想死而復生，先冰起來就對了……嗎？史上第一個冷凍人│科學史上的今天：1/12

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

還好礙於倫理考量，沒有人打算經由技術手段將奧茲冰人復活。不過冷凍人的復活倒是不少科幻小說中常用的哏。

最早的一篇可以追溯到 1931 年，故事的主角叫詹姆斯，他死後遺體被保存在低溫和真空中發射到太空裡，就這樣漂泊了幾百萬年。後來他的遺體被外星人復活，復活的方式也十分特殊：只復活了他的頭顱，並為他裝上了機械身體。就這樣在人類已經滅絕的時代，詹姆斯獲得了永生。

其實在現實中，雖然幾百上千年不好說，但要讓一個人凍上幾十年，並且仍具有「復活」可能性的技術早已出現，那就是人體冷凍技術。

獲得永生的起點——人體冷凍

1962 年，羅伯特．艾丁格博士（Robert Ettinger）出版的《永生不死的前景》一書，是現實中的人體冷凍的起點。艾丁格博士在書中指出：人類和大量低等動植物一樣，具有「冷凍復活」的潛力。他還在書中預言人體冷凍技術可以使「我們大多數人獲得永生不朽的機會」，並對此進行了嚴密的科學論證。這本書的出版標誌著人體冷凍保存運動的開端，艾丁格博士後來也因此被稱作「人體冷凍之父」。

人體冷凍並不是簡單地將人一凍了之，而是以在未來的某個時刻將冷凍的人體喚醒為目的的冷凍。因此，在技術上，不但要考量如何將人凍住，也要考量在冷凍以及化凍時不會對人體產生傷害。像奧茲冰人那樣凍成一具乾屍，肯定是不行的。

不過經由前面小象由香和奧茲冰人的故事，我們已經了解，在生物體死後及時讓其進入低溫環境，可以很大程度上延緩甚至叫停讓屍體腐爛。同樣，人死後越快進入冷凍，細胞和身體受到的影響就越小。當然，只要提前簽好協議、做好準備、安排好一切事宜，及時進入冷凍狀態並不是什麼困難的事情。

要怎麼把活人冰起來？

常煮飯的廚藝愛好者都應該知道，一塊鮮肉，在經過冷凍再化凍後，往往會滲出大量的血水。這是因為在冷凍時，細胞中的水分會結冰，而這些冰晶會破壞細胞結構，從而造成細胞的死亡。凍肉化凍時滲出的血水，很大一部分就來自這些破損的細胞。這顯然是我們在以喚醒為目的的人體冷凍中不願意看到的結果。

因此，在對人體進行冷凍之前，需要經由手術和灌注，將人體中的血液替換為冷凍保護劑。冷凍保護劑可以降低冰點，減少冰晶的產生，最大限度地避免對身體細胞組織造成破壞。然後，人體才會進入降溫程式。經過 60 小時的降溫後，冷凍的屍體就可以被轉移到巨大的液氮罐中長期保存了。

如今世界上冷凍人的數量已經接近 500 人，但能夠獨立實施人體冷凍的機構只有 4 家，分別是美國的阿爾科生命延續基金（Alcor Life Extension Foundation）及人體冷凍研究所（Cryonics Institute）、俄羅斯的 KrioRus 和中國的山東豐銀生命科學研究院。其中人體冷凍研究所是由「人體冷凍之父」艾丁格博士創立，而阿爾科生命延續基金會中保存著全世界第一個被冷凍保存的人詹姆斯．貝德福（James Bedford）的身體。

按照計畫，貝德福本應該在進入冷凍狀態 50 年後，也就是 2017 年被喚醒，但阿爾科生命延續基金會至今並未行動。

一方面，我們可能仍未對喚醒冷凍人在技術上做好準備；另一方面，據傳聞，貝德福當年所使用的冷凍保護劑似乎對人體傷害甚大，也就是說，就算技術完備，貝德福是否能夠醒來也十分不好說。

人體冷凍很貴嗎？

進行人體冷凍的費用倒是並沒有想像中那麼高昂，以這幾家機構中收費最高的阿爾科生命延續基金會在 2017 年的報價為例，進行全身冷凍的費用約為 20 萬美元，還有一個更便宜並且更具有科幻意味的選擇——單獨冷凍頭部，僅需 8 萬美元。不過，在現有的技術手段之下，選擇人體冷凍，比起「追求永生」和「無限可能」，更像是在參與一場結果未知的科學實驗。

當然，技術仍然不斷進步，關於人體冷凍的最新進展似乎為貝德福以及其他被凝固在液氮罐中的人們帶來了一些希望：據報導，2020 年 12 月，一個在液氮罐中沉眠了 27 年的胚胎被取出植入一位母體的子宮，並分娩出一名健康的女嬰。

