橡膠保險套－《臉紅心跳的醫學》

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

橡膠對現代人的重要性

如果沒了這種物質，世界會是什麼樣子？試想沒有輪胎的汽車、沒有奶嘴的奶瓶、沒有腳蹼和潛水服的潛水器材、沒有橡皮擦的鉛筆、沒有黃色小鴨的童年⋯⋯

這種質地特殊的材質便是橡膠。橡膠來自原生於亞馬遜叢林、名為「巴西橡膠樹」的樹木（Hevea brasiliensis，命名來源就是因為這種植物生長於巴西）。

不過，歐洲人首次注意到的橡膠樹其實是圭亞那橡膠樹（Hevea guianensis）。樹如其名，這種橡膠樹生長於圭亞那。

在歐洲人「發現」橡膠樹的時代（印第安人當然很早就認識了這種植物），圭亞那是個鮮為人知的蠻荒之地，沒有火箭發射場也沒有淘金客。

當時也不流行生態旅遊、T 潘趣酒（ti-punch，一種蘭姆酒的調酒）或卡宴辣椒。當時的人也從未想到，這種看似平凡的熱帶樹木即將引發高潮迭起的植物和經濟熱潮⋯⋯偶爾還有些悲壯。

有位巧手的工程師正在尋找會哭泣的樹木

第一位對橡膠產生興趣的人，是胥修德里領主、加陶迪耶的弗朗索瓦．弗雷諾（François Fresneau de la Gataudière, 1703–1770），他在 1703 年生於牡蠣的原鄉、法國西南部的馬雷訥。他的全名看起來充滿上流社會的氣息，我們在這本書中稱呼他為弗雷諾就好。

弗雷諾本人似乎遭到歷史遺忘，但他的發現和成就改變了世界。就如同法國歌曲〈塑膠超讚〉的歌詞：「塑膠超讚，橡膠超柔軟」！今日的人類已經可以羅列出超過 25,000 種不同的橡膠用途。

路易十五的海軍大臣莫爾帕伯爵菲利波（Jean-Frédéric Phélypeaux de Maurepas, 1701–1781）任命弗雷諾為圭亞那首府開雲的皇家工程師。弗雷諾當年29歲，而且熱情滿滿。

弗雷諾的第一份工作便是研究新堡壘如何搭建。他也需要採收植物，以便充實皇家花園。他對當時圭亞那的可可園十分感興趣。工程師弗雷諾的得意作品中，最令他得意的發明作品是⋯⋯蟻巢毀滅器！果真是自由奔放的年輕人。

發明蟻巢毀滅器的天才：弗雷諾

當時，可可園遭受紅螞蟻入侵，而充滿創意與膽識、彷彿十八世紀馬蓋先（譯註 美國冒險影集《百戰天龍》主角）一般的弗雷諾便發明了可以將硫磺吹進蟻巢的機器。

螞蟻因此蒙受苦難。他持續搭建非常實用的引擎：將溝渠斜坡上的泥土提起並移走的起重機、磨碎木薯或小米的手磨機、從木薯根部榨出水分的壓縮機。他還策畫了奧亞波克河新哨所的防禦工事。

弗雷諾被自己的成功沖昏了頭，希望加官晉祿，要求升任上尉。當時的圭亞那監察專員也認為弗雷諾「熱情澎湃，宛如英雄」。

然而，他卻受到其他殖民地老長官和開雲教士社群的忌妒，升官之路受阻。於是，弗雷諾前往鄉間，僱用 八名「黑人」（請記得，當時的法國人仍使用「黑人」、「野蠻人」、「生番」等稱謂來稱呼和殖民者長相不相似的族群⋯⋯），並種植甘蔗、木藍等植物。

他也持續發展自己的防禦工事專長，發明了一種可以用來製磚的泥沙混和物。真是位天賦異稟的工程師啊！

——本文摘自《植物遷徙的非凡冒險》，2023 年 6 月，時報出版，未經同意請勿轉載。

每天煩惱三餐要吃什麽、出門要怎麽穿、回家後有沒有舒適的被窩可以鑽，應該是我們大部分人的日常。然而，在社會的某些角落，「貧窮」卻可能讓人連基本生理需求都難以滿足。

要消除貧窮，免不了增加資源消耗，但全球暖化危機當前，人類又不得不展開節能減碳的行動。面對「對抗貧窮和調適氣候變遷，兩者是否相互衝突」的疑問，科學家們提出了一個直指核心的問題：我們需要多少能量，才能讓所有人過上體面的生活？

打造放諸四海皆準的人類基本福祉指標！

為了解答這個大哉問，來自國際應用系統分析研究所（IIASA）的研究者們，提出了一個新的指標——「體面生活標準」（Decent Living Standards，DLS ）。它源自於基本人權與公平正義的普世理念，定義為任何人都應享有的一系列基礎物質與社會滿足要件；不論你出身何處、對好的生活有何想法，或擁有什麽訴求。

這些基礎條件，可以分為五大面向：營養（Nutrient）、庇護所（Shelter）、健康（Health）、社會互動（Socialization）及可移動性（Mobility）。在食衣住行方面，除了三餐溫飽及空間大小充裕的住處外，DLS 更貼心地考慮生活的細緻之處，例如乾淨的衛浴、可以烹飪、保存食物的基礎家電，以及高緯度地區在冬、夏兩季不可或缺的溫控設備等等。DLS 也不止步於基本物質需求，更涵括一個健全生活的人應享有的醫療服務、義務教育，使用基本通訊和交通設施，以及進行社交聯繫和政治參與的權利。

