不可以用「獎品」鼓勵孩子探索興趣？心理學的過度辯證效應

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

一直以來我們都知道，實驗老鼠常常應用在心理學領域，像是透過研究老鼠的行為，期待能將研究成果類比到人類的心智活動。

不過你知道歷史上，有哪些以老鼠作為實驗對象，而且你非知道不可的經典實驗呢？今天就要來帶你一窺兩個經典的心理學實驗！

第一個經典老鼠實驗：史金納的操作制約實驗

美國的心理學家史金納 (B. F. Skinner) 被稱作是操作制約之父，他發明了一種特殊的箱子叫做「史金納箱」，用來做許多操作制約的動物實驗。

實驗一開始，史金納把一隻飢餓的老鼠放進史金納箱中，箱子中有一個桿子。老鼠在箱子裡到處亂跑，不小心觸動到桿子的時候，就會有食物掉出來。

後來，老鼠發現當牠壓到桿子第二次，又會有食物掉出來。久而久之老鼠就學會只要「壓桿子」就可以「得到食物」，屢試不爽。

因此，這種「壓桿子」的行為就是一種「操作制約的反應」，而那掉下來的「食物」就是獎賞。

這個實驗也可以拿來說明「正增強 (positive reinforcement)」效應：只要壓桿子，就可以吃食物填飽肚子，因此當老鼠餓肚子的時候，去壓桿子就對了！

• 延伸閱讀：為什麼好人們能如此不求回報？原來都是操作制約在作祟！

第二個經典老鼠實驗：亞歷山大的老鼠樂園

是什麼讓人們對毒品上癮？你可能會不假思索地回答：就是毒品本身阿！

不過有個心理學家不是這麼想的：加拿大的心理學家亞歷山大 (Bruce Alexander) 在 1978 年提出一個新的主張：居住環境可能會影響老鼠的成癮行為。

亞歷山大設計了兩種老鼠的居住環境：第一種是把一隻老鼠單獨放在一個 18×251×8 （公分）大小的籠子裡，籠子裡面只有兩種水可以喝，一種是水，一種是嗎啡水。

第二種是把很多隻老鼠放在邊長 8.8 公尺的正方形沒有天花板的大箱子裡，地板鋪著一層木屑，大概有 12 個小籠子可以探索，還有一支長 70 公分的爬桿可以玩（這就是所謂的「老鼠樂園」），同時也只放了水和嗎啡水給老鼠們喝，然後觀察在兩種居住環境下的老鼠會主動去喝哪種水。

實驗結果發現，當老鼠獨自在籠子裡容易因為飲用過量的嗎啡水而致死；而住在「樂園」裡的老鼠則不太會選擇去喝嗎啡水。所以說導致老鼠對毒品上癮的，其實是有沒有一個「可以和其他同類產生連結」的居住環境。

• 延伸閱讀：人都需要連結，而這可能是吸毒成癮的真正原因

從這兩個經典實驗我們知道，心理學家們可以從設計不同的實驗情境，觀察老鼠的行為來推測牠們做決策的心路歷程，並嘗試類推到人類的心智活動。或許在看完這篇文章之後，我們可以對這些實驗老鼠們多一份敬佩，也感謝牠們對心理學界知識的貢獻。

更多跟實驗動物有關的故事？自己去找吧，我把站內的延伸閱讀都放在下面鏈結了：

• 泛知識節紀實：你不知道的實驗動物

• 實驗動物與牠們的產地，恆溫恆濕還有乾淨空氣

• 為實驗而生的動物們：國研院實驗動物中心專訪

1. Skinner, B. F. (1990). The behavior of organisms: An experimental analysis. BF Skinner Foundation.
2. 〈操作制約〉超普通心理學
3. Alexander, B. K., Coambs, R. B., & Hadaway, P. F. (1978). The effect of housing and gender on morphine self-administration in rats. Psychopharmacology, 58(2), 175-179.

