Loading [MathJax]/extensions/tex2jax.js

1

4
1

文字

分享

1
4
1

低生育率的主因並非不生孩子?——人口學家鄭雁馨談少子化

研之有物│中央研究院_96
・2022/02/21 ・5536字 ・閱讀時間約 11 分鐘

本文轉載自中央研究院研之有物,泛科學為宣傳推廣執行單位。

  • 採訪編輯|劉芝吟
  • 美術設計|林洵安

從婚育文化看臺灣的低生育率

1950 年代,臺灣每位婦女平均生育數曾高達 7 人,但近年生育率卻呈現雪崩式下滑,一再探底。為何生育率好似青春小鳥,一去不回頭?「研之有物」專訪中研院社會學研究所鄭雁馨副研究員,她透過數據與生育指標指出,臺灣生育困境並非來自年輕夫妻只生一胎,而是因為未婚人口持續上升,低生育率的背後,與東亞的家庭和婚育文化密切相關。

重視家庭、強調傳承,東亞生育率為何持續探底?

「新生兒再創新低」、「生育率全球最低」,臺灣生育率警訊年年登上新聞。多年來,政府從育嬰假、生育津貼、第二胎獎勵等各式政策輪番端上桌,但生育數據卻似乎鐵了心,一去不回頭。

年輕人為什麼不生孩子了?許多人直指低薪、高房價、工時過長,中研院社會所副研究員鄭雁馨則把焦點轉向文化與傳統價值,她直言:「經濟結構有它的影響力。但我認為,放到東亞文化脈絡來看,低生育率和家庭性別文化脫不了關係。」

-----廣告,請繼續往下閱讀-----

在美國主修社會學與人口學的鄭雁馨,五年前開始投入生育議題的量化研究。她發現過去三、四十年,臺灣的家庭模式經歷劇烈變化,晚婚日趨普遍、同居逐漸不再是禁忌,但同時許多傳統價值依然延續,例如香火傳承、孩子必須在婚姻關係中出生。

鄭雁馨運用戶政資料和社會調查進行人口研究,爬梳數據背後的婚育圖像,試圖從更廣泛的文化視角,探究低生育率的根本構成。

「臺灣與東亞各國的狀況非常相似,經濟發展已高度現代化,但父權文化和家庭主義盛行,長輩對年輕人成家仍有很強影響力。我們需要從東亞文化的角度出發,來分析生育率議題。」

鄭雁馨在美國主修人口學,她指出臺灣有許多棘手而迫切的人口學議題,但缺少專門獨立的人口學訓練系統,政府和國家機構也沒有投入大型研究,是目前亟待補強的研究領域。圖/研之有物

平平都是生育率,有什麼不一樣? 拆解 PTFR、CTFR

東亞家庭與性別文化,交織出臺灣特殊的生育圖像。一大特色是:相較於西方多數國家,臺灣的生育率持續走低,沒有「回血」的跡象。

-----廣告,請繼續往下閱讀-----

媒體報導常提及的探底生育率,指的是「時期生育率」(Period Total Fertility Rate, PTFR)。以 2020 年為例,計算方式是:將 1971-2005 年次各年齡的女性生育率加總起來推算,如果女性依循這一系列年齡別生育率,度過可生育階段(15-49 歲)後會有幾個孩子,以此推估婦女一生的平均生育數。

這項指標方便快速,能立即呈現生育景況,不過也有盲點。由於計算方式混合了 35 個世代,一旦社會急速變遷,大量女性晚婚晚育,讓 15-30 歲的生育率明顯大幅下降, PTFR 便會被低估而失真。

「PTFR 適合用來比較全世界的生育概況,描繪出鉅觀的圖像。但是若一個社會經歷劇烈變化,要精準地分析生育狀況與診斷低生育率成因,世代生育率(CTFR)是比較可靠的指標。」

