一個頭兩種痛？那些年我們頭很痛

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

海爾妲的中風與奇異妄想

十八世紀末，七十歲的丹麥婦人海爾妲（Hilde）正在家中煮飯時，大腦突然缺血，情況不妙。海爾妲運氣很差，因為人類的腦細胞對缺血的耐受度近乎於零。少了血液，神經元（大腦裡的主要細胞）很快就會缺少氧與葡萄糖等必需物質；神經元會在短短幾分鐘內開始死去。若持續缺血，神經元會以驚人的速度消亡──每分鐘死掉將近兩百萬個。這一分鐘內消亡的神經纖維長度可達約十二公里（神經纖維是神經元向外延伸的軸突，負責在細胞之間傳遞訊號）。 簡言之，缺血會摧毀大腦。這種可怕的情況叫做中風，海爾妲中風了，她因此陷入昏迷。

海爾妲的案例細節來自一篇發表於一七八八年的科學論文。這篇論文沒有提到海爾妲的家人對她昏迷四天後醒來做何反應，但可以想見他們應該如釋重負。不過聽到海爾妲堅稱自己是死人，剛剛放下心中大石他們大概再次遭受暴擊。請注意，海爾妲說的不是她有瀕死經驗──看見隧道盡頭的那道光，最後一刻又被拉回人間──不是，她在與家人交談的時候說自己不是活人。

我們是透過十八世紀瑞士科學家查爾斯．邦納（Charles Bonnet）的文章認識海爾妲的。 邦納是專業律師，但如同那個年代大部分的天才人物，他涉獵多個不同領域，決定投入科學研究就像我們現在決定追新劇一樣輕鬆隨意。令人驚訝的是，儘管態度輕鬆隨意，他的研究可是成果豐碩。

例如，邦納記錄了蚜蟲的無性繁殖過程，率先證實性別不是繁殖的先決條件（園丁都很熟悉也很討厭這種惱人的小蟲子）。他的其他昆蟲學研究，也為發現昆蟲如何呼吸提供重要助力。後來他的興趣轉向植物學，他的研究為後來發現二氧化碳與氧經由葉子進出植物奠定了基礎。以一個沒受過正式科學訓練、研究科學僅是嗜好的人來說，他還算厲害。

我們運氣不錯，因為邦納也對異常的人類行為有興趣，例如海爾妲。老實說，海爾妲不是她的真名。也有可能是。邦納在描述她的情況時從未提到她的名字。如同科學文獻裡的許多醫學案例，邦納沒有寫下海爾妲的真名大概是為了保護她的隱私。我在此用這個常見的丹麥名字，方便我們討論她。

海爾妲中風之前，心理健康不曾出過大問題，所以她的奇特行為更加令人費解。家人想說服她相信自己並不是死人，畢竟她正好好坐在那兒跟大家講話。她康復了，這應該是對生命心懷感恩的時刻。但海爾妲一點也不開心。她變得暴躁易怒，責怪家人沒有為她舉辦告別式，實在太不像話。她要求家人幫她換裝，把她放進棺材裡，舉辦一場配合她身分地位的葬禮。

大家都希望海爾妲的幻覺會漸漸消失，但她的堅持有增無減，還開始口出威脅。似乎只有順從她的意願才能真正安撫她。她的家人半推半就地同意了。他們用裹屍布包裹她（十八世紀的丹麥顯然流行使用裹屍布），假裝正在為她安排葬禮。海爾妲對裹屍布的包法百般挑剔，用老師的嚴格口吻抱怨裹屍布不夠潔白，最後她終於安穩躺下、漸漸入睡。

家人為她脫掉裹屍布，把她挪到床上，希望這場鬧劇可以到此為止。沒想到海爾妲醒來之後依然故我，立刻堅持自己必須下葬。家人不願意真的把海爾妲埋進土裡（即使只是為了安撫這位吵鬧不休的病人，他們也不肯假裝將她下葬），所以他們只剩一條路可走：等待這奇怪的幻覺自動消失。

後來幻覺真的消失了──可惜只是暫時的。每隔幾個月，幻覺就會從頭再來一遍，海爾妲深信她已經死了，不明白為什麼只有她看清這個事實。

科塔爾症候群：明明活著，卻堅稱自己死了？

在邦納記錄這個事件之前，科學文獻裡沒有出現過海爾妲這樣的案例。但在那之後，科學文獻收錄了許多類似案例。由於類似案例夠多，我們可以相信海爾妲不是神經學上的偶發特例，這是一種症狀明確的神經疾病，而且症狀或可預測。這種疾病非常罕見，很難預估可靠的發生頻率，但沒有罕見到無人知曉，它的名字是：科塔爾症候群（Cotard’s syndrome）。

病名源自法國神經學家朱爾斯．科塔爾（Jules Cotard），他生活於十九世紀下半葉。一八七四年，科塔爾在巴黎近郊的一個小鎮工作，碰到一名患者說自己沒有腦、神經和腸子。她宣稱自己不需要吃東西也能活著，而且感覺不到疼痛。關於疼痛的部分似乎可信：科塔爾的文字紀錄說他「把大頭針深深刺進」她的皮膚裡，她卻毫無反應（和現在相比，十九世紀的醫生不用太擔心醫療糾紛）。

科塔爾稱這位病患為 X 小姐，她的情況不是相信自己是死人，而是認為自己處於某種中間狀態──既非生，亦非死。她擔心自己會永遠困在這種不明不白的狀態裡，所以渴望真的死去。她認為只有活活燒死──雖然缺少有力的證據──才能讓她得到真正的死亡。她試著自己動手證明這個想法，所幸沒有成功。科塔爾對 X 小姐的情況很感興趣，他查找過去有沒有類似案例，沒想到居然找到好幾個。有人說自己正在慢慢腐爛，有人說自己沒有血液或是沒有身體，還有人被拋進永恆的虛無裡，或是處於某種存在的分歧狀態。

