清明連假掃墓去：這裡有些增加掃墓難度的安葬選擇

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

我最親愛的　你過的怎麼樣  沒我的日子　你別來無恙   -張惠妹《我最親愛的》

常常聽到「別來無恙」的問候，其中的「恙」就是指「恙蟲」。在唐朝顏師古的《匡謬正俗》一書中便提到：「恙，噬人蟲也，善食人心。古者草居，多移此害，故相問勞，曰無恙。」用以關心久未見面的朋友沒有染讓恙蟲病、一切安好。

而清明節一到，衛福部疾管署便會提醒民眾上山掃墓或是趁連假到戶外踏青，要小心「恙蟲病」，就是因為每年恙蟲病的病例數從4、5月，也就是清明假期左右開始上升；到6、7月達最高峰。

但恙蟲病到底是什麼樣的疾病呢？恙蟲病古時被稱為沙虱，早在晉朝葛洪所著的醫書《肘後方》提及，「初得之，皮上正赤，如小豆黍米粟粒；以手摩赤上，痛如刺。三日之後，令百節強，疼痛寒熱，赤上發瘡。」

恙蟲病是一種病媒傳播的人畜共通傳染病，致病原為恙蟲病立克次體（Orientia tsutsugamushi或Rickettsia tsutsugamushi），被具傳染性的恙蟎叮咬，經由其唾液使人類感染立克次體。而感染立克次體的恙蟎，會經由卵性遺傳代傳立克次體，並在每個發育期中，包括卵、幼蟲、若蟲、成蟲各階段均保有立克次體，成為永久性感染。

感染恙蟲病可能引起危及生命的發燒感染。常見症狀為猝發且持續性高燒、頭痛、背痛、惡寒、盜汗、淋巴結腫大；恙蟎叮咬處出現無痛性的焦痂、一週後皮膚出現紅色斑狀丘疹，有時會併發肺炎或肝功能異常。 恙蟲病的已知分佈範圍不斷擴大，大多數疾病發生在南亞和東亞以及環太平洋地區的部分地區；台灣則以花東地區、澎湖縣及高雄市為主要流行區。

比細菌還小的立克次體

立克次體算是格蘭氏陰性菌，有細胞壁，無鞭毛，革蘭氏染色呈陰性。但它雖然是細菌，但是嚴格來說，更像是細胞內寄生生命體，生態特徵多和病毒一樣。例如不能在培養基培養、可以藉由陶瓷過濾器過濾、只能在動物細胞內寄生繁殖等。大小介於細菌和病毒之間，呈球狀或接近球形的短小桿狀直徑只有0.3-1μm，小於絕大多數細菌。

最早發現的立克次體感染症的是洛磯山斑疹熱（Rocky mountain spotted fever）；由美國病理學家立克次（Howard Taylor Ricketts，1871-1910）所發現。

1906年立克次到蒙大拿州度假，發現當地正在流行一種叫做洛磯山斑疹熱的傳染病，病患會出現頭痛、肌肉痛、關節疼痛的症狀，之後皮膚會出現出血性斑塊。當時沒有人知道是什麼原因造成這個疾病。

立克次一開始以顯微鏡觀察病患血液，發現一種接近球形的短小桿菌，但卻無法體外培養。而他將帶有「短小桿菌」的血液注射進天竺鼠體內，或是以壁蝨吸食患者血液再咬天竺鼠，發現天竺鼠也會染病。另外，他試驗各種節肢動物來做為媒介，發現只有壁蝨能夠成為傳染窩進行傳播。

立克次釐清了洛磯山斑疹熱的成因與傳染途徑，但因為無法在體外培養基培養這個病原菌，他並未加以命名。

後來其他研究者從斑疹傷寒等其他疾病也發現無法在培養基生長、必須絕對寄生宿主細胞的類似細菌，並為了紀念立克次的貢獻，而命名為「立克次體」。

而立克次體不只一種，因此引起的疾病也不只有恙蟲病。在台灣列為法定傳染病的還有由普氏立克次體（Rickettsia prowazekii ）引起的流行性斑疹傷寒，透過體蝨在人群間傳播；由斑疹傷寒立克次氏體（Rickettsia typhi）造成的地方性斑疹傷寒，由鼠蚤傳播至人體。另外還有由立氏立克次體（Rickettsia rickettsii）所引致的洛磯山斑疹熱等。

