拉瓦節成為化學之父，她是最大的推手

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

奪命計劃的冷酷藝術

在犯罪史上，謀殺是特別令人髮指的罪行；而在各種殺人手法之中，只有寥寥幾種會像毒藥那樣，令人有如此奇特的病態迷戀。與一時腦熱的衝動謀殺相比，毒殺所涉及的事前規劃與冷酷的算計，完全符合法律術語中的「惡意預謀」（malice aforethought）定義。毒殺需要預先籌畫並了解受害者的習慣，也必須考慮如何下毒。有些毒藥只要幾分鐘就能奪人性命，其他則可以長期慢性下毒，逐漸在體內積累，最終導致受害者必然的死亡。

這本書沒有要列出下毒者及受害者的清單，而是要探討毒物的性質，以及它們如何在分子、細胞和生理層面影響人體。每種毒藥都有獨特的致死機制，受害者所經歷的各種症狀往往都是線索，有助於抽絲剝繭找出他們被下了什麼毒。在少數情況下，這些知識有助於給予適當的治療，讓受害者能完全康復。但在大多數情況下，就算知道是什麼毒物對於治療也沒有幫助，因為根本沒有解藥。

雖然毒物（poison）和毒素（toxin）這兩個詞經常互換使用，但嚴格來說它們並不相同。「毒物」是任何會對身體造成傷害的化學物質，可以是天然的，也可以是人造的，而「毒素」通常是指生物所製造的致命化學物質。不過如果你是被下毒的一方，那麼兩者的差異就只是學術討論了。

毒物的兩面性：從致命陷阱到救命藥

toxikon 這個字源自古希臘文，意思是「箭頭浸泡的毒物」，指的是塗抹在箭頭上以導致敵人死亡的植物萃取物。當 toxikon 這個字與希臘文的「研究」logia 相結合，就成為我們現在的「毒理學」或「毒素研究」（toxicology）這個詞。毒物一詞源自拉丁語的 potio，意思是「喝」，之後慢慢演變成古法語中的 puison 或 poison。「毒物」這個字在一二○○年首次出現在英語中，意思是「致命的藥水或物質」。

從生物體中獲得的毒物通常是許多化學物質的混合物。例如，致命的茄科植物（也稱為顛茄）的粗萃物相當危險，從這些萃取物中也可以純化出化學物質阿托品（atropine）。同樣的，毛地黃花（foxglove）的植物本身也有毒，還能從中萃取出單一的化學物質毛地黃（digoxin）。

有一些歷史悠久的毒藥是混合幾種不同的毒物製作而成，例如「托法娜仙液」（Aqua tofana）就是混合了鉛、砷和顛茄的毒藥。

在瓶子裡人畜無害的化學物質最後怎麼會變成屍體裡發現的毒？無論是哪一種毒藥，在死亡發生之前都會有三個不同階段：下毒、行動和效果。

下毒有四種途徑：消化、呼吸、吸收或注射。也就是說，它們可能是被吃掉或喝掉，透過腸道進入體內；吸入肺部；直接透過皮膚吸收；或是透過注射到肌肉或血液中進入體內。兇手選擇何種方式讓毒物進入受害者體內，取決於毒物的性質。儘管有毒氣體已被用於殺戮，但這涉及一定程度的技術難度，因此並不實用，而且這種手法通常難以針對特定個人。

透過眼睛和嘴巴的皮膚或黏膜吸收可能非常有效：兇手不必與受害者有任何接觸，甚至在中毒當下還能留在附近。光是將毒藥塗抹在受害者即將接觸的物品上就足以導致死亡。混合在食物或飲料中為大多數毒物提供了一條簡單的途徑，特別適用於固體結晶毒物，因為它們可以簡單灑在飯菜上或溶解在飲料中就好。

不過有一些毒物必須注射到體內才能發揮作用，有時候這是因為毒藥是一種蛋白質，如果加入食物攝取，就很容易被腸胃分解。此外，兇手一定要離受害者夠近才能注射毒物。

毒藥如何摧毀人體機制？

現在我們來看毒物的核心：它們如何破壞身體的內部運作？

毒物確切的作用方式五花八門，而它們的效果則揭曉了許多人類生理學的奧秘。許多毒物會攻擊神經系統，破壞控制身體正常功能且高度複雜的電子訊號：如果阻斷的是心臟各部分之間的交流，可以視為毒物使心臟停止跳動並導致死亡；如果破壞控制呼吸的橫隔膜肌肉調節，同樣也會使呼吸停止，導致窒息而亡。

也有些毒物會偽裝，隱藏真實身分後進入身體細胞，這些毒物的外型與細胞的重要成分極為相似，但不完全相同，因此可以進入細胞的新陳代謝過程，但無法執行正確的生化功能。毒物會假冒體內的細胞分子，使得細胞的化學作用緩慢停止，最終死亡。當死亡的細胞夠多，整個身體就會跟著死去。

