長尾鯊靠「甩尾」打昏獵物

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

文同，字與可，是北宋著名畫家，以畫竹聞名。文同是蘇軾（東坡）的表兄，曾送給蘇軾一幅竹畫。文同去世後，蘇軾看到這幅畫，寫了篇紀念文章，開篇記述文同的對畫竹的看法，其中有這麼一段話：

故畫竹必先得成竹於胸中，執筆熟視，乃見其所欲畫者，急起從之，振筆直遂，以追其所見，如兔起鶻落，少縱則逝矣。

譯成白話就是：

所以畫竹心裡一定先要有完整的形象。畫時執筆凝神熟視，就能看到自己所想畫的。這時趕緊畫下心中所見，宛若兔子剛跳起來，兔鶻就飛捕下去般迅速，否則靈感稍縱即逝。

蘇軾的這段話產生了兩個成語：胸有成竹、兔起鶻落。前者小朋友大概已明白它的意思，後者即使明白它的意思，大概也只知其然、不知其所以然。就讓章老師費點筆墨解釋一下吧。

兔起鶻落，比喻動作敏捷，或形容繪畫及撰寫文章迅速流暢。讓我們造兩個句吧。

老畫家提起筆來，宛如兔起鶻落，頃刻之間一幅寫意山水就完成了。

他是少林拳高手，打起拳來兔起鶻落，讓人看得眼花撩亂。

接下去就要談談這個成語的科學意義了。當野外的有蹄類次第消失，兔子成為最重要的獵獸，自然而然發展出一套以獵兔為主的狩獵方式。平民百姓用獵犬追逐，大戶人家僱請鷹師馴練獵鷹，在空曠野地縱犬放鷹，為秋冬時分有閒有錢階級最熱衷的戶外活動。

在北方，用來獵兔的鷹，以鷹科的黃鷹（蒼鷹）和隼科的兔鶻（獵隼）為主。黃鷹體型較大，單隻即可出獵。兔鶻體型較小，極少一擊斃命，通常反覆搏擊，等到兔子無處可逃，才縱犬追捕。

兔鶻體重不到 1 公斤，但飛行迅速，兇猛無比。牠一看到兔子，會收攏翅膀，像箭一般俯衝下去。蘇軾用兔起鶻落形容下筆迅捷，說不定他就是個兔鶻玩家。

在隼科中，體型最大的是產在（大陸地區）東北北部的海東青（矛隼）。說牠體型大，也不過 1.4 公斤左右。海東青簡稱海青，是最珍貴的獵鷹，飛得又高、又快，可獵取天鵝等大型飛禽。遼代皇帝每年春天在松花江畔用海東青獵天鵝，這可是一年一度的盛事啊！

遼、金、元和清朝，這些北方民族建立的王朝莫不崇尚海東青。從金、元到清代，流放遼東（今東北）者，如捕獲海東青，還可抵罪呢！

「可有任何事物能令你恐懼？」「有，孤獨地死去。因此，我帶你同行。」－電影《比得兔》（2018）。^[1]拉別人陪葬的概念，雖然不太道德，但確實使人安心。然而，「兄弟爬山，各自努力」，人生總有非得獨立克服的重大挑戰。在缺乏救援的情況下，僅知他人也正經歷相同的苦難，對當事者又會有何影響？

實驗小鼠接受挑戰

日本研究團隊買了一票10週大的雄性實驗小鼠（C57BL/6 N），來接受行為測試。^[備註]為避免不同生理性別的反應差異，可能影響比較結果，雌性被排除在外。小鼠們4到5隻住一籠，裏頭吃喝無限供應，室溫維持在攝氏23到26度之間，照明每天開關各12小時循環。^[2]總之，小鼠養尊處優，就等著任人宰割。

實驗項目：懸尾測試、強迫游泳測試

懸尾測試（tail suspension test）：小鼠尾巴末端，被用膠帶固定，整隻吊離地面60公分。^[2]

_{左圖／參考資料 2}

強迫游泳測試（Porsolt forced swim test）：在透明圓柱容器中，注入23 °C的水，直到水深達7.5公分，再將小鼠放置其中。^[2]

_{右圖／參考資料 2}

這二項行為測試，又分別以三種模式進行：^[2]

1. 每次一隻小鼠受試。
2. 一次有二隻小鼠參與，中間以不透明隔板分開。理論上，還是可能聞到對方的氣味，或聽到彼此的聲音。
3. 同時實驗的兩隻小鼠之間，沒有隔板阻擋視線。

