因為煮熟比較好吃啊！就算是原始人也想用火煮出美食！——《舌尖上的演化》

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

讓人懷念的好氣味

關於第一個人們如何學會喜愛香料的問題，其實比較容易回答。打從胎兒還在母親子宮裡的時候， 就會開始學習享受某些香料的香氣﹙以及風味﹚，並在出生之後繼續強化這些他們學到的經驗。

在懷胎期間，母親所吃的食物的味覺和氣味，胎兒一樣會接觸並品嚐到。食物中的化學物質會進入羊膜液、跑進胎兒的鼻子裡：胎兒有辦法嗅聞自己身處的那片小小海洋。胎兒似乎先天就傾向認定，在自己悠游的環境中所聞到的母體香氣是令人愉悅、在出生之後也值得追求的好香氣。就算那香氣是來自植物的防禦性成分也一樣。

舉例來說，母綿羊食用大蒜後，牠們的羊膜液聞起來也會帶有大蒜中的防禦性物質的氣味。聞到這種氣味的綿羊胎兒，在出生之後便會因為有過接觸經驗，而較為偏好那種氣味。

若是在懷孕大鼠的羊膜液中注入大蒜萃取物，大鼠的小孩在出生後，只要聞到大蒜的氣味就會不由自主地開始噘起粉紅小嘴吸吮起來、並四處尋找母親。｢你在哪裡，我親愛的蒜味媽媽？」

母親懷孕期間的飲食會影響小嬰兒喜歡的氣味！

對人類進行的研究，實驗侵入性沒有那麼高，不過結果依然類似。法國國家科學研究中心﹙National Center for Scientific Research，CNRS﹚的貝諾瓦．夏爾﹙Benoist Schaal﹚及其同事們在一項研究中，比較了兩群來自法國阿爾薩斯地區﹙Alsace﹚的女性。

在其中一群女性懷孕的最後十天，研究人員提供了大茴香口味的薄荷糖、餅乾和糖漿任她們盡情享用。對於另外一群女性，研究人員則不提供任何大茴香口味的食物，也要求她們不要食用任何含大茴香的食物﹙她們顯然有遵照指示﹚。研究者藉此比較，這兩群女性所產下的新生兒，對於大茴香氣味來源的茴香腦的偏好程度是否有所不同。

懷孕期間沒有吃大茴香的母親，嬰兒出生後接觸到稀釋的茴香腦樣本時通常會露出不悅的表情。相反地，懷孕期間有吃大茴香的母親，生下的嬰兒則比較可能會將頭轉向茴香腦，伸出舌頭，並做出彷彿是在舔嘴唇的動作。

另一項對人類進行的研究顯示，母親在懷孕期間如果曾吃過大蒜，新生兒聞到大蒜的氣味時便會噘起雙唇吸吮。同樣地，在懷孕期間吃豌豆、四季豆以及如卡芒貝爾乳酪、蒙斯特﹙Munster﹚乳酪及埃普瓦斯乳酪﹙Époisses﹚等氣味濃郁的乳酪，也有研究發現會導致相似的效果。

母親在懷孕期間曾吃過豌豆、四季豆和其他綠色蔬菜的八個月大的嬰兒，會偏好綠色蔬菜帶有的氣味﹙2-異丁基-3-甲氧基吡嗪，2 – isobutyl -3 – methoxypyrazine﹚；若是母親在懷孕期間吃過氣味濃郁的乳酪，嬰兒則會偏好二甲硫醚﹙dimethyl sulfide，在氣味濃郁的乳酪以及大蒜中都存在的成分﹚。

在哺乳期間有吃魚的母親，養出的嬰兒也通常會喜歡魚味或起碼是喜歡魚中含有的三甲胺﹙trimethylamine﹚分子的氣味。在有吃魚的母親的羊膜液及母乳中，都可以找得到三甲胺的蹤跡。羊膜液及母乳中的氣味所造成的這些現象，似乎可以維持到童年時期或更久之後，雖然並不總是如此  。

信任的氣味＝媽媽的味道＝喜歡！

大自然告訴人類以及其他動物，要信任他們的母親和母親吃下肚的食物的氣味。在過往人類祖先規模較小的族群中，母親所吃的東西的氣味，通常就等同於族群中其他成員所吃的東西的氣味，少有例外。

人類身為哺乳動物的一員，透過在出生前及出生後的嗅覺學習，得以一代一代累積對自己有益或有害的食物知識，甚至不需要人教。回想一下黑猩猩的飲食傳統：對黑猩猩寶寶來說，出生前的學習，也許就已經足以讓牠們認識很多該吃的食物，特別是氣味強烈的食物。

人類與黑猩猩六百萬年的共同祖先大概也一樣。現代人類確實是如此，而且還有個額外的特徵：人類使用語言的能力，能幫我們為這套傳承偏好的古老系統再添加一層複雜度。

我們母親的身體教導了我們要喜愛什麼風味，而父母的話語也再三提醒此事。除了這兩方面的影響，整個社群中其他人的行為以及飲食習慣，也會助我們一臂之力，時時提醒我們人類喜愛什麼風味。因此，我們的老祖宗應該很容易就學會了如何喜愛香料，同時也忘記了自己並非自古以來總是喜愛香料。