如果有一天，我們真的像艾丁格博士所說的那樣，打破生與死的邊界，獲得「永生」之時，生命是否也就失去了很多意義？

——本文摘自《真的假的！奇怪知識又增加了：自說自話的總裁顛覆認知的科學奇想》，2023 年 7 月，晴好出版，未經同意請勿轉載。

• Colwellia psychrerythraea 
• 冷紅科爾韋氏菌
• 形狀：小桿狀
• 顏色：淺紅色
• 長：2.5 至 3.5 微米
• 直徑：0.5 微米
• 前進：使用鞭毛

攝氏 –196 度的世界

據當今研究結果所知，在生命出現的早期，地球上炎熱期與冰凍期交互出現，前者平均溫度可達攝氏五十度，後者溫度可低至地表完全凍結。火山爆發及隕石和小行星的撞擊，使地球溫度升高，經由化學反應及後來出現的生物反應消耗大氣層中的二氧化碳，又使地表變冷凍結。

對大多數的生物來說，今日地球是個既濕又冷的家。地表面積超過百分之七十全是海洋，其中三分之二又是寒冷的深海帶，終年溫度只有攝氏二至三度。地表上所有水域裡，淡水僅占百分之二點五，溫度卻也沒有太大差別：百分之九十的淡水，都儲存在極地冰塊及散布地球各處的冰河裡。

自人類開始定時測量並記錄溫度後，最低溫的紀錄是在南極測得的攝氏零下八十九點二度，不過那裡的溫度也從未上升到比結冰點還高。比較重要的是，有些地方雖有溫暖期，但在夜間或冬天會變得異常寒冷，像亞洲一些地方最高溫可達攝氏四十九度，但低溫時也會降到零下五十度。因此不難想像，為何這麼多的細菌都具有高溫差環境的適應力。

所有在低溫環境仍然活躍的細菌中，冷紅科爾韋氏菌特別引人注目：這種微生物在攝氏零下十度還可四處遊走，在攝氏零下二十度還能繼續生長分裂繁殖。甚至在攝氏零下一百九十六度超低溫環境，研究人員還可觀察到其新陳代謝的運作。

冷紅科爾韋氏菌能在液態氮（這可是能將花朵瞬間凍成易碎玻璃的物質）中將胺基酸吸收並用來組成自己的細胞。此特性要歸功於它的保暖聚合物及在細胞外作用的酵素，讓它被包覆在網狀的分子結構裡，就像穿了一件毛衣，保護其免於水分形成整齊的冰晶結構。耐寒細菌的細胞壁結構類似液晶，在極冷和高壓下仍然可以保持液態，這也解釋了為何它同時也耐高壓。

掌握低溫生物技術

科爾韋氏菌屬發現於一九八八年，發表研究結果的作者建議以美國微生物學家麗塔．科爾韋（Rita Colwell）之名來命名，以示敬意。科爾韋生於一九三四年，在一九六○年代發現沿海水域有霍亂弧菌，而且常寄生在以藻類為食的浮游性橈腳類^[1]動物上。

在氣候溫暖或養分過剩導致藻類大量繁殖時，就會吸引這些細小的甲殼類動物前來，細菌也就隨之而來。科爾韋發現這項事實後，立即成立安全用水供應網，設法以盡可能簡單的工具，例如自造的過濾器，防止因飲用水造成的傳播感染。

此後，她還與其他伙伴一起創立 CosmosID 公司，以期快速檢驗出環境樣本中的細菌。為了向她致敬，南極一座山塊^[2]就以她的名字命名。冷紅科爾韋氏菌的種小名 psychrerythraea，則由希臘文 psychros（冷）及拉丁文 erythraeus（紅色）組成，因這個細菌嗜寒並含有紅色色素。

冷紅科爾韋氏菌也可以在無氧的環境中存活，還可利用各種結構簡單或結構複雜的有機化合物做為養分。由於這種細菌能分解很多種含氮化合物，甚至還能利用硫來產能，因此相當適合利用它在寒冷地區處理環境污染問題。

除此之外，此種細菌也可能促進新疫苗的發明。科學家將病原菌重要的代謝基因替換成冷紅科爾韋氏菌的代謝基因，得到以下結果：病原菌在低溫下正常生長，但在常溫時停止生長，細胞逐漸死亡。這種弱化後的病原菌可用在活體疫苗，使身體在不受危害的狀況下產生足夠的免疫力。此法已在動物實驗中證實可行。

註解

• [1] Copepoda，橈腳類或譯橈足類，海洋中數量眾多的一群甲殼動物。
• [2] massif，又稱地塊，地質學中的一個結構單元，比構造板塊要小。

——本文摘自《細菌群像：50種微小又頑強，帶領人類探索生命奧祕，推動科學前進的迷人生物》，2023 年 ３ 月，麥田出版，未經同意請勿轉載。