用視覺吃東西，食用色素在食品中的角色定位——《食戰！數據化的美味行銷》（下）

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

黃瓜 CONCOMBRE

黃瓜可以只做成冷盤沙拉，也能在鹽水、英式醃菜中展現出多種滋味，甚至可以煮成配菜。它的滋味比看起來的要複雜許多：很明顯它有綠質及強烈的葉綠素滋味，但也有碘和奶油味。沒有交集的兩個世界，讓這種蔬菜能往兩種滋味方向去發揮！

正確切削黃瓜：善用皮與苦味的微妙平衡

黃瓜外皮呈綠色並略帶苦味，想當然爾也有葉綠素滋味⋯⋯我們去皮不是為了美觀，而是要除掉這種苦味。又或者，我們可以刻意保留全部或部分黃瓜皮，對這有點侵略性的味道做進一步運用。經過斟酌的苦味能帶來無可否認的餘韻，也讓這種蔬菜含水量相當高的芳香特性變得複雜。薄荷、蒔蘿、青蘋果等「綠色」食材會凸顯出黃瓜的清新。

籽肉的碘香秘密：黃瓜與海鮮、乳製品是絕配

為何把黃瓜的果肉跟籽吃進嘴裡時，能感受到碘味和奶油味呢？答案是因為醛類^*1，存在於麵包皮和多種油裡。出乎意料的是，黃瓜能跟海藻、牡蠣、麵包和奶油做組合。為了發揮這些香氣，我們不妨將乳酸化合物（芒果、荔枝等）搭配帶乳香的乳狀食物（如希臘優格，這解釋了希臘沙拉醬﹝Tzatziki﹞^*2 之所以成功的原因。或是藍紋乳酪、昂貝爾藍紋乳酪﹝Fourme d’Ambert﹞、馬斯卡彭乳酪也可以），以及一些像孔德里約（Condrieu）這樣帶奶油香味的酒。有了黃瓜內部的果肉跟籽，這些組合就保證成功。

*1：主要為 (E,z)-2,6- 壬烯醛、2-壬烯醛（non-2-énal）。

*2：譯注：以希臘優格和黃瓜碎粒為主要材料的沙拉。

來試試吧！甘納許巧克力黃瓜

• 準備甘納許：煮滾 300 毫升的水，加入 1 克洋菜粉，離火並倒進 150 克的黑巧克力碎片攪打混合，再倒進容器裡約 1 公分高度，隨後放進冰箱至少一小時。
• 準備黃瓜：將黃瓜（用果汁機）榨成汁。提取 150 毫升，取其中一半與 1 克洋菜粉和一茶匙糖一起煮沸。離火，將剩下的另一半加進去，放涼後小心地倒在巧克力甘納許上（約 0.5 公分高），然後放進冰箱。
• 擺盤：切成固定長度（約 6 公分長，1.5 公分寬）。可和黑巧克力圓脆片（Tuiles）一起食用。

不同變化：富含葉綠素的活力蔬果汁

選擇未處理過的小黃瓜，連皮榨汁，增強青綠及微苦滋味。這種富含葉綠素的果汁可以調味油醋汁、雞尾酒（琴酒等）和西班牙冷湯。可以將果汁冷凍在冰塊盒裡供多次使用。

——本文摘自 拉斐爾．歐蒙（Raphaël Haumont）、提耶里．馬克思（Thierry
Marx），《料理滋味創意地圖：法國材料物理化學專家聯手米其林主廚，15種香調、80種常見蔬果食材的氣味因子，探索 1,500 種創新風味搭配！》，2024 年 8 月，積木文化，未經同意請勿轉載。

水蜜桃配杏桃、草莓配覆盆子、香草配巧克力或巧克力配椰子，這些經典搭配你覺得如何？那榛果配巧克力、開心果配覆盆子、檸檬配羅勒呢？面對上述搭配，手作職人和食品加工製造商只會發表「大家還沒有準備好吃別的東西」、「如果我們做點不一樣的東西，銷售量就會不好」之類的意見。真的是這樣嗎？這個美麗的世界裡明明存在著幾百種不同的氣味，為何美食界就只滿足於那幾十種呢？當我們瞭解每一種蔬果、每一塊巧克力、每一樣香料都含有幾百種味道和氣味分子後，就會明白，我們錯過的可是不計其數的搭配可能！

氣味分子的秘密：從香草到薄荷的驚人連結

食物配對（foodpairing）是以化學為依據的食材搭配研究，其核心想法是把「擁有越多共同分子」的食物搭配在一起。此理論奠定在紮實的生理面根基上：人們感知到的味道，是透過味覺接收器的化學活化作用進而做出的解讀，若兩種食物的分子組成類似，就會對接收器產生相似的作用。

實際作法如下。首先，我們利用分子分離技術（例如：層析法、光譜測定法等）針對「人對滋味的感知」進行系統分析，進而獲得食物的「分子身分證」。這部分的困難之處，在於要檢測出微量存在的分子，不過數據資料庫也隨著分析設備的進步而擴增當中。

