Loading [MathJax]/extensions/tex2jax.js

0

7
2

文字

分享

0
7
2

黑皇后假說:擺爛耍廢也是種演化生存之道!

Yubari
・2020/06/08 ・2099字 ・閱讀時間約 4 分鐘 ・SR值 524 ・七年級

紅皇后假說:演化是場持續努力的軍備競賽

在疫情全球大流行之下,你是否想過這些類似的疾病,為何總是一波還未平息一波又來侵襲,似乎沒有永遠擺脫的一天呢?這個問題,我們可以用演化學中的紅皇后假說來說明。

紅皇后假說 (Red Queen Hypothesis) 是由美國古生物學家 Van Valen 在 1973 所提出。紅皇后一詞起源自英國小說《愛麗絲鏡中奇遇》,故事中的紅皇后說:「在這裡,你必須全力奔跑才能停在原地。」而在演化學上,Van Valen 認為生物必須全力奔跑(演化),才能停在原地(存活),如同一場無止盡的賽跑。

回到一開始的問題,病毒與人類的關係就符合紅皇后假說的說法。當一場流行病爆發後,人體會開始試著辨識出病毒並且消滅,隨著具有抗體的人增加,病情開始趨緩。然而病毒中總會演化出能夠再次入侵人體的新病毒,再次導致流行疾病。於是人類與病毒就這樣不斷的輪流領先,年復一年的前進,但彼此間的距離卻從沒拉開。

而按照紅皇后假說,生物的演化必然是越來複雜,越來越優秀。是個有競爭力還要繼續努力奮發向上的演化解讀,今天文章主要來提供另一種視角了:相對於紅皇后的角色,當然是黑皇后啦!

-----廣告,請繼續往下閱讀-----

黑皇后假說提供了另一種面向:想活下來,有時候耍廢也是個好方法。

愛麗絲與紅皇后必須向前奔跑才能停在原地,紅皇后假說用此故事比喻生物必須不斷向前進化,才能保持生存。(圖/Through the Looking-Glass, and What Alice Found There.)

黑皇后假說:耍廢有時可以活得更好

黑皇后假說 (Black Queen Hypothesis) 由美國的生物學家 Morris 等人在 2012 年提出,故事要從海洋上的耀眼陽光說起。

當太陽光照射海水時,會使得海水中的有機物分解,產生有毒性的過氧化氫分子 (H2O2, hydrogen preoxide),也就是雙氧水的主要成分,因此有一些藍綠菌會產生一種名為 KatG 的酵素來抵抗過氧化氫。然而 Morris 等人發現,有另一些藍綠菌,曾經具有產生 KatG 的能力,但現在卻沒有了。

Morris 等人認為,因為 KatG 是一種需要鐵原子的元素,生物如果失去了合成 KatG 的能力,可以節省能量並有助於在缺乏鐵的環境下生存。那麼這些生物要處理過氧化氫的問題呢?擺爛啊。嗯沒錯,就是擺爛,因為具有 KatG 的藍綠菌可以去除水中的過氧化氫,因此只要這些藍綠菌去降低水中過氧化氫的濃度,那些不具有 KatG 的菌種就可以安穩的活下來,並且省下一堆能量,生活可說是輕鬆又快活。

-----廣告,請繼續往下閱讀-----
藍綠菌組成的疊層石是地球上最古老的化石之一。(圖/Barn @Pixabay,CC0)

這個案例包含了四個黑皇后假說的要點:

  1.  某個需要耗費大量能量或營養的產物。(KatG 酵素)
  2.  只有部分物種生產該產物,為「協助者」。(部分藍綠菌生產 KatG)
  3.  產物可以幫助「受益者」生存。(KatG 降低水中過氧化氫濃度)
  4.  產物對於生存相當重要。

在黑皇后假說中,生物的祖先原是一群協助者,但其中部分的個體為了節省能量與資源,於是在演化的過程失去了該項能力,成為了受益者演化出現之後便開始增加,直到協助者無法負荷為止,讓兩者數量達到平衡。但若有第三方可以提供該項產物,那麼受益者便會不斷排擠掉協助者的生存資源,甚至會使協助者滅絕。

「耍廢」過得就比較好嗎?「爛好人」該如何大反攻?

