在琥珀中發現的化石，不只是蚊子血

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

來自悅知文化的編按：
城市中突然出現了一扇門， 門內是一條通往下方的樓梯！啊！原來這是一個「地球的階梯」。每下一層階梯，都將迎來不同時期的生物與環境，透過松岡老師精美的繪圖，孩子們得以加深每一層的印象。另外，書中還有位地球博士，適時地補充該時期的生物與環境等知識內容，你將發現原來鳥曾經是恐龍！生命的起源，竟是在有毒的水中誕生！
當你以為已經走向地球深處時，沒想到仍只來到 7000 萬年前……別停下來，旅程還很長，地球階梯繼續延伸，和我們一起洞悉地球生命歷史吧！

【本書特別邀請國立臺灣大學生命科學系．蔡政修副教授協助審定】

6600 萬年前

大約在 6600 萬年前，宇宙中有一顆小行星撞擊到地球，導致地球被大量的灰塵覆蓋著。灰塵遮蔽了太陽光，包含恐龍在內的緒多生物，都因此而滅亡。

7000 萬年前｜白堊紀

在「白堊紀」末期，地球變得越來越寒冷。因此，有些科學家認為，暴龍的部分身體，可能覆蓋著跟鳥一樣的羽毛。

3 億 7000 萬年前｜泥盆紀

從這裡開始，我們必須潛到海底，所以請穿上潛水服。請不要懷疑，狗狗也要穿。遠古時代的海洋，真是相當精彩呢！

魚石螈的體長大約 1 公尺，是一種兩棲類動物。牠類似現代的山椒魚（Salamander），卻有 7 根指頭。

——本文摘自《地球的階梯》，2024 年 9 月，悅知文化，未經同意請勿轉載。

• 作者／瑞秋・金（Rachel King）
• 譯者／林潔盈

仿製琥珀

雷斆文中的琥珀指血紅色的琥珀。後來的作家用「蜜蠟」描述混濁的黃色琥珀。¹ 大約在一一〇〇年，宋代醫者寇宗奭寫道，中國西部使用的琥珀從「不均勻的蒼白」到「明亮清澈」皆有，而中國南方使用的則是「顏色深而混濁」。² 寇宗奭顯然很熟悉波羅的海琥珀與緬甸琥珀的不同外觀。緬甸琥珀與呈明亮藏紅花黃色或白色的琥珀色鈣鋁榴石不同，顏色可以從深棕色到非常淡的雪莉酒色，有時甚至像亮紅色，或是有鮮奶油倒入咖啡的漩渦紋路。更後來的文獻繼續將琥珀與水進行比較。其中一本寫於十八世紀關於葡萄牙人定居澳門的編年史，曾論及作為葡萄牙商品的水與金琥珀，讓紅色類型琥珀可能源於歐洲的觀點更具說服力。³

歐洲人仿製琥珀的配方側重於黃色與淨度——這是波羅的海琥珀的特點，也是他們最熟悉的類型。他們鮮少提到再現斑紋或漩渦，對於模仿形狀說得更少。法國天文學家暨醫生安東．米索（Antoine Mizauld）提出的配方特別有名，也許是因為他提出了一種可供調整以仿造任何寶石的基本混合物。米索以琥珀為例：

各位可以如此偽造琥珀。先把白水晶（石英）打成非常細的粉末備用，取蛋白……，不停攪打並將泡沫弄掉，打到蛋白變成水狀；加入前述的粉末混和均勻，如果想做黃色的琥珀，則再加入少許藏紅花細粉，然後把混和物放入中空的蘆葦稈裡，……準備一些小玻璃瓶，把混和物放在滾燙的熱水中，直到他們變硬成形，再把它們拿出來，放在大理石上磨成你喜歡的形狀。⁴

米索也概述了過濾混合物以確保透明度的方法，以及如何形塑與乾燥以做成珠子和刀柄。這裡用了藏紅花，但其他配方則用了薑黃。一篇中國古代文獻建議加入魚卵。⁵ 二〇二〇年春天，赫爾辛基（Helsinki）的研究人員按照近世的仿造琥珀配方進行實驗，結果令人著迷。⁶ 製成的一些物質，儘管可能有點黏，卻是非常令人信服的琥珀替代物；部分在幾天內發了黴，不得不丟棄。相形之下，早期歐洲幾乎沒有模仿白色琥珀（圖 46）的配方，白色琥珀通常為普魯士統治者的御用品，也是藥用首選，不過確實也有一些方法能將黃色琥珀變白，例如放在鹽水中煮沸。

人們也會將琥珀放進油裡煮，讓外觀更加清澈，如果琥珀因為年久而裂開或發紅，也可以藉著這種方法復原外觀。十七世紀末，工匠克里斯蒂安．波爾希寧（ChristianPorschinen）運用這種方法製作出琥珀鏡片與琥珀菱鏡，其工藝的知識基礎在於，將已切割和拋光的琥珀放入油中烹煮能夠漂淺琥珀的顏色。⁷ 油煮琥珀也可以替琥珀著色。此法已為羅馬人所知，後來於十八世紀重新發現，這讓琥珀可以染成「紅色、藍色、綠色等」，也能做成類似其他石材的模樣。⁸