在比較來自印度洋和大溪地的香莢蘭（planifolia）或中美洲的大花香莢蘭（pompona）時，所有香草莢都呈現出很強的「香草醛」（vanilline）訊號。然而，把香草概括成香草醛——更糟的是，把香草醛概括成一種產業用的廉價合成分子「乙基香草醛」（éthylvanillne）——實在過於簡化。事實上，香草家族彼此間所有味道與氣味（甜、水果、花卉、酚類、煙草、甘草、茴香等香氣）的微妙之處，都是由低強度分子訊號所產生的；這些訊號有時很難被偵測或鑑定出來，但卻蘊藏著濃郁芳香，以及「波本香草」、「大溪地香草」等的專屬標記。

許多研究結果使我們能確定大部分食物中的活性分子，像是維生素、礦物鹽和微量元素、味道分子、氣味分子、糖、蛋白質、脂肪物質等。全球研究者也分析了烹煮帶來的影響。我們根據這些研究成果，集各式香氣分子特色繪製圖譜，並以此為基礎開創出新搭配。

我們也從香水、化粧品和葡萄酒領域中擷取靈感。在香水產業，順 -3- 己烯醇（cis-3-hexen-1-ol，又稱葉醇）已被認為是葉綠素新鮮度的標記，而 1,5- 環二烯（1,5-octadiene）則是下層植被和蘑菇的標記；我們將它們歸類進幾項風味類別裡（果香、綠質、脂肪等），定出了「參考分子」。

其他還有像是羅勒、藍莓、黑醋栗或百香果中都存在桉油醇（1,8-cinéol）與辛醇（1-octanol），而黑醋栗、草莓、芭樂、百香果和哈密瓜則都含有丁酸乙酯。草莓－羅勒－黑醋栗、草莓－百香果、黑醋栗－黑莓－羅勒或哈密瓜－百香果－芭樂的組合，就是出於這種「自然而然」的前提。有些食物也扮演著「媒合者」的角色，以薄荷為例：如果說巧克力跟薄荷、黃瓜與薄荷都搭得起來，那麼何不試試巧克力配黃瓜？我們已經試過囉，結果非常搭！（請見第82頁）

我們能在料理中做什麼呢？

說得清楚些：食物配對並不是要去預測新的「食譜」，而是新的「搭配可能」。雖然無法保證這些新組合真的都適合品嘗，但絕對值得一試，而廚師也得發揮他所有的技藝，把可能的組合變成美味佳餚。前面也提到，我們感受到的味覺解讀主要來自食物分子與接受器的結合，卻並非僅止於此。嘴唇、舌頭、上顎等在整體感知中也扮演重要角色，最後則是在味覺上是否產生情緒感受。因此，廚師在食物質地上所下的功夫，得和對滋味的用心一樣多，多方嘗試如鬆脆、柔軟、鮮嫩、凝膠狀、融化的、冷的、溫的、熱的等不同條件。

這本書裡提供所謂的「三元素組合」，但你可以自由將其中兩兩一組做搭配，或藉由其他調性接近的食材讓組合更多元。例如，當提到蒔蘿（又稱小茴香）時，你可以用茴香、茴芹（又稱大茴香）、孜然或所有其他具綠質／茴香味的產品代替。在三元素組合裡，我們常提供兩種主要食材，以及第三種可以被當成調味品或「加分潤飾」的選項；後者會讓餐點滋味演變出新方向。如果食物在配對上可以透過相似性發揮，做到酸味＋酸味、綠蔬＋綠蔬、油脂香氣＋油脂香氣等組合，那麼在烹飪時，藉由把具揮發性及更為濃郁的香氣搭在一起，重新取得平衡便很重要。

味覺上的私密性：蔬果結構與被隔絕的香氣

準備食物、切割食物、選擇某個部位來食用及烹煮⋯⋯這些不僅只是料理美學的問題，有時確實是出於味道才做出的選擇，而且還希望能加強某一種芳香氣味，將它從另一種氣味中隔絕出來。藍莓、無花果或小蕪菁從上到下／從中間到外圍都有一種「獨特」味道，黃瓜或韭蔥就沒有這種特性。韭蔥的綠色部位（綠質草本香）和白色部位（綠質豆科植蔬氣息）非常不同，黃瓜的皮（綠質草本香）和果肉（柑橘香）也不一樣，而果肉本身更不同於黃瓜的「籽」（碘味）。

我們選擇藉由揭開這些食物的各種芳香面向來剖析這些食物，讓你可以在滋味上搭配出最佳組合，並且創造前所未有的協調感。

遠離韭蔥佐油醋汁，讓我們試一試白色部位的韭蔥佐開心果油，或是以綠色部位的韭蔥配百香果吧！

——本文摘自 拉斐爾．歐蒙（Raphaël Haumont）、提耶里．馬克思（Thierry
Marx），《料理滋味創意地圖：法國材料物理化學專家聯手米其林主廚，15種香調、80種常見蔬果食材的氣味因子，探索 1,500 種創新風味搭配！》，2024 年 8 月，積木文化，未經同意請勿轉載。