八十七年來，科學家只能從少數二十世紀初期的目擊記錄，還有黑白素描，了解婆羅洲彩虹蟾蜍，或稱森巴河蟾（Ansonia latidisca）。但在去年底，科學家在波羅州，界在馬來西亞及印尼之間的山脊，找到三個族群。這種蟾蜍，被國際自然保育聯盟（International Union for Conservation of Nature, IUCN）列入紅名單，同時也受當地法律保護。但現在發現的族群，不列在保護區域內。這項發現，是去年八月由國際保護組織（Conservation International, CI）發起的搜索，旨在搜尋世界上他們所列的「十大失落的蛙類」名單。名單中，除了婆羅洲彩虹蟾蜍以外，只有另一種在厄瓜多的樁腳蟾蜍（Atelopus balios），兩種被找到。
資料來源：ScienceShot: ‘Lost’ Frog Found on Borneo [15 July 2011]
相關文章：PanSci: 大嗓門小青蛙
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。
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！
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。
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。
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。
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。
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。
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
討論功能關閉中。
即使沒有現代的醫療知識，古人也能進行截肢這類外科手術，不過手術很成功，但是病人死掉的狀況也不意外。一項考古研究宣稱發現已知最早的截肢手術，地點位於東南亞的婆羅洲雨林，年代距今 3.1 萬年。那麼久以前的原始人，真的有能力截肢嗎？
請注意，本文包含人類遺骸的圖像。
之前知道最早的截肢手術年代是 7000 年前，法國新石器時代的 Buthiers-Boulancourt 遺址。
這項研究調查的地點是一處名喚 Liang Tebo 的石灰岩洞，位於婆羅洲東部。考古學家在這兒尋獲一位長眠者 TB1，估計於 3.1 萬年前去世。此時處於舊石器時代，一小群一小群人們不長期定居，沒有農業，以採集、狩獵維生。
考古學家由埋葬狀況判斷，排場儘管簡陋，應該為他人有意識的體面墓葬，骨頭保存相當完整。估計去世時 20 歲左右，憑藉骨盆無法判斷性別，他的身高不矮，可能是男生或高個子的女生。
經歷好幾萬年的歲月，遺骸少掉一些部位也很合理。然而，這位就是少掉左小腿中段以下的骨頭。考古學家仔細分析後，判斷他經歷過小腿的截肢（amputation）手術，之後至少又經過 6 到 9 年，直到去世。
考古學家根據什麼理由判斷他是截肢，而不是一般的斷腿呢？主因是他的小腿骨斷面非常平整，不像是事故摔斷，也沒有感染的跡象，表示腿骨離開身體後沒有造成嚴重的病變。
他左小腿保留的脛骨（tibia）和腓骨（fibula）尺寸比右邊小，明顯有生長落差。推論他在 10 歲多時由於未知原因，被身邊的人用某種利器將左邊小腿骨切斷，而且照護得宜，又生活至少 6 年，去世時受到妥善埋葬。
如果上述推論正確，這位 3.1 萬年前的東南亞人，就是世上截肢手術最早的成功紀錄。
執行手術的工具不明，肯定不是金屬，可能是黑曜石或某種石材，或是鋒利的貝殼或骨製器具，甚至是加工處理過的竹子，都可能用於切斷骨骼，或是在手術中使用。
截肢不是簡單的小手術，當時的婆羅洲人懂得截肢手術需要的消毒、麻醉、止痛嗎？
即使是身強體壯的（十幾歲）原始人，完全沒有藥物輔助下，要在截肢後全身而退，連明顯感染都沒有，想來不太可能。當地環境一定找得到可供藥用的植物，雖然缺乏直接證據，不過可以假設施術者懂得這些知識。
手塚治虫創作的角色「怪醫黑傑克」開刀出神入化，黑傑克也成為動手術的代名詞。婆羅洲的史前黑傑克是如何習得開刀技能呢？
我自己的想法是，古早人處理動物時，可以獲得不少練習機會，對於骨、肉、血想必不會陌生。在決定截肢的時候，操刀者應該自認有成功的機會，有信心又技術熟練地下刀，否則不會有如此漂亮的手術結果。
光憑極為零星的考古調查，無法估計當時的截肢狀況，不清楚這位是成功的特例，或是大批犧牲者中唯一的幸運兒。只能確定當時的婆羅洲人，不只已經有相關的醫療知識，還有團隊照顧的精神。
考古沒有發現，不等於真的沒有，也要考慮到遺骸保存的狀況。成功的截肢手術會在四肢留下痕跡，但是舊石器時代的遺骸，四肢骨頭保存往往不全，考古上難以辨識。我猜舊石器時代應該有更多截肢的成功案例，大部分卻無法被我們知曉。
之前研究得知東南亞的婆羅洲、蘇拉威西這塊區域，超過 4 萬年前便有壁畫等藝術創作。史前黑傑克與截肢者所屬的人群，應該和藝術家有關連。醫療、藝術，果然皆為高端的人類技能。
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。
