聰明的隱形眼鏡，替眼睛做健康檢查！

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／ 王清泓醫師
• 本文轉載自 Care Online 照護線上《青光眼來襲，多數沒自覺！正確診斷不只測眼壓，眼科醫師圖文解說》，歡迎喜歡這篇文章的朋友訂閱支持 Care Online 喔

青光眼的病因有許多種，因此表現也十分多樣化，但它們又會造成近似的視神經傷害與視野變化，因此被歸類在「青光眼」的診斷。臺大醫院青光眼科主任王清泓醫師提醒，多數青光眼病人是沒有自覺症狀，唯有靠定期的眼科檢查，才能早期發現。

眼壓會變動，每人不一樣

王清泓主任說明，眼壓是青光眼重要的風險因子，它的高低會影響青光眼是否會持續惡化，因此眼壓測量是青光眼檢查的重要項目之一。

眼壓值要多少才正常呢？簡單來說，臺灣人正常眼壓值約在 10 到 20 毫米汞柱間，但是有一群人，他們的眼壓高於 20 毫米汞柱，可是其中 90% 的人，可能一輩子都不會發展成青光眼。這些人我們稱之為「高眼壓症」；相反的，另一群眼壓都在正常範圍內的人，他們的視神經、視覺功能卻一直惡化。有人稱這些人是「正常眼壓或低眼壓性青光眼」。

由此可以知道沒有一個放諸四海皆準的眼壓正常值，因為每個人視神經可以承受的壓力是不一樣的，病人也不需要因為今天的眼壓比上次高些，而心驚膽跳，寢食難安；但也不可以因為眼壓在正常範圍而輕忽了治療的必要性，更不要透過參考他人眼壓來揣測自己的病情。

王清泓主任表示，目前使用的眼壓測量方法，都是透過角膜（黑眼球的部份）測得，角膜的厚薄會影響眼壓的測量。角膜較厚，測出來的眼壓可能會被高估；反之角膜很薄，測出來的眼壓可能被低估。接受過雷射近視手術的病人，因為角膜厚度被削薄，眼壓測量值可能會被低估，因而降低病人及醫師對青光眼的警覺。

另外眼壓也會有晝夜變化，每個人的生理曲線都有所不同，在門診時間所測量的眼壓，往往不是病人最高的眼壓，因此病人要了解，眼壓高低只是評估青光眼的一個重要風險因素，必須合併其他病情，才能做出正確的診斷與治療。

青光眼可能導致視神經盤的凹陷擴大

王清泓主任提到，視神經聯繫眼睛內的網膜神經節細胞和大腦視覺中樞，視神經纖維成束聚集後，穿出位於眼球最後部的開口，而奔往大腦傳達訊息，這個眼球後部的開口就是我們所稱的視神經盤。沒有被神經纖維填滿留下的視神經盤空間我們稱之為視神經杯，或視神經凹陷。

不論是正常人或視神經有異常的人，絕大多數的人視神經盤都有凹陷，但是青光眼病人視神經盤的凹陷，會隨病情而增大或表現出特有變化。經驗豐富的眼科醫師用眼底鏡及細隙燈生體顯微鏡檢查，多數就可以篩選出青光眼的可疑病人，要更進一步確定，可以利用眼底攝影和近十年來發展的定量測量視神經纖維儀器。

進行視野檢查評估視野缺損

王清泓主任解釋，青光眼病人的神經細胞要損失 40% 以上，才會出現視野變化，多數視野缺損是從週邊先發展出來，再慢慢侵犯到中心，最後危及視力。因此病人自己不容易早期察覺，何況兩眼視野有相當大部分互相重疊，當只有一眼有問題時，更不容易自己發現，只能依賴眼科定期檢查，才能早期發現。

視野檢查只是青光眼追縱和治療的一部份，並不是青光眼最找早期的診斷方法，但是它協助醫師對病情基礎的建立，判斷是否惡化，擬訂或修改治療方針方面，還是很重要，並可幫助和其他疾病並作鑑別診斷。

