奧運選手賽後生活

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

F 編按：本文編譯自 Live Science

是不是常聽人家講「運動天賦」？這種天賦到底是什麼？運動員哪裡跟我們不一樣？這個問題現在科學家或許可以給你一個答案。近年透過腦科學研究發現，運動員的大腦與普通人的大腦存在顯著差異，這些差異塑造了他們在比賽中的敏捷反應、精確動作及卓越判斷能力。

所以現在運動選手不只比體力，還要比腦力了嗎？這些差異具體差在哪裡？

快速反應：視覺處理能力

在團隊運動如足球或籃球中，快速處理視覺資訊並作出決策對勝負至關重要。一項 2013 年發表於《Scientific Reports》的研究發現，職業運動員比起業餘運動員或一般人更擅長處理動態視覺場景，例如追蹤快速移動的物體。這種能力能夠幫助運動員在瞬間解讀賽場上的複雜資訊，並迅速做出反應。

視覺處理能力的測試還可用於判斷運動員是否適合回歸賽場，例如在傷後復健階段，確保運動員在完全恢復判斷能力之前不會貿然上場。

肌肉記憶：動作的自動化編程

對於體操選手或跳水運動員而言，肌肉記憶是完成複雜動作的關鍵。2023 年《Journal of Neuroscience》的一項研究表示，大腦如何通過訓練快速「壓縮」和「解壓縮」動作資訊，最終將動作序列整合成一個流暢的過程。這種訓練過程使運動員能夠無需刻意思考，便能完美執行複雜動作。

肌肉記憶的形成依賴於大腦皮層神經元的網絡活動，這種神經編程能力也同樣適用於訓練有素的音樂家或舞蹈家。

預測能力：球場上的決策利器

運動員擁有卓越的預測能力，例如棒球擊球手能根據投手的動作，快速判斷球的速度與方向。2022 年發表於《Cerebral Cortex》的研究發現，當擊球手預測投手的投球軌跡時，大腦左腹側顳葉皮質的神經元活動會根據預測結果而改變。

這種高效的預測能力源來於運動員在比賽中，學會透過關聯視覺線索與物體運動軌跡的技能。研究還發現，潛水選手等專業運動員的大腦中與動態運動解讀相關的區域，如上顳溝（STS），比普通人更厚，這也反映了運動訓練對大腦結構的塑造。

平衡與空間感：身體控制的高峰

對體操選手來說，擁有非凡的平衡感與空間感知能力，兩者缺一不可，而這在科學上被稱為「本體感覺」（proprioception）。位於小腦的神經網絡讓運動員能迅速調整身體姿態，即使在空中失誤也能及時修正動作。

然而，當這套「安全網」失靈時，可能導致嚴重後果。如 2020 年東京奧運中，體操選手西蒙·拜爾斯（Simone Biles）因「扭轉失靈」而一度無法控制動作，凸顯了平衡能力在高風險運動中的重要性。

注意力與認知靈活性：多任務處理的關鍵

團隊運動要求運動員能快速在不同思維模式間切換，例如足球選手需在控球時預測對手動作並調整策略。2022 年《國際運動與運動心理學期刊》的一項研究顯示，運動員，特別是參與高強度間歇訓練的選手，擁有更強的認知靈活性和注意力分配能力。

研究也指出，這些能力的提升可能與長期訓練相關，但確切機制仍需進一步研究。

抗衰老的秘密：運動對老年大腦的保護

這些運動訓練對大腦的影響，可不是只有相關區域的提升。運動對大腦健康的影響，可能會持續一生。一個典型例子是加拿大田徑選手奧爾加·科特爾科（Olga Kotelko），她在 95 歲時仍保持驚人的腦部健康，其白質結構完好程度甚至接近比她年輕三十多歲的普通人。科學家認為，持續的運動訓練可能是她保持記憶力與認知敏銳的原因之一。

下一代的訓練策略：腦力與體力並重

隨著運動科學的不斷進步，科學家也開始呼籲教練更注重對年輕運動員的腦部訓練，例如提升記憶力與決策能力。西悉尼大學的運動科學家凱莉·斯蒂爾（Kylie Steel）指出，運動員的身體或許會訓練至極限，但在認知能力上仍擁有巨大的潛力提升。例如，足球訓練中可以鼓勵球員使用非慣用腳進行射門，以提升大腦靈活性，幫助他們在成年後更加出色地應對比賽挑戰。

近年研究讓我們重新認識了體育訓練對人體的深遠影響，運動改變的不僅是肌肉，還包括大腦。從視覺處理到肌肉記憶，再到抗衰老的腦部結構，透過運動與科學的結合，將為未來的運動員開啟全新可能性，也提醒我們，持續鍛煉不僅益於身體，也有助於大腦的健康。

性別檢測的歷史與爭議：從脫衣服到口腔擦拭

當然，瑪麗亞．荷塞．馬丁內茲－帕提尼奧（Mar.a Jos. Mart.nez-Pati.o）毫無理由懷疑自己不是女兒身。她的臉瘦長又高貴，有高高的顴骨，肌膚吹彈可破。她是在西班牙北部長大的普通女孩，除了跑跳方面比同齡的女表現還要好之外。

1985 年，具國際水準的二十四歲跨欄選手馬丁內茲－帕提尼奧，抵達日本神戶主辦的世界大學運動會之後，才發覺自己忘了那份聲明她是女性、可參加女子組競賽的醫生證明書。結果，她不得不在神戶按慣例做賽前口腔擦拭取樣，證明她的生物性別。

