魚兒也看天吃飯？

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

台灣最近（1月23~26日）的超級寒流不僅造成災害，農漁業損失慘重，還讓低海拔地區甚至平地雪霰紛飛，台北、新竹、嘉義氣象站更是設站以來首度下霰。大家可曾知道，在清朝的太平盛世時代，台灣平地是經常下雪的！

小冰河期

清康熙35年（1696年）出版的《台灣府志》中，雞籠積雪為台灣八景之一。雞籠在當時大部分為尚未開發的蠻荒之地，位於當時的諸羅縣，除了現今的基隆之外，也泛指台灣北部台北、淡水等地區。

根據《台陽見聞錄》：

「雞籠山在基隆廳治。台地氣候，南北迥殊。北境冬寒，與內地無大異。茲山為北境盡處，山大而高，下逼巨海，名為大雞籠。至冬常有積雪，台人取以列郡治八景焉。」

因此雞籠積雪的確切地點，可能是現在的基隆山（海拔588m），或者海拔超過一千公尺的七星山、大屯山一帶，至今無確切說法。同治年間《淡水廳志》的「淡北八景」也提到「屯山積雪」，可以推知陽明山以及台北其他沿海山區，在清治時代是經常下雪、積雪的！

原來，約在16世紀至19世紀，也就是明清時代，全球氣溫明顯下降的現象，稱為小冰期或小冰河期。氣溫最低時正巧是清朝地康熙、雍正、乾隆盛世。不僅雞籠山白雪皚皚，許多史書也都記載台灣西部平地下雪。

康熙22年（1683年）十一月，《台陽聞見錄》提到「是冬，北路降大雪，寒甚」、《諸羅縣志》記載「雨雪，冰堅厚寸餘」。乾隆53年（1788年）二月，《淡水廳志》表示「大雨雪，饑，斗米千錢」，顯見寒害對農作物收成的負面影響。咸豐7年（1857年）一月，《淡水廳志》和《苗栗縣志》都有大雪的記錄。1892至1893年的冬天台灣更是嚴寒，地方史料記載不僅澎湖「奇寒」，雲林崙背「大雪，五穀、豬羊多凍死」、嘉義新港「雪下數寸，六畜凍死」，北部的新竹竹東更是「大雪連下三日，平地高丈餘」。

馬偕博士（George Leslie Mackay）在1872至1901年旅台期間，也留下許多台北地區的天氣記錄。馬偕於日記裡也記載1893年1/17-18日，大廳裡只有華氏42度（攝氏6度），連觀音山（海拔616m）都下雪，他甚至還上觀音山裝滿兩大桶的雪，帶回平地給孩子看。1892-93年的冬天，可能是台灣有史以來最冷的一個冬天！由此可見，雖然雞籠山、大屯山積雪景色優美，但小冰河期的低溫造成糧食作物生長季縮短、產量降低，農牧業損失慘重，造成全球各地饑荒連年，死亡率上升，造成的災害不可小覷。

台灣近代降雪記錄

全球氣溫在進入20世紀後逐漸恢復正常，日治時期以及民國時期平地幾無降雪記錄，但當時的台灣氣溫依然比現代低，台北大屯山（海拔1093m）降雪依然是稀鬆平常的事情。日治時期比較可觀的記錄，包括《臺北縣志大事紀》中記載1917/1/8 「大屯山降雪為歷年來罕見，淡水線火車開賞雪加班車」、1919/3/2大屯山春雪、及1934/1/29 「天氣驟寒，七星郡大屯山降雪盈尺」。1896年2月，日本在台灣設立台北、台中、台南、恆春、澎湖五個氣象測站，台灣氣候才開始有正式的科學記錄。

台北測站在1900/2/13測得零下0.2 °C，戰後的1963/1/28測得零下0.1 °C、前一天台中最低溫更達零下0.7 °C，各地普遍結霜，但以上幾次都沒有降雪記錄。1962-63年台灣冬天在近代大概是數一數二的嚴寒，其中1963年一月的台北市，有28天達到寒流標準（最低氣溫10度以下）！但當時天氣多為乾冷，也沒有下雪。倒是1958/2/13台北氣溫低達2.6 °C，空軍氣象官李富城先生（現為氣象主播）回憶：

我跟一個老長官，我們倆一起出空軍總部大門，我們倆一出，下雪了，台北市天空有飄了幾片雪，我說：「啊，下雪了。」

那天陽明山大雪紛飛，景象跟前幾天的寒流相當雷同，但當天氣象局在台北市並沒有正式降雪記錄。

現代受全球暖化以及都市熱島效應的影響，台灣氣溫節節上升，但全球暖化的後果，不僅僅是氣溫上升而已，更可能造成極端氣候頻率增加。這場讓台灣遍地下雪的超級寒流，是否表示著未來包括寒流在內的極端氣候會更加頻繁呢？是值得大家省思的一個問題。

