2020年國際科展現場直擊：三十秒找出「硬」三角形、用指尖陀螺研究離心機！

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

從上兩篇國際科展研究介紹，能看出中學生對生活、自然界的重視。源於對生活的熱情，行為與社會科學科和電腦科學與資訊工程科的學生們也從人類習性的角度切入，產出有趣的主題。所謂科技來自人性，科展主題也來自對生活的探索與對自身的好奇。

【行為與社會科】：視覺中的鬼影是哪來的？

臺北麗山高中周芷語、謝宜薰在看到《國家地理》雜誌探討視覺的文章，對自己視覺中所產生的鬼影感到驚奇。赫曼方格是因人體視網膜的「側抑制作用」而造成的，在某些視覺刺激較強時，接收到周圍較弱訊號的細胞會被覆蓋。在赫曼方格的例子中，黑方格與白線條中會有錯覺造成的灰點。

兩人疑惑赫曼方格會讓人感覺黑色方格間白色線條的交會處出現暗點，但一般穿著的格子衫卻很少會出現這個狀況，萌生出想進一步研究的想法。他們的作品獲得本次大會獎二等獎。

研究中針對三種視錯覺中生理錯覺的赫曼方格來探討，他們將赫曼方格套入不同配色，以 RGB 色法去定義對比色、互換色和相近色，再將這些方格設計為格子衫，讓受試者觀看並探討消費行為。

由於傳統的赫曼方格（黑白配色）所受到的側抑制較明顯，較易產生生理錯覺，並且在黑白色互換後因眼球較激烈的顫動（saccade）使得閃爍程度上升，導致眼睛易感到疲憊。不同顏色的赫曼方格則會受到視桿與視錐細胞的影響，導致我們看到不同的生理錯覺。例如看著紅綠格子衫時，正常視覺下鬼影的出現和灰點閃爍程度皆為零，然而紅綠色盲的受試者卻會看到鬼影——這樣的差異，就會影響到受試者是否較有意願購買這種配色的衣服。

提及未來的研究方向時，周芷語、謝宜薰提及應該要再修改問卷設計，並且未來進行實驗時，期望能運用眼動儀和腦波儀來使實驗結果更精確。

【電腦科學與資訊工程科】運用空間物品記憶裝置建構搬運機器人

台北內湖高中廖子游、邵明諒、林禹丞表示，先前於全國科展時，他們研發 AR的相關軟體，希望能經由環境物體辨識和定位，導航出指定物品的正確位置。延伸功能若能夠套用在機器人身上，能使機器人與人之間有更良好的互動，且能更合乎我們的訴求。

團隊研發一款 AR 記憶眼鏡，能在日常生活中建構整個空間，並利用特徵點建構平面並辨識物體，標記出這個物品在空間中的地點。即使被記憶的物品是放在抽屜中，或是剛好在記憶眼鏡視野的正後方，也能夠藉由記憶中的方位與距離正確引導出物品的所在位置。如果能進一步將這樣的記憶資訊傳達搬運機器人，擁有空間記憶的機器人就可以正確找到尋找的物件，並做出妥善的處理。舉例來說，我們吃糕點時常一不小心就掉屑屑，此時若人類配戴 AR 記憶眼鏡，可以迅速讓掃地機器人趕到現場進行清掃。

關於自己出色的設計，他們表示就高中生而言能運用的經費有限，無法購得實質的 AR 眼鏡。不過，三人藉由手機裝載自製 app，再將手機放入 AR 眼鏡殼來模擬 AR 眼鏡的畫面，並以有線耳機上的音量鍵作為操作眼鏡的控制器。真正的挑戰是物件識別的整合、數據資料的處理，以及要讓程式計算出正確的物件方位和距離。

儘管年紀尚輕，這些充滿創意的中學生們身上已散發著渾厚的科學家氣息。無論是對於周遭未知的問題窮追不捨，又或者能從簡單原理發想新的創意。雖然有時會受限資源不足，他們都細心地對此進行嚴謹的研究，即使挫敗也不輕易言棄。這樣願意親自深究，挖出未知背後的真相，正是研究學者所應具備的精神。

期許未來能有更多同學能運用課堂中的知識，在科展中一顯身手，明年我們在科教館不見不散！

上篇國際科展的介紹中，我們看見中學生們經由生活周遭的觀察，獲取研究的靈感與啟發。本篇延續這份對生活的熱情與對社會的關懷，走進環境科學的研究環節。

科學的起源在於人類對自然的觀察與重視。對生命與環境的充滿熱誠、選擇地球與環境科學科、植物學科的同學們，究竟出現了哪些題目呢？來問問師大附中的廖廷涓同學，以及來自屏東潮州高中的莊惟婷、陳馬琤、賴安琦同學吧！

【地球與環境科學】：哪些因素會影響海平面的高度？

廖廷涓在上地球科學課時，發現有許多能影響海平面年際變化（一年以上的變化）的因素。舉例來說，2011 年就出現聖嬰現象，使得全球海平面高度平均下降 5 毫米。某些不清楚年際變化的陰謀論者就憑這個數據主張全球暖化並不存在，無視了長期趨勢變化。若對環境的改變毫無知覺、不了解這些變化背後所隱含的意義，我們就可能會錯估地球的健康狀況。因此，廖廷涓想知道有沒有其他也會成為影響海平面年際變化的因子？

