來認識醫療新招式「細胞治療」及「基因治療」：在台灣的發展還需哪些政策配套？

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

俄羅斯西伯利亞的科學家，於 2023 年 1 月的《科學報告》（Scientific Reports）期刊上，發表了一些看似能防止烤雞的外皮過焦，同時確保內部肉質鮮美多汁的技巧。比方說，一般作法「由外部加溫很危險，不是每次都能得到正向的結果…」。若改用微波，則「所需的溫度相對不高」，但要力求整體均衡，「不能只有外層受熱」。遺憾他們說了半天，卻跟食物無關，其實是在介紹如何安全又有效地，用特製的微波裝置，治療凍傷患者的四肢。^[1]

微波的對象與裝置

就像料理烤雞，得先弄來雞隻和烘烤的設備；進行這項研究前，需要滿足兩個條件：

1. 招募凍傷的人：在氣候冷冽的西伯利亞，要造成凍傷，難度並不高。不過，根據《赫爾辛基宣言》（Declaration of Helsinki），人體試驗應該符合倫理，將志願者可能受到的傷害降至最低。^[2]不能隨便把人往雪地扔的研究團隊，在當地 Tomsk 市的 2 家醫院守株待兔，期望意外凍傷的人自己找上門。2018 至 2021 年間，每年的冬季他們都耐心等候，總共蒐集到 14 名超過 20 歲的男性，簽署受試同意書。^[1]
2. 製作微波裝置：研究團隊精心打造的裝置（下圖），簡單來說，就是一台方便手腳伸進去加熱的微波爐。前面的圓形入口，包覆著具隔絕效果的金屬材質，以保護傷患與研究人員，免於非必要的輻射暴露。此裝置的微波頻率為 2.45 吉赫（GHz）；而功率可達 200 瓦特（watts；簡寫 W），即每秒產生200 焦耳（joule；縮寫 J）的熱能。^[1]換句話說，頻率與家用微波爐無異，功率卻低了數倍。^[3]

由於研究團隊只想幫傷患加溫，沒有要煮熟他們的意圖，便設定開到 60 瓦特。再加上操作時，會喪失些許熱能，最後傷患實際接收到的，大約僅有 30 至 40 瓦特。每個患部加熱 1 至 3 次，每次 30 分鐘。雖然感覺微溫，但不至於難受。9 名傷患接受上述治療；另外 4 個嘗試了不同的功率；還有 1 人則是時間長度減半。^[1]

加溫的原理

平均而言，當人體組織的溫度低於攝氏 15 度左右，血液和淋巴循環會停止。身體各部位略有差異，手指的下限是 19 度；而腳趾為 15 度。為凍傷患者回溫時，目標溫度大約是 20 到 25 度上下，要觸及整個患部，而非僅有表層。讓身體恢復運作，才能透過循環，順利輸送藥物。以往從外部加溫的作法，會舒張表層血管，卻容易在深層血管收縮的情況下，導致壞死和截肢等問題。相對地，低功率的微波可以穿透到組織深層，逐漸舒張血管，促進血液與淋巴的循環，不會有上述副作用。^[1]

凍傷的等級

凍傷依照程度，可以分為 4 個等級：^[4]

1. 第一級：麻木、脫屑、感覺異常、中央蒼白，以及周圍水腫或紅腫。^[4]
2. 第二級：起水泡，周圍紅腫或水腫。^[4]
3. 第三級：失去整層皮膚組織，還長了出血性水泡。^[4]
4. 第四級：不僅皮膚，連深層組織都喪失了。^[4]

微波的療效

此研究受試者的凍傷程度涵蓋上述四級，治療時除了微波，也採用標準療程的消毒與藥物，並視情況選擇是否手術。整體來說，科學家對微波相當滿意，覺得能降低截肢的機率。此外，雖然第一、二級的傷勢輕微，效果比較不明顯；但是他們認為無論初步評估的凍傷程度，每個傷患最好都要接受微波。因為診斷難免失準，若因此錯過治療時機，實在得不償失。^[1]

既然如此，未來遇到凍傷患者，是不是都該抓來微波一下？儘管研究證明了科學家的假設似乎可行，目前的受試者就區區幾名男性，不足以建立一套完善的操作指南。臨床上不同體型、年紀或性別的傷患，或許適合不同功率或時間長度的微波治療。這些都有待將來進一步試驗，才能推廣運用。^[1]

1. Dunaevskiy G, Gavrilin E, Pomytkin A, et al. (2023) ‘Reduction of amputations of frostbitten limbs by treatment using microwave rewarming’. Scientific Reports, 13, 1362.
2. ‘WMA Declaration of Helsinki – Ethical Principles for Medical Research Involving Human Subjects’. (06 SEP 2022) World Medical Association.
3. ‘Radiation: Microwave ovens’. (01 JUN 2005) World Health Organization.
4. Basit H, Wallen TJ, Dudley C. (27 JUN 2022) ‘Frostbite’. In: StatPearls. Treasure Island (FL): StatPearls Publishing.

