你是高估了還是低估了你的美貌？

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

你曾經深深著迷於自己花了好幾個小時完成的手工藝品嗎？或曾覺得自己剛設計好的一份簡報背景顏色挑得真是超棒，棒到得往後坐遠一點來讚賞自己的作品嗎？這樣的話，表示你已經中了「Ikea效應」。

這種心理現象名稱源於幾萬人對於組裝家具的熱愛，以來自北歐那知名的組裝家具店為名。研究這現象的美國杜蘭大學（Tulane University）行銷學教授莫雄（Daniel Mochon）說：「想像一下，當你組裝好一張桌子，或許看起來有點小瑕疵，而你的太太跟鄰居看這張桌子則很直接，就是個有點差勁的手藝品，但在你眼中卻覺得很完美，只因為這是你親手創造的，是你勞力的成果。這就是Ikea效應的意思。」

通常我們都認為因為喜歡一件事所以才付出心力，不過莫雄教授和諾頓（Michael Norton）在想：會不會反而是因為付出了心力所以喜歡這件事情呢？

在經過一系列實驗後他們發現，相同的工藝品，如果是自己完成的，比起經他人之手，會對其賦予更高的價值。最近的研究發現：除了因為自己完成了一份「偉大的作品」而感到自豪之外，也能藉此向別人展示「我很行」。

這效應中有個陰險的元素存在：被操弄而自認為自己較無能的人，可能更容易受到Ikea效應影響。另一方面，莫雄也發現，當人們獲得自信心的提升後，他們就比較沒有興趣向自己跟向別人展現能力。

那麼，像Ikea這樣的DIY家具店，有可能在店裡要顧客解決艱難的數學問題，而增加家具的銷路嗎？（刺激消費者藉組裝家具重拾自信）

莫雄答到：「這無疑是一種冒險的策略，要是消費者發現Ikea讓他們覺得自己很笨來增加家具的銷量，我不確定對Ikea會帶來什麼衝擊。」

莫雄的研究反映出一個嚴重的問題：全世界的公司、經理人愛上了自己的點子，並且否決了外來但更好的主意－因為那些主意不是出於自家。

「如果我陷在一個計畫裡，而且我為此工作一、兩年了，我可能會認為這個計畫是非常好的點子」，莫雄說，「所以如果有別人來跟我說這計畫非常的失敗，別再浪費時間了，我還是會埋頭苦幹的去做，就因為那是我的心血，這就是Ikea效應帶來的影響，我可能會認為這計畫比事實來得好。」

不管你是否在執行一個牽涉數百萬元預算的計畫，或是學校裡的專題研究，你非常需要在將你的「完美計畫」公諸於世之前，請沒有參與計畫的其他人給些意見吧！

資料來源：Why You Love That Ikea Table, Even If It’s Crooked. NPR [February 06, 2013]

Dove的行銷廣告讓人相信我們比自己想像得更美，但《Scientific American》雜誌一文則表示我們更傾向於高估自己的美貌。而且，高估的可能還不只是美貌。

2013年4月15日，Dove發佈了一款名為「美麗真相素描（Dove Real Beauty Sketches）」的短片。短片推出後，立刻受到追捧。幾百萬的點擊率，讓其成為眾人津津樂道的病毒式營銷（viral campaign）的成功典範。

美麗真相？

在影片中，我們可以看到一名女性在向一名法醫素描師口頭描述自己的長相，然後法醫素描師據此來給她畫像。為了排除干擾，他們彼此用簾子隔開，因此在 作畫過程中法醫素描師並不能看到女性的臉。除了根據女性的自我報告進行創作，法醫素描師還會根據他人對該名女性的描述來完成一幅素描。「他人」有男有女， 他們與來參加實驗的女性並不熟悉，只是在實驗前兩人有過寒暄罷了。

最後，所有的女性都會看到兩幅畫像，一幅是自我報告的成果，另一幅則是他人描述的結果。讓所有女性驚訝和欣喜的是，對比兩幅畫像，根據他人描述所畫 的自己更加美麗。影片最終以這樣一句話結尾——「你比自己認為的更美。」（You are more beautiful than you think）而畫上句點。考慮到生活中很多女性對自己相貌的挑剔，這個看似科學的實驗似乎得出了一個非常讓人心動的結論。就像安徒生童話裡的醜小鴨，如果有一天突然意識到自己竟是一隻白天鵝，那該是如何地暢快。

