小心蚊子！

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

真菌是自然環境中不可或缺的一環，然而，某些真菌對人體卻構成潛在風險。特別是伺機性病原菌，如足分枝菌屬群，對免疫弱勢者具有致命危險。雖然臨床對其有一定了解，但我們對這些真菌在環境中的分佈卻知之甚少。本篇聚焦於臺灣各類環境，旨在深入了解足分枝菌屬群真菌的分佈特性，以提供更全面的防控策略。

自然環境乃至周遭充斥著各種各樣對人類有害或有益的真菌。其中對人類生活有益處的有：釀酒酵母、黑殭菌、腐生及藥用真菌；對人類有害的除了黴菌、植物病原菌外，還有一群在人體免疫低下時感染人類的真菌—伺機性病原菌。伺機性病原菌可造成表皮、皮下、深部或系統性真菌病。常見的伺機性病原菌為麴菌屬（Aspergillus spp.）、白色念珠菌（Candida albicans）、新型隱球菌（Cryptococcus neoformans）等。此外，2010 年以前至今，歐美各國以及臺灣也開始出現由足分枝菌屬群 〔如：足分枝菌屬（Scedosporium）和節莢孢菌屬（Lomentospora）] 真菌所導致的感染 ⁽¹⁾。這兩屬真菌皆涵蓋對免疫功能低下和偶爾免疫功能完全的人類有感染性，導致呼吸道感染、皮膚感染、過敏反應、局部或全身性真菌病等疾病。

足分枝菌屬群真菌為溫帶地區廣泛分佈的土壤微生物，但被認為在熱帶地區很罕見。它們偏好存在於高營養成分的介質，如：園藝土壤，受原油污染之土壤，家畜、鳥禽、牛隻的糞便等。此外，也可從低通風且高滲透壓的介質分離出來，像是下水道污泥、受污染的池塘底部、半鹹水、海埔地和廢水處理廠。足分枝菌屬群在環境的高盛行率，為重要的新興病原菌，尤其在醫院和室內，對患有慢性呼吸道疾病或免疫功能低下的人構成危害。

根據 264 起病例分析，感染此屬群真菌之免疫功能低下患者的死亡率為 22.2%，免疫功能完全患者則為 14%，全身性感染的死亡率甚至可達 80% ⁽²⁾。而且，對很多現有的抗真菌藥物，像是弗路欣（5-flucytosine），兩性黴素 B（amphotericin B），三唑類（triazole）等低感受性導致其治療十分困難，需要更多的資源投入研究其診斷方式，有效的治療方式以及系統性的調查。然而，這些伺機性病原菌的研究絕大部分著重在臨床研究上，我們對這些病原菌的在環境中的分佈認識少之又少。臺灣的相關研究僅是零星臨床案例報告以及一個醫院系統的環境調查，缺乏系統性的環境樣本調查。

以黃尹則博士等人於 2023 年發表於醫學真菌學期刊的研究 ⁽³⁾，調查足分枝菌屬群物種於全臺灣環境中的土壤樣本之分佈現況。為了評估這些物種於各個環境設施所存在風險，比較自然環境以及都市環境樣本的物種分佈現況，並將醫院獨立出來一同分析。想知道（1）人類干擾度高的環境是否比自然環境有較多足分枝菌屬群的物種？（2）衛生敏感區域相較都市區域是否有較多的真菌物種？

他們的研究結果顯示足分枝菌屬群的物種常見於臺灣的土壤樣本中（圖三），尤其在人類干擾環境如都市和醫院。此外，衛生敏感區域的真菌生物量沒有比都市區域多且與先前的研究一致。此外，研究發現自然環境有較低的真菌生物量。意味著都市生活的人們暴露在伺機性病原菌的環境當中，時時刻刻都有機會被感染。研究調查到的物種可分成三大類：臨床主要物種一共佔了 84.3%，尖端足分枝菌為最優勢，佔了 42.5%；鮑氏足分枝菌（S. boydii），橘色足分枝菌（S. aurantiacum）和多生節莢孢菌分別佔了 27.5%，8.7% 和 5.6%、臨床次要物種為荷赫氏足分枝菌（S. dehoogii），佔 15.0% 以及腐生物種為海口足分枝菌（S. haikouense），佔 0.6%。結果還發現尖端足分枝菌和多生節莢孢菌在公園鳥類餵食區域有較高的物種豐度，作者推測可能是因為鳥類糞便堆積使土壤含氮量提高所造成的現象。不論地理區域還是氣候區域，尖端足分枝菌都是優勢物種，顯示其有潛力成為人類活動的指標生物。

