一點都不痛－《科學發現幕後的黑色喜劇》

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

少年醒來了。他反覆地用英語說，自己在美國猶他州。^[1]

這裡是荷蘭 Maastricht 大學附設醫學中心（Maastricht UMC+）的術後恢復室。少年踢足球傷到膝蓋，剛開完刀。外科護理人員判斷他麻醉尚未退盡，不以為意。然而數小時後情況依舊，精神科因此參與會診。^[1]

精神狀態檢查

術後 18 小時，精神醫師為少年進行精神狀態檢查（mental status examination）。以下是個案報告中，記錄的幾個項目：^[1]

• 外表：此項目觀察病患維護個人衛生的能力，穿著是否合宜，外貌可有因病蒼老等。^[2]時年 17 歲的白人少年，服儀整潔，躺在床上。^[1]
• 情緒：這是病患的主觀感受，通常就是直接問他們當下覺得如何。^[2]該少年的心情愉快，顯然不受病況影響。^[1]
• 表情：有些精神病患會出現跟情緒不吻合的表情，例如：該哭的時候笑，或者說自己心情好，卻一直哭。^[2]少年的表情正常。^[1]
• 行為：某些精神狀態、生理疾患或藥物副作用，會改變病患的行為。比方說，狂躁症患者亢奮的舉止；巴金森氏症使動作僵硬緩慢；亦或是因藥導致的非自主性運動等。^[2]本案少年輕鬆自在，與醫師握手打招呼，以開放的態度對話，且有適當的眼神接觸。^[1]
• 認知：常見的項目有清醒程度、專注力、記憶力、抽象推理能力，以及辨識人、時、地的定向力等。^[2]少年稍早在恢復室，以為自己位於從來沒去過的美國，又不認得父母，就是定向力異常。到了精神科問診的時候，醫師沒有發覺異樣，並認為他的智力約在平均水準。^[1]
• 感知：人在沒有外界刺激的狀況下，不該接收到感官訊號。^[2]少年的感知正常，無幻覺。^[1]
• 思考：此項分為模式和內容。^[1]前者是指思路是否清晰，還是雜亂無章；後者則要看病患的思緒可有圍繞特定主題，像是擔心遭受迫害，或是想自殺等。^[2]醫師認為少年的思考模式與內容都正常，沒有奇怪的妄想。^[1]
• 言語：一般是觀察說話的語調、節奏、速度、音量和流利程度等特質，^[2]當然這裡得加上語言的種類。就讀高中三年級的少年，平常除了學校的英語課，生活中都講荷蘭語及該國南部的林堡語（Limburgish）。現在他卻用英語跟醫師溝通，而且只擠得出簡短的荷蘭語答覆。不過，比起先前完全聽不懂荷蘭語，這已經好得多。醫師評論其英語，雖然帶有荷蘭腔，但發音大致清晰正確。護理人員及少年的母親，則認為他的英語相當流利。^[1]

外語症候群

麻醉劑會暫時改變腦部連結，也許是認知功能恢復較慢，或者用藥種類的選擇，有時便引發令人困惑的甦醒譫妄（emergence delirium）。外語症候群（foreign language syndrome）可能算是其中罕見的類型，而非獨立的診斷。過去的學術文獻裡，相關案例以成年人居多，症狀維持的時間長度，不論年紀則從 25 分鐘至 28 小時不等。^[1]

術後 24 小時，少年的朋友們前來探訪。他以荷蘭語對答如流。翌日，少年再次接受精神狀態檢查。這回醫師的描述，涵蓋了另一個重要的項目──病識感，^[1]也就是病患本身對病況的理解。^[2]少年表示，他有意識到自己術後僅懂英文，以為身處異地，又認不得人。既然精神狀態似乎都已恢復，同時神經科方面的檢查也無異常，隔天他便回家。^[1]

或許如同動物實驗中，麻醉對未成熟個體認知功能的影響較為長久。過了3週，少年告訴精神科診所的醫師，他容易累，注意力比開刀前差。他在出院後 2、5 和 10 個月，持續回診追蹤，所幸後來症狀逐漸改善。^[1]

1. Salamah HKZ, Mortier E, Wassenberg R, et al. (2022) ‘Lost in another language: a case report’. Journal of Medical Case Reports, 16, 25.
2. Voss RM, M Das J. (12 SEP 2022) ‘Mental Status Examination’. In: StatPearls. Treasure Island (FL): StatPearls Publishing.

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。

3.1 萬年前手術成功，而且病人活著？

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。

東南亞的史前黑傑克

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。

• 延伸閱讀：短篇  非洲之外最早，4.8 萬年前的斯里蘭卡弓箭手

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。

延伸閱讀

• 東南亞史前藝術史：能寫實也懂抽象，和歐洲一樣
• 短篇  東方藝術史，4 萬年前婆羅洲岩洞壁畫
• 短篇  4.55 萬年前蘇拉威西，世界最早動物繪畫，是豬豬
• 莫維斯線與竹子假說：東方真的比較落後嗎？
• 東亞與西方大不同：古代人「已知用陶器」未必是新石器時代的特徵

1. Maloney, T. R., Dilkes-Hall, I. E., Vlok, M., Oktaviana, A. A., Setiawan, P., Priyatno, A. A. D., … & Aubert, M. (2022). Surgical amputation of a limb 31,000 years ago in Borneo. Nature, 609(7927), 547-551.
2. Earliest known surgery was of a child in Borneo 31,000 years ago
3. Prehistoric child’s amputation is oldest surgery of its kind
4. World’s oldest amputation: Foot removed 31,000 years ago—without modern antibiotics or painkillers
5. Buquet-Marcon, C., Philippe, C., & Anaick, S. (2007). The oldest amputation on a Neolithic human skeleton in France. Nature Precedings, 1-1.

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。