• 民視節目《台灣演義》，2013年8月25日。
• 許玉青，《清代臺灣古典詩之地理書寫研究》，國立中央大學碩士論文，2005年6月17日。
• 《臺陽見聞錄》，維基文庫。
• 維基百科小冰期。
• 李禎祥，1893年雲林嘉義大雪：台灣史上最冷的冬天。
• 那年淡水有多冷，淡水導覽旅遊暨文化活動手記。
• 台北氣象站，中央氣象局網站。
• Mata Taiwan，永和汐止都下雪下霰了！那台南到底會不會下雪？

這個週末，相信大家都有一個很難忘的回憶，台灣各地的氣象測站，都測到破紀錄的低溫。很多海拔高度較低的地方，也下起了雪來。一時間，整個台灣的新聞台焦點已經從蔡英文要不要提前組閣，整個轉移到白雪紛飛的歡樂世界。一位在新聞台任職的新聞主管還打趣的說：「今天最大的新聞，應該是台北哪裡沒下雪？」

媒體的報導多著重現象，缺乏事件背後的剖析。

台灣的媒體競爭很激烈，為了收視率只能用力拼下去。然而各家電視台的人力畢竟有限，別家電視台有下雪的畫面，自家怎麼可以沒有。別人出了SNG車，輸人也不能輸陣。資源投注在最血淋淋新聞戰，自然就無法空出人力開闢戰場，只能跟隨別家的議題。在我看來，除了「何處下雪？雪積多深？賞雪人潮？車陣多長？」之外，寒流背後的成因更值得探討。少數有新聞媒體深入解釋了「北極震盪」讓大家知道為什麼會有這一波寒流。但是，很抱歉，如果以科學家的標準，我還會在多問一句，「北極震盪」年年發生，怎麼今年會有如此嚴重的寒流。如果我的資訊沒錯，台灣自1897年有氣象記錄已來，還沒有平地下雪的紀錄發生。很可惜，真正深入的資訊，大多來自外電報導，實在是一大遺憾。

不該發生的事情，卻有不一樣的處理標準

台灣地處副熱帶和熱帶，依照常理來判斷，低海拔地區下雪，其實是「反常」的事件。這就跟十幾年來不該淹水的地方淹水，一月不該有颱風侵襲台灣，小林村不該滅村一樣，都是反常的天氣（或災害）事件。然而，台灣的民眾似乎對下雪有追求的熱情。於是輿論風向變得相當歡樂，開始討論起日本、台灣哪個氣象預報比較準，氣象主播之間的舌戰。這些資訊無疑增添了八卦的氣氛。但是，容我多嘴，當我們覺得日本的播報很準確的時候，是不是想過日本投注多少的人力物力在基礎科學的研究上面。氣象是一門科學，而科學的進步沒有捷徑，就是找到一群稱職的科學家，給他們需要的資源。

下雪是天氣現象，平地下雪是天氣災害現象

相對於其他高緯度地區，台灣對於寒害幾乎是沒有準備的。舉例來說，一般辦公大樓不一定有暖氣設備，有些建築為了通風，連冬天也只能開啟冷氣。一般超過20年以上的住宅大樓，更不會裝設暖氣，只能靠住戶自己購置，如此低溫對壯年人來說已經接近體力負荷的邊緣，更何況是老年人與小孩。如此寒害，對心血管疾病的病人都是嚴峻的考驗。可以想見，凍死的案例一定會上升，而接下來，台灣的民眾就要面對過年前的農產品漲價。說實話，這波寒流帶來的雪，不是瑞雪，是災害啊！瑞凡！

回歸科學面來說，根據科學家的研究證實，在可以預見的未來，人類必定要面對這一類型的「極端氣候」。尤其是位於海島的台灣，暴雨、暖冬、寒流、強颱，以後都會成為我們生活的一部分。媒體的力量，就跟水一樣，水能載舟，也能煮粥（咳～～），對不起，是亦能覆舟。當輿論能夠喚起大家對這類極端氣候的重視，就會發現這些現象多少肇因於全球暖化。簡單來說，地球已經存在超過45億年，什麼樣的大風大浪沒見過。相對的，人類只有短短一百萬年左右的歷史。地球系統的失衡，不會讓地球消失，反而會是人類這個族群存亡的關鍵。