開車就忘掉手機吧！

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

• 作者／高涌泉

人有人權，機器人是否應該也有某種類似於人權的權力（姑且稱之為「機器人權」）？目前這個問題還沒有被大眾認可的標準答案，因為我們還不知道機器人是否值得擁有機器人權。以當下（2021）最先進的機器人來說，我想多數人對於將它「關機」，不會有絲毫猶豫，就像我們可以毫不在意地任意關掉（或開啟）最先進的蘋果電腦。也就是說，當前最先進的機器人還沒有先進到需要我們去擔心關機是否影響它的福祉（生命）。但是未來呢？當，譬如說，一萬年之後 （ 或許不用那麼久，說不定一千年之後即可？）的機器人，已具備人性（我稍後會討論出現這種狀況的機率），那時人類應該允許機器人擁有機器人權嗎？

科幻電影中的機器人

對於這個假設性問題，好萊塢已經給了答案——你所能想像的狀況大約已經出現於某部科幻電影裡。有一類情境相當常見，讓我舉幾部很好看的片子為例來說明：

1. Ex Machina（人造意識，也譯為機械姬；據說拉丁文片名本意是「來自機器」）。片中的女機器人在主人的設計下，已經具有足以通過「圖林測試」（Turing Test）的智能，但是她還進一步發展出主人所不知的自主意識，最終為了自由而殺死把機器人當作娛樂工具的主人。
2. Blade Runner（銀翼殺手）。此片的機器人是仿生人，在外貌、語言以及行動上，與人類沒有區別，和 Ex Machina 中的機器人相比，好似更加先進，然而其機器人本質還是可以被一項對於情緒反應的測試揭發（有如測謊器的功能），片中機器人當然也被安排會為了避免「被退休」而殺人。
3. I, Robot（機械公敵）。片中機器人在外貌上，與人類有明顯區分，它們被製造來服務人類，有遠超越人類的體能，因此必須遵循艾西莫夫「機器人三定律」（第一定律：機器人不得傷害人類，或坐視人類受到傷害；第二定律：機器人必須服從人類命令，除非命令抵觸第一定律；第三定律：機器人在不違背前兩定律的情況下，必須保護自己），此片也一樣安排讓機器人產生某種程度的自主意識（主角機器人甚至會做夢），以及與人類的衝突。

以上三部科幻片的共同點是人類製造出的機器人終究會產生某種具自由意志的心智，並且會捍衛自己生存的權利、抗拒人類的宰制。這種「覺醒、反抗、勝利」三部曲的故事也廣為其他科幻電影所採用。（有一部叫好叫座、由 HBO 推出的科幻電視影集 Westworld（西方極樂園）也是大致循這樣的套路。）事實上，這樣的套路也出現在非科幻的一般劇情片中，大約是這種勵志招式符合某種人類的心理需求，所以很受歡迎。總之我們從機器人科幻片學到了兩件事：一是我們與機器人的關係取決於機器人能否產生自我意識（心靈），而且大家願意相信機器人應該終究會具有這樣的能力；第二是對於我們應該賦予機器人多少「機器人權」的問題，無論我們如何操心，恐怕不是重要的事，因為就如「人權是爭取來的，不是靠施捨的」，「機器人權」的內涵還是由機器人決定。不過這兩點若真要仔細推敲，就會發現可以質疑的地方非常多。

機器人適用心物二元論還是原子論？

首先，到底什麼是機器人？對此我一直沒有下個定義，因為不需要：大家都很清楚機器人儘管在外型與行為上，有很多種類，但一定都是人造的。所以機器人就是人造人（或人工人），是人類用材料製造出來的。所謂的材料就是物質，物質拆解到最後，就是各種原子罷了。所以機器人都是原子組裝出來的。但是人類不也是由原子組成的嗎？為什麼人不是機器人？或者，人其實也是一種是機器人？也就是說人也不過是一群原子依據某種明確的指令（程式、算則）在運行罷了！然而自古以來，不斷有哲學家懷疑這樣的看法，因為大家想不透在這樣的假設下，自由意志（俗稱靈魂）如何能夠出現？如果不行，也就是說靈魂這東西和物質屬於兩個範疇（即所謂的二元論），那麼人當然就不是機器人了：人有靈魂，機器人沒有。

