舔舔手中雲朵——棉花糖

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

顯微鏡可以讓人看清楚小世界裡發生的事情，但是進入研究分子的時代，因為光的波長只有到數百個奈米（nm），所以以光學顯微鏡無法直接觀察分子的種類與型態，雖然可以利用電子顯微鏡，不過操作使用上難度高，研究人員也難輕易使用，偏光顯微鏡能提供分子排列的訊息，但是如果能用光學的方式直接看到分子或確定不同種類的分子存在與否，就能讓很多重要的物理或生物資訊被研究發現。而螢光顯微鏡就是目前在研究上用的最多與最重要的技巧之一。

一般顯微鏡利用光的吸收跟反射測來觀測物體，偏光顯微鏡利用光波的偏振特性，而螢光顯微鏡就是利用光在波長方面的特性的來觀測分子。原理是特定種類的分子（稱為螢光源，fluorophore）在吸收短波長的光之後可以放出長波長的光，觀測時如果能把原本的波長的光濾掉，只剩下激發後較長波長的的光被看到， 這樣一來就可以斷定特定的螢光分子是否存在。這樣的概念看似簡單，卻能帶來分子種類的解析性，舉例而言，像是把抗體加上螢光基團，就可以利用螢光辨識特定分子是否在樣品上，利用螢光蛋白序列加上改造的基因，就可以知道基因轉殖有沒有成功，把特定蛋白加上螢光蛋白，就可以在空間中甚至在細胞內追蹤分子或觀測神經纖維網路。在研究前沿上有數不完的研究，從生化檢測、基因定序、神經細胞結構等等，都是靠著螢光顯微鏡才能實現。

在技術上因為螢光訊號很弱，螢光顯微鏡通常用水銀燈或其他氣體放電燈作為光源，確保很強的光照，為了要濾除非螢光的訊號，需要很好的光學濾片組，這也讓螢光顯微鏡一直都只能在研究中或是在很貴的儀器內才能進行螢光偵測。

手機是現在人人都有的智慧裝置，結合了照像與傳輸分享的強大功能，如果在手機上如果能夠實現螢光的顯微觀測，將對科學發展有很大的幫助，有研究能力的手機顯微鏡與手機偏光顯微鏡之前已經由科學影像實現了，那手機有可能完成螢光觀測這項任務嗎?

讓手機顯微鏡變成有螢光的能力設計是這樣，首先在光源方面，因為半導體技術的發展，很多窄波段的固態光源變成可能，不再需要從全光譜中濾出特定的光出來， 而是可以直接有效率的使用半導體光源，所已選用合適的短波段高亮度的LED就能大部分解決激發光源的問題，且同時能降低對激發濾片（Excitation filter）的要求，可以以吸收式的濾片達成。

在光路上，目前一般的螢光設計是epifluorescence，由同個物鏡照出激發光，偵測背反射的螢光訊號，可以減少對發射濾片 emission filter的要求，但是同軸照明需要較複雜的設計與雙色濾片dichroic filter，基於同樣的考量，可以改用暗視野照明來達成，加上發射濾片emission filter，始發射光與螢光的光譜沒有交錯， 就可以觀測螢光了！

以深藍紫色激發為例，目前可取得最好的固體光源的光譜如下，波長到450nm即全部消失。

在選用的emission filter上，濾除連續光譜的日光後的光譜圖觀測如下，可以看到470nm以下的光全部被濾掉。

所以選用這組光源與發射濾片，即可以以藍紫光觀察從綠光到紅光的螢光。設計相關的激切結構跟濾片在手機顯微鏡上，實際完成的手機螢光顯微鏡成品如下：

整體發出的紫藍紫光是由載物台下方進行暗室野照明所發的，就可以有效的激發出螢光訊號，注意在播片的邊緣有不同顏色的色光，那就是塗在坡片上的螢光物質所發出的螢光經由全反射而照出。

以下以兩個例子來說明這螢光模組的能力，首先可以同時關測到不同顏色的螢光（螢光染料壓的指紋），紅色與綠色各試不同的染料，黃色是混合之後的顏色。

在生物的觀察上，也可以觀察到斑馬魚身上卵黃的自體螢光訊號。

除了深藍紫光之外，為了讓離激發光源比較遠的紅色螢光能更被有效率的激發，在實現手機螢光顯微鏡上，也設計了另一組以470 nm為中心的光源，目前兩組的光源與長通螢光濾光片的光譜如下，這樣一來所有常用的綠色到紅色螢光都可以被激發觀測。

（其中下方淺藍色跟激發光跟長通濾波有交錯，需額外使用一片 excitation filter 來濾除）

螢光模組是手機顯微鏡，除了實現手機偏光顯微鏡後 ，另一個把專業顯微技術在手機實現的計畫，希望將會讓很多原本屬於實驗室的觀測可以再被更簡單的觀察記錄，有讓更多人與實驗室有方便的工具作更方便的觀察與檢測！

首次製作將提供台灣的實驗室進行申請使用螢光模組，歡迎有想一起測試的研究朋友加入科學社群 科學maker 索取，期間為 7/10-7/20。

科學影像的顯微鏡製作計畫目前專屬的科學社群 科學maker 已經有超過 4000 位朋友加入，分享觀測的顯微照片超過4000多幅，來協助製作科學儀器的朋友超過 百人，花整天的時間替更多人製作科學儀器，目前贈送超過 70所偏遠學校手機顯微鏡做為教育之用，除了個人使用外，也開始要協助如泛科學的科學活動或是台大的NTU博物館行動展示盒計畫等大眾的科學活動，也進入了國小，國中，高中，大學等校園數百所正式的學習環境，做為充實顯微設備與改善課程用，希望手機螢光顯微鏡的實現，能讓手機顯微鏡變的更有能力，走入實驗的現場，讓台灣有更好的科學實驗環境!

手機顯微鏡網站手機顯微鏡 & 科學maker，對手機顯微鏡有興趣的朋友，歡迎加入科學maker，一起使用與分享顯微鏡的觀測~

轉載自科學影像 Scimage