去髒血除百病？種族滅絕陰謀論的原型——塔斯基吉梅毒實驗（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

高智商成績分數可以用買的！？

當時，在布洛瓦郡鑑別資優生的程序在一、二年級時展開。如果老師判斷一個孩童可能有資格參加資優課程，就會轉介孩子去學校心理師那裡作一個測驗。家長也可以聘請私人心理師來進行測驗。凡是被測出智商在一百三十以上的孩童就會被評估納入資優課程。由於幼年貧困和英語能力有限已經被證明會影響標準化測驗的成績，低收入戶學生以及英語非母語的學生被判定為資優生的門檻比較低，是一百一十五。

可是該郡學生的智商分數看起來很怪。分數並非正常分布，而是在一百二十九分時人數歸零，然後在一百三十分時（亦即被認定為資優的最低門檻）人數驟然升高。而且沒有一個孩子拿到不達門檻的一百二十九分。

後來分析這些數據的經濟學家蘿拉．朱里安諾（Laura Giuliano）帶著冷冷的幽默感告訴我：「高智商分數似乎是有市場的。」私人心理師表面上是被聘請來評估孩子，可是以每次幾百美元的價格，他們實際上是被雇來確保孩子被認定為資優。朱里安諾告訴我，當她自己的孩子接近入學年齡，其他的家長低聲告訴她哪些心理師是「好的」。「好」似乎意味著掌握了「發現」智商一三〇的技巧。

這種買來的智商是理解這種差距的一條線索：大多是白人的富有家長基本上是替子女買到資優生的名額。但是這仍舊無法解釋黑人孩童和拉美裔孩童、英語非母語的孩童、低收入戶孩童被鑑別為資優的人數何以如此之少。就算富有的白人小孩被鑑別為資優的人數超出正常比例，這也不該壓低其他孩童被鑑別為資優的人數。

辨別資優生的新作法——剔除老師和家長的推薦制度

帕克懷疑篩選過程的第一步可能有問題，亦即當老師和家長推薦學生去作測驗。於是在二○○三年十一月，她把那張地圖展示給學校董事會看，並且提出了一種鑑別資優生的新做法。帕克說，關於誰該接受測驗，布洛瓦郡不該仰賴任何人的個別判斷。該郡應該對每一個孩子進行篩選。面對那張凸顯出不平等的閃亮紅色地圖，學校董事會一致投票贊成。

二○○五年，布洛瓦郡展開了全面篩選。員工得到加班費，加班對該郡兩萬名二年級學生進行測驗。由於眾所周知智商測驗和其他標準化測驗都含有偏見，所選用的測驗是一種非語言的認知測驗，把這種風險降到最低。該測驗不依靠與任何特定文化有關的文字或圖像，而是測量解決問題的綜合能力。

在學生作過測驗之後，帕克的團隊就親手把用葡萄牙文、西班牙文和海地克里奧爾語寫成的家長同意書送到每個學校，讓家長能夠同意接下來的步驟。他們有技巧地回答家長的來電，那些家長擔心這張有關「特殊學生」的書面通知乃是表示孩子有行為問題。團隊成員要他們放心，說事情正好相反，說這是個好消息。

等到篩選程序完成，結果很驚人。在全面進行篩選之後，黑人孩童和拉美裔孩童被認定為資優的人數增加為三倍。在接下來那一年裡，有資格參加資優課程的另外數百名孩童中，有八成來自低收入戶或是英語非母語的學生。這些學生當中有許多人的分數明顯高出門檻，這表示即使是資賦特別優異的孩子從前也被排除在資優課程之外。

問題不在於這些孩子的資賦不優異，而在於沒有人費心去把他們找出來。

改變篩選制度與教育環境——不同種族間的成績差距就消失了

改變不僅止於此。布洛瓦郡規定：只要學校裡有資優兒童，哪怕只有一個，該校就必須替這名學生設立一間特殊的「高成就學生教室」，配備有受過特殊訓練的教師和更進階的課程。然後這間教室就會把分數接近門檻的那些學生也收進去──例如，某個年級有四名資優生，而一間「高成就學生教室」可以容納二十四名學生，就表示分數緊跟在後的二十名學生也可以在這間教室學習。