王清泓主任補充道，我們也稱青光眼是一首三部曲，先有視神經病變，再導致視野變化，最後才造成視力的衰退及失明。因為視神經是青光眼最早有變化的部分，所以觀察視神經的變化就是診斷青光眼最重要的步驟。而長期追蹤時，視神經、視野、視力的檢查各具有不同重要性，要看病況是屬於早期或末期而定。

• 本文轉載自 Care Online 照護線上《青光眼來襲，多數沒自覺！正確診斷不只測眼壓，眼科醫師圖文解說》，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

• 作者／王清泓醫師
• 本文轉載自 Care Online 照護線上《眼壓正常，視野卻持續惡化！青光眼來襲，不能靠感覺，治療要及時》，歡迎喜歡這篇文章的朋友訂閱支持 Care Online 喔

聽到青光眼，大家都會想到眼壓高，然而有些人量到的眼壓正常，但視野缺損卻持續惡化。臺大醫院青光眼科主任王清泓醫師分享，有位五十五歲家住南投山區的林太太（化名），每次回診林太太測得兩眼眼壓都大約 10 毫米汞柱，遠低於一般所謂的正常眼壓，但是她的右眼視野卻持續惡化。

確定點藥的方法、頻率與時間都遵照醫囑之外，也排除腦部或其他視神經病變的可能和全身性疾病，諸如；血壓、血糖、血脂肪等因素。於是醫師建議她購買可以在家中測量的眼壓計。

某天林太太吃晚飯後量得眼壓是雙眼5 毫米汞柱，比平時門診測得更低，但是第二天清晨剛醒來時，測得右眼眼壓 30 毫米汞柱，左眼 25 毫米汞柱，看到結果林太太大吃一驚，所幸後來醫師找到她視野惡化可能的原因。

每個人眼壓不相同，且會隨晝夜變化

王清泓主任解釋，林太太的經驗告訴我們，眼壓是有晝夜變化的，在青光眼病人身上尤其顯著，一般人通常眼壓最高的時候是在清晨、剛醒來的時候，這時候通常病人不會出現在門診就診，就診時眼壓通常已經從最高點降下來。

換句話說，一天當中最高的眼壓值，有三分之二的機會是發生在門診以外的時間，若不了解這生理現象，看到測得的眼壓值而自滿，不按照醫囑點藥，病情也就容易惡化。但這不意謂每個人都要緊張兮兮隨時觀察自己每分每秒的眼壓變化，只有病情惡化的人，我們才需要去做這特別的觀察。

王清泓主任另分享，有位六十二歲的趙先生是個十分成功的經理人，就診時坦承二十年前就診斷是青光眼，但他並不以為意，未曾接受治療。直到最近十個月，他發覺視力漸衰，驚覺事態嚴重，才開始進行治療。王清泓主任提到，多數青光眼病患，長時間多自我感覺良好，等到覺得不對勁時，大概都瀕臨失明的威脅了。

青光眼易忽略！定期檢查積極治療很重要

青光眼具有進行緩慢的特質，影響的視野又都從週邊先來，最後才影響中心視野和視力，這也是一般青光眼病人易輕忽，不願意好好接受醫囑治療的原因。

王清泓主任分析，青光眼的病人為什麼會失明？因為多數病患沒有自覺症狀，而病情進行緩慢，所以不會主動求醫。

若有醫師告知診斷，病患通常也是半信半疑，不肯好好接受治療，而延誤病情，終致視覺功能嚴重受損，無法自主生活。但是也因為青光眼緩慢進行的特質，若及早診斷，接受正確治療，絕大多數青光眼病患終其一生，都不必擔心失明，或行動乃至於生活受限。

• 本文轉載自 Care Online 照護線上《眼壓正常，視野卻持續惡化！青光眼來襲，不能靠感覺，治療要及時》，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