但是自古以來也有不少人不相信二元論，例如古希臘的原子論者就不相信有獨立的靈魂這回事，以法國哲學家柏格森（Henri Bergson）的話說，原子論者相信的是「身體、靈魂、所有的物體以及世界，都是由原子所構成的。自然現象和思維都只是原子的運動而已。一切的事物與現象都是由原子、原子之間的真空（void）、以及原子的運動所組成的。除此之外，就沒有其他東西了。」如果原子論終究是對的，那麼人便只是一類較高明的機器人罷了！

那麼到底二元論與原子論兩者間哪一個比較有道理？（當然了，聰明的哲學家還發明出其他更繁複細膩，或者說更怪異有趣的理論，例如原子本身就是有意識之物體的說法等等，感興趣的人可以自行探究。）自近代科學出現以來，由於物理、化學與生命科學以及電腦科學的快速進展，眾多科學家自然地認為原子論的觀（自然現象和思維都只是原子的運動而已）是一件合理的假設，理解意識如何出現在腦子裡於是成為眾多研究的目標。

認知思考的想像實驗

美國哲學家瑟爾（John Searle）在 1980 年提出一項想像實驗（類似的想法其他人也有），試圖證明意識絕不是物質加上（電腦）程式就能產生的，具體說，即電腦不可能具有思考能力。他這個想像實驗一般稱為「中文房間論證」（Chinese room argument），讓我用一個不同於瑟爾原始版本、但我想仍不失其意的簡化版來說明這個論證：設想在某房間裡有位美國哲學家，他不懂中文與日文，但是能夠依據指令行事，房間裡有個資料庫，裡面有一份中日文字對照表（對哲學家來說，這裡的中日文字都只是奇怪的符號而已）及一本以英文寫的中日文語法規則簿（即中日文字對照表內符號之間應遵循的關係），我們將一篇中文文章送進房裡，這位先生就依據房間裡的資料庫，將這篇文章「翻譯」成日文，然後送出房間。房間外的人會以為這篇文章是房間內有位懂中文與日文的人所做的翻譯，但是瑟爾說房內的哲學家根本不知道他所經手的文章在講些什麼。

以行話說，瑟爾想示範的是掌握了「語法」（syntax）不意味就了解「語意」（semantics），而不了解語意就談不上認知與思考。總之，瑟爾的重點是知道依據明確的規律來操弄符號（這是所謂「人工智慧（智能）」（AI）的功能）儘管有翻譯的本事，但仍不具認知、理解與思考的能力，也就是他不相信電腦（AI）能夠導致意識與心靈。瑟爾的講法引發大量評論，有人主張自由意識根本是個幻覺（當然另有人說這麼想的人錯得離譜），也有人主張人腦與電腦有根本差異（但是究竟差異為何，則意見紛雜）等等。

在我的簡化版本中，瑟爾的想像實驗假設了機器翻譯是行得通的（但是即便如此，機器還是沒有意識可言），不過長久以來，機器翻譯其實一直沒有太大的進展。然而近年來由於大數據與深度學習方法的出現，機器翻譯的水準已經頗為可觀，儘管還算不上完美，但是已經不像更早些時，譯文漏洞百出，明顯就不是人為的。同樣地，深度學習也讓電腦下棋（無論是西洋棋或是圍棋）的功力，遠遠超越人類棋手。在翻譯與下棋之外，電腦還有很多令人刮目相看的新本事（傳統的本事當然是其快速計算的能力），所以就算電腦還談不上有真正的意識（無論這是什麼意思）可言，不少人（包括我）已經感到震撼。

對於意識等抽象概念的探討，如果沒有具體的例子作為對象，容易流於空泛，莫衷一是。目前在人類之外，什麼東西可能擁有某種程度的意識？動物是個明顯的答案，無怪乎科學家與哲學家對於動物的心智很感興趣。不過動物心智也不容易捉模，相關意見也一樣紛雜。據說，主張心物二元論的笛卡爾就認為由於動物沒有語言能力，因此談不上具有心智，不過我想很多養過寵物的人恐不會接受這個見解。

