史丹吉氏黃斑斜鱗蛇爬行（影片與相片）

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

作者/ 青悠
大學與研究所時候園藝與奇幻雙修，畢業後轉了個彎成為臺北地方異聞工作室成員，在妖怪中打滾的同時偶爾充當真人植物圖鑑。《唯妖論：臺灣神怪本事》和《尋妖誌》的共同作者。

你看過紅嘴黑鵯嗎？紅嘴黑鵯（Hypsipetes leucocephalus nigerrimus）是臺灣特有亞種，在平地到中海拔的山區，都有機會在樹上看見這種特別的鳥兒。紅嘴黑鵯全身黑溜溜的，乍看之下並沒有什麼特色，但仔細一看，牠們頭頂上有蓬鬆豎起的冠羽，就像特別梳過的髮型一樣，非常有個性；而鳥喙和鳥爪則是亮麗的紅色，在黑色身體的襯托下格外鮮豔，十分能吸引目光。這些醒目的特徵，都讓紅嘴黑鵯成了一種很容易辨識的鳥。

或許就是因為有著使人印象深刻的外表以及獨特的配色，紅嘴黑鵯的形象引發人們諸多聯想，在臺灣的原住民之中，就流傳著一些故事，試圖說明紅嘴黑鵯的紅喙和黑羽，究竟是怎麼來的──

帶回火種的 haipis

布農族的神話中提到一種叫做 haipis 的鳥兒，就是紅嘴黑鵯，傳說在遠古的時代，牠們替族人帶回火種，度過洪水危機，可說是幫助族人存活的大功臣。

在傳說中，布農族人遇到一次大洪水。洪水漲得快，族人慌慌忙忙往高處逃，倉皇上山的時候，卻不小心忘了帶走火種。沒有火種要如何烹飪取暖呢？正當大家陷入煩惱的時候，癩蛤蟆跳了出來，自告奮勇地要幫忙帶回火種，跳進了水裡，往大水的另一端游去。越過了洪水，癩蛤蟆成功地找到了火種，背在背上努力地游回布農族人那裡，不過當牠抵達時，火苗卻已經被水給弄熄了。雖然遺憾，但知道路程的辛苦，族人也不忍苛責癩蛤蟆，只能另謀他法。

接下來，烏鴉也答應要試著去取火種，馬上就出發了，可是才飛到半途，烏鴉卻被那些死於洪水的死屍給吸引住，忍不住停下大快朵頤了起來，就這麼忘掉原先的任務了。布農族人苦等不到火種，眼見生活就要出問題，心急如焚，卻不知道還有什麼辦法。

這時，紅嘴黑鵯決定來幫忙了，牠拍拍翅膀往火種所在的地方飛去，也順利地到達。牠張嘴銜起火種，隨即回頭飛去，想趕緊把火種交到族人手上—但考驗這時才開始。火熊熊地燒，燙得紅嘴黑鵯的嘴難以忍受，於是把火種換到腳爪上握著，但一會兒腳爪又被燙得疼，於是只好又換到嘴裡。就這樣不斷交替著，紅嘴黑鵯最後確實地把火種帶回布農族的聚落了，不過抵達族人那裡時，紅嘴黑鵯的嘴跟爪都被燒得紅通通，身體也被火烤焦，渾身羽毛都變成黑色的。

獲得了火種的布農族人最終在洪水中生存下來，他們非常感謝紅嘴黑鵯，從此訂下了規矩，要好好地尊敬這些鳥兒，要尊敬地對待牠們，不能以手指指點點，更不能殺掉牠們。

泰雅神話裡的救火英雄

無獨有偶，泰雅族裡同樣流傳著一則跟紅嘴黑鵯有關的神話，居然也有鳥兒銜火的情節，只不過這回兒紅嘴黑鵯不是要帶火，而是要滅火。

據說許久以前，山上發生過一場森林大火，延燒了好幾天。大火中，人與動物都驚慌逃竄，但火焰仍然寸寸逼近，眼看就要燒死所有的飛禽走獸了。山神眼見大家受苦，於是召集了山裡的生物，希望大家都來滅火，可是，大多數的動物都因為太過害怕而只顧著逃命，沒有去幫忙，只有 Sabin 鳥，也就是紅嘴黑鵯，奮不顧身地投入救火工作。牠們一群一群地飛向著火的樹木，用嘴喙折斷帶火的枝條，再用腳爪抓著，帶走那些燃燒的樹枝，大火就在紅嘴黑鵯不間斷地來回飛行下，漸漸控制下來，最終順利地撲滅了。