歐洲在數萬年前的史前時代，就存在洞穴壁畫、雕刻之類的藝術創作。能畫出令畢卡索也讚嘆的畫作，足以讓我們間接推論，壁畫的創作者已經具備現代的心靈。當時的歐洲人除了能準確畫出寫實的動物，野牛、野馬等等，展現觀察與複製自然的能力，也會製作比較抽象的作品。
例如在德國南部的史塔爾洞穴（Stadel cave）出土，距今 4 萬年的「獅人」，是一件用象牙雕刻，31 公分高的小雕像；專家估計要花費 400 小時，才能完成這件精品。獅頭人身，顯然不是自然界存在的生物。當時的人為什麼大費周章，製作這類缺乏實用價值的作品，我們毫無頭緒。1
考古學家猜測，獅人雕像曾被作為某些儀式之用，甚至隱約記錄著早已失傳的信仰、原始的宗教。不論如何，獅人這類超現實的作品，都反映出創作者難以捉摸的抽象思維。幾萬年前的歐洲人既能寫實，也懂抽象，別處的人卻沒有類似手筆，難道是歐洲的智人特別聰明嗎？
最近在世界另一邊，東南亞的發現，完全顛覆了上述的想法。
歐洲是世界上最早開始考古研究的地方，調查最為透徹、密集。單單法國考古遺址的數量，就和廣大的東南亞一樣多。其他地方沒有和歐洲類似的考古發現，或許只是探索不夠，尚未找到。也可能是沒有留存下來，都在歲月中消逝了；畢竟歐洲的氣候環境，遠比非洲、東南亞等地適合保存人造物。
所以這篇 2018 年發表的論文相當驚人。它報告在東南亞海上的大島—婆羅洲，山區調查岩洞的結果。數個洞裡發現壁畫，但是判斷壁畫的年代難度很高。
這項研究採用鈾定年法（U-series dating）分析壁畫上的碳酸鈣。畫作完成後留在岩壁上，碳酸鈣會漸漸在表面累積，所以碳酸鈣的年代，肯定比其下的畫作更晚；碳酸鈣的年代，能代表畫作最低可能的年紀。2
婆羅洲 6 個洞穴共 15 件樣本的分析指出，年代最早的畫作距今足足有 4 萬年之久，次早的為 3.94 萬年。畫的隱約可見是某種動物，可惜已經殘缺到無法判斷。4 萬年前這年代，甚至比法國的夏維洞穴（Chauvet cave）最早 3.7 萬年前的作品，又更早好幾千年，在發表時是全世界最早的動物繪畫。
最早一批壁畫的色彩偏紅橘，內容為偏寫實風格的動物，如當地存在的爪哇野牛（Bornean banteng）。不過該地繪畫記錄在此之後，中斷相當長的時間，直到約 2 萬年前才出現另一種風格，以手印為主，深紫色的作品。
這項發現明確指出，洞穴壁畫這類被視為高端心靈的表現，並非歐洲的專利，不但也在世界另一邊的東南亞存在，年代還比歐洲更早一點。
下巴掉下來的話，先裝回去，因為隔年 2019 年發表的論文，比上述發現更加驚人！
另一項研究調查的地點，位於婆羅洲東邊的島：蘇拉威西。島上一個叫作 Leang Bulu’Sipong 4 的洞穴中，發現 6 個動物圖案：2 個是野豬、4 個是野牛，由型態判斷最可能是蘇拉威西野豬（Sus celebensis）以及矮水牛（dwarf buffaloes 或 anoa），牠們依然漫步在今日的蘇拉威西。3
鈾定年法得知，蘇拉威西最早的樣本距今也許有 4.39 萬年，榮登目前已知史上最早的動物畫作，它是一幅看起來肥滋滋的野豬。稍晚的野牛距今 4.1 萬年左右，榮登史上最早的野牛畫作。
冰河時期海平面較低時，婆羅洲會與東南亞大陸相連，不過蘇拉威西總是海島。蘇拉威西這批壁畫色彩紅橘，和婆羅洲年代稍晚的作品風格一樣。只在單一地點發現，還有質疑的餘地，不過在相距不遠的兩處都發現類似作品，應該足以相互映證，彼此為年代接近，文化相似人群的產物。
另一件驚喜是，豬和牛的旁邊還有 8 件半人半獸（therianthropes）的圖案。一豬一牛旁邊，各有一個半人半獸；其餘 6 個位於另一頭牛的前方，該牛距今約 4.09 萬年，半人半獸們的年代或許差不多。
所謂「半人半獸」，其實無法判斷是哪種獸，不過圖案放大來看很清楚，假如把德國 4 萬年前的獅人畫在牆上，看起來就會是蘇拉威西這樣：獸頭人身。
換句話說，蘇拉威西岩壁上這批繪畫，是世界上已知最早的人獸合體作品，又比歐洲更早一段時間。綜合觀之，東南亞和歐洲在同一時期的人，皆為既能寫實，也懂抽象，足以認定具有高端心靈的人。至少可以肯定，冰河時期的歐洲人，並不獨特。
差不多同一時期，地球上相隔甚遠的兩處人，在差異不小的環境下，不約而同表現出類似的行為與思維。不禁令人好奇，事情是如何發展成這樣？
東南亞與歐洲的智人，都是數萬年前離開非洲智人的後裔。一種可能是，他們尚未各分東西以前，已經具有後來的藝術感與抽象思維，後來各自在東方與西方表現出來，留下紀錄。另一種可能是，歐洲與東南亞兩地獨立發展。移民歐洲的智人思維變得更加深刻，東南亞也經歷一樣的狀況。
考古記錄指出，約 4 萬年前才有大批智人移民進入歐洲；歐洲出現智人藝術品，和智人抵達歐洲幾乎是同時的事，乍看之下沒什麼醞釀的時間。
東南亞一帶智人現身的年代，應該早於 6 萬年前；更遲超過一萬年，才是已知開始藝術創作的年代。是同一群人住久以後，慢慢研發出新才能嗎？又或是隨後而來的另一群人，也帶來藝術呢？
總之，目前的證據，不足以判斷是哪一種；只能肯定智人尚未離開非洲以前，已經具有相當的象徵思維，不過仍沒有寫實壁畫、半人半獸這類手筆（或許曾經有過，只是還沒有發現）。
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。
雷雅淇 / y編
Ａ編編
