這本《異香：嗅覺的異想世界》（What the Nose Knows: The Science of Scent in Everyday Life）真是不可多得的科普好書，也難怪它會入選美國《洛杉磯時報》（Los Angeles Times）2008年書獎「科技類」決選書單和英國皇家學會的科學書獎決選書單。
《異香》作者艾佛瑞．吉伯特（Avery Gilbert） 在加州戴維斯（Davis, CA）長大，正巧我博士班就在加州大學戴維斯分校（UC Davis）唸完。戴維斯是一個很小的小鎮，人口僅是六萬多人，是一個很純樸的大學城，居民絕大部分是UC Davis的學生和教職員。雖然戴維斯市很小，不過離西岸大城市舊金山和柏克萊只有約一個小時車程，往西南開約一個半小時車就到矽谷，往東北開兩個小時半就到內華達山脈。
閱讀全文：
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。
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！
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。
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。
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。
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。
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。
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
討論功能關閉中。
本文由 財政部國庫署 委託，泛科學企劃執行。
你注意到了嗎？在品酒時，品酒師不會一口乾，而是充分觀察、品嚐後才會下肚。這些動作可不是單純裝模作樣，而是有科學根據的。品酒有五個基本動作：觀察、搖晃、聞、啜飲與漱口、吞嚥，究竟我們的感官跟大腦是怎麼接收酒的訊號呢？
從最簡單的「嗅覺」開始，酒杯湊近口鼻、進入口腔，我們可以聞到「外部」和「內部」的香氣。外部指的就是用鼻子聞到的香氣，是先穿越鼻孔到達嗅上皮組織，形成我們所熟悉的正鼻嗅覺。而內部呢？那些已經在我們嘴巴裡的酒液，會走鼻咽和後鼻孔這條路，最終到達嗅覺粘膜。即使這口酒已經被喝下去，只要輕輕呼口氣，也依然能「聞」到酒味。
另外，口鼻之間的通道，也就是鼻咽，在吞嚥的過程中會關閉，所以在吞嚥時會有一種「味道好像弱掉了」的錯覺，但其實只是你暫時無法靠鼻間的任何通道呼吸而已。這也是為什麼品酒師會要把酒液含在嘴巴裡漱口，甚至還會打開嘴巴吸一口氣。
緊接在嗅覺之後的「味覺」，則是重頭戲！食物進到嘴巴，溶解在唾液中，啟動了味覺受器。人類可以透過味蕾的受器感受到「鹹、酸、苦、甜、鮮」五種味道。不過，也有部分的人不喜歡酒的原因，正是因為味覺。美國賓州大學農學院過去研究發現，人體中的苦味受體來自基因 TAS2R13 和 TAS2R38，辣椒素受體則來自基因 TRPV1。因此不同的基因表現，影響著人們對這兩種味道的感受，也決定了他們的攝取喜好。
講完了嗅覺和味覺，別忘了品酒前的「觀察」。事實上，人們對風味的知覺基礎，來自多重感官的整合。當我們在觀看一杯酒的色澤和濁度時，大腦已經在默默「品嚐」它了。就像是望梅止渴、看到好吃的大餐肚子就先餓了起來。
除上述提到的「身體」感官，其實喝酒的時段、溫度、聲音、順序也會影響我們「心裡」的感受。但話說回來，在品酒前，最重要的應是選擇安全以及衛生的酒品來源，就是要慎選合法的販售業者，並挑選標示內容清晰、完整的酒品。
財政部自 2003 年起委託專業執行機構共同推動「優質酒類認證」制度，從原料、製程、品管、後續追蹤等層層把關，最後通過優質酒類認證技術委員會審查的酒品，才能被授予使用 Ｗ 字型認證標誌。因此，選購有 W 認證標誌的優質酒品，可以讓我們在品飲時更加安心！
資料來源：財政部國庫署 廣告
我們對自己身體生理現象感到尷尬，這種感覺的來源就在於感官知覺的運作機制：一套我們大腦與外界之間的中介工具。
最明顯的感官是視覺、觸覺、聽覺、嗅覺和味覺，還有，你也可以感覺到疼痛、冷熱、時間（雖然不太準確）、加速、平穩、血液中的氧氣和二氧化碳濃度以及本體感覺（對於四肢、肌肉的運動和位置的感受）。你能不盯著腳步爬樓梯嗎？那就是本體感覺。
這些感官訊息全都被送到大腦：一個沉默的、謎樣註器官，質感和斯帕姆午餐肉一樣。你永遠看不到它，它也永遠看不到你周圍的世界，但它會分析所有這些輸入的訊息，並且創造你對自我、愛戀、快樂、痛苦、羞恥、信任、恐懼、懷疑等完整感覺。
在公共場合聽到自己放屁會覺得不好意思？
這種感覺是由大腦的前扣帶迴膝皮層產生的。我們尚不了解其中的機制，但大多數心理學家都認為，羞恥感可能是為了維持社會秩序演化而來的，呈現羞恥的經典反應如臉紅、摸臉、視線向下和強制微笑，這些反應讓我們向其他人傳達訊息，表示自己明白破壞了社會常規且感到自責，因為有這樣的溝通功能進而又加強那些反應。
研究指出，表現出尷尬的人比較容易被喜歡、原諒和信任。這一定是幫助我們這種社群生物進化的有用工具，但我擔心它也會讓我們當個乖乖牌，阻礙個人獨特性發展。
每個人感知世界的方式都不盡相同。聯覺（synaesthesia）是一種不尋常的感官知覺，它使一些人能夠將音樂、字母或星期幾視為顏色。其他有聯覺的人可能會將某些景象與氣味連結起來或者使某些詞語和味道產生聯繫。有一項研究發現，約 4.4% 的人能體驗聯覺。
更令人著迷的是其他動物擁有的感官，那些我們只能夢想的感知方式。狗能藉著磁感應來感測地球磁場，而且排便時往往習慣將自己的身體沿南北向磁力線對齊，牛也一樣。有些蛇有紅外線視覺，一些蜜蜂、鳥類和魚類的視力超出我們的可見光譜，能夠仔仔細細看到紫外線波頻，這意味著牠們實際上正在體驗我們幾乎無法想像的顏色。像嗑了藥一樣迷幻。
——本文摘自《有點噁的科學：尷尬又失控的生理現象》，2023 年 8 月，時報出版，未經同意請勿轉載。