重量與可溶性

琥珀非常輕，會浮在鹽水上，有人甚至說會浮在啤酒上；一個成功的仿製品不僅要模仿顏色與淨度，也得模仿這個特質。有些配方給出了讓人可以計算後續體積的量。某個配方建議用三十公克櫻桃樹脂、六十公克阿拉伯膠與十六個蛋黃做成黏稠的混合物。⁹ 如此一來大約可得到四百公克的濕混合物，乾燥後可能比琥珀的重量稍重。在赫爾辛基的實驗中，正是這種類型的配方會做成導致發黴的團塊。在其他情況下，特別是使用石英粉的配方，重量會是露餡之處。可溶性也會出賣最終產物。

眾所周知，仿製琥珀在水裡會有不同的表現，而正是出於這個原因，十六世紀作家休．普拉特（Hugh Plat）警告他的讀者，仿製琥珀一定要在室內使用。¹⁰ 從當代歐洲現存仿製琥珀數量並不多的情形來看，耐久性顯然也是個問題。¹¹

氣味

除了外觀與重量以外，假琥珀的氣味是另一個挑戰。一份原始資料說明了複製真琥珀氣味的高難度，強調這個特徵可能特別有助於辨識假琥珀。¹² 真琥珀因其香氣而珍貴，古羅馬作家馬提亞爾（Martial）曾經把琥珀的香氣比作情人的吻。¹³ 後來的歐洲史料將其描述為甜美的，並以松樹的氣味比擬。還有說琥珀聞起來有苦味，並將它比作瀝青。也有人說琥珀的氣味隨著顏色而變。在德國的薩克森，蓋歐克．鮑爾發現白琥珀最令人愉悅，但表示所有的琥珀都具備沒藥的味道。¹⁴ 部分中國文獻討論到芳香琥珀。有人認為芳香琥珀是非化石樹脂，如同沒藥。十七世紀法國學者塞繆爾．恰普佐（Samuel Chappuzeau）雖然未曾造訪中國，但他評論了將琥珀扔進香罐以釋放其氣味並點燃火焰的做法，認為這種操作解釋了中國商人在巴達維亞（Batavia，今雅加達）從荷蘭人手中大量購買琥珀的情形。¹⁵

——本文摘自《琥珀之書：傳承萬物記憶、透視歷史風貌的永恆傳奇》，2023 年 9 月，積木文化出版，未經同意請勿轉載。

註解

1. 許曉東，《中國古代琥珀藝術》 (Zhongguo gu dai hu po yi shu/Chinese Ancient Amber Art) (Beijing, 2011), p. 6.
2. Laufer, Historical Jottings, p. 219.
3. 同上，p. 242.
4. 這個英文譯本來自約翰．雅各布．韋克（Johann Jacob Wecker），Eighteen Books of the Secrets of Art and Nature (London, 1660), p. 233.
5. Laufer, Historical Jottings, p. 218.
6. ‘Refashioning the Renaissance Team, Imittion Amber and Imitation Leopard Fur’, www.aalto.fi, accessed 19 September 2021; Sophie Pitman, ‘Una corona di ambra falsa: Imitating Amber Using Early Modern Recipes’, www.refashioningrenaissance.eu, 30 April 2020.
7. Johann Heinrich Zedler, Grosses vollständiges Universal Lexicon aller Wissenschafften und Künste (Halle and Leipzig, 1733), vol. III, col. 1401.
8. Johann Christian Kundmann, Rariora naturae (Wrocław and Leipzig, 1726), pp. 219–26.
9. John Houghton, A Collection for the Improvement of Husbandry and Trade (London, 1727), vol. II, p. 64.
10. Hugh Plat, The Jewell House of Art and Nature (London, 1594), pp. 67–8.
11. 關於這些資料來源的進一步細節， 參考 Rachel King, ‘To Counterfeit Such Precious Stones as You Desire: Amber and Amber Imitations in Early Modern Europe’, in Fälschung, Plagiat, Kopie: künstlerische Praktiken in der Vormoderne, ed. Birgit Ulrike Münch (Petersburg, 2014), pp. 87–97.
12. Stanislaus Reinhard Acxtelmeier, Hokus-pokeria, oder, Die Verfälschungen der Waaren im Handel und Wandel (Ulm, 1703), p. 24.
13. D.R.S. Shackleton Bailey, trans., Martial: Epigrams, 3rd edn (Cambridge and London 1993), vol. I, bk III, epi. 65.
14. M. C. Bandy and J. A. Bandy, trans., Georgius Agricola: De natura fossilium (Textbook of Mineralogy) (New York, 1955), p. 77.
15. Adrian Christ, ‘The Baltic Amber Trade, c. 1500–1800: The Effects and Ramifications of a Global Counterflow Commodity’, MA thesis, University of Alberta, 2018, p. 112.