面對令人聞風喪命的神經毒素，可預服的解毒劑終於要誕生了嗎？

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

如果鄭捷用的不是刀。捷運攻擊的可能利器 – 沙林毒氣與氰化物的殺人機制。

文／ 陳奕均（台灣大學生化科技學系所）

最近的捷運砍人事件，造成社會恐慌，兇嫌鄭捷持刀攻擊多位無辜民眾，造成大量死傷。在地鐵的攻擊事件，全球皆有，除了直接以刀砍殺外，早在 1995 年，鄰近的日本即發生東京地鐵沙林毒氣事件，造成13人死亡及約6,300人受傷。而在 2002 年與 2006 年，都有人企圖以氰化物攻擊英國與美國地鐵。究竟沙林毒氣與氰化物為何物？他們是怎麼造成人類死亡？

氰化物

氰化物有三種常見種類，氰化氫（HCN）、氰化鈉（NaCN）及氰化鉀（KCN），氰化鈉及氰化鉀都是固態離子化合物。氰化物在體內解離產生的氰根離子 CN^－，會結合粒線體內膜上的細胞色素氧化酶，抑制細胞的呼吸作用，甚至造成死亡。

要深入了解氰化物的毒性原理，就必須了解呼吸作用。呼吸作用並非我們平時用鼻子吸氣吐氣，而是細胞把物質氧化分解並產生能量的過程，又稱為細胞呼吸（Cell respiration）。呼吸作用能產生許多的 ATP（三磷酸腺苷， Adenosine triphosphate, ATP），為人體中的能量代幣，儲存和傳遞能量。

呼吸作用分為三大部分，糖解作用（Glycolysis），檸檬酸循環（citric acid cycle, TCA cycle）以及電子傳遞鏈。葡萄糖在細胞質中藉由糖解作用轉換成丙酮酸（pyruvate），丙酮酸進入到粒線體以後變成乙醯輔酶A（acetyl Co A），進入檸檬酸循環。在糖解作用與檸檬酸循環的過程，除了會產生少量 ATP 外，亦會產生其他兩種能量代幣，NADH（菸鹼醯胺腺嘌呤二核苷酸）與 FADH₂（黃素腺嘌呤二核苷酸），但是NADH 和 FADH₂ 這兩種代幣人體內無法使用。必須藉由電子傳遞鏈將NADH 和 FADH₂ 轉換成 ATP 才可供人體使用。而細胞色素氧化酶就是在電子傳遞鏈中扮演產生 ATP 的重要角色，當氰根離子進入體內和細胞色素氧化酶結合，會抑制提功能，細胞就不能將 NADH 與 FADH₂ 轉換成ATP 供人體使用，導致人體化學窒息，因而死亡。

打個比方，我們在糖解作用檸檬酸循環兩間工廠工作了一天，得到了 4 元新台幣、 10 元美金和 2 元人民幣，當我們拿著美金和人民幣電子傳遞鏈銀行要換新台幣時，卻發現負責換幣的細胞色素氧化酶被氰根離子打暈了。我們就只能拿 4 元新台幣去買便當，很快就會餓死。

在大氣濃度中要是含有 100 ppm的氰化物，則 30 分鐘內即會造成死亡，若是超過 270 ppm，則馬上會出現昏迷。若是直接口服，50 毫克就有可能致死。

在很紅的電視劇後宮甄嬛傳中，鸝妃安陵容最後吞食大量苦杏仁，不出半天的時間就死於宮內，就是因為苦杏仁會產生氰化物導致死亡。而看到苦杏仁有覺得很熟？名偵探柯南常在死者嘴巴聞到淡淡苦杏仁味，就會馬上推論出死者是因為氰化物而死，即是因為氰化物有苦杏仁的氣味。

沙林

沙林（sarin）最早是在1938年被德國納粹的科學家發現，1988年伊拉克以化學武器大量屠殺庫德族人，其中包含沙林毒氣。沙林之化學式為C₄H₁₀FO₂P，為有機磷化合物，是一種乙醯膽鹼酯酶（acetylcholine esterase）的不可逆抑制劑，攻擊人體神經系統，造成肌肉癱瘓，受害者窒息死亡。

乙醯膽鹼（acetylcholine），分佈在中樞及周邊神經系統，是神經傳導物質。體內神經之所以能傳遞訊息，乙醯膽鹼佔了舉足輕重的地位。神經傳遞時，乙醯膽鹼從軸突末梢經突觸裂隙與突觸後細胞膜上的受體結合，形成神經衝動，造成肌肉收縮。乙醯膽鹼和結合後，會被乙醯膽鹼酯酶水解為乙酸（acetic acid）和膽鹼（choline），終止神經衝動，肌肉就不再收縮。

