吃大魚放過小魚？ 亦是吃小魚饒了大魚呢？

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

筆者在觀看電影《神力女超人 1984》時，對於神秘動物學家芭芭拉一角印象深刻，劇中她因私心向許願石許願成為「頂級掠食者」，於是變成了攻擊性強、移動速度快的大反派豹女，然而許願的後果使她漸漸失去人性，變得貪婪狂暴。

自古以來，人類在食物鏈上的位置會隨著演化、行為模式、民俗文化而有所不同，也出現了為滿足口腹之慾而將非牲畜類動物變成餐桌佳餚的現象，如：取食鯊魚鰭的魚翅、將熊掌做為補品等。人類征服了這些大型動物，是否也意味著，現代人類處在食物鏈的最頂端，成為真正的「頂級掠食者」了呢？

生物在食物鏈上的等級是怎麼訂定的？

在討論人類是否是頂級掠食者前，我們先來了解什麼是營養級。

營養級（trophic level）為各生物在食物鏈上的位置，通常以 1～5 等級進行評分。利用陽光獲取能量的植物和其他初級生產者處於第一營養級，隨後的計算則是以該動物所吃的物種其營養級加一：草食性動物處於第二級（吃第一級：1+1），三（2+1）級動物只吃二級草食性動物，四（3+1）級則吃第三級的肉食性動物。以此類推，一條食物鏈通常最多達五級。

若從多個營養級獲取食物的物種，則是以所吃食物的營養級取平均作為依據。以雜食性動物為例：若該生物吃 50% 的植物（第一營養級）和 50% 的草食性動物（第二營養級），則此生物為 2.5 級。

而「頂級掠食者」（apex predator）在生態學上的定義為「此生物在生活範圍內的食物鏈中，不存在對其做出掠食行為、更高營養級的其他物種」，如上圖中的老鷹。

其實人類沒有想像中的高等級！？

2013 年，法國海洋開發研究院（IFREMER）海洋生態學家 Sylvain Bonhommeau 的研究團隊在《美國國家科學院院刊》（PNAS）發表了一篇論文，確認人類在食物鏈上的營養級（human trophic level; HTL）。他們利用聯合國糧食及農業組織（Food and Agriculture Organization of the United Nations; FAO）統計世界各地人類食物消費的數據，為所吃的每種食物分配了一個營養級。研究結果顯示，人類每天有平均 80% 的卡路里來自植物，20% 來自魚肉類。這邊我們可以用漢堡來理解，內容物除了肉片、蛋、起司外，其餘的食材皆為植物，或是以植物為原料，如麵包體就是從小麥而來的。

這份論文的數據計算出人類處於 2.21 的平均營養級——介於鯷魚和豬之間。不過人類的營養級在世界各地不盡相同，例如在蒲隆地共和國（位於非洲東部的小型內陸國家），植物佔當地飲食的 96.7%，使得該國人民的營養級為 2.04，但在冰島，飲食中約 50% 為肉類，使得該國人民的營養級高達 2.57。

看來是時候越級打怪了！

大型貓科動物、老鷹和虎鯨有一個共同點：他們都是頂級掠食者！牠們是標準的肉食性動物，食物來源幾乎完全由肉類組成，這些動物沒有天敵——除了人類以外。

那麼，如果我們是頂級掠食者的掠食者，這是否意味著人類處於食物鏈頂端呢？

答案取決於如何定義「掠食者」，也就是說，是為了進食而殺戮，還是僅殺死其他動物。

無論是非掠食性的大型草食性動物（如象、犀牛等攻擊性極強的物種），或是具致命性的有毒物種，均能殺死其他動物，但牠們在食物鏈上仍有天敵，且無法捕食大型獵物，因此在定義上無法納入頂級掠食者。

