《你的孩子不是你的孩子》但你的爸媽也不是你的爸媽：透視我們與家的距離

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

• 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。

我有兩個女兒和四個孫子，他們所有人都極為與眾不同。比方說，我其中一個女兒莎拉是一名電視製作人，另一個女兒艾蜜莉是物理學教授。但她們有些特徵還是會和彼此、和她們的孩子或我與妻子相同。家人之間的相似度可能很高或只有部分相似，相似的地方包括身高、眼珠顏色、嘴巴或鼻子曲線，甚至一些特別的習性或臉部表情等。家人之間也會有很多差異，但無法否認的是，每代之間都有延續性。

所有生物的父母和子女間，一定會有某種程度的相似，那是亞里斯多德和其他古典時期思想家很久之前就認證的理論，但生物遺傳的基礎一直是個難解之謎。多年來出現過各種解釋，但有些解釋在今日看來有些古怪。比方說亞里斯多德就認為母親對孩子的影響只有在腹中的成長，就像某種土壤品質對植物的影響，只有從種子到發芽的階段而已。有些思想家則是認為遺傳基礎是來自「血液的混合」，也就是說孩子是從雙親那邊獲得平均的特徵。

直到發現基因後，我們才更加了解遺傳的運作方式。基因不只幫助我們理解家人間複雜的相似性和獨特性，也是生命用來建造、維持和繁殖細胞的關鍵訊息來源。更進一步說，基因也是細胞製造的有機體的關鍵訊息來源。來自現位於捷克布爾諾修道院的孟德爾（Gregor Mendel），是第一位解開遺傳學神祕面紗的人。但他的研究標的並不是人類費解的遺傳型態，而是用豌豆這種植物進行謹慎的實驗，而他所研究出來的概念，最終引導我們發現目前稱之為基因的遺傳單位。

孟德爾不是第一個用科學實驗來探究遺傳學的人，甚至不是第一個用植物來尋找答案的人，有些更早期的植物育種家描述了植物的某些特徵如何以不如我們預期的方式代代相傳。兩種不同的親株植物混種後的下一代，有時候看起來會像兩種的混合。比方說，將紫色花和白色花混合後可能會產生粉紅色的花；但有些特徵則會在某個世代中扮演主宰角色，比方說紫色花和白色花的下一代是開出紫色的花。早期的研究先驅集合了許多有趣線索，但當中沒有人能完全解釋基因如何在植物中發揮遺傳效用，更別說如何在所有生物，包括人類上，發揮效用了，而那正是孟德爾在豌豆實驗中所開始揭露的事情。

在 1981 年冷戰中期，我進行了一場自己的朝聖之旅，前往位於布爾諾的奧古斯丁教派修道院，看看孟德爾曾經工作的地方，那是當地成為如今的觀光勝地前很久的事。當時野草叢生的花園大得驚人，我能輕易想像孟德爾曾經在那裡種植著一排排豌豆的情景。他曾經在維也納大學攻讀自然科學，雖沒有成為合格教師，但他並沒有遺忘自己在物理學方面所受的訓練。他明白自己需要很多資料，因為龐大的樣本更有可能發現重要的模式。他有些實驗包含了一萬多種不同的豌豆植物，在他之前未曾有植物育種家採行過如此縝密和大量的方式來進行研究。

為了降低實驗的複雜度，孟德爾只專注在有顯示明確差異的特徵上。他多年來小心記錄他所設計的混種結果，並發現了其他人沒注意到的模式。更重要的是，他觀察到在這些豌豆中會有特定比例出現某些特徵，特定比例缺少某些特徵，像是特定花色或種子形狀等。關鍵之一就是孟德爾用了數學級數的方式來描述這些比例，這讓他可以主張豌豆花內的雄性花粉和雌性胚珠含有他稱為「元素」的事物，這些元素就和親株的不同特徵有關聯。當這些元素透過受精結合，就會影響下一代植物的特徵。但孟德爾當時並不知道這些元素是什麼，或者會怎麼運作。

當時有個有趣的巧合，另一位知名的生物學家達爾文（Charles Darwin）大約在同一時間也在研究金魚草這種植物的混種，他觀察到類似的比例，但並沒有試著解釋那些數值可能代表的意義。總之，孟德爾的研究幾乎被當代完全忽視，直到一整個世代後，才有人認真看待他的研究。

接著，在約莫 1900 年時，有一些獨立研究的生物學家重複了孟德爾的研究，將這些研究進一步發展，並開始對於遺傳如何運作這件事做出更明確的預測，進而促進為了紀念孟德爾而命名的「孟德爾定律」和遺傳學的誕生，世界開始注意到這個議題。

