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

好細菌能讓我們的身體發揮重要的功能，但壞細菌卻會溜進我們體內，害我們生病！該怎麼趕跑討厭的壞細菌呢？

這些就是細菌
These are bacteria.

肉眼看不見的細菌，可是五花八門。

細菌是很小很小的生物。
Bacteria are very small living things.

細菌比我們的細胞還要小，但別小看了這群生物。

你的身體裡面跟外面，都有很多細菌，這一大群細菌就叫做微生物相。
Your body has lots of bacteria both inside and outside. This is called your microbiome.

身體若要維持健康，缺不了一群好細菌。

抗生素只對細菌有用，卻對病毒或真菌沒有效，所以沒辦法讓病毒引起的感冒好起來。
Antibiotics only work on bacteria, not viruses or fungi, so they won’t help you get over a cold (which is a virus).

細菌、病毒、真菌可是不一樣的病原體喔。

很多抗生素都會黏住細菌體內稱為蛋白質的特殊小工人。
Many antibiotics stick to special workers in the bacteria, called proteins.
在抗生素的作用下，蛋白質就沒辦法做它們的工作了，例如蓋細胞壁或是閱讀指令。
With the antibiotic in the way, the protein can’t do its job, like building a wall or reading instructions

抗生素的作用機制各異，像是阻止蛋白質工作。

——本文摘自《寶寶醫學院：中英雙語繪本系列套書》（細菌與抗生素），2022 年4月，台灣愛思唯爾出版。

吸菸對健康的危害眾所皆知，許多吸菸者為了身體健康而嘗試戒菸，但戒菸過程卻遇到體重發胖的難題，導致許多吸菸者難以成功戒菸。長久以來，科學家們試圖了解戒菸導致體重發胖的生理機制。

過往研究發現吸菸會讓人沒有食慾，是因尼古丁作用在位在下視丘的尼古丁乙醯膽鹼的受器，改變人類體內能量供需的平衡。一直以來，科學家相信戒菸後體重增加，是因為戒菸後，體內少了尼古丁抑制食慾。

然而，來自以色列魏茲曼科學研究所（Weizmann Institute of Science）的 Leviel Fluhr 卻有不一樣的看法^[2]，他認為抽菸可能也會改變「腸道內的微生物群系」，並且試圖從其差異找到戒菸與體重變化的關係。

腸道內的微生物群系

腸道內微生物群系（microbiome）由上兆的微生物組成，包括病毒、細菌、真菌。這些腸道內的小小居民們其實對主人的健康有很深刻的影響。有許多疾病都被證實和腸道內微生物群系有關，包括自體免疫疾病、過敏、癌症等等^[1]。這些微生物也會影響食物以及藥物在腸道的吸收。

「You are what you eat.」所代表的意義，可能超越字面上的翻譯。我們每天攝取的食物、添加物、環境荷爾蒙，都會改變腸道內的微生物群系。而 Fluhr 正是由這個角度，來探討戒菸之後體重的變化趨勢。

戒菸變胖，不單只是缺少尼古丁而已

在 Fluhr 的第一個實驗中，他們將老鼠分成四組，分別是不暴露菸害、暴露菸害、接受抗生素但不暴露菸害、接受抗生素且暴露菸害。

暴露菸害是模擬人類的抽菸行為，不暴露菸害當然就是模擬從未抽菸的人。其中兩組老鼠還有在實驗介入前使用抗生素，使用抗生素是為了控制老鼠腸道內的微生物群系，更精確地來說，是剔除微生物群系中的「細菌」，以此作為對照組，證明「戒菸後體重增加不單是尼古丁消失」造成的。

最終實驗發現，比起沒有使用抗生素的老鼠，在接受菸害前使用過抗生素的老鼠，暴露後戒斷時期體重增加的趨勢相對比較低，而且差異非常顯著。換句話說，在正常狀況下（也就是沒有接觸抗生素，腸內有菌的狀況下），戒菸後的體重增加與腸道內微生物群系有關。

移植「暴露菸害的微生物群系」，有同樣效果

在第一個實驗確認了戒菸後體重增加並非只是缺少尼古丁，腸道內微生物群系也可能影響體重後，Fluhr 的第二個實驗就決定來測試看看，這些微生物群系的影響有多大：他把先前實驗老鼠的腸道微生物群系（也就是糞便）移植到原本無菌的老鼠體中。

一組是移植「有暴露過菸害的老鼠腸道內微生物群系」，另一組則移植「未暴露過菸害的老鼠腸道內微生物群系」。移植了先前接觸過菸害的老鼠的腸道菌叢後，被移植的老鼠體重增加的幅度，大於移植了未暴露過菸害的老鼠的腸道菌叢。