「美麗真相」的真相

然而當人們沉浸在創造出的驚奇和欣喜中時，心理學研究告訴我們，這一影片的結論是錯誤的。實際的情況是，相比如貶低自己，人們更加傾向於抬高自己。透過玫瑰色的眼睛審視自己是人的天性，大部分人大腦中的自己都比真實的自己更優秀，不僅是在外貌上，在每一個方面都如此。

芝加哥大學的尼克勞斯·艾普利（Nicholas Epley）和弗吉尼亞大學的艾琳·惠徹（Erin Whitchurch）的研究最直接地證明了此廣告具有的欺騙性。他們的一系列研究證明，我們認為自己比真實的自己更加美麗。研究者拍攝了所有參與者的照 片，然後通過相關軟件將照片變形，來提高或者降低照片的吸引力。最終得到三種圖片，未變形的、高吸引力和低吸引力的照片。隨後，研究人員告知實驗參與者， 電腦將會給他們呈現一些圖片，包括他們原始的圖片和變形後的圖片。參與者的任務就是在這些照片中識別出沒有經過變形的圖片。實驗的結果表明，人們會更多地 將高吸引力的圖片認定為沒有變形的圖片。

有意思的是，實驗者只有在識別自己照片時才會出現這樣的偏差，在識別陌生人照片時卻非常準確。同樣的實驗程序，當照片上的人由自己變成了一個在3周 前在另一個完全不相關的實驗中遇到過的陌生人，人們會更多選擇沒有經過變形的圖片。為了進一步驗證自己的結論，研究人員進行了新的實驗。以往的研究表明， 當外界對象和人的內在表徵相符合時，人們識別該對象的速度更快。也就是說，如果人們內心深處認為吸引力更高的圖片就是自己的話，他們識別這樣圖片的速度會更快。果不其然，實驗結果驗證了先前的假設。

都是「自我感覺良好」

對自己相貌的誇大性認知是一種常見的現象，心理學家將其稱為「自我提升（Self Enhancement）」。心理學研究表明，人們對自己做好事的可能作出過高的估計，但是在預測陌生人此類行為時卻非常準確。例如，相比如實際捐款數， 人們會高估自己會捐助的數額，但是在預測陌生人的捐款時卻客觀又準確。同樣的，當面對即將到來的總統選舉，人們會高估自己給某位候選人投票的可能性，卻能 比較客觀預測他人的投票意願。人人都認為自己比一般人要優秀得多，當然我們都知道這在統計學上是不成立的。這種效應被命名為「平均數之上效應（the above average effects）」。該效應在生活中隨處可見，比如93%的司機認為自己比其他司機的平均車技更好；94%的大學教授覺得自己的工作表現優於他人工作表現 的平均值。人們也會不切實際地低估自己和他人相比的健康風險：人們覺得自己得流感的概率比他人低。股民會認為自己買的那隻股票肯定會賺錢。如果你天真地認 為這種「自我提升」效應只存在於他人身上時，你並不孤單，因為大多數人都會說自己比其他人更能做出準確的自我評估。

為什麼人們需要進行「自我提升」呢？這得從自我提升帶來的好處說起。在社交生活中，表達出自己擁有良好的個性品質能帶來和諧的人際交往。理論上，人 們可以在自己有準確的認知的同時去欺瞞他們。但是欺瞞有兩個缺點。首先，會給人們增加認知上的負擔，作為一個欺瞞者，人們需要在真實和虛假中來回周旋，這 樣的糾結會影響大腦執行其他任務。第二，人們其實都很擅長發現欺騙者，並且對於虛偽的行為表現出極強的負面情緒。所以現實中人們選擇了「自我提升」，真心地相信自身是優秀的、美麗的，高於平均數的，不再需要為了讓自己受歡迎而去精心編制謊言，這樣的自我提升也增加了人們的自信。研究者也發現，在選擇人群中 的領頭人和戀人時，自信都起了很大的作用。自信的人更容易獲得人們的信任並且他們的建議更容易被採納。

結論

儘管此營銷視頻得出的結論——真實的你比大腦中的你更加美麗，是錯誤的。但是認為自己比實際中的自己更美似乎並不是一件壞事。

果殼編按：似乎為了規避欺騙他人的風險，人們最終選擇了欺騙自己。

參考資料：You Are Less Beautiful Than You Think

轉載自果殼網