奶粉中需要添加DHA和AA嗎？

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

無法分辨成體和幼體的生物

小孩與大人不一樣。但是有些生物的幼體形態與成體型態相同。

舉例來說，鱷魚的幼體與成體幾乎長得一模一樣，剛破蛋而出的鱷魚寶寶已經具有完整的鱷魚外形，出生後逐年長大，巨大的鱷魚可以長達好幾公尺。不過鱷魚的成長速度在不同環境和溫度下不盡相同，光從大小無法判斷年紀，只看外形也無法分辨是成體或幼體。有些生物的成體和幼體的形態則相差甚遠，好比蝴蝶和蛙類；也有些生物的成體和幼體沒有太大區別，如同鱷魚。

這兩類生物的差別是什麼？

海葵就是幼體和成體相差很多的生物。海葵幼體是一種很像水母的生物，叫做「浮浪幼蟲」 。浮浪幼蟲在海中自由自在漂游，找到喜歡的岩石區時就會落腳，落腳後就不再移動，附著在岩石上長成海葵。移動是海葵幼體的重要任務，長大後的海葵則是肩負產卵留下子代的使命。

蛙類和蝴蝶的成體與幼體形態也各不相同，不過任務分配上與海葵不同，負責移動的是成體不是幼體。
由此可見，如果一個生物的幼體與成體各有不同任務，彼此的形態就不會相同，而沒有區分任務的生物就具有相同形態。

人類的大人與小孩 

我們人類又是什麼情況呢？ 

人類不會因為長大而生出翅膀或尾巴消失。人類的大人和小孩的外型非常相似，但並非完全相同的個體。舉例來說，嬰兒在我們眼中看起來就很可愛。

小孩子可愛的祕密在於他們的寬額頭。嬰兒的眼睛和鼻子集中在臉的下半部，額頭顯得很寬闊，寬額頭會使得整張臉看起來就惹人憐愛。而且嬰兒頭大、四肢短，整體感覺圓滾滾的，帶有人類大人不具備的「可愛感」。假如出現了一個比成年人更巨大的嬰孩，所有人應該還是能夠辨識出他是個嬰兒。人類不像鱷魚，我們不會分辨不出來誰是大人、誰是小孩。 

人類的大人和小孩具有不同的外型。除了人類，貓狗的寶寶也長得很可愛，即便是凶猛的獅子與灰狼，牠們的幼崽看起來還是很討喜。哺乳類動物的一大特徵，就是「幼體很可愛」。

嬰兒為什麼可愛？

哺乳類動物的嬰兒擁有可愛的外型。

人類出生後先是嬰兒，嬰兒長大是兒童，童年時期的人類依然保有他們的可愛，但是在長大的過程中卻會漸漸失去這種特質。

蛙類的成體和幼體雖然具有不同形態，但是蝌蚪並不是很可愛；蝴蝶小時候是毛毛蟲，反而比較多人覺得毛毛蟲噁心，只有少數人認為牠們可愛。 

既然如此，哺乳類動物的嬰兒為什麼會可愛？

原因就在於，嬰孩需要大人的保護。哺乳類動物具有育幼行為，牠們的子代需要親代的養育。小孩的可愛外形是為了獲得大人的保護。烏龜以堅硬的龜殼防身，毛毛蟲透過毒毛保護自己，而哺乳類動物的嬰兒則是把「可愛」當護身符。 

嬰兒的額頭很寬。為什麼額頭寬看起來就比較討人喜歡呢？因為大人的腦袋裡內建了寬額頭等於可愛的程式。 證據就是只要額頭寬，不管是不是嬰兒看起來都很萌。不過額頭寬並不是為了可愛。

如果說紅燈是「停止」的信號，寬額頭就代表「不可以攻擊」與「要保護他」的信號。

對於哺乳類動物來說，大人要保護小孩，小孩要被大人保護。大人與小孩的外型相似卻又不盡相同，因為他們肩負不一樣的任務。這樣說來，小孩的任務是什麼呢？小孩的任務很明確，就是「長大」。一個人要有健全的童年，才能成為健全的大人，這就是小孩的任務。

不過近年來人類的大人和小孩越來越難區別了。 總覺得不像小孩的小大人一直在增加，長不大的巨嬰也很多。

——本文摘自《生物轉大人的種種不可思議：每一種生命的成長都有理由，都值得我們學習》，2023 年 8 月，商周出版，未經同意請勿轉載。

• 文／雞湯來了特派員 林威廷
• 校稿／雞湯來了 陳世芃
• 製圖／雞湯來了 黃珮甄、雞湯來了實習生 翁欣容
• 編輯／雞湯來了 蕭子喬

自從 COVID-19 疫情爆發，戴口罩已成為日常生活的新常態。口罩遮住了人們大部分的臉，讓彼此看不到完整長相，更看不到豐富的臉部表情。究竟，這是否對人與人之間的互動有深遠的影響？