「世代生育率」 (Cohort Total Fertility Rate, CTFR )不受生育步調的影響,但必須等到女性年滿 49 歲 (或至少滿 45 歲) ,才能計算出同一世代的女性實際平均生育數。

-----廣告,請繼續往下閱讀-----

當女性地位提升後,開始大量接受高等教育、進入職場,生育年齡因而逐步後延,會讓時期生育率(PTFR)顯著下滑⸺這是已開發國家都曾走過的路。例如, 20 世紀瑞典生育率從 3.6 到世紀末腰斬至 1.5。不過如同少部分高生育率的西方國家,瑞典 CTFR 一直維持在平穩的兩個小孩,PTFR 雖然看似下降,CTFR 卻能撐住在替代水準,主要是那些「行程 」延後的瑞典女性最後都有加入生育行列 。

這個現象來到東亞,卻明顯不存在!

比對臺灣這兩項生育率指標,自 2000 年初以來,PTFR 已近二十年低於 1.5,香港、南韓和日本同樣低迷,始終看不到生育率回補逆轉。進一步觀察 1950-1979 年出生者的 CTFR,東亞是全世界極少數持續下滑的地區。

主要原因是:15–30 歲延後未發生的大量生育率,在 30–45 歲回補力道不足,造成 PTFR 和 CTFR 雙雙下跌。其中關鍵,便在於日益增多的各年齡層未婚人口!

-----廣告,請繼續往下閱讀-----
單看時期生育率,臺灣 1985 年已跌至 2 以下;但世代生育率一直到 1965 年世代才低於 2 人。PTFR 呈現的只是單一時點的生育概況,必須同時檢視真實世代的 CTFR,才能分析低生育率的形成主因。圖/研之有物(資料來源│鄭雁馨)

年輕夫妻不想生?低生育率關鍵:未婚人口越來越多

「 同時參照 PTFR 和 CTFR,才能掌握低生育率的真實結構,進一步分析為何臺灣或東亞生育率無法回補。 」鄭雁馨強調。

在東亞各國,未婚人口對生育率的影響異常關鍵,因為東亞的一大婚育特色是:孩子必須出生在婚姻關係中。以臺灣來說,非婚生育僅 2~4%,數十年不動如山。獨特的「婚育包裹」文化,讓不結婚幾乎等同不會生孩子,因此分析世代總生育率(CTFR)、並對照未婚率,便能拆解生育率的結構。

那麼比對數據,究竟是「誰」不生孩子了?

1965 年之後出生的女性,同一世代生育率開始低於兩人。然而,一直到近年,已婚婦女的平均生育數依舊達到兩人,世代生育率下滑,其實是因為越來越多人沒有結婚。以六年級中段班(1975 年出生)為例,世代生育率為 1.6 人,但已婚人妻平均生育兩名子女,細究來看,原因是有 20% 未婚女性。

-----廣告,請繼續往下閱讀-----

「 一窩蜂只關注時期生育率(PTFR)超低,很容易陷入盲點,通通鎖定在『大家不想生孩子』。實情是,多數夫妻婚後都會生育,甚至逾七成生到兩胎以上。」

換言之,低生育率的關鍵密碼並非不生孩子,更可能是:還沒結婚。

當越來越多人不只晚婚,且最後根本沒有走入婚姻,在東亞文化背景下,也意味著關上了生育大門,西方常見的生育率延後回補,因此失靈。

翻倍增加的單身男女

1980 年代以前,「不結婚」這個人生選項鮮少出現。若三字頭還是孤家寡人,左鄰右舍、叔伯阿姨早已爭相出手牽紅線。 當時,40 歲仍未婚的比例不到 5%。

如今,大齡單身男女不再鳳毛麟角, 45-49 歲仍未婚的比例已近二成。鄭雁馨參與的國際研究團隊從模型推估,到了 2050 年,臺灣 40-49 歲男性未婚比例很可能將超過 30%、女性超過 25%。換言之,假設非婚生育仍不被主流文化接受,幾乎也就預告了生育率一路下滑的劇本。

