從內容設計到互動式電子書App的直達列車 –AppCross

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

當電子閱讀漸漸取代紙本閱讀，全球許多國家也開始採用網路教學，你是否也習慣於從網路上接收新知，閱讀文章或電子書，而較少接觸紙本呢？紙本出版品真的會慢慢沒落嗎？人們對於紙本的需求會不斷的減少嗎？

電子閱讀對大腦來說較為費力

事實上並不盡然是如此，因為人類的大腦還沒來得及跟上這個時代。你也許會有經驗，在使用手機或電腦瀏覽各種資訊時，雖然方便，但是會感到難以專注、或是無法完整吸收自己看過的內容。實際上，在螢幕上閱讀，的確會比起在紙本上來得吃力。

在螢幕上閱讀的時候，我們傾向快速瀏覽過所有資訊、尋找我們正在研究的內容相關的關鍵字。聖荷西州立大學資訊學院教授 Ziming Liu 在他的研究中指出，隨著在螢幕閱讀的時間增加，基於螢幕的閱讀行為也不斷出現：像是關鍵字搜索、一次性閱讀、非線性閱讀與選擇性閱讀的情況變多；而花費在一個字一個字深入閱讀和集中注意力閱讀的時間則越來越少。

可能的原因是由於，電子閱讀對大腦來說較為費力，因為螢幕上的訊息會一直變動，想要尋找剛剛看過的資訊時，也很難回過頭把它找出來，每滑一次訊息的位置都會不一樣。所以才會造成大腦需要更多的資源去處理，而大腦本身的資源有限，在這樣的情況下，其他心智功能的運作就會受到影響。

國際學生評量 (PISA) 比較了六十二個會員國的學生使用電腦時數後發現，使用電腦的時數越長，閱讀和數學能力就會越差。舉例來說，瑞典就是利用電腦與網路教學時數最高的國家，結果他們的閱讀、數學以及科學評比都落後其他國家。

在螢幕上讀得更累，學得更差？

你或許覺得這只是一個事例，無法證明電子閱讀會降低我們的學習效果，然而有多項研究皆支持，紙本學習的效果的確更好。

挪威大學的研究者找來了閱讀程度相同、七十二個來自兩所不同學校的十年級學生，隨機分成兩組，其中一組在紙本上閱讀兩篇文章（1400-2000 字），另一組則在電腦銀幕上閱讀相同的文章，在實驗以前，實驗者讓學生們預先做了閱讀理解、單詞閱讀和詞彙方面的測驗，顯示了兩組的閱讀程度並無明顯差異。

在兩組學生閱讀結束過後，進行了閱讀測驗，並控制了詞彙，單詞閱讀，閱讀理解和性別等變量相關的變數，使的不同的閱讀方式，也就是運用不同的閱讀載體，就成為了唯一的變數。

最後，透過複迴歸分析發現，閱讀形式（在紙本或螢幕上閱讀）對於閱讀測驗的結果具有顯著性差異（b = .216, p = .025）。相比於閱讀紙本文章的學生，在螢幕上閱讀文章的學生，在閱讀理解測驗上獲得的分數較低。

這顯示了即使身為數位原住民，大腦很可能還是較習慣紙本閱讀。

在螢幕上考試壓力較大較疲憊

另外，瑞典卡爾斯塔德大學的 Erik Wästlund 則進行實驗，希望了解紙本或螢幕閱讀，哪一種需要更多的生理和認知資源。在其中一項實驗中，他讓七十二名受試者參與瑞典高等教育入學考試的閱讀測驗，這是一種三十分鐘的瑞典語閱讀理解考試，由選擇題構成，包括了五篇平均一千字的文章。實驗進行兩天， 在第一天，測驗內容是透過 pdf 文檔在電腦螢幕上呈現，第二天，則是以紙本呈現同樣的測驗內容。

