基因改造會是提升社會的蜜糖？還是破壞平衡的毒藥？

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

社會主義遺傳學家對優生學的反對，根植於他們的政治觀點，但即使不是社會主義者（或社會主義科學家），也可以看出優生學研究中的瑕疵。具體來說，很多遺傳學家都指出把基因與結果混為一談的謬誤。如艾倫所說，偉大的英國統計學家皮爾森本身支持優生學，卻強烈批評 ERO 的工作，認為他們「構想和執行都草率又懶散，和科學平常的嚴謹一點都不像。」

美國遺傳學家詹寧斯任教於約翰霍普金斯大學，他在一九三○年發表了著名的《人類本質的生物基礎》。看書名會以為他同意遺傳決定論的論述，但書中討論了基因與環境交互作用的科學案例。詹寧斯反對遺傳決定論，他寫道：

文明是從人的遺傳組成與環境的交互作用之中產生的，環境包括知識、發明與傳統。改變後面這些因素會對文化系統造成劇烈的影響，這在歷史上已經發生過很多次⋯⋯沒有一個文化系統能單純從遺傳組成中發展出來。

他也反對環境決定論：

（環境決定論者認為）只要把任何人丟到差異夠大的不同環境，接受不同的訓練和指導，每個人都能成為⋯⋯「醫生、律師、商人、領袖」⋯⋯對於這樣的言之鑿鑿，生物學不予置評。有見地的生物學觀點會補充⋯⋯儘管任何正常人只要在人生早期有得到適當引導都能成為醫生，不過要達成這個結果，每個人需要的待遇不同。

優生學學者在邏輯上和方法上犯了許多錯誤，包括過度受到沒有言明的假定影響（ 「暗含此意，但不明說」），忽略反對其立場的證據，並且「在發現某些結論有誤之後，還是深信不疑」。詹寧斯特別批判所謂的「並非由實驗判斷的謬誤」，並指出幾乎所有人對遺傳和演化都有一些想法，而正因如此「把預設觀念先放一旁，以實驗證據為基礎建立觀點，才更形重要。」

但大多數優生學主義者沒有做到這點，他們堅持預設的想法，忽略與之不符的證據。詹寧斯還指出一個常見的問題，現在稱為「排除中間解謬誤」：因為某些表徵證實可以遺傳，就假定所有表徵都是遺傳而來；或反之，認為所有事情都是環境影響。這讓人回想起錢柏林的話：「當實際上有許多因素時，卻錯把事情歸於單一因素。」

對詹寧斯來說，先天／後天辯論的答案很清楚，就是都有。他在一九二四年的一篇論文中表明這點，他拿物品來類比：

對任何物體來說，無論是一塊鋼材、一塊冰塊、一部機器、一個生物體，組成物體的材質和這個物體所處的環境都很重要。在相同環境下不同材質的表現會不同，在不同環境下相同材質的表現也會不同⋯⋯任何事都不會單單由物品的材質或環境而構成，永遠都需要綜合考量。

生物體也是如此，「個體是在基因和環境條件的互動下產生的，因此同樣的基因在不同環境下，可能造就不同的人格特質。」優生學註定會失敗，因為「行為必然與環境相關，不能只以基因論之。一組特定的基因在某個環境下可能導致犯罪，在其他環境下可能造就一個有用的公民。」

詹寧斯只是一例，如果篇幅允許，這類批評我們還可以講很多。以果蠅基因研究獲得諾貝爾獎的摩根在一九二○年代便強調，比起選擇性生育，社會改革可以更快達成優生學主義者想要的改變。很多非科學家也從方法學上或倫理上提出反對。（其他國家也有很多反對聲音，在此沒有討論。）重點是優生學是政治運動，它許多重要的面向都與科學理解有衝突，優生學並沒有得到科學家的共識。

We have been authorized by Princeton University Press to use this conten. 該內容由普林斯頓大學出版社授權使用

