Intel® Core™ Ultra AI 處理器：下一代晶片的革命性進展

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

我當時負責管理一條用於生產記憶體晶片的裝配線。我認為微處理器是個非常大的麻煩。
-Andrew Grove（英特爾首席執行官）

蕭克利（William Shockley Jr.）1910 年 2 月 13 日出生於英國倫敦，父母是美國人，1913 年返回美國，在加州帕洛阿爾托（Palo Alto）接受教育，1932 年加州理工學院畢業，1936 年取得麻省理工學院物理學博士學位後，到貝爾電話實驗室工作。第二次世界大戰爆發後，研究中斷，1942 年 5 月離職，擔任哥倫比亞大學雷達研究、反潛戰作戰小組的研究主任。

1945 年戰爭結束後不久，回到貝爾電話實驗室與化學家摩根（Stanley Morgan）領導新成立的固態物理小組； 1956 年與同事巴丁（John Bardeen）和布拉頓（Walter Brattain）因「在半導體和電晶體效應方面的工作」而榮獲諾貝爾物理學獎。1954 年蕭克利離開貝爾實驗室，到加州理工學院任國防部武器系統評估小組副主任兼研究主任。因想嘗試將新型電晶體設計商業化，於 1956 年回到故鄉附近的山景城（Mountain View），在 Beckman Instruments, Inc. 的資助下，建立了自己的公司「蕭克利半導體實驗室」（Shockley Semiconductor Laboratory），專注於開發矽基半導體裝置。

「蕭克利半導體實驗室」為現在被稱為「矽谷」（Silicon Valley）的第一家致力於開發半導體裝置的高科技公司。蕭克利跑遍全美國招募了許多優秀員工，但因其傲慢；粗魯、專制、不穩定的管理、和研究方向不同而造成許多人才不久便紛紛離開，在附近創立新公司，將原本主要產業為種植李子、到處都是杏樹和櫻桃樹果園的舊金山灣區南部發展成為今天全世界科技中心的「矽谷」。在後來被稱為「叛徒八人」（traitorous eight）於 1957 年辭職後，「蕭克利半導體公司」就再也沒有從中恢復過來；在幾次轉賣後，終於在 1969 年壽終正寢。幾經曲折，當初引發半導體革命的建築物現在已經完全消失，為新建築及一些紀念蕭克利對矽谷開端所做之貢獻的噴泉、雕塑和幾塊牌匾等取代。

蕭克利雖然被《時代》雜誌評為「本世紀最重要的科學家之一」，但創業的目的完全失敗，只能眼睜睜地看著財富和權力落入他人手中。1963-1974 年蕭克利擔任史丹佛大學電機工程教授；在生命的最後二十年裡，他力倡種族主義和優生學，毀了其名譽；除了忠實的第二任妻子之外，他與大多數朋友和家人都疏遠了，非常孤獨。蕭克利於 1989 年 8 月 12 日死於攝護腺癌，享年 79 歲。

誰是那被蕭克利稱為「背叛」（betrayal）的八位頂尖科學家呢？因為編幅的關係，我們在這裡只提將要出現在本文的四位：諾伊斯（Robert Noyce）、摩爾（Gordon Moore）、赫爾尼（Jean Hoerni）、與拉斯特（Jay Last）。

仙童半導體公司

諾伊斯 1953 年獲得麻省理工學院物理學博士學位，於 1956 年加入蕭克利半導體實驗室團隊。一年後，諾伊斯因對蕭克利的管理風格產生疑問與其他七人一起離開。諾伊斯說服了商人和投資家費爾柴爾德 ( Sherman Fairchild )，八人共同創立了仙童半導體公司（Fairchild Semiconductor）。新成立的仙童半導體很快就成長為半導體產業的領導者及「矽谷」的孵化器，直接或間接地促成了包括英特爾（Intel）和超微半導體公司（Advanced Micro Devices, Inc.，簡稱 AMD）在內的數十家「仙童小孩」（Fairchildren）公司的創建。

50 年代前，電路都是用手將許多離散零件（電阻器、電晶體、和電容器等）用電線連接在一起來控制內部電流的。1959 年德州儀器（Texas Instruments）的基爾比（Jack Kilby，註一）和諾伊斯分別同時發展出將所有零件放在矽（鍺）晶片上，再用銅線將它們連接起來。同年，赫爾尼開發出透過二氧化矽層保護的平坦表面來製造電晶體的平面製程（planar process），隨後諾伊斯提出在晶圓頂部沉積鋁「線」來互連晶圓上的電晶體；拉斯特的團隊於 1960 年製造出第一塊平面「積體電路」（integrated circuit，簡稱 IC ）。這種製程不但使得電路更穩定，還可以完全避開緩慢手工接線的需求，使得大規模生產電路成為可能，催生了現代電腦晶片（chip）產業，開創了前所未有的電子設備小型化，徹底改變了我們的日常生活範式。

