新世紀福音菊虎誕生！以EVANGELION命名的臺灣新種菊虎

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

• 活動紀錄/簡克志

2019 年的泛知識節，我們邀請到陳國偉老師，現任國立中興大學台灣文學與跨國文化研究所副教授，請深耕科幻領域的他一同來與我們分享科幻文學的定義、影響又有哪些？

科幻，一種邁向未來的文類

首先，陳國偉介紹了科幻的定義。知名科幻小說家兼科學家艾西莫夫認為：「科幻小說可以被定義為文學的一個分支，它涉及人類如何反應了科學和技術的變遷。」另外一方面，海萊因則認為：「科幻小說乃根據真實世界足夠的知識與對自然和科學方法完整的認知，『寫實地』推測可能發生的事物。」

陳國偉因此認為科幻小說可以說是一種「邁向未來」的文類。

再來，陳國偉引用葉李華對科幻的定義^註，科幻＝科與幻＝「科學」＋「幻想」。科學是指科幻裡面有關技術層面的描寫，幻想是指科幻裡面虛構的想像。接著國偉老師引用研究科幻小說的蘇恩文，蘇恩文認為科幻小說具有「抽離」與「認知」兩種特質，並且將其運用在具有「新奇（novum）」元素的敘事上。「抽離」是指科技與時空的落差，科幻小說的科技常常是現在無法實現，但未來有可能實現的科技。「認知」則涉及了反省與批判現實，看完科幻小說之後，讀者往往會回過來反思現在。那是因為「新奇」讓讀者對現實產生了一種陌生化效果，得以用新的視角重新省視當下的現實。

科幻被區分為硬科幻與軟科幻，硬科幻就是比較專注自然科學邏輯和知識設定的作品，例如：《2001 太空漫遊》或《三體》。而軟科幻是運用比較多社會學、政治學或人類學等元素的科幻作品，比較不會去詳細解釋想像出來的科技或科學現象，例如：《科學怪人》或《星際大戰》。

陳國偉進一步提到，一般人認為的科幻，通常是未來人類文明的進步景觀，或是涉及未來人類的終極命運。不過，實際上的科幻視角，多為科學樂觀主義的反省或轉向，透過末日題材來反思科學的有限性與科技失控的後果，例如：《明天過後》、《末路浩劫》、《機械公敵》或《我是傳奇》。科幻小說很多時候都是人與世界或人與其他物種關係的反省。

後人類：未來的「人」有哪些可能？

既然科幻作品中人的關係如此重要，那麼未來的「人」有哪些可能？國偉老師繼續進入「後人類」的話題。Hayles 在 1999 年的著作《我們如何成為後人類？》裡面，探討了後人類的可能形式。而林建光《賽伯格與後人類主義》裡面，認為生命的本質不在於身體，而在於資訊模式。也就是肉身可能會消滅，但是意識或記憶則可以透過資訊的形式一直保存下來。

在後人類的概念裡，人與機械的界線是模糊的，因為人是以賽伯格（Cyborg，模控生物體）的形式存在。而科幻作品裡面，通常會去探討人類與後人類之間的互動之中，什麼是「人性」？「人性」如何透過後人類展現？例如：電影《AI 人工智慧》與《攻殼機動隊》。

以科幻作品討論創傷的衝擊與忘卻

最後，陳國偉認為在亞洲（特別是日本），科幻作品其實還乘載著記憶與遺忘的交互辯證，是忘卻與記憶的政治裝置。日本在 2011 年發生 311 災害的傷痛，是三重末日恐懼的創傷，包括核災與戰爭的連結，讓日本人回憶起 WW II 的原子彈爆炸。還有歷年來對地震的恐懼，則呼應小松左京著作的日本科幻小說《日本沉沒》。例如：《新世紀福音戰士》劇場版裡面的第三次衝擊，就像是為了回應日本 311 災害，因為 311 就是日本百年來的第三次大地震，庵野秀明期望在末日的災難裡面找回人與人情感的連結。

陳國偉又舉了《哥吉拉》和《你的名字》為例。2016 年電影《哥吉拉》為何比《你的名字》更受到學院派和電影專業人士的歡迎？《你的名字》裡面有許多和 311 災難的巧合，例如在祭典裡面做緊急逃難廣播的女生名字和 311 受難者相同。不過在《你的名字》裡面，許多人都沒有關於隕石滅村災難的記憶，國偉老師認為劇情暗示著日本人希望忘記福島災難。但《哥吉拉》卻是對 311 災難記憶的批判。現實對於虛構，就像日本對於哥吉拉，哥吉拉就像是上述三重創傷忘卻的召喚，把創傷召喚回來。

哥吉拉是海底的核廢料所催生的，正對應福島核災。電影裡面美國主張以核彈去摧毀哥吉拉，又要把核彈丟在日本。同時，哥吉拉也批判了日本官僚主義的顢頇，也呼應 311 災難中日本官方的低效率作為。《哥吉拉》作為科幻故事的載體，連結到現實日本社會的當下，不斷地提醒著人們已經忘記或想要忘記的事情。

科幻作品有著銘刻歷史記憶的功能，讓現在的人得以反思過去和勇於面對，也正是科幻文學可以教我們的事。

• 註 1：其實葉李華在2018年的泛科學院課程〈科幻的實用定義與基本精神〉中，已經修正這種將科幻看成科與幻的定義。葉李華認為科幻難以定義。科幻（Science fiction）必須視為一個整體，不可拆開成科學（Science）加上幻想（fiction）。

