各種交通運輸功能的基礎設施,包括道路、鐵路、石油管線、水管、纜車、綿延的電塔與電纜、整排風力發電機組、甚至海岸沿線的消波塊等,這些在地圖上常常以「線」來表示的元素,通稱為「線狀基礎建設」(linear infrastructure)。以往道路生態學(road ecology)所探討的議題,已經擴大到各種線狀基礎建設對環境與生態的衝擊。不同的線狀基礎建設對環境的影響雖然不盡相同,但大致上相似:切開棲地、造成隔離、形成邊緣、棲地破碎…所以常常一併討論。今年七月澳洲生態及運輸網絡(Australia Network for Ecology and Transportation)即將在澳洲舉辦研討會,我沒錢參加只好在此深表遺憾。為了方便說明,下文還是以道路為例。
然而,隨著人類社會的發展,道路的開闢、建築的擴張、農地的開墾,製造了許多「人造的邊緣」。建築、道路、農地等元素,大多不是生物所偏好的棲地,因此人造邊緣所產生的負面效應遠比自然的邊緣還要來的多,邊緣效應對環境及生物的負面影響也受到重視[6]。以道路的邊緣為例,車輛與人類生活所帶來的廢氣、污染、垃圾更容易影響自然棲地;外來種植物也比較容易在邊緣地區擴張;位於邊緣的樹木容易受到風害;鳥巢中的雛鳥容易被獵食或感染寄生蟲等等[reviewed by 7]。
(作者提供)
生物對邊緣的偏好並不一致
隨著研究邊緣對野生動物影響的文獻越來越多,發現邊緣對不同物種的影響並不一致 [reviewed by 7, 8]。偏好邊緣地區的物種稱為邊緣物種(edge species),排斥邊緣地區的物種則稱為內部物種(interior species)。邊緣物種通常是不同生活史階段需要不同棲地內生存資源的生物,例如兩棲類,或是需要較高日輻射的非耐陰(non-shade tolerance)植物,因而在邊緣地區的密度較高。反之,內部物種僅偏好棲地內部的環境條件,邊緣越普遍,棲地內部的面積就會越小,大幅降低內部物種的存活率及繁殖成功率[9]。因為邊緣效應的不一致性,如果對該物種的基礎生活史或棲地偏好沒有充分的瞭解,就難以判斷邊緣的形成究竟會帶來什麼樣的影響。
Lovejoy, T. E. et al. 1986. Edge and other effects of isolation on Amazon forest fragments. In Conservation Biology: the Science of Scarcity and Diversity, edit by Soulé, M. E., 257 –285. Sinauer Associates, Sunderland, Massachusetts, USA.
Clements, F. E. 1907. Plant Physiology and Ecology. Henry Holt and Company, New York, USA.
Leopold, A. 1933. Game Management. Charles Scribner’s Sons, New York, USA.
Yahner, R. H. 1988. Changes in wildlife communities near edges. Conservation Biology,2: 333–339.
Harris, L. D. 1988. Edge effects and conservation of biotic diversity. Conservation Biology,12: 465 –469
Gates, J. E. and Gysel, L. W. 1978. Avian nest dispersion and fledging success in field-forest ecotone. Ecology,59: 871–883.
Ries, L. et al. 2004. Ecological responses to habitat edges: mechanisms, models, and variability explained. Annual Review of Ecology Systematics,35: 491–522.
Fahrig, L. 2003. Effects of habitat fragmentation on biodiversity. Annual Review of Ecology, Evolution and Systematics, 34: 487–515.
Fahrig, L. 2002. Effect of habitat fragmentation on the extinction threshold: a synthesis. Ecological Applications,12: 346–353.
Arrhenius, O. 1921. Species and area. Journal of Ecology, 9: 95—99.
Balmford, A. et al. 2005. The convention on biological diversity’s 2010 target. Science,307: 212 —213.
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。
-----廣告,請繼續往下閱讀-----
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。
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。/ 圖片來源:MotionArray
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)」!
-----廣告,請繼續往下閱讀-----
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。
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。/ 圖片提供:研華科技
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。/ 圖片來源:MotionArray
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)。
-----廣告,請繼續往下閱讀-----
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。
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。
-----廣告,請繼續往下閱讀-----
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?
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。
-----廣告,請繼續往下閱讀-----
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。/ 圖片提供:研華科技