明明很難過，為何還老聽悲歌？

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／樊家欣｜雅文基金會聽語科學研究中心　助理研究員 

P. LEAGUE 最大咖球星林書豪加盟鋼鐵人隊，帶領鋼鐵人打出新氣象，並獲選為籃球單月最有價值球員「三連霸」，堪稱史上第一人！你，也愛打籃球嗎？當你在體育館時，是否有察覺到周圍的聲音跟平常不太一樣呢？ 

迴響，能讓聲音隔空變魔術！

體育館一般有挑高的設計以及較大的室內容積，當其中有聲音產生，傳遞到周圍較硬的介質表面「反射」回來，而產生延遲和失真的現象，稱為「迴響（Reverberation）」。由於空間容積與迴響時間成正比，空間越大，迴響時間隨之延長。沒有進行吸音處理的體育館，運球聲、腳步聲、群眾吆喝聲等人造聲音將迴盪在空間中，聲音必須經過更長的時間才會完全消失，使人在體育館倍感喧騰。

善用設計，打造餘音繞樑的迴響聲學空間 

迴響在不同的空間，會因周圍反射的材質，展現不同的聲景樣貌，例如：音樂廳就是利用各種不同的「形狀」和「材質」來平衡聲音，再將之導向聽眾。

早期音樂廳的「形狀」只有鞋盒式，台北國家音樂廳就是歐洲數百年經典傳統鞋盒式音樂廳，平面觀眾席的聲響很好，但是後面的眺望台座位，由於天花板空間被擋住，與前面造成相異聲場，聲音就顯得不夠飽滿；而高雄衛武營音樂廳，其內部設計柏林愛樂廳一樣，採用的是葡萄園式音響設計，所有觀眾皆處在同一個屋簷下，觀眾席如同葡萄園般由舞台四周錯落展開，享受相同的音場，因此聲響均等優美。

從細部來看，「材質」平坦而堅硬的表面能反彈聲音、柔軟的表面可吸收聲音，粗糙的表面則會將入射的聲波散射。在牆壁和天花板上裝設經特別設計的嵌板，就能使聲音在抵達你的耳朵之前，先被調整並優化^[3]。藉由空間整體的設計，能讓迴響成為小精靈，締造優美的聲學空間。

迴響時間過長，對聆聽語音是個壞消息⋯⋯

美國國家標準協會（American National Standards Institutes, ANSI）於 2002 年建議迴響時間（Reverberation Time）少於 600 毫秒（= 0.6 秒）有最佳的語音理解和學習。在安靜的情境中，如果反射回來的語音較早抵達聽者的耳朵，則原聲和迴響會在聽覺系統裡整合，可能提升語音辨識度（Speech Recognition）；而較晚抵達的迴響，則不會與原聲有加成的作用，反而會遮蔽或模糊原本的聲音，而使語音辨識表現下降。除了語音辨識度之外，也可能因聲音的失真，而使聆聽變得費力。

聆聽費力度（Listening Effort）為一更敏感的指標，在一些迴響時間過長的情境中，即使語音辨識度沒有下降，但聆聽者可能因著迴響，而使聆聽造成負擔，或進一步使記憶或理解力下降^[5]，相關文章可以參考連結。因此，迴響時間過長，會提高語音辨識的難度和增加聆聽費力度。

善用科技，讓聽損者輕鬆聽清楚

一般人在有迴響的地方聽講可能會覺得比較不清楚或費力，而對於有聽力損失的人來說，會更容易受到迴響的不利影響^{[4] [6]}。因此，許多配戴助聽器或人工電子耳的聽損者，在聽講或聲音環境較為複雜的地方會搭配使用輔助聆聽裝置（Assistive Listening Device），如Ｔ線圈（Telecoil，又稱 T-coil）、藍芽及數位遠端麥克風等。此類裝置可將聲音訊號轉換，以無線的方式傳輸至助聽器／人工電子耳，來克服環境中迴響的干擾或距離因素，幫助聽損者聽得更清楚也更輕鬆^{[1] [2]}，相關文章也可參考連結。