-----廣告,請繼續往下閱讀-----

想要打破冰凍三尺的生育率,進一步理解這些未婚者的生命狀態,至關重要。「如果因為負擔不起成家壓力,提升薪資水平、生育補助或許有效;如果多數人是不婚主義,經濟政策自然無濟於事。」

未來數十年,東亞單身人口預估會持續攀升,翻倍增加。臺灣和韓國幾乎是一路走高;日本因為工業化更早,女性婚育延遲、未婚的現象,比其他國家更早出現,因此數據預估較持平。圖/研之有物(資料來源:Demographic Change and Increasing Late Singlehood in East Asia, 2010–2050

為何她/他們還沒結婚?傳統婚育的壓力

結婚不好嗎,為什麼這麼多人選擇另一條路?他們是堅持不婚?渴望成家卻找不到另一半?受限經濟壓力不敢「婚頭」?或者,想有孩子但不想結婚?

臺灣社會變遷調查來看,越年輕的世代,越傾向不把婚姻視為人生必選題,認同「未婚也能幸福和享受生活」的比例呈上升趨勢,「敗犬」標籤慢慢被「一個人也很精采」取代。

然而,許多單身者其實並非是不婚主義者。根據 2013 年主計處調查,未婚女性裡學歷越高、結婚意願越強,而且 45-49 歲仍有兩成考慮成家。那麼,她們單身的原因又是什麼?

-----廣告,請繼續往下閱讀-----

除了學生族群以外,「尚未遇到適婚對象」在各年齡、學歷都壓倒性勝利,尤其以大專以上最明顯。顯然,並非徹底拒絕結婚,而是難以找到共度人生的「牽手」,是不少單身女性的難題。雖然結婚和生育是兩個人的事,但弔詭的是:社會調查很少詢問男性未婚的原因,所以其生命處境是否與女性相似,仍亟待研究。

學歷越高,越不想結婚?實證調查結果恰恰相反。女性以高學歷者的結婚意願最高,但她們也是遇不到適婚對象的最大未婚族群。圖/研之有物(資料來源:鄭雁馨

「許多人傾向結婚,但沒有找到合適對象。關鍵在於社會高速發展後,新世代對婚姻、家庭角色的期待轉變,而與傳統文化發生衝突,這就形成了婚育配對的困難。」鄭雁馨分析。

半世紀以來,臺灣的政治、經濟飛躍性成長,躋身先進國家。女性的教育、就業與社會成就,不斷突破傳統限制,公領域裡女力崛起,但目光移轉至家庭與文化價值,傳統父權力道的鬆動遠不如預期。

拚兒子是其中一個例子。

在臺灣胎次越高,新生兒性別比例的失衡越嚴重。當媽媽拚到第三、四胎,經常承受非男孩不可的香火壓力,「性別篩選」成為不能說的秘密。對照 2006 年與 2016 年東亞社會調查,儘管已相隔十年,臺灣男性認為「至少要生下一個兒子來傳宗接代」,始終有堅定不移的 44% 。

家務分工是另一個東亞共同性別文化。時至今日,臺灣婦女依舊負擔近八成的家務,家事、小孩一肩扛。但即便丈夫想共同育兒,性別環境的土壤也未必足夠厚實。

北歐廣泛使用的雙親育嬰假,移植到臺灣,2017 年統計 76% 媽媽申請育嬰假,但爸爸僅 8%。除了傳統文化通常預設母親是優先照顧者,兩性的薪水差異,也讓爸爸休假帶孩子,必須同時承受經濟成本與傳統文化的雙重壓力。

「我們的性別平等改革,在教育、就業率表現很高。相對來說,文化層面的變化沒那麼明顯,包括婚育、家庭關係,這是東亞文化圈的共性。」鄭雁馨分析。

因為家庭關係緊密,長輩對下一代婚姻具有高度影響。新好媳婦除了上網「靠北婆家」,回到現實世界,多半仍得努力和長輩們磨合。這也意味,在講求孝道與家庭主義的社會,家庭內的傳統性別文化更難動搖。