因為經歷了滅火的工作，紅嘴黑鵯的羽毛被燻黑，嘴喙和腳也被燒紅，但也由於牠們如此犧牲，山上的人和動物才能存活下來，而沒有全數被大火吞噬。族人們因此對這種鳥十分感謝，將之視為神聖的鳥兒，充滿尊敬之情。

紅嘴黑鵯的習性

現實中，紅嘴黑鵯是種活潑的鳥兒，以果實和昆蟲為食，尤其喜歡較軟的漿果。牠們喜歡群聚，會成群結隊地在樹冠層生活，常出沒在中低海拔山區、闊葉林、果園、林地邊緣，甚至平地公園也能發現牠們的蹤跡，在四月到七月春夏之際的紅嘴黑鵯繁殖期，有時甚至會有人撿到不小心落巢的幼鳥。

紅嘴黑鵯有一項奇妙的習性，冬季氣溫降低時，許多鳥兒會往較低海拔處移動，到比較溫暖的地方過冬，可是紅嘴黑鵯卻反而有往較高海拔處移動的傾向。這種現象稱作「反降遷」，可能是為了要進駐其他鳥類降遷避冬之後空下的棲息空間，當其他鳥兒變少了，相對來說取得食物的機會便會增加，紅嘴黑鵯也就能在冬天的山上大快朵頤。

紅嘴黑鵯相當聒噪，經常發出嘲哳的鳴聲，除了吱吱喳喳的簡單音節，最容易辨識的就是聽來像「小氣鬼」的清脆叫聲，
鳥音：

還有常被形容是粗癟喵叫聲「喵—喵—」的特別鳴叫。
鳥音：

每當聽見熱鬧的鳥叫聲，看見一大群紅嘴黑鵯從天上樹上飛過，彷彿稍稍能想像神話中牠們叼著樹枝奮力滅火的樣子。

話說回來，在讀完布農族與泰雅族的紅嘴黑鵯神話後，我心中冒出一個疑惑—在被烤焦之前，紅嘴黑鵯到底是什麼顏色？似乎許多故事的版本都沒有特別提到這點，紅嘴黑鵯的先祖，究竟長成什麼樣子呢？

紅嘴黑鵯大家族

雖然神話故事中的紅嘴黑鵯原貌已經不可考了，不過我們或許可以參考「Hypsipetes leucocephalus」這個種下的其他亞種的樣子，來確立想像的方向。

文章開頭有說到：紅嘴黑鵯是臺灣的「特有亞種」。「特有」兩個字好想像，指的就是只有臺灣能夠見到，不過所謂的「亞種」，指的是什麼呢？

生物分類時，理論上來說「種」已經是最小單位了。不過一個種內的部分族群，卻可能因為地理環境或其他因素的區隔，在分開繁衍情況下，漸漸發展出與其他族群稍微不同的形態。雖然形態上有所差異，可是卻又沒有差得那麼多，要是重新把這兩群形態略有不同的傢伙放在一起，彼此之間依然能夠繁衍出具生殖能力的下一代，因此沒辦法獨立分成兩個不同的種，而這些形態不同的族群，就會被當作「亞種」，以作為區別。

H. leucocephalus這個種下有十個亞種，成員遍布中國西南、喜馬拉雅山、阿富汗、印度、中南半島的東南亞地區以及臺灣。這些紅嘴黑鵯都同樣有橘紅色的喙和腳，體色也多為灰灰黑黑的不起眼顏色，但仍有一些變化：其中有四種亞種，包含臺灣的特有亞種nigerrimus，是全身黑漆漆的；而另外有三種亞種，體色是較淺的灰色調，沒有那麼黑。最後的三種亞種配色則最為突出，牠們的身體雖然也是灰色，卻有白色的頭部，有的甚至連頸部到胸部的羽毛也是白色一片。

出現神話中臺灣的紅嘴黑鵯祖先，會不會在銜火前也有較淡的體色，甚至和牠們的親戚一樣，也頂著白色的頭呢？答案就只能留待閱讀神話的我們自行揣想好奇了。

新時代的到來，就像一陣狂飆的颶風，將一切連根拔起。臺灣妖怪們被迫帶著傳統的記憶，躲進人心的空隙。妖怪掙扎地生存著，等待著消亡的結局。

不知從何處開始，流傳著一個名叫「說妖」的儀式。傳說中，在儀式堅持到最後的人可以召喚出妖怪，實現願望。

臺灣妖怪桌遊《說妖》，熱烈募資中！