沙林會解離出氟離子，剩餘離子中的磷酸官能基和乙醯膽鹼酯酶的絲胺酸（serine）形成共價鍵，導致乙醯膽鹼酯酶失去活性，此時乙醯膽鹼無法被分解，逐漸開始堆積，使神經衝動不斷地傳遞，造成肌肉與器官無法正常運作。因此，當人體由吸入高劑量的沙林毒氣後，肌肉系統與神經系通都被癱瘓，造成受害者窒息死亡。

打個比方，乙醯膽鹼就像令牌一樣，當受體拿到這個令牌，他就會指揮人類運動。本來只要跑100公尺，乙醯膽鹼酯酶就會把令牌搶走丟掉，受體就會叫人類不要跑了。但是沙林把乙醯膽鹼酯酶打暈，乙醯膽鹼酯酶無法搶走受體拿著的令牌，只能叫人類一直跑一直跑，跑到最後人就死了。

沙林在極小濃度就可以發揮極大毒性，成年人只要吸入0.6毫克即可致命。非致死劑量的沙林侵入人體，也會造成瞳孔縮小、胸部緊塞等症狀。可怕的是，沙林的毒性具有累積性，累積至最後就會導致人體死亡。

——

看了這兩種恐怖的有毒物質過後，我都覺得搭捷運好危險了！好在這兩種有毒物質政府都有在管制，一般人不易取得。但是如果有心的話，氰化物其實是蠻容易取得的。2005 年台中市發生的毒蠻牛事件，犯人就是在飲料裡面下了氰化物，造成人員死亡。而 2012 年則有男大學生在網路上輕而易舉購得氰化物自殺，說明氰化物管理的鬆散。希望我們政府能加強對這些可能的殺人利器進行管制，避免更嚴重的捷運攻擊事件發生。

處理方法

但是如果不幸真的中毒怎麼辦呢？針對氰化物中毒，已經有解毒包可以處理。解毒包主要原理為提供另一個物質來和氰化物結合，使細胞色素氧化酶恢復功能，電子傳遞鏈持續運作產生 ATP；解毒包裡面含有亞硝酸異戊酯（C₅H₁₁ONO）、亞硝酸鈉（NaNO₂）、硫代硫酸鈉（Na₂S₂O₃）。亞硝酸異戊酯與亞硝酸鈉會和血紅素反應，使其變為變性血紅素。變性血紅素會和氰化物結合，形成毒性較低的物質。硫代硫酸鈉則可以透過體內酵素的催化和氰化物反應，使其變成毒性較低的物質。雙管齊下，降低氰化物濃度，也降低對人體的傷害。

至於沙林毒氣，目前已經多半以阿托品（atropine）與解磷定（pralidoxime, PAM）併用進行治療。阿托品可以阻斷乙醯膽鹼受體和乙醯膽鹼結合，使囤積於突觸內的乙醯膽鹼無法作用。而解磷定可以再活化被磷酸物（沙林）結合而失去活性的乙醯膽鹼酯酶，恢復其水解能力，將乙醯膽鹼水解。兩種藥品藉由不同的路徑，前者不讓乙醯膽鹼和其受器結合，後者將乙醯膽鹼水解，共同降低沙林對人體的傷害。

參考資料

氰化物：

1. 氰化物的致命之吻。郭朝禎。科學發展。2012年3月，471期，42-49。
2. 氰化物中毒怎麼辦。黃欣怡。
3. Lehninger Principles of Biochemistry,Fifth Edition . David L. Nelson and Michael M. Cox. 2008. 527-543
4. Lehninger Principles of Biochemistry,Fifth Edition . David L. Nelson and Michael M. Cox. 2008. 616-634.
5. Lehninger Principles of Biochemistry,Fifth Edition . David L. Nelson and Michael M. Cox. 2008. 708-721.

沙林：

1. Neuroscience, Fourth Edition. Dale purves. Dale Purves, George J. Augustine , David Fitzpatrick , William C. Hall , Anthony-Samuel LaMantia , James O. McNamara , Leonard E. White. 2007.119-126.
2. 國立陽明大學生命科學系暨基因體研究所－小小神經科學：神經毒氣

處理方法：

1. 化學毒劑緊急救護及治療──以日本沙林為例。蕭開平。疫情報導。106-110。

相關新聞

1. 1995年沙林毒氣襲東京地鐵。蘋果日報。2014年3月20日。
2. 英國破獲驚天大案倫敦地鐵險遭毒氣襲擊。張莉。人民日報。2002年11月18日。
3. 蓋達擬毒氣攻擊紐約地鐵。大紀元。2006年6月20日。
4. 劇毒氰化鉀竟可網購　男大生服用「比死更難受」。ETtoday地方新聞。2012年 5月21日。
5. 毒蠻牛奪命千面人改囚終身。劉昌松、鄧玉瑩。蘋果日報。2010年03月19日。