種種盡在不言中的文化規範,交織出一片無形的婚育壓力,也形成兩性對婚姻家庭的期待落差。

對高社經背景的女性而言,走入家庭、養育照顧孩子,要付出比男性更高的機會成本,可能間接延緩兩性結婚的時程。

大齡女子想結婚?沒那麼容易

走入婚姻,需要直面傳統文化壓力,但單身者卻也可能被同一套價值,無情拒於門外。

鄭雁馨研究發現,二字頭的未婚男女,未來結婚的機率兩性相差不大;但若到了 35-39 歲,往後十年,女性結婚的機率就遠比男性下降許多。

研究突顯了殘酷的社會現實:

在婚姻市場裡,大齡是女性的「被扣分項」。背後不僅隱含父權文化對性別角色、形象的期待,另一個關鍵原因仍是生育——好不好生、生得好不好,經常被歸責在母親身上。

鄭雁馨直言:「十幾年來,我們的公衛體系依然不斷強調『34 歲以前是黃金生育年齡』,而且主要針對高齡女性。但現實是,整個社會有一半女性 (和男性)此時還沒有進入婚姻,但她們已經被貼上不好生的標籤。」

隨之而來,也是她們在婚姻市場上將面對的歧視與擇偶困境。事實上,高齡生育風險不僅存在女性身上,越來越多流行病學研究也指出高齡爸爸對母親生育的影響,但我們的社會選擇忽視後者而強調前者。

35 歲以上才晉升新手媽媽的比例快速竄升,2016 年已突破 25%。當晚婚、晚育成為常態,35-45 的女性勢必將成為臺灣的生育主力,這也考驗公衛與醫學體系是否能因應變遷,提供足夠的檢測照護與論述支持。圖/研之有物(資料來源:鄭雁馨

更多實證研究,更友善彈性的婚育文化

當社會結構急速轉變,家庭與文化價值變動緩慢,齒輪時不時被卡絆,凍結的人口成長有機會回溫嗎?

「我們必須認清,人口萎縮是必然的。」鄭雁馨認為,生育率下滑已非一日之秋,現階段只能減緩速度。綜觀來看,已婚夫妻的生育狀況並不悲觀,了解結婚率下滑的原因是較直接的目標。但相較於日本早已進行系統性研究,臺灣對未婚圖像的掌握始終蒼白貧乏。

「如果高生育率奠基於昔日女性必須犧牲受教和就業權,人生只有育兒持家一個選項,那當代的低生育率或許沒什麼不好。」鄭雁馨直言:「但如果很多女性想成家卻無法實現,政策應該更努力解決,包括未婚而想當父母的人,我們能否有更彈性開放的思維,達到生育自主。」

有多少人渴望成家?有多少人因為低薪高房價,不敢組成家庭?又有多少單身者只想要孩子?更多細緻的實證研究,是思考生育政策的重要基礎。

持續推動友善、支持婚育的性別平權社會,更是根本。「歐洲經驗告訴我們,家戶內的性別平等如果沒有跟上,整體生育率就很難提升。」鄭雁馨這麼說,

「育兒需要成為一整個村莊、社會、國家的事,而不是女性理所當然的天職。」

延伸閱讀:

-----廣告,請繼續往下閱讀-----
文章難易度
所有討論 1
研之有物│中央研究院_96
296 篇文章 ・ 3654 位粉絲
研之有物,取諧音自「言之有物」,出處為《周易·家人》:「君子以言有物而行有恆」。探索具體研究案例、直擊研究員生活,成為串聯您與中研院的橋梁,通往博大精深的知識世界。 網頁:研之有物 臉書:研之有物@Facebook

0

1
0

文字

分享

0
1
0
拆解邊緣AI熱潮:伺服器如何提供穩固的運算基石?
鳥苷三磷酸 (PanSci Promo)_96
・2025/05/21 ・5071字 ・閱讀時間約 10 分鐘

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。

-----廣告,請繼續往下閱讀-----

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。

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。/ 圖片來源:MotionArray

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)」!

