觸控螢幕已經變成很一般的輸入裝置,但是觸感的回饋目前除了一般的震動以外並沒有辦法提供使用者更多的資訊。
下面的影片介紹利用馬達跟線動的方式,以四條線拉動螢幕,使螢幕可以平移,對觸控螢幕可以產生有方向性的震動。展示的程式為當有小球從不同方向撞擊到時,可以用手直接感覺撞擊的方向,這樣的技術能給手指直接的觸覺資訊,不管是游戲、空間導航與盲人電腦界面都能應用此技術!
原文發表於科學影像Scimage
觸控螢幕已經變成很一般的輸入裝置,但是觸感的回饋目前除了一般的震動以外並沒有辦法提供使用者更多的資訊。
下面的影片介紹利用馬達跟線動的方式,以四條線拉動螢幕,使螢幕可以平移,對觸控螢幕可以產生有方向性的震動。展示的程式為當有小球從不同方向撞擊到時,可以用手直接感覺撞擊的方向,這樣的技術能給手指直接的觸覺資訊,不管是游戲、空間導航與盲人電腦界面都能應用此技術!
原文發表於科學影像Scimage
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。
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!
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。
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。
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。
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。
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。
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
討論功能關閉中。
到目前為止,我們都沒有明確定義何謂觸感,在此先為大家進行概念的整理。一般而言,皮膚感覺即稱「觸覺」;相對於此,本書所謂的「觸感」,則偏向指稱經由觸摸而產生的主觀體驗。
老實說,在這個定義下的「觸感」,是科學難以駕馭的對象。重視客觀性的科學,並不善於處理「我所感受到的感覺」這種無法具體呈現的主觀感受。科學處理的是皮膚、神經、大腦、語言表徵、行為等,所有人都能觀察到的外在世界。雖然將主觀量化的心理學法則也日益發達,但主觀的體驗與客觀的科學之間,還是存在著一道無法跨越的藩籬。
科學的觸手之所以不容易伸進觸感的領域,除了因為觸感是主觀的感受,另一項理由就是因為我們所感受到的觸感實在太多樣了。
觸感的生成並非僅來自皮膚的感覺(觸覺),其他的五感(視覺、聽覺、嗅覺、味覺)或甚至語言、記憶等高階認知功能,都會和觸覺結合,生成獨一無二的觸感印象。
關於這個部分,後續會按部就班地說明,不過在那之前,我們先來看看本文要介紹的──觸感形成的根源「觸覺」的運作機制吧。
即使是單細胞生物的草履蟲,都擁有感知細胞膜受到接觸、溫度變化或化學物質等廣義的觸覺。透過觸覺這種生物史上最早出現的感覺之運作,我們將帶領各位一窺人類認識外界的、這令人驚嘆的系統一隅。
相較於其他五感,觸覺有幾項獨有的特徵,其中之一是獲得感覺的部位不像眼睛或耳朵,而是分布於全身上下。皮膚的總面積為 1.6 至 1.8 平方公尺(約一張榻榻米大),重量約為三公斤。全身上下的表皮不僅是人體最大器官,更是感受觸覺的界面。
除了皮膚感覺,人類還有另外二種以全身接收的感覺。一種是「胃痛」、「肚子餓」等感受內臟狀態的「內臟感覺」,另一種是感受肌肉、肌腱、關節位置或運動的「本體感覺(深部感覺)」。
由於本體感覺與皮膚感覺相互關聯,因此我們平常不太能夠區別這二種感覺,大多體驗為同一種感覺。也因為如此,這二種感覺也被合稱為「體感覺」。
問題來了,如果視覺感受的是光,聽覺感受的是聲音,那麼觸覺感受的是什麼呢?
