像憤怒鳥一樣彈射的種子：豆科種子可以「炸」多遠呢？

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

豆科（legume）植物能在缺乏氮素的土壤中生長，完全是依靠著他們能與根瘤菌（rhizobia）共生的本事；而人們也很早就發現，把豆科植物納入輪作系統，可以使土地保持肥沃。

中國在漢朝時已發展出精緻的三年輪作系統，由夏季種黍開始，接著是小麥，第二年春天收穫小麥後種下大豆，然後到第三年夏天種小米。如此循環三年，同時將土地分成三份，第一年夏天第一塊地種黍、第二塊地種小米、第三塊地種大豆….這樣田地的養分會因為有大豆加入輪作而不至於缺氮，而每年都可以有小米、黍、大豆、小麥可吃。 歐洲直到一千年後才發展出輪作，但是複雜的程度則遠遠不及漢朝。

對於豆科植物來說，雖然根瘤菌可以使他們得以在缺氮的土地上繁衍，但如果根瘤長太多，對植物本身也會造成負擔。所以，植物一定要有個方法來調節根瘤生長的量。

過去透過研究長太多根瘤的植物發現，在百脈根（Lotus japonicus，為豆科的模式植物）裡面有個類受體激酶（receptor-like kinase）HAR1，它負責接收來自根的信息。當根與根瘤菌建立共生關係之後，由根部分泌出CLE-RS1與CLE-RS2（RS是「根的信號」Root Signal的意思）兩個多肽並經由導管傳送到植物的莖與葉（shoot）；在莖與葉，由HAR1負責接收這兩個信號之後，然後莖與葉的細胞分泌一個化學物質來抑制更多的根瘤形成。

最近的研究發現，原來這個由莖與葉負責分泌的化學物質，應該就是細胞分裂素（cytokinin）。研究團隊發現，缺少HAR1的植物，只有細胞分裂素的分泌量顯著下降，而在過度表現CLE-RS1與CLE-RS2的植物中，細胞分裂素反而上昇；接下來更有意思的是，當植物被根瘤菌感染時，細胞分裂素也呈現上昇的趨勢。

於是研究團隊把缺少HAR1的植物用細胞分裂素處理，結果發現，原本缺少HAR1的植物會有非常多的根瘤，但是在使用細胞分裂素處理後，它的根瘤的數目甚至可以回到野生種的水平。

所以，豆科植物透過分泌細胞分裂素來抑制根瘤的產生；而細胞分裂素的分泌則有賴於HAR1的活化，而CLE-RS1與CLE-RS2（由根部分泌）可以活化HAR1。可以看到，植物透過層層嚴密的負回饋控制（negative feedback control）來調節根瘤產生的數目，使自己取得平衡，不至於因為產生太少根瘤造成氮不足，但也不會因為產生過多根瘤，使得養分分配錯置，影響生長。

參考文獻：

• T.R. Sinclair,C.J. Sinclair. (2010) Bread, Beer and the Seeds of Change：Agriculture’s Imprint on World History. ISBN：9781845937058
• Takema Sasaki, Takuya Suzaki, Takashi Soyano, Mikiko Kojima, Hitoshi Sakakibara & Masayoshi Kawaguchi. (2014) Shoot-derived cytokinins systemically regulate root nodulation. Nature Communications 5, Article number: 4983 doi:10.1038/ncomms5983

原刊載於作者部落格老葉的植物王國

作者：何郁庭│國立中興大學森林系碩士畢業，現職計畫專任助理。

一個尋常午後，窗台邊突然傳來巨響。

原先以為是鳥撞上玻璃，走近一看，才發現是前幾天隨手採下木豆 (Cajanus cajan) 的莢果，因乾燥後開裂，發出巨大的爆裂聲。兩片木質果皮分別捲曲成螺旋狀，數顆木豆種子則彈射到各處，窗台前一片狼藉。

開裂的兩片果皮很堅韌，怎樣也沒辦法回復成打開前的樣子，這引起了我的好奇。我猜想，部分的豆科植物是不是利用莢果開裂，使種子「彈射」到更遠的地方，以利於種子在更遠的地方發芽呢？

為此，我開始搜尋一些跟「豆科」以及「種子傳播」有關的報告，發現一篇來自雨林生態期刊 (Journal of Tropical Ecology)的文獻，這個研究位於西非的加彭 (Gabon)，講述 Tetraberlinia moreliana 這種雨林中的喬木，如何讓光滑扁平的種子，從樹冠「彈射」到 50 公尺以外的沙地上。

T. moreliana 是豆科下甘豆亞科的大喬木，根據描述，樹高可以生長至 51 公尺，同時，它也是加彭地區雨林的「突出樹」，比週遭大多樹木來得更高，半圓形的樹冠遮住了週圍其他樹的樹冠。T. moreliana 的木質莢果生長於樹冠層並突出於樹冠，像一枝枝三角旗豎立。每個莢果內含 0-4 顆扁平盤狀的種子，而平均是 2 顆。

