大量資料即時處理

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

在這裡介紹過了牛津大學網路研究所教授麥爾荀伯格（Viktor Mayer-Schonberger）和《經濟學人》（The Economist）雜誌資料編輯庫基耶（Kenneth Cukier）的《大數據》（Big Data: A Revolution That Will Transform How We Live, Work, and Think）這本好書，他們探討大數據（巨量資料）是什麼碗糕，大數據有什麼意義，還有大數據將如何改變我們的生活，對經濟、社會和科學會帶來什麼影響，我們又能如何趕搭上這波新潮流，如何懂得保護自己，避免個人資料和隱私受到侵害等等（請參見〈快準狠的大數據〉）。

這次他們把魔爪…哦不…觸手伸到了「教育」，寫了這本《大數據：教育篇：教學與學習的未來趨勢》（Learning with Big Data: The Future of Education），因為跟據他們的觀察，大數據正在跨入教育體系，對於全世界的教學與學習活動，勢必將產生極為深遠的影響，因此在這本書就是要談談大數據將如何改變教育。

他們舉出「大規模開放式線上課程」（MOOC）、可汗學院（Khan Academy）、Duolingo語文學習網站等案例。雖然這些線上課程早已不是新聞了，可是他們要再進一步告訴我們，當大數據的時代來臨，教育就不只 是上課聽講、讀書考試打成績、或是輕易選修更多科目而已。透過大數據，我們可以擁有史上最強大、具實證效果的工具，能夠瞭解「誰在學習」、「怎樣教學」與 「如何學習」這些重要的課題。

大數據讓我們前所未有的方式和觀點，看到究竟什麼有用、什麼沒用，以前不可能觀察到的種種學習阻礙，現在有辦法一一化解，大幅改善學生的學習成效，顛覆傳 統教學模式，造福更多學子。課程可以依據學生個人的需求做調整，真正做到因材施教，因為教師可以透過學生在線上學習時不經意的行為來判斷成效、調整教學內 容和順序，以及多次複習會造成學習瓶頸的困難觀念，甚至即時因應學生的反應而出招等等。教師的工作不會被教學網路和影片取代，而會變得更有效益、也更有 趣，因為能夠更專注針對學生作個人化的指導。

他們也認利用大數據分析，學校領導者和政府決策官員，也能用更低的成本提供更多教育機會，這些正是減少社會貧富差距、讓社經階層流動的重要因素；社會大眾 也能夠知道「學習」應當是怎麼一回事，打破教育主管機關和學校的壟斷地位，從而讓教育的本質和體制徹底翻轉。他們主張，大數據時代正是不斷學習的時代、翻 轉教育的時代！

不過大數據的應用是雙面刃，我們可能會把相關性誤判為因果，而且如果學生的個資無法被保護，其舊學習歷程被曝光，可是會影響日後的升學與就業。關於這方 面，《大數據：教育篇》引用了《大數據》的許多觀念和案例，例如誤將相關性當因果以及個資保護等等，所以建議也要去讀《大數據》這本書。

不過，盡信書不如無書，作者在西方遇到的問題，和我們在東亞遇到的，有很大的差異。最大的差異有兩點。

一個大差異，在一張很多網友在臉書分享的圖表清楚表達出來：圖裡有兩條軸線，第一條軸線為「歐美人才養成」，而第二條則是「台灣人才養成」，軸線將學習生 涯分成「學前」、「小學」、「國中」、「高中」以及「大學」等五個階段。「歐美人才養成」各階段的學習目標相當明確並且不同，學前做好生活管理、小學探索 環境、國中要開始找尋自己的夢想、高中則要面對生涯抉擇，而到了大學就要開始培養實務能力。

台灣人才培養的軸線，從「學前」一直到「高中」生涯，全是「讀書考試」，一直到「大學」時期，才要將「生活管理」、「探索環境」、「找尋夢想」、「生涯抉擇」以及「培養實務能力」一次統統完成，其中當然還少不了「讀書考試」。

歐美的教育偏向素質教育，相對於偏重考試的應試教育而言，較為注重體育、藝術能力和多元智能的培養，而真正的素質教育，目的在於讓學生能發揮個人潛能，各 展所長，並培養良好的品格，並不局限於學術上的才能。台灣的教育能夠篩選出很會考試（甚至還不見得會「讀書」哦）的學生，連公務系統都極度依賴考試，雖然 有好些公家工作幾乎不需要考試的技能。可是因為考試實在太浮濫，使得疲於奔命的教師能好好用心出題的時間都被嚴重壓縮，連有沒有認認真真地好好考考學生各 方面的學術能力都成問題，更甭提學術能力也非社會所需的全部。

另外一個差異是，台灣的教育太過注重標準答案，可是嚴重扼殺學生的創意。但是歐美的教育很注重個人的啟發，所以頂尖的人才在歐美的教育環境，往往可以更容 易發揮出他們的潛力，表現出他們充沛的創造力。可是他們的對素質一般的學生，反正做得不見得比台灣好。台灣的教育環境，讓學生拚命練習考試、練習考試再練 習考試，讓學生的程度比起歐美整齊的多。以我和朋友們在美國唸博班當助教的經驗來看，台灣學生的程度差異在一個班中，算是比較整齊的，成績優劣幾乎憑個人 努力付出多寡。可是在美國大學，尤其是公立學校，大部分的學生，在數理方面真的很不行！

