非洲的面積有多大？

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

命名與繪圖

• 文 | 貝鳶業如

偉大的十八世紀瑞典生物學家林奈，將生物世界組織成有條不紊的階系，其間每種生物都有個名字，都在生命家譜中占有一席之地，由是確立了自然史各個分枝的課題。為事物命名是種近乎神聖的行為，是一種賦權且令人滿足的工作，而分類學（及大量的標本剝製）也在十八、十九世紀成為新興自然科學的主軸。維多利亞時代的自然史博物館體現了科學時代的精神；這些建築裡塞滿了填充過的鳥類、骨骼、化石、結晶等大自然奇珍，被命名、被馴服、埋葬在玻璃匣子裡。

地質領域中可資分類的東西（岩石、礦物、化石、地形、礦物沉積、褶皺、斷層等）之多，使這項工作一直持續到二十世紀。由於無法對這些特徵的形成，提出統一的起源模型，分類架構便使人對大自然的變化性，抱有一種有限且穩固的安心感。有些地質學實體（如礦物）很容易便落入定義明確的分類範疇，而十九世紀那些關於礦物的博學論文（如一八六九年耶魯大學教授戴納那卷帙浩繁的《礦物學手冊》）至今都還在使用，乃是史上同類概要書籍中最為完備者。

但其他的地質現象則拒絕被分類，連當時最聰明的人，也掙扎著要確立理想化的柏拉圖式分類範疇，好為難以駕馭的現實罩上結構。

由於經濟上的重要性，發展出一種普世的礦物命名法則在當時是第一要務，但後來證明了這實在是出了名的困難（某程度上而言，至今依然如此）。

以發現於某一特定地區的礦物為基礎的礦石譜系理論都各有特色，而分類架構總是與這些理論夾纏不清。

十八世紀晚期的歐洲到處都是礦業學校，德國、瑞典、法國的學程更是格外蓬勃。許多學程都只由一名遠見思想家和學徒組成，由學徒協助宣揚大師的體系。德國佛萊堡的「水成」學派是由莊嚴的韋納（一七五○～一八一七）領軍，他提出所有岩石和礦石沉積都自海水沉降而成的概念。而在瑞典的烏普薩拉，華勒流斯（一七○九～一七八五）執著於古老冶金學的金屬質變信念，而提出了一個現代觀念，認為了解礦石礦物的關鍵，在於其化學特性（而非顏色等外在的屬性）。在巴黎，由藥材商轉行成為礦物學家的魯埃（一七○三～一七七○）和他更為知名的學生拉瓦榭（一七四三～一七九四），也發展出關於岩石和礦石本質與分布的早期理論。

不過，這些理論只有少數對真正的採礦實務造成影響；礦工的經驗和直覺大體上還比較可靠些。但這些礦業學校卻標示著一種重要的新哲學：地球及其礦物資源是可以分析的，最終也是可以理解的。

赫登的均變說原理（參見第二章）是以他在愛丁堡和蘇格蘭邊界所觀察的岩石為基礎，之後再將地球「合理化」而成。他對西卡角非整合的解釋及其所「發現」的時間深處，顯示主宰地球過去的物理定律，也同樣主宰著現在（赫登的觀察也記錄下火成岩的存在，這是對韋納等水成論者的一記重擊）。

赫登的著作似乎肯定了地球的行止有其邏輯而且可靠，或許不是一成不變，但卻能夠為人所理解：在這個球體的固態部分觀察到明顯無序和混亂的哲學家，現在導出一些結論：以前地球的組成裡，曾經存在過一種較有規律也較一致的狀態；過去曾發生過一些毀滅性的改變；地球的最初結構，已被不論是自然或超自然因素所導致的某些猛烈活動打斷和干擾。

此類結論都是由地形外觀推導而得，而現在，在我們努力要建立的理論當中，所有這些地貌都有了最完美的解釋⋯⋯在解釋實際存在之物時，根本就不需要訴諸任何非自然的邪惡假說、任何大自然裡的毀滅性意外事件，或超自然原因的介入。

我們很滿意地發現，大自然有其智慧、體系和一致性⋯⋯我們當前詢問的結果便是：我們並未發現開始的痕跡，也看不到結束的可能。

科學闡釋的時代與歐洲人在美洲、非洲和南太平洋殖民定居的時間相一致（也一向被用來當作這些行為的合理化藉口）。

探險行動的目的，是要記載下邊土的動、植物和礦物寶藏。劉易斯與克拉克所帶領的一八○三至一八○六年北美考察行動，留下了一些細節豐富、有著細心插圖的筆記本，正是這些官方委託製作的報告當中最好的一批。在美國，為了評估並測繪全國的資源，聯邦和州都成立了地質調查處。這些機構負責進行普查，也就是從事計數和估價，對無限和模糊的有限做出推算。

地質調查處主任鮑威爾（他本人曾領導過一次大規模的美西地質探查）於一八八八年向國會提出第七屆地質年度調查報告，他在其中提到，製作精確美國地形地質地圖的計畫，在戰略上所具有的重要性。

