英國和歐盟食安簡史│食安簡史3：盟友與豬隊友

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 家樂福食物轉型計畫 委託，泛科學企劃執行。

• 文／陳彥諺

你喜歡吃香蕉嗎？香蕉是台灣人從小到大非常熟悉的水果，不僅方便攜帶、營養價值豐富，更符合現代的養生概念，很適合健身者、節食者。不過，你是從哪裡買到香蕉的呢？
你知道現在已經有專屬香蕉的「驗證」了嗎？

從以前到現在的台灣「蕉傲」

為什麼香蕉也有驗證？在談到驗證之前，首先讓我們聊聊過去。

作為常見的、隨手可得的水果，香蕉不只是台灣重要的水果產業之一，也是全球重要的經濟果樹及糧食作物。在巔峰時候，香蕉曾經是全球產量最多的水果，經濟價值非常高，僅次於蘋果、柑橘及葡萄，而糧食重要性也僅次於小麥、稻米和玉米。

而我們的台灣，曾經有「香蕉王國」美名，當時因爲產量大，加上風土及氣候適合栽種，台灣種植出來的香蕉特別好吃，價格和出口銷量的成績都非常亮眼。在香蕉的黃金年代中，台灣東西南北都有種植。

只是，雖然台灣是香蕉王國，外銷成績乍看亮眼，但蕉農的辛苦卻很少人知道。行話裡有種說法是「種蕉如賭」，因為種植香蕉必須靠天吃飯，將蕉苗種下之後，接著蕉農便得對賭著天氣、氣候環境、市場狀況——如果自然條件不佳，會導致收成慘澹，不過，若整體銷量過剩，也將造成價格大跌。又如果非常好運，成功撐過上述的局面，最終在進入市場銷售前，還將面臨到中盤、行口（台語）的層層轉手。作為一個蕉農，有太多變數不能掌控，收入也因此起伏不定。

吃好蕉！守護蕉農大行動！

台灣香蕉，從過去的出口黃金年代，邁入今天的另一個美好時代。如今，香甜軟糯的台灣香蕉，仍然是我們生活中的重要存在。

今天的台灣，因為經歷了多次爆發的食安問題，消費者越來越注重食品安全。與此同時，農民們仍然有收入穩定的需求。要如何平衡這兩點呢？

家樂福認為，比起讓蕉農單打獨鬥，有另一個能兼顧農民與消費者雙方利益的方法，那就是以賣場的力量，支持小農。家樂福賣場內，只販售通過驗證的香蕉，藉由驗證，不僅可以做到產地溯源、驗證履歷，鼓勵且支持小農轉型，讓蕉農可以專注栽種，不需擔心後端銷售問題，同時，顧客也能藉由驗證得知透明資訊，進而安心選購。

四大金蕉：履歷蕉、有機蕉、金蕉伯、石虎香蕉

家樂福的香蕉驗證共有四大種。家樂福的「履歷蕉」，是從雲林到屏東產區中挑選出來當季的、品質最優良的香蕉，並且全產品都需具備「產銷履歷（TAP）標章」，也需要遵循「家樂福農藥規範」，履歷蕉的每一根香蕉，都有其栽種來源、用藥是否符合歐盟標準的紀錄，且只有在經過政府委託的第三方驗證機構定期抽檢合格後才能販售。

「家樂福 BIO 有機香蕉」則是來自全台最大的「有機驗證（Organic）」香蕉農園，位於屏東。「有機」的標章並不好取得，蕉農必須以全天然農法栽種，不施化肥、不催生催熟，以人工除草代替除草劑，讓土壤是自然健康的狀態，健康的土壤所種植出來的香蕉，除了來源健康，口感香氣也特別好。

「金蕉伯履歷香蕉」不是一個人，而是一群人！10 多年前，家樂福已開始在全台各地找尋志同道合的農友，終於在雲林遇到願意為食品安全及環境永續共同努力的蕉農，後來更成為長期契作的對象。他們以友善農法耕種，呵護土地，種出好蕉。

「石虎山蕉」則是南投中寮的一群農友。他們為了保育瀕臨絕種的台灣保育類動物石虎，不擴大農地面積、不使用化學肥料及除草劑，保留給石虎一塊乾淨、安全、友善的棲息地。

家樂福的 Act For Food 食物轉型計畫

家樂福與民生息息相關，通路可以單純只是販售點，也可以帶來改變、產生力量。因此，家樂福推動食物轉型計畫，希望建立起與農民、農民團體相互信賴的合作連結，藉由大量計畫性種植、保證收購降低平均成本，一來讓農民能獲得合理的農務所得，二來讓消費者能以合理價格買到安全的食物，三來，通路能成為穩定供貨的角色。

買香蕉選擇家樂福香蕉驗證，不僅食得安心，更是以行動支持在地農民。家樂福相信每個人都值得最好的，以家樂福 AFF 食物轉型作為領航，一同創造友善農民、土地、消費者的共好模式。

家樂福以行動，開創對所有人與土地共生共好的食物轉型模式，也邀請大家一同參與支持。

• 深入瞭解四大金蕉：https://bit.ly/392kTrP

被《紐約客》（The New Yorker）稱為「冰女」（Ice Woman）的科學家——瑪麗．恩格爾．彭寧頓（Mary Engle Pennington；1872－1952），是美國著名的細菌化學家，同時也是一名製冷工程師。

出生於田納西州的彭寧頓，出生後不久便舉家搬往賓州費城生活。彭寧頓的童年生活很豐富，她的父親熱衷於園藝，也鼓勵她一起協助栽種、熟悉各類植物；除植物外，周末彭寧頓會和母親逛市場，有時還會去農場挑選肉品，她便會在一旁觀察，也是在這時她注意到了，夏天滿是農產品的攤位，一到冬天卻什麼都沒有。