1968 年，諾伊斯因未能晉升到公司的領導職位，及想尋求更多的自主權和建立具有新願景的新公司，與摩爾離開仙童半導體公司，共同創立英特爾；不久開發助理總監格羅夫（Andrew Grove）也離開仙童半導體公司，於英特爾成立之日加入，成為第三號員工。

英特爾的成立

英特爾成立的初衷是做半導體記憶體。1970 年 10 月英特爾開發和製造第一款商用動態隨機存取記憶體 ( DRAM ) 積體電路；相對於當時廣泛使用的磁芯記憶體，因其較小的物理尺寸和較低的價格，它在許多應用中取代了後者，為 1981 年前英特爾的主要業務。

1971 年 10 月 13 日英特爾首次公開募股，為首批在當時新成立的全國證券交易商協會自動報價（納斯達克，NASDAQ）證券交易所上市的公司之一。

雖然英特爾解決了不少內部基本技術問題，但他們認為也應該進行一些根據客戶的特定規格製造晶片的客製化工作。因此於 1969 年 4 月與一家日本計算器公簽訂了一份晶片製造合約，為其一系列不同的計算器型號構建不同的顯示器、印表機、內存量等等的晶片。沒想到這決定竟然使英特爾能即時在日本以品質更優越、成本更低的記憶體晶片侵食其主要產品市場時，脫胎換骨成為今天我們所知道的英特爾，不再是記憶體的大供應商。  

霍夫 ( Ted Hoff ) 於 1962 年獲得是史丹佛大學電機博士，在史丹佛大學工作一段時間後，於1968年9月被諾伊斯挖角成為英特爾第 12 號員工。當他在塔希提島（Tahiti）裸露上身的海灘上時，不知道看到什麼（美女？），突然悟出了一種解決日本計算器製造商專案的革命性方法：類似於諾伊斯和基爾比的想法，將處理器的所有基本元件組合到一個小晶片上。在當時，處理器是由一個實際處理資料的核心晶片、一些準備資料供核心晶片使用的邏輯晶片、及一些記憶體等不同元件組成的，因此體積很大，為大型主機中的巨大部件。當時唯一存在的微型處理器是計算器內部的處理器，它們僅針對一些數學函數而設計，無法重新編程來處理文字、圖形或其它事物。

1971 年 11 月 15 日英特爾推出首款霍夫的微處理器（microprocessor, 註二）4004。半年後發表第一款8位元微處理器 8008。1974 年 4 月，英特爾推出具有 4,500 個電晶體的第一款通用 8080 微處理器，啟動了個人電腦（PC）的開發。1978 年 6 月英特爾推出成為個人電腦業界標準（x86 指令集）的 16 位元微處理器 8086。

綽號「矽谷市長」的諾伊斯被認為是英特爾早期願景及其大部分企業文化的製定者，而摩爾則是一位技術奇才，以 1975 年預測未來 10 年積體電路上的電晶體數將每年翻倍的「摩爾定律」（Moore’s law）聞名；在他和格羅夫的領導下，英特爾在矽存儲器及微處理器領域取得早期領先地位，並成功地將公司從 80 年代中期的記憶體轉型到微處理器。英特爾雖然開創了電腦記憶體、積體電路、和微處理器設計的新技術，但它真正成為一顆科技巨星則是運氣加上豪賭的結果━且聽筆者道來。

IBM 的個人電腦

早在蘋果公司的小鬼們在車庫裡建造個人電腦之前數年，雄霸商用電腦、目中無人的 IBM（國際商業機器公司）就已看出了個人電腦的發展前途與機會。但十幾年過去了，卻只聞樓梯響，不見人下來；因此在 1980 美國國慶的前一個禮拜，舉行了最高階全權管理委員會會議。會中董事長卡里（Frank Cary）生氣地問：「我的蘋果電腦在哪裡？」當通用產品部負責人羅傑斯（John Rogers）回答說他的部門手頭緊，無法資助個人電腦研發時，卡里立刻說：「好，不用操心，我來資助它。」他轉問曾做過有關開發個人電腦演示的羅傑斯下屬洛比爾（Bill Lowe）：「你是否有任何場外土地可以放置一個與他人隔離的開發團隊？」洛比爾回說：「有，佛羅裡達州的博卡拉頓（Boca Raton）。」卡里： 「你帶四十個人到那裡，然後挑選一位直接向我匯報的菁英來管理。我給你一個月的時間去組織起來向我匯報。」