──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。

• 文／雞湯來了 蕭子喬、校稿／雞湯來了 陳世芃、張芷晴、製圖／雞湯來了 黃珮甄、編輯／雞湯來了 蕭子喬

「什麼時候開始，爸媽也開始需要我照顧？！」

從小，我們時常在家中被期待為「要聽話」、「被照顧」的角色，這讓親子關係的權力地位一直處在「『親』大『子』小」的狀態。有一天，我們長大成年了，有能力出外工作、照顧自己、甚至照料家人，但和爸媽之間的角色定位、互動方式，卻仍然有童年的影子。被過去自己身為「小孩」的模樣綁住，被過去和爸媽的慣性互動方式困住……

身體成年，但童年經驗並未長大——在「做自己」與「聽話」間拉扯的我們

長大成為「成年子女」之後，和爸媽的關係，深深受到童年經驗的影響，也受到性別與婚姻狀態的影響。

童年經驗

學者的研究訪談一位 28 歲女生，她說到：「我小時候就被認定不只是長女而已，還需要分擔我媽的工作……現在我心裡面已經在預備，趕快先減緩未來可能會發生的經濟壓力，然後自己要趕快工作穩定。」

俗話說，「長女如母、姊代母職」，台灣心理學者訪談多位 20 多歲的女性，發現兒時承擔過多家庭責任，太早負責照顧家人、處理家庭大小事的「小大人」們，可能因而失去「做自己」的機會。即使長大了，也持續「照顧者上身」，圍繞者家人、伴侶而活，忘記好好照顧自己的需要，空有身體長大，心靈卻沒時間「長出自我」，依舊不斷在滿足他人和自我內疚中掙扎。

延伸閱讀：家庭如何影響一個人？

性別與婚姻

學者的研究訪談一位「未婚女子」，她說到：「我爸，他認為就是妳，妳應該要去煮飯，時間到怎麼還不去煮飯？」
又訪了另一位「未婚男子」，他則說到：「我們最大感覺是什麼？是覺得說講句比較粗俗的就是努力賺錢！老人家隨時隨地他就是需要一種費用」

另一篇研究，台灣心理學者訪談多位 30-55 歲的成年子女（性別男女各半，已婚與未婚者各半），發現未婚女兒較容易被視為理所當然的照顧者，而未婚兒子身上則背負著的家族與經濟期望。

如果邁向婚姻，女性也會擔心伴隨結婚而須承擔「媳婦」照顧公婆的角色，因而失去自我，甚至失去照顧自己父母的時間與心力。

在上述這些男女的心中，那些與「做自己」相左的「聽話」，不僅僅是爸媽的「指令」，而是長久以來的童年習慣、性別文化、角色期待。

拋開舊有包袱，反轉親子相處角色定位

值得留意的是，上述訪談 30-55 歲成年子女的研究發現：其實，爸媽可能沒那麼早需要我們「照顧」。

在這個年齡段之中，成年子女似乎是「陪伴」勝過「照顧」父母，甚至是父母提供他們資金、育兒上的協助。即使父母已需要「身體」的照顧，但更期盼的是擁有子女「心靈」層面的陪伴。

從兒時備受父母照顧，到長大照顧父母之間，無法一夕之間轉換。讓我們在親子力量反轉之際，拋開「被照顧／照顧」的包袱，先找回彼此真心真意的情感與陪伴吧！

在這難得「誰也不用照顧誰，親子雙方都有自我生存能力」時，上演著「家人關係的世代轉變」，也伴隨著「親子權力反轉」的現象。這是一個成年子女、年長父母都特別需要心理調適的階段，也是一個梳理過往關係經驗的契機。回顧家庭經驗，打破過去的惡、延續過去的善，重新定位成年子女與父母的「親子角色」。

延伸閱讀：百善孝為先？「孝順」可能跟你想的不一樣

為了幸福生活，成年子女有時需要「不太乖」

在親子關係之中，先理解自己要跳脫過往與文化的不容易，拍拍自己，跟自己說聲辛苦了！然而，為了更舒適的生活，如果你願意，那不妨正視自己的力量，嘗試相信自己能為關係帶來改變。

看見自己在親子權力反轉後握有的力量，從過去那個被要求聽話、順應氛圍的孩子轉換為能自主做選擇的「真大人」。在傳承家庭之時，保有自我；在照顧父母之前，先找到陪伴的意義。

過往文化常告訴我們要聽話，但或許「不太乖」才能讓我們在家庭中長出完好的自我。當我們好好愛自己了，也就更有能量回頭愛家人。

延伸閱讀：成年後離家 vs 回家的「轉大人」練習

• 利翠珊、張妤玥（2010）。代間照顧關係：台灣都會地區成年子女的質性訪談研究。中華心理衛生學刊，23（1），99-124。
• 黃宗堅、李佳儒、張勻銘（2010）。代間關係中親職化經驗之發展與自我轉化：以成年初期女性為例。本土心理學研究，33，59-106。

本文同步刊登於《雞湯來了》，原文連結：親子權力反轉：成年子女可能需要「不太乖」