高潮的科學——《科青的趕時間科學教室》

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

警告：本文不適合未成年，十八歲以下讀者請速離，謝謝。正文於圖片後開始。

BDSM 的定義與普及率

BDSM 為綁縛及調教（bondage & discipline；BD）、支配與臣服（dominance & submission；DS）以及施虐和受虐（sadism & masochism；SM）的總稱。它是兩名以上合意的個人，透過肢體約束或權力交換，達到強烈感受的性愛互動，但未必包含插入式性交。^[1]

根據系統範疇界定文獻回顧，40% 至 70% 的人口有 BDSM 相關的性幻想。^[1]問卷統計則顯示各國的文化差異：在澳洲，2.2% 的男性和 1.3% 的女性，曾於受訪前一年內進行 BDSM。^[2]美國 20% 的受訪者嘗試過綁縛；30% 具打屁股的經驗；而 13% 曾戲謔性地鞭笞。^[1]比利時有 BDSM 經驗的人口比例更高達 46.8%，而且 12.5% 常態性地執行。^[2]另外，自稱最受歡迎的免費 BDSM 社群網站 FetLife，目前有超過 1 千萬來自世界各地的會員。^[3]

BDSM 的風險

BDSM 從繩縛、鞭笞到戀物，涵蓋的範圍甚廣；潛在的健康風險，亦是類型繁多，例如：破皮、瘀青、感染、燒燙傷、血液傳染疾病、昏厥、窒息、情緒過激，以及肌肉、骨骼或神經損害等。44% 的 BDSM 實踐者，曾尋求專業的醫療建議；然而不少人擔心被歧視，即使需要也寧可不諮詢。^[1]

死亡是 BDSM 極為罕見的後果，機率比在性愛時自然死亡，或是自慰致死都低。一般性愛中自然死亡的平均年紀，男性為57.2歲，女性則是45歲，常見的肇因依序是冠狀動脈心臟病和心肌梗塞等。相對地，BDSM 愛好者多半未滿 50 歲，相關案件的平均死亡年齡為 34.9 歲，死者和性伴侶許多都不是新手。88.2% 的死因是勒斃，而 64.3% 牽扯到酒精或藥物。這兩類物質會降低人的控制能力，進而增加性愛的危險，所以不少 BDSM 團體立規禁止。^[1]

BDSM 的鑑識挑戰

當有人意外死於 BDSM，鑑識團隊就必須重建命案現場。在他們抵達之前，除了醫療人員或死者的性伴侶會在急救時移動擺設，後者也可能基於愧疚或害怕承擔責任，丟棄情趣用品和 BDSM 道具，或者乾脆逃離現場。偏偏這類案件僅有的目擊者，通常為驚嚇到支支吾吾的性伴侶。此時，警方如果想取得更多資訊，又訪談到對 BDSM 抱持負面態度的死者親戚，便會獲得偏頗的筆錄內容。因此，死者遺留的性愛錄影或隱藏式攝影機，有時就變成辦案的關鍵證據。^[1]

此外，法醫難以從受傷的部位和型態，分辨性侵與合意性行為。持有參與各方簽署的書面契約，也不一定就能完全證明自身清白。^[2]契約內容的擬定，更不該與法律牴觸。比方說，《中華民國刑法》第 296 條：「使人為奴隸或使人居於類似奴隸之不自由地位者，處一年以上七年以下有期徒刑。」^[4]這就關係到BDSM裡，支配與臣服尺度的拿捏。

延伸閱讀：〈鑑識故事系列：性虐主奴契約無效〉

BDSM 的安全措施

當然，預防勝於治療，安全詞（safeword，亦作safe word）鎮守奈何橋。使用預設的特定用語或姿勢，能讓參與者在臨界身心極限時，立刻要求停止 BDSM 活動。國際通用的交通號誌系統，也是即時反應感受的方法：「綠」代表強度良好；「黃」為要求放慢步調；「紅」則是得馬上中止行為的訊號。^[1]

