關於 引擎止漏劑 ，我們在網路上蒐集到這些相關的討論、資訊與評價

你人生真正需要的東西很可能只是試著彈奏一架無法彈奏的鋼琴

這故事發生於一九七五年一月底

一位名叫薇拉·布蘭德斯的17歲德國女孩
走上了科隆歌劇院的舞台。

觀眾席空無一人。

黑暗的空間裡，
只有緊急出口的綠色標誌亮著。

這是薇拉生命中最激動的時刻。
她是德國最年輕的演奏會經紀人，
她說服了科隆歌劇院
舉辦美國音樂家凱斯·傑瑞特的
晚間爵士樂演奏會。

1400位聽眾即將到場。

幾個小時後，
傑瑞特就會走向這個舞台，
他坐在鋼琴邊
無需綵排或是散頁樂譜，
他會開始即興演奏。

但現在，
薇拉向凱斯展示的鋼琴出了些問題，
事情進展不順利。

傑瑞特謹慎地看著樂器，
彈奏了幾個小片段，
繞著它轉了轉，
又彈奏了幾個小片段，
跟他的製作人嘟囔了些什麼。

製作人走到薇拉跟前說
如果沒有辦法送來一台新鋼琴，
凱斯會取消演奏。

一定發生了錯誤。
歌劇院提供了錯誤的樂器。
這台鋼琴的高音部
劣質而且刺耳，
因為鋼琴內部的毛氈磨損嚴重。
黑鍵粘粘的，白鍵走調了。

踏板無法使用
鋼琴的尺寸也太小了。
它無法發出
能夠填滿科隆歌劇院這樣
寬敞空間的聲音。

於是凱斯·傑瑞特離開了。
他站在他的車邊，
留下薇拉·布蘭德斯
撥打電話試圖尋找 一台能夠替代的鋼琴。

她找到了一個鋼琴調音師，
但她無法拿到新的鋼琴。
她走到外面站在雨中，
和凱斯·傑瑞特說話，
拜託他不要取消演奏會。

他看著車外
這個被雨淋著渾身濕透的
德國年輕人，
內心有些同情，
隨後說道，
永遠別忘了
沒有取消演奏
一切只是為了你

幾小時後，
傑瑞特走上歌劇院的舞台，
他坐在這台
無法達到演奏標準的鋼琴面前
開始了他今晚的演出

很快就發現奇蹟正在發生。
傑瑞特避免了高音區，
他專注在鍵盤的中間區域，
這給了曲子一個舒緩，
音效環繞的品質。

但同時，因為鋼琴如此平靜，
他必須在低音區製造
重複出現的隆隆聲。
他站起身旋轉，重擊琴鍵，
拼命地想製造足夠的音量
讓後排的觀眾也能聽到。

這是個令人興奮地演出
卻有著這樣平靜的質感，
同時又飽含能量，富有活力，
聽眾太愛這場演出了。

聽眾持續保有熱情
因為科隆演奏會的錄音
是歷史上最暢銷的鋼琴專輯
也是歷史上最暢銷的個人爵士專輯。

凱斯·傑瑞特遇到了一個麻煩。
他包容了這個麻煩，
讓麻煩變成了崛起的創意。

但是，讓我們想一想
傑瑞特最初的反應。
他不想演出了。

當然，他有足夠理由取消表演，
我想我們中的每個人，
在任何相似的情況下，
會有同樣的感受，
我們會有同樣的反應。

我們不想被要求
用糟糕的工具做好工作。
我們不想克服不必要的麻煩。
但是傑瑞特的直覺錯了，
感謝上帝他改變了主意。

我想我們的直覺也是錯的。
我想我們需要更多的感激
那些需要面對小麻煩的
出人意料的優勢。

讓我給你們提供一些例子
來自認知心理學
來自複雜性科學
來自社會心理學
以及當然，搖滾樂。

首先，認知心理學。
長久以來我們知道
某些困難， 某些障礙，
能夠促使我們提高表現力。

比如，心理學家丹尼爾·奧本海默，
數年前， 與高中老師合作。
他請他們革新正在上課的一些講義。

普通的教案以一種很直接的方式，
像是赫維提卡字體或是新羅馬體。
但是超半數的學生會拿到
標準的講義
用一種加深顏色的嚴肅字體，
像是Haettenschweiler，
或者是增添興趣的字體，
像是斜體的Comic Sans。