• 延伸閱讀：擁有「長不胖」的腸道菌相，跟基因缺失有關！？
• 延伸閱讀：要解決肥胖，先了解你的微生物朋友吃什麼──《微生物的巨大衝擊》

微生物菌叢的代謝差異，是戒菸者變胖的主因

上述的實驗結果表明了尼古丁在下視丘的抑制食慾訊號，並不是戒菸後體重增加的唯一解釋，腸道微生物群系的差異也是原因之一。

Fluhr 為實驗結果提供了新的說法。暴露過菸害的微生物菌叢產生了許多不同的代謝產物，部分的代謝產物能幫助個體由攝取的食物中提煉出更多可利用能量。

其中，一種名叫二甲基甘氨酸（Dimethylglycine）的分子，就是這些代謝產物的一員。二甲基甘氨酸是甘氨酸（Glycine）的衍生物。食物中的蛋白質在腸道消化後，分解成各式多肽，進一步再被分解成胺基酸，而甘氨酸就是其中一種胺基酸。菸害會讓腸道內促進二甲基甘氨酸生成的酶增加，令二甲基甘氨酸變多。

實驗發現，暴露了菸害的老鼠，血清中的二甲基甘氨酸含量比較高。給了二甲基甘氨酸添加劑的老鼠，不論有沒有經過抗生素處理，體重都會增加比較多。相反來說，如果剔除了老鼠們的食物中產生二甲基甘氨酸的前驅物質硫酸膽鹼（choline sulfate），老鼠暴露菸害後的體重增加就沒有那麼顯著。

從腸道微生物組成角度，檢視吸菸對健康的影響

微生物菌叢在暴露過菸害後產生的代謝產物，除了解釋戒菸後體重增加，也可能解釋菸害如何造成其他疾病。

甘氨酸，除了是組成蛋白質的其中一種氨基酸，也是一種組成神經傳導物質的原料。神經傳導物質就是在神經突觸間，接替神經脈衝，傳遞神經訊息的化學物質。當癮君子拿起香菸、將裊裊煙霧吸入肺葉、進入肺泡、擴散入血流，腸道內的菌叢組成就再也不同。而這些腸道內的變化，改變了甘氨酸以及其衍生物的代謝。甘氨酸多才多藝的特性，讓它在腸道內的濃度變化，有如蝴蝶效應般，影響許多不同系統。譬如說，甘氨酸在人體內濃度的多寡，就與糖尿病有關^[4]，甘氨酸的代謝出現異常也會導致神經性疾病^[5]。

儘管有許多動物實驗提供戒菸後體重增加的生理證據，但真正的議題是：如何從動物模型轉到人類臨床現象。目前我們只知道戒菸後體重增加的高危險群是女性、低收入、飲食不良、缺乏運動、重度煙癮者。

逆向思考：運用微生物代謝或可幫助其他疾病

了解菸害的代謝物如何影響戒菸後的體重增加，甚至改變個體的健康後，Fluhr 試著從臨床治療的角度來看這個發現。有沒有可能把老鼠的模型實驗結果帶到臨床醫學，突破醫學瓶頸呢？就戒菸後體重增加的現象來說，只要改變這個微生物叢的變化，這個現象就可能有解！

譬如說，如果做出可以降低甘氨酸前驅物的藥物，或是發明可以降低微生物菌叢產生的代謝物的療法，戒菸後的體重增加可能就不復存在。從另一個角度切入，如果之後的實驗，破解出到底是哪些代謝物質重塑了腸內菌叢，並且由香菸中剔除這些物質，也可能是解法之一。

從另外一個完全相反的思維來看，對於急需增加體重的人，這些代謝物質可能是這群人的神藥。舉例來說，因為被癌症侵襲，而體重直直掉的病人（惡體質），就可能很需要這些代謝物質。

Fluhr 的實驗讓戒菸後體重增加的現象有新的解釋，他把焦點由先前的尼古丁在腦中的作用，轉移到腸內的菌叢組成。不僅如此，他的實驗更開啟了除了體重變化以外，香菸對健康影響的新的討論方向，並且不落窠臼的從臨床角度出發，企盼由老鼠實驗，解答戒菸以及體重變化的難題。

延伸閱讀：菸煙相報何時了？關於香菸、加熱菸和電子煙你該知道的事

1. The gut microbiome​​
2. 以色列魏茲曼科學研究所
3. Metabolomics in Prediabetes and Diabetes: A Systematic Review and Meta-analysis
4. Chapter 21 – Disorder: Glycine encephalopathy
5. Gut microbiota modulates weight gain in mice after discontinued smoke exposure