「4D列印」讓設計自己組裝起來！

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

「那無疑是我從沒嚐過的味道」，論文的第一兼通訊作者 Jonathan David Blutinger 回想起初期的失敗，委婉地承認：「其實不難吃，只是與眾不同。我們畢竟不是米其林大廚。」^[1]所幸皇天不負苦心人，在多次修正後，美國哥倫比亞大學的團隊，終於做出原料一樣，但是不再坍塌的蛋糕，並於 2023 年 3 月的《npj 食品科學》（npj Science of Food）期刊上分享食譜。^[2]

3D 列印蛋糕的食譜

研究團隊的終極目標，是希望將來任何人均能用簡單的軟體烹飪，3D 列印再雷射加熱，創造經濟、健康且美味的餐點。他們選擇的食材相當普遍，全部都從美國紐約的 Appletree Market 超商購買。^[2]

材料

Skippy 花生醬、J.M. Smucker 草莓果醬、Nutella 榛果巧克力醬、Betty Crocker 糖霜、Krasdale櫻桃淋醬、拿叉子搗爛的香蕉泥；以及用食物調理機攪 2 分鐘製成的全麥餅乾糊（8 塊全麥餅乾、2 湯匙的牛油和 4 茶匙的水）。^[2]

步驟

（1）冷藏材料，使其變得濃稠，以穩定結構。^[2]

（2）把各種材料灌入分別的 7 支針筒（30ml；14 gauge）。^[2]

（3）將針筒裝進特製的 3D 食物印表機。^[2]

（4）把壓克力餐盤擺在 3D 印表機下，盛接針筒擠出的條狀物。其直徑約 1.5 毫米，會逐漸累積出蛋糕的半成品。^[2]

（5）論文有寫到運用藍光和紅外線，為蛋糕加熱。不過，實驗方法的段落，僅提及 3D 印表機附設的藍光雷射二極體（blue laser diode），也就是下圖中黑色的長方體。^[2]

從上面的影片，可見早期幾個版本的蛋糕，非常容易崩垮。^[2]研究團隊於是依據物質受力變形時，展現的黏性和彈性特質，即黏彈性（viscoelasticity），將食材分為「結構」與「填料」兩類，並在軟體中改變設計：^{[2, 3]}用結構性強的全麥餅乾糊，作為蛋糕各層的形狀基礎，又以花生醬和榛果巧克力醬輔助支撐，再填入其他相對柔軟的原料。最後，他們調整 3D 印表機的針筒高度，並減緩列印的速度。如此擠出來的流體，尾端便不會蜷曲。能避免繩捲效應（coiling effect或rope-coil effect），破壞蛋糕表面的平整。要不然有時會出現本文開頭的圖組中，最末一塊蛋糕那種毛躁的外貌。^[2]

3D 列印食品的推廣

目前 3D 列印食物尚未普及，此蛋糕的成形有如曇花一現。這一方面是基於科技新穎，懂得操作的人還少；另方面則因為這種印表機索價不菲，不是誰都玩得起。如果要商業化，研究團隊認為得採取 Gillette 刮鬍刀和 Nespresso 咖啡機的經營模式：壓低主要產品本身的價格，後續再從耗材獲利。換句話說，廠商賣出廉價的 3D 食物印表機，之後消費者就會以零買或長期訂購的模式，購買列印用的食譜和食物匣。食物匣的內容物，發展空間多元。除了碎肉和花生醬等泥狀物；也能推出醬油、橄欖油等液體；食鹽與胡椒之類的顆粒；還有百里香或香芹這類碎片等，任何可食用的東西。^[2]

此外，在薄利多銷和產品開發的同時，也要提升大眾的接受度。偏好天然食材，或是不信任食品產業，都是對 3D 食物列印存有疑慮的原因。研究團隊提出的解方，是宣傳它的好處，例如：精準調配營養，不浪費材料；降低能源耗損；以及客製化的食譜等。^[2]當然，似乎也就避而不談犧牲纖維質，以求列印順暢等問題。^[1]總之，他們描繪出科技烹飪的美好願景，並且排除萬難，要讓飲食邁向全新時代。倘若有天上述的市場成熟，產品賣相比論文中的蛋糕誘人，您會願意品嚐嗎？

