蜜蜂們正在成群的死去，原因是什麼呢？養蜂帶頭人丹尼斯-范-恩格勒斯多普(Dennis vanEngelsdorp)給我們揭示了這些溫順的、被誤解的生物在大自然中的重要性和背後令人擔憂的消失之謎。
這篇演講是討論蜜蜂的消失，其實不只蜜蜂消失，一樣對傳粉很重要的蝙蝠也在消失中。影片提出也許是整體自然環境在經歷一種失調的變化，最後提到希望每個人能在自家周圍幫助環境的生態，別用人工的佈置抹殺破壞我們的生態環境。
本文原發表於科學影像Scimage 演講[2010-04-01]
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。
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！
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。
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。
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。
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。
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。
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
討論功能關閉中。
深海，被譽為地球最後的未開發疆域，隱藏著許多不為人知的奧秘。數千公尺深的海底沉積了數量龐大的多金屬結核，這些礦物因含有大量珍貴金屬，對現代技術，尤其是能源轉型，至關重要。然而，科學家在探索這些結核的過程中意外地發現了一種神秘的現象：暗氧，即在無光的深海環境中生成氧氣的過程。這一發現不僅可能改變我們對海洋生態系統的理解，還可能重新定義地球早期生命起源的故事。
長期以來，科學界普遍認為氧氣的生成依賴於光合作用。光合作用是植物、藻類及一些細菌透過陽光將水和二氧化碳轉化為有機物並釋放氧氣的過程。這一過程主要發生在地球表層和淺水區域，是維持大氣和海洋中氧氣含量的核心機制。根據這一觀點，只有在陽光能夠到達的區域，氧氣才能被生成。因此，對於深達數千公尺的深海區域，我們的認識是，氧氣主要來自於表層水透過洋流輸送到深處。
然而，深海中缺乏光源，光合作用無法進行，這意味著氧氣在深海中的供應受到限制。雖然洋流能夠在一定程度上將氧氣輸送到深海，但這一過程極其緩慢，往往需要數百年甚至上千年才能完成一次循環。因此，科學家一直認為深海是一個缺氧的環境。
在這樣的背景下，科學家對深海進行了更深入的探索，並發現了錳結核（英語：Manganese nodules），又被稱為多金屬結核這一珍貴資源。多金屬結核是富含金屬的岩石，其主要成分包括鈷、錳和鎳等金屬。這些結核廣泛分佈於全球深海區域，尤其是太平洋海域，儲量高達數兆噸。這些金屬對綠色能源技術，如電池生產，具有極高的價值，吸引了全球各國的關注。
然而，這些結核不僅是地球資源的寶藏，它們還隱藏著另一個重要的發現。2013 年，科學家安德魯·斯威特曼（Andrew Sweetman）在太平洋克拉里昂-克里珀頓區域進行深海研究時，意外地發現，在封閉的深海水域中，氧氣濃度竟然有所增加。這一現象引發了科學界的極大關注。
斯威特曼的研究團隊推測，深海中的多金屬結核可能在某些化學條件下，充當了天然電池。這些結核通過電化學反應將水分解為氧氣和氫氣，從而在無光的環境中產生了氧氣。為了驗證這一假設，團隊在實驗室中模擬了深海環境，並確實觀察到氧氣從結核生成的現象。
不過，這一過程並非如想像中簡單。根據實驗數據，某些海底結核表面的電壓僅為 0.95 伏特，卻能夠生成氧氣，這與理論上需要的 1.6 伏特電壓不符。研究團隊進一步推測，這可能與結核的成分有關，例如含鎳的錳氧化物可能起到了催化作用，降低了反應所需的能量。此外，結核表面的不規則排列及空隙可能也促進了電子轉移和水的分解。