在生態學或生物環境相關的研究中，人類在食物鏈中的位置並非基於我們殺死了什麼，或是被什麼生物吃掉。相反地，Bonhommeau 指出「這完全取決於你吃什麼。」

若根據這個定義，人類是否處於食物鏈頂端呢？答案是否定的，因為我們不會吃掉所有被我們殺死的生物。

在多數情況下，我們不是為了吃野生動物而殺死它們，例如獅子數量下降的主要原因是棲息地喪失，以及人類不希望獅子威脅到自身或所飼養的牲畜而發生衝突。亦有研究指出，漁民會將 10% 至 20% 的總漁獲量作為混獲（意外捕獲到原本不打算捕撈的魚種）丟棄，而這些無意中捕獲的動物大多面臨受傷或死亡。

史前人類的等級竟然比現代人類還高？

另外，在探討人類的食物鏈位置時，也需考量「人類」是指史前人類還是現代人類。

從歷史上來看，我們吃的東西和殺的東西，之間差異可能較小。2021 年，有研究團隊整合人類生理學、遺傳學、考古學和古生物學，重建了更新世（260 萬至 1.17 萬年前，也就是人類出現的時期）人類祖先的營養級。這份研究發表在《美國自然人類學雜誌》（American Journal of Physical Anthropology）。

研究顯示當時的人類很可能是頂級掠食者。直到 1.2 萬年前，最後一個冰河時代結束前，人類在這 200 萬年的時間裡主要是吃肉的，證據有兩項：一是古代人類遺骸中的氮同位素（與飲食以植物為主的人相比）比例較高，而氮同位素比例往往會隨著以肉類為主的飲食而增加；另一項證據則是人類與肉食性動物的生理相似性（與草食性動物相比）來得更高。

然而，一些變化可能導致人類食物鏈下降，該團隊認為主要的變化是大型動物的消失。大約在同一時期，人類開始發展出能夠食用更多植物的技術，例如學會磨製用於加工穀物的石器等。

不強求最高等，或許才是最好的

即使我們曾經可能是肉食性頂級掠食者，並不意味著現代人類也應該登上食物鏈頂端。隨著時代演替，人類在食物選擇上更加多元，但我們不該為滿足口腹之慾而肆意殺戮，破壞生態系統的平衡。每種生物的存在（包括屬於 2 級的我們，以及真正的頂級掠食者）都是維持生態系統中各物種數量的平衡和食物鏈穩定的重要貢獻者。

1. Are humans at the top of the food chain？
2. Eating up the world’s food web and the human trophic level
3. The evolution of the human trophic level during the Pleistocene

冒險電影中，場景時常在偏遠不為人知的荒山野嶺，甚至住著猛獸的遙遠孤島，有著顛覆常識的生態環境和駭人怪物。然而根據新發表在《美國博物學家》的一篇論文，在現實中就有一個島嶼，由蜈蚣擔當島上食物鏈的最頂端掠食者。

此菲利浦島，非彼菲利浦島

地點位在澳洲的菲利浦島（Phillip Island）——說到這個島嶼，可能會聯想到島上每年吸引上百萬觀光客的小藍企鵝棲地，以及世界摩托車競速的主要賽場之一。

故事並非發生在這個澳洲南岸的菲利浦島，而是在距離澳洲本土東方 1500 公里遠，過去做為囚犯流放地的諾福克群島。那裡有另一個面積僅 2.07 平方公里，無人居住的菲利浦島。兩個島正巧都以 18 世紀後半的英國海軍上將亞瑟‧菲利浦（Arthur Phillip）為名，但地理位置相距甚遠。

無人定居的菲利浦島兇猛島民

菲利浦島有 13 種海鳥會產卵繁殖，還有一些小型動物在此生活。其中最引人側目的居民是菲利浦島蜈蚣（Cormocephalus coynei），這種蜈蚣最長可達 23.5 公分，雖然比起現生蜈蚣中最大的 30 公分等級還差一些，仍遠勝長約 10 公分的常見蜈蚣。

研究團隊調查紀錄菲利浦島蜈蚣在夜間的捕食行為，並以穩定同位素分析蜈蚣的食物來源比例，發現這種蜈蚣的食物來源，48% 來自脊椎動物，52% 來自無脊椎動物，各占約一半比例。

