《柳葉刀》2011「全球精神衛生」專號（第三篇）：包含精神衛生的全球視界

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

• 作者／謝恩・歐馬洛（Shane O’mara）；譯者／謝雯伃

每個城市的步調都不太一樣

一般來說，一個城市越大、越富裕，特別是經濟成長率越高，居民就走得越快。

1974 年，心理學家博恩斯坦夫婦（Bornstein and Bornstein）測量了歐洲、亞洲以及北美 15 個城市行人的步行速度，結果發現日常步調會隨著當地人口多寡而不同，獨立於特定文化之外。

一般來說，無論哪個國家或哪個文化，較大城市中的行人走得較快。以這些基本觀察為基礎，這些實驗後來又重覆做了數次，用來觀察城市居民的走路速度是否會因為城市的獎勵密度較大（更多餐廳，或火車、公車上更多座位等等），而這些獎勵的競爭也較大，導致日常步調加快？

地理學家吉姆．瓦萊斯萊（JimWalmsley）和加里思．路易斯（Gareth Lewis）在 1989 年提出：「有效率使用時間的需求變得更迫切，生活越來越匆忙」，這都是因為收入以及生活成本增加，導致都會居民的時間價值變得更高。這反映出，對於資源的競爭許多方面細微地改變了我們的行為。我們加快步行速度，無意識地與尋求同樣資源的人競爭。

我們加快步伐，全是為了與他人競爭資源？

博恩斯坦夫婦的論文深受好評，也被廣為引用，但這並非事情全貌。

據推測，有些都市因為特有的因素，影響了人們的走路速度。舉例來說，像孟買這個人口密度特別高的城市，人們走路速度實際上很慢，純粹因為要避開與他人相撞的風險。

我們同樣可以想像在某些特定地方，人們的步行速度可能很快。舉例而言，在某些特別炎熱或寒冷的城市中，人們可能為了要避開高溫酷熱或低溫酷寒，而快步行走於汽車以及建築之間。

生物學家彼得．沃茲（Peter Wirtz）和葛利格．雷斯（Gregor Ries）認為，博恩斯坦夫婦之所以得出這樣的結論，是因為未將他們研究城市鄉鎮人們的年齡或性別組成考慮進去。

換句話說，在其他條件都相同的情況下，城市人口往往較年輕，而較年輕族群平均行走速度會比年長者快。同樣地，男性平均來說比女性走得快；而城市或較小型鄉鎮之間的明顯差異，可能反應出城市裡較年輕、走路較快的男性比小型城鎮或鄉村裡的多。

沃茲和雷斯也做了一系列樣本數更大且將性別以及預計年齡列入考慮的研究，結果得出：都會居民的平均行走速度，事實上並不比鄉村或城鎮居民更快。

但這並不是結論，這個想法持續被研究者測試。

看來加上年齡與性別組成因素還不夠！

1999 年，一項史上最大的日常生活步調研究，利用了來自 31 個國家最大城市的數據展開調查。該研究檢驗了人口組成以外會造成日常步調差異的各種因素，以及日常步調對於都會居民的哪些福祉會產生影響。該研究檢驗了三個可用來預測步調快慢的不同概念。

• 第一個是經濟活力。經濟成長率越高，經濟就越有活力，而居民日常步調就可能越快。
• 第二個是平均來說，越熱的城市居民往往會是較慢的步行者。
• 第三個則是，在個人主義文化相對盛行的國家，居民的日常步調會比集體主義國家的步調快。

研究者把焦點放在都柏林、香港以及聖薩爾瓦多等分歧性極大的城市，測量了這幾個城市中居民的行走速度（在兩個市中心區域間行走 60 英呎要花多少時間）、寄信速度（你多快能走到郵局去買郵票）以及時鐘準確度。

他們也從氣候、經濟指標、個人主義量表、人群大小、冠狀動脈疾病、抽菸比例以及個別健康等其他公開數據搜集資訊。整合這些資訊後，他們算出整體性的日常步調指數。

根據這項研究，瑞士的日常步調最快，愛爾蘭緊追在後（那時正處在為期十多年的大規模經濟成長中期），然後是德國以及日本（義大利、英格蘭、瑞典、奧地利、荷蘭以及香港依序占前十席），墨西哥敬陪末座。

以更大的全球規模來看，日本以及非前蘇聯區的西歐國家日常步調最快，愛爾蘭則是個人行走速度最快的國家。瑞士則符合他們給人的刻板印象，在時鐘準確度上排名第一。

這些研究無法完全解決的一個議題是人口總數以及人口密度如何影響行走速度。

倫敦的牛津圓環在尖峰時刻交通異常繁忙，極難穿越。然而再過幾條街口，人們就能相對輕鬆地移動。開發新時代的智慧型手機計步器及健康應用程式，應該有助於解決這個問題——找出走路速度可以達到最大的最佳人群密度，只要超過這個密度，走路速度就會降低。

那麼就讓我們先接受城市中的日常步調確實比較快，這情況與人口分布關係較少，與經濟活力以及人口密度較相關。

轉換到不同情境中，步調也會有所改變嗎？

那麼我們做為個人，當我們從一個情境（比如安靜的鄉鎮）轉換到另一個情境（比如繁忙的城市）時，我們會改變我們的走路速度嗎？

研究者認為，這取決於城市中既存的經濟獎勵。

假設我們接受大腦會計算「付出與回饋」的觀點（這並非沒有道理），就代表大腦會試圖在努力以及回報之間達到平衡，即以最少努力達到最大的回報。這就出現了一個問題，那就是大腦是如何計算有多少回報，以及付出多少努力才有成果的問題呢？