研究人員讓參與者自由選擇參加的日期和時間，因此他們也無意中選擇了參加的任務。在測驗過後，還進行了壓力-疲勞-飢餓的評量， 要求受試者在疼痛視覺類比量表上用叉號標記他們主觀認為的疲倦、壓力和飢餓程度。

經過數據分析的結果發現，不同的呈現形式對於兩個組別均具有顯著的影響，相較於在紙本上完成測驗的人，在電腦上進行測試的人得到的分數較低，承受的壓力和疲勞則較高。

吸收資訊，紙本快於螢幕

還有英國也做了相似的研究，請五十個布里斯托爾大學的學生在電腦或紙本上閱讀，內容為由英國的大學聯合開發的經濟學入門教材，該文本總共有二十二頁，其中包括了一些圖像和圖表。

電腦組以文檔的方式呈現，紙本組則以螺旋裝訂的小冊子呈現。

測驗時間是二十分鐘，受試者被要求必須指出他們第一次讀完所有內容花了多少時間。其後，進行總共有二十個選擇題的閱讀測驗的途中，受試者還需要同時選擇最能反映自己最初對答案的回憶的「記憶意識」等級。也就是，在填寫測驗的途中，受試者在作答時除了回答目前這一題，還需要回答對於此答案，在他的記憶中大概是多麼清晰或是多麼模糊，並且把這個意識等級記錄下來。

實驗者以記憶意識等級作為「記住」的評量，而以閱讀測驗的成績作為「知道」的評量。測驗結果兩組的成績差不多，紙本組的成績僅略高於電腦組，兩組的閱讀時間和學習結果並沒有太大的差異，但在記憶意識方面發現了重大的差異：

電腦組記住的頻率是知道頻率的兩倍，反之，紙本組記住和知道的頻率相差無幾。

這結果反映了兩者在本質上記憶的不同來源，說明了使用紙本和電腦學習，兩者在認知處理上是有所不同的，以紙本呈現更易於我們閱讀檢視。因此需要迅速吸收的訊息，很可能就不該透過電腦螢幕閱讀。

儘管近年來數位學習越來越發達，使用數位的教材，既能夠跨越時間空間上的限制，獲得資訊的速度也是又快又輕易，還有許多免費的資源。不過我們大腦很可能還未能追上時代快速的變遷。

如果在使用螢幕閱讀上遭遇了困難，最終或許可以考慮回歸到最原始的工具，使用紙本閱讀學習，不僅能夠好好專注還能讓記憶更深刻，最後確實的吸收到所學。

參考資料

1. Liu, Z. (2005), “Reading behavior in the digital environment: Changes in reading behavior over the past ten years”, Journal of Documentation, Vol. 61 No. 6, pp. 700-712.
2. Mangen, Anne, Bente R. Walgermo, and Kolbjørn Brønnick. “Reading Linear Texts on Paper Versus Computer Screen: Effects on Reading Comprehension.” International Journal of Educational Research. 58 (2013): 61-68.
3. Wästlund, Erik. Experimental Studies of Human-Computer Interaction: Working Memory and Mental Workload in Complex Cognition. Göteborg: Department of Psychology, Gothenburg University, 2007.
4. Noyes, J M, and K J. Garland. “Vdt Versus Paper-Based Text: Reply to Mayes, Sims and Koonce.” International Journal of Industrial Ergonomics. 31.6 (2003): 411-423.

• 文／雞湯來了 蕭子喬
  校稿／雞湯來了 陳世芃、張芷晴
  製圖／雞湯來了 黃珮甄
  編輯／雞湯來了 蕭子喬

長大後 我們的存在像塵埃
我們的距離被拉開
有時相處很難 想很多 話很短
－＜小時候＞蘇打綠

你也有一個話越說越少的爸爸嗎？小時候或許會和爸爸一起玩耍，但長大了，和爸爸之間反而不知道要說什麼了？其實，這的確是許多「父子」的共通樣貌，台灣研究發現，因為「文化」和「家人互動習慣」，造成了父子之間常見的「兩道牆」。

