線蟲的演化賽局：既然是孤雌生殖，為何還需要精子？

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

本文轉載自顯微觀點

科學界的重大盛事－諾貝爾獎，已在 10 月揭曉。今（2024）年生醫獎頒發給維克托．安布羅斯（Victor Ambros）和加里．魯夫昆（Gary Ruvkun），他們以「發現 microRNA 及其在轉錄後基因調控中的作用」獲肯定得到桂冠。而這項重大發現的背後，一種叫做「秀麗隱桿線蟲」（C. elegans）的小蟲子居功厥偉。

生醫獎背後大功臣

安布羅斯和魯夫昆對於基因如何受到調控，如何因活化時間不同而確保各類型細胞在正確時間點發育的問題很感興趣。因此他們研究因基因活化出現問題的兩種線蟲突變株：lin-4 和 lin-14，以瞭解當中的機制。

一開始，安布羅斯先發現 lin-4 基因似乎是 lin-14 基因的負調節因子，但 lin-14 的活性是怎麼被阻斷的，仍然是個謎。因此他系統性地找尋 lin-4 在基因體中的位置與基因序列，也因此意外發現 lin-4 基因只會產生一種異常短、不足以合成蛋白質的核醣核酸分子。

同一時間，魯夫昆在麻州總醫院和哈佛醫學院新成立的實驗室研究 lin-14 基因的調控。魯夫昆發現 lin-4 抑制的並不是 lin-14 的產生，而是抑制 lin-14 基因產生蛋白質，且發生在基因表現過程的後期。實驗也顯示要抑制 lin-4，必須要有 lin-14 訊息核醣核酸（mRNA）中的一個片段。

安布羅斯和魯夫昆比較了各自的實驗成果，找到突破性的發現：lin-4 部分序列與 lin-14 訊息核醣核酸的關鍵片段中的序列互補。他們進一步實驗，顯示 lin-4 微型核醣核酸（microRNA）透過與 lin-14 訊息核醣核酸中的互補序列結合，來抑制 lin-14 轉譯，進而阻斷 lin-14 蛋白質的產生，也因此揭開 microRNA 介導的基因調控新原理。

這項結果被發表在 1993 年的《細胞》期刊的兩篇文章上。但一開始這樣的基因調控機制被認為是秀麗隱桿線蟲所特有，而不受重視。直到 2000 年，魯夫昆的研究團隊發現了另一種由 let-7基因編碼的 microRNA，科學界的態度才發生變化；因為 let-7 基因高度保存在整個動物界中。

接下來的幾年裡，數百種不同的 microRNA 被鑑定出來，微型核醣核酸的基因調控在多細胞生物中普遍存在；而基因調控若失常，則可能導致糖尿病、癌症或自體免疫疾病。

這不是秀麗隱桿線蟲第一次「助攻得獎」。

成為助攻王的關鍵

2002 年西德尼．布瑞納（Sydney Brenner）、約翰．蘇爾斯頓（John Sulston）和羅伯特．霍維茨（Robert Horvitz）便是從秀麗隱桿線蟲的研究「發現器官發育和計畫性細胞死亡的遺傳調控機理」，進而獲得該年諾貝爾生醫獎。值得一提的是，今年的兩位得主都曾是霍維茨實驗室的博士後研究員。

除此之外，2006 年諾貝爾生理醫學獎也頒給研究線蟲的美國科學家安德魯．法厄（Andrew Zachary Fire）和 克雷格．梅洛（Craig Cameron Mello），以表彰他們「發現 RNA 干擾—雙鏈 RNA 引發的沉默現象」。甚至馬丁．查菲（Martin Chalfie）也利用秀麗隱桿線蟲的觸感接受器神經元「發現並改造綠色螢光蛋白（GFP）」獲得 2008 年諾貝爾化學獎。

秀麗隱桿線蟲為何能成為諾貝爾的「助攻王」呢？布瑞納曾在他的論文中提到：「線蟲適合做基因研究，並且其神經系統可以被精準確定。」他在 1963 年提出以秀麗隱桿線蟲作為模式生物，並於 1974 年發表其在發育生物學和神經科學的成果。

