分手心理學：分手後還當朋友，怎樣才能過得好？──依附理論系列(十八)

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

那些我們仍忘不了的逝者

幾年前，我有位年長的同事過世，我在他過世後的幾個月裡花了一些時間陪伴他的遺孀。那位同事是研究睡眠的重要學者，時常為參加世界各地的學術研討會而四處旅行。

有一次和他的遺孀吃晚餐時，她一邊搖頭一邊告訴我，她實在對丈夫已經離世這件事沒有真實感，她感覺丈夫好像只是又出門旅行了，隨時都會再次從家門走進來。

大家大概都聽過正在哀悼失去的人這麼說，不過這並不是因為產生了幻覺，畢竟這些人通常同時也會說自己確實知道對方已逝；他們並不是因為太害怕悲傷的情緒而拒絕接受現實，也不是在否認真相。

還有另一個抱持這種信念的知名案例，也就是瓊．蒂蒂安（Joan Didion）的著作《奇想之年》（The Year of Magical Thinking）。蒂蒂安在書中寫道，她實在無法把已逝丈夫的鞋子送出去，因為她覺得「他或許有一天還穿得到。」

為何即便理智上知道事實，我們卻還是相信那些已經離開人世的重要他人終究會回到自己身邊呢？從大腦的神經系統就能推斷這種矛盾現象從何而來，因為大腦神經系統會創造出不同層面的資訊，並傳輸到人類的意識裡。

如果深愛的人不見了，大腦會預設這些人只是當下不在我們身邊，之後一定還找得到他們；對大腦來說，對方已經不在這個世界上，空間、時間、關係的向度都已不再適用的概念根本就不合邏輯。

我在第五章會再從神經生物學的角度向大家解釋，為何人類會渴望找到離開的重要他人；在本章我們要探討的議題則是，為何我們相信自己終究找得到這些逝者？

在依附關係裡留下鮮明的記憶

心理學家約翰．雅徹（John Archer）在他的著作《悲傷是什麼》（The Nature of Grief，書名為暫譯）裡提出，正因為演化的強大力量，人類才能在明知道事實並非如此的情況下，依然相信所愛之人終究會回到自己身邊。

人類物種發展的早期，相信配偶會帶著食物回來的個體會持續待在子代身邊，而這些孩子也因為有正在等待配偶回家的父母貼身保護，才更有機會存活下來；我們在動物世界裡也能觀察到這種現象。在《企鵝寶貝》（March of the Penguins）紀錄片裡，皇帝企鵝爸爸在南極的嚴酷環境下負責孵蛋，等待企鵝媽媽從冰凍的大海裡覓食回家。

企鵝爸爸保護這些蛋的決心十分驚人—公企鵝能夠維持約四個月的時間不進食，一心等待配偶回來。附帶一提，同性配偶關係的企鵝伴侶也是同樣優秀的家長；中央公園動物園（Central Park Zoo）的公企鵝伴侶羅伊（Roy）和塞隆（Silo）就孵出了一隻可愛的小企鵝探戈（Tango），並且成功將牠養育長大。

無論企鵝家長究竟是公是母，最重要的是其中一方必須維持信念，相信配偶即便在極地消失了很長一段時間，依然會帶著食物回到自己身邊。假如原本應該待在原地保護企鵝蛋的一方認定伴侶不會回來，自顧自地到海裡捕魚，這些蛋就無法成功孵化，也可能導致幼雛死亡。

那些始終維持信念，相信伴侶會回來而靜靜等待的企鵝，更有可能成功將蛋孵化或將幼雛扶養長大。在影片中，我們可以看到在上千隻的企鵝中，覓食回家的企鵝媽媽必須透過企鵝爸爸獨特的叫聲找到伴侶。這些企鵝克服了數不盡的種種困難，動物的天性實在令人讚嘆。

是什麼讓企鵝願意為了待在下一代的身邊而絕食？這種依附關係究竟是如何運作？企鵝伴侶之間無形的連結是如何形成？企鵝伴侶之間的緊密關係實在令人心醉。

繁殖季剛開始時，成雙成對的企鵝伴侶會互相交頸纏繞，對彼此發出求偶的叫聲；此時牠們的大腦也開始出現生理變化，在腦神經深深烙下了對伴侶的記憶，留下明確的標記，這樣牠們就不會忘記伴侶的樣貌、氣味、叫聲。

在企鵝的大腦裡，伴侶不再只是隨便一隻企鵝了，而是最重要的那隻企鵝。企鵝伴侶離開彼此身邊，一方覓食、一方孵蛋的時候，牠們腦中對於伴侶的印象已不僅僅是一般的記憶，同時還帶著某種信念或動力──「我要等他回來，他就是那個特別的存在，是專屬於我的存在。」

在人類身上亦然，因為你的所愛之人存在於世上，大腦裡的某些神經細胞才會同時激發，某些蛋白質才會在你的大腦裡以特別的方式折疊。

也正因為你的所愛之人曾經那樣活生生地存在於世上，正因為你們曾經如此相愛，他們才會在死去後卻依然存在──活在你的腦神經細胞裡。

——本文摘自《悲傷的大腦：一位心理神經免疫學者的傷慟考，從腦科學探究失去摯愛的悲痛與修復》，2023 年 ３ 月，臉譜出版，未經同意請勿轉載。

搭乘捷運時，你看著旁邊嬰兒車內的嬰兒不自覺地露出微笑，此時他也給你一個微笑，你大概會有一整天的好心情。但你有想過為什麼我們會覺得嬰兒看起來特別可愛，甚至會不自覺地想對他們微笑嗎？

