水利工程非萬靈丹

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

羅馬浴場：帝國先進的水利設施

水與都市衛生也有很大的關係。人類總是居住在河川、湖泊、湧泉等可以立刻取得乾淨水源的地方。但隨著文明的發展，人口集中的都市日漸發達，水源也因此逐漸短缺，於是發展出可大量供應乾淨水資源的設備——上水道。

所謂的上水道，指的是透過建造溝渠等方式，將水從郊外的湖泊或河川上游引進城市。

最早大規模建設上水道的是古羅馬人。他們不但整頓了上下水道、做出用水沖刷排泄物的馬桶，更驚人的是，他們甚至建造了公共廁所——考古學家曾在一處遺址裡挖掘出一千六百座馬桶。

從西元前三一二年至西元三世紀左右，古羅馬建設了許多上水道，從數十公里遠處將乾淨的水引進都市。當時以建造地下管線為主，不過也會用石材和磚塊建造拱型的水道橋；而且為了保持水質，還沿著主要管線設置蓄水池和過濾池。這些運送到市區的水，會分配至公共浴池、宅邸、公共設施，以及讓民眾汲水的噴泉。

古羅馬的公共浴池規模龐大，內部裝潢也十分豪華。一般來說，每座城市至少都有一座公共浴池，做為重要的社交場所。裡面設有專用的房間，由專人在身上抹油，並用木製或骨製刮板將身上的汙垢連同油脂一起刮除，以及不同水溫的浴池、蒸氣烤箱、健身房、圖書室等，民眾還可以在公共浴池內的講堂談論哲學和藝術。

高跟鞋、斗篷和香水 衛生觀念的倒退

然而，隨著羅馬帝國覆滅，大部分的上水道也遭到破壞。一直到中世紀晚期，不但上下水道長期不見天日，連公共廁所也消失了。當時的基督教教義認為，所有肉體欲望都要盡可能節制，裸體入浴是深重的罪孽。公共浴池就別提了，連自家也未設置洗浴設備，可說完全不具備衛生觀念。

這麼一來，城鎮會變成什麼樣子呢？

民眾在道路和廣場上隨意大小便。只能隨便處理的結果，使得排泄物滲入地下，導致病原菌汙染水源。

貴婦們身穿下襬寬大的長裙，就是為了方便隨地排泄；十七世紀初問世的高跟鞋，則是為了避免街上的糞尿泥濘弄髒腳而設計出來的——所以當時的高跟鞋不只是鞋跟，連鞋尖也會墊高。據說，當時甚至有鞋底高達六十公分的超級高跟鞋⋯⋯

另外，民眾會從二樓或三樓的窗口，將尿壺裡的排泄物直接往路上傾倒，所以外出時需要穿上斗篷，以遮擋這些「天上掉下來的禮物」。由於危險有可能隨時從天而降，當時的紳士才會養成護衛淑女走在道路正中央的習慣。

當時的人不太洗衣服，也完全不泡澡或沖澡。為了掩蓋體臭，有錢人會噴上大量的香水，香水工業發達的背後，其實是這個緣故。

乖乖照規定，才叫有禮貌

當時的人一旦感覺到便意，根本不在乎時間、地點，直接公然在外排泄。就連十七世紀的法國代表性建築凡爾賽宮，在早期的建設工程中，根本不包含廁所用和浴室用的水道設備。

宮殿裡，像是太陽王路易十四和著名的瑪麗．安東尼王后，他們所使用的都是坐式馬桶——臀部挖空的椅型便器，而排泄物就積放在下方用來承接的盆子內。當然，國王的馬桶不但鋪上了天鵝絨，還以金銀刺繡做為裝飾，是非常豪華的設計。

這個時代的凡爾賽宮，包含王公貴族、僕人在內，推測約有四千人住在裡頭，但宮中的坐式馬桶僅有不到兩百八十具，數量嚴重不足。因此，在宮中舉辦豪華絢麗的舞會時，愛乾淨的人還會帶著攜帶式便座，再由僕人負責將桶內的排泄物倒進庭園裡；當然，宮中的排泄物也一樣倒在這裡。至於未自備便器的人，則會直接在走廊、房間角落、庭園草叢裡大小便。結果，以美麗聞名的庭園處處充滿糞便，散發出嚴重的惡臭。

