「每一個馬桶都是英雄，只要黃金奈米微粒，它會消去你所有煩憂」，多虧現在有了新發明，你只需要一些陽光、一點水接著參雜著金黃色奈米微粒就可以消毒了。這些微小的金屬表面，在吸收陽光產生能量後，即使溫度未達沸點，也能使水轉變為水蒸氣。（參見〈奈米讓蒸氣更爭氣 !〉）
在一項新研究中，工程師表示他們可以利用黃金奈米微粒，建立一個免插電、以太陽能殺菌的系統。由於效率好以及電源獨立性，使得這個滅菌裝置非常適合運用在公用廁所裡。這項研究發表於《Proceedings of the National Academy of Sciences》，研究團隊希望這項發明能快點問世，以預防一些開發中國家及滅菌技術較落後的國家面臨病菌散佈的問題。
資料來源: ScienceShot: Sterilizing Human Waste, No Electricity Required[8 July 2013]
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。
本文轉載自顯微觀點
顯微鏡後的女性科學家系列
顯微鏡學的蓬勃發展，不僅促進了醫學﹑公共衛生的發展，而在這背後也有許多偉大的女性科學家參與其中。
屏東縣九如鄉一處養羊場有 3 頭羊確診「布氏桿菌病」，為台灣約 30 年來首例，動防所已撲殺感染羊隻並進行消毒。由於「布氏桿菌」為人畜共通傳染病，衛福部疾病管制署匡列 4 名牧場員工……。2023 年 12 月 9 日報導
由於乳製品滅菌的觀念普及，現在已很少聽聞布氏桿菌感染。這都得歸功於首先發現經由飲用感染布氏桿菌的生牛乳而導致人類得馬爾他熱，進而促成乳品全面巴氏消毒的細菌學家艾莉絲．埃凡斯（Alice Catherine Evans）。
埃凡斯的祖父 1831 年從英國威爾斯移民至美國，她於 1881 年 1 月 29 日出生在美國賓州尼斯威爾斯社區的一戶農家。
埃凡斯在出生地念中小學，因當地沒有高中，她到了賓州托旺達（Towanda）的薩斯奎漢納學院（Susquehenna）就讀。1901 年畢業後，進入大學就讀的夢想因家裡無法負擔而破碎，且當時小學教職幾乎是唯一對女性開放的非基層勞力職業，因此她沒有多想就進入一所小學擔任 1 至 4 年級的教師。
她在家鄉和外地的小學共教了 4 年書後，得知有康乃爾大學農學院提供偏鄉教師免學費的自然科學課程。當時康乃爾大學的農學院院長貝利（Liberty Hyde Bailey）希望藉由受過訓練的教師，培養學生對大自然的熱愛、對植物和動物以及無生命世界的興趣。
埃凡斯申請了這項計畫，並用她四年教書的積蓄來到康乃爾大學，並選擇細菌學作為研究領域，指導教授是研究乳製品的微生物學家史托金（William A. Stocking）。
1908 年她獲得康乃爾大學農學院的學士學位，經指導教授推薦，獲得威斯康辛大學的獎學金；這是專門提供給專攻農化或細菌學研究的獎學金，且在此之前未曾頒給女性。於是埃凡斯前往威斯康辛大學繼續碩士學業。
但她雖然是拿細菌學獎學金，但在農業細菌學指導教授黑斯廷斯（Edwin George Hastings）的要求下，埃凡斯花了三分之二的時間研讀化學，並於 1910 年獲得碩士學位。 碩士學業最後一年，教授希望埃凡斯留下來繼續攻讀博士學位。雖然意識到這是不錯的機會，但大學和碩士學業已帶給她不小的經濟和精神負擔，加上博士學位在當時對科學家並非必要，因此她選擇不再繼續攻讀。
每個人都有自己的天職，天賦就是呼喚，有一個方向，所有的空間都向他敞開。他擁有靜靜地吸引不斷往前努力的能力。
——愛默生
幸運的是，埃凡斯獲得了農業部動物產業局（Bureau of Animal Industry）的研究職位。由於乳酪是威斯康辛州的重要產業，當時威斯康辛大學化學系和細菌學系與乳製品部門合作，研究更好的乳酪製作方法。
埃凡斯是該單位首位女性員工。當時的動物產業局官員沒有想到可能會選擇女性。據傳聞，官員們在一次會議中聽到一名女科學家將加入他們的工作行列的「壞消息」時，他們充滿了驚愕，甚至「差點從椅子上跌下來」。
