傳說「吃鳳梨可對抗飛蚊症」，這個「研究結果」搞錯了些什麼？

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

中國在 2 月 26 日，以驗出介殼蟲為由，自 3 月 1 日起暫停進口台灣鳳梨，為了避免即將來到的鳳梨盛產季生產過剩，造成滯銷，許多政治人物都呼籲國人多吃國產鳳梨，因而掀起一波鳳梨購買熱潮，有人說鳳梨可以拿來打成果汁、做成果乾、炒鳳梨木耳，還有人提出可以多吃夏威夷披薩和鳳梨酥來消耗鳳梨。

此外，前立委候選人林佳新也質疑政府為何台糖的鳳梨罐頭都來自泰國，為何不讓鳳梨罐頭產線重回台灣？對此行政院長蘇貞昌的回應則是台灣的鳳梨太甜，不能做成罐頭。

太甜的鳳梨不能做成罐頭？鳳梨罐頭和我們一般吃的鳳梨有差別嗎？夏威夷披薩和鳳梨酥可以幫助到鳳梨農嗎？在釐清這些鳳梨小知識之前，我們先來讀一段鳳梨的歷史。

鳳梨是台灣戰後經濟的護國神山之一

台灣在戰後的 1950 至 70 年代，是台灣的鳳梨生產的黃金年代，當時的鳳梨以種植加工品種為主，甚至還一度登上全球鳳梨罐頭出口龍頭呢！當時的鳳梨罐頭生產工業與洋菇、蘆筍合稱為「三罐王」，是當時經濟的護國神山，然而後來因為台灣的農業生產成本提高，產業轉向工業轉型邁進，鳳梨罐頭的產業鏈也因競爭力下降，轉往工資較低廉的泰國、菲律賓等東南亞國家。

目前台灣鳳梨罐頭的主要進口國，大多來自全球最大的鳳梨罐頭生產地泰國，自從產業出走之後，台灣的鳳梨生產就轉以栽種鮮食用的品種為主了。

生產過剩的鳳梨可以拿來做罐頭嗎？

鳳梨按照用途可粗略分成鮮食用和加工用兩種類型，台灣生產的鳳梨中，有超過 9 成栽種的是鮮食鳳梨。目前以 1998 年完成命名，俗稱金鑽鳳梨的台農 17 號為最大宗，另外有部分栽培加工鮮食兩用鳳梨，以俗稱土鳳梨的開英種為主，包括台農 2 號和 3 號鳳梨等，目前開英種的栽培主要為與鳳梨酥業者契作的模式。

開英種果型方正、花腔淺、纖維較粗，適合拿來做成罐頭，也可以做成鳳梨酥內餡，一般來說，加工用的農產品追求產量，產品外觀則為其次，果肉酸一點或不夠甜都沒關係，因為在生產過程中可以加入砂糖改良口感，而粗糙的纖維也會因為高溫烹煮殺菌的過程，與酸性的水溶液共同作用，打斷纖維素的部分氫鍵，使得口感變得更為軟嫩，更易入口。

鮮食品種力求纖維細緻、甜度高，相對種植管理需求和生產成本也比較高，適合直接食用，細緻多汁的口感甚至可能因為加工而變的軟爛，而犧牲原有的品質（想像你打開鳳梨罐頭結果出現鳳梨醬的情景），更何況鮮食種在市場販賣的價格也比罐頭好，因此不是太甜的鳳梨不能拿來加工，而是拿來做成罐頭太可惜了！然而，還是有少數金鑽鳳梨會拿來加工成果乾、果醬、水果酒等等，因為這些加工產品的經濟價值比較高，農產品是否用來加工，主要考量的是經濟效益。

夏威夷披薩和鳳梨酥可不可以幫助到鳳梨農呢？

鮮食用鳳梨具有一定的保存期限，販售壓力大於加工後的鳳梨，賣不掉的鳳梨常常只能倒掉回收，所以鮮食鳳梨較具有銷售壓力。

大多數的夏威夷披薩都是使用鳳梨罐頭製作，而鳳梨罐頭都是國外進口的，因此吃夏威夷披薩，並不會幫助消耗國產鮮食鳳梨！除非有商店強調使用國產的金鑽鳳梨製作披薩，才會對消費本土鳳梨有幫助。

而傳統鳳梨酥主要使用冬瓜醬製作，後來才有使用全鳳梨醬的鳳梨酥出現，目前市面上常見的鳳梨酥就有：冬瓜醬混土鳳梨醬的混合鳳梨酥、用開英種作成的土鳳梨醬和金鑽鳳梨酥等三種，不管是吃冬瓜醬還是土鳳梨醬的鳳梨酥，都可能對即將盛產的金鑽鳳梨幫助不大喔！