然而，該篇研究缺少了養分濃度、酸鹼值、導電度、土壤質地、生物因子（共存微生物相）等資訊，暫時無法釐清真菌物種分佈的歧異度與環境生物因子的相關性。不過該篇研究提供這些足分枝菌屬群物種於東亞至關重要的基礎資訊，有待未來的研究進行土壤樣本的物理和化學性質分析以及分子族群遺傳研究以探討土壤菌株伺機性致病力的關鍵。

1. 王紹鴻，張蕎琳。2010。醫學真菌分子診斷之近況。生物醫學暨檢驗科學雜誌第 23 卷第 3 期：75–89。
2. Seidel D, Meißner A, Lackner M, Piepenbrock E, Salmanton-García J, Stecher M, Mellinghoff S, Hamprecht A, Durán Graeff L, Köhler P, Cheng MP, Denis J, Chedotal I, Chander J, Pakstis DL, Los-Arcos I, Slavin M, Montagna MT, Caggiano G, Mares M, Trauth J, Aurbach U, Vehreschild MJGT, Vehreschild JJ, Duarte RF, Herbrecht R, Wisplinghoff H, Cornely OA. 2019. Prognostic factors in 264 adults with invasive Scedosporium spp. and Lomentospora prolificans infection reported in the literature and FungiScope®. Critical Reviews in Microbiology 45:1–21.
3. Huang YT, Hung TC, Fan YC, Chen CY, Sun PL. 2023. The high diversity of Scedosporium and Lomentospora species and their prevalence in human-disturbed areas in Taiwan. Medical Mycology 61(4): myad041. doi: 10.1093/mmy/myad041.

本文轉載自食藥好文網

• 文／黃育琳 食品技師

民以食為天，你吃的食物是安全的嗎？

中國大陸上海市在 1988 年曾因毛蚶貝類污染而爆發 A 型肝炎疫情，造成約 30 萬人感染，其中 47 人死亡 ^[1]。

我國於 2014 年 10 月至 11 月期間，急性病毒性 A 型肝炎本土病例達 30 人（其中 25 人住院），經衛生福利部疾病管制署（以下簡稱疾管署）與衛生局調查發現，多數病例於潛伏期間有生食蠔類（牡蠣）、文蛤或蛤蜊等貝類水產品 ^[2]。

這起事件極有可能是所謂的「食媒性疾病」。

何謂食媒性疾病？

食媒性疾病或稱食源性疾病（foodborne illness or foodborne disease）是指經由吃進被污染的食物或飲水等所致的疾病，常見症狀包含噁心、嘔吐、腹痛及腹瀉等。

依世界衛生組織的資料顯示，全球每年約有 6 億人因食用受到污染的食物或飲水而生病，其中 42 萬人死亡，又以兒童占多數。學童在校園中常暴露於共同的飲食及水源，人與人之間接觸密切，傳染病原很容易透過飛沫、糞口與接觸途徑傳播，易造成校園群聚感染事件發生 ​​^[3]。

但追溯污染源並不容易，食物在種植（或養殖）、採收、儲存、運送、製造、加工、包裝及烹調等任一階段都有可能被污染。且旅行和國際貿易頻繁更是提高被污染食品跨國散播的可能性 ​​^[3]，使農場到餐桌的食安管理顯得十分重要。

A 肝病毒之分布

一開始提到因吃下受 A 型肝炎病毒（Hepatitis A virus，以下簡稱 A 肝病毒）污染的食物而感染 A 型肝炎，就是很典型病毒型食媒性疾病的例子。

A 肝病毒的流行主要與當地的衛生環境有關，主要流行地區包括亞洲、非洲與中南美洲等地區，尤以東南亞、印度、中國大陸等地區較為嚴重。

在開發中國家，人民多半在嬰幼兒時期，常因攝入受 A 肝病毒污染的水或食物而感染（通常 6 歲以下兒童感染約有 70% 無臨床症狀或症狀輕微），成年後多半已具有免疫力。