綜言之，迴響在不同的聲學空間會產生不同的效應：在設計不良的空間會產生聽覺上的干擾，而在好的聲學空間則能使聆聽成為一種享受；另外，藉著輔助聆聽裝置也能幫助我們克服迴響等外部因素而有好的聆聽！

1. 吳彥玢（2019）。助聽器使用者使用數位遠端無線麥克風系統與動態調頻系統之比較〔未出版之碩士論文〕。國立台北護理健康大學語言治療與聽力研究所。
2. 林郡儀、張秀雯（2016）。校園聽覺環境及聽覺輔具之應用發展。輔具之友，39，29-34。
3. 凌美雪（2018年08月14日）。鞋盒式或葡萄園式、柏林愛樂黃金之音怎麼聽？自由時報。ltn.com.tw。
4. Brennan, M. A., McCreery, R. W., Massey, J. (2021). Influence of Audibility and Distortion on Recognition of Reverberant Speech for Children and Adults with Hearing Aid Amplification. Journal of the American Academy of Audiology, 33, 170-180. Doi: 10.1055/a-1678-3381.
5. Picou, E. M., Gordon, J., Ricketts, T. A. (2016). The Effects of Noise and Reverberation on Listening Effort in Adults With Normal Hearing. Ear and Hearing,37(1), 1-13. Doi: 10.1097/AUD.0000000000000222.
6. Xu, L., Luo, J., Xie, D., Chao, X., Wang, R., Zahorik, P., Luo, X. (2022). Reverberation Degrades Pitch Perception but Not Mandarin Tone and Vowel Recognition of Cochlear Implant Users. Ear and Hearing, 43(4), 1139-1150. Doi: 10.1097/AUD.0000000000001173.

渴求過去的心態

我與眾多喪親者做了大量訪談；其中一次，一位年長的出色男性坐在小桌子另一端與我談話，他的妻子幾年前過世了。

他對我說了過去夫妻之間的暖心故事，告訴我他們中學時認識的過程，之後年紀輕輕就結了婚，生了兩個孩子一起建立美好的家庭。他訴說著過去的家庭生活有多快樂、他有多愛她。

說起妻子因病去世時，他就有點忍不住淚水了，在她過世前的最後幾週，他陪伴左右，然而最後她還是走了。接著他又說，自己最近認識了一位和妻子很不一樣的女性，對方有著與妻子截然不同的興趣，而且個性比較外向。

對他來說，重新開始約會雖然感覺有點怪，但他覺得和對方在一起的自己充滿了活力。這時他靜了下來，沉思了一陣子後，只說了一句：「我只是想說，以前的我們很好。」他又停頓了下，「而現在這樣也很好。」

渴求的心情並不是專屬於過去的產物，也不是只會令人緬懷以前的人事物；渴求同時也代表一個人對當下有某些不滿。假如人真的只會對過去產生渴求，那就可以單純花一些時間回憶過去，覺得追憶夠了以後再把注意力轉回當下發生的一切就好。

然而在面對悲傷的時候，眼前的現實可能充滿了痛苦，這也就顯得過去的一切更加美好。假如當下的現實生活真的不是那麼吸引人，或是因為自己根本無法將注意力從過去移開，因此不知道當下能賦予自己什麼，這種渴求的狀態就更可能會不斷持續。

悲傷的盡頭是恐懼嗎？

除了我在前文已提過的悲傷、憤怒和失去一部分自己的感受以外，悲傷也可能令人心裡充滿恐慌。

《卿卿如晤》是C．S．路易斯（C. S. Lewis）在太太過世後寫出的優美作品，他在書中寫道：「我從不知道，悲傷與恐懼竟如此相像。」（No one ever told me that grief felt so like fear.）對我來說，悲傷到一個極致時，確實可以稱得上是恐慌的狀態了。