老師手把手教學，讓你壓力很大、擔心做錯被老師罵嗎？或許你可以試試看 2019 搞笑諾貝爾醫學教育獎的方法，改用「響片訓練 (clicker training)」來訓練，說不定效果會更好喔！

2015 年有醫學院的老師們突發奇想，把「響片訓練」這個訓練寵物的常見方法，拿來訓練學生的外科手術技巧，因為他們發現學生在實習時，常常是老師在旁邊手把手教學，讓學生很有壓力。因此他們想要試試看，不講話改用拍響片的方式告訴學生做對還是做錯，會不會就少了一些壓力，結果發現學習效果真的比較好！

響片訓練是什麼？

響片訓練原本是用來訓練各種不同的動物，最常見的是用來訓練狗狗。要用這個方法訓練，首先要讓狗狗把響片的聲音和獎勵做連結，讓牠知道只要有響片聲音，就能獲得獎勵的食物。

接著才進入訓練重點，舉例來說訓練者希望狗狗做出擊掌的動作，那就要強化擊掌和獎勵的連結。方法是在訓練過程中，只要狗狗做出擊掌的動作，訓練者就要拍一下響片，再給牠獎勵的食物。

透過這樣的方式，持續很多次，牠就會知道做出這個動作，就會聽到響片聲，並且可以獲得獎勵。

用操作制約來強化行為

這個方法其實是利用「操作制約」的原理，透過不斷的練習，讓動物知道做這個行爲會有獎勵、是被期待的行為。這個方法除了狗狗之外，像是貓咪、馬、海豚和鴿子的訓練都有效。

操作制約的知名例子，就是史金納 (B. F. Skinner) 的關老鼠實驗。史金納設計了一個籠子，裡面有一個桿子，只要老鼠拉了桿子，就會有食物掉下來，獎勵牠做了這件事，老鼠一開始可能是意外拉動桿子，但久而久之，老鼠就會發現「只要拉桿子，就會掉食物」這件事，因而越來越頻繁的做出這個動作。

而這就是操作制約中「正向獎勵（又稱正增強，positive reinforcement）」的類型，當個體做出期待的行為之後，給予牠喜歡的獎勵（增強物），來提高牠未來再做出這個動作的可能性。

在老鼠實驗中的例子就是，拉桿子獲得食物，強化了拉桿子的這個動作；而在訓練狗狗擊掌的例子中，就是透過響片的聲音和獎勵的食物，來強化擊掌的行為。

※更詳細了解「操作制約」，請參考泛科學的另一篇文章：《為什麼好人們能如此不求回報？原來都是操作制約在作祟！》

響片訓練的優點：訊息明確、容易辨識

這個訓練法的優點是響片的聲音每次都一樣，對動物們來說很容易辨識。很多主人在訓練狗狗的時候，常常是用口頭鼓勵的方式，來告訴狗狗牠做對了。

但是人類的句子，對動物來說，其實訊息太複雜，從發音、音調起伏到音量，每次都會不一樣，對牠們來說要注意的資訊太多，會很難辨認到底哪些資訊才是重要的。

因此，響片的聲音就比人聲更適合拿來訓練動物，不過其實也不一定要拍響片，只要選擇聲音固定而且清晰明確的物品，就能讓動物們把聲音連結到獎勵，來強化牠們的行為。

把響片用在人類身上並非新鮮事

把訓練動物的響片訓練套用在人身上，不知道你會不會覺得這些醫學院老師也太ㄎㄧㄤ了，但是操作制約的訓練法，並不是 2015 年這篇研究才第一次用在人類的學習上。對於很多要求動作精細的運動員、表演者，響片訓練其實已經是他們日常的一部份，但是把響片效應用在醫師訓練，倒是還沒有人這樣試過。

2015 年這個實驗的目的，是想了解如果用響片訓練法來訓練外科醫生，究竟會不會比傳統口頭示範和糾正的方法更好。

他們找來一些一、二年級的醫學系學生和 PGY 第一年、第二年的學生，平均分組後教他們外科手術上會用到的兩種技術：綁一個可滑動鎖死的繩結 (a locking, sliding knot) 和小角度鑽洞 (a low-angle drill hole)。

