下次感冒的時候，你該慶幸自己不是身負重要指令，穿梭在戰場上的信鴿。呼吸的空氣，經過左右鼻孔。經過右鼻孔的空氣，又特別對鳥類廣為人知的認路能力有關。研究人員讓一群鴿子背上GPS全球定位系統，然後用橡皮栓塞住左邊或右邊的鼻孔，將他們在距離巢25英哩以外的地方釋放。和正常的鴿子相比，左鼻孔塞住的鴿子，在導航能力上遇到了些麻煩，不過最後還是可以回巢。而右鼻孔塞住的鴿子，雖然最後也回巢了，但他們途中停下來較多次，而且和其他兩組（正常鴿子及左鼻孔塞住的鴿子）相比，也繞了比較多圈。研究人員相信，鳥類需要時間，從風中收集足夠的氣味去建構出地圖。而右鼻孔有較敏銳的嗅覺，也支持鳥類左右腦半球具有不同功能。
資料來源：ScienceShot: Homing Pigeons Follow Their Noses [27 January 2011]
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。
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！
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。
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。
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。
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。
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。
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
討論功能關閉中。
氣味是最佳記憶線索嗎？氣味又何以成為最佳記憶線索？我從一九九○年起便開始追尋這些問題的解答，並且利用各式各樣的技術來研究氣味喚起記憶的本質。
在探索過程中我遇到的第一個挑戰，就是理解人們稱為「可靠的記憶」或「最佳記憶線索」究竟代表什麼意思。人們認為「可靠」的記憶，通常是一段精準的記憶，對事件發生的場景有逼真及如實的回想。但記憶不單是在腦海正確無誤地重現往事而已，除了記得奶奶的家在哪裡之外，記憶還擁有私密、主觀及情感的面向。
對於過去的回想始終伴隨著情緒，從朦朧的思鄉情懷，到濃烈深刻的情感都有可能。由於如此多元的表現，我將記憶分為兩部分以便研究：記憶的客觀準確性——有誰在場，他們如何穿著打扮，又說了什麼話；以及記憶的情緒特質——重溫過往經歷時所激發的感受。
為探討氣味喚起的記憶與其他類型的記憶有何差異，我研擬了一套類似羅賓等人使用的程序，比較在同樣物體但不同感官形式的線索下所喚起的記憶。舉例而言，將爆米花影像、玉米爆開的聲響、玉米粒的觸感、甚至單純爆米花這個詞彙所激發的回憶，與爆米花氣味所激發的回憶做比較。
實驗結果發現，氣味喚起記憶的準確、詳盡及逼真程度，與同樣物體的影像、聲音或觸感所喚起的記憶不相上下，但也僅止於此。不過，氣味喚起的記憶在情緒豐富性的面向卻相當突出，相較於其他方式所喚起的記憶，能使受試者列舉更多種情緒，評估更大的情緒強烈度，並且表示記憶負荷的情感能量之大，就如同往事重演一般。
同時我發現，當藉由氣味回憶往事時，杏仁核這個腦部情緒泉源所活化的程度，遠比藉由影像回憶同樣往事時明顯。因此，氣味喚起的記憶確實異於其他種類的記憶體驗，具有獨特的情緒豐富性及感染力。無論在情緒反應或腦部影像表現方面。
氣味喚起的記憶總是讓人有強烈的情緒感受，但同樣記憶所帶來的情緒並非始終一成不變。一種氣味可能總讓你想起同樣人物或時刻，伴隨一股情緒的湧現，然而，即使記憶的內容終生不移，其所依附的情緒卻不然。
假使你十六歲那年，極度迷戀班上一位受歡迎的女孩（我們暫且叫她「南西」），而讓你受寵若驚的是，她竟然答應與你一同出席高中舞會。不久，你滿心歡喜地成為南西的男友，每當在她身旁，總能察覺到那股甜美的特殊香氣（事後你才知道那是香奈兒五號香水）。
在前幾個月的熱戀時期，每當你偶然聞到南西的氣味，心頭就充滿無盡狂喜。幾個月美妙的約會過後，在某場大型晚宴上，南西當著所有嫉妒你的朋友面前，輕易地將你甩了。你深陷痛苦、羞辱及憤怒之中，無法自拔。現在，每當香奈兒五號的氣味捎過鼻尖，糟糕的情緒紛沓而至，與才幾天前帶來的歡愉簡直天差地遠。
讓我們快轉到十五年後的未來，你與終生伴侶幸福地生活著，感到自信及滿足；某天前往工作途中，一位抹著香奈兒五號的女人經過身旁，你不禁莞爾。你憶起關於南西的一切往事，但不再有歡愉或羞辱感，取而代之的是截然不同的情緒。如今，在幽默及智慧的點綴下，你的感受染上寬容的懷舊風情。
上述的小插曲顯示，回憶南西時所伴隨的情緒雖然總是強烈，卻不一定相同，這取決於回憶當時南西對你的意義。伴隨特定記憶的情緒就像一個函數，隨著回憶當時往事對你而言所具有的意義而轉變。
