隨著年齡長智慧 – 那可不一定

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／照護線上編輯部
• 本文轉載自 Care Online 照護線上《老花雷射手術比一比，眼科醫師解析》，歡迎喜歡這篇文章的朋友訂閱支持 Care Online 喔
• 加入照護線上 LINE 官方帳號，健康資訊不漏接

老花眼就是眼睛調節能力隨著年紀而下降。

以前年輕的時候，眼睛像是一台很好的相機，可以看得很遠、看得很近。

所謂的老花就是調節力變差，使我們需戴另一副老花眼鏡，除了近視眼鏡外，還要再加上一副老花眼鏡，來幫助我們看近物。

• 本文轉載自 Care Online 照護線上《老花雷射手術比一比，眼科醫師解析》，歡迎喜歡這篇文章的朋友訂閱支持 Care Online 喔
• 加入照護線上 LINE 官方帳號，健康資訊不漏接

編按：說到星際文明的發展程度，科幻愛好者必定會提到「卡爾達肖夫指數」，以使用的能源多寡，來區分文明發達程度。然而，除了從能源來評斷文明進程，其實還有其他的評判方式。

「宇宙文明演化史」系列，將在上篇回顧「卡爾達肖夫指數」，下篇介紹較少討論的「資訊量」與「微觀尺度」的評斷觀點。

地球數以萬億計的物種中，人類算得上是最具高等智慧的生物。

但假設——遙遠的某顆行星上也有「智慧生命」的存在，那麼，對方是否有可能比我們先進？他們能透過量子力學的應用而發明電子產品嗎？他們能掌握陽光、電磁等能源嗎？他們是否有完善的醫療、教育、經濟、社會結構？又或者，他們是否已然可以達成人類難以觸及的瞬時旅行？

智慧生命的演進

誠如在這篇文章所提過的，碳基生命自發形成的機率極為渺小，從有機分子組合成蛋白質、基因序列、細胞、再到個體的行程，這個機率相當於「一陣龍捲風掃過垃圾場、從中隨機拼湊出一架波音 747」那樣渺茫，更何況是演化成像人類這樣的「智慧生命」。

我們不僅僅具有生物體的基本特徵，還具有思考能力、邏輯、記憶力、甚至是預測與規劃未來的能力，這些可以說是人類與其他生命體最與眾不同之所在。人類之所以成為「智慧生命」，便是因為擁有了自己的語言、文字，使資訊得以保留並傳承。回溯到百萬年前，從演化論的角度來看，當時人類與其他靈長類動物差異並不大；然而，我們的老祖先發現了「火」，並且懂得如何生成並且控制「火」，使得我們不再像其他動物那樣直接生食獵物；另一方面，我們開始懂得用遮羞布、乃至於之後縫製衣服。

此外，我們能表達自己的情緒，能輕易地展現喜怒哀樂溝通，進行交際活動——這些都是人類得以成為智慧生命的原理。

順帶一提，根據物理學家加來道雄（Michio Kaku）所提出的「穴居人原理」（caveman principle），我們人類依然存有百萬年前老祖宗們「原始慾望」的影子——換句話說，數十萬年來人類雖然不斷演化，然而我們的人格依然保有原始穴居人的基因本質。舉例而言：即使有先進的電腦把文件處理完善，我們仍習慣把文件影印成紙本，之所以如此，係因原始人類捕獵動物時要求「獵殺證明」，習慣取信於親眼所見的事實。

同理，我們傾向於參與音樂會或去電影院體驗現場氛圍，而非一味觀賞電子螢幕前的動態；我們習慣社交與打扮，因此多數重要聚會並不容易被虛擬會議所取代；而在古代社會，小道消息的流通會幫助某些人們知悉高層的行動，因而扮演著一定程度重要性——而這也呼應了我們周遭充斥著娛樂與八卦的報刊，畢竟這些事物總會激起人性深處的好奇心。另一方面，穴居人法則似乎也意味著藝術、娛樂並不會因為科技發展而消失，因為這些事物能滿足人類的需求與愉悅，而這並非科技所能取而代之的。

回歸根本，可以發現，身為智慧生命，必然要有「視力」的存在、而非像螞蟻那樣透過觸角溝通，包含情緒的表達、語言的交流，這方面可以歸功於「大腦」的演化；再者，人類的「腳趾」的演化也是關鍵，這使得人類得以直立行走、改變對世界的視角與行動；此外，「前肢可握物」也扮演著重要角色，亦即靈活的手指——這使得人類可以精準地操作物件、製造工具。