在澳大利亞的兒童派對上，常出現一種繽紛奪目，胖死人不償命的點心，叫做「仙子麵包」（fairy bread）。

其做法相當簡單，就是在吐司上塗奶油，灑滿多彩糖珠（nonpareils），再切成三角形^[1]。美食與食譜網站不時會介紹它的各種華麗變體，例如：「仙子漢堡」、「仙子蛋糕」等^[2,3]。

不過，現在有個美國的創新版本，卻是抱著救世的精神，榮登科學期刊。

偽造藥品極難分辨真偽

偽造和不合格的藥品，不僅在全世界害人無數，每年還造成 2 千億美元的經濟損失。開發中國家所受的影響尤為嚴重，國際衛生組織（World Health Organisation）估計當地 1/10 的藥物都是假貨^[4]。仿冒藥品和印刷偽鈔的概念雷同，正邪雙方拼的是製造和辨識的技術。

就拿澳洲藥物管理局（Therapeutic Goods Administration）官網上的照片來說，三粒外觀神似的輝瑞（Pfizer）藥丸齊聚一堂，令人看了直呼真假難辨^[5]！就算仔細觀察它們的形狀、顏色、拼字與外包裝，又有幾個普通民眾看得出哪幾粒不能吃？

目前幾種藥物防偽技術，雖然理論上可行，但實際操作起來，多少都有缺點。比方說：

1. 在膠囊上壓印（indentation）一串編碼，再用特定的閱讀器來解碼^[4]。
2. 於每粒藥丸上印QR code，然後拿顯微鏡辨識^[4]。
3. 大幅改動原本的製藥程序，用螢光墨水或微模成型（micro-moulding）產生QR code，再透過智慧型手機的相機讀取^[4,6]。
4. 調整製藥配方，在藥物外層的膜衣（film-based formulations）印上識別^[4]。

這些方法都勞師動眾，不易普及。

業界的福音「糖果代碼」誕生了

正在業界苦無新法之際，2022 年 5 月 6 日《科學報告》（Scientific Reports）期刊，發佈了〈糖果代碼：一種簡單、普遍、獨特、可食用，且能確認藥物真實性的識別〉^[4]。該文作者美國科學家 William H. Grover，彷彿以「灑水觀音」之姿，慈悲地潑灑糖珠，祈願杜絕偽藥氾濫，並就此解救天下蒼生。

首先，他把撒糖珠的動作，輕鬆地加到現行的製藥程序裡。不管藥廠做的是藥丸、藥片或膠囊，沒有糖珠附著不了的固體。當糖珠被隨機揮灑，便會在固體表面形成獨特的圖案。就像沒有一塊「仙子麵包」長得完全相同，每粒裹上糖珠的藥丸從此也有了個人專屬的外表。儘管它們不會因此引領時尚潮流，但至少宛如 QR Code 附體，有了獨一無二的「糖果代碼」（CandyCodes）^[4]。

接著，所有換上新裝的藥丸，在離開藥廠之前，都要來張個人紀念寫真。透過攝影，單一藥丸上每顆糖珠的位置與顏色，都將被記錄在藥廠的資料庫中。若嫌圖檔不好用，也可以將糖珠的排列組合，編成字串以利存取。如此一來，當藥丸抵達消費者手中，後者只要用手機拍照上傳給藥廠，就可以比對「糖果代碼」，為藥丸驗明正身^[4]。

至少可以創造出10¹⁷ 組不會重複的糖果代碼

說到排列組合，學過「庭院深深深幾許」的讀者，是否好奇「糖果代碼」的各種可能性，夠不夠應付藥廠的龐大出貨量？科學家 William H. Grover 採用每顆 2.3 毫克，8 種不同顏色的糖珠：深藍、淺藍、紅、粉紅、綠、橙、黃和白色。每顆能編寫 3 個 2 進位（2³=8）位元的資訊，於是 1 公斤的糖珠就可乘載 130 萬位元的資訊量。此外，糖珠的售價相當便宜，1 美元能購買 2 萬 9 千顆糖珠^[4]。

由於糖珠是隨機地包覆在藥丸外層，排列組合的結構，比 1D 的條碼和 2D 的 QR code 複雜。美國科學家 William H. Grover 用 Python 語言，寫了個程式來將每張藥丸的照片，轉換成一條條二進位的代碼字串，再計算可能性的總數。經過一番努力之後，他推估這個做法，足以創造 10¹⁷ 組不會重複的「糖果代碼」。如果還是擔心數量不夠，也可以使用更多顏色，或不同形狀及尺寸的糖珠，來增加排列的組合^[4]。

當然，科學家的野心絕不侷限於製藥，否則跟只會做或吃「仙子麵包」的販夫走卒，又有何差異？William H. Grover 認為「糖果代碼」的概念，將來還可以被運用在其他產品。例如：於瓶蓋或其他包裝上，黏貼彩色的小粒子，來遏制盜版^[4]。雖然他的願景才剛被《科學報告》期刊公諸於世，但將來或許就真的被廠商採用了。到時候市面上，便會充斥著各式各樣的仙子商品。

1. Meanings and origins of Australian words and idioms (Australian National University, 2017)
2. Fairy’s Burger at Mary’s (Gourmet Traveller, 2016)
3. Fairy bread cake (SBS)
4. CandyCodes: simple universally unique edible identifiers for confirming the authenticity of pharmaceuticals (Scientific Reports, 2022)
5. How to spot a counterfeit medicine (Therapeutic Goods Administration, 2020)
6. Drug-laden 3D biodegradable label using QR code for anti-counterfeiting of drugs (Materials Science and Engineering: C, 2016)