動物的心智與生存權

我自己雖不養寵物，但全然認同（起碼有些）動物是具有心智的。主因是我在過去五、六年間，迷上了在 YouTube上觀賞對於白頭鷹（bald eagle）的巢 24 小時全天候（晚上有紅外光夜視）的實況轉播。簡單講，整個情況就像電影 Truman Show（楚門的世界）的白頭鷹版——除了白頭鷹的真實生活比虛假的楚門世界要有趣太多了。白頭鷹是美國國鳥，曾一度列入瀕臨滅絕物種（endangered species）名單，後來在種種保護措施（包括禁止殺蟲劑 DDT）下，族群數量才逐漸回升。白頭鷹是美麗的大型鳥，位於食物鏈頂端，有王者氣質，令人著迷。現在網路上可以找到很多位於世界各地的這種稱為「白頭鷹巢實況監視」（live bald eagle nest cam）的 YouTube 頻道，我最早看的是一個位於美國首都華盛頓特區的巢：多年來，有一對白頭鷹固定在那裡築巢、育（鷹）嬰，人類鷹迷們分別暱稱公、母鷹為「總統先生」與「第一夫人」；它們每年秋季回到這裡，修整離地數十公尺的巢、交配、產卵、孵卵、撫育幼鷹，直到幼鷹於初夏可以自行飛翔離巢。

對於我這樣剛入門的觀鳥人，白頭鷹的一切生活習性都很有意思。例如，幼鷹一但接連破殼而出，殘酷的「手足競爭」（sibling rivalry）立即登場，父母不會介入這種（從觀眾留言可知，令不少人不忍心看的）天生的競爭，弟妹在受到兄姊的壓制之後，很快學到要避開對方的攻擊，並且如何在適當時機，迅速從父母口中搶到食物。又例如，公鷹規律地獵捕魚、松鼠等動物回巢，轉交母鷹餵食幼鷹。還有令我特別訝異的——父母會在下雨（雪）或大太陽時張開翅膀護著幼鷹。

觀鷹久了，我發現自己能夠預測老鷹的企圖，或者說可以領會老鷹在「想」些什麼、在動些什麼「心思」。老鷹儘管沒有語言，但是能夠發聲「呼喚」、「警告」、「恐嚇」其他老鷹或其他生物。我一點也不懷疑白頭鷹具有某種程度的心智。（知名哲學家奈格爾（Thomas Nagel）在 1974 年發表了一篇文章「身為蝙蝠會有什麼樣的感受？」（What is it like to be a bat?），他此文的主張就是，不是蝙蝠的我們永遠不會知道蝙蝠的主觀感受是什麼。我自以為多少了解白頭鷹的心思，當然是不認同奈格爾的主張可以推廣至白頭鷹。）為什麼白頭鷹能夠具有心智，而機器人沒有？這就是當代心智研究的基本問題。我猜測關鍵在於演化與成長歷史：白頭鷹是經過長期自然演化而產生的物種，從出生至獨立成熟也有個成長過程，而機器人卻不是如此。

動物應該擁有生存權，尤其是那些我們覺得具有某種心智能力的動物，這是很多人認可的事（在很多社會這件事其實已經成為法律）。白頭鷹的生存受到保護，數目也逐年增加，愛鷹人士都很高興。但是如果白頭鷹的數目因為保護而過度增加以至於影響了人類的利益呢？是不是白頭鷹的生存權也應受到限制呢？（對於某些動物，這種情況不是已經出現了嗎？）總之，動物權的範圍操之於人類。

機器人目前的處境還遠在動物之下，我看不出機器人如何能夠因產生心智而改變這種狀況。即便機器人因本事提高，讓我們將它們如同白頭鷹看待，它們生存權的範圍大小，仍是取決於人類，除非它們的聰明才智超越包括人類在內的一切動物。

