Loading [MathJax]/extensions/tex2jax.js

0

1
0

文字

分享

0
1
0

從「馴化狐狸實驗」可以學到選股秘訣?選擇一個特徵,就能贏得全場——《跟達爾文學投資》

今周刊出版
・2024/12/01 ・3797字 ・閱讀時間約 7 分鐘

-----廣告,請繼續往下閱讀-----

從馴化狐狸實驗中學投資?

身為投資人,你難道不希望只選擇一個企業特徵,就能「免費」獲得許多優質企業嗎? 從「馴養狐狸實驗」中,我們可以學會這項投資技巧。

迪米屈為西伯利亞新西伯利亞俄羅斯科學院細胞學與遺傳學研究所所長。他擔任這一職務長達 26 年,直到1985年去世。在這段期間,他進行了生物學史上最為卓越、持續時間最長的實驗之一,這項研究至今仍在進行中。

他試圖回答兩個問題:(1)動物的馴化(例如狗、豬、山羊和牛)是如何開始的,以及(2)為什麼大多數馴化的動物都具有相似特徵,包括垂耳、捲尾巴、斑駁的顏色(黑色和白色的斑塊)和嬰兒般的面孔?他相信動物的馴化,是由於在千年的天擇過程中發生的可遺傳的基因變化所導致。

迪米屈假設,當我們的祖先馴化野生動物時,所選擇的關鍵因素是溫馴性。因此,選擇的單位與動物的外部特徵無關,而與其行為有關。這是一個大膽的猜測,因為當時大多數科學家都認為身體外形是選擇的單位。迪米屈該如何檢驗他的大膽理論?只有回到動物開始被馴化的時候。以狗來說,這表示他要對野生狼進行實驗,但在西伯利亞要找到一匹狼非常困難,因此他選擇了銀狐。他設計一個選擇性的育種實驗,將「溫馴性」作為唯一的選擇因素。

-----廣告,請繼續往下閱讀-----

他招募莫斯科大學優秀的大學生柳德蜜拉.卓特來領導和管理這場在西伯利亞的實驗。柳德蜜拉的毅力和創造力,將永遠改變行為遺傳學領域。

迪米屈探索動物馴化起源,並揭示馴化與基因遺傳變化的關聯性。圖/envato

馴化狐狸實驗:選擇一個特徵的驚人結果

柳德蜜拉的第一個任務是選擇一個繁殖狐狸的地點。她找了一個名為雷斯諾(Lesnoi)的出售狐狸毛的大型商用農場,距離她和家人居住的新西伯利亞超過 350 公里。她於 1960 年秋季開始實驗,大約有十幾隻狐狸。她還雇用幾位來自附近村莊的婦女擔任照顧者和實驗者。以下就是實驗的運作方式。

實驗者從狐狸出生後 1 個月開始,對牠們進行一系列測試,直到牠們在 6 至 7 個月時達到性成熟。當幼狐狸1個月大時,實驗者會伸手給牠食物,同時試圖撫摸牠。實驗者會對幼狐進行兩次測試:一次在籠子裡,一次在更大的圍欄中與其他幼狐一起自由活動時。她每個月都會重複這個測試,直到幼狐達到性成熟。

為確保幼狐對這些測試的反應只是根據基因選擇,幼狐沒有接受訓練,除了與實驗者的短暫互動外,沒有任何與人類的接觸。幼狐與母親一起被關在籠子裡直到約 2 個月大,然後與同窩的幼狐一起。大約 3 個月大時,就會被放進單獨的籠子中。

-----廣告,請繼續往下閱讀-----

當幼狐大約 7 個月大時,實驗者根據溫馴程度將牠們分為三個類別。第三類狐狸對飼育員不友好,不是逃離飼育員就是表現出攻擊性。第二類狐狸表現中立,對飼育員沒有情感反應。第一類狐狸是最友善的,似乎想要與飼育員互動。

柳德蜜拉和她的團隊選擇一些最溫馴的第一類狐狸進行交配,並且對下一代幼狐進行相同實驗。到了 1962 年的第三代,柳德蜜拉注意到一些比較溫馴的狐狸開始比以往早幾天交配,並且產下的幼狐體型比野生狐狸稍大一些。除此之外,沒有任何明顯的變化跡象。

在 1963 年 4 月,當柳德蜜拉走近第四代幼狐的籠子時,她看到一隻名叫安柏的公狐正在熱情地搖著尾巴,這正是小狗會做的事,但無論是在籠裡還是在野外,從沒有人見過銀狐會對人搖尾巴。安柏也對其他人類搖尾巴,與牠同代的其他幼狐都沒有這麼做,但即使一隻狐狸改變了原本行為並且模仿狗,這也是重大新聞。迪米屈在他們第一次見面時就告訴柳德蜜拉,他想把狐狸變成狗。這個過程,已經開始了嗎?

