一般來說,DNA 以雙股螺旋的型態穩定存在。當 DNA 分離成單股的狀 態時,很容易發生同一條 DNA 上的鹼基彼此配對,糾結成一個複雜的 線團,這種型態通常被稱為二級結構。經過適當的設計,這種二級結 構可以再自我組織成特定的幾何結構,如 2004 年時一組美國的研究 團隊,成功地利用單股 DNA 合成出奈米八面體。但是這種設計的難度 相當高:鹼基序列必須只讓 DNA 的特定區域間彼此相接,卻又不能讓 這條 DNA 出現另一種組合方式;再者當特定的二級結構完成時,如何 誘導該結構拼湊成最終的形狀,這些都是亟待挑戰的課題。
這位加州理工的科學家提出了一個絕妙的點子:既然我們希望這個 DNA 摺紙要固定成想要的形狀,那不妨釘個釘書針上去!這個訂書針 由寡聚核苷酸 (oligonucleotide) 製成,上面有幾段序列,可以跟單 股 DNA 上不同位置的序列對應,如此便可將 DNA 上不同的位置經由 這個釘書針釘在一起。而且這種釘書針有個特異功能,如果單股 DNA 自己已先折疊成我們所不期待的二級結構,它可以鑽進去把這個結構 解開!這種寡聚核苷酸長度短容易定做 (一般約 32 個鹼基),但它可 容許的編碼尺度足以標定複雜的平面結構。
他構思一種可以任意訂作的二維 DNA 奈米元件:首先設計一個想要的 二維形狀,然後拉一條線在圖案內來回填滿這個圖形,此時要考慮每 條線的寬度與長度必須能配合雙股 DNA 的尺寸單位,設計完成後這條 線可以視為該圖案的骨架。下面的步驟交給電腦程式規劃,程式會自 動標定出適合安插釘書針的位置,讓寡聚核苷酸序列穿過許多縫隙 處,使最終產生出來的 DNA 圖案不致於鬆散不成形。如果這條用來當 骨架的單股 DNA 是已知的序列,那麼程式也會設計出所有需要的寡聚 核苷酸序列。
-----廣告,請繼續往下閱讀-----
他利用 M13mp18 genomic DNA 來示範他的點子。該 DNA 經小幅度剪 裁後可摺疊 100 層,需要約 200 到 250 支寡聚核苷酸釘書針。他測 試過正方形、長方形、星形、空心的三角形,以及一個可愛的笑臉圖 案。將單股 DNA 與訂製的寡聚核苷酸泡在一起,兩個小時內逐步將溫 度由攝氏 95 度降到攝氏 20 度,最後將樣品滴在雲母基板上由 AFM 掃描影像。結果顯示他的製程可以成功地將 DNA 折疊成所設計的圖 案,這位科學家並宣稱他的方法有著相當高的產率與良率。
經由適當設計,我們可以在這種釘書針上增加一段序列,該序列會自 我組合成一個啞鈴狀的二級結構,當 DNA 二維圖形完成後,可以從 AFM 掃描影像分辨出來。由於特定的釘書針只在圖形上的特定位置出 現,所以可以利用這種方法在 DNA 二維圖形上畫出想要的圖案。整段 DNA 圖形約可容納 200 根釘書針,也就表示該圖案可以擁有 200 個畫素。在實驗中科學家示範了在 200 奈米大小的 DNA 畫布上繪製 出美洲地圖。另外,在寡聚核苷酸上還可以增加一段未配對的鹼基序 列,當單股的 DNA 圖形組合完畢後,這些未配對的段落將會導引整張 DNA 圖案與其他的未配對序列互相連接,如此可將不同塊 DNA 零件兜 出更大的奈米器件。
這位科學家相信,這次所開發的方法將有無窮的發展潛力。這套 DNA 摺紙術應該可以直接應用到建構三維的奈米結構,而且只要有不具週 期性的百萬鹼基單股 DNA,這套方法應該可以直接製造出微米尺度的元件。
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。
-----廣告,請繼續往下閱讀-----
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。
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。/ 圖片來源:MotionArray
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)」!
-----廣告,請繼續往下閱讀-----
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。
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。/ 圖片提供:研華科技
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。/ 圖片來源:MotionArray
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)。
-----廣告,請繼續往下閱讀-----
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。
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。
-----廣告,請繼續往下閱讀-----
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?
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。
-----廣告,請繼續往下閱讀-----
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。/ 圖片提供:研華科技