致謝

特別感謝許凱勝先生協助確認技術細節。

1. Sample I. (22 MAR 2023) ‘Have your cake and print it: the 3D culinary revolution is coming’. The Guardian.
2. Blutinger, J.D., Cooper, C.C., Karthik, S. et al. (2023) ‘The future of software-controlled cooking’. npj Science of Food, 7, 6.
3. Gan H, LAM Y. (2008). ‘Viscoelasticity’. In: Li, D. (eds) Encyclopedia of Microfluidics and Nanofluidics. Springer, Boston, MA.

以往病媒蚊研究中，人類志願者及受試動物，得犧牲小我以造福蒼生。活生生地，讓蚊子叮咬並吸食他們的血液。現在，美國科學家用充滿動物血液的水凝膠餵蚊子；將來或許還能改為填充蛋白質營養液。^[1]從此以後，科學家便能像主持以酒代血的天主教感恩祭，慷慨地對蚊子說：「你們大家拿去喝，這一杯就是我的血，新而永久的盟約之血，將為你們和眾人傾流，以赦免罪惡。」^[2]

餵食蚊子的水凝膠

1944 年科學家 Samuel Gertler 合成的化合物 DEET（中譯「待乙妥」或「敵避」），在二戰期間被美軍用來驅蚊。^[3]之後各種防蚊成份的研究過程，仍免不了仰賴人類和動物的活體貢獻。隨著近年 3D 列印與生物相容水凝膠的技術發展，開發替代品的時機逐漸成熟。理想上，餵食蚊子的水凝膠製品，要具備高解析度的 3D 列印血管、擴散於組織中的血液、對多種蚊子的吸引力、低廉的成本，以及較少的動物實驗倫理問題。此外，最好還能搭配一組攝影器材，與相應的數據運算模型。^[1]

2023 年 2 月，美國研究團隊於《前沿生物工程與生物科技》（Frontiers Bioengineering and Biotechnology）期刊上，介紹他們一體成形的嘗試成果。^[1]

水凝膠的「食譜」

類似於做捲心酥，要先調配麵糊，烘烤定型，才能在裡面填充內餡。此實驗的第一個步驟，是製作稍後能注入血液，或者其他液體的水凝膠。研究團隊先把適當比例的聚乙二醇二丙烯酸酯（PEGDA）、明膠甲基丙烯（GelMA）、甘油（glycerol）、LAP 光敏劑與檸檬黃食用色素（tartrazine），混合在一起。^[1]透過數位光源處理（digital light processing），使原料遇光固化，將內有曲折空管的水凝膠薄片，3D 列印出來。^{[1, 4]}每批產出3份水凝膠，費時約 23 分鐘。^[1]

接著，成形的水凝膠，被丟進磷酸鹽緩衝生理食鹽水（phosphate buffered saline），浸泡至少 2 天。這段期間內，多餘的色素會不斷流出，所以要勤換水，直到水質清淨。上述從頭到尾的程序，一旦商業量產，成本即可降低。如果在無菌環境中製造，還能冷藏儲存數月。^[1]

注入液體

再來，就要幫捲心酥灌多元口味的內餡了。科學家購買了雞、羊和牛，已經去除凝血功能的研究級脫纖血（defibrinated blood）。^{[1, 5]}依照要進行的實驗，將這些血液或是其他液體，裝進針筒。接著，用注射泵浦（syringe pump）和管路，將針筒裡的內容物以 100 μL/min的速率，推進水凝膠裡。此實驗過程中，一支針筒透過管路，最多連接 6 份水凝膠。^[1]

蚊子實驗

美國科學家將多塊水凝膠，分別放置於幾個玻璃罩內。每個罩子裡，引進 20 至 30 隻母蚊子，當作主要的觀察對象。^[1]由於母蚊子吸血是為了產卵，所以裏頭還加上幾隻公蚊子作陪，來促進其食慾。^{[1, 6]}攝影機全程對準水凝膠，記錄蚊子的活動，時間總長約 30 至 45 分鐘。^[1]基於個別實驗的目的，方法設計上稍有差別：