「女性」在化學這條路上受到的阻礙

十二歲時的小彭寧頓在圖書館找到了一本醫學化學教材，身為一個對書籍狂熱的閱讀者，努力吞下了對當時的她而言是非常艱澀的內容，她便察覺到，是那些肉眼看不到的化學元素構成了周遭的一切，甚至維持生命所需。

「突然，有一天，我意識到，儘管我無法觸摸、品嚐或聞到它們，但它們確實存在。這是一個里程碑，」彭寧頓說，「我領悟到了世界的真實性。」

這引起了彭寧頓的興趣，她便向私立女子學校的校長詢問，是否願意提供化學講座。由於當時科學被認定不是適合年輕女性的學科，因此校長感到震驚並拒絕了。不過高興的是，彭寧頓的家人非常支持她的新興趣。

十八歲的彭寧頓找到了賓州大學的科學學院院長，詢問是否能能提供就讀名額，在當時的院長與化學系教授支持男女同校下，她順利取得了入學允許。

1890 年，彭寧頓進入賓夕法尼亞大學攻讀化學，同時也輔修了植物與動物學，彭寧頓在短短兩年內完成了學士的學位要求，包括化學、植物學、動物學、細菌學。畢業時，彭寧頓是班上唯一的女性，但礙於當時賓大沒有授予女性學位，因此她僅能獲得修業證書，而不是像她的男性同學那樣獲得學位。

不過這並未澆熄彭寧頓的熱忱，彭寧頓無視所有對她的歧視，並繼續埋首於化學研究生涯，具有天賦的她，在短短三年內發表了一篇關於化學元素鈮（columbium）和鉭（Tantalum）的衍生物論文，靠著這份成就，也讓彭寧頓在 1895 年時，取得賓大的化學博士學位，這件事對當時（對現在應該也是 XD）而言堪稱壯舉，沒有學士學位，卻擁有了博士學位。

然而，對她，對一位女性科學家的偏見與歧視並未因此消失。

隨後彭寧頓很快就察覺，化學專業對女性從業者的偏見與在學術界時是相同的，儘管彭寧頓已經是加入美國化學學會的第三位女性，但大多數化學家，包括女性化學家，都認為應將她們的知識和技能應用於當時被認為更「女性化」的領域。

但彭寧頓堅持選擇純科學。

從純科學走向社會

之後，彭寧頓陸續在賓大擔任研究員，又在耶魯大學攻讀了生理化學，但她也不斷意識到，社會對於受過良好教育的女科學家認可及需求並不高，並開始思考著如何推廣她的科學工作。為此，她在費城創立了臨床實驗室，為醫生提供良好的實驗室資源，以利於進行準確的細菌學分析，而後也在賓夕法尼亞女子醫學院任教，教授生理化學，並指導該校的化學實驗室。

1906 年，彭寧頓被任命為新成立的費城衛生和細菌學實驗室主任。此時的彭寧頓也修改了目標，她希望能用科學來改善社會，而不是在只在實驗室裡專注於純科學。她任職後的第一份工作是：根除可能傳播致命疾病的不純牛奶。然而當時還沒有相關法規或標準，她考量到公眾對食品加工廠不衛生條件的擔憂，及製作過程中是否受到汙染，並建立起第一個全國通用的牛奶和乳製品檢驗及保存標準。

而後，彭寧頓成功地改善了食安問題，並在教育公眾了解食品中污染物的危害方面發揮了關鍵作用，與此同時也為她之後的製冷研究埋下了種子。

為製冷技術和食品保存奠下基礎

1907 年美國農業部（USDA）化學局（即為食品和藥物管理局 FDA 的前身）局長哈維·威利（Harvey W. Wiley）鼓勵她為政府研究食品冷藏保存的方法。

隔年威利任命彭寧頓擔任美國農業部化學局食品研究實驗室的負責人，這也讓她成為了化學局裡第一位女性實驗室負責人。

彭寧頓帶領研究員設計了食品工業的各個方面技術，如倉儲、包裝和配送等，該實驗室成為了食品處理及儲存研究的核心，特別是在防止雞蛋、家禽和魚類腐敗方面。

彭寧頓在參與冷藏車運輸研究的期間，開始對製冷機械產生興趣，並開始改良冷藏倉儲與推廣食物保存的相關知識。她對冷藏倉儲的改良十分出色，許多食品經銷商向她尋求建議，以製定完善的衛生程序，為她的專業知識贏得了尊重。

事蹟

彭寧頓於 1908 年作為美國官方代表，參加在巴黎舉行的第一屆國際製冷大會（她終生參與此會議）。作為唯一的女性代表，雖然她沒有發明製冷，但開發了確保冷藏食品保持新鮮和可食用的程序，並幫助建立了製冷行業，製冷也成了她的主要研究重點。

彭寧頓為許多科學和醫學期刊做出了貢獻，不僅是美國科學促進會、美國化學學會和生物化學家協會的成員，也是費城病理學會等多個學術學會的成員之一。

1920 年，她成為美國製冷工程師學會第一位女性會員，她積極參與了該組織的計劃、教育和出版委員會，1923 年彭寧頓被美國暖冷氣空調工程師學會（ASHRAE）認可為美國最重要的食品冷藏及家用製冷權威，1947 年成為美國製冷工程師協會的會員。

• Encyclopedia.com—Pennington, Mary Engle（1872–1952）
• 維基百科—Mary Engle Pennington