覓食，使我們的祖先變聰明

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

恢復初始體重與延長健康壽命

身體的能量大多由細胞裡的能量工廠產生，也就是粒線體。這種能量以 ATP 的形式存在，用來驅動體內種種的生物過程，維持新陳代謝。攝取果糖後，身體會產生尿酸，對能量工廠造成氧化壓力，導致 ATP 產量減少，最後果糖所含的熱量會以脂肪和肝醣的形式儲存在體內。這個過程能幫助我們儲備能量，以因應食物不足的狀況。

生存開關活化所產生的氧化壓力，可能對細胞內的能量工廠和身體其他部位造成損害。在自然界中，這種氧化壓力通常為時短暫，能量工廠很快就會恢復正常運作。相對之下，現代人體內的生存開關卻是全年無休、火力全開。原本是為了生存而暫時抑制粒線體的能量產生，沒想到卻變成一種永久的枷鎖，並帶來嚴重的後果。

長期暴露在慢性氧化壓力中，會使能量工廠的結構發生變化。粒線體會變小，功能下降。即使在生存開關並未活化的狀況下，粒線體產生的能量也不復以往。這等於重新設定了新陳代謝的基礎值，降低能量的產生和使用，隨之而來的便是體重增加。因為身體現在認定減重前的體重才是正常，所以將體重減輕視為生存威脅，於是調整新陳代謝速率做為因應。這時，你的新陳代謝就成為你的敵人！

生存開關長期處於活化狀態，不只會影響體重和能量。現在更有證據指出，慢性或反覆出現氧化壓力，也會導致人體老化，於是皮膚出現皺紋，內臟器官緩慢磨損。所有的食物攝取，多少都會對能量工廠造成氧化壓力（第一章曾說過，減少熱量攝取可能延長壽命，原因可能正是在此）。然而，與其他營養相比，攝取果糖對粒線體造成的氧化壓力要大得多。

在我看來，若能在粒線體受到永久損傷之前，及早對肥胖症展開治療，效果最好。的確，我個人的經驗是，兒童和青少年的肥胖症比較容易治療，只需要改變飲食，減少攝取會活化生存開關的食物，因為年輕人仍然擁有大量功能正常的粒線體。相較之下，要治療肥胖症的長期患者挑戰就高得多，因為他們的能量工廠長期承受慢性的氧化壓力。然而，任務仍然可能達成，關鍵在於恢復粒線體。

要治療肥胖症，就得增加粒線體的產能

我們被「鎖定」在高體重和低能量的狀態，這聽來真是令人沮喪，但這種狀態並非不能改變，能量工廠是可復原的。基本上有兩大方法，首先，盡量減少對能量工廠的損害，讓它們有時間自然恢復。這種方法主要著重在中止生存開關持續活化。其次是積極修復能量工廠，甚或是增加生產粒線體，以彌補失去的數量。

在討論如何達成這兩項目標之前，我想先提供簡單的方法，讓你評估自己能量工廠的健康狀況：觀察自己的自然步態，也就是平時的行走速度。你可以記錄自己繞行附近一個街區的時間，同時佩戴計步器計算步數，然後算出每秒行走的步數和距離。另一種方法更簡單，只要記錄繞行街區的時間，將現在的時間與之後的時間進行比較，就能判斷粒線體的健康狀況是否改變。重點在於測量時要採行自然步態；換句話說，行走時請勿故意加快腳步。正常的步行速度約為每秒 1.2 公尺，但每秒 0.6 至 1.8 公尺都算正常範圍。我建議把目標設定為每秒 1.2 公尺以上。長期超重的人步行速度通常較慢，平均約為每秒 0.9 公尺。

研究顯示，自然步行速度與粒線體的品質呈現正相關，步行速度較快的人壽命較長，整體健康狀況也較好。步行速度減慢可能是因為骨骼肌疲勞增加，或 ATP 濃度低。值得注意的是，年輕超重者的步行速度往往與其他年輕人相似，但隨著年齡增長，超重者和正常體重者之間的步行速度差異會愈來愈大。

我鼓勵你去散步，評估你的自然步行節奏。這可幫助你深入了解減肥和維持體重的難易程度，不僅如此，長期監控自己的自然步行速度，還有助於評估體重控制的整體進展。

——本文摘自《大自然就是要你胖！》，2024 年 06 月，天下文化出版，未經同意請勿轉載。

約在 3,000 萬年前，地球上出現了人猿總科，我們和其他猿類共同的老老老老老祖宗，從此與猴子們踏上了不同的道路。

又過了 1,000 多萬年，那些在樹梢中討生活的表祖宗逐漸演化成了如今的長臂猿，而我們的老老老祖宗，儘管還距離我們現在的樣子甚遠，但終於開始沾上了「人」字，在分類上進入了「人科」的範圍。