鮑威爾是第一個繪製科羅拉多河下游和大峽谷地圖的人，他對地圖的力量大感讚嘆。地圖就跟分類架構一樣，賦予使用者一種自己擁有所繪題材的感覺。地圖將荒野微型化到可以握在手中、可以用心眼去觀看。

地圖與調查對一八六二年的「美國公地放領法案」和一八七二年的「公眾採礦法」至為重要，兩者都以洛克的原則為基礎，認為任何耕耘一小片土地（且能界定其範圍）的人，便是該土地的合法擁有者。

公地放領法案一直沿用到二十世紀（直到一九七七年才廢止！），公眾採礦法直到今天都還有效。公眾採礦法是駭人的過時立法，現在仍舊容許任何人能以低於每英畝五美元的費用，在公有土地上搜尋並萃取礦物，卻完全沒有考慮到此舉可能導致的環境損害。這些聯邦政策及其背後的哲學，也導致史上最嚴重的體制性社會不義——美國政府一再地違反與北美原住民族所簽署的條約。

這些原則都是洛克財產權加值原則的思想外延，亦即能夠理解、命名和測繪自然的人，就有權剝削自然，但原住民的命名和認知體系卻不被承認為合法。

• 作者／海倫‧湯姆森；譯者／洪慧芳
• 前情提要，上一篇《我是誰？我在哪？腦內的導航系統到底是怎麼運作的呀？——《錯把自己當老虎的人》上》，我們介紹了大腦導航相關的細胞及其運作，接下來讓我們從故事中了解在導航時，地標參照的重要性吧！

你若是發現我的遺體，請聯絡我的先生喬治和女兒凱麗。讓他們知道我死了，以及你在哪裡發現我的，這會是天大的恩賜，無論是距今多少年後。

六十六歲的喬拉汀．拉蓋（Geraldine Largay）稍微偏離阿帕拉契山徑（Appalachian Trail）去小解時，並未料到自己會找不到重返山徑的路。人稱喬莉（Gerry）的喬拉汀是退休的空軍護士，曾在家鄉田納西州附近走過其他的山徑，也上過如何走完阿帕拉契山徑的課程。阿帕拉契山徑全長逾兩千兩百英里，橫跨十四個州。喬莉在長達六個月的旅程中，已走了一千多英里。

2013 年 7 月 22 日，喬莉試圖傳簡訊給在附近檢查站等候她的先生。她先生已經在那裡等著為她遞送下一段旅程所需的新鮮物資。她在簡訊中寫道：「有麻煩了，偏離山徑去小解，現在迷路了。你可否打電話給 AMC（阿帕拉契山脈俱樂部），看他們能不能派山徑維護人員來幫我？ 我在森林路徑北方的某處。親親抱抱。」

由於山間沒有訊號，那則簡訊始終沒寄出，所以喬莉直接在那裡過夜。翌日，官方啟動搜尋， 在濃密的林區裡尋找她的蹤影。搜尋行動持續了數週。

2015 年 10 月，一位為美國海軍效勞的護林員發現一顆人類的顱骨，旁邊還有睡袋。根據《紐約時報》的報導，不遠處還有一個扁平的帳篷和一個綠色背包，背包裡有喬莉的東西，整整齊齊地裝在拉鍊袋裡。旁邊有一本佈滿苔蘚的筆記本，上面寫著「喬治，請讀，親親抱抱」。喬莉在筆記本裡寫道，她找不到回山徑的路後，已經走了兩天。她依循訓練課程的指示，搭起帳棚，希望有人可以找到她。筆記本上最後一次註記的日期是 2013 年 8 月 18 日。

雖然我們無法說，喬莉要是當初做了什麼，就可以避免這個厄運。但她在最崎嶇的路段上偏離山徑，無疑使她迷路的情況變得更加嚴重。在那種崎嶇的路段上，她不需要走多遠，就會被濃密的灌木叢和長相相同的冷杉樹所包圍。那些樹木緊緊地簇擁在一起，你一鑽進去，很快就無法分辨路徑了。你在裡面根本搞不清楚方向，簡言之，那裡毫無地標。

你可能覺得，記住街道盡頭有個郵筒，或辦公室外有個公車站牌，沒什麼大不了的。但事實上，能夠識別一些永久的地標，並把它們納入腦海中的地圖非常重要。我們不斷地為腦海中的地圖增添對我們有意義的東西。

想想，如果你需要指引某人從最近的車站到你家。你會用路上的哪些特點來幫他們認路？以我為例，我會指出附近一家裝飾藝術風格的酒吧，一家裡面有超胖海象的展覽館，還有一座埋葬瘟疫受害者的三角形小山。

我們辨識地標的能力如此的重要，所以大腦裡有一個部位專司這項任務，那個部位名叫「後壓部皮質」（retrosplenial cortex）。那裡受損時，就會出現嚴重的導航問題。

——本文摘自《錯把自己當老虎的人》，2019 年 7 月，漫遊者文化。