《動物森友會》經濟學：今天該不該賣大頭菜？| 動森小學堂 01

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

市場的公開資訊，真的能幫助消費者做出好決定嗎？

經濟學通常假設消費者主權可以使個人福利最大化：消費者會權衡各種機會，並選擇能夠最大化自己效用的選項。

但市場提供的資訊，是否足夠讓消費者最大化自己的福祉？消費者是否會臨時改變心意，喜歡上別的商品？消費者是否渴望擁有一些與當前選項不同的商品？餐點標示熱量有助減肥？

許多經濟學家覺得，企業藉由巧妙的廣告誘使消費者做出不明智的選擇；還有些經濟學家認為，消費者的確做出不明智的選擇，但過失應該算在他們自己頭上。本章稍後將討論這些行為經濟學家的論述。

多數經濟學家猛然意識到，現行市場其實並不缺乏資訊，公開且良好的資訊量非常大。許多製造商努力宣傳自家商品，甚至提供與其他廠牌的優劣比較及相對的價格訊息；聲譽良好的廠牌和在乎名聲的百貨業者，也間接提供優良品質商品的相關線索。這些都是市場行之有年的公開資訊。

數位革命使資訊量瞬間膨脹數倍。有了網路搜尋功能之後，人們不用走進商店就可以獲得充足的商品訊息。譬如我最近在尋找合適的行李箱，幾個購物網站提供了關於尺寸與重量的資訊、羅列產品的優缺點，還有先前買家對特定型號箱子的評論。

如果在Google搜尋中輸入「行李箱評價」，一下子就會跳出《消費者報告》（Consumer Reports）、《漫旅》（Travel + Leisure）、《好管家》（Good Housekeeping）、《今日美國》（USA Today）、《商業內幕》（Business Insider）、家電網（Wirecutter）、集點網（Upgraded Points）等提供的資訊。

資訊越多越詳細，真的越好嗎？

儘管可靠的資訊來源比比皆是，消費者仍舊無法窮盡所有資訊。經濟學家認為消費者的確「不應該追求完全的知情」，因為搜尋資訊與消費資訊都需要投入時間和金錢。

因此，對擁有部分資訊的消費者而言，只有未知資訊的預期價值超過獲取資訊的成本時，才值得追求更多資訊。另一方面，即使市場的競爭壓力迫使廠商提供大量的商品資訊，還是依然沒有揭露許多重要、與安全相關的訊息。

舉例來說，曾有廣告商建議布朗威廉森菸草公司（Brown and Williamson Tobacco Corporation）在宣傳旗下新商品時，強調新配方能降低引發心臟疾病的有害氣體，然而這項建議並未被接納。

一份內部文件顯示，該公司高層認為：「在特定有害氣體對心臟疾病的影響獲得政府證實且廣為人知之前，貿然在廣告中提及這種氣體並不具有策略性價值。」

由於廣告商極其堅持，該建議最終遭到菸草公司斷然拒絕。該公司認為，提及這些氣體只會適得其反，因為這麼做，反倒公開揭露吸菸對心血管的不良影響。

當市場競爭機制無法為消費者提供重要的資訊時，政府的干預才具有價值。政府公開揭露與吸菸相關的資訊，確實能降低一部分的吸菸率，也會促使廠商降低香菸中的焦油和尼古丁含量。企業有時也沒有測試自家產品的動機，因為他們發現：消費者不認為廠商的內部測試具有公信力。

——本文摘自《經濟學家眼中的世界 (40周年好評增修版)：一本讀懂經濟學的優劣與局限，剖析政府、市場和公共政策，探索人類的幸福》，2023 年 5 月，今周刊出版，未經同意請勿轉載。

難以公平？潛在的柏瑞圖增益

當我們從事市場交易時，的確可能傷害到其他人。譬如亨利．福特（Henry Ford）銷售他的 T 型車時，馬車鞭子的製造商就無法從中獲益。在市場不存在缺陷的情況下，這交易的確實現了潛在的柏瑞圖增益（也就是贏家獲得的收益超過輸家的損失）。亨利．福特和所有購買福特汽車的人都有能力補償馬車鞭子製造商的損失，同時還能改善自己的生活。