暗氧的發現挑戰了我們對氧氣生成的傳統理解。過去我們認為，地球上的氧氣主要來自於光合作用，但這一現象表明，甚至在無光的深海環境中，氧氣也能通過無機物的電化學反應生成。這意味著，我們對於地球早期氧氣循環及生命演化的認識可能存在重大疏漏。
尤其值得注意的是，多金屬結核的形成需要氧氣，而這些結核大量出現在深海中，是否表明早期地球上就已經存在非光合作用的氧氣生成機制？如果是這樣，暗氧是否可能推動了地球上生命的起源？這一問題仍然未有定論，但暗氧的發現無疑為生命起源的研究開闢了一條新的途徑。
除了科學研究的價值，多金屬結核也吸引了全球對於深海資源開採的興趣。這些結核富含稀有金屬，特別是對電池生產至關重要的鎳和鈷。然而，大規模的深海開採可能會對海洋生態系統造成嚴重破壞。
首先，深海採礦可能導致噪音和光污染，破壞深海生物的棲息地。此外，採礦過程中產生的懸浮物可能對海洋生物，尤其是水母等生物造成生理負擔。研究顯示，水母在模擬的採礦環境中會因應對懸浮物而消耗大量能量，這可能削弱其免疫系統並降低生存率。
因此，雖然深海資源的開採看似能解決當前的能源危機，但國際間對此議題的爭議仍然持續。全球已有32個國家支持暫停或禁止深海採礦，呼籲進行更多的生態影響研究以確保環境保護。
暗氧的發現，不僅為科學研究帶來新的挑戰，也為深海資源的開採提出了更高的要求。在能源危機與生態保護之間，我們需要尋找平衡點。未來的技術或許能夠在不破壞環境的情況下，模擬自然過程生成多金屬結核，從而實現可持續的資源開採。
此外，暗氧現象的發現也為探索外星生命提供了新的思路。當我們在其他行星上發現氧氣時，不一定意味著那裡存在光合作用生物，可能是類似多金屬結核的無機反應在默默進行。這一發現或許將改變我們對地外生命的定義與尋找方式。
深海的秘密仍在不斷被揭開。從暗氧的發現到多金屬結核的開採，這片未開發的疆域將在未來的科學探索與資源爭奪中扮演至關重要的角色。無論是能源危機的解決還是生態系統的保護，我們都應以謹慎且負責任的態度面對這一未知的領域，避免打開潘朵拉之盒。
討論功能關閉中。
或許是台灣大眾對文蛤非常熟悉，所以 2023 年 4 月新聞報導「台灣文蛤」被認定為新的物種時，引發一波「蛤？」的熱潮。究竟文蛤有哪幾種，真的不一樣嗎？現在的台灣人會吃文蛤，古代人也會嗎？
文蛤住在海岸附近，南亞、東南亞、東亞、東北亞到日本的沿岸，都能見到文蛤生存，物種不少，研究不多，分類有許多討論空間。
這項研究主要關注 3 個物種，包括住在日本、韓國的「麗文蛤（Meretrix lusoria）」，東亞偏北的「中華文蛤（Meretrix petechialis）」，以及全新定義，東亞南部與台灣的「台灣文蛤（Meretrix taiwanica）」。
台灣文蛤不只住在台灣，東亞沿岸也有，所以不算台灣特有種，不過可謂台灣的本土物種。
遺傳上看，中國南北的文蛤各自成群，有所差異，為什麼以前沒有中國學者區分新物種？不清楚，或許是覺得同屬一個中國沒必要獨立，將其視為同一物種內的明顯差異。依照新研究，中國南部的文蛤將改名為台灣文蛤。
這項研究使用外殼型態與 DNA 分辨不同文蛤。遺傳學標記是「CO1 Barcode」。CO1 全名 cytochrome c oxidase 1，是粒線體上的基因。
此基因在不同物種間的差異夠多，又沒那麼多（差異不多會分不清楚，可是倘若差異過多，同一物種內的變異也很大，就失去分群的意義，不適合用來鑑定）。儘管提供的訊息遠不如基因體全面，卻容易定序與分析，所以常常被用於鑑定與分類。
比對文蛤們的 CO1 基因序列，台灣文蛤、中華文蛤彼此最接近，不過兩群內皆明顯自成一群，也就是說台灣文蛤們獨立一群，中華文蛤們也自己一群，不論外貌如何，都可以明確區分出兩個物種。
