魚有沒有鼻孔？晚餐桌上聊科普(系列4)

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

生命有許多種形式，智慧亦然──植物或許沒有腦袋，但它們卻可能聰明絕頂，擅於操弄，而且凶殘惡毒。因此植物已經會傳簡訊求救，其實這是遲早的事，拜新的數位裝置之賜，一株枯乾的蔓綠絨，或者營養不良的朱槿，或者照顧不周的吊竹梅，都可以傳簡訊或者在網路上推特給它的主人。

人類喜歡受到重視，因此或許只要一株秋海棠感到「快樂」──這是園丁喜歡的說法，意味著它健康而且受到良好的照顧，也可以傳個簡單的「謝謝你」簡訊。想像你留在家裡孤零零的波士頓蕨用botanicalls 撥電話給你的情景。不過為什麼會求救的只限盆栽？另一家公司也找出方法，讓農作物可以一齊發簡訊，讓農夫知道他的努力是否會有大豐收。置放在土壤裡的感應器會感應濕度，然後把主人事先預錄的訊息發送出去。一叢香蕉發出劈啪聲，不知道聽起來是什麼樣？

植物傳簡訊給人類或許是新鮮事，但心懷不滿的植物早就會互相閒聊。榆樹遭昆蟲嚙咬時，會分泌化學物質，相當於廣播「我受傷了！接下來可能輪到你們！」警告同一叢樹林中的其他植物趕快製造毒藥備用。植物是世界級的化學家，堪稱穿著綠衣的盧克雷齊亞．波吉亞（Lucrezia Borgia）¹。如果是人毒殺別人，我們斥之為邪惡，而且下毒是預謀犯罪，不能以「自衛」為藉口。可是植物卻天天都分泌最惡毒的毒液，我們卻徹底地原諒它們。它們或許欠缺心智，甚至沒有腦袋，但它們對傷害卻有反應，也會奮鬥求生，刻意行動，奴役人類（透過如咖啡、香菸、鴉片），並且彼此之間還會不停地饒舌。

草莓、蕨類、苜蓿、蘆葦、竹子、羊角芹，以及其他許多植物都有它們自己的社交網路──一叢各自生長的植物由細緻的長毯（其實是橫向的莖）連結。要是有毛蟲咬了白苜蓿的葉子，它的訊息就傳遍整個群體，大家一起增加化武。如果壓迫一株胡桃樹，它就會醞釀它自己腐蝕性的阿斯匹靈，並且還會通知親戚全都這麼做。專欄作家莫莉．艾文斯（Molly Ivins）談起一位上了年紀的德州國會議員時，十分俏皮地說 ：「要是他的智商再降得更低，我們就得一天為他澆兩次水」， 她顯然低估了植物的智慧。植物可不會溫文爾雅，有的可能很凶殘、愛耍手段、喜歡誘惑、工於心計、心腸惡毒、不擇手段、老於世故，而且徹頭徹尾地野蠻。

由於植物無法追求配偶，因此會大費周章，運用各種歌舞綜藝，哄騙動物為它們求偶。比如有些蘭花會偽裝為雌蜂的性器官，好像雄蜂試圖和它們交配，結果穿上了花粉的長褲。它們無法逃離危險，因此發明形形色色的毒藥，足以填滿整本藥典，另外它們還有一些簡單的武器：比如會使人喪命的番木鱉鹼和阿托平；會造成恐怖水泡的毒漆藤和毒葛；和像冬青和薊這種揮舞著如小刀般的刺人凶犯。黑莓和玫瑰會運用彎刺的皮帶，蕁麻的每一根毫毛都藏有一小管裝滿甲酸或組織胺的針管，讓我們發癢或奔逃。

萬一你在教西番蓮發送簡訊給你的過程中，受到誘惑，產生擁抱它的欲望──可千萬要忍住。西番蓮在細胞壁遭昆蟲咬破，或者被人類觸摸時，會釋出氰化物。當然，因為大自然的攻防常常是武器競賽，因此專咬葉子的毛毛蟲也演化到對氰化物免疫的程度。人常因誤食西番蓮、水仙、紫杉、番红花、附子（monkshood）、杜鵑、風信子、白鶴芋、毛地黃、夾竹桃、常春藤之類植物而死。一六九二年發生在麻州賽倫（Salem）的女巫審判案，有一種還待證實的說法，那就是整個案子的起源是在於前一個冬天太潮濕，裸麥作物感染了麥角鹼，這是一種類似LSD的迷幻劑，或許在把裸麥磨成粉的過程中，人們不小心吸進體內，結果使幾個女孩出現好像著魔的症狀，引發舉報女巫的一連串不幸事件。