逐項列出統一化的 DLS 各面向的要求後，研究者們會根據不同國情，例如氣候、都市化程度、文化及科技經濟結構的程度，去計算各國達成這些基準的閾值能量。除了國與國的差異，在計算上，也會納入在地的城鄉差距。

舉例來説，訂定了擁有足夠空間和熱舒適的房屋通用標準後，研究者會把它換算成各地所用的不同建材，及建設與維持各類民生服務的基礎設施（如水電廠、運輸系統等）所需耗費的能量。有了 DLS 的理想標竿值，再與每個國家目前用於實現 DLS 的能源進行比較，就可估算出填補 DLS 缺口所需的能源需求。

為什麼要以「能量」衡量生活標準？

過去，我們總是以滿足生活標準的最低收入，來制定貧窮線的水平。但 DLS 作為最低限度理想生活的基準，採用的是計算能源消耗量（energy consumption）常用的單位，即千兆焦耳（Gigajoule，GJ）或十萬億焦耳（Exajoule，EJ）。一般國家的能源消耗量，都與基礎建設有關，大部分來自化學燃料的燃燒，以及水力發電、核電、風力發電、太陽能發電等。

值得注意的是，DLS 分析結果顯示，無法過上體面生活的人，數量遠比處在貧窮線底下的人來得多！這說明：現有衡量貧富的指標，跟實際情況是脫節的。以金錢收入作為生活水平的衡量單位，是預設個人能透過消費，去換取相應的生活品質。但現實中，有一大部分的人，即使收入高於貧窮門檻，現今社會所投入建設的能源，卻未必足以讓他們過上體面的生活。

因此比起以金錢為單位，DLS 由下而上（bottom-up）去推算建設和維持基本物質需求所耗費能量的模式，也許更適合作為反映人類生活品質的指標。以消耗能量為單位的 DLS 不只有物質條件，也納入社會層面的需求，因此可以為政策制定者在思考資源規劃時，提供更直接、全面的參考。

世界並不公平，尤其在所需耗費的能量上

搭配各國戶口統計調查、世界銀行（World Bank）發展指標等數據，研究者推算出世界各國在不同面向上與 DLS 的差距。結果顯示，北半球的北美與歐洲，大部分人民都過著與 DLS 相距不遠的生活。然而，南方卻呈現截然不同的境況。

在撒哈拉以南的非洲國家，有超過 60% 的人口在居家、溫控、衛浴與飲用水設施上，都相當匱乏。部分南亞與太平洋地區也面臨類似困境，尤其缺少乾淨的保暖與烹飪設施。這與他們使用的傳統生質能源帶來的不良健康影響有關。此外，部分亞洲、中東、拉丁美洲地區，也存在不便取得飲用水和保暖設施等等的缺口。

那麽，要投入資源做新建設，弭平當今與未來人口與 DLS 之間的距離，我們還需要多少能量呢？研究者設定情境估算，在 2040 年前，我們總共需要 290 EJ 的累積能量——大概是如今全世界每年所消耗能量的四分之三！是的，當今世界平均所消耗的能量，其實早已超過滿足每個人 DLS 的額度。在提升生活標準的耗能中，有大半會是拿來打造適宜的居所，四分之一用以建設以公共交通為主的交通設施，而改善健康營養所需的能量，會比推動社會互動來得少。

如果我們能成功在 2040 年時，讓所有人都達到 DLS，那在 2050 年時達到體面生活，最終需要年均 156 EJ 的能量，其中 108 EJ 會是供南方世界所用。到時候，人類生活的耗能大抵都會用在移動、通勤上，其次是維持健康及居住品質，而投入在維持社會互動所需的能量所占比例最低。

另一個研究的重要發現是，由於各地的氣候、文化和交通管道不同，即使在同一套 DLS 下，有些地區就是會比其他地區耗費更多能量，才能達到相同的基準，這個能量差異甚至可達 4 倍！例如，高緯度國家會需要耗費更多能量，來維持相同舒適的室内溫度；同樣的通勤距離，公共交通覆蓋率高的國家不需太多能量就能完成，但在個人擁車率高的地區，就會產生更多耗能。

結論：消除貧窮與對抗氣候變遷不衝突

總體而言，DLS 的研究結果，在貧富懸殊與氣候正義議題上提供了新的視野，告訴我們：投入消除貧窮的能量，並不會對調適氣候變遷的行動產生威脅。現今人類社會所產生的能量，其實大都挹注在讓原本就充裕的生活更好，而非幫助仍在體面生活基準下的人。因此，各國如何在經濟成長與耗能規劃上取捨，找出更公正、有效率的資源重分配方式，才是關鍵解決之道。

1. Decent living gaps and energy needs around the world
2. Decent Living Standards: Material Prerequisites for Human Wellbeing
3. Energy requirements for decent living in India, Brazil and South Africa
4. 让全球老百姓过上体面生活不会拖累气候减排目标
5. How much energy do we need to achieve a decent life for all?
6. 維基百科：貧窮門檻