心理學之流言終結者：速食店常見紅色設計，真的能激起人們的食慾嗎？

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

「我剛才在想妳的洋裝。」「喜歡嗎？」「我覺得很好。」他說。「怎樣啦？」「但是可以更好。妳知道，也許整團扔在地上。」「你這麼認為？」「還蠻確定的。」他回答：「不過，現在都只是猜測。我需要一些實驗數據。妳懂，做個前後比較。」──李．查德《一觸即發》（Tripwire）^{[1, 2][註1]}

比起女性的穿著，有些男性可能更看重對方的「內在」，急於把包裝丟掉。然而，過往的文獻指出，女性身上那塊布料以及妝容、首飾的顏色，恐怕都帶有重要的社交訊號。^[3]

紅色訊號

紅色，增添男女在異性眼中的魅力。^[註2]看著穿紅衣的男性，女性評價對方的好感度略升。性別對調的雷同情境，男性更是難以抗拒強烈吸引：試圖挪近座位，忍不住提出親密問題，並且比較願意跟她約會，或為她花錢。或許是基於演化，從紅潤的肌膚，推斷一個人的健康狀況、繁衍價值，甚至女性是否排卵或高潮。紅色跟美妝、性感內衣、情人節、紅燈區與性的連結，深植人心。^[3]

20世紀的知名美國設計師Bill Blass曾建議：「遲疑的時候，就穿紅色。」^{[4, 5]}不過，德國波茨坦大學（University of Potsdam）、烏帕塔大學（University of Wuppertal），以及美國佛羅里達州立大學（Florida State University）學者所組成的團隊，並不覺得顏色是單純的時尚選擇。他們想瞭解，女性在情慾高漲的受孕期（fertile phase），也就是排卵日與之前幾天，或是被男性吸引時，是否會傾向穿戴紅色。^[3]

助理的欺世容顏

研究團隊安排了一個雖然帶有欺騙意味，但是研究倫理委員會給過的詭計：首先，請 20 名女學生，無情品評 7 張白人男性照片。從奇醜無比到潘安再世，最高 9 分。依據她們的給分，挑選出顏值優於平均，還有面容堪稱平庸的各 1 張，冒充「研究助理」的長相。^[3]

然後，假裝要進行「智能與感知」研究。事前2天，發送電子郵件給隨機分為 3 組，總共 323 名的女性受試者。其中 2 組的信件，分別夾帶某 1 張「研究助理」的照片。等大家都來了，收到照片的受試者才被告知，該「助理」不克出席，其任務改由別的工作人員執行。^[3]

泛紅的數據統計

當天看似為主要的程序結束後，工作人員以另個研究之名，幫每位受試者拍攝臉部特寫和全身照各1張，並請她們填寫經期、避孕藥、感情狀態等資料。同意拍照者，可以於出席費的5歐元之外，再獲得5歐元的回饋。排除更年期、懷孕、同性戀、不願拍照、沒有完成問卷，以及生理期資訊提供不全的人。最後採用的數據來自 281 名，介於 17 至 46 歲之間的異性戀與雙性戀女性。她們的照片中，正紅、腥紅、粉紅、栗紅、橙、紫等，所有跟紅色沾得上邊的衣著、首飾、化妝，全部都納入統計。^[3]

女性為誰添紅妝？

研究團隊分析受孕期、避孕藥、天氣、年紀、感情狀態，跟男性外貌等 6 項變因，但最後僅有 1 項會促成符合假說的結果。^[3]「因為親愛的朋友，你和我就像那面紅牆。理論上是個好主意，實際上卻不怎麼行得通。」一切正如 Carrie，在《慾望城市》第 3 季第 8 集中所言。^[6]儘管女性在受孕期對交往的渴求，以及用紅色來增加自身魅力的習性，都有文獻背書，^[3]現實終究無比殘酷──「人帥真好，人醜吃草」。

