「鱸鰻」不是「流氓」魚！它只是喜歡吃「蘆」竹的鰻魚啦！——《一午二紅沙，三鯧四馬鮫》

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

有位朋友大概是想到「墨」和「烏」都是黑的意思，就問我：墨魚也叫烏魚？

我說，不是啦！墨魚是烏賊，烏魚是烏魚子的媽。

我這樣說，他就聽懂了！為什麼呢？因為在台灣，很常看到烏魚子，卻較少看到烏魚。

先民以來的傳統名餚

烏魚最有價值的部位是母魚的卵巢，可鹽漬、曬乾做成名貴的「烏魚子」（台語音oo-hî-tsí）。公魚的精囊則稱為「烏魚鰾」（台語音oo-hî-piō，鰾也寫作膘），一般是直接生煮，也是高貴的食材。

烏魚取出卵巢、精囊後，稱之「烏魚殼」，價值就低了，可煮成烏魚米粉、麻油烏魚等。以前的野生烏魚非常美味，成為很多人童年的美食回憶，但現在大多是養殖烏魚，魚腥味較重。

台灣先民很早就知道烏魚子的美味。台灣清代方志：「子成片，下鹽曬乾，味更佳。」「其子整片下鹽，以石壓之，曬乾，可焙為酒品。」

日本時代台南文人連橫《臺灣通史》說得最清楚：「烏魚之卵，結為一胎，略分為二，長及尺，重十餘兩。漬鹽曝乾，以石壓之至堅，可久藏。食時濡酒，文火烤之，皮起細胞，不可過焦，切為薄片，味極甘香，為臺南之珍饈。」

日本也有烏魚子，但產量少而較小。日本人一樣視烏魚子為珍貴的禮物和食物，日文稱之カラスミ（karasumi），這是「唐墨」二字的訓讀音：「唐」訓讀から（kara），「 墨」訓讀すみ（sumi）。日本人覺得烏魚子的形狀很像從中國傳來日本的墨，所以稱之「唐墨」。

根據中研院《臺灣魚類資料庫》，「鯔科」的「鯔」俗稱烏魚、信魚，最大體長可達一公尺。

「鯔」是什麼意思？「鯔」本指江河之魚，明李時珍《本草綱目》：「鯔，色緇黑，故名。」緇是黑色的意思，因此鯔魚的本意就是烏魚，以魚背烏黑而得名。

《噶瑪蘭廳志》（一八五二年）：「烏魚，鯔魚也，本草作烏魚．產於溪池者曰溪烏、池烏，產於海者曰海烏。臺地冬港俱有，冬至前到，味甘嫩；冬至後散子回頭，則瘦而味淡。」

台灣的「烏金」產業

這段話也解釋了何以烏魚又叫「信魚」，守信的魚。烏魚是洄游性魚類，每年冬季隨北方的大陸沿岸流（親潮）從台灣海峽南下避冬，並在南台灣海域產卵。根據台灣文獻記載，烏魚一般在冬至前十日至台南，稱「正頭烏」，魚肥而味美，魚卵和魚鰾飽滿；產卵後自恆春北返，稱「回頭烏」，魚變瘦、味道也差了。

所以有一句台語俚諺：「冬節烏，較肥豬脚箍。」冬至（陽曆十二月二十二日或二十三日）的台語叫「冬節」，冬至的烏魚比豬腳還要肥美。還有一句「鹹水烏，較贏雞肉箍」，意思是海裡的烏魚比雞肉還要好吃。

早在十七世紀荷蘭人統治台灣之前，就有閩、粵沿海漁民前來台灣本島和澎湖捕捉烏魚，最早只在冬天作季節性停留，後來又兼農作，才逐漸定居下來。所以有人說，台灣漢人移民最早是被烏魚吸引來的，烏魚就是「烏金」。

台灣的烏魚產業，從荷蘭時代就開始對漁民徵什一稅（十分之一），後來明鄭、大清時代也都跟進。清代方志記載：「官徵稅，給烏魚旗，始許採捕。」清唐贊袞《臺陽見聞錄》（一八九一年）：「旗以白布為之，書『烏魚旗』字，並船戶姓名，鈐蓋縣印，插於船首，出海採捕，土人謂之『討烏』。」

自一九九〇年代以來，由於氣候暖化、海水溫度升高，烏魚南下台灣海峽時間變晚，加上中國東南沿岸漁民搶先在台灣海峽北方攔截，造成台灣野生烏魚捕獲量日漸減少，卻因此帶動了台灣烏魚養殖業的興起。現在台灣的烏魚子大都來自養殖烏魚，產量和品質都很穩定，頗受歡迎。

今天台灣市面上的烏魚子，有野生、進口、養殖之分，仍屬高價禮品，一樣是台灣料理的名菜。

——本文摘自《一午二紅沙，三鯧四馬鮫》，2023 年 2 月，貓頭鷹出版，未經同意請勿轉載。

香魚以香為名，到底是什麼香味？不要跟我說烤香魚很香！

根據中研院《臺灣魚類資料庫》，胡瓜魚科的「香魚」，分布在西北太平洋區域，包括中國、日本、韓國、琉球、台灣等。香魚是河海洄游魚類，可分兩種：一是降海型，春季從海灣回溯河川成長，秋季從河川游至海灣產卵，產卵後即死亡，因壽命一年故稱「年魚」；一是陸封型，只在淡水生長，體型較小，可產卵二至三次，壽命二至三年。