試想一下街邊那家不能事先預約的熱門新餐廳，為了去那裡，你會走得更快，還因為與其他想得到同樣獎勵（可能是最好的桌位或是僅剩的桌位）的人競爭，再走得快一點。如果你有兩個選擇，你可能會選擇更具獎勵性的選擇，或那個需要最少努力的選擇。

我們在城市裡似乎會走得更快一點，這可能是因為城市裡有許多資源與獎勵，但我們也在與其他人競爭這些獎勵。我們在日常生活中會有不同類型的努力，無論是尋找什麼，或是走向某件事。然而，無論是哪種類型的努力，為了達成某個目標所花的能量總會在達到某個最大值之後降下來。

神經科學家瑞查．沙德梅爾（Reza Shadmehr）要我們想像自己站在機場的入境大廳尋覓著某個旅客的臉。當你看到一張又一張臉孔時，你看到了你在等的那個人。現在問問你自己，那人的身分為何會讓你走快點去迎接他呢？他是你的同事，還是你的孩子？

答案很明顯。與你孩子相見的內在獎勵特別大，而這個內在獎勵直接調整了你的走路速度，你會想更快接到你的孩子。有更大獎勵時，我們會走得快些。努力以及對於獎勵的期待如此加成在一起。

現在，我們對我們的步行速度為何在不同城市中有所不同有了基本理解。可能的情況是，城市中的豐富資源讓人們願意付出努力去得到它們；與此同時，這些獎勵的競爭也增加了——我們不只要快速走到那間很棒的新餐廳，還要比其他人更快到。

因此，控制努力的大腦系統與預估可能獎勵的大腦系統之間存在著緊密連結。努力越多，預期從這個努力中獲得的獎勵也會越多。若一個事物帶來的回報較少，我們走向它的速度就會較慢，反之亦然。

這就是我們在城市中的現況：我們走得快，才能得到火車上的座位或是餐廳的用餐保留時間，因為我們在與其他人競爭城市提供的獎勵。

——本文摘自《走路的科學》，2019 年 9 月，八旗文化。

今年的經濟學獎項頒給了 William D. Nordhaus 和 Paul M. Romer，他們藉由擴大經濟分析的範圍，分別針對經濟與自然、經濟與知識之間的互動關係做出了解釋。

所謂「經濟」的核心，其實就在探討資源的利用；自然資源決定了經濟成長的限制，而我們所擁有的知識則能決定我們如何在這些限制下充分地使用資源。

想拚經濟？那你得關心下氣候變遷

經濟學認為，在沒有外部性的情況下，市場力量會決定資源的最佳配置。如果有外部性，市場看不見的手則會失效，這時候就要想辦法將外部性內部化。Nordhaus 探討的是負的外部性對經濟成長的影響，而 Romer 討論的則是正的外部性對經濟成長的影響。通常，負的外部性會用課稅的方式來達成內部化，而正的外部性則是透過補貼的方式。

Nordhaus 在總體經濟學的分析中，納入了「氣候變遷」這項變因。他從 1970 年代開始嘗試了解社會和自然間的關係，那正是科學家開始對全球暖化日漸焦慮的時候。在 1990 年代中期，他率先做出了量化模型，去解釋全球經濟與氣候之間的相互作用。

他的模型整合了物理學、化學和經濟學的理論以及實證結果，現今已廣為流傳，並被用以模擬經濟和氣候究竟是如何共同發展的。另一方面，他提出的模型也被用來檢查氣候政策干預（例：碳稅）的後果。

知識創造經濟、經濟增加知識

Romer 則在宏觀分析中採用了創新的技術，分析「知識」是如何驅動長期的經濟發展。

以往談到經濟成長時，通常會提到 Solow 的新古典成長模型，但是該模型只考慮人口成長與資本累積，而沒有關於人力資本、技術成長方面的探討，在該模型下，發展比較落後的國家經濟成長會比已開發國家來得高，長期來看，所有國家會達到一樣的經濟成長，稱之為所得收斂。

然而，實證研究發現這跟實際情況有出入，所以 Romer（跟他老師 Robert Lucas） 以人力資本跟知識創新的概念來解釋長期經濟成長。他展示出經濟是如何影響人們的意願，促使公司產出新的想法和革新。他提出了內生增長理論 (Endogenous growth theory)，其核心思想是認為經濟能夠不依賴外力推動實現持續增長，內在的技術進步是保證經濟持續增長的決定因素。

這個理論既概念又實用，他解釋了創意和其他經濟物品的相異之處，在於創意需要特定條件才能在市場中茁壯成長。他的理論也推動了大量研究去進一步了解那些鼓勵創新思想和長期繁榮的法規政策。

這兩位經濟學獎的得主都使用了方法論的角度，提供我們有關技術創新和氣候變化因果的重要見解。雖然他們沒有提供明確答案，但他們的研究將能幫助我們回答如何實現持續而永續的全球經濟成長。