站在巨人的肩膀上，看得比較遠

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

造假是人類複雜心智的一大產物，歷史上各式各樣的作假、贗品層出不窮。作家 Kristine De Abreu 在 ExplorersWeb 網站的文章^{[參考資料1]}，整理歷史上的 6 起贗品案例，時過境遷後回顧，這些造假頗有趣味。

龐貝石碑

6 起案例最早的是龐貝石碑。這個「龐貝」不是義大利那個龐貝城，在紐約。公元 1820 年有人找到一塊石碑，上頭有看似陌生的圖像、文字，但是無人能釐清來歷。此後衍生出不少相關的假說與討論。

1894 年，工程師史威特（John Edison Sweet）出面宣稱那是他叔叔的惡作劇。這類藍色窗簾的案例十分普通，也很常見。

卡迪夫巨人

1868 年，當時某些基督教信徒根據「創世記」，主張世界上曾經有巨人漫步。美國的無神論者胡爾（George Hull）設局惡搞，製作石頭巨人誆騙信徒，希望藉此證明他們是一群盲信的傻B。

惡搞產品身高 3 公尺，重 1350 公斤，成本 2600 美金（約現在的 54000 元）。本來想運到墨西哥，但是太重，最後埋在紐約的卡迪夫親戚家，1869 年「發現」後被稱為卡迪夫巨人（Cardiff Giant）。

假巨人騙到一些人，不過也很快被識破。後來有人以 23000 美金收購（約現在的 50 萬元）。不論當初意圖是否達到，胡爾都大撈一筆。

當時有位東搞西搞的掮客……沒禮貌，是知名經紀人巴納姆（P.T Barnum） 想買卻被拒絕。於是巴納姆也製作自己的巨人，還宣稱那才是真正的假貨 XDDD

假巨人當時興起一股熱潮，許多觀眾付費參觀。對於這些花錢看假貨的觀眾，有人表示：「每分鐘都有一位傻 B 誕生（There’s a sucker born every minute）」。這句流傳頗廣的話，到底是誰講的其實沒有定論，不過江湖傳言就是巴納姆自己。

伊特拉斯坎勇士雕像

美國的里卡狄兄弟（Pio Riccardi 和 Alfonso Riccardi）與其兒子們，有一門獨特的家族事業：偽造雕像。他們在 1915 到 1918 年製作 3 具 2 公尺高的伊特拉斯坎勇士雕像（Etruscan Terracotta Warriors），並成功賣給紐約的大都會博物館。

伊特拉斯坎文化位於義大利，年代早於羅馬帝國，歷史應該超過 2000 年，可是雕像狀態太好，有人懷疑是假的。1960 年代費歐拉凡提（Alfredo Fioravanti）出面承認，他當初協助兩兄弟造假。

• 延伸閱讀：羅馬帝國之前，有草原血緣，不講印歐語的伊特拉斯坎人

皮爾當人

前幾起贗品案都無傷大雅，但是皮爾當人（Piltdown Man）深深地傷害學術。它可謂人類演化研究史上，最大的造假醜聞。

1912 年，名字和達爾文（Charles Darwin）有點像的英國業餘研究者道森（Charles Dawson）宣稱，在薩塞克斯發現古人類的化石，引發一陣轟動。他在 1915 年又宣布找到化石，這批化石後來合稱「皮爾當人」。

當時一些學者認為，皮爾當人可以填補演化史上，人與猿的缺失環節。英國出土的化石，也支持大英帝國在人類演化史上的地位。業餘人士道森一心想躋身上流，加入英國皇家學會，最終卻沒有如願，在 1916 年去世。

一直有人懷疑皮爾當人的真實性。終於在 1953 年證實皮爾當人分別具有人與猿的特徵，根本是因為皮爾當人不是一個人，而是由猿和人的骨頭拼裝而成。

• 延伸閱讀：人類演化研究史上最大造假醜聞－皮爾當人

伽利略手稿

美國的密西根大學 1934 年購入一份「伽利略手稿」，據說是伽利略本人 1609 年的手筆。造假兼打假專家威爾丁（Nick Wilding）在 2022 年 8 月證實，那是假的。決定性的證據來自紙張上的 BMO 水印，它要等到 1770 年才出現，遠遠晚於伽利略的年代。