-----廣告,請繼續往下閱讀-----

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。

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。

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。/ 圖片提供:研華科技

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。

-----廣告,請繼續往下閱讀-----

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。

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。/ 圖片來源:MotionArray

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)。

-----廣告,請繼續往下閱讀-----

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。

-----廣告,請繼續往下閱讀-----

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。

-----廣告,請繼續往下閱讀-----
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。/ 圖片提供:研華科技

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

-----廣告,請繼續往下閱讀-----
-----廣告,請繼續往下閱讀-----
文章難易度

討論功能關閉中。

0

4
0

文字

分享

0
4
0
【水獺媽媽專欄:從日常學永續】食物浪費了怎麼辦?沒煮完的食物又要壞掉了!
PanSci_96
・2022/09/10 ・747字 ・閱讀時間約 1 分鐘

爸爸媽媽總是常常告訴我們:「不要浪費食物」、「吃不完倒掉很可惜」,但是你可知道,售出的食物最浪費的地方在哪裡?餐廳?商店?家庭?

根據聯合國糧食及農業組織(簡稱 FAO)統計,2019 年賣給消費者的食物中,有 11% 的浪費在家庭,佔最大比例,其次是餐廳的 5%,最後是商店的 2%。

沒猜到吧?食物浪費最常發生的地方竟然在家裡!

在所有被浪費的食物中,家庭是最大宗的來源。圖/水獺媽媽提供

但明明餐桌上的食物都有吃完,到底「浪費」在哪裡呢?

回想一下自己有沒有過這樣的經驗,興致勃勃採購了新鮮食材放進到冰箱,結果它們的存在就默默被遺忘,直到過了保存期限才再度出現……。或是看到買二送一、第二件五折、大分量包裝的即食品或零食,然後就買了超出實際需要的食物,是不是很多人發生過這些事情呢?

-----廣告,請繼續往下閱讀-----
食物買太多、煮太多、放太久,都有可能造成食物浪費。圖/水獺媽媽提供

不管是買太多、煮太多還是放太久,都形成了剩食,而剩食的下場,常常是被直接丟棄,我們當然不是故意買食物來扔掉,但是全球每天被丟棄的食物卻是非常可觀。

餐廳和商店則大都會量入為出,精準控制食材供需量,以避免成本浪費。相對的,我們也應該對家裡的吃有所規劃,才不會造成無謂的浪費。

減少剩食,從我們自身做起,除了儘量吃完食物,還要一起多留意烹煮的份量,幫忙檢查食物存量、適量地採購,這些都是我們日常中就可以做出的愛地球表現!

適量採買食物、定期整理冰箱,都可以有效減少剩食。圖/水獺媽媽提供
-----廣告,請繼續往下閱讀-----
PanSci_96
1262 篇文章 ・ 2411 位粉絲
PanSci的編輯部帳號,會發自產內容跟各種消息喔。

1

7
6

文字

分享

1
7
6
想教導孩子,提升數學成績?關鍵在於父母的心態!
數感實驗室_96
・2022/04/19 ・1615字 ・閱讀時間約 3 分鐘

孩子還在小學階段時,爸媽如果時間允許,多半會幫忙看看孩子的功課。有些父母特別認真,會陪孩子一起寫回家作業。照理來說,有父母的客製化指導,理當成績會有所進步。然而,幾年前有一項研究發現一件殘酷的事實:某些父母花越多時間指導,孩子的數學成績反而越差。

適得其反的數學陪伴研究中這麼說:「在缺少 XXX 的前提下,儘管父母立意良好,願意指導孩子寫作業,但這項舉動卻適得其反(backfire),對孩子的數學成就有著負面影響。」

這個 XXX 就是「對數學的正面態度(positive math attitude)」。用更學術一點的說法就是,這些父母患有數學焦慮,例如害怕、討厭、認為不實用等等對數學的負面態度。

研究結果說明什麼?