此外，為了瞭解受試小鼠是否會受同儕反應的影響，在雙鼠被迫游泳前，還有一道手續：先把小鼠關進圓柱容器中10分鐘，使其失去活動力，再對其中幾隻注射抗憂鬱劑imipramine。另一方面，能夠運動或是靜止的黑色玩具，也被納入此試驗。換句話說，除了單鼠模式外，所有游泳測試都會有下列5組之一，與被觀察的實驗組小鼠相鄰：^[2]

1. 正常的對照組小鼠。
2. 低活動力小鼠。
3. 打了抗憂鬱劑的高活動力小鼠。
4. 毫無作為的黑色玩具。
5. 動作頻頻的黑色玩具。

無論是上述哪種類型的實驗，每回都必須維持6分鐘，全程監視錄影，並記錄小鼠停止掙扎的次數與秒數。^[2]

實驗結果：游泳的小鼠受鄰居或環境影響

日本團隊在2022年6月2日的《科學報告》（Scientific Reports）期刊上，發表了這個研究的結果：在二種測試中，小鼠放棄掙扎的次數，都沒有因為同伴或玩具的加入而改變。參加懸尾測試的小鼠，可能因為無法輕易轉頭觀察環境，所以同時受試的小鼠數量，以及是否加入隔板，都不會改變牠們不動的時間長度。相反地，在強迫游泳測試裡，實驗組小鼠的姿勢，比較容易察覺周遭變化。因此，不管有無隔板，旁邊出現什麼狀態的同類或玩具，小鼠都會靜止較久。^[2]

於是，日本科學家下了一個結論：抓小鼠來實驗的時候，請記得注意牠們是否被鄰居或環境影響，以預防研究不精準。^[2]但是，去除小鼠周遭的干擾，我們就一定會得到想要的結果嗎？

強迫游泳測試的根本問題

強迫游泳測試於1970年代誕生後，就時常被拿來驗證抗憂鬱劑的效果。21世紀初，其運用愈加盛行。到了2015年，平均每天有一篇精神科論文，是根據這種實驗寫出來的。使用該測試的研究人員，普遍相信小鼠放棄掙扎的行為，是一種絕望的憂鬱表現。所以，當小鼠在水裡被搞到生無可戀，再投以抗憂鬱劑，理論上就能從牠們用藥前後的行為異同，來分析藥效。^[3]

唯一的癥結是：沒有人類能參透小鼠的感受。

反省強迫游泳測試的必要性

2019年的《自然》（Nature）期刊，以專文反省採用強迫游泳測試的必要性。畢竟醫藥界多年來的經驗顯示，該測試僅適用於百憂解（Prozac，學名：fluoxetine）等SSRI抗憂鬱劑。SSRI向來能讓小鼠在水中放棄掙扎前，多游一陣子；但其他抗憂鬱藥物，卻未必在小鼠身上造成相同作用。更令科學家困惑的，是有別於人類得長時間服藥才能抑制症狀；小鼠對藥物的反應通常極為迅速。這在在都說明，強迫游泳測試或許只是把小鼠整慘了，又未必使之憂鬱，而且根本不能提供對人類有用的科學數據。^[3]

有鑑於此，世界上不少知名藥廠，例如：賣COVID-19快篩劑和諸多醫藥產品的羅氏（Roche）、在嬌生旗下做COVID-19疫苗等藥物的楊森（Janssen），以及從奶粉商亞培分離出來專心製藥的艾伯維（AbbVie）等，近年都已經揚棄強迫游泳測試。^[3]

至於日本實驗裡的小鼠，牠們在為科學奉獻之後，被用二氧化碳安樂死，從此不再遭受人類的折磨。^[2]

備註：C57BL/6是一種實驗小鼠的品種，在繁衍數個世代之後，產生了具有相異特質的亞種。為了區別這些亞種，C57BL/6後面要加上繁殖小鼠的單位代號。例如：C57BL/6 J的J代表美國「傑克遜實驗室」（the Jackson Laboratory），而C57BL/6 N的N則是指美國「國家衛生研究院」（the National Institutes of Health，簡稱NIH）。^[4]

1. PETER RABBIT Funny Scenes Compilation, 5:39 – 5:44 (FRESH Movie Trailers, 2021)
2. Ueno H, Takahashi Y, Murakami S, et al. (2022) ‘Effect of simultaneous testing of two mice in the tail suspension test and forced swim test’. Scientific Reports, 12 (9224).
3. Reardon S. (2019) ‘Depression researchers rethink popular mouse swim tests’ Nature, 571, 456-457.
4. There is No Such Thing as a C57bl/6 Mouse! (The Jackson Laboratory, 2016)