台大電機系畢業,美國明尼蘇達大學政治學博士,
現任教於美國德州大學奧斯汀校區政府系。
林教授每年均參與中央研究院政治學研究所及政大選研中心
「政治學計量方法研習營」(Institute for Political Methodology)的教學工作,
並每兩年5-6月在台大政治系開授「理性行為分析專論」密集課程。
林教授的中文部落格多為文學、藝術、政治、社會、及文化評論。
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。
-----廣告,請繼續往下閱讀-----
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。
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。/ 圖片來源:MotionArray
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)」!
-----廣告,請繼續往下閱讀-----
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。
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。/ 圖片提供:研華科技
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。/ 圖片來源:MotionArray
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)。
-----廣告,請繼續往下閱讀-----
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。
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。
-----廣告,請繼續往下閱讀-----
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?
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。
-----廣告,請繼續往下閱讀-----
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。/ 圖片提供:研華科技
這種藝術常在電影中被戲劇化。名導演史丹利.庫柏力克 (Stanley Kubrick) 的1964年電影《奇愛博士》 (Dr. Strangelove or: How I Learn to Stop Worrying and Love the Bomb) 便是戲劇化冷戰時期美、蘇雙方「相互保證毀滅」 (mutually assured destruction, MAD) 的黑色喜劇。
台大電機系畢業,美國明尼蘇達大學政治學博士,
現任教於美國德州大學奧斯汀校區政府系。
林教授每年均參與中央研究院政治學研究所及政大選研中心
「政治學計量方法研習營」(Institute for Political Methodology)的教學工作,
並每兩年5-6月在台大政治系開授「理性行為分析專論」密集課程。
林教授的中文部落格多為文學、藝術、政治、社會、及文化評論。
這裡很容易證明當 2e > B-b > e 時,T > R > P > S 對 A、B 都成立,因此在這個條件下,抽取公有資源的問題是一個囚徒困局。這個困局就是雙人版的所謂「公有地的悲劇」。當個人過度使用公有資源時,雖然可以比有節制地使用能為自己帶來更多利益,可是當大家都這樣做時,集體造成的總外部效應(資源無法永續)卻會使得大家相互背叛的狀態比大家相互合作的狀態更糟糕。這個情況宛如一個「性格決定命運」的希臘悲劇:自私的「理性」驅使著每一個人無情地走向互相背叛的納許均衡,他們明知這個狀態不是伯瑞多最佳結果,卻有如陷於泥淖難以自拔,無法憑一己之力來改變資源毀滅的整體命運。
個人過度使用公有資源時,雖然能為自己帶來更多利益,可是當大家都這樣做時,集體造成的總外部效應(資源無法永續)卻會使得大家相互背叛的狀態比大家相互合作的狀態更糟糕。圖/By verifex @ flickr, CC BY-NC 2.0
我們認為這正是新聞媒體在臉書上所面臨的狀態。
-----廣告,請繼續往下閱讀-----
在這裡,公共資源是臉書上的讀者群。媒體之間的合作策略是有節制地使用臉書——只提供鏈結而不提供內容。當媒體合作時,他們得到較小的利益 b 而不必擔心後果。當媒體背叛——在臉書上提供新聞內容——他們可以得到較大的利益 B(雖然損失自家網站的讀者,但在臉書上吸引到的讀者大於損失),可是同時卻造成了臉書之外整個新聞媒體讀者的流失。這個代價 -e 是個外部效應,因為它不但影響到分享新聞內容的媒體自己,也因為助長讀者對臉書的依賴而影響到整個產業。因為當一家媒體提供新聞內容給臉書之後,臉書使用者不需要離開臉書就可以看到新聞,這些使用者也不再造訪其他媒體的網站,而影響其他媒體網站的讀者數量。為了避免被提供內容給臉書的媒體影響到,各家媒體因此跟進,長期以降,各家媒體必須依賴臉書觸及讀者,傷害整體產業的經濟自主。
.在原始狀態,也就是大家都不合作時,媒體的收益為:u(D|0) = B-ne
.在烏托邦狀態,也就是大家都合作時,媒體的收益為:u(C|n-1) = b
.當 x 固定時,不合作與合作的收益差別為:u(D|x)-u(C|x) = B-b-e
我們現在可以根據謝林的多人囚徒困局四條件來分析這個賽局了:
1. 每家媒體有兩種策略:合作(不提供免費內容給臉書)或不合作(提供免費內容給臉書)
2. 因為 u(D|x)-u(C|x) = B-b-e,我們可以推論當 B-b > e 時,不論 x 是多少,也就是不論自己以外有幾家媒體合作,不合作會比合作為媒體帶來更大的收益。B-b > e 是不合作為優勝策略的條件。
3. 因為 u(D|x) 與 u(C|x) 的式子中 x 的係數 e 為正值,也就是 u(D|x) 與 u(C|x) 均與 x 成正比,當越多人合作時,媒體不論合作或不合作,其收益都會越高。
4. 如果 u(C|n-1) = b 大於 u(D|0) = B-ne,也就是當 b-(B-ne) > 0 或 ne > B-b 時,烏托邦狀態的收益高於原始狀態的收益。因此,ne > B-b 是原始狀態不是伯瑞多最佳結果的充分且必要條件。
-----廣告,請繼續往下閱讀-----
綜合以上四點,我們可以結論:當 ne > B-b > e 時,不合作是每個個別媒體的優勝策略,大家都不合作是納許均衡,可是這是一個不是伯瑞多最佳結果的納許均衡。根據謝林的定義,在這個條件下,媒體的臉書困局是一個多人囚徒困局。他們的處境正是一個公有地的悲劇。
ne > B-b > e 這個條件意指提供免費內容給臉書所帶來的額外收益(B-b)要大於媒體新聞網站讀者人數下降的代價(e),可是它同時必須小於整個產業都提供內容給臉書所造成的總代價(ne)。如果收益小於或等於個別代價(B-b≤e),提供內容不划算,合作才是優勝策略;如果收益大於或等於總代價(B-b≥ne),原始狀態比烏托邦還好,是伯瑞多最佳結果,沒有困局可言;這兩種情況都不是囚徒困局。請注意:當 n = 2 時, ne > B-b > e 這個條件正與上面所舉的雙人囚徒困局的條件相符合。
二十幾年來,我每次向學生介紹書中「多人囚徒困局」(multi-person prisoner’s dilemma)的理論時,仍然深深為謝林的智慧所激勵。這不只是因為模型本身既優雅又含意深遠,也是因為它所能洞燭的行為困境,從政治、經濟、社會、乃至於國際關係、人際關係幾乎無所不包。有不少人尊謝林為當前顯學行為經濟學之父,我深為同意。本文用一種特殊形態的多人囚徒困局──「公有地的悲劇」(the tragedy of the commons)──來詮釋新聞媒體在臉書上競合的困境。寫作中想到謝林對學術界、對我個人的深遠影響,不禁感懷不已。
台大電機系畢業,美國明尼蘇達大學政治學博士,
現任教於美國德州大學奧斯汀校區政府系。
林教授每年均參與中央研究院政治學研究所及政大選研中心
「政治學計量方法研習營」(Institute for Political Methodology)的教學工作,
並每兩年5-6月在台大政治系開授「理性行為分析專論」密集課程。
林教授的中文部落格多為文學、藝術、政治、社會、及文化評論。