仿生機器人──小怪獸（升級篇）

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

時年 26 歲^[1] 的 Caroline Dela Rose Nilsson 手腳被緊縛，^[2] 嘴巴堵塞著，神色極度焦慮，^[1]在自家的車道上呻吟。^{[3, 4]} 鄰居見狀快速通報警察。^[1]

事情發生在 2016 年 9 月 30 日，^[4] 晚間 10 點 10 分，^[1] 南澳阿德雷東北市郊的 Valley View 地區。^{[1, 3]} Caroline 的三個孩子當時在家，他們分別為 1、3 和 5 歲；^[2] 而她 57 歲的婆婆 Myrna Nilsson 早已被重擊致死，陳屍於洗衣間。^[5] 稍後，員警在屋裡的走廊找到眼神渙散，面容哀戚的男孩；他的兩個姊妹則是面部朝下，趴在床上哭泣。員警讓孩子們同自己坐在警車裡，但卻什麼也問不出來。^[5]

另一邊，當死者的兒子 Mark ，也就是 Caroline 的丈夫，得知母親死了。 Mark 詢問警方， Caroline 是否受傷，然後平靜地以實事求是的口吻說：「我不懂怎麼會有這種事情，您是說意外嗎？」由於警方不願意透漏細節，在完全不知道來龍去脈的情況下， Mark 又問是不是有人闖入家中。^[5][註1]

根據 Caroline 的說法，當天有 2、3 名開著皮卡車的男性，跟蹤她的婆婆 Myrna 回家。他們與 Myrna 在屋外爭執了約 20 分鐘，但殺害她的時候， Caroline 碰巧在關著門的廚房裡，所以什麼也沒聽到。^[1] 這幾個「看起來像粗工」的人，後來也攻擊 Caroline 。^{[2, 5]} 問題是，如果三個孩子徹頭徹尾都在屋裡，為何會安靜到沒被捲進來？

檢方拿 3 個孩子的頭髮樣本，去做藥物檢測，其中 2 個結果顯示有Tramadol殘留。^[2] 在澳洲屬於四級管制藥物的 Tramadol ，需要有處方籤才能取得，是一種會抑制呼吸且具有鎮定作用的止痛劑，一般不得施予 12 歲以下的兒童。^[6] 更啟人疑竇的是，屋裡既沒有外人入侵的 DNA 證據，附近的鄰居也沒注意到一輛皮卡車進出。^[7] 這令檢警不太採信 Caroline 的說辭。^[1]

此外，負債澳幣 4,000 元（時值約新臺幣 10 萬元）的 Caroline ，每半個月還得跟丈夫共同支付婆婆 Myrna 澳幣 1,000 元的房租。^[註2]相較之下，Myrna 經濟優渥，不僅擁有汽車，在澳洲和菲律賓置產，曾赴歐洲旅遊，還給年幼的孫子買車買房。Mark 是獨子，若 Myrna 過世，他們夫婦便可順勢繼承財產，謀財害命的動機充足。^[8]

檢警因此把 Caroline 列為頭號嫌疑犯，卻始終沒有以謀殺罪名逮捕她。直到 2018 年 3 月，他們取得關鍵證據。^[1]

Myrna Nilsson 慘遭殺害的時候，戴著一只蘋果智慧型手錶。^[1]

從智慧型手錶判讀死亡時間

Myrna 的智慧錶記錄到她人生末了的重要數據：她在返抵自家的 47 秒內開始遭受猛烈攻擊，^[4]其中有短短 39 秒的長度，出現 65 次倉皇的動作，然後她的心跳就停止了。時間約莫是傍晚 6 點 41、42 分。^{[2, 4]} 15 分鐘後， Caroline 用手機傳訊息給丈夫，還留下在臉書和 eBay 的使用紀錄。^[4] 從這個時間點到她的鄰居報案，中間相差三個小時。此情形讓 Caroline 的陳述顯得不合理，因而遭檢察官起訴。^[3]

