嚴重可能失明、目前醫學無法回復，青光眼來襲 EYE 注意！

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

眼睛是人類的靈魂之窗，除了能盡收美景之餘，似乎也能透過眼睛去闡述著不同的情感，但是但是，在這漫長的物種演化過程中，偉大的大自然先生竟然悄悄的把盲點藏在我們如此重要又浪漫的眼睛之中，人類的眼睛與其他物種的眼睛相比，難不成是不小心做壞掉的瑕疵品？

人類眼睛的結構大解密

要知道這個問題的答案，要從人眼結構開始談起。眼睛能夠幫助人們看到世間萬物，主要是因為在我們的眼球中有一種感光細胞，它能夠感知光源，然後將光的訊號轉換成電訊號，傳達給我們眼球中的神經細胞，而眼球的神經細胞將電訊號帶給大腦，而最後大腦會將收集到的各種電訊號整理成我們每時每刻看到的影像。

從上面的敘述中，我們知道眼睛能產生影像主要有兩個重要的原件：感光細胞 + 傳遞訊號的神經細胞。直覺上來想，我們的眼睛應該要設計成：感光的細胞距離光線越近越好，這之中障礙要越少越好。

但是呢，事實卻很殘酷，光線要到達人類的眼睛之前需要穿過一層一層的神經細胞才能到達感光細胞。除了需要經過層層阻礙，這種設計也會導致感光細胞要讓出一個空位給神經細胞從眼球離開，而讓出的空間即為盲點，也就是眼睛感知不到光線的地方。

章魚先生的眼睛結構，跟人不一樣！

章魚先生的眼睛設計即為剛剛提過的完美方案：首先光線可以無障礙的“直達”感光細胞，感光細胞再把訊息傳給較深層的神經細胞，神經細胞再將訊號傳給大腦處理影像，整個訊號就從最外層的感光細胞一路傳到最深層的大腦處理器。所以章魚先生眼中的神經細胞就不需要感光細胞的“讓位”，接收到感光細胞的訊號後就可以默默的離場，繼續接下來的傳遞工作。所以章魚先生的眼睛也就沒有盲點這種構造，這能讓他的感光細胞可以無死角的感光！如此有效率的擺設，讓人類的眼睛淪為悲慘的瑕疵品。

為了讚歎如此效率的設計，這裡再次簡單的闡述人類與章魚先生的差距。人類眼中的擺設由外到內為：神經細胞 → 感光細胞 → 大腦，感光細胞接受到光線後需要傳訊號給神經細胞，而神經細胞要傳訊號給大腦時，感光細胞由於在兩者之間，所以就必須讓出位置給神經細胞通過，這個被讓出的位置，就沒辦法塞入感光用的細胞，導致人類盲點的出現。然而章魚先生眼中構造的排列由外到內為：感光細胞→神經細胞 → 大腦，感光細胞可以自在的接收光線，傳訊號給神經細胞後，神經細胞也可以自在的離開眼睛直通大腦。

有盲點的眼睛真的比較殘嗎！？

眼睛的盲點區域是接收不到光線，也看不到成像的，但是，在我們的日常生活中，怎麼都沒注意到自己眼睛原來有盲點呢？這是因為我們這一雙明亮的眼睛，平常日常生活中看到的世界，很大部分都是重疊的，所以兩顆眼睛能互相幫助對方，補足對方看不到的盲區，讓我們的視野完整，完全感受不到盲點的存在。

那麼我們要怎麼去體會盲點呢？

你可以做個有趣的實驗：首先在紙上畫上兩個距離為 10cm 的十字架。然後把左眼閉起來，用右眼去看左邊的十字架，慢慢把紙貼近你的眼睛，過程中你會發現原本在右邊的十字架會“憑空消失”！會有這個現象是因為你的眼睛有盲點，感光神經需要“讓路”給視神經，導致有些地方的光線是感知不到的，所以才導致你沒辦法觀察某個地方的視線。做完實驗的你，可能會嘗試單眼去看看周遭，但是一樣無法發現盲點。那是因為我們強大的大腦很擅長“腦補”，會嘗試腦補我們盲點的區域，讓你擁有一個完美的視野，所以除非是故意去測試或挑戰它，不然平常生活中是很難捕抓到盲點的存在。