無論生理週期的變化，只有在預期見到美男時，女性才會提高紅色系打扮的用量。此現象又以使用避孕藥，而荷爾蒙濃度穩定的群體最為明顯。這點令研究團隊頗為困惑，推測自然排卵的女性，大概另有展現萬種風情的方法。至於長相平凡和沒有照片的男性，都撩撥不起春心蕩漾，女性就無差別地懶得為他們添紅妝。^[3]

備註

1. 本文引述小說《一觸即發》（Tripwire）時，中文書名採用皇冠文化的版本，但是內容為筆者根據原文的翻譯。^{[1, 2]}
2. 原論文以順性別異性戀的白人為討論對象，^[3]其分析在別的族群，未必成立。

1. Child L. (2008) Tripwire (Jack Reacher 3), p. 359. Random House.
2. 皇冠文化集團「一觸即發」皇冠讀樂網（Accessed on 31 OCT 2023）
3. Agthe M, Niesta Kayser D, Schwarz S, et al. (2023) ‘Antecedents of the red-romance effect: Men’s attractiveness and women’s fertility’. PLOS One, 18(4): e0284035.
4. ‘The 87 Greatest Fashion Quotes of All Time’. (04 FEB 2022) Harper’s Bazaar.
5. ‘Bill Blass’. (18 JUN 2023) Encyclopedia Britannica.
6. ‘Sex and the City: Cock-a-Doodle-Do’. IMDb. (Accessed on 31 OCT 2023)

下過雨後，天空藍得透明。這個自然現象，衍生出成語雨過天青，比喻情況由壞轉好。雨過天晴也有同樣的意思，不過仍以雨過天青較為正式。閒話少說，讓我們造兩個句吧。

這事挽救及時，現已雨過天青。

雨過天青，您的事可以放心了。

這個成語還有個故事呢。有一種瓷器，稱為雨過天青，起源於五代‧後周柴世宗。某日臣子請示，皇家瓷器要燒成什麼顏色？柴世宗隨手批示：「雨過天青雲破處，這般顏色作將來。」工匠經過多次實驗，終於燒製出來，這就是有名的「柴窯」。由於沒有作品傳世，柴窯的真面目已無從查考。

談到這裡，該談談這個成語的意涵了。大雨過後，天空為什麼藍得透明？這是因為空氣中的灰塵隨著雨下降下，空氣較為潔淨的關係。喜歡打破沙鍋問到底的小朋友或許還會問：為什麼空氣潔淨、天就較藍？

這要從天空為什麼呈藍色說起。空氣的成份，主要是氮氣和氧氣。晴天的時候，射到地球上的陽光碰到空氣中的氮分子或氧分子，會引起散射作用。藍光的波長較紅光短，散射得較厲害，看在我們眼裡，天空就成為藍色的。

這個道理看起來好像很簡單，但是人類明白這個道理是 19 世紀末的事。1873 年，英國物理學家瑞利是第一位看天看出名堂的人。他的散射理論——瑞利散射，破解了天色的秘密。

在陽光的七種色光中，紅、橙、黃光的波長較長，藍、靛、紫光的波長較短。空氣中的氧分子、氮分子，大小恰好可以散射波長較短的藍光，藍光散了一天，天空當然呈藍色的。

到了傍晚，夕陽西下，陽光打斜裡射過來，較接近地面，而地面的空氣含有較多的水氣和灰塵，粒子比氧分子、氮分子大得多，較容易散射波長較長的紅光、橙光或黃光，艷麗的晚霞就是這樣散射出來的。

如果天上懸浮著小水滴，也就是雲，那又是另一種景象。小水滴比灰塵大得多，各種波長的色光都能被它散射，結果雲就成為白色的。如果雲層較厚較密，陽光穿不過去，就變成了灰色或黑色。白雲蒼狗，不過是陽光玩的把戲而已！

當雲聚成雨滴的時候，顆粒就更大了，大得具有稜鏡的作用。倘若一邊已出太陽，一邊還在下雨，陽光穿過雨滴，就會形成彩虹。噴泉和瀑布上也可以出現彩虹，原理是一樣的。