秀麗隱桿線蟲是第一種完成全基因組定序的多細胞生物。加上體積小、成蟲約長1公釐，以及透明且易於獲取的遺傳物質，使其成為絕佳的模式生物。

其在室溫下大約三天可以從卵生長為可受精的成蟲，在實驗室中以大腸桿菌為食，易於大量培養。並且解凍之後仍能存活，因此適合長時間儲存。加上每隻成蟲可產生約 300 隻後代，適合作遺傳學研究。

易於觀察也是秀麗隱桿線蟲作為絕佳模式生物的關鍵因素。由於細胞譜系固定，研究人員可以使用微分干涉顯微鏡（DIC）觀察每一個細胞的發展，甚至在在螢光蛋白出現之前，就有從受精卵到成體完整細胞譜系的描述。

在線蟲研究的多個工作步驟中，立體、複式或共軛焦顯微鏡都是常見的工具，以符合不同實驗要求。且隨著顯微技術的發展，秀麗隱桿線蟲在發育生物學中的應用和研究也更加多元。

隨技術發展 研究面向更多元

在挑選合適的線蟲並準備進行遺傳或生化分析的「採蟲」階段，通常會使用末端黏有睫毛的木棍，在立體顯微鏡下關、挑選。然後使用倒立顯微鏡以顯微注射對線蟲性腺進行基因改造。

螢光蛋白（FP）是在線蟲中進行分子和細胞行為研究的核心工具，螢光顯微技術廣泛用於線蟲研究，例如 GFP 及其改進版本（如mScarlet和mCherry）常用於標記和追蹤蛋白質的動態過程。

螢光蛋白也可使用於研究線蟲的染色體外陣列表現或穩定整合到基因組中。現在則有許多研究者使用 CRISPR（基因編輯）技術，將螢光標記穩定地整合到基因組中，這樣可以精確追蹤特定蛋白在細胞內的表現位置和強度。

層光顯微術（Lightsheet microscopy）則可以在不壓縮樣本的情況下，提供更高的空間和時間解析度，特別適合長期追踪線蟲胚胎發育過程。

除此之外，因為秀麗隱桿線蟲是截至 2019 年唯一一個完成連接體（connectome，神經元連接）測定的生物體，因此一直以來也常被作為神經科學研究的模式生物。

研究者可利用螢光蛋白（如 GCaMP）來追蹤鈣離子濃度的變化，當鈣離子濃度上升時會發出更強的螢光，再透過螢光強度來分析神經系統在睡眠、運動等各種行為時的活動模式。或是進一步利用轉盤式共軛焦顯微鏡、雙光子顯微鏡，抑或結合更強大的影像分析工具，對神經元活動成像並藉此解讀不同行為背後的神經迴路機制

作為模式生物，秀麗隱桿線蟲因為基因組簡單、細胞譜系固定且神經結構已知，為揭示基因調控、細胞發育、神經行為等生物學問題提供了清晰的研究途徑，在生物學研究中佔有重要地位。

儘管已是諾貝爾獎「助攻王」，相信隨著顯微和基因編輯技術的快速發展，秀麗隱桿線蟲仍能在探索人類疾病模型、藥物篩選及再生醫學等應用領域，引領研究新方向。

• 諾貝爾官網：新聞稿
• Breimann, L., Preusser, F., & Preibisch, S. (2019). Light-microscopy methods in C. elegans research. Current Opinion in Systems Biology, 13, 82-92. 
• Studying Caenorhabditis elegans (C. elegans)

※另感謝台灣科技媒體中心（SMC）舉辦諾貝爾獎解析記者會

本文轉載自顯微觀點

顯微鏡在科學發展中扮演關鍵的角色，讓人們得以突破肉眼的限制，深入微觀的世界探索。而隨著時間推進，顯微技術也日新月異，其中現代顯微鏡設計了所謂的「無限遠光學系統」（Infinity Optical Systems），更是提升了顯微鏡性能和突破過去的觀察瓶頸。因此主要的顯微鏡製造商現在都改為無限遠校正物鏡，成為顯微鏡的技術「標配」。

