《小飛象》真的能飛得起來嗎？

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

「大象～大象～你的鼻子怎麼那麼長？」

喬治亞理工學院（Georgia Institute of Technology）最新的研究發現，大象皺巴巴的「皮膚」竟然隱藏著超強的「伸展之力」，跟肌肉簡直就是完美搭檔。有了隱藏的伸展力，大象就能夠加倍發揮象鼻的各種功能，還能將象鼻伸得更長、更遠！

又硬又軟的萬用工具！象鼻究竟有多強？

象鼻實在是非常神奇的存在，它擁有超過四萬條肌肉，既能柔軟靈活地捲起水果和樹葉，又能強悍地打斷樹幹、抵禦攻擊。究竟它為何能這樣「又硬又軟」靈活切換呢？

為了深入探索象鼻的秘密，研究團隊特別跑去亞特蘭大動物園（Zoo Atlanta），設置了高速攝影機，紀錄下非洲大象用象鼻拿取食物的過程。

乍看之下，軟軟的象鼻似乎就像我們的舌頭一樣，是充滿肌肉的無骨組織。然而，它真正派上用場時，可一點兒也不像舌頭呢！透過鏡頭，研究人員發現：象鼻頂部跟底部的運動狀況完全不一樣。當大象伸長象鼻時，象鼻外側的延伸能力比內側強多了。仔細看看畫面，就能發現外側的象鼻其實伸得更長！

秘密就在皮膚裡！打開皺紋發揮伸展之力吧！

至於兩邊的長度為何會有如此大的差距呢？秘密原來就藏在象鼻的皺褶中！研究團隊解剖了大象屍體，發現象鼻外側與內側的皮膚非常不同——象鼻外側那摺疊起來的皮膚，比另一側的皮膚多出了約 15% 的彈性。

更有趣的是，大象移動象鼻的方式，跟章魚觸手這種軟趴趴器官常用的「平均伸展大法」十分不同，象鼻伸展時就像是打開了一把折疊傘，內部是固定的，而傘面則可以向外變寬、延伸。不只如此，大象們還會如同開折傘一樣「分批運動」象鼻喔！

怎麼說呢？牠們運用象鼻時，會先探出頂端，然後視需求一節一節依序運用後面的肌肉，不到萬不得已，絕對不會動到靠近身體這側的肌肉群！學者們表示，大象之所以會這樣動，是因為象鼻前端部分的肌肉量較少，動起來也比較不費勁，而大象其實就跟人類一樣懶，當然是追求越省力越好囉！

借我學一下啦！皺褶象皮竟能應用在機器人身上？

另一方面，象鼻上這些皺巴巴的皮膚其實也十分堅硬，能起到重要的保護作用。比如說，在關節部分，一般肌肉容易拉伸，甚至拉傷，但如果有了皺褶，則需要花上整整 13 倍的力量才能拉伸。

這樣的保護力有什麼用呢？在未來，或許可以應用在仿生機器人身上喔！許多仿生機器人都會設計液壓系統，雖然十分靈活，但施力時卻也非常容易斷裂。如果我們能在機器人身上添加一些皺巴巴的皮膚，不僅能提供更強大的保護力，也讓機器人在運用上出現更多不同的可能性。

1. Skin: An additional tool for the versatile elephant trunk
2. Schulz, A. K., Boyle, M., Boyle, C., Sordilla, S., Rincon, C., Hooper, S., Aubuchon, C., Reidenberg, J. S., Higgins, C., & Hu, D. L. (2022). Skin wrinkles and folds enable asymmetric stretch in the elephant trunk. Proceedings of the National Academy of Sciences of the United States of America, 119(31), e2122563119. https://doi.org/10.1073/pnas.2122563119
3. How Skin Helps Elephants Move and Twist Their Trunks
4. 動物奇門功夫．象鼻神奇構造

大象極易受到低估，我就低估了牠們使用工具的能力。過去我只見過牠們撿起樹枝搔抓臀部，另外也見過牠們拋擲泥土。在我工作的一座動物園裡，每當寒鴉在象欄的圍牆上啼鳴，那些大象就會這麼做。那些鳥兒就像《拉封丹寓言》（Fables choisies mises en vers）裡的渡鴉一樣。寒鴉也許自認歌聲動人——畢竟鴉科也屬於鳴禽——但音樂品味是極為主觀的。大象會拋擲一大團泥土趕走那些噪音製造者。

我以為大象的能耐就只有這樣而已，實驗從來不曾顯示牠們有更進一步的能力。科學家曾經把食物放在這種厚皮動物搆得到的範圍之外，再提供牠們一根長棍子，看看牠們會不會利用棍子勾取食物。靈長類動物在這項實驗表現得很好，但大象全然不理會那根棍子。實驗的結論認為大象無法理解這道題目，但沒有人想過，說不定問題是出在我們這些研究者根本就不懂大象。