性別檢測從 1960 年代就開始實行，當時國際田徑總會看夠了肌肉結實的中東歐國家女子選手（其中有很多人參與了煞費心機的禁藥計畫），於是國際田徑總會制定管制辦法，確保沒有男子選手假冒成女性。（從未證實有這樣的情況發生。）剛開始實施的檢測方式很粗暴，女選手被迫在醫生面前脫下褲子，到 1968 年的墨西哥城奧運，這種丟臉的手續就由令人滿意的客觀技術取代了：用採樣棒擦拭口腔組織取樣，再檢驗染色體。女性有 XX 性染色體，男性為 XY。

只不過，有時情況沒那麼簡單。

1985 年 8 月那天很晚的時候，西班牙代表隊的隊醫準備告訴馬丁內茲－帕提尼奧壞消息。她的檢測結果出了問題，沒辦法上場比賽。馬丁內茲－帕提尼奧想知道自己是不是得了愛滋病還是白血病（白血病才剛奪走了她哥哥的生命），但醫生沒再說什麼。

她非常焦慮地熬了兩個月，自己去看醫生，以免麻煩仍未走出喪子之痛的父母。接著，通知信來了，不是愛滋病，也不是白血病，但這個診斷將改變她的一生。信上寫著，分析五十個她的口腔組織細胞後發現，每個都帶有 XY 染色體。你是男人，想不到吧！國家代表隊官員力勸馬丁內茲－帕提尼奧假裝受傷，悄悄退役。

馬丁內茲－帕提尼奧不但拒絕退役，三個月後還在西班牙國內 60 公尺跨欄賽奪冠。然而勝利的榮耀，卻讓她成為公眾的笑柄。馬丁內茲－帕提尼奧的性別檢測結果在媒體上曝光了，她的名聲一落千丈，受到極其殘酷的對待。

能拿走的都被拿走了。西班牙官員取消了馬丁內茲－帕提尼奧的全國冠軍頭銜，把她踢出西班牙運動選手的宿舍，還撤回她的獎學金。他們刪除她的運動成績紀錄，彷彿她不存在似的。她的友人分成兩類，一種是留下來的，一種是離去的。她的未婚夫屬於後者。

馬丁內茲－帕提尼奧感到羞愧，喪失了活力，不過很快就展現出韌性。她在媒體上堅稱她確信自己是女性，誓言要反擊，而隨後她獲得遠道而來的援手。

生物學的複雜性：當染色體不再是判定性別的唯一標準

芬蘭遺傳學家亞伯特．德拉夏培爾（Albert de la Chapelle）看到報導馬丁內茲－帕提尼奧爭取權益的新聞之後，公開發表意見。德拉夏培爾十分清楚，染色體不一定能判定一個人是男性或女性。他最先研究了帶有 XX 染色體的男性。當父母的 X 和 Y 染色體在交換資訊時沒有排列整齊，來自 Y 染色體尖端的基因斷開，最後跑到 X 染色體上，這時就有可能發生「德拉夏培爾症候群」（De la Chapelle syndrome）。

馬丁內茲－帕提尼奧花很多錢找醫生檢查，他們告訴她，她有睪丸，藏在陰唇內的隱密處，而且她沒有子宮，也沒有卵巢。不過這些醫生還發現，馬丁內茲－帕提尼奧的睪丸雖然會產生跟男性同樣高的睪固酮濃度，但她有雄性素不敏感症候群（androgen insensitivity syndrome，簡稱AIS），也就是說，她的身體對睪固酮的需求充耳不聞，因此她完全發育成女性。大多數女性可以善用體內分泌的少量睪固酮在運動方面帶來的好處，但馬丁內茲－帕提尼奧根本無法利用。

性別檢測結果公開後差不多三年，奧會醫學委員會在 1988 年首爾奧運開會，裁定應該恢復馬丁內茲－帕提尼奧的資格。只不過，她的運動生涯那時已經受到阻撓，以十分之一秒的差距失去 1992 年奧運的參賽資格。

受到馬丁內茲－帕提尼奧事件的鞭策，國際田徑總會在 1990 年從各國召集了一群科學家，想要決定如何一勞永逸地辨別女性選手當中的男性，以求競賽公平。專家們的回應是：別問我們！這群科學家反而建議徹底廢除性別鑑定檢測。到 1999 年，國際奧林匹克委員會（簡稱國際奧會）終於決定，只在遇有質疑聲浪時才對女性運動員進行檢測，儘管如此，他們還是沒有明確標準可用來判定何謂合格女性。

問題在於，人類生物學就是不會像體育主管機關希望的那樣，客氣地把人分成男性和女性，而且過去二十年的技術進展完全沒有帶來絲毫改變，未來也不會有任何改變。耶魯大學榮譽教授米隆．吉內爾（Myron Genel）說：「我看不出我們要怎麼提出不同於二十年前所做的結果。」吉內爾也是建議國際田徑總會廢除性別檢測的一員。

醫生群最後判定，馬丁內茲－帕提尼奧受到不公平的對待。他們確定，就競技目的來說她是女性──是個既有陰道也有隱睪，有乳房、但沒有卵巢或子宮，而且體內雖有跟男性等量的睪固酮卻遲緩流著的女性。

不管是身體部位還是體內的染色體，都無法明確辨別男女運動員。那麼究竟有什麼遺傳學上的理由，要把男女分開考慮？

——本文摘自 大衛・艾普斯坦（David Epstein），《運動基因：頂尖運動表現背後的科學》，2020 年 12 月，行路出版，未經同意請勿轉載。