人類目前的科技水準還處於初級階段，或許在很久很久以後，人類可以製造出和蚊子一樣靈活的「機械蚊」，那時才開始來操心所謂機械人權的問題還不晚。

• 文／張銘方 ，財團法人車輛研究測試中心 研究發展處

多項調查報告指出，駕駛者分心與疲勞是造成車輛意外事故的重要原因。美國公路運輸安全管理局（National Highway Traffic Safety Adminstration, NHTSA）之統計資料研究指出，每年因為駕駛者分心與疲勞導致之交通事故保守估計至少約占整體交通事故的 10%；因此，NHTSA、歐盟均表示將制訂安裝駕駛者監視系統等規範。

其中，台灣與美國已有交通法規禁止行車中使用手持式行動電話等駕駛異常行為，以避免駕駛分心。相關規範如下表1所示：

綜合上述規範分析，現行駕駛狀態監控的項次，主要分為：分心駕駛與疲勞駕駛兩大部分。

其中分心駕駛部分，隨著手持式行動裝置普及，多限制駕駛操控車輛時，禁止使用手持式行動裝置進行撥接、通話或發簡訊等分心行為，以避免駕駛分心而造成危險發生。

而在疲勞駕駛部分，目前車輛法規與標準裡皆尚未對駕駛疲勞明確定義，但交通法規裡已將「連續駕駛的時間」當作一個指標，規範駕駛人不得連續駕駛車輛超過一定的時數。

駕駛者監控系統介紹

車輛中心 （ARTC） 駕駛狀態監控系統係以數位訊號處理器為核心，接收攝影機並輔以紅外線投光器等感測元件，擷取車艙內駕駛人臉影像資訊，透過影像處理技術偵測駕駛面部特徵位置，並結合駕駛行為模型，估計駕駛者行駛行為特徵，判斷駕駛者開車之專注力，當系統判定為異常行為發生時，如分心駕駛、手機通話和吸菸等異常行為發生時，系統透過 GPIO（General-purpose input/output）以揚聲器發出警示聲；本系統亦能透過 CAN BUS 介面讀取車速、方向燈等車身訊號，以輔助判斷系統啟動時機，其系統架構如圖 1 所示。

本系統關鍵技術為人臉偵測與臉部特徵辨識演算法、駕駛狀態解析演算法與嵌入式硬體設計技術等，系統判斷邏輯如圖 2 所示。

分心駕駛行為偵測技術

本系統透過車室內的攝影機與紅外線光源裝置，擷取全天候（日/夜）駕駛面部影像，偵測駕駛人臉五官位置，進行辨識臉部注視方向的駕駛視野分析，並估算頭部（左、右）偏擺量，進而分析駕駛者的分心程度，當超越警示值時，則給予適當的警示，如圖3 所示，其辨識率可達 95% 以上。

違規駕駛行為偵測技術

異常行為偵測演算法主要目的為偵測駕駛者打手機與吸菸狀態，而本系統藉由臉部特徵判斷偏擺角度，角度過大時，其為危險駕駛，角度於容許範圍時，亦同時進行異常行為偵測-打手機與抽菸狀態，打手機行為與吸菸行為辨識係參考前述所得人臉五官位置，並透過臉部邊界與人臉五官之幾何關係，取得打手機與吸菸偵測特徵區域搜尋，其偵測方法以分類器演算法進行比對與估測，辨識率可達 90%以上，系統作動警示如圖4所示。

將出現更廣泛運用的駕駛者監控系統

駕駛者監控系統以影像辨識技術為基礎，偵測駕駛人臉五官位置與建置違規駕駛行為模型，以進行駕駛者異常行為偵測，藉由比對資料庫模型而判定行為是否發生，並適時地提出警告；目前駕駛者監控系統可應用於商用車隊駕駛、職業司機安全管理系統，未來隨著法規上路，以及消費者對於行車安全更加注重，預期該系統的成長率與市場規模將會持續成長，如圖 5 所示。

駕駛者監控系統為一整合型之系統，除了兼具駕駛狀態監控功能外，未來亦可結合其他安全警示系統（前方碰撞警示、車道偏移系統等），應用影像處理核心平台，推出具多功能之系列產品。

本文出自財團法人車輛研究測試中心；原文於此，如需轉載，歡迎與車輛中心聯繫。