為此，廖廷涓由美國太空總署（NASA）、法國國家太空研究中心（法文：Centre National d’Études Spatiales，縮寫：CNES）和美國國家海洋和大氣管理局（NOAA）發布的公開數據。針對中太平洋聖嬰現象、東太平洋聖嬰現象、北極振盪、南極振盪，以及太平洋或大西洋多年代震盪這六個年際震盪因子，個別分析與 1993-2017 年的全球平均海平面年際震盪之間是否相關。此研究讓她獲得本次大會獎一等獎，並為地球與環境科學的出國正選代表。

結果顯示，這六種年際震盪中，中太平洋聖嬰現象、太平洋或大西洋多年代震盪三者對海平面高度的影響較大。北極振盪整體而言雖然不如前三者有顯著影響，仍然與平均海平面高度有相關性。

運用分析結果乘以各因子所佔比重後，預測模型作出 R 值 0.86 的海平面高度變化曲線圖。換句話說，只要得知這些因子的變化趨勢，就可以解釋約 70% 的全球平均海平面高度的年際變化，也有機會預測未來海平面高的年際變化。

另外，研究結果還顯示，大西洋多年代震盪及北極振盪出現後幾個月，海平面才會發生顯著變化。廖廷涓表示相當感興趣海平面變化延遲的原因，未來想更深入研究這些氣候現象與海平面高度之間如何互相影響，並釐清不同海域與這些因子間的關聯。

【植物學】絲葉狸藻的捕蟲囊是怎麼運作的？

莊惟婷、陳馬琤、賴安琦在生物課本上看到了各式各樣的食蟲植物，一個少見的水生食蟲植物抓住了她們的目光——絲葉狸藻（Utricularia gibba）。從前人的研究中得知，絲葉狸藻是捕蟲界的一方之霸，捕蟲的吸入動作僅需 0.02-0.05 秒，非常快速。捕蟲囊內部的四爪腺毛是絲葉狸藻吸收養分與排出囊中水分的重要路徑。然而，同是特化構造的半球型腺毛卻很少在先前研究中被提及。因此她們希望能釐清半球型腺毛的功用，以及已知具有消化功能的四爪腺毛對不同營養物質吸收的狀況，並作出比較。

要解釋如何釐清半球型腺毛的功能，我們需從捕蟲囊的捕食機制談起：當獵物經過時，囊口外側的觸發毛會控制瓣膜開合，利用囊中負壓迅速吸入獵物與溶液；之後再由四爪腺毛把多餘的溶液排出囊外，重新回到準備捕食獵物的狀態。不過他們懷疑，不只是四爪腺毛，由氣孔特化出的半球型腺毛可能也具備排水的功能，於是開始著手進行實驗。

團隊調配兩種不同色的螢光染劑溶液，並以睫毛針觸發捕蟲囊開關，使捕蟲囊受內外染料染出不同顏色。隨後發現，外部位於捕蟲囊側面的半球型腺毛其出水孔有不同色的色素殘留痕跡，顯示半球型腺毛確有排水功能。

解決半球型腺毛的問題後，他們轉向比較四爪腺毛在吸收不同營養物質（甘胺酸、硝酸鉀、甘油和葡萄糖），以及吸收水分時的表現差異。他們觀察到染色過的營養液被吸進捕蟲囊後，會立即充入四爪腺毛並流進捕蟲囊的基座細胞，由共質體路徑進入至植體。他們推測含氮物質是從專一性的離子通道運輸至體內，至於是否為主動運輸仍有待商榷。

四種營養素中，葡萄糖雖然能快速進入四爪腺毛，卻發現沒有被大量吸收，後他們推測因實驗系統設計是在光照下進行，由於絲葉狸藻可行光合作用補充葡萄糖，故不需使用捕蟲器進行葡萄糖補充。

另外，他們也研究在不同理化因子（如照光、環境溫度）的影響下，對半球型腺毛和捕蟲運動造成的影響。在燈源上加上色紙作為藍、紅兩類色光光源，並比較色光觸發前後捕蟲囊的面積變化率。最終發現，短波長的藍光有使捕蟲囊面積下降的趨勢。但比較捕蟲囊在觸發捕捉獵物前後的形態變化，他們得出短波長的藍光可促進捕蟲囊的排水功能，進而可使捕蟲囊的捕蟲效率提升。另外，經由測量不同光照下對光合作用光反應速率的影響，他們發現紅光下光反應速率最好，藍光最差，正與先前捕蟲囊面積變化的實驗結果相反。因此，團隊推測正因藍光下光合作用光反應效率低，才需要活躍的捕蟲運動來補足養分。

除此之外，他們還發想到能以捕蟲囊為設計模型，製造一個以不同膨脹係數的雙層材料製造的囊袋（內層小，外層大），擺放於海面漂泊。在白天高溫時，可觸發袋口吸入海水與塑膠微粒，晚上低溫時袋口緊閉造成負壓內凹，將海水排出而留下較大的塑膠微粒於袋中，進而達到回收塑膠微粒的效用。

有很多設計的最初理念也都是在生物觀察時受到啟發，期望莊惟婷、陳馬琤、賴安琦三位同學的設計，能在未來減輕人類所造成的環汙問題！

（修改時間：2020年4月13日）

下一篇：2020年國際科展現場直擊：視覺中的鬼影是哪來的？讓未來的機器人幫忙搬家！