五小時排隊買甜甜圈 你願意等嗎？

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

時間不再絕對？牛頓與愛因斯坦的時間觀差異

川村老師，請用簡單的方式告訴我「相對論」是什麼？

老師：狹義相對論源自相對性原理（Principle of relativity，指物理定律〔Physical law〕適用於所有以等速直線運動的物體） 與光速恆定原理。根據這個理論，時間是相對的，依不同觀察者而有所差異。牛頓力學中的時間是絕對的，愛因斯坦則認為，可依不同的觀察者位置對時間進行不同定義。

老師：之前在討論「力」時，也提過離心力。離心力是「慣性力」的一種，慣性力指物體在加速運動時感受到的與加速方向相反的力。置身在沒有窗戶的電梯中，當電梯向上加速，電梯內的人會受到向下的慣性力（譯注：因看不到外面，使得他無法判斷電梯的運動情況）。若加速度為 g，物體質量為 m，則物體所受慣性力為 mg，與在地面所受的重力 mg 相同。愛因斯坦無法區別這兩種 mg 的差異，所以視為等效。但無論慣性力的方向為何，物體都會往向量合成後的視重力場方向掉落。

時間在任何地方都固定不變嗎？

世界上最快的速度是光速。物體的移動速度若接近光速，它的時間進程就會變慢。也就是說，在接近光速的太空船上，時間會變得悠長。而且，接近光速的物體長度會朝行進方向收縮。

物體只要具有質量，即使在靜止狀態依然擁有能量（其能量 E ＝ mc²），稱為靜止能量（Rest energy）。

提到光的運動，我們已經知道光的路徑會彎曲。

1919 年，天文學家觀測到恆星發出的光線在經過太陽附近時被偏折，這種現象稱為「重力透鏡效應」（Gravitational lens），有助於了解黑洞等宇宙中質量分布的情況。此外，天體物理學家也觀測到時間的延遲。簡而言之，接近地面的時鐘行進速度會比高處的時鐘慢，GPS 也是依據這種效應來進行校正。

時間

牛頓力學中的「時間」（也就是我們一般理解的時間）和相對論中的時間大異其趣。牛頓在《自然哲學的數學原理》（Philosophiæ Naturalis Principia Mathematica，1687）中，假設空間是均勻平坦的；從過去到未來，在任何地方都平均延伸。在牛頓力學中，全宇宙的時間一致。

但相對論否定了這一點。

光速恆定原理指出，光的速度是固定不變的。這種狀況下，空間中不同地點發生的兩件事，對某個觀測者來說是同時發生，但對另一參考系的觀測者而言則非同時發生。也就是說，時間的前進速度並非在任何地方都相同。因此，時間和空間不能視為各自獨立的兩回事，應該一體化，視為四維空間（時空，Spacetime）。

不過，這是指物體移動速度接近光速時的情況。日常生活中，使用過去的時間觀不會有任何問題。

黑洞

黑洞（Black hole）是一種天體，因為密度極高，重力極強， 不只物質，連光都會被吸進去，無法逃逸。天體是宇宙中所有物體的總稱，具體來說，指太陽、恆星、行星、星團、星雲等。從相對論來看，黑洞周圍空間是扭曲的。照以下方式想像應該會比較容易理解：

把重物放在一大塊展開的薄橡皮布上，放置處就會凹下去，而這塊凹陷會影響到周圍。同樣的，黑洞所在之處會發生猛烈的空間扭曲，經過附近的天體會被極強的重力吸引，落入其中，連光也難逃魔掌。

銀河系有許多黑洞，但具體數字不詳。2019 年，一個跨國研究計畫團隊首次拍攝到黑洞的「影子」，掀起一陣討論熱潮。

——本文摘自《物理角色圖鑑：用35個萌角色掌握最重要的物理觀念，秒懂生活中的科普知識》，2024 年 9 月，漫遊者文化，未經同意請勿轉載。

數十年來，多數心理學家和新興的行為經濟學家在可控制的實驗情境中，不斷研究人類的決策過程。這些研究結果不僅動搖關於人類理性的基本假設，甚至迫使大家用一種截然不同的觀點來思考人類行為。