到了 1966 年,安柏的後代,許多第六代幼狐開始對飼育員搖尾巴。安柏並非異常現象—牠是開路先鋒。柳德蜜拉已經確切證明搖尾巴是遺傳的。到了這個時候,研究人員不得不增加另一類狐狸,稱為 IE 類:精英。這些狐狸非常友好,渴望與人類接觸,而且會像狗一樣會發出嗚咽聲以引起人類注意。在第六代中,大約有 1.8% 的幼狐成為精英;到了第二十代,幾乎有 35% 的狐狸都屬於精英;大約 35 代之後,超過 70% 的狐狸都成為精英。

-----廣告,請繼續往下閱讀-----
經過 35 代選育,70% 狐狸成為友善親人的「精英」類,遺傳證據明確。圖/envato

這是一個極速的演化過程:在不到 40 年時間,迪米屈和柳德蜜拉的實驗基本上將一個原本會迴避人類的野生狐狸族群,轉變為可當成在任何人家中的寵物狗一樣飼養的生物。這些狐狸非常溫馴,爭著得到人類注意,並與飼育員建立了深厚的情感聯繫。牠們的行為幾乎完全與狗的行為無異。柳德蜜拉和她的團隊幾乎完全消除牠們的野性。但還不要太驚訝,我還沒透露實驗最有趣的結果。

單一選擇的連鎖效應

實驗者注意到,這些更加溫馴的第八代狐狸也開始展示一些新的生理特徵。第一個變化是毛色:一些狐狸的毛皮呈現出魚鱗狀圖案,這在綿羊、狗、馬、豬、山羊、老鼠和天竺鼠等馴養動物中很常見。當兩種顏色—通常是黑色和白色—在動物的皮膚上形成不規則斑塊時,就形成魚鱗狀圖案。實驗中的野生狐狸都沒有魚鱗狀圖案,但隨著繁殖的世代愈來愈多,牠們開始顯示出這種顏色。進一步出現的身體特徵包括耳朵下垂和捲曲的尾巴—同樣地,這在許多馴養物種中很常見,特別是狗。

在1990 年代初期,團隊還開始注意到,馴養的狐狸的頭顱和下顎開始與野生同類有所不同。馴養狐狸的頭顱高度和寬度變得比較短,牠們的口鼻部變得更短更寬,使牠們看起來像嬰兒一樣—幾乎完全模仿狗與狼之間的差異。

請記住,迪米屈和他的團隊只選擇一個特徵:狐狸是否願意被馴化。他們對體型、毛色、頭顱形狀、耳朵的硬度或其他任何事情都不感興趣。實驗人員非常小心,確保只是根據馴化程度進行選擇。但是這個單一的行為特徵篩選項目,卻引發了動物體內的許多身體變化。這是怎麼發生的呢?

-----廣告,請繼續往下閱讀-----

被馴化的銀狐並沒有發生新的突變,但牠們的基因表現卻因為馴化程度的選擇而發生變化。這就是一個基因不變,但改變其表現的方式:它會產生更多或更少的化學物質,如蛋白質或荷爾蒙。

當柳德蜜拉和她的團隊選擇馴化的狐狸時,他們是在不知不覺的情況下影響了一組特定基因的表現。這種選擇,改變了調節狐狸發育和身體特徵的某些神經化學物質和激素的釋放量和時機。

銀狐實驗也解決了先前討論過的,家畜動物之間眾多身體相似性的數百年謎團。迪米屈正確地假設,由於哺乳類動物共享類似的荷爾蒙和神經傳遞調節系統,選擇性馴化會在牠們身上引發眾多相似的發育和身體變化。

銀狐實驗證實,馴化選擇影響基因調控,導致動物間的相似特徵。圖/envato

實驗已經進行六十多年,證明了演化不是逐步發生的。動物的行為和生理有密切關聯。而觀察力敏銳的達爾文早就知道這一點了。他預測,如果人類選擇某一個特徵,肯定也會導致其他特徵的轉變,這是因為他所謂的「生長相關性的神祕法則」。

-----廣告,請繼續往下閱讀-----

投資中的特徵選擇:資本運用報酬率

就像在選擇馴化的銀狐幫助迪米屈和柳德蜜拉培育出許多其他特徵一樣,選擇高資本運用報酬率的企業,讓我們得以選擇許多其他具有理想特質的企業我們拒絕那些長期歷史資本運用報酬率低於 20% 的公司。我們的初步名單約有 150 家公司,只有那些在過去 5 到 10 年或更久的時間,資本運用報酬率超過 20% 的公司。

我並沒有說我們只看資本運用報酬率來得出我們的結論。這麼做真是太魯莽和愚蠢了。我想說的是,我們透過研究歷史資本運用報酬率紀錄以開始評估一家企業。如果你是投資人或打算成為投資人,你將發展出自己的投資方法和風格。但無論你怎麼做,首先充分了解企業的歷史資本運用報酬率,將確保你會遙遙領先競爭對手。選擇一個,就能免費獲得許多。

——本文摘自《跟達爾文學投資:取經大自然,從物競天擇脫穎成為市場贏家!》,2024 年 10 月,今周刊出版,未經同意請勿轉載。

-----廣告,請繼續往下閱讀-----
文章難易度

討論功能關閉中。

今周刊出版
9 篇文章 ・ 1 位粉絲

0

1
0

文字

分享

0
1
0
拆解邊緣AI熱潮:伺服器如何提供穩固的運算基石?
鳥苷三磷酸 (PanSci Promo)_96
・2025/05/21 ・5071字 ・閱讀時間約 10 分鐘

-----廣告,請繼續往下閱讀-----

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。

-----廣告,請繼續往下閱讀-----

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。

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。/ 圖片來源:MotionArray

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)」!

-----廣告,請繼續往下閱讀-----

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。

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。

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。/ 圖片提供:研華科技

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。

-----廣告,請繼續往下閱讀-----

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。

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。/ 圖片來源:MotionArray

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)。

-----廣告,請繼續往下閱讀-----

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。

-----廣告,請繼續往下閱讀-----

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。

-----廣告,請繼續往下閱讀-----
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。/ 圖片提供:研華科技

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

-----廣告,請繼續往下閱讀-----
-----廣告,請繼續往下閱讀-----
文章難易度

討論功能關閉中。