舉個例子來說，我們常常看到學生在實驗數據中，他們嘗試要把上噸的鹽溶在小燒杯裡，或者把實驗桌上的小鉛球射上火星，因為連單位都搞錯了Orz 有位老師在普通生物學考題上問學生什麼是pH值，居然有四分之一的學生選擇「它不存在」；還有老師指出，大四的學生，居然有兩成回答果蠅的基因數量是小於 一，另外兩成寫無窮大（正確數目大約是一萬多），他說那四成學生基本上是「完全的廢物」；還有很多搞笑的事，真是罄竹難書。面對這些學生，教授們的態度往 往是「放棄」，可是大數據或許能讓這情勢反轉。

台灣的教育環境，往往比歐美更善待中上程度的學生，用嚴酷的練習考試來磨練他們的能力，可是卻嚴重地忽略了頂尖人材的教育，而且也幾乎完全沒有為培養社會 各界的領袖所準備。台灣的大學，就算連頂尖的台大和清大，大致上都還是停留在訓練優異的幹部為主，教授的教學方式和內容，和其他大部分的大學幾乎沒差太 多，頂多深度有一些差異而已。可是，就拿美國來說，頂尖大學的目標是在培養頂尖的領袖！一流大學的目標是在培養社會各界菁英、二流大學的是在培養優異的幹 部、三流大學的是在培養良好的基層員工等等。所以，很不幸的，台灣的大學可能在培養優異的幹部上很稱職，可是要成為社會各界菁英，就只能靠學生自己的努力 和見識，領袖的話就算了。

要培養出優異的幹部，大數據的應用應該有其優勢，可是社會菁英和領袖的培養，大數據或許無用武之地，因為大據數無法告訴你過去未曾發生的事情，也無法預測 和產生出創新，因此對於台灣的教育，大數據可以提高學生的學業，可是五育的訓練，以及領袖和社會菁英的培養，我們可能先不要去思考什麼大數據之類的，先從 整體教育環境下手才比較實際。

關於教育，這裡只能點出冰山一角，我也沒有標準答案，但請容我在此私心介紹一位好友謝宇程在商周的高人氣專欄「學與業壯遊」，裡頭有很多很多問題，我們必須繼續思索。

台灣教育問題多如牛毛，不過我們不必對台灣教育灰心，看了以下影片，你應該會很感動，希望還是在的：

本文原刊登於【GENE思書軒】，並同步刊登於The Sky of Gene。

在紐約、倫敦、阿姆斯特丹或是其他任何一座現代大型城市中，數百萬棟建築聚在一塊兒，而每年總有幾千棟會被大火吞噬。消防隊有沒有可能事先預知哪一棟建築將竄出火花？有關部門又該如何決定資源的配置以因應潛在的嚴重意外？
 
過去看似無解的難題，巨量資料時代的來臨與資料探勘（data mining）技術的發展，或許帶來解決問題的一道曙光。
 
巨量資料時代
 
巨量資料在當今諸多領域都是熱門話題。用最簡單的話講，巨量資料就是數據資料的資料量大到難以進行分析、搜尋或是處理。目前我們的社會正以爆炸性的速度產生各種資料。根據IBM的報告，自人類有歷史以來，有90％的資料是在過去的兩年中被創造出來。
 
巨量資料主要來自電腦、智慧型手機、社群網站、各種錄影設備以及網路。不過隨著電腦運算能力與時俱進、軟體逐漸高度專業化，我們開始有能力處理並使用這些大海般的資料數據，也就是能開始進行資料探勘的工作。
 
資料探勘
 
回到火災的話題上，利用新科技與新軟體，各地消防部門的風險管理員得以分析一拖拉庫的資料數據。透過整合建築物、街道、水路、運輸管線、貧窮、屋齡、空屋、有無電氣問題、灑水器數量與位置、有無電梯等等與火災相關的資訊，與消防意外事件數、火災傷亡人數疊合，便能製作出一份「災害風險地圖」。
 
這張地圖對於消防部門助益極大。首先，消防部門能有效部屬應對不同事故所需的資源，例如化學火災或車禍，在災害發生第一時間就擁有正確的救難設備與資源。
 
其次，各地區消防員的訓練能依照各地災害風險的不同量身打造；進行例行性的消防檢查時，消防員也能從中得知哪些是風險最高的建築物，需要優先拜訪。而在此之前，消防員的例行檢查都是隨機進行的。
 
第三，對於那些住在災害風險高的建築物的居民，消防部門也能提供他們如何提升安全指數的改善建議。
 
最後，這套系統能作為消防部門決策的依據，根據風險高低制定救災優先順序。風險最高的地區需要最短的救災反應時間。同時，災害風險地圖也能協助指揮救災資源的配置。
 
不過，一切才剛開始，防災地圖未來有十足的發展可能性。比如說，未來消防車上將配置能顯示技術資訊與風險資料的螢幕，從社群媒體上取得資料也是考慮中的方案。
 
目前消防部門碰上所有推動防災工作的人都會遭遇的問題：他們無法證明火災發生次數的下降是否為災害風險地圖的功勞，某些「原本」應該付之一炬的建築，是否因為這份地圖而被拯救。或許只有透過長期的追蹤，這份火災的風險地圖才能在持續下降的數據當中，展現它的價值。

（本文由科技部補助｢新媒體科普傳播實作計畫─重大天然災害之防救災科普知識教育推廣｣執行團隊撰稿／2014年/3月）
 
責任編輯：鄭國威│元智大學資訊社會研究所

本文原發表於行政院科技部-科技大觀園「科技新知」。歡迎大家到科技大觀園的網站看更多精彩又紮實的科學資訊，也有臉書喔！