無話可說的父子關係，無奈的常態

他不會主動跟我聊天，我也不大會找他聊天，說真的也不知道要跟他說什麼……

我有一些話比較會跟媽媽聊，但是比較不會跟爸爸聊……不知道要說什麼……每天就講……幾句吧，有時候一天也說不到一句話。

台灣學者深入訪談 5 位 20-30 歲的男性上班族「和爸爸相處」的狀況，發現「淡然、無話可說、不知道從何聊起」是成年父子關係的常態，父子之間的互動少之又少，與母親的互動相較多於父親。

特別的是，多數成年男子面對這樣缺乏交集、稍嫌尷尬的狀態，雖然無奈卻覺得理所當然！甚至有受訪者說「這樣很正常呀，有話說才很奇怪吧……我爸跟我阿公也是這樣呀……」

由此可知，雖然無奈，但或許是代代相傳、不知不覺的習慣養成，嚴父、缺乏溫情交流的父子關係，成了眾多男性長大以後自然的常態。（延伸閱讀：經驗複製？家庭如何影響一個人？）

為何無話可說？父子之間隱形的兩道牆

他是傳統的那種男人，有點權威又很大男人主義，所以對家裡小孩還滿嚴厲的，尤其是對我，也不知道是不是因為我是兒子的關係。

吃飯的時候我爸明明也在，但我媽都叫我或我姐去叫我阿公，兩個（祖父與爸爸）就算坐在一起看電視，也沒講過什麼話……

究竟，為什麼無話可說會成為父子關係的常態？該研究學者進一步剖析這群受訪者對家庭互動的解讀，發現父子之間常隔著「兩道牆」：

• 一道主要是「父權文化」之下，期待爸爸扮演權威性的角色，男性陽剛、不表露情感
• 另一道是「家人互動習慣」，父子間常透過家中第三者（尤其是母親）溝通，可能有意無意中阻礙了父子直接的互動機會。

因為文化對於性別角色的期待框架，使得許多爸爸展現了權威，卻沒機會表達愛；家裡的情感性角色任務都給了女性，父子之間沒有機會溫情交流。

由理解而和解，現在開始做自己喜歡的「兒子／爸爸」

或許，現在與爸爸的關係有點無奈、尷尬，但我們可以回首過往、留住記憶中曾經的美好，理解文化對爸爸或家人的影響，並從自身開始，做個讓自己感到自在、喜歡的「兒子／爸爸」。可以嘗試以下 3 面向的練習：

1.  回首兒時美好

研究發現多數父子關係並非一開始就疏遠，兒時階段多有親密、甚至彼此還能像兄弟一樣嬉鬧。那些曾經的父子情感不曾消失，只是太久沒被展現出來了，別忘了相信過去那些愛「都是真的」。
詳細請見：原來爸爸的愛這麼多種！看我家「爹地」的類型

2. 理解文化成因

看見父子之間因為父權文化、過往習慣而形成無形的「兩道牆」，理解爸媽因為文化和過往經驗的不得已、不知不覺。
相關推薦：百善孝為先？爸媽的「孝順」可能和我想的不一樣

3. 自己開始改變

研究發現許多人即便不急著改變自己和父親的互動狀態，但多數期望自己當爸爸時，能有「朋友般」的互動關係。或許我們正是夾在過去文化規範與力求改變之間的一代，將自己定位成自己喜歡的樣子吧！
詳細請見：重新理解我的家庭故事，找一條和解之道

這時候 我們的心變得柔軟
放下了父子的身段
知道時間太晚 不要躲 不要散
－＜小時候＞蘇打綠

• 相關推薦：看見爸爸的內心戲

參考資料

• 陳韻如（2011）。未婚成年男性眼中父子關係之現象詮釋。家庭教育與諮商學刊，11，51-76。

本文與雞湯來了同步刊登，原文連結：父子間隱形的兩道牆：成年男性該如何與父親相處？