現在，這些事很醜的字體，
也很難閱讀。
但在學期末，學生們進行了測試，
那些被要求閱讀
更加難懂的字體的學生，
事實上在考試中表現更好，
很多學科都是這樣。
原因是，難懂的字體拖慢了他們的速度，
逼迫他們更加努力學習，
更審慎思考他們所讀的內容，
來解讀它，因此他們學到了更多。

另一個例子。
心理學家謝麗·卡森
給哈佛大學的大學生做測試
來研究他們的專注力的過濾能力。
那是什麼意思呢？

我是說，想像你在一間餐廳裡，
你正在進行一場對話。

餐廳裡還有很多別的
正在進行中的對話，
你會過濾它們，
你想要專注於對你來說重要的對話。

你能做到嗎？
如果你能，那說明你有
很好地很強的注意力過濾能力。
但是很多人真的在
為這樣的能力奮鬥著。

卡森測試的一部分大學生
就為這樣的能力掙扎。

他們有較弱的過濾能力，
他們的過濾機制有漏洞，
讓很多外部的資訊進入。

那就意味著，他們時常被干擾
被周圍的畫面和聲音干擾。
如果他們在寫作的時候
旁邊有一台正在播放的電視機，
他們無法把電視機的干擾過濾出去。

現在，你會想這是不利的狀態
但不是這樣的。

當卡森查看這些學生的表現時，
那些過濾能力弱的
極大程度上更可能
在他們的人生中
創作出真正的里程碑，
出版他們的第一本小說，
發第一張唱片，
這些外部的干擾真正
引發了他們的創意工廠。
　
　
他們因此能夠跳出盒子思考問題
因為他們的盒子上全是小洞。
　
　
讓我們來說說複雜性科學。
你是如何解決一個真正複雜問題的
這個世界充滿了複雜的問題
你要如何解決一個真正複雜的問題？
　
　
比如，你要試圖製造飛機引擎，
面對很多很多不同的變量、
運作溫度、材料、 所有不同的維度、形狀。
你無法一次性解決所有的問題，
這太艱難了。
　
你要怎麼做呢？
　
　
你所能做的
就是試圖一步步解決它。
　
　
你有了最初的樣本
然後你改進它，實驗，
然後提高它的質量。
再改進，實驗，提高質量。
　
　
這樣的邊際增益的概念
最終能讓你完成一個性能優良的飛機引擎，
這樣的做事方式在世界上很常見。
　
　
你會在比如說，
高強度自行車運動練習中
見到這樣的過程
　
　
網頁設計師會討論
試圖優化他們的網站，
　
　
他們都在尋找著
這樣一步步的收穫。
　
　
這是解決複雜問題的好方法。
但你知道有什麼能夠讓它更好嗎？
　
　
一些混亂和不確定的因素。
　
　
你在過程開始的時候，
加入不確定性
　
你做出瘋狂的舉動，
根本不可能成功的蠢事，
這都會使問題解決方法效果更好。
　
原因在於一步一步的過程
問題在於「邊際增益」
是它們引導你走到死胡同。

如果你開始就很隨意，
結果就會變得不同，
你的問題解決過程會更加高效。
　
　
讓我們從社會心理學角度分析。
　
心理學家凱瑟琳．飛利浦
和她的同事們，
近期向學生們提出了怪誕的的謀殺問題，

