公設化集合論的奧秘(13) 追查有理數失蹤之謎

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

有理數是能夠用分數形式m/n來表達的數，其中m和n為整數且n ≠ 0。雖然到現在為止我們的公設只建構出自然數，但用自然數來建構有理數並不困難，它的基本概念是取序對（m, n）的型態來定義有理數。由於自然數和序對我們都已相當熟悉，況且有理數的概念在直觀上也很容易理解，因此我們並不打算在此介紹和證明如何用自然數定義出有理數的技術細節。可是對實數裡的「另一半」— 無理數來說，情況就大不相同了。

我們很難想像給出任意兩條線段，居然會找不到另一個線段作為衡量前兩者的共同單位。對有些情況來說，不論我們上天下地，卻永遠找不到這個共同單位，這在幾何學上叫做不可通約（incommensurable）。但這種讓古希臘畢氏學派震驚的「知識瘟疫」卻並非雪山靈芝而是隨處可見，比如從任一個正方形劃出對角線就可以根據畢氏定理1² +1² = x² 得出√2這個數，而√2就無法表示成m/n的分數形式。

根據傳說，畢氏學派把無理數的發現視為最高機密並禁止門徒對外洩漏，然而希臘的「斯諾登」希帕蘇斯先生卻冒死對外公佈了這個秘密，因而遭到如同黑社會懲罰臥底一般的待遇—扔到海裡餵魚。我們不知道這個傳說的真實性如何，但這意謂在某個歷史時期公佈某項知識成果的後果可能和今天所謂「洩漏國家機密」的後果沒兩樣。

既然無理數的性質那麼「無理」，可見要用自然數或有理數的概念來對其進行嚴格定義是很困難的。但現代實數系的兩位奠基者康托和德國數學家戴德金（R. Dedekind）雖然從不同的角度和進路用不同的方法來破解這個問題，但他們在推進人類對實數的理解時也同時發展了集合的概念。現在就來看看戴德金最重要的發明—如何用有理數來重新定義實數（因而自然把無理數也包含進去）的偉大創見，它稱之為戴德金切割(Dedekind cut) 。

由於有理數建立在自然數的基礎上，而自然數又建立在集合論的公設上，所以它們早已取得明確的「身分」，現在身分不明且難以被直觀掌握的就剩下無理數了。戴德金切割到底是個甚麼東西呢？首先來看看切割（cut）的定義：

一個切割就是一個序對（A, B），其中A, B ≠ Ø且A 和B不相交（也就是A ∩ B = Ø）。此外A ∪ B = P，也就是說切割是把某個集合P給切開，分成沒有共同元素的A, B兩半。

第二個條件是A的所有元素都比B的元素小，也就是說從數線的觀點來看，A的元素都在B元素的左邊。

滿足上述兩個條件的序對（A, B）就是一個對P集合的切割。由於序對（A, B）是集合，所以一個切割本身就相當於集合。而所謂戴德金切割必須加上第三個條件，那就是序對左邊的A集合沒有最大元素。它的直觀意思是說如果我們用某個點來切開P集合，那麼這個點不在A裡面。

我們現在手頭的武器是全部的有理數，所以可以把集合P用全體有理數Q來替代，那麼戴德金切割就成了把全部有理數分成A, B兩半的序對（A, B） ，所以A ∪ B = Q。由於A與B不相交，因此確定了其中一邊也同時確定了另一邊，習慣上我們用序對左邊的集合A來定義實數，稱之為戴德金左集合（Dedekind left set）。也就是說一個實數就是一堆有理數所形成的戴德金左集合，而全體實數就是這些戴德金左集合所形成的集合。

為了更容易理解戴德金左集合的定義，我們用√2來具體說明。如下圖所示，雖然目前我們尚不知道無理數√2的定義，但我們可以利用畢氏定理將邊長為1的正方形取對角線，然後用圓規將與對角線等長的線段畫到數線上，這樣就標出了長度相當於√2在數線上的位置。

我們發現它正好把大於此數和小於此數的有理數Q分成兩半，紅色部分為所有小於√2的有理數，而藍色部分則為所有大於√2的有理數。紅色部分和藍色部分沒有共同成員，它們的聯集等於全體有理數，所以顯然滿足戴德金切割的第一個條件。而紅色集合內的有理數顯然都在藍色成員的左邊，因此滿足第二個條件。此外以√2為分界的戴德金左集合（紅色部分）顯然沒有最大元素，因為作為分界的√2不屬於有理數，所以第三個條件也滿足了，它是一個戴德金切割。

接下來就看怎麼樣來定義這個特殊的戴德金左集合。有人會說這很容易啊，只要定義 A = {q〡q <√2 且 q∈ Q}不就得了？但請注意，我們目前還不知道√2是甚麼，我們只知道有理數是甚麼東東，正絞盡腦汁想把√2的定義找出來，所以上面對A的定義等於是拿未知的東西來定義未知，也是拿尚待定義的東西來作為定義，這是不可接受的。

