「閃開，讓專業的來，嗶」會檢測蔬果成熟的採收機器人

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

今天來分享我們用 notion 做知識管理的實作過程與心得，不過，我們發現這樣還不夠用，生為 AI 懶人 YOUTUBER，最好有天上掉下來的題目跟素材，所以還串了 zapier 做自動化 AI 新聞收集！

不過在分享實做過程跟心得前，想先跟大家分享我跟 AJ 有在用的筆記工具，這樣你會知道為什麼我們最後選擇用 notion 了。

如果你只想看 notion 自動收集資料，可以直接下滑教學。

Notion

首先是 notion 端，我們先把 papaya 的模板 複製過來。

調整一下資料表格式，後面主要會用到的是名稱、URL、標籤、狀態。

首先，我們先點選標籤，

新增你想要自動化的youtube頻道名稱。

然後到狀態，把原本 index 改名成 youtube 自動串連。

這樣就完成 notion 端的設定。

Zapier

接著來到 zapier，登入後點 create。

進到自動化流程的編輯畫面，你會看到上面有一個 AI 協作的對話框。

輸入「特定 youtube channel 發布影片後，會把影片標題跟連結傳送到 notion 的資料庫」

這樣流程 flow 就出來啦！

如果 AI 給你的長這樣，要把中間的 get report 刪除。

這邊簡單說一下，畫面上看到的這一串，叫「flow」。

「flow」的最上面是「trigger 觸發器」，是啟動 flow 的條件，

其餘的叫「action」，trigger 觸發後會依序執行下面的 action。

我們先點進第一個 trigger 進行設定，

在這邊確認 event 是 new video in channel。

然後在 account 這邊，串聯你的 youtube 帳號，用哪個沒差，除非你是頻道主要觀察自己的數據。

接下來就到了重頭戲 trigger 啦，這邊要填的是 channel ID。

提醒，channel ID 不是網址後面這串，

你可以到想要抓的頻道首頁，按 ctrl+U 開啟原始碼，再按 ctrl+F 尋找這串文字，

後面那串亂碼就是 channel ID 了。

貼回去按 refresh，

如果有成功抓到，下面的 countinue 就會亮起來，

按下去進到測試頁面 test trigger 按下去。

成功的話，你就會看到他把影片資料抓過來嘍，下面是選後面用的測試資料，選哪個都可以，選完點 countiune。

就會進到 notion 設定，確認一下 event 的設定是不是 create database item，

確認完按下一步，account 這邊設定連接到你的 notion 帳號，連完一樣按下一步。

重頭戲又來啦，action 這邊是設定 youtube 資料要怎麼存進 notion？

我們先點開 database，選擇剛剛整理過的資料庫，

然後就會跑出很收熟悉的選項，沒錯，這就是剛剛在notion設定好的資料表欄位，現在只要告訴他要把資料放入哪個欄位就好。

名稱，放影片的 title。

標籤，放剛剛設定好的頻道名稱標籤。

URL，就選影片連結的 URL。

狀態選 youtube 自動串連。

這樣新影片就會出現在 notion 頁面的左邊自動呈現囉。

這樣就完成啦，又可以點 countinue 了，不過我自己還會在 content 這個欄位選 description，把影片描述也放入 notion。

點完 countine 進入測試環節，

按 test step。

成功的話，就會看到 test step 變成 publish，

這時回去看 notion 的資料庫，你會發現多一筆剛剛測試的數據。

最後按下 publish，這樣就完成啦。

之後就坐等別人發片，再跟風就好！想企劃就是這麼簡單。

結語

最後來分享一下實做心得吧！

這次實做讓我體會到 notion 的美妙之處，之前都單純把他當成昇級版的 evernote，但跟 Zapier 之類的自動化服務串聯後，馬上變成不同檔次的東西，集前台後台於一身，甚至還能做網站！

這自由度真的是只有想不到，沒有做不到，沒程式基礎的人也能輕鬆入門，難怪會紅。

最後，想問大家會想用 notion 跟 zapier 來做什麼呢？

如果看到有趣的留言，我會試著做做看，有其他想要看的 AI 工具測試或相關問題，也可以留言分享喔！

如果喜歡這支影片的話，也別忘了按讚、訂閱，加入會員，我們下集再見～掰！

更多、更完整的內容，歡迎上泛科學院的 youtube 頻道觀看完整影片，並開啟訂閱獲得更多有趣的資訊！

上次 notion + zapier 做完後，開會總算沒挨罵了，自動化服務真的讚！

而這次介紹 MAKE 串 LINE 做重要信件通知，也源自於我遇到的問題。

如果你不想聽故事，可以往下看教學。

Line Notify

首先，我們會用到 line notify 的服務，要先到官網登入申請。

登入後如果完全沒用過，會直接進到登錄服務畫面。

這邊除了 email 以外可以隨便填，email 之後要收確認信用的，請用你常用的 email。 然後提醒一下，網址跟 callback URL 不要用 google 之類常見的網址，會沒辦法通過，請隨便打一串看起來正常的網址。

