記憶好？記憶差？打開記憶的黑盒子

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

憂鬱症或阿茲海默症？前額葉皮質的雙面效應

額葉損傷病患遇到的記憶問題，跟我們在日常生活中所面對的記憶挑戰有著直接的關聯，而這個關聯成為我對前額葉皮質深感興趣的原因之一。即使在沒有具體損傷的情況下，前額葉皮質的功能仍會受到許多因素影響，進一步導致顯著的記憶問題，例如我在埃文斯頓醫院神經心理學診間測試的許多病患，轉介過來是為了評估阿茲海默症的可能性，但在進一步測驗後，卻發現是臨床上的憂鬱症。

在年紀較長的成人身上，憂鬱症有可能看起來很像早期的阿茲海默症，好比我曾經測驗過一名剛退休不久的學校老師，他一向以頭腦清晰自豪，現在卻難以專注，一直忘東忘西。儘管從磁振造影看不出明顯的腦部損傷，但他的認知卻不比前額葉皮質受損的人好上多少。他和醫生都沒想到，這些認知問題可能與他剛經歷一場離婚，以及幾十年來第一次獨居的情況有關。

前額葉皮質是腦部最晚成熟的區域之一，在整個青春期會持續調整與其他腦區的聯繫。兒童雖然學習很快，卻不擅長專注在應該專注的事物上，因為容易分心。這對於有 ADHD（注意力缺失／過動障礙症）的兒童更是嚴重，他們在學校表現不佳並不是因為缺乏理解力，而是因為在教室裡難以集中注意力、培養有效的學習習慣，以及利用可以應付考試的策略。有大量證據顯示，ADHD與前額葉皮質的異常活動有關。

前額葉皮質也是我們進入老年時，首先開始衰退的區域之一，我們因此覺得自己變得比較健忘。幸好，對多數年長的人來說，形成記憶的能力不會有問題，倒是專注力的改變會影響我們記憶事件的方式。舉例來說，你可能記不住你在表妹婚禮上遇到的某個人叫什麼名字，卻可以記得你們會面時各式各樣的其他資訊，諸如他臉上有雀斑，戴著鮮黃色的領結，或不停說著他最近到田納西州那許維爾（Nashville）的事。

隨著年齡變長，我們想起瑣事卻想不起重要事情的傾向也會提高。已經有無數研究顯示，在必須專心、忽視干擾的情況下記憶時，年長者表現得比年輕人要差，然而他們記得干擾訊息的能力卻與年輕人一樣好，有時甚至更好。隨著年歲漸長，我們依然能夠學習，卻較難專注於想要記住的細節，反倒常常記住無關緊要的事情。

多工殺手：為什麼一心多用讓你大腦退化

除了年齡之外，讓你覺得自己的前額葉皮質有問題的因素多得不得了。在現代世界裡，一心多用恐怕是最常見的罪魁禍首。我們的對話、活動和會議不斷受到簡訊、電話的干擾，而我們本身又常把注意力分散在好幾個目標上，使得問題更加嚴重。就算是神經科學家也無法免於多工作業－－在今天，幾乎每一場學術演講中，都能發現臺下的科學家（包括我自己）拿出筆記型電腦，時而聽講、時而回電子郵件。

很多人甚至對一心多用的能力很自豪，但同時做兩件事很難不用付出代價。為了達成目標，前額葉皮質能幫助我們專注在所需的事情上，但如果我們在不同目標間迅速換來換去，這項美妙的能力就會消失。

加州大學舊金山分校神經科學家安卡佛（Melina Uncapher）的團隊便指出，「媒體多工」（media multitasking）對記憶不利，意思是在不同媒體的訊息間切換會妨礙記憶，例如一下子看簡訊、一下子看電子郵件。更嚴重的是，習慣重度媒體多工的人，平均而言前額葉皮質的某些區域會變得較薄。

至於額葉的功能失常究竟是媒體多工的原因或是結果，還需要更多研究才能了解，但不管如何，這裡傳達出來的訊息相當一致。我的樂團夥伴米勒爾（Earl Miller）是世界頂尖的前額葉皮質專家及麻省理工學院的教授，他經常這樣說：

「沒有所謂一心多用；你只是輪流把不同的事情做得很糟。」

前額葉的功能也會遭到一些健康問題的破壞。例如高血壓和糖尿病會傷害大腦各區域間相互溝通的神經纖維通路，也就是白質。我和同事發現，與年齡相關的白質損傷，似乎會讓前額葉皮質失去跟大腦其他部分的聯繫－－試想這名執行長被單獨鎖在房間裡，無法使用電話和網路。

