Calvete等人發現關於霸凌的調查數字在不同的研究中相差極大，從10%到36%都有，這是因為過去的問卷沒有仔細定義跟分類網路霸凌。而他們的研究將網路霸凌詳細定義分類之後，在西班牙透過問卷調查了來自10所學校，31個班級，共1431位介於12歲到17歲的青少年。他們的調查結果顯示，44.1%的人曾經受過起碼一種類型的網路霸凌，女生是40.3%，男生是47.8%。而網路霸凌跟暴力正當化、欲達成某些目的、是否受到暴力威脅、以及感覺缺乏朋友的社會支持有關。(資料來源：Cyberbullying in Adolescents)
而就算不是霸凌受害者，光是目擊或是旁觀，就可能受到影響。Ian Rivers等人2009年的研究調查了2000名以白人為主，來自英格蘭北部14所州立學校中，12到16歲的學生。63%的人表示曾經目擊過霸凌，20%的人承認曾經霸凌過他人，34%的人表示自己被霸凌過。研究也調查了這些學生的心理狀態，從抽煙、喝酒、吸毒等行為中來推敲，發現身為霸凌事件的目擊者，與心理健康出問題，且從事抽煙、喝酒、吸毒等行為有關，也與焦慮跟挫折感有關。單單只是曾經目擊而非霸凌受害者，就比未曾目擊霸凌的人更容易有飲酒行為。當然這研究也有缺點，例如研究時間不夠長，但足以作為起點來理解霸凌對心理的影響。(資料來源：Witnessing school bullying carries its own psychological risks)
最後，霸凌當然是絕大多數所不樂見的，但是一件事情有黑暗面，也會有意想不到的光明面，就連霸凌也是。紐約時報去年的一則報導也討論了霸凌跟網路霸凌，而在其中引用了Colby-Sawyer學院心理學家Maurissa Abecassis以及亞利桑納大學心理學家Noel A. Card的意見，認為在校園內有著「適度的敵人」跟「非友誼」其實對於成長是有幫助的，青少年學生會因此更懂得趨吉避凶、找到另一群朋友支持，並且在長大之後更懂人情世故。當然，這不是說被霸凌一定會讓你成長，或是如同漫畫裡頭的主角跟敵人一樣，打一打復活功力就變強，或是從此有了互相認可的宿敵，別過度推論了。
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。
-----廣告，請繼續往下閱讀-----
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。
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。/ 圖片來源：MotionArray
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）」！
-----廣告，請繼續往下閱讀-----
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。
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。/ 圖片提供：研華科技
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。/ 圖片來源：MotionArray
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）。
-----廣告，請繼續往下閱讀-----
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。
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。
-----廣告，請繼續往下閱讀-----
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？
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。
-----廣告，請繼續往下閱讀-----
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。/ 圖片提供：研華科技
LAN 是 Local Area Network，區域網路的意思。通常指的是像一間網咖這樣的範圍。而 WLAN 就是 Wireless LAN，無線區域網路，這是現在的主流用法。而 802.11，則是專門針對區域網路中無線部分的技術標準。而 Wi-Fi 呢，則可以看作是 802.11 這個技術標準的口語化說法。而 Wi-Fi 的 logo 一黑一白，與太極圖非常相似並非巧合，其 logo 衍生自太極圖，就是想取其相容於任何設備、平台，不管在哪裡都能順利連上網的意象。
有人說 Wi-Fi 在現代已經像空氣、陽光、水和電一樣，成為不可或缺的基本需求。
除了 Wi-Fi 我們還介紹 MIMO 這個關鍵技術，如果對更多技術細節感興趣，或是想聽聽像 Bluetooth 是以國王名字命名的科技小故事，都歡迎在留言告訴我們，期待與你們繼續分享更多有趣的科技知識！