設定完成後按登錄。

這時回去剛剛填的 email 收通知信，開通剛設定好的 line notify。

大功告成，這時點右上角的「管理登入服務」，就會看到剛剛設定好的 line notify，這樣 line 的部分就設定好了，可以去 make 做自動化串連。

Make

接著登入 make，如果是第一次使用，他會問你很多廢話。

不用管他隨邊點，直到你看到這個畫面。

點右上角 creat a new senario。

一進去會看到的這個圓圈，這個圓圈跟之前 Zapier 說的 trigger 是一樣的東西，可以手動自己設定流程 flow。

但我們還是叫 AI 幫我們啦，點右下角的 AI Assistant，對話框選選 creat or edit a senario。

輸入「if my gmail get a new email, then send LINE notification」

然後得到畫面上的 flow，左邊是 Gmail watch email，右邊是 line send a notification。

如果你用中文輸入類似的內容，常會跑出很複雜的 flow，這種 flow 裡面有很多有趣的功能。

但這集用不到，我們還是先回到正確的 flow 上。

點開 gmail，連上要整理的信箱。

連接完成後進入設定，先點選藍色的 click here to choose folder。

這邊會出現你在 gmail 裡做的標籤分類，由於我完全沒有按照規則整理，就直接選 inbox，對所有郵件進行分析。

filter type 用 simple filter。

下面的 Criteria 選 all emails 就好了，我們後面會再用 filter 細分。

然後這個，選 no。

選擇 yes 會把偵測過的 email 變成已讀，我不想這樣。

然後這邊是每次執行 flow 時，會抓取多少筆最新的 email 到 line 上發布通知。

免費的 make 是 15 分鐘執行一次 flow，請自己評估每 15 分鐘會收到多少封有用的信件，設定太多你的 LINE 通知會炸裂。

我自己測試後，設定為 5 就差不多了。

設定好點下 OK，會跳出從哪封 email 開始抓資料，用 from now on 就好，之後的新郵件就會自動讀取了。

按下OK，接下來就可以來設定 filter 啦。

點連接線旁邊的板手會跳出選單，選第一個 set up a filter。

進入 filter 設定畫面，上面的 label 是幫這個 filter 上標籤，填你喜歡的就好。

然後點 condition 下面的輸入框，選 subject 標題跟 text content 內文。

然後在 text operator 這裡，選擇 contains。

contains 是在特定字串中如果包含某個關鍵字，就可以通過。

這邊說的特定字串，就是上面欄位設定的標題跟內文。

接下來，在下面空格打上關鍵字，就完成啦。

如果有多個關鍵字要篩選，點選 add OR rule 設定其他關鍵字，不能多個關鍵字打在一起。

按下OK，你會看到板手變成一個漏斗，這樣 filter 就設定完成。

接著點開 line，他會要你輸入 notify API。

回到 line notify 的「管理登入服務」頁面，點擊剛剛設定好的服務，進入服務細節的頁面，複製上面的 client ID。

回到 Make 複製貼上按SAVE。

接著會進到這個頁面，這邊是設定你要在哪個聊天室發送通知，你可以設定在工作群組發送，我這邊先設定我自己就好。

然後進入 line 推播訊息的設定頁面。

message 這欄可以打成這樣，這樣就不會丟一個不知道在做什麼訊息，你也可以發揮創意寫一些幹話進去，增添趣味。

下面的設定用不到，我們直接按OK就完成了。

接下來就要測試啦，我先分別寄三封信件到公用信箱中，分別是：

1. 標題有關鍵字
2. 內文有關鍵字
3. 沒有關鍵字

寄完後，按下 run once。

成功的話就會在 line 上收到通知，果然，沒有把不含關鍵字的信件傳到 line 上，測試成功。

現在把下面的 scheduling 打開，就完成所有設定了。

以後再也不用擔心自己漏接公用信箱的重要信件啦！

結論

最後分享一下實做心得：

比起 zapier 跟 ifttt，make 用起來更有寫程式的感覺，對完全沒有程式背景的人，Zapier 跟 ifttt 會比較好上手，但在免費版的情況下，make 能做到比 zapier 更複雜的自動化功能。

像前面有出現過的複雜流程圖，就可以用 router 做出複數條件判斷的流程，例如前面抓gmail的流程，加上 router 後就不只能傳送提醒到line，還能自動回復罐頭訊息給符合條件的郵件，這如果要在zapier做，就要做兩個流程才能達成了。

另外如果你的公司信箱不是使用Gmail，前面的模組可以從Gmail改成Email，Connection type選用Microsoft系列。

理論上只要這邊按 save，就可以選擇你要串連的microsoft帳號。我串完之後還是抓不到信件，但 make 跟 microsoft 帳戶上，都顯示授權成功，如果有人知道這是什麼問題，請一定要留言告訴我⋯⋯

這次的分享就到這邊，如果有其他想看的 AI 工具測試或相關問題，可以直接留言 ，或給加入 Discord 跟我們一起討問喔。

如果喜歡這支影片的話，也別忘了按讚、訂閱，加入會員，我們下集再見～掰！

更多、更完整的內容，歡迎上泛科學院的 youtube 頻道觀看完整影片，並開啟訂閱獲得更多有趣的資訊！