而麗文蛤們也自成一群，和兩者平行。被新定義為台灣文蛤的物種，和麗文蛤相比，遺傳上離中華文蛤更接近。因此可以確認台灣現今的文蛤，絕對不是以前長期認為的麗文蛤。
依照歷史記載，麗文蛤曾經在日治時代人為引進台灣，但是最近野外採集，都沒見到麗文蛤。
外觀方面，台灣文蛤的顏色與花紋變化多端，可是皆為同一物種。一般人不見得要像研究人員去野外廣泛採集才能體驗這件事，去點一盤或買一袋，應該也相當直觀。
20241022編按：感謝顏聖紘教授與下方留言者於FB指出疑義，作者已根據意見修訂內容，以下是留言原文：「2020 年所命名為 Meretrix formosa 那篇，主要問題是其非正式的生物分類報告，僅用精子結構進行判別，未做物種形態比較與描述，並且未指定模式標本，因此只能引用該報告結論作為新種的佐證，但無法成立新種命名。」
神奇的是，其實 2020 年就有另一組學者注意到這個問題，在另一篇論文中也將台灣文蛤定為新物種，建議命名為 Meretrix formosa（福爾摩沙文蛤）。不過這項研究沒有完成目前遵循的新物種命名程序，沒有進入大眾視野。
另外還有一個物種「Cytheraea formosa」，在公元 1851 年由英國學者 G.B. Sowerby II 命名。但是此一學名已經遭到取消，過往歸類為該物種的樣本學名應該皆為 Meretrix lusoria，也就是麗文蛤。
台灣西部有一款很稀有的「虎斑文蛤（Meretris tigris）」。2019 年有一篇碩士論文《台灣養殖文蛤的遺傳多樣性及種原鑑定》（指導教授徐德華，研究生莊朝喜），主張虎斑文蛤不算一個物種，只是台灣的文蛤旗下一款。
這篇碩士論文沒有定義新物種，如果依照新分類，可以算是台灣文蛤的虎斑亞種（Meretrix taiwanica tigris）。
除此之外，現今台灣野外不只存在台灣文蛤，也採集到「韓國文蛤（Meretrix lamarckii）」。和麗文蛤相比，韓國文蛤與台灣文蛤的親戚關係更遠，明確為不同物種。兩者棲地也不同：韓國文蛤住在浪較大，純海水的環境；台灣文蛤則偏好坡度平緩的半淡鹹水河口。
還有一種外觀與台灣文蛤類似的「普通文蛤（Meretrix meretrix）」，分布於東南亞，目前沒有在台灣見到。
現今台灣本土的文蛤是台灣文蛤，但是古時候就存在台灣嗎？
台灣各地常常能見到遺棄大量貝殼形成的貝塚，考古遺址也出土不少貝殼，可見貝類是古代常見的資源，不過確認的文蛤並不多。另外更要注意，以前沒有台灣文蛤一說，時常將台灣的文蛤視為麗文蛤。
目前最清晰的紀錄來自新北市海邊的十三行遺址，根據水產試驗所的學者蕭聖代、莊世昌鑑定，這兒出土的文蛤應該是台灣文蛤。另外台北市的國立臺灣博物館，台中市的國立自然科學博物館蒐藏的標本，僅管以前有不同分類，其實也都是台灣文蛤。
台灣北部，淡水河流域的十三行遺址是住海邊的人群遺跡，文蛤年代至少數百年。不過以常理推論，台灣文蛤應該更早以前就住在台灣，只是存在感不如很多種貝類。
除了文蛤以外，十三行遺址也出土過許多種貝殼，見證古代豐富的貝類生態，例如大蜆、紅樹蜆、牡蠣、黑鐘螺等等。
至於台北市比較內陸的圓山遺址，儘管以貝塚出名，卻沒有出土過文蛤，主要貝類是十三行遺址也有的大蜆（Cyrenobatissa subsulcata）。圓山的大蜆貝殼最長可達 8 公分，約為成人手掌大。
隨著時代變遷，現今大蜆已經從基隆河流域消失，不再能大蜆身手。
由考古研究看來，台灣這塊土地的過去與現在是延續的。古早人吃台灣文蛤與其他貝類，現代人也吃台灣文蛤與其他貝類。
劃重點：
本文亦刊載於作者部落格《盲眼的尼安德塔石匠》暨其 facebook 同名專頁。
2020 年所命名為 Meretrix formosa那篇，主要問題是其非正式的生物分類報告，僅用精子結構進行判別，未做物種形態比較與描述，並且未指定模式標本，因此只能引用該報告結論作為新種的佐證，但無法成立新種命名。
chuangsc217@gmail.com
寒波
andy
