心理師會因為同理個案而跟著跳樓嗎？

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

義大利某山腳下的小村莊裡，67 歲婦人遭火吻的裸屍（照片）躺臥家門內側。胸口平置經書；腹肚擺放念珠；左手肘內側有道 X 型的割痕；四肢周圍則散落靠枕與燒過的纖維碎屑。後頭牆面一抹煙燻；附近的地板扔著一個澆水壺、一張翻倒且失去座板的椅子；稍遠處還有焚毀的物質和不明液體。大門、廚房跟柴棚之間，遍佈滴落（drip）、噴濺（spatter）和塗抹（swipe）等各種樣態的血液，以及人來人往的足跡。警方在柴棚裡，找到沾血的菜刀、半罐聞起來有燃料味的液體，與倒下、椅座部份燒壞，且有滴落血斑的椅子；並於窄小的客廳中，尋獲一只乙醇空瓶。^[1]

背景與筆錄

這名婦人有 3 個兒子：1 個自殺身亡；剩下2個罹患思覺失調症，其一反覆恐嚇家人。根據筆錄，事發當天兩個兒子都在樓上，一個於房間裡休息，另外一個聽著震耳欲聾的音樂。婦人的丈夫發現，她坐在門口耶穌聖像前的椅子上，渾身火舌纏繞，遂大聲呼救，叫沉浸於音樂中的兒子幫忙。在接獲通報的急救人員到場前，一名被請來的神父先行抵達，將經書和念珠放在屍體上。之後，其中一個兒子因為半燒毀的椅子「惹到他」，而在警察尚未趕到時，把該證物移至柴棚。^[1]

驗屍

驗屍團隊針對婦人的屍體，進行了下列檢查：

• 電腦斷層掃描：沒有重大創傷。^[1]
• 外觀相驗：90% 體表二至三度燒傷；頭髮燒焦；左手肘內側的X型割痕邊緣滲血；無自衛或他人造成的傷害。^[1]
• 解剖：呼吸道黏膜泛黑；心臟肥大、冠狀動脈硬化、左心室肥厚。^[1]
• 組織學分析：肺氣腫、肺部鬱血、心肌硬化。^[1]
• 毒理學分析：婦人的血液與尿液裡，有乙醇、抗精神病藥物levomepromazine和抗憂鬱劑sertraline殘留。^[1]

法醫認為婦人原本就有缺血性心臟病和慢性肺氣腫，在大面積燒傷後，導致急性心血管功能不全，休克而死。至於體內乙醇和藥物的濃度，沒有高到會造成死亡。^[1]

重建時序

由於婦人身上沒有抵禦的痕跡，基本上可以推論不是死於他殺。此外，自焚的燒傷面積，通常比被別人縱火來得大，這也符合婦人的情形。然而，她大概沒有事先計劃，單純臨時起意，才會一個方法不行，再試另一個，愈換愈致命，成為手法多元的非典型自殺個案。^[1]

此案複雜的程度，本來就已經令辦案極具挑戰；偏偏死者的家屬和神父又破壞現場；而且警方沒有檢驗可燃液體的成份，這些都讓事情難上加難。不過，在《國際鑑識科學：報告》（Forensic Science International: Reports）期刊上，分析這個案件的作者，還是絞盡腦汁，把整個時序重建出來：^[1]

首先，婦人使用的藥物不是醫師開的，而且她刻意配合大量乙醇服用，自殺意圖明顯。她體內藥物的濃度沒有很高，不過是因為死亡打斷了身體的吸收。再來，手臂嚴重割傷，必定發生在自焚之前，不然應該沒本事劃得那麼整齊，又那麼深。後來火燒的時候，她還活著，而非死後遭人焚屍，所以會吸入濃煙，燻黑呼吸道黏膜。最後，從血斑的型態和方向，則能判斷婦人先持刀傷害自己，接著在公寓的地面層遊蕩，直到進入柴棚取得可燃液體。她可能在那裏或廚房，將液體淋滿全身，再行至門前走道，然後於耶穌像前坐下。該處牆上焚燒的痕跡，跟婦人身形的高度與寬度吻合，即為佐證。^[1]

即使婦人艱困的生活背景，給予她明確的自殺動機，以上推論還是從統合分析多方線索而來。原個案報告作者也強調，遇到如此複雜的命案，務必參考鑑識醫學、毒理學檢驗和醫療影像等資訊，才能做出正確的解讀。^[1]

自殺防治專線：
 衛生福利部安心專線 1925
 生命線協談專線 1995
 張老師輔導專線 1980

1. Terranova C, Massaro L, Angiola F. (2023) ‘An unusual unplanned complex suicide by arm cutting, poisoning, and self-immolation’. Forensic Science International: Reports, 8:100327.