研究針對四百多組低年級家庭,進行長達一年的調查,包括學年初、學年末孩子的數學成績比較,以及學年中調查家長的數學焦慮程度。後者有幾套常用的問卷,如果大家有興趣的話歡迎留言「+1」,之後我們再來將幾套問卷翻譯給大家。

-----廣告,請繼續往下閱讀-----

研究發現,當父母有嚴重數學焦慮時,父母越幫助孩子寫回家作業,孩子成績會越差。

研究發現,父母花越多時間指導,孩子的數學成績反而越差。圖/數感實驗室

這邊的 y 軸「預期一學年的數學成長」即是字面上的意義,1.0 表示學了一學年,也具備了一學年該累積的數學能力,0.8 則表示只有學到 80% 的能力。可以看見,如果父母有嚴重的數學焦慮,認真教了孩子一年,孩子卻只能學到六成。諷刺的是,這些父母不幫孩子看作業,孩子的成績還比較好。跟同樣不怎麼教,父母也沒有數學焦慮的孩子差不多。

挖掘背後的原因

明明小學數學難不倒爸媽,為什麼會有這種讓人喪氣的「越教越差」結果呢?研究發現,這可能是因為數學焦慮的父母在不經意間作了以下幾件事:

  1. 讓孩子感受到自己討厭數學、認為數學沒用等想法。這些由父母傳遞出來的負面態度會讓孩子失去動力(demotivate),從而減少學習的心力、時間。學得比較少,容易表現不佳,表現不佳,接著孩子便也開始對數學感到焦慮。
  2. 當孩子表現不好時,有數學焦慮的父母容易較沒耐心,或流露出挫折感。這其實不一定針對孩子,有些只是連結到自己過去的學習經驗。但,這樣的態度對孩子來說可能是種無形的懲罰。
  3. 當父母有數學焦慮時,比較傾向使用固定的思考模式與解題策略,如果跟學校老師的解法不同,但雙方又各自堅持己見時,孩子就會感到困擾。

不需要放棄與孩子互動

老實說,這項研究結果還真是有些令人喪氣,明明是為了孩子好,到頭來卻好像害了孩子。「我可能也有數學焦慮,那以後我還是不要教孩子好了。」或許有爸爸媽媽此刻已經這麼想了。從研究結果來看這樣或許會有幫助,而且還落得輕鬆,可這終究是比較消極的做法,我相信原本就願意花時間陪孩子寫作業的爸媽,應該會希望能有更積極的應對。

答案也不難,其實就是只要我們為人父母不害怕數學,能對數學具備正面、積極的態度,或是在教導孩子時,能先具備一些簡單的教學知識,引導技巧。這樣應該就能避免越教越差的狀況。更重要的是,往好方面想,這項研究至少有可能打破了一項迷思:

-----廣告,請繼續往下閱讀-----

數學不好不一定是「遺傳」,更有可能是後天不經意的互動所造成的負面影響。

只要是後天因素,就是我們能一起克服的。之後,我們將分享更多幫助爸媽與孩子互動數學的小技巧,與更多有價值、有趣的研究成果!

只要抱持正面、積極的態度教導孩子,就能避免越教越差的狀況。圖/Pexels
-----廣告,請繼續往下閱讀-----
所有討論 1
數感實驗室_96
76 篇文章 ・ 50 位粉絲
數感實驗室的宗旨是讓社會大眾「看見數學」。 數感實驗室於 2016 年 4 月成立 Facebook 粉絲頁,迄今超過 44,000 位粉絲追蹤。每天發布一則數學文章,內容包括介紹數學新知、生活中的數學應用、或是數學和文學、藝術等跨領域結合的議題。 詳見網站:http://numeracy.club/ 粉絲專頁:https://www.facebook.com/pg/numeracylab/