這些學生編成四人一組
學生們拿到關於謀殺的檔案
不在場證明和證據、
證人的證詞和三個嫌疑犯。

他們需要找出真兇是誰，
誰為這場謀殺案負責。

這項實驗有兩個項目。
在一些案例中，有四個友人，
他們都非常了解對方。
在另一些案例中，
是三個友人和一個陌生人。

一會兒你就會了解到
我這麼做的意義。

很明顯，我要說的是
那些由三個友人一個陌生人組成的小組
更高效地解決了問題，
這是真的，他們確實做到了。

事實上，他們解決問題的效率非常高。
那些由四個友人組成的小組，
他們只有50﹣50的幾率
來得出正確答案。
這聽起來確實不那麼好

三個友人和一個陌生人，
即使陌生人沒有獲得額外的資訊，
即使是在如何對話以防止尷尬，

三個友人和一個陌生人的組合，
有 75％ 的機會能夠找到正確的答案。
那是一個很大的超越。

但我覺得真正有趣的
不是三個友人和一個陌生人的組合
可以完成得更好，
而是他們對這次活動的感受。

當凱瑟琳．飛利浦詢問
四個友人組合的感受時，
他們相處很愉悅，
他們也認為自己做得很好。
他們很滿足。

當她詢問
三個友人一個陌生人組合時
他們並沒有很愉快
有點兒困難，有些尷尬
他們充滿了疑慮。

他們不認為自己完成得很好
即使他們確實完成得很好。

我想這個例子很適合
拿來討論今天我們面對的難題。

因為確實是如此，
難看的字體，尷尬的陌生人，
那些不確定性
這些打擾我們的事情
幫助我們解決問題，
它們讓我們更加有創意。
但我們感受不到它們的幫助。

我們認為它們是路上的障礙
所以我們反抗。

這就是為什麼
我接下來的最後一個例子
如此重要。

我想要談到某個人
他的背景是搖滾樂。

你也許知道他是誰，
他是一個 TED 迷。
他的名字是布萊恩．伊諾。

他是一個著名音樂製作人
非常傑出有才華的一個人。

他同時也是一種催化劑
催化了過去 40 年裡
很多搖滾巨作的產生。

他和大衛．鮑伊合作歌曲《Heroes》，
他和 U2 合作歌曲《Achtung Baby》
他和 DEVO 合作，
和酷玩樂團 Coldplay 合作，
他跟很多人合作。

他做了什麼讓這些搖滾樂團更加好呢？

嗯，他刻意製造麻煩。
他干擾他們的創意過程。
他的角色就是一個尷尬的陌生人。

他存在就是為了告訴他們
他們必須要彈奏無法演奏的鋼琴。

他製造這些干擾的一個方式就是
通過這一疊紙牌
我手中的這疊是簽名版
謝謝你，布萊恩。

這是迂迴戰術，
他和一個朋友一起發明了這個。
當他們在工作室文思枯竭的時候，
布萊恩．伊諾拿出牌中的一張。

他會任意選一張，
然後讓樂隊根據卡片上的引導。
這一個 「改變彈奏的樂器。」

是的，每個人都交換樂器
鼓手來彈鋼琴
太棒了，太棒的主意了。

「仔細研究最尷尬的細節。 然後放大它們。」
「做出突然地，具有毀滅性的，
無法預測的反應。合併它們。」

這些卡片負責製造各種混亂。

現在，它們通過一張張唱片
證實了自己的價值所在。
音樂家非常厭惡它們，恨之入骨。

在布萊恩．伊諾早期的一張唱片裡
菲爾．柯林斯是鼓手。
他有強烈的挫敗感
於是開始在工作室裡扔啤酒罐。

卡洛斯．阿洛馬，
偉大的搖滾吉他手，
和伊諾一起工作
製作大衛．鮑伊的唱片《Lodger》

在某個時刻，
他轉向布萊恩說到，
「布萊恩，這個實驗很愚蠢。」

但是，這是一張很好的唱片，
不過，卡洛斯．阿洛馬，
35 年後，依然使用迂迴戰術。

他告訴他的學生們
來使用迂迴戰術，
因為他意識到了一些事。

你不喜歡它並不代表
它不能幫助你。

這個戰術實際上
原本並不是一疊紙牌，
它們是一個列表
貼在工作室墻上。

一張清單寫著，
當你思路停滯的時候
你能嘗試的事。

這張清單一點作用也沒有。

知道是為什麼嗎？
它不夠混亂。

你會由上而下看這張清單
然後選擇最不混亂的，
最少麻煩的的那條，
這當然完全沒有抓住要點。

布萊恩．伊諾意識到，
是的，我們需要進行愚蠢的實驗，
我們需要和尷尬的陌生人相處，
我們要試著閱讀難看的字體。
這些事幫助了我們。

它們幫助我們解決問題，
它們幫助我們更加具有創造力。
但同時，如果我們通過一些勸說
來接受這樣的事情。

無論我們如何做
無論它是純粹的意志力，
無論是輕彈一張卡片，
或者是一場德國年輕人內疚的旅程，

我們所有人，總有這樣的時刻，
需要坐下來，試著彈奏無法彈奏的鋼琴。

謝謝大家。

煩亂如何激發創意 / Tim Haford 的 TED 演說

我是銀色快手，很高興認識你。
願宇宙先生的能量與我們同在。
如果你喜歡這個故事請分享給你的朋友
並邀請三位好友加入
「設計你的每一天」豐盛生活共學社團

迎接終端AI新時代：讓運算更靠近資料所在

作者 : Andrew Brown，Strategy Analytics
2021-03-03

資料/數據(data)成長的速度越來越快。據估計，人類目前每秒產出1.7Mb的資料。智慧與個人裝置如智慧型手機、平板電腦與穿戴式裝置不但快速成長，現在我們也真正目睹物聯網(IoT)的成長，未來連網的裝置數量將遠遠超越地球的人口。

