子非魚，安知魚之樂？

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

可以傳染的「興奮感」：費洛蒙

費洛蒙是一種非常大的分子，會從動物體內散發出來並影響其他動物身體的行為。

這種物質當初是在 1959 年由德國生物化學家阿道夫．布特南特（Adolf Butenandt）發現， 這位科學家在二十年前就因為首次合成出性激素而獲得諾貝爾化學獎，說他是化學界的搖滾巨星都還不足以形容他的貢獻。

他的研究發現，費洛蒙的功能和激素一樣，但是只對附近的相同物種個體有效。

舉例來說，如果動物 A 在動物 B 附近釋放出性費洛蒙，動物 B 的身體會吸收這些分子，整體行為也會受到影響。這其實代表動物 A 具有像丘比特的能力，只不過用的不是箭，而是分子。

基於以上的原因，費洛蒙有時會被稱為「環境激素」（eco-hormone），因為這類分子的運作方式就像是體外的激素。

和激素相同的是，費洛蒙有各式各樣的結構。有些分子非常小，有些則相當大，不過全都是揮發性分子，這表示分子在特定條件下會輕易蒸發。揮發性物種通常很好辨識，因為會帶有強烈的氣味（像是汽油或去光水）。

研究人員決定把這種分子命名為費洛蒙（pheromone），是因為字面上的意思是「轉移興奮感」，而這正是費洛蒙的功能。

動物間的費洛蒙功用

強大的費洛蒙分子可以傳送幾種不同主題的訊號給附近的同類，例如食物、安全狀況或者性。舉例來說，螞蟻會在巢穴和食物之間的路徑散發費洛蒙，來通知彼此食物來源在哪裡。

狗在散步時對消防栓撒尿是為了標示自己的領域，這時釋放的就是領域費洛蒙。就連雄鼠也會散發出性相關的費洛蒙來吸引雌鼠，同時也會導致附近的雄鼠變得更有攻擊性。

那麼人類呢？

人也會散發出任何一種類型的性費洛蒙嗎？

出乎意料的，人類不會散發任何一種形式的性費洛蒙。不過我們自以為有費洛蒙的原因在這裡：1986年，溫尼弗雷德．卡特勒（Winnifred Cutler）發表的研究宣稱，她成功分離出第一種人類性費洛蒙。

在這項研究計畫中，她蒐集、冷凍並解凍來自幾位不同對象的性費洛蒙。一年之後，她將這些分子塗在許多女性受試者的上唇，接著便宣稱她觀察到和大自然的動物類似的結果。

事實上，卡特勒的研究完全是一派胡言。她根本沒有分離出人類性費洛蒙；而只是把奇怪的氣味塗在隨機受試對象的上唇，其中包括——請做好心理準備——腋下的汗水。

與其說是分離出純費洛蒙，不如說她蒐集的是人流汗時排出的電解質，而且還抹在別人的臉上。

直到今天，卡特勒的噁心科學研究還流傳在網路上的各個角落，這表示如果有人在 Google 上搜尋「人類性費洛蒙」，就會和得到一堆錯誤資訊。有些研究人員堅信我們總有一天會發現性費洛蒙，不過在這本書出版的當下，科學界尚未找到任何人類性費洛蒙。

一直以來有不少相關研究在執行和重複進行，也盡可能針對各種變數進行調整，而所有的研究團隊都得出相同的結論：二十一世紀的人類大概沒有性費洛蒙。

但人類有史以來就是這樣嗎？如果大多數的其他哺乳類都有性費洛蒙，包括兔子和山羊，為什麼我們沒有？

答案其實意外簡單：人類學會了溝通。

我們可以用語言（和蠟燭……還有性感內衣……）告訴伴侶我們有興趣滾床單，而雪貂則必須往理想交配對象的方向散發性分子。

——本文摘自《完美歐姆蛋的化學》，2022 年 12 月，日出出版出版，未經同意請勿轉載。

輾轉反側，徹夜難眠的時候，您幾點起床？就算醒了，工作效率是否異常低落？
在此，請您非但別只想到自己，還要拿出一點同理心：因為被剝奪睡眠的澳洲喜鵲，也深受困擾。

捉野生喜鵲來做失眠相關的實驗

2022 年 4 月的《科學報告》期刊，有一篇標題冗長的論文，叫做〈失眠削弱澳洲喜鵲的認知表現並改變其歌曲產出〉^[1]。其第一作者澳洲 La Trobe 大學博士候選人 Robin Johnsson，認為歌唱的時辰與類型，對於喜鵲的社交生活相當重要，並以此做為研究主題^[2]。且不論在 COVID-19 疫情之前，有些人就已經沒什麼社交生活，更不要談呼朋引伴一起歡唱 KTV，人家喜鵲可是隨時都過得多采多姿。