菲利浦島蜈蚣最主要的食物是島上居住的蟋蟀、壁虎、石龍子，這些動物都小於體長超過 20 公分的大蜈蚣，算是合理的菜單。然而菲利浦島蜈蚣還有另外一個獨門佳餚，就是島上繁殖海鳥的幼雛。

菲利浦島蜈蚣的嘴下亡鸌

菲利浦島上最主要的築巢海鳥是黑翅圓尾鸌（Pterodroma nigripennis），2017 年的紀錄約有 19000 對。黑翅圓尾鸌的成鳥體長約 30 公分，顯然蜈蚣面對牠們無法輕易取勝，因此脆弱的雛鳥就成為蜈蚣的下嘴目標。

菲利浦島蜈蚣會咬住黑翅圓尾鸌雛鳥的後頸並注入毒素，等雛鳥死亡後再啃食牠的頭頸部。而在兩年的調查期間，紀錄的雛鳥各有 19.6% 及 11.1% 被蜈蚣捕食。結合前面一年約有 19000 對黑翅圓尾鸌在此繁殖的紀錄來看，估計每年被蜈蚣吃掉的幼鳥在 2109~3724 隻之間。

其他在菲利浦島上繁殖的海鳥，活動期間可能跟蜈蚣活躍的夏季錯開，或是數量較少，黑翅圓尾鸌可能是菲利浦島蜈蚣最主要的獵捕鳥類。相較於脊椎動物吃節肢動物的紀錄，節肢動物大部分是清除死亡的脊椎動物屍體，像這樣反過來鳥類被節肢動物主動獵捕的紀錄非常罕見。

咦，蜈蚣怎麼吃到海裡的魚？

根據穩定同位素分析，菲利浦島蜈蚣的飲食中有 7.9% 是鳥類，然而魚類卻有 9.6%。住在陸地上的蜈蚣要怎麼吃到海裡的魚呢？這是另一個值得注目的問題。

據推測海鳥帶回巢中，供應給雛鳥食用的魚屍，應該是蜈蚣能吃到魚的主要來源。也就是海鳥不僅本身是蜈蚣的獵物，牠們為了育雛的投食被蜈蚣吃掉後，也帶動了海洋和陸地間的營養循環。

過去在諾福克群島流放囚犯時期，由人類引入的山羊、豬和兔子等大型動物對島上的環境造成破壞，也讓當地獨有的生態體系遭受嚴重威脅。這些外來物種在 20 世紀期間逐一從島上移除，受破壞的環境現正緩慢復原。

雖然菲利浦島蜈蚣離最大的蜈蚣還有點距離，在牠所住的環境卻已經足以佔地為王。現已滅絕的諾福克卡卡鸚鵡（Nestor productus）體型比菲利浦島蜈蚣大，但以果實為主食，顯然不會威脅到蜈蚣作為掠食者的地位。

在島嶼生物地理學中，孤立海島上動物體型改變是一個重要的研究議題。在大陸上的大型動物，移居海島後因島嶼資源限制、天敵缺乏等因素，會縮小體型，稱之為島嶼侏儒化（Island Dwarfism）；然而小型的動物卻會反過來巨大化，甚至取代原本大型動物所處的生態棲位，此現象即為島嶼巨型化（Island Gigantism）。

島嶼巨型化的案例如紐西蘭的奇異鳥、馬達加斯加島已滅絕的象鳥，以及在許多島嶼上各自獨立產生的巨大化齧齒動物；台灣在墾丁和部分離島分布的椰子蟹也是一個案例，不僅是保育類的甲殼動物，更是最大型的陸生寄居蟹。地處偏遠的菲利浦島，正是島嶼特殊生態系的一個案例，也是蜈蚣稱霸的極端案例。

參考文獻

• Luke R. Halpin, Daniel I. Terrington, Holly P. Jones, Rowan Mott, Wei Wen Wong, David C. Dow, Nicholas Carlile, and Rohan H. Clarke,（2021）Arthropod Predation of Vertebrates Structures Trophic Dynamics in Island Ecosystems
• wikipedia，〈Island gigantism〉
• wikipedia，〈Island dwarfism〉