先進文明的分級

因此，我們假定這些智慧生命都擁有這些生理構造與功能，他們可以溝通、可以發明器物。那麼，有沒有一個指標能告訴我們一個「文明」究竟能多發達？

1964 年，蘇聯科學家卡爾達肖夫（Nikolai Kardashev）提出了一個度量文明先進程度的指標——「卡爾達肖夫指數」（Kardashev Scale）。經由天文學家卡爾．薩根（Carl Sagan）修正過後，可以歸結為下列公式：

其中 K 代表卡爾達肖夫指數，P 代表文明所消耗的總能量。基本上，我們可以將文明依據「駕馭能量」的量級區分成三大類型：

1. I 型文明（K=1）：
   該文明能駕馭 10¹⁶ W 的能量，相當於掌握所處行星的能量，因此又稱「行星文明」。這類型的文明可以控制天氣、調節海洋、並且到地底深處採礦，徹底運用星球資源；並且，這一類文明將能任意造訪附近行星，並在後期發展出接近光速的太空旅行。
   
2. II 型文明（K=2）：
   該文明能駕馭 10²⁶ W 的能量，相當於掌握所處恆星系統的能量，因此又稱「恆星文明」或「星際文明」。這類型的文明能夠透過戴森球（參見下文）或相關科技、徹底利用恆星系統的能量；他們可在各個行星、恆星之間任意穿梭，並且相繼朝往其他恆星系統殖民。
   
3. III 型文明（K=3）：
   該文明能駕馭 10³⁶ W 的能量，相當於掌握所處星系的能量，因此又稱「星系文明」。這類型的文明不再受限於附近的恆星系統，他們將能夠隨心所欲駕馭整個星系、甚至宇宙尺度級別的能量，並可以在星系之間來去自如；他們甚至已熟悉時空物理、得以透過蟲洞或先進技術穿越時空。

作為宇宙文明的分級，文明所駕馭的總能量可以視為一個標竿。宇宙中的能量是無所不在、甚至可以說是取之不盡用之不竭的。因此，能妥善利用這些能量到什麼程度，便可以視為文明「先進與否」的標準。當然，還有一些人把這列表往下延伸，諸如宇宙文明（IV 型）、多重宇宙文明（V 型）、神靈文明（VI 型）、未知文明（VII 型）等等——不過這些級別距離目前人類還算是遙不可及，我們甚至無法保證在宇宙 137 億這年齡下是否已有這麼先進的文明誕生。

就目前而言，顯然，人類縱使歷經工業革命、資訊革命，也開發出原子能、得以進行太空探索——但似乎尚未能被列入其中之一——我們尚未有能力操控天氣、就連地底結構也都是透過震波才得以探知的。那麼，人類目前究竟處在哪一階段？讓我們簡單計算一下：根據世界能源消耗量的統計，截至 2021 年底，人類所消耗的能量約為 176,431 TWh（百萬兆瓦時），相當於 20.14 TW（百萬兆瓦），代入卡爾達肖夫指數公式：

可以直接得出卡爾達肖夫指數 K≈0.73 ——因此，人類目前約是落在「0.73 型文明」，依然位在「第零型文明」的階段。

目前人類的能量來源主要仍是石油、煤炭、天然氣；除此之外還有傳統生質能、水力發電、以及核能。在數十年內，風力發電、太陽能、生質能會慢慢取代化石燃料，而核融合技術很可能帶領人類走向 I 型文明。

當人類開始進行太空殖民、並且能妥善運用母恆星（太陽）所供應的能量後，才會慢慢朝向 II 型文明發展；而在 I 型或者 II 型文明階段，另一個能催動科技進展的很可能就是反物質（antimatter）的製造與普及。加來道雄認為，我們有機會在本世紀末或是兩百年內躍升成為 I 型文明；到達 II 型文明需要數千年；至於到達可以隨心所欲駕馭時空的 III 型文明，可能還需要數十萬至百萬年。

參考文獻 / 延伸閱讀

1. Kardashev, N.S. (1964). Transmission of information by extraterrestrial civilizations. articles.adsabs.harvard.edu.
2. 加來道雄，《穿梭超時空》，台北：商周出版，2013
3. 加來道雄，《平行宇宙》，台北：商周出版，2015
4. 卡爾．薩根，《宇宙・宇宙》，台北：遠流出版事業股份有限公司，2010
5. 史蒂芬．霍金，《胡桃裡的宇宙》，台北：大塊文化，2001