人類靈魂之窗的謎底揭曉！

那麼，為什麼人類的眼睛不好好的設計成章魚的眼睛呢，無死角的感光細胞不是很好嗎？

其實人類的感光細胞為“高配版”的感光細胞，如此高檔的感光細胞，讓我們能辨識更多顏色以及各種細微的邊邊角角。如此高配的感光細胞相對來說，需要很龐大的操作步驟，所以人類感光細胞的底層還有一層色素層細胞 – retina pigment epithelium。這種細胞即為感光細胞的管家，能夠幫忙感光細胞分擔其他事物，讓感光細胞能專注於高效率的感光，也讓光線處理的品質達到最優化。故人類的感光細胞要卡在眼球的最深處主要是為了優化感光細胞的品質，從而安排了一個“管家”細胞給感光細胞。

那麼為什麼章魚先生沒設計成高配版的感光細胞呢？這是因為章魚先生處在的環境為海底，在海中的光線很少，如此高配耗能的眼睛對於章魚先生是一個沒什麼用途的功能。此外，章魚先生的眼睛長在兩側，萬一有盲點，兩顆眼睛沒辦法互相代償，會使到他們看到的視野會有視野盲區，這對於身處於弱肉強食的世界來說，是相當致命的存在。所以章魚先生的眼睛寧願選擇低配版無死角版本的眼睛，去看看低配版的美麗世界。

綜上所述，其實人類的眼睛沒有裝反啦~人類的兩顆眼睛很靠近，所以可以互相補償對方看不到的盲點哦！作為盲點的交換，人類獲得了“高配版”的感光細胞，進而獲得了一個不愧於靈魂之窗的高配版眼睛。所以要好好的愛護自己高配版的眼睛哦！

資料來源

1. Boulton, M., Dayhaw-Barker, P. The role of the retinal pigment epithelium: Topographical variation and ageing changes. Eye 15, 384–389 (2001). https://doi.org/10.1038/eye.2001.141

• 作者｜理查．馬斯蘭（Richard Masland）
• 譯者｜鄧子衿

噢，為他演奏第一首曲子

把匕首刺進他的心臟

把砧板墊在他的腦下

揀裡面諷刺的顏色

——史蒂文斯

最先發生的事情

從視網膜輸出的訊息由視網膜節細胞的軸突傳遞，傳到腦中的兩個重要部位中細胞的突觸上，這兩個部位是外側膝狀核（lateral geniculate nucleus）和上丘。

上丘中「丘」這個字的原文是拉丁文 colliculus，意思是「小山丘」。早期的解剖學家會取這個名字，是因為在中腦（midbrain）後側有一個小隆起（「丘」），上丘就位於這個小隆起之上，相當合理的命名方式。上丘的下方是「下丘」（inferior colliculus），和聽覺有關。

從現在的研究結果得知，上丘主要的功能和視覺導向（visual orienting）有關。來自視網膜的訊息抵達上丘，上丘會讓我們注意到這個訊息構成的視覺世界中某個特別的區域。如果用電極刺激動物上丘的一個點，動物的眼睛和頭部會朝向視野的某個位置。如果動物的上丘受到損傷，便會忽略視野中的某些區域，在該區域中出現的事件不會引起動物的注意力。

很不幸，我們無法知道沒有上丘時主觀的視覺體驗會是如何。我們需要由病人的報告才能夠知道這種體驗，但是上丘距離腦中主宰意識的部位約只有一公分，在人腦中發生的損傷往往不只波及到上丘，周邊的部位幾乎都產生了損傷，在這種狀況下，注意力無法集中到視野中某個區域比起來就只是個小問題。