宮殿的庭園造景師見狀，非常憤怒，便在庭園裡插了一座「禁止進入」的牌子。一開始大家還不放在眼裡，直到路易十四下令要遵守立牌的指示，賓客才開始守法。

事實上，法語「禮儀」（uiquette）的原義就是「立牌」——最基本的禮貌，其實就是遵守既有的規定。而從這段軼事中，我們也可以預見，惡劣的衛生條件，必然為生命帶來重大威脅。

——本文摘自《世界史是化學寫成的：從玻璃到手機，從肥料到炸藥，保證有趣的化學入門》，2022 年 2 月，究竟出版，未經同意請勿轉載。

編按：今年3/31師大曾召開記者會，並發布新聞稿詮釋兩則師大學者參與的研究，惟因多數相關報導未說明兩項研究發現之關連性或差異性，筆者團隊重新訪問了黃婉如助理教授，並撰寫此稿以釐清科學事實。

當臺灣正面臨67年來最嚴重的旱災之際，北美加州在近年來也面臨了空前的旱象，當地政府甚至於今年度破天荒地開始進行限水措施。有鑑於各地極端氣候變異現象頻頻發威，了解其形成原因更顯重要。而國立臺灣師範大學地球科學系的助理教授黃婉如近期所參與的兩項研究，正是針對全球氣候變遷如何影響北美、臺灣近來的極端天氣現象做進一步的探討，其研究成果已分別刊登在英國皇家氣象學會的《大氣科學快報》與《國際氣候期刊》上。

猶記近兩個冬季，美國東部受到低壓的影響，飽受極端低溫的侵襲，如今美西也受上方高壓影響，正面臨百年大旱。黃婉如助理教授與美國猶他州立大學的研究團隊利用電腦模擬分析，發現在化石燃料造成的全球暖化影響下，將會增強上述大氣環流變異的強度，並造成北美的極端氣候變異加劇。此研究的主要作者，猶他氣候中心副主任、旅美臺灣學者王世宇教授認為，此研究最主要的貢獻，就是利用氣候模式所模擬的結果去找出影響北美極端氣候變異加劇的主要成因。

另一方面，臺灣正面臨大旱，也在4月份開始進行第二階段限水，那這樣的極端氣候變異與上述的北美大氣環流變異現象有關嗎？很遺憾的，北美與臺灣地區的大氣環流特性大不相同，無法直接作比較，但若從黃婉如的研究團隊在去年針對「過去20~30年間，臺灣5、6月(梅雨期)的降雨特性」所做的統計分析，也發現近30年來臺灣梅雨期的降雨型態有在變動的趨勢。研究發現，由鋒面所帶來的降雨天數逐漸減少，而午後對流的降雨天數與降雨強度則有增加的趨勢。目前，雖然無法直接解答此研究所發現的「鋒面降雨天數減少現象」與今年乾旱是否有關，但至少從天氣型態不斷變化來看，我們應正視氣候變遷對民生的影響。

從氣象局的網路資料可見，在臺灣一般將5、6月視為梅雨季，而梅雨期間臺灣最主要的降雨來自於在春夏交替時，因冷、暖氣團勢力僵持不下所形成的滯留鋒所帶來的降雨。而因每年冷、暖氣團勢力不同，滯留鋒出現的位置與時間並不固定，所以可能會往南或往北振盪、也可能會較早或較晚才開始影響臺灣。但就觀測資料發現，近30年來冷、暖氣團的勢力皆有向北移的趨勢。若由此推測，梅雨鋒面活躍處的位置應該也有北移的趨勢。倘若此氣候趨勢不變，則代表未來梅雨期間鋒面降雨對南臺灣的影響可能明顯較北臺灣小，而這對解決目前旱象並無幫助。此外，若再加上「強降雨事件增加，大水可能導致沖刷大量泥沙增加水庫淤泥」的考量，這方面也是不利於水庫蓄水。

總之，雖然我們對氣候變遷的複雜行為尚未參透，但對此必須呼籲各項民生相關單位應正視氣候變遷的相關議題，以因應趨於頻繁的極端天氣。

感謝支援本文的相關採訪工作的Pansci實習編輯張鳳茹、Xmallwolf協助！

本文同時發布於作者部落格地球故事書

延伸閱讀：

關於鋒面by氣象局

關於梅雨by氣象局

師大新聞稿：地科系參與國際研究 解釋極端氣候變異增強趨勢