點字教學手套：可以分心的學習法

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

本文由 國立臺灣師範大學 委託，泛科學企劃執行。 

在這個通信技術普及的年代，我們不斷介紹各式各樣的通信技術。大多數的通信技術都是為人服務的，這似乎是理所當然的。然而，有一種通信技術並非直接為人服務，而是為物體之間的交流提供支持。這種技術不僅存在，而且在現代已經成為最主要的通信形式之一，我們稱之為——物聯網（IoT）。

物聯網，Internet of Things，簡稱 IoT，顧名思義就是物品，機器、設備連上網路。

在我們生活中，如智慧手錶和藍牙耳機這些穿戴式設備，它們各自擁有特定功能，同時又能透過藍牙技術相互連結，這就是物聯網的一種應用。

你可能會問，手機也算是物聯網的設備嗎？

這取決於你如何定義和使用手機。如果是人們使用 5G 或 4G 技術彼此傳訊息和溝通，那麼這不屬於物聯網的範疇。但當手機與藍牙耳機或智慧手錶連接時，它們之間的互動更符合物聯網的概念。因此，物聯網的基本定義是，不直接涉及人跟人、或是人與設備的互動。基本上都是設備跟設備之間的溝通。

通信是人類最基本的需求，同時也帶來無限商機，就像我們不想跑到別的地方買可樂，卻發現賣光了一樣，科技為能解決這些需求，促使通信技術的持續成長。

如同手機的普及帶動了市場需求，從一家一部的電視和冰箱，到人人一支的手機，並且每隔幾年就更新換代。這種商機吸引了企業的投資，也推動了強大的研發動能。

而現在，我們正生活在一個設備數量遠超人類數量的時代，從藍牙耳機、智慧手錶，到遍布全球的智慧設備，物聯網的技術已經無處不在。

不妨思考一下，還有哪些需求尚未被滿足，也許它們正是下一個物聯網應用的起點。

更多、更完整的內容，歡迎上數感實驗室 Numeracy Lab 的 YouTube 頻道觀看完整影片，並開啟訂閱獲得更多有趣的資訊！

• The little-known story of the first IoT device – IBM Blog
• 台中空品感測器物聯網勇奪 GO SMART 國際大獎- 生活 – 自由時報電子報
• 目前環境部空污感測器涵蓋那些地區？監控多少污染源？
• PM2.5 Open Data Portal
• 東大・NTT ドコモ・東北電力、「LoRa 無線通信技術」を活用した送電設備の監視に係る実証試験を実施
• 横浜国立大学様（藤野陽三教授） | 導入事例 | ソナス株式会社

今日的可攜式科技產品已不再像是身體的延伸，而是自身的一部分。「穿戴式裝置」是可以穿戴在身上的電子產品，功能包括追蹤、生物感應和行動傳輸。未來，這類產品只會越來越多。

所有穿戴式裝置的最終目的，都是要提供輕便、不著痕跡、且無須手持的服務，以達到「改善生活」的功能。到目前為止，最成功的穿戴式裝置是一種能夠記錄肢體活動、心跳和睡眠品質的健身追蹤器。然而許多分析家相信我們即將面對一場穿戴式裝置的科技革命。

近來，最火紅的穿戴式裝置──Apple Watch無疑加速了這場革命。Apple Watch於2015年4月上市，近五年來充斥著諸多謠言、臆測和熱烈討論，大眾殷切期盼這個科技產品究竟能為我們做些什麼？

Apple Watch是iPhone的附屬設備，也就是說，只要將這兩個產品配對，你就可以在手腕上打電話、傳訊息和瀏覽網頁。它還附有許多感應器，可以監控你的健康與健身狀況；經過指紋識別後，也可以授權Apple Pay付款系統來買東西。這個產品上的「數位錶冠」轉鈕讓你可以更方便地瀏覽觸控式螢幕；觸覺回饋引擎則讓你能實際感受到手錶輕拍你的手腕。

不過穿戴式裝置並非無往不利。過去Google眼鏡（Google Glass）與Apple Watch受到了同樣熱切的矚目，然而雖然這幾年中許多嘗鮮者和研發人員都試用了Google眼鏡原型機，但最終仍無法吸引大眾，並於2015年1月19日停止出產。

不過，穿戴式科技仍不斷演進。新的產品體積越來越小、越來越不醒目，有些甚至可以植入體內。著名的未來學家雷．庫茨魏爾（Ray Kurzweil）曾精確預測了Wi-Fi和聲控功能，他認為在未來五年內，我們將開始戴上可以直接將影像投射在視網膜上的智慧型眼鏡。他更預測在2045年，我們會將大腦新皮質透過無線傳輸系統與雲端連結，人類智能將因此增加十億倍。那將是一場爆炸性的腦內革命！