上丘中有許多看起來很有趣的中間神經元，也有很多分枝延伸到腦中其他部位，來自其他部位的分枝也會深入上丘。上丘實際上是一個多層結構，有些層接收的不是視覺訊息，而是由聽覺構成的空間。上丘的確有視覺導向的功能，但是在其中有幾層是讓動物朝向聲音來源，而不是視覺中的某個區域。你閉上眼睛時聽到一個聲音，上丘依然會讓你的眼睛朝向聲音來源移動。在視覺世界中，視覺線索和聲音線索經常來自同一個區域：可能是翼手龍的叫聲，或是拍動翅膀的聲音。在這種狀況下，視覺資訊和聽覺資訊會結合起來，讓你更清楚知道這種史前時代空中狩獵者的位置。

視神經軸突另一個主要的連接目標是外側膝狀核（lateral geniculate nucleus），原文中 geniculate 來自拉丁文，是「膝蓋模樣」的意思，「核」是指一群神經元聚集而成的結構（外側膝狀核的形狀有點色情）。視神經的訊息經由軸突傳到外側膝狀核中的神經元，而這些神經元有許多軸突延伸到視覺皮質。外側膝狀核是訊息傳遞到視覺皮質途徑中最重要的中繼站。外側膝狀核、視覺皮質或是兩者之間的連接途徑受傷，會讓人看不到視野中某些部分。視網膜到外側膝狀核到視覺皮質的途徑，是意識視覺（conscious vision）的主要傳遞路徑。

如果視網膜節細胞的軸突經由突觸和外側膝狀核中的神經元連接，那麼膝狀核中的神經元對於視覺產生的反應是什麼？從後見之明來看，答案應該很容易就可以推敲出來：如同視網膜節細胞那般的反應，事實上這樣的事情經常發生。記錄外側膝狀核中的神經元活動，發現到這些神經元可以分成主要四群：暫時性開啟細胞、持續性開啟細胞、暫時性關閉細胞、持續性關閉細胞，以及其他「聰明」視覺分析細胞。他們送出的訊息會直接送往視覺皮質。

但是每個研究生都會學到，外側膝狀核並不僅僅是轉接站。我們要讓他們了解這一點，因為他們必須了解到，對大自然來說，把整個核結構放在視網膜和皮質之間，除了傳遞相同的事情之外什麼都不做，是完全沒有意義的。我們從解剖研究中得知，外側膝狀核最大的資料來源並不是視神經，意外的是，從視覺皮質伸到外側膝狀核的軸突，比來自視網膜的軸突多得多，前者占了深入外側膝狀核軸突中的八成。有許多理論解釋這個現象，但是沒有人確實知道這樣龐大的回饋迴路的作用是什麼。有些時候事情就是這樣。

那麼，外側膝狀核的功用到底是什麼？有幾個傑出的實驗室同時記錄了視網膜中節細胞以及這些節細胞軸突連結到的外側膝狀核中之個別細胞。我向你保證，這得有很厲害的技術才能辦得到。那些科學家在貓和猴子中發現到，外側膝狀核其神經元的活躍模式的確和那些送來訊息的視網膜神經元很接近（在小鼠中也是如此，但是其中有一群細胞接收了非常多樣的訊息）。

我們也很清楚外側膝狀核加強了邊緣強化的效果：變化交界的點在視網膜中受到強化，在外側膝狀核又更為加強。這種效果是由視網膜和傳遞路徑上的一些中介神經元的連接所造成的，那些中介神經元就是為了強化而存在的。邊緣強化的影響力非常大，在外側膝狀核中有些神經元只對邊緣附近有反應，而對於大片平滑的物體（缺乏邊緣）幾乎沒有反應。

在外側膝狀核中會發生的另一件事，是其他外來事件會讓資訊的力道加強或是減弱，特別是會影響到整個腦部興奮程度的事件。你睡覺的時候，從視網膜抵達皮質的資訊便減少了。這很合理，這就像是搭乘晚間飛機時戴上眼罩。外側膝狀核功能有更為精細的一面：當你的注意力放在不同地方時，外側膝狀核的運作也會隨著增強或減弱。我們認為，如果你的注意力集中在聽覺上，視覺處理便會減少，因此在相同的視覺刺激下，外側膝狀核傳到皮質的訊息會減少。外側膝狀核會編輯傳到皮質的訊息。