於是這些學生就也能從更快的步調、更豐富的課外活動、更高的教師期望和同儕支持中獲益。朱里安諾及其同事大衛．卡爾德（David Card）發現：在這種特殊教室學習的黑人和拉美裔「高成就學生」在數學和閱讀的成績大幅提升。在被安排進入這些教室之前，這些學生的數學和閱讀成績比不上智商相同的白人學生。在那之後，這個差距消失了。

這些學生當中有更多人變得有資格繼續參加步調加速的課程，使他們走上新的學習道路。事實上，黑人和拉美裔學生的整體數據情況都有了改變。事實證明，在進行普遍篩選之前，這些學生不僅比較不可能被篩選為資優，而且更可能被篩選出有學習障礙。而這種加強篩選反映在智商分數的整體分布上。在進行普遍篩選之後，黑人和拉美裔學生的分數分布圖和白人學生的分數分布圖變得一致。

——本文摘自《隱性偏見》，2022 年 10 月，平安文化出版，未經同意請勿轉載。

隱性偏見的概念指出偏見起作用的方式就像電路。這個電路始於我們從周圍世界吸收「文化知識」，當家人、媒體、課堂、鄰居給予我們有關不同群體的大量資訊。

這些知識當中有些是真實的，例如，從統計數字來看，男性和女性的平均身高的確有差異。有些知識則並不為真：平均而言，男孩的數學成績並不優於女孩。隨著時間，這些訊息變成深埋在我們腦中的聯想和刻板印象。

當我們遇見觸發了這些聯想的某個人或某件事，我們的文化知識就會影響我們對當下情況的反應，包括我們會有什麼行動，會說些什麼，以及會有什麼感受。因此而出現的歧視行為會助長差異，而差異又會進一步餵養引發這整個過程的文化知識。而且我們每一次所看見的並非單一層面的身分，而是多重類別的身分，包括種族、性別、年齡以及其他，每一種身分都帶有可能被融入感知者腦中的聯想。

把隱性偏見視為一種電路，這個概念有助於解釋許多遭遇。

黑人學生在學校所受到的差別待遇

以小男孩小傑．鮑威爾（JJ Powell）為例。四歲時，小傑聰明而且合群。他能熟練地寫出自己和弟弟的名字，喜歡玩上學的遊戲，通常行為良好。可是他在家鄉內布拉斯加州奧馬哈市去上幼稚園的第一年春天，他母親圖妮特．鮑威爾（Tunette Powell）開始接到電話，要她去接小傑回家。他因為把口水滴在同學身上而被停學。另一次是因為他扔了一張椅子，還有一次則是在午睡時間不聽話。鮑威爾感到不解。她那個優秀、樂觀的兒子？「哇！」在一次訪談中她回憶說，「我是個失敗的家長。」

可是後來她參加了小傑班上一個同學的生日會，開始和幼稚園的其他家長交談。有一個母親說她兒子狠狠地打了一個男孩，對方因此進了醫院。她的兒子並沒有被停學，她就只接到了一通電話。更多的家長說起自家小孩的行為問題。並沒有其他小孩被停學。事實上，其他的家長甚至不知道學校會使用這種懲罰。小傑被停學了三次。就鮑威爾所知，唯一的差別在於她的小孩是黑人，而其餘的小孩是白人。

鮑威爾的兒子不是特例。德州的一項研究檢視了幾百萬份的學校成績單和懲戒紀錄，其中有每一個在二○○○年至二○○二年之間開始就讀七年級的學生一直到十二年級的在校紀錄。這些紀錄包括所有違反行為規範（例如遲到或是服裝不整）的懲戒處分。校方可以自由裁量針對這些違紀行為的反應，可以做出校方認為適當的任何處罰。這項研究發現，黑人學生在第一次犯規時就被罰停學的可能性超過兩倍。

多項研究證實了此一模式。在心理學家菲利普．阿提巴．戈夫（Phillip Atiba Goff）及其同事所進行的一組研究中，受試者得知一個男孩的故事，這個男孩有反社會的行為，範圍從輕罪到重罪。接著受試者被問了一些問題，關於這個孩子的行為責任，以及在他行為背後的意圖。