它是否會顛覆穿戴式科技？

大眾引頸企盼的Apple Watch終於在2015年4月24日上市了，共有38種款式，包括兩種不同大小的錶面──38公釐和42公釐，適用於或大或小的手腕上，此外也有各種錶帶和金屬材質可選擇。價格可從台幣1萬1500元的基本運動款，到台幣57萬元的頂級18K金款式。事實上，Apple公司還為他們奢侈的手錶發明了新的黃金材質。他們不依傳統作法將黃金與銀（或銅）以3比1的比例混合成合金，而是利用陶瓷原料這種低密度材料，讓黃金硬度增倍，更抗磨損。

Apple Watch在日常使用下，每次充電的電力可維持18小時左右，但倘若打開省電模式，並將大部分功能關閉，電力就可以維持約72小時。將手錶連接感應充電器，從完全沒電充到充飽電約需2.5小時。

Apple Watch的錶面可客製化，除了可以顯示精確時間（誤差低於50毫秒），也可以與iPhone 5、5C、5S、6或6 Plus搭配使用，提供更多功能。透過內建的喇叭與麥克風，你可以用Apple Watch來接撥電話、聲控收發文字訊息、從現有的樣板選擇表情符號，也可以使用內建感應器追蹤你的健身狀況。若要測量自己的行經距離，則須同時打開具有GPS功能的手機並隨身攜帶。

目前已有數千個針對Apple Watch研發的app，讓你可以遨遊Facebook或Instagram等社群網絡、透過Uber招攬計程車，或使用Shazam來辨識餐廳裡播放歌曲的歌名。旅行時也很方便，因為你可以在機場用它當登機證，或用來解鎖旅館的房門。

本文節錄自《How It Works知識大圖解 國際中文版》第12期（2015年9月號）

更多精彩內容請上知識大圖解

許多年前，喬治亞理工學院（Georgia Institute of Technology）的研究人員研發出高科技手套，可以在45分鐘內教初學者彈一段鋼琴曲，研究人員原本期待鋼琴手套能有卓越的成就，卻驚喜的發現意外的成果：教人們學會讀寫點字（Braille），厲害的是，人們在學點字的時候不需要專心在指尖上，可以一邊打電動，或是放空。

穿戴式科技的領航者，喬治亞理工學院的教授Thad Starner說：「這個學習法的機制是『被動觸覺學習（passive haptic learning，PHL）』，我們知道人們可以用振動學會動作技能，而不必專注在手上。」在他們新的研究裡，Starner跟他的博士生Caitlyn Seim測試這個手套的點字教學成效。每個受試者穿戴一雙手套，有微小的振動馬達鑲嵌在指關節處，馬達會發出振動序列，對應著某個片語的點字打字模式，語音提示同時讓受試者知道此打字序列產生的字母，最後，每個人在沒有語音提示和振動的幫助下，試著在鍵盤上打出這個片語。

這些振動序列接著在分心試驗中再次出現，他們要求受試者忽略手套，讓他們玩30分鐘的遊戲，其中一半的受試者會感受到反覆出現的振動和並聽到語音提示，另一半只會聽到提示音，遊戲結束後，兩組受試者都脫掉手套，試著打出這個片語。「只有語音提示的組別在兩次測驗的表現都差不多（也跟預實驗的基準一樣）」Starner說，「但是有振動教學的組別提高了三分之一的正確率，有些甚至完美。」

「值得注意的是，我們發現人們可以將如何打出點字的知識轉移成如何『閱讀』點字，」Seim說，「在打字測驗後，被動學習者能夠讀出並認出片語中百分之七十以上的字母。」參與試驗的受試者都沒有在鍵盤上打過點字，也沒學過點字，這個試驗也沒有加入螢幕或視覺回饋，所以受試者不會看到自己究竟打出了什麼，也不知道整個試驗中自己的正確率有多高。「整個學習過程中唯一的指導途徑就是觸覺介面。」Seim說。

Seim現在正在進行第二期的研究，在四個階段內利用PHL教人學會全部的點字字母表。在八個接受PHL的參與者中，有75％的人在打字表現完美，控制組中則沒有人有這樣的成就，僅僅4小時的教學後，PHL的受試者也能夠認得和讀出字母表中90%以上的字母。

全世界有四千萬個盲人，然而點字教育在學校被大量忽視，只有10%的盲人能學會這種語言，人在晚年也很難學會點字，糖尿病患者、傷患、退役軍人、老人都有失明的傾向，這個手套將會提供額外的幫助。除了教人彈鋼琴，研究人員稍早也展示了這個手套改善脊椎損傷患者的知覺和行動力的能力。

這個點字研究將會在今年9月18日於西雅圖的國際穿戴式科技論壇（International Symposium on Wearable Computers，ISWC）上呈現。

資料來源：

Wearable computing gloves can teach Braille, even if you’re not paying attention. ScienceDaily [June 23, 2014]