——本文摘自《舌尖上的演化》，2022 年 12 月，商周出版出版，未經同意請勿轉載。

本喵不懂甜食啦！

貓即便有了甜味受器，也不會更容易存活或繁殖，如果牠們花更多時間吸花蜜，吃獵物的時間就會變少，如此一來還可能會影響生存。因此，即便貓的祖先的甜味受器失去功能，牠依舊可以存活。

時任蒙內爾化學感官中心研究員的李夏發現：這個演化對貓不僅有存活的意義，更是現代貓科動物的味覺濫觴，沒有任何一種現代貓科動物具有活化的甜味受器，充滿花蜜與甘甜果實的森林對貓沒有一絲口慾上的吸引力。

如果你給一隻貓一片糖霜餅乾，呃，牠也不會理你；就算牠吃了餅乾，也沒辦法感受到糖霜帶來的愉悅感，因為這個餅乾對牠來說沒有甜味。

除了貓以外，其他肉食動物如海狗、亞洲小爪水獺、斑鬣狗、馬島長尾狸貓以及瓶鼻海豚，牠們的甜味受器也沒有作用，只是這些甜味受器基因出現的破壞性突變都屬於獨立的演化事件，不過也共屬於一種基因功能缺失的趨同演化。

有人可能會想問，為什麼其他肉食性動物的甜味受器沒有失去功能？例如貓的鹹味味覺受器，就跟其他肉食性動物一樣依舊安在，但牠們獵物體內鹽分的含量就足以應付生理所需，所以牠們的鹹味味覺受器喪失功能可能只是時間早晚的問題。

海獅已經喪失了甜味跟鮮味的味覺，海豚也是，而且海豚的無味人生開始得更早，牠們根本無法嚐出甜味、鹹味或是鮮味。對海豚來說，存在的只有飢餓感與飽足感，餓了就去吃飽，而牠們相信海裡任何長得像魚而且會動的東西都可以餵飽自己。

有人可能也會好奇，到底海豚的獵物要有什麼特色才能為牠們帶來進食的愉悅感？我們不知道。海豚的愉悅感從哪來、是什麼，至少到目前為止都是科學謎團。

不吃肉改吃素的大貓熊

特定味覺受器失去功能的情況，並不單發生在肉食性動物身上，也發生在食物選擇非常專一的動物身上。大貓熊的祖先屬於熊科動物，也跟現代的熊一樣是雜食性動物，會狩獵，會吃酸酸的螞蟻，也會吃甜甜的莓果。但到了大貓熊身上，新的食物偏好出現了，就是愛吃竹子，牠們吃竹子就可以活。

其實，當牠們才剛開始喜歡吃竹子時，竹子跟肉都是牠們愛吃的食物，但久而久之，仍然愛吃肉的大貓熊就變得難以生存或難以交配繁殖，或另一個機率較小的可能是，牠們的食物偏好無法符合生理需求，所以在覓食時無法專心致志。一段時間後， 大貓熊的鮮味受器就失去功能了，就像貓兒的甜味受器。現在就算你把肉端到大貓熊面前，牠們也不會碰上一口。

即便在多年後的未來，貓、海獅或海豚的後代也不太可能會嚐到甜味，大貓熊也依然無法嚐到鮮味，雖然隨著竹林減少，大貓熊對吃竹子的執著也讓牠們的數量不斷減少。從這些日常生活中的演化故事中我們學到：當某些東西成為需求時，比起破壞，建設是更困難的。但從頭做起雖然很難，也並非完全不可能。

過了三億年，蜂鳥才嘗到了「甜」的滋味

以甜味受器為例， 它在某些動物身上曾經失去功能， 但後來又重新復活了。三億年前，現代鳥類、哺乳類與爬蟲類的祖先，應該可以嚐到食物中的鹹味、鮮味與甜味，然而現代鳥類的甜味味覺沒了，不知是什麼原因，牠們的甜味受器都失去了功能。因此鳥類無法嚐出甜味，至少大多數鳥類都無法。

蜂鳥是從古燕演化而來的，而古燕跟現代的燕子一樣專門吃昆蟲，喜歡品嚐蟲子體內會出現的鮮味，對於糖分則沒什麼興趣。但在大約四千萬年前，有一群燕子開始以花蜜與含糖物質為食，可能只是為了解渴。一般鳥類並無法嚐出花蜜的甜味，所以牠們吸食花蜜就像在喝水，但花蜜畢竟不是水，裡面可富含著糖分。

因此有一假說猜測，那些喝到比較多花蜜的鳥可能獲得更多能量，因此更有機會將牠們的基因傳給後代，而牠們的鮮味受器在演化過程中，變成不只辨識原本的鮮味成分﹙像麩氨酸或是某些核苷酸﹚，也可以同時偵測糖分。

出現這種特徵的古燕就是最早的蜂鳥。蜂鳥跟一般鳥類不同，不僅能嚐出胺基酸，也能嚐出糖分。不過牠們只靠同一種味覺受器，所以胺基酸跟糖分對牠們來說，應該是同一種味道，一樣是帶來愉悅感的｢鮮甜味」。

動物吃下新食物而產生美味感受的同時，也滿足了營養所需，這類美妙的演化故事，正是生物藉由愉悅感以精巧調控的生化機制滿足需求的例子。只要持續研究味覺受器的演化，我們就會發現更多類似的故事。

——本文摘自《舌尖上的演化》，2022 年 12 月，商周出版出版，未經同意請勿轉載。