這包括種類繁多的不同裝置，像是智慧感測器與致動器，它們可以監控從震動、語音到視覺等所有的東西，以及幾乎大家可以想像到的所有東西。這些裝置無所不在，從工廠所在位置到監控攝影機、智慧手錶、智慧家庭以及自主性越來越高的車輛。隨著我們企圖測量生活週遭數位世界中更多的事物，它們的數量將持續爆炸性成長。

資料爆量成長，讓許多企業把資料從內部部署運作移到雲端。儘管集中到雲端運算的性質，在成本與資源效率、彈性與便利性有它的優點，但也有一些缺點。由於運算與儲存在遠端進行，來自終端、也就是那些在網路最邊緣裝置的資料，需要從起始點經過網際網路或其他網路，來到集中式的資料中心(例如雲端)，然後在這裡處理與儲存，最後再傳回給用戶。

對於一些傳統的應用，這種方式雖然還可以接受，但越來越多的使用場景就是無法承受終端與雲端之間，資訊被接力傳遞產生的延遲。我們必須即時做出決策，網路延遲要越小越好。基於這些原因，開始有人轉向終端運算；越來越多人轉而使用智慧終端，而去中心化的程度也越來越高。此外，在這些即時應用中產生的龐大資料量，意味著處理與智慧必須在本地以分散的方式進行。

與資料成長連袂而來的，是人工智慧與機器學習(ML)也朝終端移動，並且越來越朝終端本身移動。大量來自真實世界的資訊，需要用ML的方式來進行詮釋與採取行動。透過AI與ML，是以最小的延遲分析影像、動作、影片或數量龐大的資料，唯一可行且合乎成本效益的方式。運用AI與ML的演算法與應用將在邊緣運作，在未來還將會直接在終端裝置上進行。

資料正在帶動從集中化到分散化的轉變

隨著資訊科技市場逐漸發展與成熟，網路的設計以及在其運作的所有裝置，也都跟著進化。全盛時期從服務數千個小型客戶端的主機，一直到客戶端伺服器模型中使用的越來越本地化的個人電腦運算效能，基礎架構持續重組與最佳化，以便更貼近網路上的裝置以及符合運作應用的需求。這些需求包含檔案存取與資料儲存，以及資料處理的需求。

智慧型手機與其他行動裝置的爆炸性成長，加上物聯網的快速成長，促使我們需要為如何讓資產進行最佳的部署與安排進行評估。而影響這個評估的因素，包括網路的可用性、安全性、裝置的運算力，以及把資料從終端傳送到儲存設備的相關費用，近來也已轉向使用分散式的運算模型。

從邊緣到終端：AI與ML改變終端典範

在成本、資源效率、彈性與便利性等方面，雲端有它的優點，裝置數量的急遽增加(如圖2)，將導致資料產出量大幅增加。這些資料大部份都相當複雜且非結構化的，這也是為何企業只會分析1%~12% 的資料的原因之一。把大量非結構化的資料送到雲端的費用相當高、容易形成瓶頸，而且從能源、頻寬與運算力角度來看，相當沒有效率。

在終端執行進階處理與分析的能力，可協助為關鍵應用降低延遲、減少對雲端的依賴，並且更好地管理物聯網產出的巨量資料。

終端AI：感測、推論與行動

在終端部署更多智慧的主要原因之一，是為了創造更大的敏捷性。終端裝置處於網路的最邊緣與資料產生的地方，可以更快與更準確地做出回應，同時免除不必要的資料傳輸、延遲與資料移動中的安全風險，可以節省費用。

處理能力與神經網路的重大進展，正協助帶動終端裝置的新能力，另一股驅動力則是對即時資訊、效率(傳送較少的資訊到雲端)、自動化與在多數情況下，對近乎即時回應的需求。這是一個三道步驟的程序：傳送資料、資料推論(例如依據機器學習辨識影像、聲音或動作)，以及採取行動(如物件是披薩，冰箱的壓縮機發出正常範圍外的聲音，因此發出警告)。

感測

處理器、微控制器與感測器產生的資料量相當龐大。例如，自駕車每小時要搜集25GB的資料。智慧家庭裝置、智慧牙刷、健身追蹤器或智慧手錶持續進化，並且與以往相比，會搜集更多的資料。