然而在已開發國家，衛生環境大致較佳，很多年輕人並未感染過 A 肝病毒而不具免疫力。臺灣便是如此，大部份的兒童及青少年（尤其是都會地區）都未具 A 型肝炎抗體，使爆發流行的風險增加 ^[1]。

A 肝病毒之特性與感染症狀

A 肝病毒是一種無套膜，直徑約為 27 nm 的 RNA 病毒，潛伏期約 15～50 天，其所引起的 A 型肝炎，屬第二類法定傳染病 ​​^[1]。

患者臨床症狀包含發燒、肌肉酸痛、疲倦、食慾不振、腹部不適、噁心、甚至嘔吐等，持續幾天後，病人會出現有茶色尿或併有眼白變黃（即黃疸）的徵兆，急性 A 型肝炎並無特殊療法，通常採一般的支持性療法即可痊癒 ^​​[1]。

而 A 肝病毒主要是透過糞口途徑傳播，最可能被污染的食品或飲料如水果、蔬菜、貝類、冰和水（包括冷凍或未經澈底加熱），感染者沒有確實洗手並接觸其他東西也會造成病毒傳播 ^[1]。

不過 A 肝病毒的生命力頑強，對胃腸道極端的 pH 值和酶之耐受性高，能在不利條件下存活，被污染的食物需加熱超過攝氏 85 度且持續至少一分鐘才足以使 A 肝病毒失去活性。

再加上只要有極少量病毒顆粒存在便足以使人致病，所以即使食品所含的病毒量很低，仍具有食品中毒之風險 ^[4]。

食品從業人員基本要求《食品良好衛生規範》

為了避免食品受到病毒污染，食品從業人員的「衛生管理」就非常重要，我國行政院衛生福利部為了確保食品業者之衛生管理，已制定《食品良好衛生規範準則》（The Regulations on Good Hygiene Practice for Food, GHP）。

GHP 是食品業者確保其食品在製造、加工、調配、包裝、運送、儲存、販賣、輸入、輸出等過程中的安全衛生與品質，是最基本要求，所有食品業者皆應實施 GHP，在 GHP 附表二即說明：

食品從業人員經醫師診斷罹患或感染 A 型肝炎、手部皮膚病 、出疹、膿瘡、外傷、結核病、傷寒或其他可能造成食品污染之疾病，其罹患或感染期間，應主動告知現場負責人，不得從事與食品接觸之工作。

雖然是安全衛生品質的基本要求，卻還是有不少業者會疏忽，導致感染事件重蹈覆徹。

最佳預防方式就是注重衛生管理

除了 A 肝病毒之外，諾羅病毒、E 型肝炎病毒及沙波病毒皆是常見的病毒型食媒性疾病，這些病毒感染均無特效藥物可治療，僅能採用良好的支持性療法幫助病人痊癒。

因此最佳的預防感染方式就是做好衛生管理，包含：

1. 個人衛生：準備食品前及進食前，還有如廁後皆要確實洗手。
2. 在飲食衛生：飲水要煮沸再飲用，所有食品都應清洗乾淨並澈底加熱，不生食。
3. 環境衛生：維護廁所環境清潔，廚房及飲食用具要保持清潔。

1. 衛生福利部疾病管制署，2018。急性病毒性 A 型肝炎  疾病介紹。
2. 衛生福利部食品藥物管理署，2023。A 型肝炎病毒(Hepatitis A virus)。
3. 衛生福利部疾病管制署、國立臺北教育大學，2016。食媒性疾病防治 教師指引手冊。臺北市：衛生福利部疾病管制署。
4. Bozkurt, H., Phan-Thien, K. Y., van Ogtrop, F., Bell, T. and McConchie, R. 2021. Outbreaks, occurrence, and control of norovirus and hepatitis a virus contamination in berries: A review. Critical Reviews in Food Science and Nutrition 61:1 116-138.