用最簡單的概念來說,就是皮膚的變形。說得更明確一點,就是位於皮膚底下末梢神經前端的觸覺感受器,會感受到由壓力或振動所造成的細胞變形。
身體的觸覺感受器依功能不同,可分成數種類型。
最原始的觸覺感受器是「游離神經末梢」,由感覺神經分支而成,廣泛分布在皮膚內。游離神經末梢能夠感受到痛覺、溫度或癢,但也會對外力接觸造成的壓力有反應。尤其是纖細的感覺神經 C 纖維對熱、壓力及化學物質都會有反應,因此又稱「多類型感受器」。這種神經負責的是痛、冷,還有舒適等感覺,目前可知的是,當我們用軟毛刷子緩緩刷過毛髮生長部位的皮膚(亦稱「有毛部」)時,C 纖維便會有所回應。
在游離神經末梢當中,也有一種類型會纏繞著毛根。毛會發揮槓桿般的作用,當有外力接觸到毛的尖端,毛根部的神經就會敏銳地察覺到受力。老鼠的全身幾乎被毛所覆蓋,牠們的毛根部就分布著二種游離神經末梢,和一種較粗的感覺神經,因此可以第一時間察覺任何風吹草動。
其次介紹更高階的觸覺感受器,是一種由粗的感覺神經所傳導,並附著在該神經前端的特殊構造(又稱「機械性受器」)。目前為止已經發現四種類型的感受器,這四種類型有何差異呢?就是主要負責的振動頻率不同。
舉例而言,負責感受形狀凹凸不平、表面的邊緣,或者受到輕輕按壓的壓覺的是「默克細胞」。感覺像拍手這種速度的振動,或是「咻」的滑過去的光滑感,是由「梅斯納氏小體」負責回應。這二種類型又以手指的分布密度最高。
位於皮膚深層的「巴齊尼氏小體」則對更細微的振動,例如砂紙的粗糙感或芒草穗子的顆粒感,會產生敏銳的反應。最後一種「魯斐尼氏末梢」據說對皮膚的牽張有反應,但關於其解剖學上的理解或如何透過神經傳導觸覺刺激的機制,目前仍所知甚少。
如果光憑原始的感覺神經(游離神經末梢),即使能夠知道自己正在被觸摸,也無法進一步辨別接觸到的東西是什麼形態,不過有了這四種特別的觸覺感受器,即可鎖定對象的特徵,因此據推測這些應該是在生物演化史上後期才出現的觸覺感受器。
我(仲谷)曾在 2014 年與哥倫比亞大學的馬場欣哉博士、艾倫.蘭普金(Ellen A. Lumpkin)博士等人,共同投入一項探討細胞構造的研究,並證實被外力輕壓的訊息會透過神經傳導1。這件事早在 1875 年,就已由德籍解剖學家默克(Friedrich Sigmund Merkel)提出假說,但直到約一百四十年後,才首度獲得科學證實。
前面談論的都是有關皮膚可以察覺到細胞的變形(壓力、振動或滑動)一事,但皮膚底下還有其他可以感受到溫度(冷與熱)的感覺神經。此外,皮膚也有傳導痛、癢的感覺神經,不過我們認為這二種與構成可以感受物體材質的「觸感」的神經是不同的類型,因此在本書所占的篇幅較少。
感受細胞變形的感受器,與感受溫度的感受器──觸覺感受器大致上可以分成這二種。擁有這二種感受器,我們才能感覺到橘子皮的濕潤與顆粒感,或是像絲綢一般涼爽而光滑的感覺,仔細想想,不覺得很奇妙嗎?這種奇妙不僅來自皮膚的感受器,更結合了觸摸的動作,或是觸覺以外的五感等各種要素。
接下來,就一起探索全身上下的觸覺感受器與您自己所感受到的「感覺」之間,究竟存在著什麼奧祕吧。
參考資料:
本文摘自《觸覺不思議 : 從觸感遊戲、感官實驗及最新研究,探索你從不知道的觸覺世界》,臉譜出版。