它們搜集到的資料極具價值，但每次都從各個終端節點把資料推回給雲端，數量又會過多。因此必須在終端進行處理。倘若部份的作業負載能在終端本身進行，就可以大幅提升效率。

推論

終端搜集到的資料是非結構性的。當機器學習從資料擷取到關聯性時，就是在進行推論。這表示使用AI與ML工具來幫忙訓練裝置辨識物件。拜神經網路的進展之賜，機器學習工具越來越能訓練物件以高度的精準度辨識影像、聲音與動作，這對體積越來越小的裝置，極為關鍵。

例如，圖4顯示使用像ONNX、PyTorch、Caffe2、Arm NN或 Tensorflow Lite 等神經網路工具，訓練高效能的意法半導體(ST)微控制器(MCU)，以轉換成最佳化的程式碼，讓MCU進行物件辨識(這個的情況辨識對象是影像、聲音或動作)。更高效能的MCU越來越常利用這些ML工具來辨識動作、音訊或影像，而且準確度相當高，而我們接下來馬上就要對此進行檢視。這些動作越來越頻繁地從邊緣，轉移到在終端運作的MCU本身。

行動

資料一旦完成感測與推論後，結果就是行動。這有可能是回饋簡單的回應(裝置是開啟或關閉)，或針對應用情況進行最佳化(戴耳機的人正在移動中，因此會針對穩定度而非音質進行最佳化)，或是回饋迴路(根據裝置訓練取得的機器學習，輸送帶若發出聲音，顯示它可能歪掉了)。物聯網裝置將會變得更複雜且更具智慧，因為這些能力提升後，運算力也會因此增加。在我們使用新的機器學習工具後，一些之前在雲端或終端完成的關鍵功能，將可以移到終端本身的內部進行。

終端 AI：千里之行始於足下

從智慧型手機到車輛，今日所有電子裝置的核心都是許多的處理器、微控制器與感測器。它們執行各種任務，從最簡單到最複雜，並需要各式各樣的能力。例如，應用處理器是高階處理器，它們是為行動運算、智慧型手機與伺服器設計；即時處理器是為例如硬碟控制、汽車動力傳動系統，與無線通訊的基頻控制使用的非常高效能的處理器，至於微控制器處理器的矽晶圓面積則小了許多，能源效率也高出很多，同時擁有特定的功能。

這意味著利用ML工具訓練如MCU等較不複雜元件來執行的動作，之前必須透過威力更強大的元件才能完成，但現在邊緣與雲端則是理想的場所。這將讓較小型的裝置以更低的延遲執行更多種類的功能，例如智慧手錶、健康追蹤器或健康照護監控等穿戴式裝置。

隨著更多功能在較小型的終端進行，這將可以省下資源，包括資料傳輸費用與能源費用，同時也會產生極大的環境衝擊，特別是考量到全球目前已有超過200億台連網裝置，以及超過2,500億顆MCU(根據Strategy Analytics統計數據)。

TinyML、MCU與人工智慧

根據Google的TesnsorFlow 技術主管、同時也是深度學習與TinyML領域的指標人物 Pete Warden 表示：「令人相當興奮的是，我還不知道我們將如何使用這些全新的裝置，特別是它們後面代表的科技是如此的吸引人，我無法想像那些即將出現的全新應用。」

微型機器學習(TinyML)的崛起，已經催化嵌入式系統與機器學習結合，而兩者傳統上大多是獨立運作的。TinyML 捨棄在雲端上運作複雜的機器學習模型，過程包含在終端裝置內與微控制器上運作經過最佳化的模式識別模型，耗電量只有數毫瓦。

物聯網環境中有數十億個微型裝置，可以為各個產業提供更多的洞察與效率，包括消費、醫療、汽車與工業。TinyML 獲得 Arm、Google、Qualcomm、Arduino等業者的支持，可望改變我們處理物聯網資料的方式。

受惠於TinyML，微控制器搭配AI已經開始增添各種傳統上威力更強大的元件才能執行的功能。這些功能包括語音辨識(例如自然語言處理)、影像處理(例如物件辨識與識別)，以及動作(例如震動、溫度波動等)。啟用這些功能後，準確度與安全性更高，但電池的續航力卻不會打折扣，同時也考量到各種更微妙的應用。

儘管之前提到的雲端神經網路框架工具，是取用這個公用程式最常用的方法，但把AI函式庫整合進MCU，然後把本地的AI訓練與分析能力插入程式碼中也是可行的。這讓開發人員依據從感測器、麥克風與其他終端嵌入式裝置取得的訊號導出資料模式，然後從中建立模型，例如預測性維護能力。