這樣多變的情緒並不侷限於氣味所喚起的記憶，但由於氣味記憶具有強烈的情緒本質，因此成為此現象的最佳寫照。如同南西的故事所呈現，氣味喚起的記憶並沒有比其他記憶線索準確多少，但伴隨的情緒卻格外豐富。
我認為氣味喚起的記憶所具有的情緒鮮明度及強度，是氣味被視為「最佳」記憶線索的理由所在，因為它們強大的情緒召喚力。氣味記憶的情緒強度造成假象，讓人以為這些記憶特別眞實，以為氣味是回想往事最優秀的提示者。
氣味喚起的記憶充分證實情緒的說服力，同時也提醒我們必須謹慎以對。當記憶受情緒感染，人們不禁對記憶的準確程度過於有把握，而法庭證人席時常上演這種戲碼。目擊證人傾向過於頑固地堅持，自己的回憶絕對正確。遺憾的是，研究顯示目擊證人的記憶往往錯得離譜。
不過，因為情緒太強烈而以為記憶正確無誤的說法，仍然無法充分解釋，氣味為何能贏得最佳提示者的美譽。普魯斯特曾約略提到氣味喚起記憶的另一項特性，也許確實能讓氣味優於其他記憶線索。加拿大作家安妮．穆倫斯（Anne Mullens）曾告訴我一個關於她的故事，正可生動描繪這項特性。
——本文摘自《嗅覺之謎：生物演化與免疫基因；社會學與文化史；品牌行銷到未來科技，探索氣味、記憶與情緒的嗅覺心理學。》，2023 年 3 月，堡壘文化出版，未經同意請勿轉載。
被這篇一提，其實應該也要包含，歷來個人嗅覺累積記憶的歷史? 如果一直遇到多種組合味道，因為本來通常就是多種成分的排列組合，包含比如說，如果能一直遇到同一種花同一種調味料不同品種不同製程的香氣? 其實可能就會混淆模糊?
臺灣的經典偶像劇《薰衣草》完結多年，片頭曲依然深植人心：「♪ 記憶是陣陣花香／♪ 我們說好誰都不能忘～」[1]〈花香〉的音律撩起劇情回憶，歌詞所述也真有幾分科學根據。當人將特定線索與學習的內容連結，便能在睡覺時以此線索鞏固對該內容的印象，即標的記憶再活化（targeted memory reactivation）。氣味和聲音，都曾被證實是有效的線索。[2]只是進一步探討如何運用氣味強化記憶的臨床試驗，沒分送浪漫的瓶裝薰衣草，倒是散發出玫瑰香氛的甜美氣息。
德國佛萊堡大學（University of Freiburg）的研究團隊，在大猩猩實驗編輯器（Gorilla Experiment Builder）這個雲端平台上，建立了線上教學課程。讓以德文為母語，且對日文一竅不通的受試者，學習日文單字。內容條列的 40 組德、日雙語對照詞彙，其涵蓋 20 組名詞，以及各 10 組的動詞與形容詞。兩種語言的每個單字，都超過兩個音節。日語方面，採用羅馬拼音，沒有平假名、片假名或漢字。測試香氛如何幫助記憶的數次期中和期末考，試題範圍皆限於此詞彙對照表。[2]
這個研究的目的看似簡單，但是並非有鼻有腦，就能盛情參與。受試者不僅不可健忘、失眠或是嗅覺欠佳；聞香前 24 小時，還不得飲酒或使用鎮靜藥物。起先篩除條件不符的報名者，得到 195 名介於 18 至 35 歲之間的人受試。從走完整個臨床試驗的 183 人中，再扣掉某些未照規定聞香者，最後僅分析165份數據。[2]
受試者於頭3天學習、睡覺並參加期中考；結束學習階段後，在第 4、10 和 31 天，則各有 1 次期末考。此外，第 2、3 及 4 天，需額外填寫睡眠品質問卷。（如圖。）依照不同的聞香條件，他們被分為下列 4 組：[2]
知名作家張愛玲曾寫道：「娶了紅玫瑰，久而久之，紅的變了牆上的一抹蚊子血，白的還是『床前明月光』；娶了白玫瑰，白的便是衣服上的一粒飯粘子，紅的卻是心口上的一顆硃砂痣。」[3]臨床試驗力求公平精確，也不容三心二意。就怕像談感情做選擇，惹出不必要的變因。此研究統一採用美國綠葉牌（Greenleaf）玫瑰香氛袋，從一而終，一勞永逸。[2]
莎翁說，玫瑰換了名字，依然芬芳。[4][註]同理，香氛袋改變包裝，本質依然，氣味也應該不受影響。每個受試者都領到 3 只茶包，上頭以德文寫著「學習」、「睡眠」和「測試」，代表分別使用的時段。依據各組聞香的安排差異，有些茶包填入香氛內餡，其他的則塞把碎紙充數。比方說，LS 組考試的時候不聞香，他們的「測驗」茶包，就甭想有味道。[2]
2023 年 2 月的《科學報告》（Scientific Reports）期刊上，德國研究團隊表示，在學習、睡眠和測驗時，都沉浸於玫瑰香氛之中的 LST 組受試者，比其他幾組多記得 8.5% 的單字。也就是說，暴露於玫瑰花香 3 天 3 夜以上，的確會增強記憶。儘管目前還不曉得，繼續下去到第幾天效果會到達極限，也不清楚香氛助長的記憶能維持多久，他們認為這無疑是個經濟實惠，且適用於日常生活的學習技巧。[2]
《羅密歐與茱麗葉》第二幕第二場的臺詞原文：「What’s in a name? That which we call a rose, by any other word would smell as sweet.」[4]
fierycloud