事實上不是金錢，而是 IBM 的官僚及各部門之明爭暗鬥扼殺了其個人電腦的發展。因此洛比爾挑選了一位謙虛、穿牛仔靴、完全不符合 IBM 形象、幾乎被 IBM 踢出大門的 43 歲中階管理「菁英」伊斯基（Philip Donald Estridge）。既然有太上皇令箭，伊斯基就大膽地、毫無顧忌地違反所有 IBM 的規則去推進洛比爾的項目。基於過去失敗的經驗，為了避免內部不停的干擾，及像他人在個人電腦市場上花費兩三年的時間，伊斯基決定選擇開放式架構和現成元件，在 IBM 外部購買操作系统軟體和幾乎所有的硬體零件。當 IBM 個人電腦於 1981 年問世，1982 年和 1983 年真正開始流行時，IBM的收入開始起飛：從 1981 年的 290 億美元增加到 1984 年的 460 億美元；股票市值在 1984 年底達到約 720 億美元，為當時全球最值錢及最賺錢的公司。在《財星》雜誌的美國企業年度調查中，IBM 成為最受敬佩的公司。

當初領導一個只有 14 人的「臭鼬工廠」團隊，竟然開發出了 IBM PC 產業，伊斯基「瞬間」成為個人電腦界名人，被稱為「IBM PC 之父」，出現在各主流雜誌和報紙上，好像他就是 IBM；儘管外界不停地挖角，他都以「在 IBM 工作」為榮拒絕（註三）。但在 IBM 內部，伊斯基則成為高階主管既羨慕、又嫉妒、又恨的對象，於 1985 年年初表面上將他「提升」為製造副總，負責監督全球所有製造業務，但實際上是沒大權責的貶職；伊斯基私下向親友表示不懂為什麼會被打下來，也因此曾經想離開 IBM（註四）。正方興未艾的個人電腦事業則不再獨立、被歸入稱為「入門級系統」的公司部門編制，由伊斯基以前的老闆、IBM 官僚體系內的洛比爾接管。

英特爾的興起

相信大部分讀者都已經知道，伊斯基決定在 IBM 外部購買操作系统軟體和幾乎所有的硬體零件的最大幸運受惠者是：前者是微軟公司（Microsoft Corp.），後者就是本文的主角英特爾。但如果僅此，英特爾可能將永遠只是活在 IBM 陰影下的零件供應商而已。

話說 IBM 的大佬們都想控制小型系統團隊，因此將伊斯基提升為公司製造副總，將他所帶領的獨立團隊併入母公司體系，依照官僚體制製定了一項基於英特爾 1982 年 2 月推出之 80286 微處理器的「個人系統二號」（PS/2）十年計劃。1985 年 10 月，英特爾推出一款可更快地同時運行多個軟體程式的 32 位元 80386 微處理器晶片時，IBM 還是圍繞著 80286 開會又開會、討論又討論、…。英特爾不能眼看這項先進技術擱置在哪裡等待別人來追趕，因此決定進行一豪賭：尋找新客戶。英特爾很清楚這項決定可能會摧毀它，因為 IBM不但是銷售最多個人電腦的大客戶，還擁有世界一流的製造處理器技術，惹惱了可以隨時推出更強大的英特爾晶片變體來取代 80386。

最後決定還是賭了：英特爾轉向1982年成立的康柏電腦公司（Compaq Computer Corp.）。1986 年 9 月，康柏電腦非常成功地在紐約市展示一系列首次能與 IBM 個人電腦相容、採用英特爾 80386 微處理器的個人電腦。這是 IBM 個人電腦主要元件由非 IBM 公司進行更新之首例：從 80286 處理器升級到 80386。《紐約時報》謂 Deskpro 386 的發布確立了康柏作為個人電腦行業領導者的地位，「在聲譽和金錢方面，沒有任何一家公司比 IBM 受到更大的傷害」。《資訊世界》（InfoWorld）在其 1986 年 9 月 15 日刊的封面上刊登了標題：「康柏推出 386PC，挑戰 IBM 與之匹敵」。IBM 終於在 1987 年 7 月發布了他們的第一台基於 386 的個人電腦 PS/2  Model 80，但為時已晚，IBM 標誌已經開始失去其商標價值，個人電腦的未來已經改由英特爾和微軟主導了！微軟創辦人蓋茨（Bill Gates）謂：