更值得注意的是，臉部表情屬於肢體語言的一部份，是言語溝通之外，辨識與表達情緒相當重要的管道。各級學校教師和照護中心人員，為了避免傳播病毒，多會戴上口罩。

然而，在這種環境下成長，年紀還小且對於情緒辨識還在初步學習中的幼兒，是否會因此失去與人正常互動和判斷情緒的機會呢？對於他們情緒辨識的發展，又有什麼影響呢？

「口罩是否會影響幼兒判斷他人情緒」一題，雞湯來了綜整多篇研究，發現西方相關研究較多，而結果其實眾說紛紜。許多研究藉由不同實驗設計，不同切入視角、樣本對照，便得出了不同結果。不過，我們也因而從中歸納出幾個關於口罩新生代幼兒情緒發展的重要發現。

關鍵發現 1｜年齡發展階段：3-5 歲最受口罩影響

2021 年 5 月一組研究團隊發表一篇研究，他們測試「3-5 歲幼兒」、「6-8 歲兒童」和「成人」三個群體判斷人臉情緒的正確率：他們準備了不同情緒的人臉，將人臉的照片後製放上口罩，讓這三群人判斷情緒。

結果發現：不同年齡層的群體中，「3-5 歲幼兒」面對戴或沒戴口罩的人，回答對方情緒的「答對與否」比例差距最大，可說上述三種對象中最受口罩遮臉影響的群體。研究也推論，因為「3-5 歲幼兒」判斷情緒的主要來源仍是臉部表情；6 到 8 歲兒童和成人，則較懂得運用其他情境線索來判斷情緒。

關鍵發現 2｜容易被混淆的情緒：生氣與難過

另一篇 2021 年 11 月的研究，從 9 間照護中心招募 276 位 3-6 歲的幼兒， 讓他們判斷 15 個演員所拍的 90 張人臉照片的情緒。這些幼兒判斷「照片中沒戴口罩的人之情緒」正確率為 70.6%，若將照片換成戴上口罩的人，這些幼兒判斷的正確率仍為 66.9%！

特別的是，有約 25% 無法區分生氣和難過這兩種情緒，占了辨識情緒錯誤之中的多數，可見對於幼兒而言，「生氣」和「難過」在臉部表情上有許多相似的特徵，如何進一步區分情緒，是可以進一步討論的課題。

關鍵發現 3｜表情之外的辨識來源：聲音的判斷力

其實在疫情之前，2019 年就有研究團隊關注過幼兒的情緒判斷能力。他們不只關心臉部表情，也關注聲音。他們讓 313 位就讀幼兒園的 3-6 歲幼兒：分別透過觀察「臉部表情」和「聽聲音」來判斷情緒。

結果發現：觀察「臉部表情」的視覺判斷正確率最高達 8 成，但以「聽聲音」聽覺判斷的正確率只有 5-6 成。由此可知，對於幼兒而言，視覺很可能比聽覺更容易判斷情緒。

研究也進一步分析，發現觀察「臉部表情」時，「開心」的情緒比起「生氣和難過」更容易透過視覺判斷出來；但若只有「聽聲音」的話，悲傷的情緒比較容易被察覺。

幼兒情緒教育可以怎麼做？疫情之下把握可控的 2 個安心實踐

由上述的幾項研究結果，我們可以發現兩個重點：

1. 喜怒哀樂，判斷各種情緒的難易度不同：
   幼兒判斷不同情緒的能力程度是有差異性的，差異性的原因可能來自於年齡，或者為情緒的不同性質，比如說幼兒最容易辨識開心，但容易混淆難過與生氣。
2. 除了表情，還有多種判斷情緒的來源：
   判斷情緒的依據不只有臉部表情，肢體、聲音語調、各種情境線索也能幫助我們判斷情緒。

或許，在口罩還是一種日常必須之時，我們可以多著眼於其他「可控」的因素，例如引導孩子判斷情緒的多元方法，從聲音、其他肢體語言等判斷；又或者更進一步和孩子透過故事或案例，討論生氣與難過的的差異，嘗試學習更多口罩日常的情緒辨識之道。

大人可以透過繪本共讀的方式，討論繪本中的角色在故事中的情境中「產生了什麼情緒」、「為什麼會產生這樣的情緒」。共讀討論時，不只從圖片中角色的表情，還可以從書中角色的肢體動作、其他角色的反應等多元脈絡，練習判斷角色的情緒類型和產生原因。

甚至，我們可以進一步在日常生活中，引導孩子正視自己的情緒、接納並以合適的方式表達情緒。同時引導幼兒觀察目前身處的情境，例如現在是什麼場合、現場的人們在做什麼、我應該如何表現等等。

相關推薦：繪本推薦與引導孩子情緒的方法

延伸閱讀：雞湯來了

1. Covic, A., von Steinbüchel, N., & Kiese-Himmel, C. (2020). Emotion Recognition in Kindergarten Children. Folia phoniatrica et logopaedica : official organ of the International Association of Logopedics and Phoniatrics (IALP), 72(4), 273–281.
2. Gori, M., Schiatti, L., & Amadeo, M. B. (2021). Masking Emotions: Face Masks Impair How We Read Emotions. Frontiers in psychology, 12, 669432.
3. Schneider J., Sandoz V., Equey L., Williams-Smith J., Horsch A., Bickle Graz M. (2022) The Role of Face Masks in the Recognition of Emotions by Preschool Children. JAMA Pediatr. 176(1): 96-98.