在評估同樣的行為時，如果這個男孩是黑人，受試者就認為他更應該為他的行為受到責備；他們也高估了他的年紀，多達四歲以上，例如一個十三歲半的男孩被認為是個成年人。比起一樁輕罪，黑人小孩被視為更應該為一樁重罪受到責備；對白人小孩來說，情況則正好相反：當他行為的嚴重性增加，白人小孩被認為所需負的責任更小。

在另一項研究中，研究者把一名行為不檢的學生的在校紀錄拿給幾位老師看。如果那個學生是黑人，那些老師就更可能替這名學生貼上「惹是生非者」的標籤，而且更可能把第二次違規視為一種更嚴重的不良行為模式的一部分。

按照隱性偏見的概念，小傑的老師吸收了帶有種族歧視的有關黑人兒童的刻板印象。當小傑拒絕午睡，她腦中的刻板印象影響了她對他和他的行為的解讀，使得她把這種行為看得比白人小孩的同等行為更嚴重，而把小傑視為更應該受到懲罰。

隱性偏見塑成某些族群的刻板印象

在一個名叫郭伽（Philip Guo）的年輕計算機科學學生身上，有偏見的待遇對他有利。郭伽成長於一個華裔美國家庭，家人都主修人文科學。他在六年級時嘗試自學BASIC程式語言，但因為太難而放棄。後來，他在中學修了一門計算機科學課，那門課的老師在開課前幾週才學了教材。

這激發了他對撰寫程式的興趣，可是當他在二○○一年上了大學，他基本上是個初學者，尤其是相對於他的同學而言，他的許多同學在大一時就已經擁有十年撰寫程式的經驗。他修了入門的計算機科學課程，開始做暑期實習，這時他注意到一件不尋常的事。他回憶說：「在開會時，別人似乎總是假定我知道自己在做什麼。」其實他並不知道。當他因為感到茫然而沉默，同事以為他沉默是因為他懂了。

在學年當中，郭伽冒昧地寫電郵給教授，得到了一個研究職位。在接下來那幾年裡，他得到了一個又一個的工作，而他知道自己其實尚未擁有這些工作所需要的技能。在這些工作上，他有機會習得知識，同時還獲得報酬，一直受益於別人對於他專業能力的假定。他回憶：「技術水準與我相似的其他人並未得到我所得到的鼓勵。」

郭伽的主管可能吸收了一種刻板印象，把他那種背景的人和技術專業能力連結在一起。當他們看見他在苦思一個問題，這些刻板印象就在他們腦中跳出來，影響了他們對他的所言所行、他的疑問乃至他的沉默的解讀。郭伽的經驗凸顯出偏見的一個重要面向：偏見不僅會在某些情況下造成不利條件，也會在另一些情況下創造出優勢。

同一個群體可以受到有利於他們之刻板印象的影響，也受到有害於他們之刻板印象的影響，有時候甚至是同一種刻板印象。例如，亞裔美國人給人的「模範少數族裔」刻板印象掩蓋了諸如騷擾、種族歧視、貧窮、暴力和歧視的種種難題；這種刻板印象暗示出並不存在的同質性。

在學校裡，它掩蓋了學生對於資源與支持的需求。而且它無法保護人們不受到剝奪人性的待遇：一項針對哈佛大學入學申請紀錄的分析甚至表示亞裔申請人經常在「個性」這一項的評估中得分較低。

對生物學家本．巴雷斯來說，這個偏見迴路在他變性之前與之後發揮了不同的功能。在變性之前，別人透過對女性之刻板印象的鏡片來看待他，認為女性的科學能力比較差。這種刻板印象影響了同事對他的工作與言行的看法。

他們認為他比較缺少權威、才華和價值，於是以打斷他、質疑他、否定他的專業能力作為回應。在變性之後，巴雷斯有了相反的經驗：他被視為更有能力、更有知識、更有權威，而且比較不適合被打斷。假如巴雷斯是屬於另一個種族或族裔的科學家，或是有某種身心障礙，他在變性前後的經驗就會有所不同。

——本文摘自《隱性偏見》，2022 年 10 月，平安文化出版，未經同意請勿轉載。