避孕藥之父：翟若適（Carl Djerassi）

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

5月 15號，日本 twitter 上一則女高中生的推文，急速獲得關注，大意是這位女高中生的健教老師在上課時點到：「我想在妳們裡面應該沒有人在吃（避孕藥）吧？」。即便是健教老師，也都把避孕藥的作用想得過於狹隘，讓女高中生覺得相當衝擊。

連應該對於基礎藥物有一定認識的健教老師，都以為避孕藥僅用於避孕，就更不難想像一般人對於「使用避孕藥物」所存在的誤解。

避孕藥其實是一種過於簡單的俗稱，口服避孕藥其實是兩種人造荷爾蒙的混合藥物。早期的避孕藥以黃體素 (Progesterone) 為主；較新的避孕藥則還會混合少量的雌激素 (Estrogen)。雌激素與黃體素都是原本就存在於人體體內的荷爾蒙 (Hormone，也稱激素)，無論男性或女性的體內，都存有一定的比例。只不過在女性，雌激素的比例遠高於睪固酮；而男性的血液中，睪固酮的比例較雌激素高出許多。

也正是荷爾蒙濃度的改變，影響了女性經期的週期。

荷爾蒙的波動決定了月經週期

雖然月經週期的間隔因人而異，一般而言是 25-38 天左右，都與體內荷爾蒙的波動有關。以平均 28 天一次的月經週期為例，在排卵前雌激素會到達高峰，刺激黃體刺激素 (LH) 的分泌，使濾泡破裂，排出卵子，形成黃體。而黃體則會分泌黃體素，支持子宮內膜的肥厚，等待可能的著床，直到黃體退化，肥厚的子宮內膜逐漸崩解，形成經血，完成一次經期。

而服用人造荷爾蒙可以避孕的原理，便是利用體內荷爾蒙的回饋機制，「欺騙」大腦所得到的效果。

人體分泌荷爾蒙的控制中心，位在大腦的下視丘和腦下垂體。由於口服避孕藥中有少量的雌激素，會誤導下視丘，減少刺激腦下垂體分泌黃體刺激素和濾泡刺激素，讓濾泡無法成熟，抑制或延遲排卵的時間，也讓子宮內膜無法肥厚，使受精卵無法著床，並減少黏液分泌，讓精子很難與卵子結合，達到避孕的目的。口服避孕藥物雖然能干擾受精的過程，卻無法阻止已經著床的受精卵繼續發育。

目前市面上主流使用的口服避孕藥物，大多為極低劑量雌激素與第三代黃體素 (Desogestrol, Gestodene 或 Norgestimate)，或是第四代黃體素 (Drospirenone 或 Cyproterone acetate) 的混合型藥物。第三代藥物改善了過往水腫的副作用、第四代則又更降低油脂分泌過多的副作用。

人造荷爾蒙除了避孕，還有其他用途

例如健保給付的口服避孕藥黛麗安 (Diane，黃體素成分 Cyproterone，簡稱CPA)，由於 CPA 對卵巢囊腫所造成的痤瘡有治療效果，可用於輔助治療青春痘。並非所有的避孕藥都有這樣的效果，也需搭配正確的青春痘藥物進行治療。

避孕藥由於能夠調整體內荷爾蒙含量，重新整理經期的起始點，所以也用來緩解嚴重的經痛、排卵疼痛、調整經期紊亂。另外部分口服避孕藥，也用來治療因為雄性素比例過高或是卵巢囊腫導致的多毛症等症狀。也用於抑制子宮內膜異位，降緩症狀所造成的疼痛。

避孕藥的使用限制

對於使用避孕藥的錯誤認知，除了顯示日本社會對於女性需要更多同理之外，也表示多數人都應了解如何才能安全使用口服避孕藥物。目前建議，如果年紀大於 35 歲以上，過度肥胖、有抽菸習慣、高血壓、糖尿病、容易形成血栓或是曾經中風的體質，由於口服避孕藥物會使 LDL （低密度膽固醇）和血壓上升，增加風險，並不建議使用。

＿＿＿＿＿＿＿＿＿＿＿
你是國中生或家有國中生或正在教國中生？
科學生跟著課程進度每週更新科學文章並搭配測驗。來科學生陪你一起唸科學！

自古以來，婦女總是被賦予生兒育女的責任，一旦結婚，青春往往就耗費在懷孕、生產的循環中。雖然避孕自古有之，例如四千年前的古埃及人就用磨碎的石榴籽混合蠟做成栓劑，放入女性體內；古今中外也都不乏各種千奇百怪的偏方，但這些毫無根據的方法都極不可靠，而保險套、體外射精、算安全期等方式又操之在男性手中，女性還是難以擺脫不斷懷孕生子的宿命。直到一九六○年代，口服避孕藥的問世才改變這一切。

口服避孕藥的發明始自美國一位奇女子桑格（Margaret Sanger）的大力推動。她的母親在二十二年間懷孕了十八次，終於在 49 歲時死於難產，悲憤的桑格因此自 1916 年起即致力於推廣節育運動。1951 年，高齡 72 歲的她認識了專門研究荷爾蒙與生殖系統之關聯性的平克斯（Gregory Pincus），在她的牽線之下，平克斯獲得資助，著手研發桑格畢生企求的「神奇藥丸」──口服避孕藥。

其實早在 1937 年，科學家就在動物實驗中發現高劑量的黃體激素會抑制排卵，然而天然黃體激素非常昂貴，這項發現也就束之高閣，並未衍伸出實際用途。恰好奧地利裔的化學家翟若適（Carl Djerassi）就在 1951 這一年成功合成出口服的黃體激素，第二年另一家藥廠也做出此合成黃體激素的同分異構物。但要如何做人體實驗呢？跟食品藥物管理局（FDA）說此藥毫無治療用途，只為了避孕，只怕無法通過審核。

平克斯乾脆反其道而行，他請專門治療不孕症的洛克醫生（John Rock）來做人體實驗。洛克醫生讓他的病人連續服用三個月的合成黃體激素，製造身體的「假懷孕」後，再突然停藥，藉由荷爾蒙的「反彈」增加受孕的機會。洛克醫生的實驗結果證明合成黃體激素的確能抑制排卵、改變月經週期，因而讓 14% 的不孕病人成功受孕。而同分異構物那批黃體激素恰好汙染到微量的雌激素，結果反而減少出血的副作用。

於是 1957 年的今天，FDA 核准含有黃體激素與雌激素的 Enovid 上市，不過其用途卻是為了治療月經不順與不孕症。直到 1960 年 5 月 9 日，FDA 才追認它也可用於避孕，無安全之虞；人類史上第一顆口服避孕藥終於光明正大上市。其實在此之前，至少已有五十萬名婦女為了避孕而吃過此藥了。

口服避孕藥讓女性奪回身體的自主權，不但取得更好的生活品質，也才得以追求更多的學習教育與職場生涯，對於性別平等有極大的助益。《經濟學人》因此於 1999 年評選它為二十世紀最重要的科學進步；這說法或許過譽，但口服避孕藥對於文明的影響程度絕對是名列前茅的。

本文同時收錄於《科學史上的今天：歷史的瞬間，改變世界的起點》，由究竟出版社出版。