如Arm Cortex-M55處理器與Ethos U55微神經處理器(microNPU)，利用CMSIS-DSP與CMSIS-NN等常見API來簡化程式碼的轉移性，讓MCU與共同處理器緊密耦合以加速AI功能。透過推論工具在低成本的MCU上實現AI功能並符合嵌入式設計需求極為重要，原因是具有AI功能的MCU有機會在各種物聯網應用中轉變裝置的設計。

AI在較小型、低耗電與記憶體受限的裝置中可以協助的關鍵功能，我們可以把其精華歸納至我們簡稱為「3V」的三大領域：語音(Voice，如自然語言處理)、視覺(Vision，如影像處理)以及震動(Vibration，如處理來自多種感測器的資料，包括從加速計到溫度感測器，或是來自馬達的電氣訊號)。

終端智慧對「3V」至關重要

多數的物聯網應用聚焦在一些特定的領域：基本控制(開/關)、測量(狀態、溫度、流量、噪音與震動、濕度等)、資產的狀況(所在地點以及狀況如何？)，以及安全性功能、自動化、預測性維護以及遠端遙控(詳見圖 6)。

Strategy Analytics的研究顯示，許多已經完成部署或將要部署的物聯網B2B應用，仍然只需要相對簡單的指令，如基本的開/關，以及對設備與環境狀態的監控。在消費性物聯網領域中，智慧音箱的語音控制AI已經出現爆炸性成長，成為智慧家庭指令的中樞，包括智慧插座、智慧照明、智慧攝影機、智慧門鈴，以及智慧恆溫器等。消費性裝置如藍牙耳機現在已經具備情境感知功能，可以依據地點與環境，在音質優先與穩定度優先之間自動切換。

如同我們檢視的結果，終端AI可以在「3V」核心領域提供價值，而它觸及的許多物聯網領域，遍及B2B與B2C的應用：

震動：包含來自多種感測器資料的處理，從加速計感測器到溫度感測器，或來自馬達的電氣訊號。
視覺：影像與影片辨識；分析與識別靜止影像或影片內物件的能力。
語音：包括自然語言處理(NLP)、瞭解人類口中說出與寫出的語言的能力，以及使用人類語言與人類交談的能力-自然語言產生(NLG)。
垂直市場中有多種可以實作AI技術的使用場景：

震動

可以用來把智慧帶進MCU中的終端AI的進展，有各式各樣的不同應用領域，對於成本與物聯網裝置與應用的效用，都會帶來衝擊。這包括我們在圖6中點出的數個關鍵物聯網應用領域，包括：

溫度監控；
壓力監控；
溼度監控；
物理動作，包括滑倒與跌倒偵測；
物質檢測(漏水、瓦斯漏氣等) ；
磁通量(如鄰近感測器與流量監控) ；
感測器融合(見圖7)；
電場變化。

一如我們將在使用場景單元中檢視的，這些能力有許多可以應用在各種被普遍部署的物聯網應用中。

語音

語音是進化的產物，也是人類溝通非常有效率的方式。因此我們常常想要用語音來對機器下指令，也不令人意外；聲音檢測是持續成長的類別。語音啟動在智慧家庭應用中很常見，例如智慧音箱，而它也逐漸成為啟動智慧家庭裝置與智慧家電的語音中樞，如電視、遊戲主機與其他新的電器。

在工業環境中，供車床、銑床與磨床等電腦數值控制(CNC)機器使用的電腦語音引擎正方興未艾。iTSpeex的ATHENA4是第一批專為這些產品設計的語音啟動作業系統。這些產品往往因為安全原因，有離線語音處理的需求，因此終端 AI 語音發展在這裡也創造出有趣的機會。用戶可以指示機器執行特定的運作，並從機器手冊與工廠文件，立即取用資訊。

語音整合在車輛中也相當關鍵。OEM 代工廠商持續對車載娛樂系統中的語音辨識系統，進行大量投資。語音有潛力成為最安全的輸入模式，因為它可以讓駕駛的眼睛持續盯著道路，而雙手仍持續握著方向盤。

對於使用觸控螢幕或硬體控制器通常需要多道步驟的複雜任務，語音辨識系統特別能勝任。這些任務包括輸入文字簡訊、輸入目的地、播放特定歌曲或歌曲子集，以及選擇廣播電台頻道。其他的服務包含如拋錨服務(或bCall)與禮賓服務。