在發展心理學中，這其實是有根據的。

嬰兒有著「丘比娃娃」的外表，大大的前額、圓潤的臉頰，使他們看起來特別可愛，比較容易吸引照顧者或其他人的注意而被疼愛，稱作丘比娃娃現象 （kewpie doll effect）。

長得可愛像丘比娃娃，對於建立依附關係更有利？

丘比娃娃最早是由美國羅絲‧歐尼爾 （Rose O’Neill）在 1909 年所創造出的角色，擁有圓潤的雙眸，對稱且圓滾的身體，並依據愛神邱比特的諧音取名，在推出的短時間內就造成極大的轟動。

丘比娃娃現象是由動物行為學家勞倫茲（Konrad Lorenz）在 1943 年提出的。而他也提出了大家熟知的銘印現象（imprinting）：剛出生的幼鵝，會追隨任何會動的東西，例如牠們的鵝媽媽，或甚至是人類。 

話說回來，雖然人類的嬰兒並不具有像動物的銘印現象會主動跟著照顧者跑。但他們如果天生帶有某些讓照顧者及其他人會感到可愛的臉部特徵或特質，顯然較容易引起對方的關注或更用心的照護，就能夠提升存活的機會，也就是丘比娃娃現象。換句話說，丘比娃娃現象讓嬰兒看起來可愛（或者說讓人「覺得可愛」），更重要的功能可能是與照顧者建立安全的依附關係！

發展心理學家 John Bowlby （1969、1980）提出了依附理論。他的理論深受動物行為觀點的啟發，而該觀點還有個重要假設：

所有物種（包括人類）都有一些天生的行為傾向，這些傾向某種程度有助於該物種在演化上的生存及適應功能的。

因此，他認為人類的依附關係是具有適應功能的重要性，並認為在正常的情況下，成人會自然地對嬰兒（編按：或長得像嬰兒的東西，例如貓）發出的訊號有善意的回應，像是非常注意嬰兒急迫的哭聲，或是對寶寶保持笑臉。這很可能也是成人內建有利生存延續後代的本能：照顧嬰兒。而「丘比娃娃」則具有了我們「認出嬰兒」所需要的特徵。人類的嬰兒和照顧者會有對彼此善意回應的傾向，符合演化適應的需求。

另外，也有研究指出，丘比娃娃現象有助於引發他人的正向情感，進而與照顧者建立良好的依附關係。當寶寶越有吸引力，就越容易引起媽媽或其他人的回應（Langlois et al., 1995）。

心理學家 Thomas Alley（1981）也發現成人在評定不同發育過程中的頭部輪廓時，在評價嬰兒的可愛程度，往往要比二、三、四歲小孩的頭部輪廓來得更高，因此他認為隨著年齡的增長，嬰兒頭部輪廓發生變化，成人感受到的可愛程度也隨之下降。

長得「可愛」和良好依附關係是相關，非因果關係！

但或許有讀者會好奇，難道不可愛的嬰兒，就無法建立良好的依附關係嗎？

幸好現實沒有這麼殘忍，寶寶不見得要長得像完美的洋娃娃，才可以建立良好的依附關係。有研究顯示患有唇裂與顎裂（Cleft lip and cleft palate）的嬰兒，同樣也能與母親建立安全的依附關係，儘管有特殊的照顧需求，在嬰兒出生後第一年未存在不安全依戀的風險（Speltz et al.,1997）。

丘比娃娃現象雖有助於提升良好依附關係的建立，同時也增加嬰兒的生存機率，不過「有可愛的臉部特徵」和「發展良好依附關係」兩個概念是相關，而非因果關係。

能夠發展安全的依附關係，需要藉由照顧者準確接收嬰兒的訊號，可能是肚子餓或尿布濕了等，並及時且有效地回應他所發出的需求，而嬰兒也同時在學習要如何調整自己的行為，以便讓照顧者了解，相互接收並回應彼此的訊號，才得以發展出來穩固的依附關係。

註解

銘印現象的三個特點：

1. 只有在孵化後的關鍵期內，才能有效地被建立起；
2. 是自動的發生，幼鵝出生後不必學習，就會跟著走。
3. 依附對象是不可逆的。一旦幼鵝開始追隨一個特定對象後，則持續依附同一對象。

參考資料

1. Alley, T. R. (1981). Head shape and the perception of cuteness. Developmental Psychology, 17(5), 650–654.
2. Bowlby, J. (1969). Attachment and loss. Vol. 1: Attachment. London: Hogarth Press.
3. Bowlby, J. (1980). Attachment and loss. Vol. 3: Loss, sadness, and depression. New York: Basic Books.
4. Langlois, J. H., Ritter, J. M., Casey, R. J., & Sawin, D. B. (1995). Infant attractiveness predicts maternal behaviors and attitudes. Developmental Psychology, 31, 464–472.
5. Lorenz, K. (1943). Die angeborenen Formen möglicher Erfahrung [The inborn forms of potential experiences]. Zeitschrift für Tierpsychologie, 5(2), 235–409.
6. Shaffer, D. R., & Kipp, K. (2007). Developmental psychology: Childhood and adolescence. Australia: Wadsworth/Thomson.
7. Speltz, M L , Endnga, M C , Fisher, P A , & Mason, C A (1997) Early predictors of attachment in infants with cleft lip and/or palate . Child Development, 68, 12–25.