個人電腦產業歷史上的一個重要里程碑是 IBM 的員工不信任 386。因此我們鼓勵康柏繼續生產 386 機器。那是人們第一次意識到不僅僅是 IBM 在製定標準，這個行業（已）有自己的生命力，而像康柏和英特爾這樣的公司正在做新的事情，人們應該關注。

英特爾這場賭博得到了回報：康柏的成功加速客戶轉向新的英特爾80386晶片後，英特爾在某些年份的獲利超過了 IBM，其股票市值在 90 年代初期也超過了 IBM，於 1999 年成為代表美國 30 主要工業的道瓊指數之一。

備註

• （註一）基爾比獲 2000 年諾貝爾物理學獎；在他的「諾貝爾演講」中，三次提到了已經過世（1990年）的諾伊斯對積體電路的貢獻。
• （註二）英特爾的微處理器事實上是一「中央處理器」（Central Processor Unit，CPU）。微處理器和 CPU 的相似之處多於不同之處。事實上，所有 CPU 都是微處理器，但並非所有微處理器都是 CPU。兩者之間的主要區別在於它們在電腦系統中的功能和用途。CPU 是一種具有多種角色的處理器；而微處理器通常僅負責一項特定任務，能夠非常出色地完成該任務。CPU 向微處理器發出指令，微處理器依令將資料傳送到 CPU 或 CPU 指定的其它元件。微處理器的任務是執行特定且可重複的操作，而 CPU 的任務則是執行廣泛且多樣化的任務。如果將 CPU 比喻成電腦中的大腦，那麼身體的腿和手將成為微處理器的區域。
• （註三）蘋果電腦創辦人賈伯斯（Steve Jobs）曾提供一份身價數百萬美元的蘋果電腦總裁職引誘。
• （註四）1985 年 8 月攜妻度假，飛機失事雙亡。

延伸閱讀 ：日常生活範式的轉變：從紙筆到 AI

本文由 鼎新數智 與 泛科學 共同規劃與製作

你有沒有想過，當 AI 根據病歷與 X 光片就能幫你診斷病症，或者決定是否批准貸款，甚至從無人機發射飛彈時，它的每一步「決策」是怎麼來的？如果我們不能知道 AI 的每一個想法步驟，對於那些 AI 輔助的診斷和判斷，要我們如何放心呢？

馬斯克與 OpenAI 的奧特曼鬧翻後，創立了新 AI 公司 xAI，並推出名為 Grok 的產品。他宣稱目標是以開源和可解釋性 AI 挑戰其他模型，而 xAI 另一個意思是 Explainable AI 也就是「可解釋性 AI」。

如今，AI 已滲透生活各處，而我們對待它的方式卻像求神問卜，缺乏科學精神。如何讓 AI 具備可解釋性，成為當前關鍵問題？

黑盒子模型背後的隱藏秘密

無法解釋的 AI 究竟會帶來多少問題？試想，現在許多銀行和貸款機構已經使用 AI 評估借貸申請者的信用風險，但這些模型往往如同黑箱操作。有人貸款被拒，卻完全不知原因，感覺就像被分手卻不告訴理由。更嚴重的是，AI 可能擅自根據你的住所位置或社會經濟背景給出負面評價，這些與信用風險真的相關嗎？這種不透明性只會讓弱勢群體更難融入金融體系，加劇貧富差距。這種不透明性，會讓原本就已經很難融入金融體系的弱勢群體，更加難以取得貸款，讓貧富差距越來越大，雪上加霜。

AI 不僅影響貸款，還可能影響司法公正性。美國部分法院自 2016 年起使用「替代性制裁犯罪矯正管理剖析軟體」 COMPAS 這款 AI 工具來協助量刑，試圖預測嫌犯再犯風險。然而，這些工具被發現對有色人種特別不友好，往往給出偏高的再犯風險評估，導致更重的刑罰和更嚴苛的保釋條件。更令人擔憂的是，這些決策缺乏透明度，AI 做出的決策根本沒法解釋，這讓嫌犯和律師無法查明問題根源，結果司法公正性就這麼被悄悄削弱了。

