防範未然總好過亡羊補牢,這道理大家應該都知道;不過市面上的腳踏車鎖大多都構造簡單,不管是破解還是破壞車鎖對竊賊來說都不難,該怎麼選擇車鎖才能有效對抗可惡的小偷?來看看由范承宗、鄭宇庭設計的這款Pedal Lock踏板鎖,兩塊踏板本身就是車鎖,拆下來後可以分別由車輪兩側嵌合、用鑰匙鎖上。相較於傳統的彈簧鎖、U型鎖或密碼鎖,Pedal Lock使用只需多花幾秒鐘的時間,但對於想破壞車鎖(或者說是踏板?)的小偷,恐怕真的是踢到鐵板了!
本文來自Trr. 特誌
防範未然總好過亡羊補牢,這道理大家應該都知道;不過市面上的腳踏車鎖大多都構造簡單,不管是破解還是破壞車鎖對竊賊來說都不難,該怎麼選擇車鎖才能有效對抗可惡的小偷?來看看由范承宗、鄭宇庭設計的這款Pedal Lock踏板鎖,兩塊踏板本身就是車鎖,拆下來後可以分別由車輪兩側嵌合、用鑰匙鎖上。相較於傳統的彈簧鎖、U型鎖或密碼鎖,Pedal Lock使用只需多花幾秒鐘的時間,但對於想破壞車鎖(或者說是踏板?)的小偷,恐怕真的是踢到鐵板了!
本文來自Trr. 特誌
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。
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!
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。
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。
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。
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。
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。
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
討論功能關閉中。
本文轉載自中央研究院「研之有物」,為「中研院廣告」
自古流傳許多描述「偷竊」的成語,信手拈來就有偷雞摸狗、順手牽羊、樑上君子,這是否說明古代常發生竊盜案呢?細看清代司法類檔案,竊盜案數量的確居於首位,為何竊賊在當時如此猖獗?
中央研究院 111 年胡適院長科普講座邀請院內近代史研究所巫仁恕研究員,以「歷史學與犯罪學的相遇:19 世紀中葉竊盜犯罪的分析」為題開講,應用歷史犯罪學發掘清代竊盜案中令人意想不到的現象!
翻開明末小說《二刻拍案驚奇》,傳奇俠盜「一枝梅」瞬間抓住眾人目光,只見他出入如鬼神、來去如風雨,不一會功夫便偷來士大夫家的金銀珠寶、竊走公子哥兒的西洋異錦被,甚至戲弄地偷換道士的百柱帽。每次行竊得手後,即在牆上畫一枝梅花,並將錢財送給貧民,「人間第一偷」稱號可說當之無愧!
竊盜案是明清時期常見的犯罪類型,可惜並非每位竊賊都是如同一枝梅的義賊。為何人們會淪為竊賊?哪類東西與對象最常被偷?清朝官府又是如何辦案?
面對重重疑雲,中研院近代史研究所巫仁恕研究員決心讓歷史學與犯罪學相遇,逐步揭開 19 世紀中葉竊盜犯罪的神秘面紗!
巫仁恕以清代《巴縣檔案》(今四川省重慶市一帶)為研究材料,分析當中的司法類檔案後發現,從乾隆至宣統年間,最常見的犯罪類型就是竊盜案,尤其 19 世紀中葉同治朝的年平均數量最多,13 年間累積 3 千多起竊盜案。
當中最常見的竊盜方式是「入室行竊」,狡猾的竊賊會趁四下無人時鑿穿牆壁,鑽入屋內行竊。其他還有類似現代金光黨的「迷竊」,犯人會用迷煙或迷藥將人迷昏後大肆洗劫。小說中飛簷走壁的「飛竊」並不常見,但偶爾也會發生。
那麼竊賊最常偷的東西又是什麼呢?從《巴縣檔案》記載的失單可窺知竊賊最常下手的目標,也連帶顯示清代百姓生活中的物質消費與品味。
失物排行榜第一名竟不是金銀珠寶,而是人們穿戴的帽子、馬褂、布鞋等,甚至有流行服飾與西洋衣料,因重量輕、有市場、好銷贓,成為竊賊的首選,其次才是金屬器皿。此外,像是硯台、高級墨、書畫等象徵身分品味的文化用品與藝術品也時有所見。
最常被竊賊光顧的也不是家財萬貫的富翁,反而是資產百兩以上卻不足千兩的中產之家。這類人家有時不會去報官,因為大部分只損失一、二兩價值的物品,打官司要花的交通與時間成本比失物的成本還高。