繩結教學：響片組學習時間長但精確度高

在可滑動鎖死繩結的部分，實驗組的教學方式，是把綁繩結的步驟拆分成 6 個精確而容易檢驗的小步驟，而且是否符合每個步驟都有各自判定標準。

老師先一次把所有的步驟邊示範邊講解完後，再換學生實際操作，這時老師就不會講話了，只要學生精確做出符合判定標準的動作，老師就會拍一下響片，這個綁繩結拍響片的過程總共要重複做 5 次。

在控制組的部分，老師會先口頭解釋繩結的打法，然後學生會拿到一張繩結步驟圖，然後在老師在旁邊打一個繩結，但這時老師不會去糾正學生的任何動作。

為了要了解這兩種教學方法所需要的時間差多少，研究者會記錄下每個學生「從開始綁繩結到打出第一個繩結」所花的時間。接著讓學生們到旁邊自己練習 15 分鐘，在這段時間老師不會給建議，研究者估計這個時間大概可以讓他們練習 100 個以上的結。

練習完之後，再來就是測驗時間。兩組的每個學生都要打 10 個結，然後評分方式是完成動作所花的時間，以及繩結的精準度（完成 6 個步驟的精確要求，記錄有多少人精確達到要求）兩項。

結果發現，學習過程所花費的時間（示範後綁的第一個繩結），實驗組（響片提示）需要的時間比較長，而控制組的時間比較短。

但是經過 15 分鐘的練習後，打 10 個繩結所花的時間，兩組學生沒有顯著差異，平均都是約 95 秒可以完成，也就是說經過練習之後，熟練度並沒有差別。但操作的精確度，響片提示實驗組的精確度比較高（12 人成功／全組共 12 人），而控制組較低（4 人成功／全組共 11 人）。

鑽洞教學：響片法的動作精確度較高

第二個是模擬外科手術中，需要的鑽洞技巧。這個技巧是要在 PVC 塑膠管上，與切面夾 45° 角鑽入管中。實驗方法也是一樣，分成一組使用響片訓練的實驗組，另一組是使用傳統教法的控制組。

實驗組的教法也是一樣，把鑽洞分解成 6 個精確而容易檢驗的步驟，而且每個步驟也有判定標準，在示範完之後，換學生操作，老師用響片來告訴他動作是否正確，之後再給他們 10 分鐘的練習時間。而控制組，指導者會示範兩次操作方式，同時口頭解說，之後同樣會有 10 分鐘練習。

最後的結果是，實驗組和控制組的學生鑽 10 個孔所花的時間，沒有顯著差異，分別是 193 ± 26 秒和 146 ± 63 秒。而學生操作這個動作的準確度，用響片教學的實驗組同學操作準確度比較高，平均每個人會鑽出 9 個符合標準的孔，但控制組就差很多了，平均只有 1.1 個孔符合標準。

看來用響片訓練對於「需要動手操作」的動作，會是一種滿有效的方法，雖然訓練過程所花的時間比較長一些，但是最後學生的操作精確度很高。

不過，研究者也說這個方法雖然看起來很好用，但是要在學校裡用這個方法還有點困難，一方面不知道其他的動作是不是也有同樣效果；另一方面，會這套教法的老師不多，因此還要先教會老師怎麼教學生，而搭配的教材也需要一起調整，是個滿大的工程。但他們會繼續努力的開發適用響片訓練的教學法。

但不管怎麼樣，響片訓練倒是值得期待，未來會被應用到更多不同操作技巧的教學上，讓學生更不用因為怕被老師罵而學不好了！

1. 響片訓練—維基百科
2. 操作制約—超普通心理學
3. 泛科學：為什麼好人們能如此不求回報？原來都是操作制約在作祟！
4. Levy, I. M., Pryor, K. W., & McKeon, T. R. (2016). Is teaching simple surgical skills using an operant learning program more effective than teaching by demonstration?. Clinical Orthopaedics and Related Research, 474(4), 945-955.