從上面的例子看來,受益者似乎對於協助者有害。確實當兩者具有共同的需求時,例如:食物、空間……等資源時,受益者的增加會導致協助者的減少。但有時受益者與協助者也不需要競爭相同的資源,這時兩者之間也可以是片利甚至是互利的關係。

但不論是哪一種類型的關係,受益者似乎都不會吃虧,那麼協助者就只能夠當一個任勞任怨的爛好人嗎?這就要回過頭來說說,「黑皇后」除了與「紅皇后」相互映襯,其實還有另一個意義。

-----廣告,請繼續往下閱讀-----

經典樸克牌遊戲「傷心小棧 (Hearts)」中,每張紅心牌代表 1 分,黑桃Q代表 13 分,因此玩家們必須盡力不去獲得分數。然而這個遊戲有個特別規則,被稱為「豬羊變色」或者「射月 (shooting the moon)」,就是當有玩家拿下所有分數牌時,就能逆轉結果,大幅地增加其他玩家的分數。

黑皇后假說取名自撲克牌遊戲傷心小棧,其中黑桃Q為遊戲關鍵。

遊戲中的分數如同協助者的工作一樣,獲得越多越不好。但如果絕大多數生物都選擇不去承擔,而讓少數協助者獨自掌握了一項相當重要的工作時,那麼它在生態系統中的重要性就會大幅提升,甚至能成為所謂的「關鍵種 (keystone spicies) 」,以較少的生物量卻能對於生態系造成巨大的影響。

在遊戲中,最關鍵一張牌,就是分數最多的黑桃 Q,有著最大的風險,也是達成「豬羊變色」不可或缺的一張牌。這就是為何Morris 等人要以黑皇后來命名這個假說,比喻著眾人避之唯恐不及,有時卻又能夠逆轉戰局的那項重要任務。

紅皇后與黑皇后,演化的兩種面向

紅皇后假說的出現,讓我們知道環境的變遷並非演化唯一的動力,生物間的競爭也可以讓生物隨著時間進行改變。而黑皇后假說則向我們展示,除了向前競爭以外,向後依賴也是一種的選擇。

-----廣告,請繼續往下閱讀-----

(所以當你的報告組員都不做事的時候,想想黑皇后理論,或許就不會這麼憤怒……並沒有,我還是很生氣 (/‵Д′)/~ ╧╧)

參考資料

  • Morris, J. J., Lenski, R. E., & Zinser, E. R. (2012). The Black Queen Hypothesis: evolution of dependencies through adaptive gene loss. MBio3(2), e00036-12.
-----廣告,請繼續往下閱讀-----
文章難易度
Yubari
7 篇文章 ・ 6 位粉絲
一位小小小小地科研究生

0

0
0

文字

分享

0
0
0
拆解邊緣AI熱潮:伺服器如何提供穩固的運算基石?
鳥苷三磷酸 (PanSci Promo)_96
・2025/05/21 ・5071字 ・閱讀時間約 10 分鐘

-----廣告,請繼續往下閱讀-----

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。

-----廣告,請繼續往下閱讀-----

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。

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。/ 圖片來源:MotionArray

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)」!