從傳統手錶推測死亡時間

智慧型手錶進入人類生活已有一段時日，不過有些人仍然會戴其他類型的手錶。它們雖然不會追蹤使用者的生命徵象，但有時也能提供警方估計死亡時間的線索。以下是 2022 年《國際鑑識科學》（Forensic Science International）期刊，介紹的二個例子：

一名八旬老翁俯臥於公寓的地板上，毫無生命跡象。他最後一次被人看見還活著，已經是 5 天前的事情了，對縮小死亡時間範圍的幫助有限。死者左手戴著一只持續運作的自動機械錶，錶面顯示的時間準確無誤。此種手錶仰賴使用者手部的活動帶動發條。老翁戴的這款每次帶動之後，可以撐上 44 至 48 小時，而且它在警方展開調查後 18 小時才停止運轉。所以用 48 減掉 18 ，得知老翁或許在被發現前的 30 小時左右身亡。^[9]

期刊介紹的另一起案件，死者右手戴的是太陽能石英錶。某年12月在丹麥的沼澤，有個獵人撞見一具屍骨。當下右手骨頭上的錶還在走，不過時間快了 1 小時，而日期則晚了 3 天。該國的日光節約通常始於 3 月，終於 10 月，也就是說死者的手錶在 10 月之後，沒有被調回標準時間。至於少掉的 3 天，則是因為 6、9 和 11 月都只有 30 天。若未手動跳過 31 日，手錶的日期就會在這段期間，每個月各晚 1 天。由此推估，死者可能是在 5 月 1 日到 6 月 30 日之間身亡。^[9]

死亡時間與判決

死者配戴的各種手錶，留給警察辦案的線索。然而是否能破案，並將罪犯繩之以法，仍受到其他因素的影響。2016 年 Myrna Nilsson 被害身亡；2018 年她的媳婦 Caroline ，遭警方以智慧錶的紀錄為證據逮捕。^[1] 2020 年在 8 週的審理後，陪審團無法達成共識。 2021 年又經歷 6 週的法律攻防， Caroline 最後被無罪釋放。^[3] 而直至 2022 年的今天，警方仍未捕獲她口中，謀殺婆婆的那幾個粗工。

備註

1. 筆者找到的新聞資料，好像都沒有明確解釋，事發當下 Mark Nilsson 身在何處。
2. 有一篇報導說 Caroline 跟 Mark 給婆婆房租，一家三代同堂，她卻連自己的房間也沒有。Caroline 得跟兩個女兒睡；兒子則是和婆婆同寢。該文沒提到 Mark 睡哪。^[8]

1. Rebecca Opie. (29 MAR 2018) ‘Smartwatch data helped police make arrest in Adelaide murder case, court hears’. ABC News.
2. Dillon M, Carter M. (13 DEC 2021) ‘Caroline Nilsson murder trial returns hung jury over death of mother-in-law captured on an Apple Watch’. ABC News.
3. Mahalia Carter. (26 OCT 2021) ‘Caroline Nilsson found not guilty of murdering mother-in-law after smart watch case retrial’. ABC News.
4. Kathryn Bermingham. (15 OCT 2020) ‘Prosecutors close case against woman charged with murdering her mother-in-law in 2016’. The Weekend Australian.
5. Mahalia Carter. (13 DEC 2021) ‘Alleged murder victim’s son was ‘matter-of-fact’ when told of death, court hears.’ ABC News.
6. ‘APO-Tramadol’. (01 March 2022) NPS MedicineWise
7. Rebecca Opie. (3 MAY 2018) ‘Son of alleged murder victim Myrna Nilsson urges court to release wife on bail’. ABC News.
8. Meagan Dillon. (13 DEC 2021) ‘Alleged killer Caroline Dela Rose Nilsson had ‘no motive’ to kill, despite financial pressures, court hears.’ ABC News.
9. Busch JR, Hansen SH. (2022) ‘The wristwatch – A supplemental tool for determining time of death’. Forensic Science International, 335, 111283.

「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