還記得上課傳紙條的滋味嗎？——《池塘怪談》完整復刻千禧年，喚醒你荒誕的青春！

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

這集來分享學生必學的 AI 工具與操作！

本來是想做寫作業的 AI prompt，但肯定會被罵翻……因此這次聚焦在如何用 AI 協助整理筆記、職涯探索、製作歷程檔案等事情上。

廢話不多說，讓我們開始吧 ！

最後，附上本支影片的學習懶人包：

如果你有更多想要學習的操作技巧，歡迎在下面留言跟我們敲碗～有其他想要看的 AI 測試或相關問題，也可以留言分享喔！

更多、更完整的內容，歡迎上泛科學院的 youtube 頻道觀看完整影片，並開啟訂閱獲得更多有趣的資訊！

• 作者： 吳姵瑩

本文摘錄自《不願放手的父母，過度涉入的你》探討有關個人界限、家庭關係對個人造成的影響。本文著重討論家庭中常扮演重擔的「小大人」角色。

有一天，課程上的學員 Peggy 在自我探索時，發現自己身上有小大人的角色。她問我：「老師，我真的有這個角色嗎？可是我承認這個角色真的好嗎？」

親愛的，困惑、猶豫的感受，在自我探索中很常發生。我們都會在面對自己真實的感受時，感覺到強烈的恐懼和不安；因為這就像是一股指責父母的壓力，似乎因為父母不盡職，而讓你背負某種責任和壓力。

你會一直要自己替別人著想，自我催眠：「能力好就責任大，因為我是家中的長子／長女，所以我承擔責任是應該的，長子如父、長女如母，這本來就是理所當然的。」

可是這個小大人的角色，有時候會是一輩子的，它除了犧牲你的童年，還可能會一路挾持你的青春歲月到終老。有的小大人會以為：只要我的弟弟妹妹都開始工作，也許就能解脫了，但事實往往不然。

家庭的問題，老大是被期望的「小大人」

Peggy 年近六十，和先生兩人都已退休。她工作了一輩子，開始希望能享清福，但卻發現自己並不快樂，有很多照顧的責任和壓力。她有一個快九十歲的老母親，還有事業有成，卻還是「需要幫忙」的弟弟妹妹。甚至遠在歐洲的妹妹一通電話打來，她就會拋家棄子地飛過去幫忙。

「我有時候覺得自己是所有人的媽媽：老公的媽媽、孩子的媽媽、媽媽的媽媽，甚至也是弟弟妹妹的媽媽……」

她有點無奈地說著，話語中卻帶著一絲絲驕傲，像在說著有很多人需要她，她還是精力旺盛，即使六十歲了也還是很有功能。

但是，這個小大人的形成，背後卻有著強烈的委屈和辛酸。

「我印象好深刻，小學三年級的時候，我放學後跟同學在公園裡玩遊戲玩得很開心，晚了半小時回家；回家後媽媽很生氣地甩了我一巴掌，痛罵我一頓。確切的內容我已經忘記了，只記得自己覺得做錯事，還有媽媽說的那句話：『妳知道家裡有多少張嘴巴等妳吃飯嗎？』以及轉過頭時，弟弟妹妹無助的眼神。」

她在那瞬間忘了自己的委屈和無助，只留下巨大的罪惡感和責任感。她也明白：從那一刻起煮飯、照顧弟妹，還有盯他們的功課都要由她一手包辦，她不再擁有童年。

父親後來得知這件事，只淡淡地說了一句：「小孩子就想玩，讓他們晚一點吃飯有什麼關係。」但似乎也於事無補，因為父親實際上沒幫上任何忙。她繼續忙碌做事，只為了讓母親開心和安心。

在 Peggy 的父母關係中，母親其實是孤單且不被理解的。

在農業時代，做媳婦的總是要張羅許多事情；但每次做決定後，先生卻都是淡然又不以為意，只覺得太太把很多事情放大檢視，只想息事寧人，自己卻不一定幫得上忙。失望的母親只能將期許或擔憂分配給孩子，也愈來愈少向自己的先生求助，轉而開始在大女兒身上找寄託。

被「責任感」淹沒，又害怕不再被需要

Peggy 是家中最早懂事的孩子，即使一開始對自己不能跟同齡孩子一樣玩樂有所埋怨，也總是羨慕身旁年齡相仿的孩子可以自在享樂，也可以只專注於自己的學業；但終究，她還是會覺得自己的辛苦跟母親的苦比起來根本不算什麼。