種子可以彈射多遠呢？

研究人員嘗試觀測 T. moreliana 的種子究竟能彈射多遠，因此設計了試驗：

首先，他們定義了「水平傳播距離」，也就是彈射落底的種子，到樹冠邊緣的最近水平距離。

然後，在莢果成熟的 12月至 2月期間，每日計算有多少種子彈射到預設的區域，以 50 公尺為界，由於密集的植被和起伏的地形，水平距離小於 50公尺的區域並沒有計算種子落下的數量。又因為觀測的地點是沙地地形，所以也毋須擔心種子落地後滾去很遠的地方。實驗之所以不計算所有彈射的種子，而僅僅計算 50 公尺之外的種子，其實是因為觀測地點的限制，使得研究人員無法計算所有的彈射種子數量。T. moreliana 是雨林中特別高聳的獨立樹，距離林緣 50 公尺，除了落在雨林外沙地的種子，剩下的皆會落進雨林中，而雨林有複雜的垂直結構，包含樹冠層、第二樹冠層、灌叢、地被、腐植質…等，除此之外，還有各種附生植物及藤蔓，要從雨林中找到觀測樹所有的種子，是非常困難的！

這個觀察共調查了 4 棵樹，經過 3個月的計算，研究人員記錄到最遠的彈射距離可達 61 公尺，而彈射距離取決於樹的高度。他們對其中一棵樹進行較詳細的觀察，根據莢果估算了總種子數，大約有 15,000- 20,000 顆種子，其中 1.5- 2% 的種子彈射距離超過 50 公尺。

此外，研究中也爬上樹將莢果採下，將果序插在沙地上，觀察開裂時種子彈射的角度和距離。18 顆種子中，距離最遠的可達 23.2 公尺，仰角則平均 17.3°。

研究人員試圖重建種子彈射的彈道，並繪製剖面圖。而這個預測的彈道有一些前提：

1. 起始點為樹冠外層
2. 沒有受到風及其他外力作用
3. 受到的空氣阻力與速度平方成正比
4. 接觸地面後便不再移動

依照以上前提而重建的軌跡，其起始點仰角為 21.2°，初始速度為 37.1公尺/秒，比前人研究沙盒樹 ( Hura crepitans) 彈射的起始速度 70 公尺/秒還要低得多。沙盒樹是大戟科的植物，彈射距離最遠紀錄是 41 公尺。

與沙盒樹同屬 Hura polyandra 果實爆開的畫面。（這邊是用暴力砸開）

生活中其他靠彈力傳播的種子與問題發想

毛毛蟲以會即將爆開的果實為食，會發生什麼事呢？

回想我們生活中常見的彈力傳播種子，不外乎兒時共同回憶的非洲鳳仙花、紫花酢漿草，除此之外，還有蕨類的孢子囊，彈射距離不外乎數十公分，然而 T. moreliana 卻能將種子傳遞到數十公尺之外，飛越其他樹木直至雨林的邊緣。

不過，有趣的是，若這是一個有效的傳播方式，又為什麼彈射距離超過 50 公尺的比例僅僅 2%呢？這個問題，並沒有在報告中得到明確解答。

再看看木豆，儘管原先的疑惑得到解答，卻隨之而來出現更多問題。木豆並非雨林中的突出樹，而是高 1- 2公尺的灌木，彈射的種子傳播策略，在原生育地有怎樣的優勢？此外，木豆的種子又能彈射多遠、速度多快？是否有方向性？這些問題，也許得自己設計實驗才能獲得解答了。

參考資料：

• Van Der Burgt, X. M. (1997). Explosive seed dispersal of the rainforest tree Tetraberlinia moreliana (Leguminosae–Caesalpinioideae) in Gabon. Journal of Tropical Ecology, 13(1), 145-151.

新的研究指出，亞馬遜的大蓋巨脂鯉（Colossoma macropomum）能帶著植物的種子，橫越超過五公里外的氾濫平原。

過去以來，雖然科學家預期魚在植物種子的傳播上扮演重要的角色，但對於種子的發芽率及傳播距離，卻缺少實際證據。

杜克大學的演化生態學家Jill Anderson，和她的團隊在祕魯的國家保護區裡發現，大蓋巨脂鯉腸道內有數以百計的種子。然而，這種魚能帶著種子多遠的距離，以及種子是否能在新地點發芽都是未知。

為了要找到答案，Anderson和她的團隊利用無線電，在河水會氾濫的季節，追蹤24隻大蓋巨脂鯉的位置，結果發現魚移動5.9公里遠。配合在實驗室中，種子能在魚腸道內存活多久的資料，推測大蓋巨脂鯉平均移動337~55英尺，而且種子能被帶到5.5公里之外。

這是食果動物傳播種子最遠的紀錄，與非洲犀鳥及亞洲象不相上下。

更重要的關鍵是，這些分布在氾濫平原的種子，偏好在這樣的環境發芽，而非在像是湖泊這樣不流動的水域中。

美國加州的生態學家Michael Horn認為，過去我們都低估了魚對種子傳播的貢獻，即使科學家們都認為魚在生態系中扮演潛在的重要角色；熱帶非洲、北美及歐洲，都有魚攜帶種子傳播的例子。然而，我們對於細節卻都不清楚，其中一個原因是，和魚相比，鳥類及陸上哺乳類傳播種子的行為較容易研究。

即使Anderson的研究指出大蓋巨脂鯉在種子傳播扮演重要的角色，但她認為大蓋巨脂鯉對生態的貢獻仍被低估了。因為她預期，更大的魚能將種子帶到更遠的地方，但這項研究所追蹤的個體，體型並不是最大的。在過去的紀錄中，大蓋巨脂鯉能長到30公斤重。

此外，這項研究也指出另一項隱憂，亞馬遜地區的過度漁撈，對生態的衝擊可能遠超過我們的想像。

資料來源：Fruit-feasting fish fertilize faraway forests