1. 餵食觀察：使用充滿血液的水凝膠餵食蚊子，調整溫度與設備，替換蚊子的品種，並優化攝影機的紀錄。簡單講，就是做不同的嘗試，為後面的實驗打好基礎。^[1]
2. 食物選擇：為蚊子奉上動物血液、紅墨水和磷酸鹽緩衝生理食鹽水，三種「口味」的水凝膠，並貼心熱菜到37°C。後二者沒什麼營養價值，單純想看牠們好不好騙。^[1]
3. 防蚊成份：3個玻璃罩裡，血液飽滿的水凝膠，都溫熱至37°C，但分別為沒塗料、塗抹DEET，以及敷上一層檸檬尤加利油（lemon-eucalyptus oil）萃取物。測試蚊子會不會因為外層的化合物，放棄吸食水凝膠裡的血液。實驗重複5次，受試的蚊子也每次更換。^[1]

結果與展望

餵食觀察的錄像，歷經截圖、挑選、標註和校正等程序，成果被拿來訓練電腦找蚊子。於嘗試及調整後，此運算模型不僅能辨識影片中的蚊子，還會分別「未進食」與「進食中或吸飽血」的腹部形狀，平均準確率高達 92.5%。這個模型，馬上被運用在後面的實驗裡。^[1]

在選擇食物時，紅墨水和磷酸鹽緩衝生理食鹽水，顯然騙不過受試的蚊子；牠們唯獨吸食有動物血液的水凝膠。未來研發蛋白質營養液時，也可以用雷同的方式，評估蚊子的接受程度。為了引誘牠們，以後也能加碼在水凝膠上，塗抹真實皮膚會有的化學物質，並且在附近散佈二氧化碳。若是成功了，成品就能在其他病媒蚊實驗中，替代動物血液。如此便減少血液傳播疾病的風險，^[1]以及使用動物血液的倫理問題。

另一個實驗的 DEET 和檸檬尤加利油萃取物，一如預期地令蚊子完全不想靠近。倒是沒塗料的對照組，卻意外只有 13.8% 的低餵食率。科學家覺得應該歸咎於水凝膠太小，有些蚊子擠不進去。將來製作時，得加大表面積。^[1]

整體而言，論文的第一作者 Kevin Janson 博士，很滿意這個自動分析功能，迅速又穩定的運算模型。在研究驅蚊效果方面，身為論文作者之一的 Omid Veiseh 教授，則認為他們的設計，未來也可以用於測試其他化合物。至於病媒蚊的品種，此實驗主要採用的，是會傳播黃熱病（yellow fever）、登革熱（dengue fever）和茲卡熱（Zika fever）的埃及斑蚊（Aedes aegypti）。另一位作者 Dawn Wesson 教授表示，假使想套用此模型跟設備，在習性迥異的野生品種上，就得再花時間研究。^[7]

1. Janson KD, Carter BH, Jameson SB, et al. (2023) ‘Development of an automated biomaterial platform to study mosquito feeding behavior’. Frontiers Bioengineering and Biotechnology, 11:1103748.
2. 「教學方案」天主教台北總教區教理推廣中心（Accessed on 23 FEB 2023）
3. American Chemical Society. (20 JUN 2020) ‘N,N-Diethyl-m-toluamide (DEET)’. Chemistry for Life.
4. A Dowon, Stevens LM, Zhou K, et al. (2020) ‘Rapid High-Resolution Visible Light 3D Printing’. ACS Central Science, 6 (9), 1555-1563.
5. ‘Technical Support – FAQs’. Thermo Fisher Scientific. (Accessed on 23 FEB 2023)
6. Harrison RE, Brown MR, Strand MR. (2021) ‘Whole blood and blood components from vertebrates differentially affect egg formation in three species of anautogenous mosquitoes’. Parasites Vectors 14, 119.
7. Gillham AB. (09 FEB 2023) ‘Human test subjects may no longer be needed for mosquito bite trials thanks to invention of new biomaterial’. Frontiers Science Communications.