不同於靈長類動物的手，大象的抓握器官同時也是嗅聞器官。大象不只利用象鼻拿取食物，也會加以嗅聞並且觸摸——象鼻充滿神經末梢，尤其是敏感的象鼻末端。大象擁有無可比擬的敏銳嗅覺，因此能夠確知自己抓取的是什麼食物，視覺對牠們而言僅具次要地位。不過，大象一旦捲起一根棍子，鼻道就受到了堵塞。就算棍子能夠接近食物，也還是會對嗅覺造成阻礙。這就像是要求我們蒙上眼睛伸手拿東西一樣，除非是參加派對遊戲，不然我們通常不願這麼做，而且理由很充分。

我在不久前造訪位於華府的國家動物園，普雷斯頓．福爾德（Preston Foerder）與黛安娜．瑞絲（Diana Reiss）向我展示了坎杜拉這頭小公象在同一道題目、但不同方法呈現的情況下所能夠做到的事情。這兩位科學家把帶有水果的樹枝高高掛在象欄上方，就在坎杜拉抓取得到的範圍之外。他們為他提供了幾件可以使用的物品，包括棍子、一個正方形的箱子，還有幾塊厚厚的木砧板。坎杜拉沒有理會棍子，但過了一會兒之後，就開始用腳踢那個箱子。他沿著直線踢了那個箱子許多次，直到那個箱子位於樹枝正下方，然後用前腳踩上箱子，即可用象鼻勾到那根樹枝和水果。

坎杜拉嚼食他的獎賞之際，福爾德與瑞絲表示，為了增加這道關卡的難度，他們得把這些物品挪到不同的地方擺放。他們會把箱子放在象欄裡的另一個區域，在坎杜拉的視線之外，於是在他抬頭看見誘人的食物之後，就必須回想先前的解決方案，然後先走離他的目標，前去找尋工具。能夠做到這一點的動物不多，坎杜拉卻能毫不猶豫地到遠處取回那個箱子。後來不給他箱子，他則會把木板疊起來，藉此墊著腳好勾取食物。

坎杜拉的表現顯示他完全擁有對因果關係的理解能力，也就是所謂的「靈光乍現的時刻」（或是更生活化一點：頭頂冒出電燈泡的時刻），而這種能力被視為是高度智慧的徵象。明顯可見，在我們宣稱另一種動物只會拋擲泥土之前，應該先嘗試以牠們的觀點看待世界——就算我們必須想像自己有個像水管一樣的鼻子也不例外。

欠缺證據，不代表沒有證據

這讓我回想起先前的另一項實驗，當時瑞絲和我一起合作，試圖確認大象是否能夠認得鏡中的自己。連同我當時的學生喬許．普拉尼克（Josh Plotnik），我們在紐約的布朗克斯動物園（Bronx Zoo）進行了一項研究。大象在以前從來不曾展現過任何徵象顯示牠們認得鏡中的自己。牠們是不是以為鏡中的自己是另一頭大象，就像猴子看見另一隻猴子的反應一樣？就我們所知，只有人類、猿類與海豚認得自己的鏡像。

然而，先前的測試都只給這種體型最龐大的陸地動物低矮的鏡子，遠比牠本身小上許多。而且鏡子還是擺在室內獸欄欄杆外頭的地面上。大象在那種情況所看見的，可能只是四條腿立在兩層欄杆後方，因為欄杆也會映照在鏡子裡。從那些實驗獲得的令人失望結果，被視為代表了大象不認得鏡中的自己。不過，我們不禁納悶是不是有更好的測試方法。我們特製了一面昂貴的八英呎見方防撞鏡，並且擺放在室外象欄內，好讓大象能夠觸碰、嗅聞以及查看鏡子後方，然後再探索自己的映影。探索是必要的第一步，黑猩猩與兒童也是如此。

結果，一頭名叫快樂的亞洲象就認得了自己。她站在鏡子前面的時候，不斷摩挲自己前額上一個白色十字痕跡。唯有認知到鏡中的影像就是自己的身體，她才有可能知道那個十字痕跡的存在。這也是對兒童測試自我覺察的做法，大多數兒童都在兩歲以前就會展現出自我覺察的能力。大象被納入擁有自覺能力的動物菁英階層，成了一件備受矚目的大事。新聞媒體的標題忍不住引用一首童謠的歌詞：「她就是快樂，而且她自己也知道！」

事實證明大象比我們原本以為的還要聰明，但更重要的是，這項發現證明了負面證據的局限。你如果在一個特定物種沒有發現使用工具的行為或者自我覺察的徵象，並不能據此認定你對這個物種具有確切的理解。有可能是這種動物欠缺相關能力，但也可能是我們對這種動物欠缺了解：我們有可能提供了錯誤的工具，或是擺放了不適當的鏡子。實驗心理學的一句名言反映了這個洞見：「欠缺證據不代表沒有證據。」

——本文摘自《我們與動物的距離：在動物身上發現無私的人性》，2021 年 12 月，馬可孛羅。