丈夫用來蝕刻金屬的氯化鐵（FeCl₃）遺失。罹患妄想型思覺失調症（paranoid schizophrenia），時年 47 歲的妻子，於自家公寓倒下，地板、嘴邊和身上的衣服，都有橙黃的液體。她曾數度以多種方式自殺未遂，最近有安排住院的計劃。^[1]

自殺防治專線：
 衛生福利部安心專線 1925
 生命線協談專線 1995
 張老師輔導專線 1980

鐵中毒

19 世紀末起，基於毒物學的迅速發展，金屬中毒的意外與刑案，已經不似過往那麼頻繁。目前急性鐵中毒的情形，較常見於吞下過量（> 20 mg/kg）鐵劑的兒童；也有些案例是孕婦攝取太多含鐵的補品。輕微鐵中毒的症狀，包括：嘔吐、腹痛、拉肚子等；嚴重的話，則會出現脫水、低血壓、代謝性酸中毒、血糖濃度波動、凝血問題，以及肝臟、腎臟、心血管和中樞神經系統的損傷。^[1]另外，氯化鐵加水而分解，也就是經過水解（hydrolysis）後，^{[1, 2]}pH 值約在 1 到 2 之間，具有腐蝕性，會傷害消化道和附近的內臟，並經由血液擴大影響的範圍。^[1]

一般急性鐵中毒的情況下，醫師可能會考慮手術取出含鐵的藥錠；^[1]或者用水或生理食鹽水沖入胃部再抽出，即洗胃（gastric lavage）；^{[1, 3]}還可以經靜脈輸注除鐵能（deferoxamine），讓它跟鐵結合，再排出體外。^{[1, 4]}不過，此個案或許是被發現時就確定死亡，原論文沒有任何關於救治的描述，而是直接從驗屍講起。^[1]

解剖驗屍

女子死後幾天，波蘭博美醫學大學（Pomeranian Medical University）的法醫系解剖驗屍：口腔黏膜跟腸胃道血栓性壞死（thrombotic necrosis）。此二處乃至周邊的心、肺、橫膈膜與肝臟，都呈現黃色。胃部清空，食物大概在毒物腐蝕體內組織的過程中，被腸胃壁和其他臟器吸收殆盡。腦部、肝臟與腎臟等內臟中，氯及鐵離子濃度很高。血液檢測排除酒精及外源非揮發性有機化合物。^[1]

普魯士藍染劑

進行組織學分析的時候，照慣例得使用蘇木紫（haematoxylin）和伊紅（eosin）兩種染劑，讓細胞和組織的結構顯現出來；^[5]而驗屍團隊在此額外採用普魯士藍（Prussian blue）染劑，促使鐵現形。^[1]細胞中的鐵，分為可溶解跟不可溶解兩種。蘇木紫和伊紅無法令可溶解的鐵蛋白（ferritin）被看見；但普魯士藍染劑會使之呈現非常淺的水藍色。而不可溶解的血鐵質（hemosiderin），碰到蘇木紫與伊紅時是金棕色；如果用普魯士藍染劑，則為藍色。^[6]

普魯士藍染劑的成份，為亞鐵氰化鉀鹽酸（potassium ferrocyanide hydrochloric acid）溶液，跟帶正電的鐵離子作用，會產生藍色的亞鐵氰化鐵（ferric ferrocyanide）。^{[7, 8]}儘管人體本來就有鐵，正常的肝臟遇上該染劑，其實看不太出變化；即使因為生病而充斥血鐵質，頂多也只有部份細胞著色；不可能像中毒時，整片湛藍。女子的內臟組織一如預期的大面積變色，而且以腸子和肝臟的最為明顯。^[1]

死因

死亡與驗屍相隔幾天，屍體除了會出現一般死後常見的變化，無疑也給予氯化鐵蔓延並穿透的時間，惡化對內臟和組織的傷害。然而綜合所有證據，以及精神病史賦予的自殺動機，法醫仍可判斷女子死於口服氯化鐵中毒，引發的急性心肺衰竭。^[1]

1. Majdanik S, Potocka-Banaś B, Glowinski S, et al. (2021) ‘Suicide by intoxication with iron (III) chloride’. Forensic Toxicology, 39, 513–517.
2. ‘5.4: Hydrolysis Reactions’. LibreTexts Chemistry, U.S.
3. ‘Stomach Pumping’. (10 JAN 2023) Cleveland Clinic, U.S.
4. Velasquez J, Wray AA. (22 MAY 2023) ‘Deferoxamine’. In: StatPearls. Treasure Island (FL): StatPearls Publishing.
5. Sampias C, Rolls G. ‘H&E Staining Overview: A Guide to Best Practices’. Leica Biosystems. (Accessed on 04 SEP 2023)
6. Guindi M. (2018) ‘11 – Liver Disease in Iron Overload’. In: Practical Hepatic Pathology: a Diagnostic Approach (Second Edition). Pattern Recognition. (pp.151-165)
7. ‘All About Iron: The Colloidal Iron Stain and Prussian Blue Reaction’. (04 JUN 2021) U.S. National Society for Histotechnology.
8. Suvarna KS, Layton C, Bancroft JD. (2018) ‘Techniques for the Demonstration of Carbohydrates’. In: Bancroft’s Theory and Practice of Histological Techniques E-Book. (pp. 187-188)