凝固點能否作為鑑定地溝油的根據？

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

文/ L編

中秋連假本是全家團圓的好日子，不料在這美好的節慶前卻爆出黑心豬油的壞消息，讓皎潔明月頓時矇上一層烏雲。我們吃著月餅瀏覽新聞，發現除了原料來源和責任追查，對於餿水油的危害程度卻沒有統一的結論。毒物科醫師說，餿水油一滴都不能吃[新聞來源]！食品科學教授又說，吃一點點的傷害微乎其微[新聞來源]，媒體甚至說在大陸有人「五臟六腑都被細菌吃掉了[新聞來源]！」先撇除媒體的說法，學者們都是根據相同證據表達意見，為何論點會大相逕庭？我們在相信或反駁專家言論的同時，對餿水油的瞭解又有多少？泛科學訪問長期研究食用油和食品安全的陳炳輝老師，從科學家的角度為大家提供一些食用油安全性的看法。

餿水油有多可怕？

假設本次黑心食用油的來源是餿水中的回收油，沒有皮革油或其他可疑來源，餿水油能再製成豬油流入市面的可能方法有二：以餿水油混入新鮮豬油，稀釋其中有害成分和氣味；或是經過精煉，加入氫氧化鈉中和餿水油中的游離脂肪酸，加入活性炭或皂土脫色，若有更完整的設備，也可經過高溫、高真空進行脫臭。如此一來，餿水油就能搖身一變，以全統香豬油的身份強勢回歸，矇騙消費者和法規的檢驗。

然而檢測合格的油，就是安全無虞嗎？這麼安全的話，是否真能回收餐飲廢油再製成食用油？陳炳輝教授語重心長的說：「食用油沒有這麼簡單啊……」食用油成分複雜，其安全需建立在良好的原料品質，雖然科學家可以推測油脂在加熱過程中發生的反應和產物，但沒有人知道餿水油原料所歷經的加熱次數和條件，無法精準推測反應產物，加熱產生的有害物質在精煉過程也不一定會被去除。所以，即使成品重金屬、酸價和最具代表性的苯駢芘皆低於限制量，也不代表未檢測的其他多環芳香族碳氫化合物（不含苯駢芘）、醛類、氧化膽固醇等有害成分都在安全範圍內，就算各個項目都符合標準，但所有成分的相乘效應可能比想像中還高，因此無法就這些檢測結果推論餿水油的安全，更何況檢驗項目的代表性還有待加強。

該怎麼檢驗才對呢？

食藥署的檢測項目有酸價、總極性物質、重金屬、苯駢芘和黃麴毒素等。酸價高代表油品已不再新鮮，可能經過高溫處理或存放條件不佳導致三酸甘油酯分解成游離脂肪酸；總極性物質代表油品在高溫中裂解產生的醛、酸、醇、酮等極性產物，總極性物質高代表油的品質下降，其中的醛類也是致癌物；而苯駢芘的五環結構，是油品高溫裂解時較難形成的產物，若測出超量的苯駢芘，就可以推測油品中也存在其他較易形成的致癌物，因此被當作檢驗的指標。

檢測酸價只能得知游離脂肪酸的含量，卻無法顯示有多少致癌物，更何況游離脂肪酸可能在精煉過程中被去除，我們也無法經由成品的酸價推測致癌成分。餿水油原料比單獨加熱的油品還要複雜，因為其中除了油脂裂解產物，也有食材在高溫下反應的產物，所以應該要增加其他檢測項目，才能加強可信度。陳教授建議增加的檢驗項目為膽固醇氧化物及雜環胺，前者係豬油中的膽固醇於加熱過程中形成，後者係高量蛋白質含量的食品於油炸過程中形成。此外，亦可考慮檢測丙烯醯胺，此化合物於油炸高澱粉含量的食品中較易形成。此三種產物對人體有致癌性和致突變性，是肉類油炸後的產物，可能因為烹煮過程而存在餿水油中。陳教授補充道：「檢驗餿水油的黃麴毒素其實沒有太大意義，因為黃麴毒素通常只存在豆類或花生等原料。」

科學家該怎麼說？

無論提醒民眾餿水油危害的醫生，或想要平息大眾恐慌的學者，都自認是摸著良心表達專業立場，然而陳教授認為，科學家應該依證據判斷是非，有幾分證據才講幾分話，現在食藥署只公布了五項檢驗結果，雖然全統香豬油的酸價和苯駢芘的濃度低於限制量，但如上文所說，其他有害成分種類和含量還未知，科學家不能就這些證據為餿水油背書。

既然知道了餿水油不是完全無害，那大家最關心的致癌物質危害程度呢？由於食品成分相當複雜，科學家只能從檢驗結果判斷餿水油是否有害，但無法單單依據這幾個成分的含量推斷這些餿水油的危害程度。科學家需要做長期的追蹤研究，或是拿餿水油進行動物實驗，判斷致癌程度，以及由血液生化值等結果，推測其對人體的危害後，才能告知民眾事情的嚴重性。說到這，陳教授語帶憤慨的補充：「若對事件還不瞭解就大放厥詞，真的很不負責任！」

除了事件爆發後的處理，學界平常就在進行食品安全的教育，除了進行食品安全的科學研究外，衛生福利部跟台灣食品科技學會也合作舉辦了食品安全與生活座談會，全國巡迴向民眾推廣食品添加物、食用油安全等相關資訊，建立民眾對食品安全的正確觀念。

學界在進行研究和推廣教育的同時，也對政府提出建議方針，陳老師認為，本次事件是政府失責，防範食安問題的方法要從法律和制度做起，加強預防式管理，掌握食品原料品質，同時對夜市攤販進行安全衛生的輔導，並且修訂特別法對黑心商人速審速決，祭出重罰絕不寬待，希望能有效遏止黑心食品的產出。最後陳老師無奈的說：「黑心食品防不勝防，消費者自己也要提高警覺，謹慎挑選食材的品質。」