此外，AI 在醫療、社交媒體、自駕車等領域的應用，也充滿類似挑戰。例如，AI 協助診斷疾病，但若原因報告無法被解釋，醫生和患者又怎能放心？同樣地，社群媒體或是 YouTube 已經大量使用 AI 自動審查，以及智慧家居或工廠中的黑盒子問題，都像是一場越來越複雜的魔術秀——我們只看到結果，卻無法理解過程。這樣的情況下，對 AI 的信任感就成為了一個巨大的挑戰。

為什麼人類設計的 AI 工具，自己卻無法理解？

原因有二。首先，深度學習模型結構複雜，擁有數百萬參數，人類要追蹤每個輸入特徵如何影響最終決策結果，難度極高。例如，ChatGPT 中的 Transformer 模型，利用注意力機制（Attention Mechanism）根據不同詞之間的重要性進行特徵加權計算，因為機制本身涉及大量的矩陣運算和加權計算，這些數學操作使得整個模型更加抽象、不好理解。

其次，深度學習模型會會從資料中學習某些「特徵」，你可以當作 AI 是用畫重點的方式在學習，人類劃重點目的是幫助我們加速理解。AI 的特徵雖然也能幫助 AI 學習，但這些特徵往往對人類來說過於抽象。例如在影像辨識中，人類習慣用眼睛、嘴巴的相對位置，或是手指數量等特徵來解讀一張圖。深度學習模型卻可能會學習到一些抽象的形狀或紋理特徵，而這些特徵難以用人類語言描述。

深度學習模型通常採用分佈式表示（Distributed Representation）來編碼特徵，意思是將一個特徵表示為一個高維向量，每個維度代表特徵的不同方面。假設你有一個特徵是「顏色」，在傳統的方式下，你可能用一個簡單的詞來表示這個特徵，例如「紅色」或「藍色」。但是在深度學習中，這個「顏色」特徵可能被表示為一個包含許多數字的高維向量，向量中的每個數字表示顏色的不同屬性，比如亮度、色調等多個數值。對 AI 而言，這是理解世界的方式，但對人類來說，卻如同墨跡測驗般難以解讀。

試想，AI 協助診斷疾病時，若理由是基於醫生都無法理解的邏輯，患者即使獲得正確診斷，也會感到不安。畢竟，人們更相信能被理解的東西。

打開黑盒子：可解釋 AI 如何運作？我們要如何教育 AI？

首先，可以利用熱圖（heatmap）或注意力圖這類可視化技術，讓 AI 的「思維」有跡可循。這就像行銷中分析消費者的視線停留在哪裡，來推測他們的興趣一樣。在卷積神經網絡和 Diffusion Models 中 ，當 AI 判斷這張照片裡是「貓」還是「狗」時，我需要它向我們展示在哪些地方「盯得最緊」，像是耳朵的形狀還是毛色的分布。

其次是局部解釋，LIME 和 SHAP 是兩個用來發展可解釋 AI 的局部解釋技術。

SHAP 的概念來自博弈，它將每個特徵看作「玩家」，而模型的預測結果則像「收益」。SHAP 會計算每個玩家對「收益」的貢獻，讓我們可以了解各個特徵如何影響最終結果。並且，SHAP 不僅能透過「局部解釋」了解單一個結果是怎麼來的，還能透過「全局解釋」理解模型整體的運作中，哪些特徵最重要。

以實際的情景來說，SHAP 可以讓 AI 診斷出你有某種疾病風險時，指出年齡、體重等各個特徵的影響。

LIME 的運作方式則有些不同，會針對單一個案建立一個簡單的模型，來近似原始複雜模型的行為，目的是為了快速了解「局部」範圍內的操作。比如當 AI 拒絕你的貸款申請時，LIME 可以解釋是「收入不穩定」還是「信用紀錄有問題」導致拒絕。這種解釋在 Transformer 和 NLP 應用中廣泛使用，一大優勢是靈活且計算速度快，適合臨時分析不同情境下的 AI 判斷。比方說在醫療場景，LIME 可以幫助醫生理解 AI 為何推薦某種治療方案，並說明幾個主要原因，這樣醫生不僅能更快做出決策，也能增加患者的信任感。

第三是反事實解釋：如果改變一點點，會怎麼樣？

如果 AI 告訴你：「這家銀行不會貸款給你」，這時你可能會想知道：是收入不夠，還是年齡因素？這時你就可以問 AI：「如果我年輕五歲，或者多一份工作，結果會怎樣？」反事實解釋會模擬這些變化對結果的影響，讓我們可以了解模型究竟是如何「權衡利弊」。