但比起這些加工食品，消耗鳳梨最簡單的方式，就是多吃新鮮鳳梨，畢竟育種家育出鮮食用的鳳梨本來就是要拿來生吃的！

資料來源：

1. 《穿越時空愛鳳梨》鳳梨罐頭曾是台灣護國神山，照亮台灣經濟
2. 作物病蟲害與肥培管理技術資料光碟：果樹／常綠果樹／鳳梨
3. 歷經 86 年努力，培育鳳梨國家隊 18 強！鳳梨專家官青杉，揭開台灣鳳梨好吃秘密
4. 為什麼以前的鳳梨酥沒有鳳梨，要用冬瓜醬？

衛生福利部桃園醫院爆發新冠肺炎院內感染，許多熱心民眾捐贈物資體恤醫療人員的辛勞，而 1 名新北市的民眾竟然送來 500 個鳳梨酥，讓許多醫療人員與民眾大喊：毋湯！

不過也有網友轉貼 2012 年慈濟醫院大林分院的實證研究破除「旺」來迷信。

鳳梨代表「旺來」，吃雞肉就會「雞飛狗跳」

醫療人員、消防人員、社會線記者等行業，在入行時前輩都會叮嚀上班千萬別吃鳳梨、芒果相關產品，否則「旺來」（閩南語讀音）的工作量，會讓你「忙」到叫不敢。

除了鳳梨跟芒果之外，病人病危時就會在名牌上貼小紅點示警，而紅豆就像小紅點的形狀；每日C的C則聯想到CPR（心肺急救術），每天幫病人CPR誰受得了；還有雞肉象徵雞飛狗跳、牛肉象徵像牛一樣忙，對於許多醫療人員來說，這些帶有諧音、延伸意義的相關產品都敬而遠之。

醫師為了要破除迷信，值急診班前記得先吃鳳梨！

但是位於鳳梨產地的大林慈院卻不信這套，在 2007年1月至 2010年12月，一共 4 年的時間，從耳鼻喉科醫師當中推派一位固定的志願代表，在值急診班的當日早上食用鳳梨當作實驗組，其他醫師則是這次實驗的對照組。

沒吃鳳梨的醫師們被急診照會最多7次，反而比吃鳳梨的醫師最多6次還要多。

在四年的實驗中，值急診班前食用鳳梨的醫生，平均一天被急診照會次數，最高6次，與值班前沒有食用鳳梨的醫師相同，但實驗團隊又將鳳梨產季（4月至8月）與非產季（9月至3月）分別進行統計，結果卻發現沒有在值班前食用鳳梨的醫師們，最多7次被急診照會，竟然高於值班前食用鳳梨醫師的6次，實驗顯示食用鳳梨跟醫師患者「旺來」並沒有顯著關係。

吃完鳳梨之後就真的很旺！到底是巧合還是迷信？

看完這個實驗，有些職場新鮮人可能會想要冒險闖一闖，畢竟被表列的這些美食真的令人難以抗拒，但前輩們警告大家不要不信邪，然後舉出可以講上三天三夜的前車之鑑，不過這些迷信真的那麼神奇嗎？

其實這樣的連結比較像行為心理學家伯爾赫斯·弗雷德里克·史金納 (Burrhus Frederic Skinner) 提出的操作制約 (operant conditioning)。

操作制約實驗的史金納箱 (Skinner box) 中會設置一個控制食物投放的壓桿，只要白鼠按壓操縱桿，就會有食物掉落，即便不再放置食物，白鼠還是會去按壓操縱桿，而人類的迷信也類似這個原理。

制約迷信的安慰劑效果探討研究中，在考試前給予考生不同品牌巧克力作為鼓勵，若該次考試成績較佳，考生若在下次考試前須選擇巧克力，則會選取該品牌，反之則會選擇他牌。

人們總是只相信自己相信的，其他才是「巧合」

幸運巧克力的實驗就像是日常生活中的迷信，人們會忽略那 99 次的「沒問題」，放大了那一次的「有問題」，即便有許多實驗已經證明，這些迷信中的原因和結果都是獨立事件，沒有絕對的關係，但是多數的資訊相關從業人員還是寧可放一包綠色的乖乖在機台上，甚至研究結果發現，年資較長、主管階級人員對此更是深信不疑。

有了這些實驗證明還是不相信？只要不擔心前輩的白眼話，每個人也都能親自做實驗。

1. 簡守信、林俊龍、賴寧生、陳金城、李宜恭、何旭爵、李承永 (2012)。鳳梨的禁忌：迷思或真實
2. 紀宸凱 (2014)。制約迷信的安慰劑效果探討——迷信制約的驗證與時間距離的影響
3. 田博仁 (2010)。資訊相關從業人員之核心自我評估對迷信之影響