外骨骼輔助義肢，讓身障者享受走路帶來的健康和快樂

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

2018 年 12 月，有名司機在西伯利亞新庫茲涅茨克的雪地中，找到了一隻大約四歲的俄羅斯貓貓 Dymka（俄語為「霧」），並將牠帶至新西伯利亞的診所。雖然牠因凍傷而失去了所有的爪子，但獸醫們 3D 列印出鈦材質的義肢代替牠失去的四條腿，所以現在 Dymka 可以重新生龍活虎地追趕跑跳蹦，甚至爬樓梯了！（灑花）

義肢獨秀——3D 列印技術重建貓掌

根據《莫斯科時報》報導， Dymka 獲救時爪子、耳朵和尾巴都已經凍傷了，獸醫 Sergei Gorshkov 不得不幫牠截肢。Gorshkov 說，在西伯利亞嚴酷的冬季裡，每間診所的獸醫至少會治療五至七隻爪子、耳朵和鼻子等部位被凍傷的貓，倘若凍傷情形嚴重，皮膚組織會死亡並需要截肢。

Gorshkov 和診所同事與俄羅斯托木斯克理工大學 (TPU) 的研究人員合作，為 Dymka 製造了一套義肢。 TPU 的代表表示，科學家開發了磷酸鈣製成的塗層，使鈦製義肢可以更順利地安裝並嵌入、融合進動物的腿骨中，同時讓感染和排斥的風險降到最低。

走出態度！恍若新生的鈦製義肢

研究人員對 Dymka 的腿進行電腦斷層掃描 (CT) 建模，並依此 3D 列印出鈦棒。根據《新西伯利亞新聞》報導 ，Dymka 於 2019 年 7 月植入了義肢，前腳為先，後腿次之。2019 年 12 月，獸醫診所在 YouTube 上傳了影片，內容記錄牠安裝義肢七個月後的生活，還有特寫鏡頭拍到了一些關於義肢的細節，可以從畫面中看出來，牠的「 腳掌」以柔軟的黑色材料製成，底部帶有紋理。

資料來源：

• 本文編譯自 Mindy Weisberger 所撰寫之科普報導 Cat with 4 frostbitten paws gets new feet made of titanium，刊載於 Live Science ( Jan 31,  2020 )

本文由科技部補助，泛科學獨立製作

艾瑞克索圖（Erik Sorto）是一名癱瘓十年的身障者，但他同時也是類似患者們的新希望。2013 年艾瑞克不顧家人反對，毅然報名接受了一場腦部手術。現在的艾瑞克有如科幻小說中的角色，只要他想像抓取東西的樣子，安裝的機械手臂就會執行他的命令。

過去雖然也有少數身障者透過腦機介面（brain-computer interface，簡稱 BCI） 操控機械，但這些受試者的植入體，所接受的信號多來自連結脊椎與肌肉的前運動皮質區，只能被動記錄訊號。而艾瑞克是第一位在後頂葉皮質層內（產生肢體運動意念的區域）植入晶片，讓機械主動理解使用者意圖的人。

加州理工學院的神經科學教授、也是這次實驗的首席研究員理查安德森（Richard Andersen）解釋，從使用者的意圖出發，不僅較符合人性，也能讓機械手臂作用的速度更快，艾瑞克所做的是讓機械手臂理解他的最終目標，而不是操控所有運動細節。舉例來說，當我們伸出手臂拿起一杯水時，你不會去思考每一個關節或肌肉該如何伸展、或拆解每個動作，你只想著要拿到那杯水而已。

透過數據累積，讓手臂知道你想做甚麼

在研究初期，研究人員先透過核磁共振技術，觀察當艾瑞克產生抓取等動作等意念時，頂葉皮層內兩個最活躍的區域。在此之後便植入 2 個微電極陣列，裡面各自包含 96 個電極，能夠記錄單一神經元的活動。此外，在艾瑞克的頭骨上有兩個金屬基座，能夠接收電極收到的信號，並連接機械手臂。

術後一個月，艾瑞克就開始了與團隊的合作。在第一個實驗中，工作人員先做出某些手勢，讓艾瑞克在腦中想像、模仿做出這些動作的感覺，並藉由不同的動作，觀察哪些神經元會對特定動作有反應。長期研究下來，團隊能夠不斷校準神經元與動作間的關係，針對位置、移動軌跡及特定運動等類別歸納出一套演算法。此外，安德森表示，即使系統沒有接收到完整的信號，也能透過演算法與過去的數據，自動補足需要的信號，這也會讓使用者操作起來更便利，減少失誤的次數。

頂葉皮質會是最佳解答嗎？

過去腦機介面（BCI）的開發，多根基於美國布朗大學腦科學研究所主任約翰多諾霍（John Donoghue）對運動皮質的前瞻研究。­多諾霍認為這次的實驗確實證明了頂葉皮質可以提供較有用的信號，但現階段他無法肯定頂葉皮質就是念動控制最好的選擇，因為目前的實驗成果雖好、但還不夠好，團隊尚未得知如何得到更精準的控制手段。

實驗的首席研究員安德森也曾提議結合來自運動皮質與頂葉皮質的兩種訊號，透過交叉判斷讓機械手臂的判讀更清晰，然而多諾霍則表示，結合不一定會帶來增值效果。他提到，當我們試圖用手拿起杯子時，會用到多達 80% 的大腦，上述兩種皮質只占了一部分，且傳遞出的訊號其實相當類似，因此不排除其他部分的大腦有可能蘊藏了更關鍵的數據。

依然努力著的艾瑞克

在學界熱烈討論的同時，艾瑞克仍舊繼續著他與機械手臂間的實驗。在這兩年中，他的熱情絲毫未減，並致力提升操控的精準度，他練習玩了 6700 多次的剪刀石頭布，因為這些對常人而言簡單的動作，都是重要的突破。雖然過程辛苦，但艾瑞克終於在今年實踐了他長久以來的目標：透過機械手臂拿起啤酒，並暢快的痛飲一番。未來，他還想嘗試刷牙、刮鬍子等更精細的動作。

（本文由科技部補助「新媒體科普傳播實作計畫－智慧生活與前沿科技科普知識教育推廣」執行團隊撰稿）

責任編輯：鄭國威
審校：陳妤寧