台灣原生香魚屬降海型，日本則降海型、陸封型香魚都有。在一九六〇年代，台灣因興建水庫、河川汙染等因素，阻斷香魚河海洄游，造成香魚絕種。後來，台灣從日本琵琶湖等處引進陸封型香魚，在水庫、溪流放養，因養殖成功，已能供應市場。

因獨特的「小黃瓜香氣」而命名為「香」魚

香魚在中國各地有很多俗名，例如在山東叫「春生魚」、「海胎魚」。「香魚」之名則來自浙東，因有獨特香氣而得名。

浙江《臨海縣志》：「香魚，鱗細不腥，春初生，月長一寸，至冬盈尺。赴潮際生子，生已輒槁。」

浙江温州名山「雁盪山」有五珍：雁山茶、觀音竹、金星草、山樂官（一種已絕種的鳥）、香魚。香魚在清朝乾隆年間是貢品。

閩南則稱香魚為「溪鰮」。福建泉州《晉江縣志》：「溪鰮，浙東之香魚也，今溪中亦有之。」《漳州府志》也提到南靖、平和兩地山溪間的溪鰮為香魚。

如何較具體的來形容香魚的香味呢？香魚在台灣和中國大陸的中文科名都叫「胡瓜魚科」，應該源自香魚的日文科名「キュウリウオ科」，「キュウリ」的日文漢字是「胡瓜」，「ウオ」是日文的「魚」，所以「キュウリウオ」（kyuuriuo）的日文漢字就是「胡瓜魚」。

日本人為什麼稱之「胡瓜魚」呢？因為這種魚剛捕獲時，身上有「胡瓜」（台灣稱小黃瓜）的味道。我看網路資料，有人說野生香魚有西瓜、香瓜的味道。

日文「キュウリウオ科」（漢字「胡瓜魚科」）下的アユ（ayu，Plecoglossus altivelis），這個名字，台灣人就知道是指香魚了！

「鮎」中代表著佔有與勝利的吉兆

日文也用漢字「鮎」來稱香魚，但「鮎」在中國古代指鯰魚（英文 Catfish），日文也引用。為什麼後來改用「鮎」來稱香魚呢？主要有兩種說法：

一、「鮎」字拆開是「魚」＋「占」，「占」有占領之意，符合《臺灣魚類資料庫》對香魚的描述：「具強烈領域性，強壯的成魚會占領一塊長滿藻類的大礫石，不准其他香魚靠近；如果有外來香魚侵入領域，則會用身體去撞擊，將其趕出。」

二、日本歷史傳說中的第一位女王「神功皇后」，即西元三世紀第十四代仲哀天皇的皇后，在征戰新羅（朝鮮半島東南的古國）前以釣魚「占卜」，結果釣到香魚，視為吉兆，故以同樣具有「占領」意味的「鮎」字，為香魚命名。

日文改以「鮎」字來稱呼香魚後，就再造「鯰」字來代替「鮎」字，這兩個漢字的日文音讀都是ねん（nen）。後來，中文也跟著日文使用「鯰」字了。

香魚「𫙮」出的美味！

在台灣清代方志，香魚被稱為「甲魚」、「傑魚」、「𫙮魚」、「國姓魚」。台語「」音 kia̍t，與「傑」同音。

《諸羅縣志》（一七一七年）：「甲魚，方言名傑魚。巨口，細鱗，無刺，形如鯔，味甚美，長者可六、七寸，出淡水武朥灣等社。」「北路之產，有臺、鳳所無者，如水沙連之茶，竹塹、岸裡之筀竹笋，淡水之甲魚，皆其美者也。」

《噶瑪蘭廳志》（一八五二年）：「𫙮魚，出淡、蘭一帶，近內山者尤多。土人呼國姓魚，謂鄭成功至臺始有之。」

《淡水廳志》（一八七一年）：「𫙮，近內山溪澗甚多，俗呼國姓魚，偽鄭至臺始有之。」在日本時代，連橫《臺灣通史》：「𫙮，俗稱國姓魚，亦曰香魚，產於臺北溪中，而大嵙崁尤佳。」

《臺日大辭典》（一九三一年）也收錄「國姓魚」、「𫙮魚」，日文的解釋就是「鮎」（あゆ，ayu）。

根據上述資料，「國姓魚」之說，應該是台灣「鄭成功神話」的一例，因為台灣和福建本來都有香魚。

「𫙮魚」在清末成為淡水廳的地名「魚坑莊」，戰後改為「傑魚」，今新北市瑞芳區有「傑魚里」、「傑魚坑路」、「傑魚坑溪」（八分溪）等地名，據說古早時代有香魚聚集在此產卵。

「𫙮」字從何而來？魚邊的「桀」是什麼意思？有人說香魚因領域性很強的習性，被比喻中國夏朝暴君「桀」，才稱魚，但這種說法似乎沒什麼說服力。

如果回到台灣清代方志最早稱香魚為「甲魚」、「傑魚」，先不論「甲魚」一般指鼈，台語「甲」有排序在前、優等的意思，「傑」有能力、出眾的意思，那麼先民以「甲」、「傑」來評鑑香魚的美味，也算合理。

——本文摘自《一午二紅沙，三鯧四馬鮫》，2023 年 2 月，貓頭鷹出版，未經同意請勿轉載。