-----廣告,請繼續往下閱讀-----

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。

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。

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。/ 圖片提供:研華科技

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。

-----廣告,請繼續往下閱讀-----

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。

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。/ 圖片來源:MotionArray

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)。

-----廣告,請繼續往下閱讀-----

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。

-----廣告,請繼續往下閱讀-----

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。

-----廣告,請繼續往下閱讀-----
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。/ 圖片提供:研華科技

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

-----廣告,請繼續往下閱讀-----
-----廣告,請繼續往下閱讀-----
文章難易度

討論功能關閉中。

0

1
1

文字

分享

0
1
1
發現免疫系統吞噬作用──梅契尼可夫誕辰│科學史上的今天:5/16
張瑞棋_96
・2015/05/16 ・1052字 ・閱讀時間約 2 分鐘 ・SR值 541 ・八年級

梅契尼可夫(Élie Metchnikoff, 1845-1916)悠悠醒來,失望地發現自己竟還活著。虧他自己是醫學教授,對愛妻感染的肺結核卻無能為力,只能眼睜睜看著她的生命力一點一滴流逝。因為承受不起失去工作收入,他只能困在這家連像樣的實驗設備都沒有的大學,醫學研究成為難以企及的夢想。於是在愛妻撒手人寰後,他已了無生趣,遂拿起她剩下的鴉片吞食下肚,怎知竟未能如願結束生命。

梅契尼可夫想起令他大受震撼的《物種源始》,也許他應該離開這個令他窒息的環境。於是就在 1873 這一年,他離開俄羅斯,動身前往中亞、西藏遊歷。或許是心境轉變,他於次年回到原來任教的大學後很快又墜入愛河,再度結婚,並且專心研究海星、水母等無脊椎動物的胚胎,企圖從胚胎學的角度探討演化學。

不料命運弄人,他的第二任妻子竟於 1880 年感染傷寒。他已無法再承受失去摯愛的痛苦,他決定自私的先走一步。為了避免自殺帶給妻子難堪,他故意將罹患回歸熱的病患血液注射到自己體內,孰知再一次地,他雖然成功得了回歸熱,卻還是自殺失敗。好不容易結束痛苦難熬的發病過程後,梅契尼可夫終於在 1882 年辭去教職,帶著妻子前往義大利設立自己的實驗室,繼續研究海星與海葵。

梅契尼可夫在透明的海星幼蟲體內發現一種四處遊走的細胞,會主動靠近外來物予以吞噬;隨後在水蚤體內也發現這種吞噬細胞在吞食消化入侵的真菌細胞,他立即想到這正是我們體內的白血球消滅病菌的方式,而於 1884 年發表論文,成為免疫系統之吞噬作用的發現者。然而當時免疫學說的主流意見是以柯霍為首的「體液說」,梅契尼可夫的吞噬說自然受到嘲笑,直到後來更多支持的證據出現,他才於 1908 年獲頒諾貝爾生理醫學獎。

-----廣告,請繼續往下閱讀-----

相較於柯霍對梅契尼可夫冷淡以對,同是微生物學開山祖師的巴斯德卻是熱情邀他來巴黎進行研究。1888 年,他帶著妻子移居巴黎,在巴斯德研究所展開二十年的研究生涯。這段期間,他除了繼續研究吞噬作用,還提出另一個影響深遠的理論。原來他在保加利亞的長壽部落發現他們經常飲用發酵乳,他進一步研究發現發酵乳中有多種乳酸菌,於是主張乳酸菌有益健康、延年益壽,自己也身體力行每天飲用,因而被稱為「乳酸菌之父」。

梅契尼可夫後來活到 71 歲,在當時已算高壽,不知是否真與乳酸菌有關。不過他兩次自殺未遂,而兩個重要發現卻都與保障生命有關,還真像是肩負著某種使命而來的啊!

 

 

本文同時收錄於《科學史上的今天:歷史的瞬間,改變世界的起點》,由究竟出版社出版。

-----廣告,請繼續往下閱讀-----
張瑞棋_96
423 篇文章 ・ 1028 位粉絲
1987年清華大學工業工程系畢業,1992年取得美國西北大學工業工程碩士。浮沉科技業近二十載後,退休賦閒在家,當了中年大叔才開始寫作,成為泛科學專欄作者。著有《科學史上的今天》一書;個人臉書粉絲頁《科學棋談》。