然而從人科到「人」還有著漫漫長路，1,600 萬年前，我們的老老老祖宗和紅毛猩猩的老老老祖宗形成了兩條不同的分支；又過了 600 萬年到 800 萬年，大猩猩的祖先進入了另一個車道。

至此，我們的老祖宗「人」的成分進一步增加，終於在分類上進入了「人族」。

現代智人的祖先——露西

500 萬年前，我們的老祖宗與黑猩猩的祖先終於分離，開啟了屬於「現代人」的傳奇。

1974 年 11 月 24 日，美國古人類學家唐納德．喬納森（Donald Johanson）和他的同事在衣索比亞的阿瓦什河谷進行調查時，發現了一根暴露在沙土表面的人骨殘段。經過搜尋，他們又在周圍發現了其他骨骼碎片，還包括一塊下頜骨碎片。最終，他們花了三週時間搜尋到了 100 多件骨骼標本，在進行分析研究之後，他們得出結論，這些骨骼屬於同一個個體，他們給予了這個個體一個編號「AL288-1」。

這是一個足以震驚古人類學界的發現，喬納森和同事們為此在營地舉辦了慶祝晚宴。在晚宴的背景音樂，披頭四〈Lucy in the sky with diamonds〉的歌聲中，他們又為「AL288-1」取了一個更為大家所熟知的名字——露西。

經過進一步的研究，喬納森披露了更多關於露西的細節：

露西是生活在 320 萬年前，20 歲左右的女性南方古猿，屬於南方古猿阿爾法種（Australopithecus afarensis）。

她的腦容量不大，只有現代人類的 1/3 到 1/2。但是她已經出現了與黑猩猩明顯不同的特徵：露西已經習慣直立行走了。直立行走，一直被看作「猿向人類進化」過程中的重大事件。也正因此，露西所屬的南方古猿阿爾法種以前經常被稱為人屬物種的祖先，也就是我們現代人智人的祖先。

不過基於化石證據進行的古人類研究經常會因為新發現的化石而顛覆。2011 年 5 月，美國克里夫蘭大學的古人類學教授約翰尼斯．海爾—塞拉西（Yohannes Haile-Selassie）在南方古猿阿爾法的分布區，又發現了一個生活在距今 330 萬年到 350 萬年的南方古猿近親種（Australopithecus deyiremeda）。這個新種類的原始人挑戰了「露西是人類的祖先」以及「在這個時期這個區域僅有一種人」的觀點。

這樣一來，曾被稱為「人類的非洲老祖母」的露西可能要地位不保，不過科學家為我們找來的那位「共同的母親」——「線粒體夏娃」的證據倒是愈發明確了。

媽媽的媽媽的媽媽⋯⋯ 粒線體的母系遺傳

每個人的細胞中都有來自母親和父親的 46 條 DNA。除此之外，我們的線粒體中還攜帶著線粒體 DNA，線粒體是為細胞提供能量的細胞器。與父母雙方各提供 23 條染色體不同，精子中沒有線粒體，因此受精卵中的線粒體全部來自卵細胞的細胞質，也就是線粒體 DNA 全部是由媽媽傳給孩子的。

媽媽生了女兒，女兒再生孩子的時候，會繼續將母親的線粒體 DNA 傳遞下去；但是如果某位女性的所有後代都是男孩，因為男性不能傳遞線粒體DNA，她的線粒體 DNA 就丟失了。

粒線體夏娃 共同的母親

1987 年美國加州大學的瑞貝卡·卡恩（Rebecca Cann）和艾倫·威爾遜（Allan Wilson）帶領研究小組做了全球性的實驗。他們提取了不同人種 148 個胎盤中的線粒體 DNA，並對其進行研究。

結果顯示，這些線粒體 DNA 有高度的相似性。經由計算，他們得出了一個令人震驚的結論：現代人類應該有一位共同的母親，她是生活在約 15 萬年至 20 萬年前的一位非洲女性。對此進行報導的記者羅傑·勒溫（Roger Lewin）為這位「共同的母親」取了個眾所皆知的名字——「線粒體夏娃」。

其實「夏娃」這個稱謂並不準確，「她」應該不是一個人，而是這個遺傳位點的共同祖先。牛津大學的人類遺傳學教授布萊恩·賽克斯（Bryan Sykes）是世界上第一個證明可以從古人類的遺骸中提取 DNA 的學者。1999 年，他帶領小組，在研究分析了 6,000 多份歐洲人的線粒體 DNA 後，將他們分類歸屬於七個「母系氏族」，也就是七個「夏娃」。

她們是所有歐洲人的先祖，每個歐洲人的 DNA 都可以追溯到這七位「夏娃」的身上。他為她們取了名字，並根據考古學、地質學等知識，構築出了她們的生活，寫出了一本像小說一樣的科普書《夏娃和她的七個女兒》。

——本文摘自《真的假的！奇怪知識又增加了：自說自話的總裁顛覆認知的科學奇想》，2023 年 7 月，晴好出版，未經同意請勿轉載。