分攤」的案例。

風暴將至，我們能做好準備嗎？

賴署長略為嚴肅地說：「我不期待氣候型態會回到 30 年前。」並重提了在 IPCC 的最優預測（SSP1-2.6）下，臺灣仍必須在 2050 年面對暴雨強度提高 15.7% 的情況。

無論我們怎麼做，風暴已確定到來，那麼我們能事先做好準備嗎？賴署長說：「我認為我們能做到的，是使用適當的方法趨吉避凶。」隨著科學進步，模擬變得越來越精準，但終究還是預測，存在不確定性，雖然 2050 年最優預測是暴雨強度提高 15.7%，但上限呢？真的就只有前面提到的 20% 嗎？賴署長提醒我們要面對氣候變遷的現實，並在面臨風暴來臨之前做好準備，這個準備不只要能面對預估強度，更要有足夠的韌性，來面對超越預期的情況。

最後，賴署長說：「每個巨大的改變，一定是從一個微小的生活習慣，比如說開始固定運動，或是固定減少能源浪費。」也許現在看來微不足道的小動作，都將是未來的「重要一步」，就像蝴蝶效應一樣。

相信科學數據，擁抱不確定性，積極做出因應，這不僅是賴署長個人的想法，也是水利署全體的信念，唯有如此，才能在超乎預期的「風暴」來臨之前，做出最好的選擇。

• 全球水資源：三分之一人類「高度缺水」 – BBC News 中文
• Future global urban water scarcity and potential solutions | Nature Communications

• 本文與台灣科技媒體中心合作，內文經泛科學改寫。
• 本文轉載整合自台灣科技媒體中心《「刺胳針研究：英國Omicron和Delta的住院、死亡風險比較」解析》
• 資料更新至 2022 年 4 月 8 日，完整文章請見上方連結

2022 年 03 月 16 日，國際期刊《刺胳針》（Lancet）刊登一篇研究「Comparative analysis of the risks of hospitalisation and death associated with SARS-CoV-2 omicron (B.1.1.529) and delta (B.1.617.2) variants in England: a cohort study」，主要是想透過英國衛生安全局（UKHSA）的 COVID-19 國內確診數據，分別從就診、住院和死亡的數據上比較相對風險，了解 Omicron 相較於 Delta 的嚴重程度。

這篇研究，是由英國劍橋大學的湯米・尼伯格教授（Tommy Nyberg）團隊，收集 2021 年 11 月至 2022 年 1 月間，英國國內監測 COVID-19 感染後的確診數據，並比較 Omicron 和 Delta 對不同年齡階段、不同免疫狀態的人群感染的嚴重程度，包括就診、住院治療及死亡風險的變化。

mRNA 疫苗保護力強？

其中在比較 mRNA 疫苗施打的結果上，研究發現，施打 mRNA 疫苗加強免疫系統，對防止 Omicron 的住院和死亡，具有高度保護作用。

數據顯示，「有施打 mRNA 疫苗」發生住院與死亡的風險比值（HR）是「未施打疫苗」的 22%。（HR for hospital admission 8–11 weeks post-booster vs unvaccinated: 0·22 [0·20–0·24]）也就是與「未施打疫苗」相比，「施打 mRNA 疫苗」的 8 到 11 週後，發生住院的風險下降了約 78%。

解讀時，要注意！

該研究是在比較「施打 mRNA 疫苗」與「未施打疫苗」發生住院與死亡風險，使用的是風險比（Hazard Ratio, HR），是指在相同時間裡兩個風險率的比值。

如同前面提到，在 Omicron 的研究結果中，「有施打 mRNA 疫苗」會發生住院與死亡的風險，是「未施打疫苗」的 22%。意思是與「未施打疫苗」相比，「有施打 mRNA 疫苗」發生住院的風險下降了約78%。

這邊的 22%，是來自「有施打 mRNA 疫苗」 vs. 「未施打疫苗」兩個群體，發生住院狀況的風險比值，而不是指「未施打疫苗者」發生重症與死亡的發生率。也就是說：「400 萬人未施打疫苗，其中會有將近 80 萬人重症或死亡。」這是錯誤的歸納且與該研究觀察結果無關。

此外，我們也無法透過上述的風險比較，回推「未施打疫苗」群體，發生重症或死亡的比例。