立克次體透過傳統革蘭氏染色的效果非常弱；因此常用一種對卵黃囊塗片中立克次體進行染色的方法，以利光學顯微鏡觀察。現在，這項技術常用於監測細胞的感染狀態。

受限於光學顯微鏡的解析度，許多科學家也使用電子顯微鏡來對立克次體與宿主細胞相互作用的精細結構進行分析。例如分別引起流行性斑疹傷寒、洛磯山斑疹熱和恙蟲病的立克次體，外膜組織就能透過電子顯微鏡看到些許的差別，有的外膜較厚，有的則是外膜內葉和外葉倒置。

做好預防就能別來無「恙」

根據疾管署統計，今（2024）年至 4 月 1 日恙蟲病確定病例已累計至 2 8例，高於去年同期。

立克次菌無法在一般培養基培養，雖然可用接種天竺鼠或雞胚胎來分離病原確診，但基於實驗室生物安全操作規定，通常以免疫螢光法、間接血球凝集、補體結合等檢查抗體的方式來檢驗。

恙蟲病可用抗生素治療，若不治療死亡率達 60%。但最好的預防方式還是避免暴露於恙蟎孳生的草叢環境，掃墓或是戶外活動最好穿著長袖衣褲、手套、長筒襪及長靴等衣物避免皮膚外露。離開草叢後也要盡速沐浴和更換全部衣物，以防感染。

• Ammerman, N. C., Beier-Sexton, M., & Azad, A. F. (2008). Laboratory maintenance of Rickettsia rickettsii. Current protocols in microbiology, Chapter 3, Unit–3A.5.
• Silverman, D. J. (1991). Some Contributions of Electron Microscopy to the Study of the Rickettsiae. European Journal of Epidemiology, 7(3), 200–206.
• 立克次–立克次疾病的研究先驅
• 維基百科-立克次體
• 疾管署官網

明明同樣都是「捲」的食物，為什麼潤餅皮這麼有彈性，而蛋捲卻這麼脆呢？原來阿，是因為潤餅皮是用高筋麵粉做的，蛋白質含量最高，而蛋捲則是採用蛋白質含量最少的低筋麵粉做成。

捲捲人生-捲的古往今來

為什麼每當到了清明節時，我們都要吃潤餅呢？這個故事就要回到春秋時代的晉國，當時的國君晉文公非常想恭請介之推來輔佐自己，他是晉文公在海外流亡 19 年的救命恩人，但介之推卻遲遲不答應，因此晉文公聽了某個官員的意見，只要在他住家   的山腳下放火，就會讓宅在家的介之推和母親不得不往反方向逃，到時候就可以輕鬆的在山腳的另一頭等待他了。而久等在山腳另一邊，想喜孜孜迎接的晉文公，迎來的卻是晴天霹靂的噩耗…介之推和母親因為不肯下山，而被大火活活燒死了！這個結果讓晉文公悲痛萬分，於是規定每年清明節左右不得生火，只能吃冷食。而此時百姓也正值在吃老祖先們用來祭祀春神的「五辛」，分別是都會辣的蔥、蒜、韭菜、芫荽和油菜，預先準備好配料，用餅皮包著吃就成了「潤餅」的由來了！

只要是「捲」的食物，不管是什麼捲，在包饀料時，不論生熟一定要把水分瀝乾，不然餅皮再堅固也會破皮，就算沒破也不 Q 彈了。除了要注意內餡之外，也要注意捲的方式！通常圓筒狀的捲，有全包覆和開放式的，全包覆捲皮要薄，兩端折起來再捲，抹麵糊固定，開放式的饀料不宜太細碎；螺旋捲法用的捲皮會比較厚，但更好固定饀料，也很好切開；雙向捲則是兩端捲起，擺盤漂亮。看來對於不同方式的「捲」，可說是非常講究呢！

全新第三季《神廚賽恩師》

公共電視科普節目《神廚賽恩師》 ，結合科學、廚藝與食育教育，引領大眾用有趣的方式、從 Science-科學角度讓大眾了解傳統廚藝「伙房 36 法」中的科學知識。第三季節目於 2023 年 2 月 3 日起，每週五晚上 6 點在公視主頻首播，公視 3 台每週五晚上 7 點首播，重播時段為公視主頻每週六早上九點三十分與公視 3 台週日晚上六點播出。

▸《神廚賽恩師》第三季將於 2/3（五）起，18:00 在公視主頻首播

其他播出資訊

▍ 公視頻道每週五晚間 18:00、公視三台每週五晚間 19:00 （首播）

▍ 公視頻道每週六早上 09:30、公視三台每週日晚間 18:00 （重播）

▍ 並將於公視+ 影音平台完整上架　敬請期待

▍ 烹調中蘊含科學原理，一起發現料理中樂趣