視覺

正如我們之前已經檢視過，終端 AI 提供視覺領域全新的機會，特別是與物件檢測及辨識相關。這可能包括觀察生產線的製造瑕疵，以及找出自動販賣機需要補貨的庫存。其他實例包括農業應用，例如依據大小與品質為農產品分級。

曳引機裝上機器視覺攝影機後，我們幾乎可以即時檢測出雜草。雜草冒出後，AI可以分類雜草並估算它對農產收穫的潛在威脅。這讓農民可以鎖定特定的雜草，並打造客製的除草解決方案。機器視覺然後可以檢測除草劑的效用，並找出農地中仍具抗藥性的殘餘雜草。

使用場景

預測性維護工具已經從擷取與比較震動的量測資料，進化到提出即時的資產監控。藉由連接物聯網感測器裝置與維護軟體，我們也可能做到遠端監控。

震動分析

這種類型的預測性維護在旋轉型機器密集的製造工廠裡，相當常見。震動分析可以揭露鬆脫、不平衡、錯位與軸承磨損等狀況。例如，把震動計量器接上靠近選煤廠離心泵浦內部承軸處，就可以讓工程師建立起正常震動範圍的基線。超出這個範圍的震動，可能顯示滾珠軸承出現鬆動，需要更換。

磁感測器融合

磁感測器利用磁性浮筒與一系列可以感應並與液體表面一起移動的感測器，測量液面的高低。所有的這些應用都使用一個固定面上的磁感測器，它與附近平面的磁鐵一起作動，與這個磁鐵相對應的感測器也會移動。

聲學分析(聲音)

與震動分析相似，聲測方位分析也是供潤滑技師使用，主要是專注在主動採取潤滑措施。這意味我們可以避免移動設備時產生的過度磨損，否則會為了修理造成代價高昂的停機。實際的例子可能包括測量輸送皮帶的承軸狀況。出現過度磨損時，承軸會因為潤滑不足或錯位出現故障，可能造成整個生產流程的中斷。

聲學分析(超音波)

聲音聲學分析雖然可以用來進行主動與預測性維護，超音波聲學分析卻只能用於預測性維護。它可以在超音波範圍內找出與機器摩擦及壓力相關的聲音，並使用在會發出較細微聲音的電氣設備與機器設備。我們可以說這一類型的分析與震動或油量分析相比，更可以預測即將出現的故障。目前它部署起來比其他種類的預防性維護花費較高，但終端 AI 的進展可以促成這種細微層級的聲學檢測，大幅降低部署的費用。

熱顯影

熱顯影利用紅外線影像來監控互動機器零件的溫度，讓任何異常情況很快變得顯而易見。具備終端 AI 能力的裝置，可以長期檢測微細的變化。與其他對事故敏感的監視器一樣，它們會觸發排程系統，自動採取適當的行動來預防零件故障。

消費者與智慧家庭

將語音運用在消費者與智慧家庭，是最常看到的場景之一。這包括智慧型手機與平板電腦上、未包含電話整合功能的裝置，例如螢幕尺寸有限的穿戴式裝置。這類型的裝置包含智慧手錶與健康穿戴式裝置，可以為各種功能提供免動手的語音啟動。像 Amazon 的 Echo 或 Google 的 Home 等智慧音箱市場的成長，說明消費者對於可接收與提供語音互動等現有裝置的強勁需求，與日俱增。

消費者基於各種理由使用智慧音箱，最常見的使用場景為：

聽音樂；
控制如照明等智慧家庭裝置；
取得新聞與天氣預報的更新；
建立購物與待辦事項清單。

除了像智慧音箱與智慧電視等消費裝置，智慧家庭裝置語音的使用，也顯現相當的潛力。諸如連網門鈴(如 ring.com)等裝置與連網的煙霧偵測器(例如 Nest Protect 煙霧與一氧化碳警報)目前都已上市可供消費者選購，它們結合了語音與視覺的感測器融合功能以及運動檢測。有了連網的煙霧偵測器，裝置在偵測到煙霧或一氧化碳時，可以發出語音警告。

終端 AI 為強化這些能力提供了全新機會，而且常常結合震動(動作)、視覺與語音控制。例如，增加姿態辨識來控制例如電視等家電，或是把語音控制嵌入白色家電，即是以最低成本強化功能性最直接的方式。