只看活動記錄不過癮嗎？當天的現場影像記錄可至泛科學院免費觀賞：【線上影音】2019 泛．知識節-當哥吉拉遺忘你的名字：科幻文學教我們的事

沒多久前，報紙這張照片被轉到臉書板上，大家就開始議論，這個蜂哪裡隱翅了？翅膀這麼大怎麼會當牠是隱翅蟲？而我看到這些留言當下的反應是：「隱翅蟲一定要隱翅嗎？」

太陽餅裡面沒有太陽；老婆餅裡面沒有老婆，隱翅蟲也並不一定要隱翅啊！

隱翅蟲的英文俗名是 rove beetle（流浪甲蟲），而中文俗名隱翅蟲（隱翅甲）這個詞在 1930 年代的文獻中就已經被使用了，但我一直都認為「隱翅蟲」這個中文名很怪，哪裡怪？因為幾乎所有甲蟲的後翅都隱藏在翅鞘下面，除了少數幾個例外，如：筒蠹蟲。

如果將「隱」的意思解釋成「小」或許勉強還說得通，但隱翅蟲還是有一部份的類群擁有幾乎完全包覆腹部的翅鞘呢！今天就來跟大家介紹隱翅蟲，以及那些不像隱翅蟲的隱翅蟲，還有一些些長得像隱翅蟲的其他甲蟲們。

什麼是隱翅蟲？

首先我們要先知道要怎麼辨認隱翅蟲科（Staphylinidae），隱翅蟲作為世界上物種多樣性最高的類群之一，牠們形態也是相當多樣的，但大多可以由以下兩個特徵將牠們和其他昆蟲區分開來，如：「大多數」翅鞘短於腹部、六或七節柔軟、可見的腹部（多為六節）。儘管這兩個特徵能將大部分的隱翅蟲與其他的昆蟲區分開來，但事實上還是存在相當多的例外。

延伸閱讀：隱翅蟲真的有那麼可怕嗎？隱翅蟲皮膚炎又是怎麼一回事？

那些長得不像隱翅蟲的隱翅蟲科成員

像是苔甲亞科（Scydmaeninae）的隱翅蟲，就是其中的例外。牠們多生活在落葉層或是枯木中，這個亞科的隱翅蟲的翅鞘大多完全包覆住腹部，只有少數的例外。苔甲亞科原先被視為獨立的一個科，但近年學者透過分子系統發育分析以及形態發育分析，結果皆支持苔甲是廣大的隱翅蟲科裡的一個亞科（Grebennikov & Newton, 2009）。

而若提到長得不像隱翅蟲的隱翅蟲，那也不得不提四眼隱翅蟲亞科（Omaliinae）了。這個亞科的隱翅蟲有一部份是長相怪異的傢伙，像是分佈在臺灣高海拔山區的蔣氏四眼隱翅蟲（Deinopteroloma chiangi）就是其中一個例子，牠的特色就是他的翅鞘已經完全包覆住腹部了。這個屬的隱翅蟲原來發表時被當作是埋葬蟲科（Silphidae）的一員，但 1985 年由著名的隱翅蟲分類學家 Dr. Ales Smetana的形態分析結果，支持該屬為隱翅蟲科，且應被放置在四眼隱翅蟲亞科中（Smetana, 1985）。

還有兩個翅鞘幾乎完全包覆腹部的隱翅蟲亞科：出尾蕈甲亞科（Scaphidiinae）及毛薪甲亞科（Dasycerinae），這兩個亞科都是食菌性的隱翅蟲，出尾蕈甲亞科在以往也被認為是獨立的一個科，而毛薪甲亞科過往也被認為應該被放置在姬薪蟲科（Latridiidae），但兩者也都透過後續學者的形態分析，支持牠們是屬於隱翅蟲科的一群，甚至是近年的分子分析也都支持牠們屬於隱翅蟲。

有沒有其他翅鞘也小小的甲蟲？

答案是有的，一些翅鞘短小的甲蟲，牠們也常常被誤認為隱翅蟲，像是部分的出尾蟲科（Nitidulidae）以及菊虎科的短翅菊虎屬（Trypherus）、隱翅菊虎屬（Ichthyurus）。我還記得有次在北部某大學的昆蟲標本館檢查隱翅蟲標本時，大約有半數都是隱翅菊虎，可見連相關科系的學生也都會搞錯呢！

延伸閱讀

• 隱翅蟲真的有那麼可怕嗎？隱翅蟲皮膚炎又是怎麼一回事？

參考文獻

• Jaloszynski, P. 2018. World genera of Mastigitae: review of morphological structures and new ecological data （Coleoptera: Staphylinidae: Scydmaeninae）. Zootaxa 4453 （1）: 001-119.
• Grebennikov V. V. & Newton, A. F. 2009. Good-bye Scydmaenidae, or why the ant-like stone beetles should become megadiverse Staphylinidae sensu latissimo （Coleoptera）. Eur. J. Entomol. 106: 275-301.
• Smetana, A. 1985. Systematic position and review of Deinopteroloma Jansson, 1946, with descriptions of four new species （Coleoptera, Silphidae and Staphylinidae （Omaliinae））. Systematic Entomology 10 （4）: 471-499.