那個月亮，那個喜鵲，七夕的 Google Doodle 看起來不太科學

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

彈跳的鳥類

用雙腳移動時，只有鳥類會使用而人類不會用的動作，那就是彈跳。這種名為彈跳的運動既困難又麻煩，為什麼鳥要這樣子彈跳呢？其實到現在我們還無從得知。

如同前述，彈跳是兩腳幾乎同時一起跳的運動方式。我們常見的鳥，像是麻雀和日菲繡眼這種小鳥就是用彈跳的（圖一），而烏鴉在急的時候也會彈跳。

麻雀是兩腳並用一起跳，但也有兩腳稍微錯開來彈跳的物種。例如巨嘴鴉之類的鳥類身體會微微傾斜，左右腳些微錯開，用「噠噠、噠噠」這樣的節奏來彈跳。這兩種本質上的差異目前還不清楚，不如說彈跳跟跑步的差異也還不清楚，所以步行研究者目前也是束手無策。

歐亞喜鵲這種鳥同時會彈跳也會跑步，但比較兩者的研究顯示，在跑步與彈跳中，腳的運動方式跟肌肉動作幾乎一樣。彈跳跟跑步一樣，是高速移動的方式，活用肌腱像是彈簧的功能來轉換動能跟彈性位能。然後，兩種的差別只有「雙腳交互動作」或是「幾乎一起動作」而已。

※

彈跳和跑步除了腳動的時機以外沒有什麼不同，那為什麼只有一部分的鳥是用彈跳的呢？

這個問題，很遺憾現在的科學還沒有解開，現階段一致贊同的只有：一般認為會彈跳的鳥是相對小型的種類，以及常待樹上的種類。看了許多鳥以後，會發現確實小型的鳥很常彈跳。另外，喜歡待在樹上的鳥則是常用兩腳一起從一根樹枝跳到另一根樹枝上，所以在地上也同樣會用兩腳一起跳躍，這樣說來可能就會覺得可以理解。

但是在樹上彈跳，在地上也還是可以步行不是嗎？不這樣區分移動方式，應該是因為有什麼身體構造或生理學上的理由才對，但這問題至今仍然是謎。

另一方面，小型的鳥喜歡彈跳的理由，如果用「彈跳適合用來高速移動」，可以解釋一部分的疑問。比起小型鳥，大型鳥的步幅更大，一般步行速度也比較快。如果小型鳥想跟大型鳥用同樣速度移動的話，就需要走得很快。像是人類，也很常在路上看到小孩要小跑步拚命跟上大人的走路速度。跟那個狀況相同，小型鳥有使用相對身體尺寸的高速進行移動的必要性。

想像看看會啄食掉落在地面的種子的鴿子和麻雀，如果用同樣密度灑餌，鴿子只要數步就能抵達下一個餌也說不定，但小型的麻雀需要移動相對更遠的距離才能拿到餌（圖二）。這樣一來就需要比較急著移動，這麼解釋或許也很合理。

但是彈跳和跑步如果是同樣的運動，那為什麼不能用跑的呢？「小型鳥比較需要快速移動」這種說明，很遺憾地似乎不能完全解釋為什麼要選擇彈跳。

但這麼簡單的問題，21世紀的科學還無法解釋，真是令人驚訝。

——本文摘自《鴿子為什麼要邊走邊搖頭？》，2023 年 8 月，晨星出版，未經同意請勿轉載。

中國的詩歌有兩大源流：北方的《詩經》和南方的《楚辭》。《詩經》共 305 篇，分為風、雅、頌三部份。風主要是民歌，采自周朝的 15 個封國，所以又稱國風。

國風的15國，包括召南，即現今漢水下游至長江一帶。採自召南的民歌有 14 首，第一首〈鵲巢〉，開篇有這樣的句子

維鵲有巢，維鳩居之。之子于歸，百兩（輛）御之。⋯⋯

〈鵲巢〉是首讚美詩，以鵲（新郎）築好了巢，供鳩（新娘）來居住，比喻貴族嫁女兒的盛大排場。然而，不知何時，頭兩句「維鵲有巢，維鳩居之」，卻演變為成語「鳩佔鵲巢」，比喻坐享其成，或佔據別人的位置。閒話少說，先造個句吧。

整個計劃他都沒參與，最後卻鳩佔鵲巢，把功勞歸為己有，真是豈有此理！

小琳升上副總編輯才兩個月，就不把總編輯看在眼裡，簡直是鳩占鵲巢嘛！

造完了造句，該談談這個成語的科學意涵了。鳩真的會佔鵲的巢嗎？詩中的鳩，指得不是斑鳩（野鴿），而是鳲鳩，也就是杜鵑（又稱布穀鳥、子規鳥）。杜鵑是一種寄生性鳥類，自己並不築巢、孵蛋，而是把蛋下到比自己體型小的鳥類的巢中，被寄生的鳥類竟渾然不知！