竊賊最常出沒的地點與時機,其實和現代社會頗為類似。疊合清代重慶城市分區功能圖、同治朝巴縣城內各坊竊盜案分布圖後發現,竊盜案多集中在商業和行政中心,行竊的熱門期間常在考試、市場趕集或舉行婚禮節慶時。
竊賊東西到手後最常去當舖、市場銷贓,或賣給收購贓物的小販。特別的是當時有所謂的「窩賊之家」,藉由開設客棧掩人耳目,實為慣竊的幕後黑手與藏匿竊犯的賊窟。
一般認知的犯罪者多是不務正業或受貧窮所苦的社會邊緣份子,巫仁恕應用犯罪學理論分析《巴縣檔案》中犯人的口供,從不同視角層層剖析犯罪動機。他發現竊嫌中,有一群被稱為「下力活生」的低階勞動階層佔了多數,他們沒有加入同業公會,靠著四處打零工謀生,生活較不穩定。
從理性抉擇論分析,如果這名有犯罪傾向的偷竊者認為,行竊可以讓生活過得更好,就可能選擇鋌而走險,這解釋了為何貧窮者容易傾向偷竊。再者,從社會聚合論來看,很多竊盜案都是集體犯罪,因為人多勢眾好照應的心態強化了犯罪合理性。
然而,巫仁恕又發現,有相當數量的竊賊是有正當工作的,當中不乏工商業主、受雇服務業者,甚至是公務人員或基層精英。上述案例顯示,貧窮不一定是引發偷竊的原因,當中還藏有其他因素。
從日常生活理論來看,只要集結三種要素即可能誘發竊案:有犯罪傾向的偷竊者、有價值的標的物、監督者不在場。此外,從情境預防理論分析,某些偷竊者是在日常情境下擋不住眼前誘惑,突然萌生行竊慾望,例如缺錢的兒子偷爸爸的錢、耕田時偷拔鄰居家的菜,或員工趁老闆不在時偷拿錢財。
事實上,多數人淪為竊賊是被大環境所逼,同治初期的巴縣即發生多起社會動亂,嚴重影響民生經濟,導致治安敗壞。
例如 1850 年爆發的太平天國之亂造成多個省份死傷慘重,同治年間太平軍的殘餘勢力入侵四川,大批巴縣團練(地方民兵)前往隘口守衛家園,許多宵小常趁團練隊員不在家時闖空門。
同治二年則發生重慶反天主教案,一群暴民闖入教區燒殺虜掠,趁亂偷走許多物品。接著,同治三年巴縣一夕間米價徒漲,百姓一時難以負荷,生活陷入困境下不得不偷竊苟活。
竊盜案如此猖獗,清廷又是怎麼懲治罪犯呢?巫仁恕以「犯罪學嚇阻理論」(deterrence theory)三要素:嚴厲性(seriousness)、迅速性(swiftness)、確定性(certainty)來評估清政府的犯罪防治效果。
細看當時的大清律例具備相當的嚴厲性!母法「律」會根據犯罪主從關係、初犯或累犯、贓物價值高低處以相對的刑責。例如偷 1 兩以下,罰杖刑六十大板;偷 50 兩以上,除杖刑伺候外,還要服勞役徒刑一年;如偷 100 兩以上,杖一百大板、外加發配邊疆兩千里;偷 120 兩以上最重會被判處絞刑。
至於子法「例」則會針對不同狀況做出懲戒,例如偷竊過程中揮刀殺人、暴力行為、特殊身分犯罪,或在皇室、官家等特殊場所犯罪都會加重刑責。其他會一併懲處的還包括:窩藏罪犯者、收人贓物者、官役失職沒抓到犯人等都有相關罰責。
雖然清廷看似有嚴厲的律例懲治竊賊,但一般百姓如果家中遭竊,並不會馬上報官,反而是先通報住家附近的團練或保甲長,由這些地方基層組織的負責人私下調解紛爭。如果調解不成才有可能走上報官一途。
究竟官府如何辦案呢?首先,報官者需稟狀並列出遭竊的物品與其價值清單,由書役調查後撰寫勘單(調查報告)。確定真為竊案後,知縣會下公文給差票,派捕役去逮捕嫌犯。接著撰寫比單(傳喚公文)傳喚受害者等一干證人升堂審訊。最終,竊賊罪證確鑿、抓到共犯後,還需撰寫供狀(口供)與畫押(結狀)。
經過長時間辦案後,最終的破案率又是如何呢?以同治年間巴縣的破案率為例,1064 件都市竊盜案中,捉到竊犯的有 204 件,破案率僅 19%;1917 件鄉村竊盜案中,捉到竊犯的有 629 件,破案率僅 33%。整體的平均破案率只有 28%。
整體來看,官府的破案率低、辦案程序冗長,又常因抓不到共犯而無法結案,空有嚴厲性但迅速性與確定性不足,無怪乎百姓不想報官,也難以起到嚇阻犯罪的作用。
這種結合歷史學與犯罪學的跨領域研究稱為「歷史犯罪學」(historical criminology),是新興的研究領域。
巫仁恕表示,歷史學家常聚焦研究戰爭、革命、叛亂等歷史大事件的發展始末,較少關注日常性的犯罪事件,原因之一在於史料的局限。
過去有關竊盜的史料常零星散見於筆記小說、公案小說、判牘檔案等文獻之中,無法全面看清竊盜案件的具體實態。
所幸近 20 年來,中國許多州縣檔案重見天日,當中的司法類檔案記載許多竊盜案,結合犯罪學一起分析後,能從更微觀的角度了解古人的犯罪動機、犯罪心理、犯罪防治等,進而看見不一樣的歷史面貌!