在美國，85% 的 BDSM 實踐者曾向前輩學習；9% 未接受指導；而 79% 有加入相關組織。在交流操作技巧和指導事後照顧之餘，BDSM 社群也提供初學者急救課程，以降低傷亡風險。於《國際法醫期刊》（International Journal of Legal Medicine）發表研究的瑞士鑑識專家，認為 BDSM 的行為和幻想還算普遍，雖然不是所有相關活動都極度危險，但是絕對得事先安排急救方案。例如：在唾手可得之處，放置能迅速解放綁縛的工具等。^[1]有鑑於此，對 BDSM 有興趣的讀者，與同好計劃活動時，請千萬別忘了將安全問題納入討論。

1. Schori A, Jackowski C, Schön CA. (2022) ‘How safe is BDSM? A literature review on fatal outcome in BDSM play’. International Journal of Legal Medicine, 136, 287–295.
2. Koelzer SC, Bunzel LM, Holz F, et al. (2023) ‘Esophageal rupture through extreme sadomasochistic practice’. International Journal of Legal Medicine.
3. BitLove Ltd. ‘FetLife is the Most Popular Social Network for the BDSM, Fetish & Kinky Community.’ FetLife. (Accessed on 14 APR 2023)
4. 「中華民國刑法第 296 條」（08 FEB 2023）全國法規資料庫

• 作者／迪恩．柏奈特 Dean Burnett
• 譯者／鄧子衿

今天晚上不行，我頭痛。

許多人在某些地方和場合下有性興奮卻無意享受性愛。我曾經聽過許多在必要的密切醫學檢驗時，身體出現性興奮的尷尬故事。有不少男性曾說坐在巴士上時，出現了無用又讓人困擾的勃起。

這些狀況中，許多原因是一些和性興奮相關的部位受到刺激，產生反射性反應，也就是說與腦無關，而是由性器官和脊椎間的基本神經連結處理的。巴士產生的震動，可能刺激了這些反射性興奮系統，把那些震動感當成是伴侶對自己刻意的親密觸摸，而非大型交通工具內燃機運作時無可避免的結果。

杏仁體可能會評估這時的狀況，然後決定興奮並不恰當，但對於這件事，並不只是杏仁體有發言權，有時其他已介入的刺激興奮生理機制獲勝了，杏仁體戰敗退場，像孤獨的水手要奮力讓郵輪轉向，避免撞上因尷尬構成的冰山。

這樣的狀況讓我們清楚地警覺，性興奮和性慾並不是同一件事。兩者通常能夠獨立出現。但想了解兩者間的差異，最好先了解在神經層次上性慾的運作方式。

性慾主要由腦部的顳葉處理，這很合理（至少對神經科學家來說），因為邊緣系統有很多就在顳葉中，特別是杏仁體和海馬迴。邊緣系統是一個複雜的網絡，能讓情緒和本能影響理性與思考，或是讓理性與思考影響情緒和本能。對於性慾而言，是基本的動物驅力決定了我們的思考和行動方式，在此過程中，邊緣系統顯然居於樞紐地位。

在產生興奮或慾望時，杏仁體和海馬迴都會非常活躍。我們知道杏仁體在處理情緒，會同時決定現階段的興奮是否恰當。海馬迴則是處理基因的中心，這時海馬迴的活躍能夠解釋我們在性愛狀態時為何會湧現許多讓人興奮的記憶，或是性愛相關的記憶會鮮明且強烈，因為這些有助於讓興奮變得強烈，時間持續並增加，同時確保之前有用的經驗能在心中重現。

性慾也會由視丘引發，該部位亦屬於邊緣系統，像是腦部的中央車站，能夠把資訊傳送得又遠又強。這些部位的活躍都意謂著腦部「有那種感覺了」。

但是光有情緒和感覺還不夠。杏仁核與相關的區域結合而成的網絡，對於動機而言也很重要，其中一個特別重要的區域是前扣帶皮質（anterior cingulate cortex），該區域連接了負責注意力引導、思索事物、情緒調節和其他功能的部位，讓我們去追求並享受人與人之間的互動，同時對某一個特殊性愛狀況中情緒與動機產生重要影響。真的很難想像有其他比這樣更強調「人與人之間的連結」了！

這些狀況都顯示了性興奮和性慾雖彼此不同，但是經常糾纏在一起。幸好許多相關的腦中系統是共通的，能夠讓我們同時體驗到性興奮、性慾和相關動機。與此同時，也能夠為系統煞車，讓我們不會整個小時都處於色慾不受控的興奮狀態。