但如果補償並沒有發生（就如一般生活中發生的情況），這問題又該怎麼看呢？消費者以金錢投票，市場對投票結果做出反應，但許多人認為這些投入市場的金錢並沒有公平分配。購買鉛筆（或iPad）的人可能是最渴望擁有這些物品的人，有時剛好也是最富有的人─因為購買意願取決於支付能力。

如果都更建商想向地主購買市中心的一塊土地，而此處補貼低所得居民的住房，不論成交價格為何，都會是有效率的交易。此時，代表新住戶的土地開發商願意支付給地主的錢，高過低所得居民為保住房子願意支付的錢。但我們也許應該阻止都更建商，因為低所得戶特別需要幫助。

經濟學家解決公平性問題的方法之一，是在更大的背景下思考。

效率至上？潛在柏瑞圖增益是市場中決定性標準

在一幢出租大樓中，如果因為房東想把店面租給電腦銷售與維修商，以便收取更高的租金，導致樓下的三明治餐廳被迫關閉，餐廳經理就會失去工作。這結果符合潛在的經濟效率：電腦店預期迎來更多客戶，有能力比三明治餐廳支付更高的租金。但請考慮市場未來可能發生的所有變化。

如果「讓贏家贏得比輸家輸得多」是市場在大多數情況下的決定性標準，要是其他市場也改變，這位前餐廳經理也可能是新的贏家，所得也能完全補償輸家並改善自己的生活。

如果在任何情況下，潛在柏瑞圖增益都是決定性的市場標準，經濟將會不斷成長，餐廳經理也會隨著時間推移獲得更高的所得。就算他個人沒從中受益，他的孩子也因出生在更為繁榮的經濟社會而受益。這樣的思維與論述很完備，但無法說服許多關注公平性的人。

批評經濟學家公共政策的方法時，經常是指責他們只在乎經濟效率。經濟學家在運用其專業知識時，比起討論公平性，討論效率時會更有信心。因此，他們寧願談論效率，也確實更常談論效率。不過，經濟學家還是花了許多力氣在討論公平性和所得分配。

人與人之間的分配問題

有篇經濟學文獻曾討論不同種族、男女及年齡層的所得分配是否公平。此處無法援引過多細節，只能簡單地說，經濟學家最常關注的一個特定分配問題是：不同所得階層握有國家資源的相對占比。在討論所得再分配之前，應該先解釋一個運作良好的市場會如何分配產出。

在市場經濟中，一個人的所得取決於他人使用他的勞動力、土地和資本而獲得的報酬。然而，對這些生產要素的需求，則取決於人們對其最終產品的需求。市場若非不完善，個人的所得取決於他的勞動力，和他擁有的生產要素能對市場提供的商品與服務。

市場競爭的壓力會推升工資，直到它能反映邊際勞動者（雇主願意多僱用一位勞動者）對生產的貢獻，而這邊際貢獻就是這位勞動者在此處工作（而非他處或根本不工作）所能獲得的工資。

許多經理人的確只想支付相當於員工生產能力一半的工資，但他們會面臨來自同業的競爭壓力，因為其他經理人會試圖挖角這些員工，願意支付稍微多一點但仍低於其生產力的工資。這位經理人仍可以獲得額外的利潤，但也同樣面對勞動市場的壓力，因為還有其他經理人願意再多付一點工資。

個人在勞動市場獲得的所得是機會和選擇的結果，而機會和選擇則取決於他出生的家庭、成長的社群、他的智力和其他能力，同時也取決於他的努力和遠見。懶惰的天才不會與勤奮的天才賺得一樣多，卻可能賺得比勤勞的一般人多一點。某些才華橫溢又勤奮的人，要是沒遇到識貨的伯樂（例如馬車鞭子製造商），其所得也可能不如他人。

編按：想知道後續更多內容，歡迎閱讀本書 ↓

——本文摘自《經濟學家眼中的世界 (40周年好評增修版)：一本讀懂經濟學的優劣與局限，剖析政府、市場和公共政策，探索人類的幸福》，2023 年 5 月，今周刊出版，未經同意請勿轉載。