健康照護

用來發現醫護資訊的 AI 驅動終端裝置的應用，將為病況的治療與診斷，提供更多的價值。這種資訊可能是資料，也可能是影像、影片以及說出的話，我們可以透過 AI 進行型態與診斷分析。這些資料將引發全新、更有效的治療方法，為整個產業節省成本。受惠於終端 AI 的進展，像 Google Duplex 等語音系統的複雜性將會降低。例如門診預約等勞力密集的工作，也可以轉換成 AI 活動。利用自然語言語音來延伸 AI 的使用，也可以把 AI 用在第一線的病人診斷，然後再由醫師接手提供諮詢。

其他健康照護實例包括像 Wewalk5 等物件，這是一個供半盲與全盲人員使用的智慧拐杖。它使用感測器來檢測胸口水平以上的物件，並搭配 Google Maps 與 Amazon Alexa 等 app，方便使用者提出問題。

結論

由於連網的終端裝置數量越來越多，這個世界也越來越複雜。連接到網際網路的裝置已經超過 300 億個，而微控制器的數量也超過 2,500 億，每年還會增加約 300 億個。越來越多的程序開始進行自動化，不過，把大量資料傳送到雲端涉及的延遲以及邊緣運算的額外費用，意味著許多全新、令人興奮且引人矚目的物聯網使用場景，可能無法開花結果。

解決這些挑戰的答案，並不是為雲端資料中心持續增添運算力。降低出現在邊緣的延遲雖然會有幫助，但不會解決日益分散的世界的所有挑戰。我們需要把智能應用到基礎架構中。

儘管為終端裝置增添先進的運算能力在十年前仍不可行，TinyML 技術近來的提升，已經讓位處相當邊緣的裝置 (也就是終端本身)增添智能的機會大大改觀。在終端增加運算與人工智慧能力，可以讓我們在源頭搜集到更多更具關聯性與相關的資訊。隨著裝置與資料的數量持續攀升，在源頭掌握情境化與具關聯性的資料，具有極大的價值，並將開啟全新的使用場景與營收機會。

終端裝置的機器學習，可以促成全新的終端 AI 世界。新的應用場景正在崛起，甚至跳過傳送大量資料的需求，因而紓解資料傳輸的瓶頸與延遲，並在各種作業環境中創造全新機會。終端 AI 將為我們開啟一個充滿全新機會與應用場景的世界，其中還有很多我們現在想像不到的機會。

附圖：圖1：從集中式到分散式運算的轉變。
(資料來源：《The End of Cloud Computing》，by Peter Levine，Andreessen Horowitz)
圖2：全球上網裝置安裝量。
(資料來源：Strategy Analytics)
圖3：深度學習流程。
圖4：MCU的視覺、震動與語音。
(資料來源：意法半導體)
圖5：AI 工具集執行模型轉換，以便在MCU上執行經最佳化的神經網路推論。
(資料來源：意法半導體)
圖6：物聯網企業對企業應用的使用-目前與未來。
(資料來源：Strategy Analytics)
圖7：促成情境感知的感測器融合。
(資料來源：恩智浦半導體)

資料來源：https://www.eettaiwan.com/20210303nt31-the-dawn-of-endpoint-ai-bringing-compute-closer-to-data/?fbclid=IwAR0JTRpNsJUl-DmSNpfIcymGQpkQaUgXixEaczwDpELxGCaCeJpkTyoqUtI

感謝＃ 葉小軒 ＃Premio 20萬 好評分享✨✨
#Ｔ5無積碳機油10w50
#Ｃ1引擎治酸清洗油
#P21油封橡膠止漏劑

汽車引擎吃水加壓捉漏 Car engine loses water and catches leaks
https://www.youtube.com/watch?v=hdgjprMXtqc
BMW水箱放空氣方法【開老車一定要學會的技能】Car water tank to put air
https://www.youtube.com/watch?v=JSyc7yMXCr8
老車最怕遇到的事？引擎漏水【BMW 節溫器更換，水龜排氣孔方向，BMW 換水 】
https://www.youtube.com/watch?v=_XstSnhAGjM
（dio翻新EP19）機車水箱清洗保養【DIO水冷電子水幫浦安裝，油性水箱精調配】
https://www.youtube.com/watch?v=xCScMW1tTPk
BMW最常漏水的地方 The most frequent leaks in BMW
https://www.youtube.com/watch?v=xjZmGgPacMA

本影片由，東易食品（贊助播出）相關商品資訊歡迎上網查詢
【陳記】菜脯辣椒 單純的古早味