當杜鵑的雛鳥破殼而出，眼睛還沒睜開，就會本能的將巢中的鳥蛋或雛鳥推出巢外，讓自己獨占養父母飼育。很快的，牠就長得比養父母還要大，而養父母仍然傻乎乎的一個勁兒抓蟲來餵牠呢！

詩中的鵲，是指喜鵲。喜鵲體型比杜鵑大得多，又很兇悍，杜鵑不會、也沒機會把蛋下到喜鵲的巢裡。那麼詩中為什麼說「維鵲有巢，維鳩居之」？古人或許觀察到杜鵑不會築巢，而喜鵲卻是築巢高手，於是以又大又好的鵲巢作比喻，歌頌男方已為女方準備了一個美好的家。

談到這裡，小朋友或許會聯想起杜鵑花吧。相傳蜀王杜宇被迫禪位，自己隱居山林，死後化爲杜鵑鳥，啼聲淒惻，甚至啼出血來，灑在花上，就化爲杜鵑花。文人反覆引用這個典故，於是杜鵑就有豐富的象徵意義。

到了春季，杜鵑總是「布穀、布穀」地叫個不停，杜鵑花也在這時開花，難怪文人會把兩者聯想在一起了。例如李白詩〈宣城見杜鵑花〉

蜀地曾聞子規鳥，宣城又見杜鵑花；一叫一迴腸一斷，三春三月憶三巴。

七夕是牛郎織女每年一會的浪漫日子。在這麼浪漫的日子，最適合的話題當然是科學了。

多少喜鵲才夠跨越銀河？

牛郎織女在每年的七夕，即農曆七月七日，於鵲橋相聚。所謂鵲橋，就是由無數喜鵲搭建而成的橋梁，牛郎和織女各自從兩邊走到鵲橋中間，浪漫不已。

喂，等等，動保團體都去哪裡了？這不是明目張膽的虐待動物嗎？

稍安毋躁。能夠飛越銀河的當然不會是一般鳥類，可以在真空的宇宙空間中飛行的必定是神鳥啦！神鳥應該不在凡人立法規管的保護範圍內，就算真的要管也是天庭的事吧。

（謎之音：究竟真空中要翅膀有鳥用啊！）（再謎之音：究竟真空為什麼要橋梁啊！）

聽故不要駁故。我們有興趣的是究竟每年一次牛郎織女相聚要勞動多少隻神鵲呢？

假設神鵲的大小與地球上的普通喜鵲相若，而且假設鵲橋只有一層（沒有鵲踏鵲的情況出現），我們就能算出每年天庭需要出動多少隻神鵲。地球上的喜鵲（Pica）有幾個不同的種，其中歐亞喜鵲（Eurasian magpie）身長若 45 公分（其中一半是尾巴的長度）：

那麼銀河呢？在地球上望出去，我們見到的是銀河的垂直切面，因此牛郎織女跨越的其實並不是銀河的闊度，而是銀河的厚度。銀河其實就是我們身處的銀河系的圓盤，擁有千億顆恆星，從銀心到圓盤的邊緣直徑大概 5 萬多光年，但厚度卻只有 1 千光年。

1 千光年即是光線也要飛 1 千年才能跨越的距離，我們就暫且不要深究為何牛郎織女能在一個晚上橫跨這個距離了。光速等於每秒跑 299,792.458 公里，因此 1 千光年就等於 9,454,254,955,488,000 公里。神鵲排排隊，1 公里就能排 222,223 隻。所以，我們需要 9,454,254,955,488,000 × 222,223 = 2,100,952,898,973,409,824,000 隻神鵲才能橫跨 1 千光年的距離。

噢不，由於牛郎織女有兩隻腳，因此實際上需要 2 倍數目的神鵲，即是大概 42 萬億億隻神鵲才足夠。

攝影師到底在哪裡為牛郎織女拍攝 Google Doodle？

呃，我相信天庭會好好慰勞那些神鵲的。現在我們來看看 2020 年七夕時，Google 發佈的 Doodle 作品：

大家發現問題了嗎？

農曆屬於陰陽曆，即是其曆法同時基於太陽和月球的運行。農曆的月份必定始於新月（初一），中間是滿月（十五），終於新月（廿八）。七夕是農曆七月七日，因此月球此時應該是半月，但在這幅 Google Doodle 裡面卻是滿月！這令很多人大惑不解，有些人甚至嘲笑 Google 工程師的無知。

雖然我並沒有受薪於 Google，但基於科學精神，且讓我來嘗試為 Google 解圍：真的有可能在七夕拍攝得到牛郎織女在鵲橋上相聚，而背景是滿月的照片嗎？

答案是肯定的！秘訣就在於「Easy 天文地科小站」提到的「我們不能用凡夫俗子在地球上的角度看事情」。

由於牛郎、織女、神鵲們都是神仙，我們合理假設攝影師也是神仙。既然攝影師是神仙，那當然不會局限於凡人的攝影角度吧。因此，我們看看下圖，就知道這幅 Google Doodle 是如何拍攝的了。

如果你看到這裡，恭喜你，你跟我們這些科學家一樣很閒。