偏食是因為懷念媽媽？人們如何喜歡上某些氣味——《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

令人不悅的氣味

許多氣味對於人類的鼻子來說存在既有的價值、感情價（valence，或稱快樂調性﹝hedonic tone﹞）。我的好友諾安．索貝爾（Noam Sobel）是以色列魏茲曼科學研究所（Weizmann Institute of Science）的知名神經科學家，他嘗試找出人類分類氣味的方式，以及各類別氣味分子的化學性質，然而他找到唯一的重要參數就是所謂的快樂調性——也就是氣味本身聞起來是香是臭，令人開心或不悅。

氣味分辨實驗：關鍵竟是「快樂感」！

索貝爾和他在魏茲曼的研究團隊與加州大學（University of California）神經科學研究所及心理學系的科學家攜手合作，進行一項複雜的實驗，探究人類嗅覺是根據哪些原則將氣味分門別類。

他們先請一百五十位香水及氣味專家，根據一百四十六種性質評斷一百六十種氣味分子的特質；這些性質分類當中包括了「甜香」、「煙燻味」、「霉味」等等。研究團隊接著分析這些資料，找出最能夠分別不同氣味的單一要素，發現最重要的分辨關鍵還是快樂調性——氣味讓人感受愉快的程度。

氣味有各式各樣的調性，從好聞的「甜美」、「馥郁」到難聞的「腐壞」、「令人作嘔」都有。研究人員接著針對各種化學物質進行同樣的統計分析，將每個化學物質當中超過一千五百種的性質都納入考量，分析出來的結果依然顯示快樂調性是判別關鍵。

因此研究人員認為，我們可以單靠氣味的分子結構來判斷某種氣味對人類來說好不好聞。

分辨氣味好壞：「大腦偏好」還是「化學特性」？

耐人尋味的是，這項實驗也表明，人類鼻子裡的氣味受體往往是根據氣味令人愉悅與否來分門別類並做出反應。這並不意味著不同的文化背景或生命體驗不會影響我們對氣味的感受或是嗅覺細胞組織的方式，但人類對於最令人愉悅或討厭的味道類型的確有共通感受。

諾安對這項實驗做出以下結論：

「我們的研究結果發現，人類對氣味的感受至少有一部分是根植於大腦、與生俱來的偏好。即便不同個體之間對於氣味的感受確實存在某些彈性，也絕對會受到個人生命經驗影響，但人類判斷氣味宜人與否的絕大部分因素還是來自於氣味本身在物理世界呈現的性質。因此我們可以運用對化學物質的理解，預測某種新物質的氣味會為人類帶來何種感受。」

值得注意的是，許多研究都指出年幼孩童不像大人會明確分別氣味是令人愉悅還是作噁；他們會表達氣味是強烈或微弱，但通常不會直接分別氣味的好壞。

並非人人都是「好鼻師」！

整體來說，我們很難用快樂調性以外的標準來分類氣味，並且對大多數人而言，用大家都能夠理解的詞彙來描述氣味實在十分困難。正因為理解了這點，魏茲曼研究團隊將研究焦點轉為嘗試預測某種分子結構的氣味會與哪些形容詞彙連結在一起；不再只關注氣味聞起來「如何」，而是嘗試預測兩種不同氣味帶來的感受會相似還是不同。他們也因此能夠根據氣味混合物的分子結構，運用固定的評分邏輯來分類任何兩種不同的氣味，藉此反映出氣味之間的相似性。

魏茲曼研究團隊表示，這項研究結果能夠成為氣味數位化的基礎，但還需要更多時間才能知道這個研究方向能否引領他們更接近氣味數位化的遠大目標。再者，如果想要迎接未來全面數位化的夢想，還有一大挑戰——人類極不擅長分辨並指稱氣味。

——本文摘自《你聞到了嗎？：從人類、動植物到機器，看嗅覺與氣味如何影響生物的愛恨、生死與演化》，2023 年 1 月，臉譜出版，未經同意請勿轉載。

一千年來氣味景觀發生了很大的變化

走在一千年前的路上，你的感官體驗大概會跟在現代的感覺大不相同。看看西元 1021 年的周遭世界，你舉目所及沒有汽車、飛機或船隻，甚至（以今日的眼光來看）連像樣的道路都沒有。

過去的世界無疑比今日的世界安靜許多，或許根本可以說是寂靜無聲也不一定。然而這些都是聽覺與視覺的感受，那麼嗅覺呢？

嗅覺也分為許多層面。

一千年前的人類以及整個環境的氣味與今日是否有所不同？甚至是與一百年前相比，是不是就已經不一樣了呢？

我們周遭的氣味在這段時間以來，究竟有哪些改變？而我們人類又對氣味景觀（smellscape）——也就是你我四周那龐雜交錯的各種氣味所構成的景觀——產生了哪些影響？

我們自己的氣味與對氣味的感知是否有所改變？人類的各種行為是否影響了我們的嗅覺能力呢？是什麼導致了人類與動物產生這些變化？

人類帶來了新氣味！

首先，1021 年的你絕對不會聞到汽車廢氣或是汙水處理廠傳出的臭味，也不會有撲鼻而來的合成氣味，例如：香水、除臭劑以及新車的味道，自然環境聞起來可能也大不相同。

自從人類開始在地球的每一個角落殖民以來，我們就開始想方設法改變、操控、開發地球環境。隨便舉幾項好了：我們砍伐樹木、種植糧食作物，導致許多植物與動物滅絕，使世界邁入工業化社會。

這個因人類活動產生劇烈變化的全新地質年代，通常被稱為人類世。

人類世確切的起點仍有爭議，有些人主張這段時期是從一萬至一萬五千年前的農業革命開始；也有人認為是在二次世界大戰後，一個由核子試驗、1950 年後的「大加速」（The Great Acceleretion）及其伴隨的社會經濟、氣候鉅變所定義的時期。

無論選擇哪一個尺度來定義人類世，人類無疑對地球的整體環境產生了巨大的影響，改變了我們與所有動物呼吸的每一口空氣，以及每一次呼吸裡所蘊含的每一個物質分子。

大自然的氣味變了？

我們先來談談自然界的氣味，以及這些氣味可能是如何改變的吧。

一千年前，大自然還未受到人類的劇烈影響，各種植物與動物在原野與森林裡共存，到處都是怒放的野花，松樹、杉樹與各種落葉木錯落生長；當時自然界的大主題就是——物種多樣性。

隨著時序推進，人類開始砍伐、焚燒森林，將原本野花繁盛、綠草如茵的原野都變成了農田。這些舉措讓人類的版圖開始大肆擴張、繁衍，同時也劇烈改變了周遭的氣味景觀。

一改過去物種繁多、交雜錯落的林相，我們開始大面積種植單一樹種，環境的氣味也因此開始變得單一。就以現代樹種單一的杉樹林與樹種多元的古老森林相比好了，如果各位有機會走進森林就可以聞聞氣味、好好比較，這兩種林相的氣味是否有所差異。

在田野之間，物種單一化的改變同時發生；以往存在各式各樣物種的土地，都變成了種植單一作物的農田。

美國的大草原變成看不到盡頭的玉米田和麥田，歐洲的草地也同樣消失在我們的視線之中。就在我們沉浸於四周所謂的自然氣息時，氣味景觀卻早已大不相同。怎麼會這樣？

——本文摘自《你聞到了嗎？：從人類、動植物到機器，看嗅覺與氣味如何影響生物的愛恨、生死與演化》，2023 年 1 月，臉譜出版，未經同意請勿轉載。