看球賽、去踏青，你有想過那些被踩踏的草皮們嗎？

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

世界盃足球賽進行了將近一半，小組賽結束，賽程進入十六強爭奪八強的賽程。今年度許多比賽結果都大爆冷門，上屆冠軍德國隊在小組賽最後一戰敗給了韓國，讓許多人非常訝異。在這場比賽中，德國隊有許多得分的機會，然而卻不斷的錯失，導致比賽最後出現令人難以置信的結局。

在國際運動場上，比賽往往都是一場定生死，和國內的例行賽相比，國際賽事每一場比賽都很關鍵。在這樣的情況下，運動員平均的能力，有時候反而不再是決定勝負最關鍵的因素了。那麼，到底是什麼特質，能夠讓一個人在大賽當中穩定的發揮呢？心理學家 Weinberg 認為，當選手實力已經夠強大時，一場比賽的勝負，有 95% 取決於選手在關鍵時刻的心理因素[1]。

心理因素並非天生特質，而是臨場發揮時的狀態

而所謂關鍵時刻的心理因素，和一個人的特質是不同的。心理學在研究人的時候，通常會將人分成心理狀態（state）和個人特質（trait），前者是較容易改變的，而後者是較不容易改變的。 為什麼有一些球員，平時表現的成績普通，但是在關鍵時刻（例如滿壘輪到自己打擊時、在比賽最後幾秒鐘發關鍵角球時），總是能表現得特別優異呢？這是因為，他們能夠在這些關鍵時刻，把所有的專注力都擺在與比賽相關的線索之上，忽略和比賽無關的線索[2][3]，他們的自信能夠克服壓力，而讓自己發揮水準。

扣除技術層面後，臨場發揮更是關鍵

那麼這些能夠克服壓力的選手，到底有什麼特質是其他人所沒有的呢？研究正向心理學的 Seligman 認為，這些大賽型的選手，之所以比其他選手能在關鍵時刻表現得好，在於他們面對壓力情境時，能夠用樂觀的態度來看待它。什麼是樂觀的態度呢？Seligman 認為，樂觀的人會用下面三個角度來看待自己[4]：

1.永久性 (permanence)：在看待負面的事情時（如被對方打出一支關鍵安打），會認為只是暫時的，並不會一直輸下去；看待正面的事情時（如在關鍵時刻踢進一球），則會認為自己在未來面對類似的情況時，依舊能夠有這樣的好表現。

2.普遍性 (pervasiveness)：在面對負面的事情時，會認為自己僅僅是在這一件事情上表現得不好而已，並不是每一件事情都做不好（如「我只是這次發球沒發好而已，而不是什麼都做不好的球員」）；面對正面的事情時，則能夠相信自己在其他事情上也能表現得不錯，並不僅僅是運氣好（如「既然我可以完成這個精采的守備，等一下輪到我打擊時，我也能表現出我的實力」）。

3.個別性 (personalization)：在面對負面的事情時，會認為就算其他人來做，要做好的機率也不高（如「要在這樣關鍵的時刻守住12碼罰球本來就很困難，並不是我是個糟糕的守門員」；而面對正面的事情時，則相信自己是比較特別的，能夠表現得比別人好（如「能夠完成這樣關鍵的救球，是我比別的守門員更為優秀的地方）。

然而，問題真的只有這麼簡單嗎？事實上，團體運動和個別運動，確實可能會有差別，畢竟在團體運動當中，我們很有可能受到團隊氣氛的影響，而使得個人的心理狀態受到改變。 Seligman 就曾經研究過大聯盟球隊的勝負，他收集了大量比賽後報導的採訪，一支常勝軍在輸球時，比較會說出像是：「今天對手的狀況實在太好了，無論是誰來打都不太可能打好」這樣的話（永久性：這件事情並不會永遠發生；普遍性：是今天的對手太好了，而非對手本來就是一支強隊；個別性：就算其他人來打，也很難打好，並不是只有我們打不好）。

比賽的類型，也可能會影響選手的心理因素

不過儘管如此，影響選手在比賽中發揮的因素實在太多了。例如國內就有學者提到，運動可以分成「個人性/團體性」、「開放性/閉鎖性（比賽環境受外界因素干擾的程度大小多寡，如棒球比賽就屬於開放性的運動，主客場優勢很明顯；而保齡球比賽則比較不會受到這樣的影響）」，「接觸性/非接觸性（會不會有肢體碰撞）」的運動項目，在不同類型的運動上面，會影響選手心理狀態的因素可能就會有所不同；例如保齡球選手和籃球選手相比，可能就不必考慮在客場比賽時觀眾的噓聲，而觀眾的噓聲可能會影響到選手在比賽時的樂觀程度。

那麼，樂觀與悲觀是否無法改變的呢？關於這一點，答案並沒有那麼悲觀。前面提到，關鍵時刻的臨場發揮，取決於當下的狀態，而非個人的特質，就如同我們時常聽到所謂的「大賽型選手」，越是關鍵的時刻，他就能夠表現得越好。 而這些關鍵時刻的臨場發揮，早在 1983 年的研究就被認為是可以訓練的了：1980 年奧運競賽中，進入決賽的選手，有半數曾接受過心智訓練，而最後得獎的選手，更有66%曾接受過心智訓練。

而就我自己本身而言，就曾經經歷過從棒球場的投手丘上，一步一步地爬起來的經驗：在大三的時候，每次練投時，我總是可以投得很好，但一旦比賽開始之後，我便會擔心自己的球被對手擊出，因而不斷地失控投出保送；但隨著我一次又一次的歷練，後來成功地能夠想法轉換成「這支安打其實也沒多紮實，只不過隊友判斷錯誤罷了」，甚至在比賽後半段，體力耗盡的時候，依然能夠改變投球策略與姿勢，來適應當時的身體狀況。

或許，在剩下的世界盃賽事之中，讀者若有閒暇，不妨翻翻各國的賽後報導，也許更能夠猜出哪一支球隊獲勝的機率比較高喔！ 然而，要如何改變一個選手在關鍵時刻的樂觀程度，那又是許多心理治療論文與學派在探討的故事了。

延伸閱讀

• 1.Weinberg, R. S. (1988). The mental advantage: Developing your psychological skill in tennis. Champaign, IL: Leisure Press.
• 2.Gray, R. (2004). Attending to the execution of a complex sensorimotor skill: Expertise differences,choking, and slumps. Journal of Experimental Psychology: Applied, 10, 42-54.
• 3.Thomas, P. Neumann, D. L., & Hooper, S. L. (2008). Attentional focus and putting performance at different levels of skill development.
• 4.《學習樂觀，樂觀學習》，Martin Seligman著，洪蘭譯，台北市：遠流。
• 5.周文祥（1998）。大專足球運動員心理競技能力之 研究。體育學報，26 輯，73-80 頁。
• 6.鄭溫暖、廖主民（2001）。以質的研究取向―初 探本土優秀運動員的心理特性。體育學報，31 輯，159-170 頁。 7. unestahl l. e.(1983) inner mental training a systematical self-instructional program for self-hypnosis. Oebro, Sweden: Veje.