這群研究人員想知道這些胎兒細胞會不會跑到媽媽腦部,進而改變媽媽發生腦部病變的風險。他們採取 59 位不幸往生女性的腦部樣本來進行檢測,結果他們在 63%女性的腦部樣本裡測得男性特有基因,顯示她們懷的兒子當年應該留下了一些細胞,一直保存在媽媽腦部。這些細胞對媽媽會不會有影響呢?在這篇研究裡還没有要直接檢驗因果關係(不會有人想當白老鼠吧),但是在這 59 個案例中剛好有 33 位有阿茲海默症病史,或許可以用來看趨勢是否存在。那究竟腦部有小男生 DNA 的媽媽會不會比較容易得到海茲海默症?
他們研究的結果恰好相反,在 26 個没有阿茲海默症病史的樣本裡,腦部測得男性 DNA 的比例比有阿茲海默症病史的 33 個樣本要高。這個結果指出小男生的細胞或 DNA 有可能可以幫助媽媽降低得到腦部疾病的風險。這篇研究裡因為没辦法區分小女生的 DNA 和媽媽的 DNA 而無法判定是否和小男生有一樣的現象。目前這個研究還只能看出有這麼一點趨勢,這麼少的樣本數(59),再加上尚未證實因果關係,讓結果不足以推論出「生小孩不容易老年痴呆」之類的結論,不過總是給了媽媽們一個希望,看能不能變成個提高生育率的新誘因。
延伸閱讀
-----廣告,請繼續往下閱讀-----
Phillips ml. Bearing sons can alter your mind. ScienceNow. 26 September 2012.
Chan WFN, Gurnot C, Montine TJ, Sonnen JA, Guthrie KA, et al. (2012) Male microchimerism in the human female brain. PLoS ONE 7(9): e45592. doi:10.1371/journal.pone.0045592
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
到了隔年一月,威爾的復原情況非常良好,已經可準備出院。他的身上有些問題永遠好不了,例如右腿行動困難以及喪失部分視覺。但是最困擾他的問題發生在他的腦袋裡:他相當確定自己已經死了。威爾的母親為了幫助兒子早日康復,帶他去南非度假。但南非的炎熱讓威爾相信這個地方就是(真正的)地獄,因此更加確定自己必定是個死人。母親難以置信地問他是怎麼死的,他說了幾個可能的死因。有可能是血液感染(這是治療初期的風險),也有可能是他之前打黃熱病疫苗之後的併發症。此外他也提出自己可能死於愛滋病,雖然他沒有感染 HIV 病毒或愛滋病的任何跡象。
科塔爾稱這位病患為 X 小姐,她的情況不是相信自己是死人,而是認為自己處於某種中間狀態──既非生,亦非死。她擔心自己會永遠困在這種不明不白的狀態裡,所以渴望真的死去。她認為只有活活燒死──雖然缺少有力的證據──才能讓她得到真正的死亡。她試著自己動手證明這個想法,所幸沒有成功。科塔爾對 X 小姐的情況很感興趣,他查找過去有沒有類似案例,沒想到居然找到好幾個。有人說自己正在慢慢腐爛,有人說自己沒有血液或是沒有身體,還有人被拋進永恆的虛無裡,或是處於某種存在的分歧狀態。
-----廣告,請繼續往下閱讀-----
科塔爾認為,他們的症狀屬於同一類疾病。他稱之為否認妄想(délire de negations)。妄想指的當然是患者對明顯虛假的事情深信不疑,科塔爾用否認一詞來形容這些病患最顯著的特徵:他們否認自己擁有(對多數人來說)生存不可或缺的東西。