為了要避開這種循環定義，我們把上式梢作修改成

A = {q〡q² < 2 且 q ∈ Q}

這樣一來所有的條件就都符合有理數的規定範圍。但仔細一看問題又來了，因為戴德金左集合會一直往負的方向無限延伸，因此越往左其平方值會越來越大，比如：

-2 ∈ Q 且-2∈ A，但顯然 (-2)² > 2，這與A的規定顯然不合。該怎麼辦呢? 只要利用邏輯概念將小於√2的正負數分開處理就行了，因此我們重新把A定義為

A = {q ∈ Q 〡q² < 2 或 q為負數}

如果有耐心地依序檢查，會發現這個定義符合戴德金切割的條件，因而正是用來定義√2的戴德金左集合。

這個看似古怪的定義讓我們可以單憑有理數重新定義出所有實數（尤其是無理數），而且這樣定義出來的無理數完全可以滿足實數所須具備的各種運算和性質，真可謂鬼斧神工。更重要的是透過戴德金切割我們發現，無限集合居然可以用來標定某個特定實數，這實在太神奇了。戴德金左集合宛如實數的基因密碼，透過對這些密碼的識別和辨認達到對實數本身身分的確認。僅管構成生物基因的分子為數眾多但卻是有限的，然而每個戴德金左集合的元素個數卻都是無限，任何一個實數都可以用某個無限集合來唯一確定。

如果你還沒有意識到此中令人驚奇之處，那麼我們再把戴德金切割比喻成商品的條碼，每一個條碼都指向一種特殊的商品。讓我們感到驚異的是，在實數的定義裡，構成每個條碼的信息單元（有理數）竟然不是有限而是無限。

雖然戴德金切割用這種有理數的「無限條碼」奇蹟似地界定出實數，但有些數的意義似乎產生了奇怪的病變。比如自然數0原來是用空集合來定義，所以0 = { } ，可是在戴德金左集合的新包裝下，0 不再是空無一物而成了 {q〡q ∈ Q 且q<0} ，這到底是怎麼回事呢？難道同一個數可以同時由兩個集合來定義嗎？要解開這個難題，這就只有等下回再分解了！

對數學家與哲學家而言，無限大就像個怪物。哲學碰上無限就會產生一堆悖論，例如芝諾悖論、無限大飯店、⋯⋯等等。無限大更是在數學製造了一堆矛盾，例如：無限序列 1 – 1 + 1 – 1 + ⋯⋯的總和到底是等於 0 或 1、或是 1/2？我們可以讓自然數與平方數的數列彼此一一對應（1→1, 2→4, 3→9, ⋯⋯），但平方數顯然又只占自然數的一小部分，那麼自然數的集合究竟比平方數的集合大還是兩者一樣大？

面對這些令人困惑的矛盾，大家的共識就是：無限只能當作一種概念，一個持續的未完成狀態，所以不能計算或比較大小。數學王子高斯就嚴肅表示：「我反對將無限量看成真實的實體來運用，這在數學之中是永遠不被允許的。無限只是一種說法而已。」直到不信邪的德國數學家康托爾出現，祭出集合論這面照妖鏡，才讓無限這個怪物現出原形，扭轉了千年以來對於無限的認知。

康托爾創立集合論，將無限當成可以一一對應其中元素的集合來處理。經由他無懈可擊的證明，無限的確有大小等級不同之分。自然數、平方數、整數、有理數的集合都是「可數無限」，屬於最初級（第零級）的無限，它們都一樣大。但無理數、實數的集合就是另一種「不可數無限」，硬是比第零級的無限還大，屬於第一級的無限。不只如此，還有更大的無限，一級一級往上沒有止盡。也就是說，世人以為無限是一隻神秘的怪物，但康托爾卻撥開迷霧，指出無限其實是一群數不完的大小不同的怪物。

然而康托爾天才般的洞見卻被當時的學界權威批評為「並無重要意義」、「騙局」。康托爾一方面承受極大的壓力，一方面又受困於自己提出來的疑問──存不存在大小介於第零級與第一級之間的無限？他試圖證明並不存在這樣的無限集合（稱為「連續統假設」），但搏鬥多年卻始終未果，乃數度精神崩潰住院治療。到了一次大戰，因實施食物配給而健康更加惡化，終於在 1918 年於精神療養院中過世，享年 73 歲。

如今康托爾的貢獻已被普遍認同，他開創的集合論已成為現代數學的基石。大數學家希爾伯特曾捍衛地宣稱：「沒有人能將我們從康托爾為我們創造的樂園中驅逐出去」。他的連續統假設仍列於有待解決的 23 個最重要的數學問題之首，等待後人征服。

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。