置身人類世的我們對散漫無紀的植物總是猶豫不決，就像我們對野生動物一樣，不知該如何面對它們才好。我們希望它們環繞在我們周遭，卻又不要它們毫無節制，四處徜徉。我們把心愛的植物放在室內或室外，要它們遵守規矩，不要肆無忌憚。野草教我們心驚，但正如巴黎植物學家派崔克．布朗 （Patrick Blanc）所指出的，「正是這種植物界的自由最教我們著迷。」 雖然植物也許老謀深算而十分危險，卻出現在我們生活中的每一

層面，由求偶到葬儀都不可免。它們以辛辣的氣味、炫目的造型填滿我們的房室，用抗拒地心引力的空中芭蕾及彎曲身姿綻開花瓣，攀向太陽。不妨把它們想成原始的太陽馬戲團。許多非洲菫都讓害羞的人（shrinking violet，指害羞內向的人，借violet 非洲菫作文字遊戲）得到他們迫切需要的跨界友誼。

由於它們的確要求照顧，而我們又確實喜歡我們的社交網路，因此我猜簡訊風會襲捲植物界，發給我們一堆彬彬有禮的謝詞，或者粗魯無文的抱怨 。接下來會是什麼？紫藤每一次被蜂鳥探看時，就發一則色情簡訊？還是一壇百日菊在結實之際，就對網路上的跟隨者大呼小叫？

當然一些調皮的文字大師也會想出生氣蓬勃的簡訊，讓植物傳送，發出過度奉承或者諷刺嘲弄的電報。或許半帶阿諛：「你這了不起的女孩！謝謝你的溫柔呵護。」或者想想當你在和別人晚餐約會之時，突然接到滿腹牢騷的聖誕紅傳來簡訊說：「有像你這樣的複葉，誰還需要秋牡丹（海葵）？！」²

• 註1：波吉亞家族中的要角，羅馬教宗亞歷山大六世的私生女，常被描繪為蛇蝎美人。
• 註2：原文是「有像你這樣的朋友，誰還需要敵人」（With friends like you, who needs enemies），這是用friends 和fronds 以及enemies 和anemones 作文字遊戲。

本文摘自泛科學2015年10月選書《人類時代：我們所塑造的世界》，時報出版。

本書搭配好活動《PanSci TALK：生而為人》，邀請到泛科學專欄作家寒波來分享「猴子有好幾種，為什麼人只有一種？」討論關於人類演化的故事；下半場則由〈故事〉專欄作家馬雅人分享「雨林世界：自然環境與馬雅文明」。

看看鏡子中的你，有兩邊耳朵，可以分辨聲音的來源，有一雙眼睛，可以產生立體視覺，那為什麼人有兩個鼻孔？科學家陸續發現，即使鼻孔相距不遠，兩邊看起來也沒有差異，但對嗅覺卻非常重要。

過去的研究指出，人類左右的鼻孔呼吸氣流速度並不一致，而且每隔幾小時就會交換一次。史丹佛大學的神經生理學家Noam Sobel和其他研究人員，想知道是否這樣的交換有助於嗅覺的靈敏。化學分子被嗅神經感覺到之前，必須通過鼻腔的粘膜，而不同的化學分子，被粘膜吸收的效率不同。研究團隊利用不同比例的香芹酮（carvone）和辛烷（octane）混合物，讓不同氣流速度的鼻孔聞。

結果發現，呼吸氣流較快的鼻孔，對於像香芹酮這類較快被粘膜吸收的化學物質，較為靈敏，卻也較無法感覺到像辛烷這類較慢被粘膜吸收的化學物質。反之，鼻孔的呼吸氣流較慢，則結果相反。也就是說，兩邊鼻孔能使我們同時聞到更多的嗅覺分子。這項結果於1999年發表於《Nature》。

幾年之後，印度的研究團隊，藉由老鼠，發現兩邊鼻孔和兩邊耳朵、兩隻眼睛一樣，能辨識訊號（味道）的來源。受過訓練後的老鼠，在叉道上能於50毫秒就選擇出氣味來自左邊或右邊，不管氣味是香蕉、桉樹或是玫瑰，都有80%的正確率。不過研究人員塞住老鼠一邊鼻孔後，牠們似乎就沒辦法辨識氣味的方向。顯然兩邊鼻孔傳送不同的嗅覺訊號到腦部，即使兩邊鼻孔差距不到3公釐遠！

主持這項研究的Upinder Bhalla認為，兩邊鼻孔辨識氣味來源的重要性，應該普遍存在於不同的動物身上，而他的推測後來也在鯊魚及信鴿被證實。不過和其他動物相比，人類對嗅覺的依賴很小，所以很難證實是否人類也能依賴兩邊鼻孔來認出氣味的來源。

參考資料：

• Noam Sobel, Rehan M. Khan, Amnon Saltman, Edith V. Sullivan, John D. E. Gabrieli. 1999. The world smells different to each nostril. Nature. 402.
• Nature News: Rats show off ‘stereo smell’ [2 February 2006]

相關文章：

• PanSci: 家鴿靠鼻子認路
• PanSci: 鯊魚鼻孔裡的雷達