埃凡斯的回憶錄寫到：「就我而言，進入動物產業局純屬意外，因為長官在女性就業屏障上留下了一個漏洞，我不知不覺地就鑽了進去。」但這在女性就業可說是一個重要的里程碑，因為除非對美國公務員提出嚴重的投訴，否則埃凡斯不會被任意解僱。
所幸埃凡斯的頂頭上司，乳製品部長羅爾（B. H. Rawl）與研究主任羅傑斯（Lore A. Rogers），都不認同其他高級官員對女性的敵意。她在此研究主題是牛乳中各式各樣的細菌，並了解這些類型細菌的來源。同時，她也每年在大學選修一門課，以充實知識。
研究過程中，她的目光漸漸集中到一個特定的對象，一種致流產的傳染性微生物。
討論功能關閉中。
冥冥中一股力量強壓肩頭，女子又坐回馬桶上。才剛結束排便，卻覺得沒解乾淨，一坐便是幾小時。找了家庭醫師兩次，診斷不出個所以然。數月後，她開始聽到三名陌生男女在談論自己。有回如廁，忽見一黑影晃過。她咬定是三姊下降頭。[1]
求神問卜無法化解，連續十載情勢加劇。最後，女子索性霸著馬桶，吃喝拉撒睡。長期虛弱困坐，體重掉了 20 公斤，無法自主移動，還得仰賴別人協助沖澡。廁所門外稍有風吹草動，她便嚇得驚慌失措。丈夫多次苦勸就醫，她都以死相逼，於是在馬桶上扎實地坐了兩年半。[1]
直到那天，丈夫硬是叫來救護車，把她送去新加坡唯一的精神科教學醫療機構──心理衛生學院（Institute of Mental Health）。[1, 2]
這名華裔女子來自馬來西亞，家裡 12 個孩子中，她排行倒數第二。兒時窮困，小學五年級輟學，打過不少零工。23 歲時，到新加坡當裁縫。24 歲結婚，成為家庭主婦，育有一子。儘管個性外向隨和，愛好逛街、交友；但社交圈不大，發病後獨由丈夫照顧，僅與一名手足保持電話聯絡。[1]
文獻指出，亞洲家屬對精神病患的普遍心態：社經底層恐懼憎惡；上流精英則感到罪惡羞辱。這樣貼負面標籤的現象，在新加坡 18 至 65 歲的民眾之間，十分明顯。[1]該國人口七成多為華人；再來是馬來與印度裔各佔不到一成。[3]《論語．顏淵》：「克己復禮為仁。一日克己復禮，天下歸仁焉。」儒家壓抑私欲，成就社會秩序。[4]然而，若因此嚴重忽略心靈感受，便可能誤將情緒困擾，解讀為身體不舒服。[1]華人愛面子，「家醜不外揚」的觀念，更會在面臨心理衛生議題時，加強否認、汙名化和軀體化（somatisation）。[1, 3]假裝事情不存在，或是怪罪軀體毛病。比起受過高等教育的族群，像本案女子這般的中低學歷患者，尤其容易將精神病徵歸咎於身體狀況。[1]
除了倫理束縛，民間宗教也是精神病患就醫的阻礙。不少東南亞女性患者，把「降頭」信仰融入被害妄想，指控親屬毒咒自己。家人見其怪異行徑，也以為是巫術所致，便延誤了診療時機。1980 年代，甚至有香港研究指出，高達一成的華人病患，在症狀出現超過 9 年後，才尋求醫療協助。[1]
時年 57 歲的女子坐在診間，儀容不整，躁動失寧，消瘦憔悴，痀僂蜷曲，後背與雙腿破皮。毫無病識感的她，抱怨身體多處不適，又說擔憂三姊迫害。[1]幻覺、妄想、思考紊亂、行為異常等，皆為思覺失調症的常見症狀。[5, 6]此疾患好發於 20 來歲，兒童或 45 歲之後才發病的案例較少，[5]所以女子被視為罹患晚發性思覺失調症（late-onset schizophrenia）。另外驗血結果，顯示她維他命 D 不足，[1]會妨礙鈣質吸收。[7]
醫師開了抗精神病藥物risperidone、鎮靜劑clonazepam，與能消彌強迫性念頭的選擇性血清素再吸收抑制劑fluvoxamine；還有補充維他命D和鈣質的藥錠。[1, 8] 住院期間，女子的幻覺消失，被害妄想減退；藏身廁所的時間，也降至每日半小時以內。不過，無論物理治療怎麼訓練，她仍是得靠輪椅活動。18天後，女子出院。接下來十年持續回診追蹤，並服用 fluvoxamine 和 risperidone。變得較有病識感的她，不再懷疑遭三姊詛咒。[1]