於是，牠們就被科學家抓去做實驗了。

首先，研究團隊架設陷阱，用起士誘捕野生喜鵲。為牠們戴上標有序號的腳環之後，再關進裝有監視器的房間裡。接著，為了測量腦電波圖（electroencephalogram, EEG）與肌肉電位圖（electromyogram, EMG），科學家把無辜的喜鵲抓來開刀。於其腦部表面和頸部肌肉，植入電極貼片（electrodes），方便之後記錄睡眠狀態^[1]。

然後，喜鵲們就去接受特訓。

反覆訓練後篩選符合資格的喜鵲來做失眠實驗

研究團隊準備了一種木製食器，左右各挖一個淺槽。其中一個槽裡，盛裝少量起士和麵包蟲。第一次食物直接攤在眼前，不加以掩飾；第二次猶抱琵琶半遮面；第三次開始蓋子完全擋住凹槽，令喜鵲啥也看不見。在訓練的初期，全部的食器都採用灰色蓋子。直到最後的「聯想學習」（associative learning），蓋子被換成黑色或白色。喜鵲掀開特定顏色的蓋子，發現下面藏有食物。這樣重複 15 次，讓牠們不把「食」、「色」的關係兜在一起也難^[1]。

結訓後，研究團隊把食器裡的獎勵換成「不會動的麵包蟲冷盤」（chilled, unmoving mealworms），為喜鵲舉辦驗收成果的模擬考。除了執行「聯想學習」的覓食活動，科學家也期望牠們展現「反轉學習」（reversal learning）的能力。將蓋子的顏色調換，要喜鵲嘗試選出有食物的凹槽。這個階段有一些評分要點^[1]，例如：

1. 喜鵲做出第一次選擇時，是否有延遲的行為。緩慢的反應，代表注意力不集中，或動機下降。
2. 喜鵲得經過幾回，才能達到連續 12 次嘗試中，有 10 次正確的及格分數。
3. 喜鵲選擇正確瓶蓋的比率。

凡是順利通過模擬考的喜鵲們，便能晉升至下一關。

在實驗的主要階段，喜鵲們被劃為三組，分別體驗下列三種睡眠模式之一：無干擾睡眠、6 小時睡眠剝奪，以及 12 小時睡眠剝奪。研究人員防止喜鵲睡著的花招，包括：迫近或拍打鳥舍、發出噪音，或是輕撫充滿睡意的喜鵲^[1]。如同可憐的臺灣中學生，明明前晚都沒睡飽，隔天還得參加考試。研究人員存心要看失眠的喜鵲，怎麼失常。

人類跟喜鵲一樣會被睡眠影響行為

正式測驗的結果不出所料，沒睡飽的喜鵲容易犯錯，而且要花較長的時間，才能選出正確答案。有些喜鵲甚至失去參與測驗的動機，傾向找機會補眠。其實以前的研究便顯示，失眠也會降低人類的認知表現。諸如參與動機、清醒程度（alertness）、注意力、警戒等級（vigilance）等，都會受到負面影響^[1]。

除了喜鵲考試的成績，科學家也記錄了牠們社交行為的變化。失眠的喜鵲寧可睡覺，也不要唱歌。最後就算唱了，單曲的長度卻意外地延展。原本的晨曲改在中午演出，頻寬變得狹窄，內容相較貧乏，顫音也明顯減少。這與人類的口語溝通，大同小異。當一個人睡眠不足，說話的速度會緩慢下來，咬字不如平常清晰，語句重覆的機率提高，甚至可能妨礙聽眾理解講者所要傳達的訊息^[1]。

澳洲喜鵲有複雜的家族。牠們用歌聲來劃定疆域，分辨敵友，並建立「鳥」際關係。失眠不僅會害喜鵲把歌唱得七零八落，也會進一步危及其社交生活。既然以往的人類睡眠實驗結果，與喜鵲有那麼多的相似處，下次在抱怨疫情害自己沒朋友之前，我們是不是應該先睡飽，再來思考怎麼社交呢？

備註：此實驗結束後，參與受試的澳洲喜鵲，均在 2019 年 7 月被野放。

1. Sleep loss impairs cognitive performance and alters song output in Australian magpies (Scientific Reports, 2022)
2. Researchers find what magpies lose from hitting snooze (Brisbane Times, 2022)