感染疾病後如果造成腦部的發炎，也可能導致相似的結果，例如在新冠肺炎流行早期受到感染的人，注意力和記憶力等執行功能出現衰退，而且前額葉皮質部分區域的結構發生改變。

一旦前額葉的運作發生改變，就可能導致「腦霧」（又稱為「長新冠」）－－當感染的時間很長，或罹患慢性疲勞症候群（chronic fatigue syndrome）等與感染相關的病症時，有機率出現腦霧的症狀。

養成健康生活：強化前額葉皮質的簡單步驟

如果我們生活時忽視自己的身心健康，也可能使前額葉皮質暫時失能。例如睡眠剝奪可能對前額葉皮質和記憶造成毀滅性的打擊。酒精也對前額葉皮質帶來負面影響，有些研究顯示這些影響在大量喝酒後還會持續好幾天。我們在後面的章節將探討，壓力會破壞前額葉的運作。如果你在充滿壓力的一週工作之後，熬夜喝酒又不停滑手機看網路新聞，然後整個週末都在跟腦霧奮戰，不用太驚訝。

幸運的是，我們確實可以做一些事來增進前額葉皮質的運作，雖然那些事可能跟你想的不一樣。你的腦是身體的一部分，所以任何對身體有幫助的事情，對你的腦都有幫助，進一步也對記憶有幫助。例如充足的睡眠、適度的運動、健康的飲食，這些事物都有益於你的生理和心理健康，也有益於你的前額葉皮質。

有氧運動如跑步，能促進腦部化學物質釋放，進而提升神經可塑性，改善為腦運送氧氣和能量的血管系統，降低發炎並減少罹患腦血管疾病和糖尿病的可能性。運動也會改善睡眠、降低壓力，而睡眠不足和壓力過高正是耗盡前額葉資源的兩大元凶。

這些因素會一同作用，影響記憶功能在我們年齡增長時的維持狀況。有一項令人敬佩的研究，追蹤了多達兩萬九千人的記憶表現，發現那些在生活方式裡包含上述某些有益因素的人，在十年期間記憶能力的維持狀況也較佳。

——本文摘自《記憶決定你是誰：探索心智基礎，學習如何記憶》，2024 年 7 月，天下文化，未經同意請勿轉載。

誰不接受多樣性？

我們的成長方式具有多樣性。有人長得快，有人長得慢；有人長得高大，有人長不高。這種多樣性是「生物的策略」。不過有個東西並不接受多樣性。就是我們的大腦。

人腦不善於處理複雜的訊息。

有一個法則叫做「神奇數字七法則」，意思是：人類一次頂多只能記住七樣東西。

這是真的嗎？我們來試試看。

請記住以下插圖，限時三十秒。

接著再看下面的圖，什麼東西不見了？

答案是不倒翁。為什麼明明十樣物品也不多，我們就是記不住呢？

再來試試下一題吧。

雖然超過七個圖，但是這一題可能大家都記得住，因為這些圖都與《桃太郎》的故事有關。先找出關聯性，再加以歸納整理，大腦才有辦法勉強記住超過七樣東西。

大腦不擅長處理太多資訊

記憶圖畫或許比較困難，試試看數字吧。

請記住旁邊的數字，限時五秒。

怎麼樣？ 是不是太簡單了點！

下面這一組數字呢？ 也是限時五秒。

上面這一題是不是也太簡單了！

下一組數字呢？ 限時同樣五秒鐘。

如何？

前兩題應該可以輕輕鬆鬆記住，但是第三題就比較不容易了吧？

你知道第三題有幾個數字嗎？

答案是八個。

只有八個！

人類厲害到發明了電腦，我們優秀又傑出的大腦照理說應該能理解一百、一萬，甚至一億個數字。然而實際上，人腦必須費盡力氣才能記住兩隻手數得完的數字。我們的大腦本質上不擅長處理「大量」的資訊。

理解「大量」的方法

如同上述的例子，當題目是文字（圖像）時，只要歸納出《桃太郎》的故事，我們的大腦就更容易理解。

那麼數字呢？

我們來看看下面的數列。

把亂七八糟的數字排成一列，是不是就好記很多？

如果再排成下面這樣呢？

這次是依照數字的大小排序。

我們可以看到「3」有兩個，而 1 到 9 中間缺少了「7」和「8」。經過排列和整理順序之後，人腦就比較能夠理解這些資料。我們的大腦最喜歡把東西排成一列或排順序。學校排成績也是這樣的關係吧？

——本文摘自《生物轉大人的種種不可思議：每一種生命的成長都有理由，都值得我們學習》，2023 年 8 月，商周出版，未經同意請勿轉載。