父親過世後，我沒有孩子、沒有配偶、也不再有父母；在那之後的幾年我都覺得自己與這個世界徹底疏離，過去那些我習以為常的依附關係皆已不復存在。通常在傍晚時分，現實世界中的當下就會引起我的痛苦，而恐慌便成了我面對這些情緒產生的自然反應。

我的心和思緒會如萬馬奔騰一樣高速運轉，同時焦躁難耐地坐也坐不住；在這種恐慌的時刻，唯一能讓我好一點的就是順應身體釋放的腎上腺素，好好動一動身體，因此我通常選擇於夜色籠罩下在社區裡快走。走一走以後我的身體累了，心靈也終於開始感到疲憊，這時我會忍不住流淚，然後慢慢回家。

就我自己的體驗與C．S．路易斯的文字來說，其與神經學家賈克．潘克賽普（Jaak Panksepp）的想法不謀而合。

潘克賽普是情感神經科學（affective neuroscience）這個領域的先鋒，研究的正是情緒的神經運作機制；他堅信能以科學方法和實驗研究動物的情緒，也真的發展出了完整的科學模型，對大腦製造出的各種情緒以及情緒功能提出了解釋。

土桑的溫暖天氣是吸引年長學者造訪的一大誘因，我也因此有幸於二○一七年潘克賽普過世之前，在亞利桑那大學數次聆聽他的演講。大家對他的科學貢獻了解不多，然而其中之一就是神經生物學的悲傷研究。

悲傷與恐懼的身體反應

潘克賽普對悲傷不僅止於學術上的了解──他的女兒在青少年時期因酒駕者肇事而喪命，因此他對悲傷有最切身的經驗。

潘克賽普用全大寫的字母為掌管不同情緒的神經系統命名，如愉悅（JOY）、憤怒（RAGE）以及恐懼（FEAR）；掌管失落相關情緒的系統則是恐慌／悲傷（PANIC／GRIEF），從名稱就可以看出這兩種情緒的高度重疊。當然了，悲傷與恐慌的感受並非完全相同，潘克賽普的論述中指的是（一）強烈的悲傷、（二）物種間共通的悲傷感受、（三）尚未經過較高層次大腦皮質處理的悲傷。

他曾記錄下動物與同類被分開時會產生的反應，這些動物會產生更多身體活動，包括心跳與呼吸速率都會上升，同時也會釋放壓力賀爾蒙（例如：皮質醇）、發出求救訊號。潘克賽普在此領域提的焦點是動物發出的求救訊號，甚至有些物種會發出超聲波求救。

潘克賽普也提出了他稱為悲傷解剖學的理論，也就是動物在受到電流刺激時，大腦中互相連結而產生求救訊號的腦區。這些腦區當中就包含了中腦（midbrain）的導水管周邊灰質（periaqueductal gray），位置就在脊髓上方。

在我的第二項神經成像研究中，所有喪親受試者（無論有沒有複雜性悲傷）在看著他們深愛的逝者照片時，導水管周邊灰質都會產生活動；看著陌生人的照片時則沒有這種反應。

恐慌是為了讓自己與他人再產生聯繫

恐慌、身體活動增加、求救訊號都可能會令孤伶伶的動物與其他同類產生接觸；因此我們或許可以想像，恐慌／悲傷的功能就是為了促使動物（包括靈長類）與其他個體接觸；即便落單的個體無法再與原本的照顧者團聚，有其他同類在還是比較能夠提升其存活率。

處於壓力下的動物能透過社交接觸釋放類鴉片物質，不僅能夠舒緩壓力狀態，也能促使牠們學習新的經驗—與其他同類接觸的行為會使動物得到強大的酬賞（也就是體內產生的類鴉片物質），而這種有強烈吸引力的酬賞就會促使動物繼續做出能促發酬賞的行為。

假如我們能夠把這種生理機制當作獨特的治療機制，那該有多好啊。

——本文摘自《悲傷的大腦：一位心理神經免疫學者的傷慟考，從腦科學探究失去摯愛的悲痛與修復》，2023 年 ３ 月，臉譜出版，未經同意請勿轉載。