2010 年,一篇刊載在美國《科學》(Science)期刊上的論文,對追求「觸感」的我們帶來衝擊。耶魯大學的約翰.巴奇(John Bargh)博士的研究團隊證實,我們的思考會受到觸感影響1。雖然我們相信自己是根據自己的意志判斷眼前的事物,但巴奇博士等人卻提出違反這項直覺的實驗結果。
他們在實驗中讓受試者看陌生人的肖像照並評斷其人格。受試者已事先被分為二組,一組供應的是熱咖啡,另一組則供應冰咖啡。
好了,你認為結果如何呢?事先拿到熱咖啡的人比拿到冰咖啡的人,有更高的機率判斷照片裡的人是「溫暖的人」。因為手心接觸到的物體溫度,影響到他們對照片中人物的人格判斷。
巴奇博士的研究團隊又進一步設計出另一項有關溫度感覺與信賴關係的實驗2。他們在這項實驗中讓受試者進行投資遊戲,並在受試者左手的掌心上放置冰冷的物品或溫熱的物品。結果受試者在受到冰冷的溫度刺激情況下,投資額會變少。這也就是說,手一冷,心似乎也跟著變冷似地,對他人的信任度便隨之下降。
影響判斷的不只是溫度而已。根據某項實驗3 顯示,請對方入座展開交涉時,讓對方坐柔軟的沙發比坐硬邦邦的椅子,更容易使對方答應我們的要求。看來柔軟的觸感似乎能讓對方的態度「軟化」。
還有另一項實驗3 是讓實驗參加者扮演面試官的角色,其中用來夾履歷表的板夾,又分成重的與輕的二種。結果拿到重板夾的那一組,傾向於把求職者判斷為更重要的人物。
身體承受的溫暖、柔軟、重量等觸感,並不是隨時隨地都會引起注意,然而我們似乎還是會在不知不覺間,在觸感的刺激下作出決策。這個所謂具身認知科學的研究領域,近年正如火如荼的發展中。
為什麼觸感會影響判斷呢?有這麼一項假說:以「寒冷」為例,當人體受到寒冷的刺激時,主掌價值判斷的大腦扁桃體會做出回應,而由於「寒冷」有可能對生命造成威脅,因此大腦會判斷這是危險訊號,進而對於寒冷刺激物產生躲避的行動。據推測可能就是這個原因,造成「不信任對方」的結果。
在此稍微岔個題, 咖啡的「 溫暖」與評斷人格時的「溫暖」,兩者使用的雖然是相同的形容詞,但後者是用來表達抽象概念的比喻手法(隱喻)。沙發的「柔軟」與人的態度的「柔軟」、板夾的「重量」與人物的「重要性」(使用的都是「重」這個字)⋯⋯諸如此類,在我們用來表示人際關係的用字遣詞中,隨處可見觸感的蹤跡。
再來找找看其他日常生活中頻繁使用卻不自覺的觸感比喻吧。「乾」、「滑」、「輕」等觸感,聽起來也像是在表達某些類型的人格。米蘭.昆德拉(Milan Kundera)的小說《生命中不能承受之輕》,則是以「重量」的觸感進行轉喻的例子。我們藉由身體所承受的觸感,理解自己與他人之間的關係,而這同時也反應在語言表徵裡。
參考文獻:
本文摘自《觸覺不思議 : 從觸感遊戲、感官實驗及最新研究,探索你從不知道的觸覺世界》,臉譜出版。
觸控螢幕已經變成很一般的輸入裝置,但是觸感的回饋目前除了一般的震動以外並沒有辦法提供使用者更多的資訊。
下面的影片介紹利用馬達跟線動的方式,以四條線拉動螢幕,使螢幕可以平移,對觸控螢幕可以產生有方向性的震動。展示的程式為當有小球從不同方向撞擊到時,可以用手直接感覺撞擊的方向,這樣的技術能給手指直接的觸覺資訊,不管是游戲、空間導航與盲人電腦界面都能應用此技術!
原文發表於科學影像Scimage