【GENE思書軒】關於人體的那些事

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／江才健

一九四三年二月裡的冬天，物理學家薛丁格在愛爾蘭都柏林市做了一系列演講，演講的主題是由物理科學概念出發，希望給當時生命科學中的遺傳問題帶來新解。

薛丁格的科學成就早在十多年前已經得到肯定，當時已是地位崇隆的諾貝爾獎得主。由於生命科學研究曙光乍現，加上他自己對於哲學甚至東方宗教出名的好奇與思索，因此，一年後以他演講內容集結成的一本小書《生命是什麼》（What is Life?），成為二十世紀讓許多人議論的名著。有人說，這本書對現在蔚為主流的分子生物學，可謂啟蒙之作。

二〇一八年九月初，為回應薛丁格七十五年前的演講，在薛丁格當年演講的愛爾蘭三一學院舉行一個討論會，主題是「生物學的未來」，討論會踵續薛丁格演講的調子，當然要瞻望未來。

薛丁格當年演講，主調是以分子基礎來討論染色體遺傳，他提出猜想，認為遺傳物質是「不規律晶體」，由原子的一種無序但特殊有序結構形成。對於遺傳物質在生物體中的運作，薛丁格借用了物理的熱力學概念，熱力學第二定律是說整個體系的熱熵會持續增加，生物遺傳物質運作則選擇反其道而行。簡單說，薛丁格就是希望用物理學思維，來替生物學解惑。

一九四三年薛丁格五十六歲，他最輝煌的物理工作是一九二六年提出的波動方程，那奠定了量子力學或然律表徵的問題，也奠定他在物理科學上的不朽地位。有一個說法指薛丁格做出波動方程後表示，有了波動方程，化學家的工作變得沒有意義了。

薛丁格會做《生命是什麼》演講，當然也有物理科學燦然大備、顧盼自雄的味道，但是一些人看他的演講內容，覺得既沒有特別的原創性，也不是領先群倫之作，原因是薛丁格所說的遺傳分子的不規律性，遺傳學家穆勒（Hermann Muller）早在一九二二年已經提出。後來得到諾貝爾獎的穆勒在六〇年代曾寫信給記者，指薛丁格的說法只是錯誤揣測，因為一九四四年埃弗里（Oswald Avery）完成細菌轉化實驗後，DNA 才確定為遺傳分子，之前認為最有可能的遺傳分子角色是蛋白質。

但是薛丁格的影響確是毋庸置疑。十年後做出重要工作而開啟分子生物學的代表人物，由物理學家克里克（Francis Crick）、威爾金斯（Maurice Wilkins）和班澤（Seymour Benzer）到動物學家華生（James Watson），都聲稱他們受到薛丁格思想的啟發，原因除了薛丁格有思想創新的名聲，也來自一個絕佳時機；因為生物學已經由主要是描述性的有機體科學，轉變成為機械性的微觀科學。因此，由物理或化學觀點來探究生命現象，自然而然是順理成章。

一九五三年克里克與華生大膽猜測出 DNA 的核酸氫鍵結構，不但標誌著二十世紀生物科學的一個歷史躍進，也開啟了往後迄今的分子生物學新紀元，過去整體組織視野的生物科學，化約為微觀結構的分子與基因生物學，這個傳承的未來何去何從，事實上還在未定之天。

薛丁格雖說在物理科學的量子力學貢獻卓著，以新的數學方法解決了微觀粒子行為不能確定的或然率問題，但是他心知肚明，這些美妙玄奧的數學理論，到底如何能在真實客觀現象中展現，也還未可知。因此他曾經提出一般稱之為「薛丁格的貓」的悖論，這是一個想像的實驗，一隻貓與一個放射物質源共處於密閉空間，實驗設計如果放射物質源發生輻射反應，會觸動放射探測器，然後引發機關釋出致命氰化物殺死貓。

以巨觀世界來看，貓只可能是活的或是死的，但是在這個密閉空間的實驗中，貓的生死卻取決於一個或然率判定的微觀放射現象，因為根據量子力學的理論，微觀現象在觀察前，只是一個或然率，只在觀察時才確定，因此貓的生死也只能在觀察的當下決定。

薛丁格的貓悖論說明的，就是數學解釋合理的微觀現象，在巨觀世界是有矛盾的，因為巨觀的真實世界裡沒有既生又死的貓。

這麼多年以來，一些物理實驗學家在實驗室裡的努力，確實創造出在特定控制條件下，一個微觀粒子「既生又死」的「雙重狀態」，這樣的實驗就以「薛丁格的貓」為名。

但是這種物質的微觀現象只能在控制條件中存在，還無法同樣產生於一般的外在世界，更惶論用以來描摹更為多樣和難以預測的生命現象。

——本文摘自《一生必修的科學思辨課》，2021 年 9 月，天下文化。

《生命是最精彩的推理小說：一個生物學家眼中的奇妙世界》（生物と無生物のあいだ）是一本對生命科學研究（具體來說是對細胞分子生物學和生物化學）有興趣的高中生、大學生和研究生都適合閱讀的科普書。

在《生命是最精彩的推理小說》裡， 日本青山學院大學教授福岡伸一，用半自傳的方式同時勾勒出分子生物學研究和生命的分子現象，對生命科學的門外漢來說，可以吸收一些分子生物學的知識；對有 心想要就讀生命科學（尤其是分子生物學）方面的高中生，可以稍微看看是否真的對分子生物學感興趣；對想要唸研究所的學生，可以稍微看看生命科學研究是怎麼 一回事。

《生命是最精彩的推理小說》的日文原文書名『生物と無生物のあいだ』是「生物與非生物之間」的意思。可能編輯跟我一樣看太多日本推理小說，就把書名改成《生命是最精彩的推理小說》，不過並不失原味，因為作者在《生命是最精彩的推理小說》一 書中，的確作了一些推理，他在大師如雲的美國洛克斐勒大學，對著野口英世（1876－1928）的塑像思考日本人和美國學術界對他的科學貢獻觀感的矛盾； 然後從華生（James D. Watson，1928－）和克里克（Francis Crick，1916 – 2004）的DNA的雙重螺旋、物理學大師薛丁格（Erwin Schrödinger，1887－1961）的《生命是什麼》（What Is Life?）、舍恩海默（Rudolph Schoenheimer，1898 – 1941）的「動態的平衡狀態」來推理生命現象的分子本質；然後用在洛克斐勒大學及哈佛大學醫學院當博士後研究員的經歷，述說生命科學實驗室沒日沒夜的生活，還有用實驗推理GP2分子的功能之過程。

閱讀全文：

生物與非生物之間－生命是最精彩的推理小說