自此，即使年齡和歲月增長，她依舊對弟妹的事情一手包辦，弟妹也將一切視為理所當然，需要幫忙的時候才會想到姊姊。先生經常為此對她感到憤怒，因為她總是為了弟妹而丟下先生。在先生終於跟她大吵、要求離婚時，她才真正意識到自己的多重角色，並開始正視這件事。

親愛的，從家族系統的角度來看，「小大人」的角色已經讓家庭結構失衡。在早期的環境裡，有許多不得已的因素讓長子／長女成為超級照顧者；但到了一定年紀，就應該要讓自己卸除這個角色。

然而，困難之處就在於：「我很怕自己不再被需要」、「我不忍心不去幫他們，放他們變成那樣」、「如果我不去做，我媽一定會說『妳這個姊姊是怎麼當的』」等等，諸如此類的自我內言。

過度負責的傾向，加上渴望被認可和需要的習性，讓「小大人」們難以從這個角色中跳脫，而容易被他人言語使喚甚至勒索。

你往往會很容易感到內疚，會因為過往發生的某次（或不只一次）家庭事件，而學會用照顧與順應性高的特質來保護自己、掩蓋自己心中真實的想法和渴望。

即使事過境遷，你已經不再需要當小大人，可以真正傾聽內心聲音，還是會有回不去的感受—─因為在你心中，仍存在著一個被禁錮的孩子。

永遠無法突破「能者過勞死」的窘境？

當一個孩子長期穿戴保護機制，也就是扮演小大人的角色，其實會違反孩子發展的狀態。

玩樂能刺激成長的過程，並豐富孩子的內在創造力；當孩子不能真實做自己，就會出現許多否認機制，包括：否認自己、否認內心感受，甚至是否認認情感連結與關係。所以就算有許多人圍繞在身邊，你仍會感覺到空虛與空洞，因為你並沒有真正接觸到自己，更沒有真正被理解。

然而，基於關係的互補性，愈是能幹負責的人，身旁就愈容易環繞失功能又看似脆弱無助的大寶寶，或者難以對自己行為負責又任性的小孩。

因此，你便容易在一邊付出、一邊感覺被需要而滿足的同時，因他們視一切為理所當然而感到憤怒，或者指責他們不知感恩；卻又在他們需要你的時候，馬上飛奔過去。

孩子有時也會成為夫妻關係互補性中的補償。當太太總覺得有事要發生、總是想要未雨綢繆，先生卻總覺得那沒什麼、沒什麼好大驚小怪的。久而久之，這個家就似乎是太太在操持。

當太太過於勞累又缺乏支持，孩子就會一躍而入成為支持與協助母親的角色，補償家庭裡失衡的關係結構。

所以，你該怎麼做呢？

盡力成為最好的自己

請讓自己時時保持自覺。我們的確不可能把所有的角色都當好，所以時常傾向當我們最習慣、最有成就感，或是得罪最少人的角色。因此，有可能出現一些弔詭的現象，例如：努力當好「姊姊」，而忽略了「妻子」的角色。

也因為，我們讓自己困在那個想要玩樂的孩子的罪惡感中，因此不管被使喚，或感覺被勒索，都是因為我們的情緒早在童年就被挾持，讓我們無法放過自己、不允許自己有一絲懈怠。因為真正讓你恐懼的，就是再度籠罩在小時候那無助的罪惡感中。

當你可以看向自己，看向這已經長大的孩子，同時看向弟妹，看見他們都已經成年，你可以不斷提醒自己：他們已經是有能力的成年人，你也不再是需要依靠父母而生的孩子。你不用再汲取父母的認可，來確保自己安全無虞。

有許多人在步入中年後，會開始能夠鬆動身上小大人的角色。大部分原因是，他們終於認知到父母對孩子的需求沒這麼大；或是父母開始能夠彼此相處，因而減少了對孩子的責備與關注力，讓孩子得以獲得「做自己」的空間。

所以親愛的，當你看懂這一切，請你抱抱內在小孩。玩樂向來是孩子的語言，孩子不該因為玩樂被處罰，而是需要被好好理解和擁抱。當你的罪惡感又升起時，請你想想內在小孩的無助，抱抱他並且告訴他：

「你已經很棒了，你不用做這麼多，這不是你的責任，放心吧！」

一次次讓自己更安心，也一次次肯定自己的價值，你最後就能脫離「小大人」的角色。

全文摘自《不願放手的父母，過度涉入的你》，2019 年 5 月，遠流出版