如果不同的毒物以不同的方式發揮作用，不難想像受害者所經歷的症狀也會不同。以大多數消化型的毒物而言，無論作用方式為何，人體的第一反應通常是嘔吐和腹瀉，試圖藉此從體內清除毒物；影響心臟神經和電流訊號的毒物則會導致心悸，最終導致心跳停止；影響細胞化學性質的毒物通常會引起噁心、頭痛和嗜睡的症狀。毒物的作用及可怕後果的故事在本書中比比皆是。

雖然大多數人認為毒物是致命的藥物，但科學家也已經使用與毒物完全相同的化學物質來梳理細胞和器官內部的分子和細胞機制，利用這些資訊開發能夠治療和治癒多種疾病的新藥。舉例來說，科學家透過研究毛地黃植物中的毒物如何影響身體，成功研發出了治療充血性心臟衰竭的藥物。

現代外科手術時使用的常規藥物，同樣也是透過了解顛茄如何影響人體運作後問世，這種藥物除了能預防術後併發症，甚至還能治療在化學戰中受害的士兵。由此可知，化學物質的本質沒有好壞之分，它只是一種化學物質。造成差異的是使用這種化學物質的意圖：是要保護生命，或是奪去生命。

——本文摘自《毒藥的滋味：11種致命分子與使用它們的凶手》，2024 年 7 月，方舟文化，未經同意請勿轉載。

前面幾章都在談元素週期表，但還有一個重要面向沒有提到。為什麼有這麼多元素週期表出版，而且為什麼現在的教科書、文章、網路，提供這麼多種元素週期表？有沒有「最理想的」元素週期表？追求最理想的元素週期表有意義嗎？如果有，我們在找出一份最佳週期表的過程中取得那些進展？

種類數量可觀的元素週期表

愛德華．馬蘇爾斯（Edward Mazurs）關於週期表歷史的經典著作中，收錄自一八六○年代首張元素週期表繪出以來，大約七百張的元素週期表。

馬蘇爾斯的書本出版已過了四十五年左右；之後，期間至少又有三百張週期表問世，如果再加上網路上發表的就更多了。為什麼會有這麼多元素週期表，這件事情需要好好解釋。當然，這些元素週期表中，許多並沒有新的資訊，有些從科學的觀點來看甚至前後矛盾。但即使刪除這些具有誤導性的表，留下的數量還是非常可觀。

元素週期表的變體：有圓形的還有立體的？

我們在第一章看過元素週期表的三個基本形式：短元素週期表、中長元素週期表、長元素週期表。這三類基本上都傳達差不多的訊息，但相同原子價（編按：原子的價數，金屬為正價、非金屬為負價）的元素，在這些表中有不同的分族。

此外，有些週期表不像我們一般認識的表格那樣四四方方。這種變體包括圓形和橢圓的週期系統，比起長方形的元素週期表，更能強調元素的連續性。不像在長方形的表上，在圓形或橢圓形的系統中，週期的結尾不會中斷，例如氖和鈉、氬和鉀。

但是，不像時鐘上的週期，元素週期表的週期長度不同，因此圓形元素週期表的設計者需要想辦法容納過渡元素的週期。例如本菲（Benfey）的元素週期表（圖 37），過渡金屬排列的地方從主要的圓形突出來。也有三維的元素週期表，例如來自加拿大蒙特簍的費爾南多．杜福爾（Fernando Dufour）所設計的（圖 38）。

但我認為，這些變體都只是改變週期系統的描繪形式，它們之間並無根本上的差異。稱得上重要變體的，是將一個或多個元素放在和傳統元素週期表中不同的族。討論這點之前，我先談談元素週期表一般的設計。

元素週期表的概念好像很簡單，至少表面上是，因此吸引業餘的科學家大展身手，發展新的版本，也常宣稱新的版本某些地方比過去發表的更好。

當然，過去有過幾次，化學或物理學的業餘愛好者或外行人做出重大貢獻。例如第六章提過的安東．范登．布魯克，他是經濟學家，也是首先想到原子序的人，他在《自然》等期刊發展這個想法。另一個人是法國工程師夏爾．雅內（Charles Janet），他在一九二九年發表「左階式元素週期表」（Left-step periodic table），後來持續受到週期表的專家和業餘愛好者的關注（圖 39）。

「理想」的追求

那麼，追求最理想的元素週期表真的有意義嗎？我認為，這個問題的答案取決於個人對週期系統的哲學態度。一方面，如果一個人相信，元素性質近似重複的現象是自然世界的客觀事實，那麼他採取的態度是實在論。對這樣的人而言，追求最理想的元素週期表非常合理。最能代表化學週期性事實的就是最理想的元素週期表，即便這樣的表還沒制訂出來。

另一方面，工具論者或反實在論者看待元素週期表，可能會認為元素的週期性是人類強加給自然的性質。若是如此，就不必熱切尋找最理想的元素週期表，畢竟這種東西根本不存在。對約定俗成論者或反實在論者來說，元素究竟如何呈現並不重要，因為他們相信我們處理的，不是元素之間的自然關係，而是人造關係。

——本文摘自《【牛津通識課10】元素週期表：複雜宇宙的簡潔圖表》，2023 年 4 月，日出出版，未經同意請勿轉載。