推測這份假貨來自造假名人尼可查（Tobia Nicotra），他在 1930 年代復刻哥倫布、莫札特、林肯等等名人，製作超過 600 件贗品。

維京人的文蘭地圖

有些贗品花費數十年破解，有些則一開始就知道是假的，後來再漸漸補足證據。就像某些偵探故事，一開始就知道誰是兇手，後來才釐清作案過程，可謂證明題。

美國的耶魯大學 1960 年代取得一份 15 世紀地圖，上頭繪有文蘭（Vinland），也就是維京人在美洲的殖民地。幾乎一開始就判斷這份地圖是假的，不過做證明題也有意思，圍繞其衍伸出有趣的議題。現在知道，此圖字體不符合年代以外，使用墨水含有天然的鈦，證實這是晚於 1920 年代的字跡。

至於維京人是否曾經抵達美洲？1960 年代在這份贗品地圖出現不久後，考古學家於加拿大東北部的紐芬蘭，尋獲蘭塞奧茲牧草地遺址（L’Anse aux Meadows），證實維京人確實在美洲留下足跡。只是文蘭在哪裡，仍是謎題。

• 延伸閱讀：公元1021年，維京人在紐芬蘭砍樹

參考資料

1. Why Did They Do It? Six Archaeological Forgeries and the People Behind Them
2. Analysis unlocks secret of the Vinland Map — it’s a fake

本文亦刊載於作者部落格《盲眼的尼安德塔石匠》暨其 facebook 同名專頁。

數感實驗室／朱倍玉

如果有人突然問你： \(  a^{2}+b^{2=} \)？ 台灣學生大概像膝反射一樣，自然而然地答出 \( c^{2} \)。

直角三角形，直角的兩鄰邊長的平方和等於斜邊長的平方。這是人人都熟悉的畢氏定理，也是百年數學之謎「費馬最後定理」的一部分。

費馬提出的世紀難題

費馬（Pierre de Fermat）是 17 世紀的一名律師，數學是他業餘的興趣，當時與他書信往來的包括了笛卡爾、帕斯卡、惠更斯等歷史上知名的數學家。雖然費馬本業跟數學天差地遠，但他相繼提出微積分、機率論與數論的研究，在數學界的貢獻不輸職業數學家，也因此獲得「業餘數學家王子」的封號。

研究《算數》（Arithmetica）這本書時，費馬在書的空白處寫下「\(  a^{n}+b^{n}=c^{n} \)，當 \(  n>2  \) 時無正整數解」，並且用拉丁文留下一句話「我發現了一個極為美妙的證明，可是空白處太小所以沒寫下來」。

短短一條小學生就能理解的式子，再加上一句話，卻讓後世的數學家們花了足足三百年，直到 1995 年才由懷爾斯（Andrew John Wiles）教授完成證明，而這項證明，被稱為上個世紀的大任務。

(2019/8/20) 編按：原文提及費馬定理時敘述為「無解」，實為「無正整數解」，特此更正。

立志要趁早，十歲許願解題的懷爾斯

這個世紀大任務的起點是懷爾斯 10 歲那年。他在圖書館翻閱一本講述費馬最後定理歷史的書，當時，他便對費馬留下來的難題產生濃厚興趣。在其他人才正要認識三角形的年紀，懷爾斯已經下定決心要解決這道流傳百年的難題。正好，又提供大家一個立志要及早的偉人例證。

跟很多成就大事的人一樣，懷爾斯在研究費馬最後定理的過程並非一帆風順。他踏入數學界的時期，正好是數學界準備放棄費馬最後定理的時候。大多數學家認為費馬最後定理無法證明，紛紛轉往其他領域。懷爾斯的指導教授也不例外，要懷爾斯放棄夢想，別白忙一場。也因此除了夢想外，他同時開始研究橢圓曲線^註1這個領域。

然而事實上在更早以前，日本數學家谷山豐和志村五郎提出「谷山－志村猜想」，他們認為橢圓曲線與「模形式」^註2可能有關聯。但是，橢圓曲線或是它與模形式的關聯跟費馬最後定理有什麼關係呢？1985 年，德國數學家佛列（Gerhard Frey）將谷山－志村猜想與費馬最後定理連結，他認為谷山－志村猜想可能可以協助完成費馬最後定理的證明。