1930 年代，相位差顯微技術出現，利用光線在穿過透明的樣品時產生的微小的相位差造成對比，使透明樣本需染色就能更容易被觀察。1950 年左右，則出現使用兩個 Nomarski 稜鏡，將光路分割再合併產生 干涉效應的 DIC 顯微技術，讓透明樣本立體呈現、便於觀察。

在傳統「有限遠系統」中，單純的物鏡凸透鏡構造，會直接將光線聚焦到一個固定距離處，再經過目鏡放大成像。也因此過去顯微鏡的物鏡上通常會標示適用的鏡筒長度，通常以毫米數（160、170、210 等）表示。

而在過渡到無限遠校正光學元件之前，選用的物鏡和鏡筒長度必須匹配才能獲得最佳影像，且大多數物鏡專門設計為與一組稱為補償目鏡的目鏡一起使用，來幫助消除橫向色差。

但是問題來了！當這些光學配件要添加到固定鏡筒長度的顯微鏡光路中，原本已完美校正的光學系統的有效鏡筒長度大於原先設定，顯微鏡製造商必須增加管長，但可能導致放大倍率增加和光線減少。因此廠商以「無限遠」光學系統來解決這樣的困境。

德國顯微鏡製造商 Reichert 在 1930 年代開始嘗試所謂的無限遠校正光學系統，這項技術隨後被徠卡、蔡司等其他顯微鏡公司採用，但直到 1980 年代才變得普遍。

無限遠系統的核心在於其物鏡光路設計。穿透樣本或是樣本反射的光線透過無限遠校正物鏡，從每個方位角以平行射線的方式射出，將影像投射到無限遠。

透過這種方法，當使用者將 DIC 稜鏡等光學配件添加到物鏡、目鏡間鏡筒的「無限空間」中，影像的位置和焦點便不會被改變，也就不會改變成像比例和產生像差，而影響影像品質。

但也因為無限遠系統物鏡將光線平行化，因此這些光線必須再經過套筒透鏡在目鏡前聚焦。有些顯微鏡的鏡筒透鏡是固定的，有些則設計為可更換的光學元件，以根據不同實驗需求更換不同焦距或特性的透鏡。

除了可以安插不同的光學元件到光路中而不影響成像品質外，大多數顯微鏡都有物鏡鼻輪，使用者可以根據所需的放大倍率安裝和旋轉更換不同的物鏡。

傳統上一旦更換物鏡，樣本可能就偏離焦點，而須重新對焦。但在無限遠光學系統的設計中，物鏡到套筒透鏡的光路長度固定，也就意味著無論更換哪個物鏡，只要物鏡設計遵循無限遠系統的標準，光路長度和光學路徑的一致性得以保持。

因此無限遠光學系統也有助於保持齊焦性，減少焦距偏移。這對需要頻繁切換倍率的實驗操作來說，變得更為便利和具有效率。

不過使用上需要注意的是，每個顯微鏡製造商的無限遠概念都有其專利，混合使用不同製造商的無限遠物鏡可能導致不正確的放大倍率和色差。

改良顯微技術，使研究人員能夠看到更精確的目標；以及如何讓更多光學配件進入無限遠光學系統中的可能性仍然在不斷發展中。但無限遠光學系統的出現已為研究人員打開了大門，可以在不犧牲影像品質的情況下輕鬆連接其他光學設備，獲得更精密的顯微影像。

1. M. W. Davidson and M. Abramowitz, “Optical microscopy”, Encyclopedia Imag. Sci. Technol., vol. 2, no. 1106, pp. 120, 2002.
2. C. Greb, “Infinity Optical Systems: From infinity optics to the infinity port,” Opt. Photonik 11(1), 34–37 (2016).
3. Infinity Optical Systems: From infinity optics to the infinity port
4. Basic Principle of Infinity Optical Systems
5. Infinity Optical Systems

延伸閱讀：選擇適合物鏡 解析鏡頭上的密碼