——本文摘自《為何信任科學：科學的歷史、哲學、政治與社會學觀點》，2024 年 04 月，貓頭鷹出版，未經同意請勿轉載。

• 作者 / 保羅．納斯爵士（Sir Paul Nurse）
• 譯者 / 邱佳皇

編按：筆者是知名遺傳學家和細胞生物學家，致力於控制細胞複製的研究工作，也就是所有生物生長和發展的基礎。於 2001 年獲頒諾貝爾生理學／醫學獎（Nobel Prize in Physiology or Medicine），同時也是阿爾伯特．愛因斯坦世界科學獎、拉斯克獎與皇家學會科普利獎章的獲獎者。

在本書中，保羅．納斯用優美、詼諧的語調幫讀者上了一堂生物學簡史，引領我們思考科學家長久以來追尋的生命之謎，讓讀者彷彿身歷其境、穿梭在各個時代的實驗室裡，感受那些科學發現過程的挫敗和欣喜。並除了學術理解，更希望帶給讀者哲學性的思考能力。

能正確預測疾病尤其會對以個人健康保險為資金來源的醫療系統帶來困難，如果沒有嚴格限制這些基因訊息的使用方式，可能會產生有人被拒保和被拒絕照護，或是被收取無法負擔的高額保費的狀況，但這些全不是他們的錯。在接受醫療服務當下不需付費的醫療系統就沒有這類的問題，因為這種系統可以利用這些遺傳誘因的情報更加容易預測、診斷和治療疾病。雖說如此，知道這些訊息也不見得就能活得輕鬆，如果基因科學有天發展到能夠準確地預測你何時會死亡和會以何種方式死亡，你會想知道嗎？

還有一些遺傳因子是和醫療沒有關係的，像是智力和教育成就等。當我們對個人、不同性別和人口之間的遺傳差異有更多認識時，就必須確保這些看法絕不會被用來作為歧視的基礎。和讀取基因組的能力同樣厲害的是編輯和重寫基因組的能力。一種叫做 CRISPR-Cas9 的酶是一種功能強大的工具，就像一把分子剪刀，科學家可以利用這種酶對 DNA 進行非常精確的切割，藉以增加、刪除或改變基因序列，這就是所謂的基因編輯或基因組編輯。

生物學家自 1980 年左右開始，就已經能夠在酵母等簡單的生物體中做到這一點，那也是我研究裂殖酵母菌的原因之一，但 CRISPRCas9 大幅提升了 DNA 序列被剪輯的速度、準確性和效率，也使得編輯其他更多物種的基因變得更加容易，這之中當然也包括了編輯人類的基因。

隨著時間的流逝，我們可以期待以基因編輯細胞為基礎的新療法出現，例如研究人員已經在製造能抵抗像是愛滋病毒（HIV）這種特定感染的細胞或是用來治療癌症。但目前說來，想要嘗試編輯人類胚胎早期的 DNA 是一件非常魯莽的事情，這會造成新生兒所有細胞的基因被改變，他未來小孩的基因也會被改變。目前以改造基因為基礎的療法存在著風險，可能會在無意間改變了基因組中的其他基因。

然而就算只有想要修改的基因被編輯，那些基因修改也可能會造成難以預測和潛在的危險副作用。我們對自己的基因組了解仍有限，不能肯定這樣的風險不會發生，或許未來有一天當這些程序被認為足夠安全時，就能讓一些家庭遠離某些遺傳疾病的困擾，像是避免生下患有亨丁頓舞蹈症或肺部囊狀纖維化的嬰兒。

但利用基因改造來優化基因，像是製造出擁有高智商、外表出眾或體能優異的孩子，則是完全不同的議題了，在將生物學應用於人類生活的各種科技中，這個範疇的議題是當今最棘手的倫理問題之一。雖然使用基因編輯來製造名牌寶寶這件事目前還只是空談，但許多未來要成為父母的人在未來幾年和幾十年間還是必須思考一些困難的議題，因為科學家們會愈來愈懂得預測基因的影響力、改造基因和操控人類的胚胎與細胞，這些議題都是社會必須共同討論的，而現在就應該開始討論。

──本文摘自三采文化《生命之鑰：諾貝爾獎得主親撰　一場對生命奧祕的美麗探索》/ 保羅．納斯爵士，2021 年 12 月，三采。