後來，法國數學家賽爾（Jean-Pierre Serre）、美國數學家里貝特（Ken Ribet）也投入研究。他們發現只要證明出谷山－志村猜想就可以完成費馬最後定理的證明，才再次啟動懷爾斯的世紀難題證明之路。

於是，長達 7 年的時間，懷爾斯致力於研究谷山－志村猜想與費馬最後定理，他也找來另一位數學教授卡茲（Nicholas Katz）加入研究。懷爾斯是一個很低調的人，為了避免引起眾人的懷疑與關注，他在學校開設新課程，好讓卡茲協助他找到證明費馬最後定理所需要的最後一項工具──類數公式^註3。

由於懷爾斯從未說明開課目的，也沒向學生解釋這個公式將幫助他們通往費馬最後定理，只是不停地證明，難度相當高，搞到最後台下聽眾就只剩下卡茲。不久後，懷爾斯正式完成所有證明。他選擇在劍橋大學舉辦三場研討會，對外宣稱研討會的內容討論的是橢圓曲線和模形式，完全沒提到費馬最後定理。

當時有些謠言，這場研討會似乎有更勁爆的突破要發生，許多學者因此前來。研討會上，懷爾斯從橢圓曲線、模形式，一路證明到費馬最後定理，帶給台下聽眾滿滿的驚喜。隔天報章雜誌上，到處都在報導世紀難題已經解決的喜訊。

以為解開了嗎？過程曲折離奇

然而「福兮，禍之所伏」，驚喜後面還藏了一個巨大的驚嚇。當懷爾斯的證明手稿進入審查階段，卡茲與懷爾斯反覆驗證時，他們找到一處先前完全沒發現的錯誤。

人們尖銳地檢視著懷爾斯的失誤，漫天的喜訊瞬間化成毫無遮掩的嘲諷。懷爾斯接受訪問時也表達，在備受矚目的狀態下進行研究並不是他的風格。他把自己關在書桌前，試圖解決這個錯誤，然而不論怎麼做都沒辦法突破。

就在陷入絕望之際，他偶然在桌邊看到一份關於「岩澤理論」的論文。一時靈光乍現，他運用了岩澤理論來化解掉原先證明的錯誤，完成證明。1995 年，世紀難題才正式從未竟之謎的名單中消除。

「或許，我能給出關於我研究數學的歷程最貼切的描述，就是進入一棟大房子。當一個人開始探索第一個全黑的房間時，裡頭一片漆黑，他會在家具中邊跌倒邊摸索。漸漸地知道家具的位置。六個月後，你會找到開關並且打開燈。開燈的那一瞬間，整個房間被光線壟罩，你終於，能清楚地看見你站在哪裡」

——懷爾斯（Andrew John Wiles）

BBC拍攝了一部關於破解費馬最後定理的紀錄片，這段話正是懷爾斯在片頭的開場白。

破解費馬最後定理的世紀任務就像是完成一場接力式的拔河比賽，仰賴歷史上許多數學家的一臂之力，更需要在時間的沖刷與眾人的關注下承擔壓力的決心。從這個例子我們也可以看到，數學不是計算，更不是算得快就叫數學好。它是思考與邏輯，能讓許多人投入一生也樂此不疲的遊戲。

今年的 8 月 17 日，正好是費馬的 418 歲生日，特別寫這段費馬留給後人的禮物來祝他生日快樂！

註釋：

1. 橢圓曲線（Elliptic Curve）是二元三次曲線的一種形式，其圖形並非橢圓，而是圓環狀。
2. 模形式（Modular forms）是具有極複雜對稱性的複數平面函數。
3. 類數公式（Class number formula）與環的有限序列有關。

資料來源：

• 費瑪最後定理（Fermat’s Last Theorem） 紀錄片
• mathworld.wolfram-Elliptic Curve
• 模形式
• mathworld.wolfram-Class Number Formula
• 解開「費馬最後定理」的懷爾斯—《科學月刊》
• Andrew John Wiles
• Andrew-Wiles
• Pierre de Fermat