最後則是模型內部特徵的重要性排序。這種方法能顯示哪些輸入特徵對最終結果影響最大，就像揭示一道菜中，哪些調味料是味道的關鍵。例如在金融風險預測中，模型可能指出「收入」影響了 40%，「消費習慣」占了 30%，「年齡」占了 20%。不過如果要應用在像是 Transformer 模型等複雜結構時，還需要搭配前面提到的 SHAP 或 LIME 以及可視化技術，才能達到更完整的解釋效果。

講到這裡，你可能會問：我們距離能完全信任 AI 還有多遠？又或者，我們真的應該完全相信它嗎？

我們終究是想解決人與 AI 的信任問題

當未來你和 AI 同事深度共事，你自然希望它的決策與行動能讓你認可，幫你省心省力。因此，AI 既要「可解釋」，也要「能代理」。

舉例來說，當一家公司要做一個看似「簡單」的決策時，背後的過程其實可能極為複雜。例如，快時尚品牌決定是否推出新一季服裝，不僅需要考慮過去的銷售數據，還得追蹤熱門設計趨勢、天氣預測，甚至觀察社群媒體上的流行話題。像是暖冬來臨，厚外套可能賣不動；或消費者是否因某位明星愛上一種顏色，這些細節都可能影響決策。

這些數據來自不同部門和來源，龐大的資料量與錯綜關聯使企業判斷變得困難。於是，企業常希望有個像經營大師的 AI 代理人，能吸收數據、快速分析，並在做決定時不僅給出答案，還能告訴你「為什麼要這麼做」。

傳統 AI 像個黑盒子，而可解釋 AI （XAI）則清楚解釋其判斷依據。例如，為什麼不建議推出厚外套？可能理由是：「根據天氣預測，今年暖冬概率 80%，過去三年數據顯示暖冬時厚外套銷量下降 20%。」這種透明解釋讓企業更信任 AI 的決策。

但會解釋還不夠，AI 還需能真正執行。這時，就需要另一位「 AI 代理人」上場。想像這位 AI 代理人是一位「智慧產品經理」，大腦裝滿公司規則、條件與行動邏輯。當客戶要求變更產品設計時，這位產品經理不會手忙腳亂，而是按以下步驟行動：

1. 檢查倉庫物料：庫存夠不夠？有沒有替代料可用？
2. 評估交期影響：如果需要新物料，供應商多快能送到？
3. 計算成本變化：用新料會不會超出成本預算？
4. 做出最優判斷，並自動生成變更單、工單和採購單，通知各部門配合執行。

這位 AI 代理人不僅能自動處理每個環節，還會記錄每次決策結果，學習如何變得更高效。隨時間推移，這位「智慧產品經理」的判斷將更聰明、決策速度更快，幾乎不需人工干預。更重要的是，這些判斷是基於「以終為始」的原則，為企業成長目標（如 Q4 業績增長 10%）進行連續且動態地自我回饋，而非傳統系統僅月度檢核。

這兩位 AI 代理人的合作，讓企業決策流程不僅透明，還能自動執行。這正是數智驅動的核心，不僅依靠數據驅動決策，還要能解釋每一個選擇，並自動行動。這個過程可簡化為 SUPA，即「感知（Sensing）→ 理解（Understanding）→ 規劃（Planning）→ 行動（Acting）」的閉環流程，隨著數據的變化不斷進化。

以偉勝乾燥工業為例，他們面臨高度客製化與訂單頻繁變更的挑戰。導入鼎新 METIS 平台後，偉勝成功將數智驅動融入業務與產品開發，專案準時率因此提升至 80%。他們更將烤箱技術與搬運機器人結合，開發出新形態智慧化設備，成功打入半導體產業，帶動業績大幅成長，創造下一個企業的增長曲線。

值得一提的是，數智驅動不僅帶動業務增長，還讓員工擺脫繁瑣工作，讓工作更輕鬆高效。

數智驅動的成功不僅依賴技術，還要與企業的商業策略緊密結合。為了讓數智驅動真正發揮作用，企業首先要確保它服務於具體的業務需求，而不是為了技術而技術。

這種轉型需要有策略、文化和具體應用場景的支撐，才能讓數智驅動真正成為企業持續增長的動力。

還在猶豫數智驅動的威力？免費上手企業 AI 助理！ 企業 AI 體驗 現在使用專屬邀請碼《 KP05 》註冊就享知：https://lihi.cc/EDUk4 訂閱泛科學獨家知識頻道，深入科技趨勢與議題內容。 立即免費加入