科塔爾認為，他們的症狀屬於同一類疾病。他稱之為否認妄想（délire de negations）。妄想指的當然是患者對明顯虛假的事情深信不疑，科塔爾用否認一詞來形容這些病患最顯著的特徵：他們否認自己擁有（對多數人來說）生存不可或缺的東西。

科塔爾過世幾年後，另一位科學家在寫到否認妄想時，稱這種疾病為科塔爾症候群。從那之後，這種疾病曾被稱為科塔爾症候群、科塔爾妄想症，有時也叫做活死人症候群。科學家大多避免使用「活死人」這個詞，因為自稱死亡只是科塔爾症候群的諸多表現方式之一（而且這種不科學的誇飾用語，大部分科學家一聽就尷尬），前面介紹過的幾種存在狀態反而比較常見。

科塔爾症候群還有許多其他症狀，例如冷漠、感覺變敏感或變遲鈍、感覺不到飢餓或口渴（並因此絕食或脫水）、出現幻覺、焦慮、嚴重憂鬱、自戕、有自殺傾向等，這裡列出的僅是一小部分。患者否認自身存在，這讓他們的病情聽起來像小說情節。

——本文摘自《大腦獵奇偵探社：狼人、截肢癖、多重人格到集體中邪，100個讓你洞察人性的不思議腦科學案例》，2024 年 7 月，行路出版，未經同意請勿轉載。

• 作者／照護線上編輯部
• 本文轉載自 Care Online 照護線上《突然頭痛、眼皮垂，竟然是「頸動脈剝離」》，歡迎喜歡這篇文章的朋友訂閱支持 Care Online 喔
• 加入照護線上 LINE 官方帳號，健康資訊不漏接

「你知道嗎？隔壁卜先生不到 50 歲，昨天突然就中風了呢！」

「哇！上個星期看到卜先生時，看起來人還好好的呢！」

「聽說是『頸動脈剝離』引起中風的，你之前聽過這個病嗎？」

相信很多人已經聽過「主動脈剝離」這樣會引發胸痛、血壓下降、甚至猝死的急症，不過呢，動脈剝離不只會發生於主動脈，也可能出現於其他位置的動脈。今天我們來看看另一位置發生的動脈剝離疾病—頸動脈剝離。頸動脈剝離患者的年齡比較輕，最常發生於 40 歲至 50 歲之間的患者身上，因此頸動脈剝離是 50 歲以下患者罹患中風的常見原因之一。

要了解頸動脈剝離，我們需要先來分別了解頸動脈的重要性和什麼是動脈剝離。頸動脈位在脖子兩側，負責供應通往頭頸部與腦部的血流。第一部分稱為總頸動脈，左側的左總頸動脈由主動脈直接發出，右側的右總頸動脈由頭臂動脈發出；之後總頸動脈在頸部會分支成外頸動脈與內頸動脈。外頸動脈負責了支援臉部與頭皮的血流；內頸動脈則提供了腦部前方的血流。有了這個基本概念後，我們可以知道萬一頸動脈出了事情，很可能會造成頭頸部與腦部出現症狀。

至於動脈剝離的概念，需要先了解血管壁有分層，動脈剝離代表血管壁最內層的內皮受傷，出現裂痕，以至於血管內的血液經過內層裂痕，進到血管壁分層之間，並將血管壁分層撐開，導致血管壁鼓脹。這時，血流速度會因此減緩，甚至停住，還會形成血塊栓子；鼓脹的血管壁也會壓迫到周遭的組織與神經，進而造成症狀。

頸動脈剝離的原因

所以，究竟什麼原因會讓頸動脈的內皮受傷，出現裂痕，而導致了頸動脈剝離呢？若長期血壓高，有抽菸習慣，或本身有結締組織疾病「馬凡氏症候群」，都會讓血管壁比較容易受傷，出現裂痕，因此導致了頸動脈剝離。

另外，頸部受到外傷，或者活動、運動過於激烈，也會造成血管壁受傷。於是，車禍是頸動脈剝離的常見原因。而玩雲霄飛車、滑雪、潛水、玩彈跳床、或按摩，甚至是咳嗽突然間太大力，都曾出現引發頸動脈剝離的案例。

頸動脈剝離的症狀、診斷、與治療

頸動脈剝離後，通往頭頸部與腦部的血流速度降低，血流不足，可能會造成頭痛、脖子痛、眼睛痛、頭皮疼痛。有些患者的症狀就只有疼痛而已，但有些患者在頸動脈剝離後，會出現單側眼皮垂墜並瞳孔縮小、單側肢體無力等中風症狀，這些症狀可以是突然出現，也可能在頸動脈剝離後幾天內逐漸浮現。

若臨床檢查擔心有頸動脈剝離的可能，醫師會安排頸部血管攝影檢查。確認診斷為頸動脈剝離後，需要用抗凝血劑或抗血小板聚集的藥物，減少血管內血塊栓子的形成。部分案例需要用頸部血管支架。

避免頸動脈剝離

血管的健康很重要，而要維繫血管健康，一定要養成健康的生活習慣，並避免讓頸部受鈍挫傷。不要使用菸草或抽菸，定期檢查血壓並治療高血壓，保持規律運動習慣，但要避免會容易讓頸部受傷，較危險的活動運動。

• 本文轉載自 Care Online 照護線上《突然頭痛、眼皮垂，竟然是「頸動脈剝離」》，歡迎喜歡這篇文章的朋友訂閱支持 Care Online 喔
• 加入照護線上 LINE 官方帳號，健康資訊不漏接