例如，心理學家已經藉由無數個實驗證明，人的選擇和行為會受到特定字詞、聲音等刺激的「促發」（priming）所影響。受試者若在實驗中念到「老」和「虛弱」等字詞，他們離開實驗室在走廊上行走的速度就會變慢。在酒坊裡，如果店家播放的背景音樂是德國音樂，消費者更有可能購買德國葡萄酒，如果是法國音樂，則會傾向購買法國葡萄酒。受訪者在填寫跟運動飲料有關的調查問卷時，如果是用綠色的筆，則更可能會選擇開特力運動飲料（Gatorade）。購物網站的背景圖案如果是蓬鬆的白雲，網路購物者更有可能選擇昂貴、舒適的沙發，如果背景圖案是錢幣，則購物者傾向買較硬、較便宜的沙發。

我們的反應也可能被無關的數字給影響。有一項實驗，要求參與葡萄酒拍賣會的人在競價之前寫下自己社會保險號碼的末兩位數字。儘管數字基本上是隨機的，且絕對與買家對酒的估價無關，但研究人員發現數字越大，買家就更願意出價。心理學家稱這種現象為「錨定效應」。不論是估計非洲聯盟的會員國數量，或是我們認為合理的小費或捐款金額，都可能受到錨定效應的影響。

事實上，當慈善機構的募款單上附有「建議」捐款金額，或帳單上預先寫出小費的比率，你都該懷疑這是利用錨定效應技巧，因為提出一個較高的金額，其實是在錨定你對「公平」的初步估計。就算你覺得 25％ 的小費似乎太高了，所以調降你的估計值，但最後給出去的小費或許還是高於沒有被暗示時的金額。

改變情境呈現的方式也可能強烈影響個人偏好。比方說，在同一個賭局，如果強調輸錢的可能性，就會讓人傾向規避風險，但如果強調贏錢的可能性，則會造成相反的結果。更讓人困惑的是，加入第三種選項，竟然可以逆轉一個人對先前兩種選項的偏好。

舉例來說，A 是一款品質好、價錢昂貴的相機，B 是品質較差，但較便宜的相機。光這樣看可能很難比較與選擇。但假設如下圖所示，加入第三個選項 C1，雖然品質差不多，但顯然比 A 貴。這時要選擇 A 或是 C1 就變得很明確了。三者中選擇 A 的占大多數，這似乎非常合理。但假設加入的第三個選項是價錢跟 B 差不多，但品質較差的 C2，那大家又會如何選擇？這種情況當然會選擇 B。換句話說，即使選項 A 和 B 都沒有改變，只要加入一個不同的選項，就能夠有效逆轉對 A 和 B 的偏好。更奇怪的是，決策者永遠都不會選擇引起偏好逆轉的第三個選項。

心理學家藉由研究這一系列非理性的行為發現，提取或回憶不同類型訊息時，其難易度通常會影響人類的決策與判斷。以搭飛機為例，與其他任何致命因素相比，人們通常會高估死於恐怖攻擊的可能性。因為人們對恐怖攻擊的印象非常鮮明，即便它發生的機率明顯低於任何其他事故。

還有一個矛盾的情況，當人們被要求回憶自己果斷行動的經驗時，通常會認為自己沒那麼果斷。並不是因為這個問題和他們對自己的看法有衝突，而是因為回想的時候很費力。相較於真實情形，人們也傾向於認為自己現在的行為、信念都跟過去差不多。

此外，在閱讀一份手寫聲明稿時，如果字體容易閱讀，或者之前曾經看過，那這份聲明就會更容易被取信。就算人們上次看這份聲明時，已經明確知道那是假的，結果依然如此。

最後，人們消化新訊息的方式，往往會增強他們既有的想法。某種程度上，這是因為我們偏愛注意「更能證實自己既有信念」的訊息，並忽略不符合自己信念的訊息。

另一方面，我們對於那些不符合自己信念的訊息，也傾向加以質疑或嚴格檢查。這兩種密切相關的傾向，分別稱作「確認偏誤」（confirmation bias）和「動機性推論」（motivated reasoning），會嚴重阻礙我們解決爭端的能力。從家事上的小分歧，到北愛爾蘭或以巴衝突都深受其害。在這些爭端當中，各持己見的雙方看待的明明是同一套「事實」，但對實情的印象卻完全不同。

即便是在科學領域，確認偏誤與動機性推論也時常扮演有害的角色。基本上，科學家應該遵循基於證據的真相，即使該證據與自己既有的信念或理論相抵觸，但是更多時候，科學家反而質疑證據。

結果正如量子力學創始者馬克斯．普朗克（Max Planck）的至理名言：「一個新的科學真理之所以能勝出，不是因為它說服了反對者，讓那些人接受——而是因為反對者死光了。」

——本文摘自《超越直覺》，2024 年 01 月，一起來出版，未經同意請勿轉載。