我知道大家都在關心疫情,不過看到一則新聞,覺得要出來講點什麼。
新竹市長林智堅,日前拋出大新竹市的議題,引發一時議論,當然藍綠各有說法。我原本以為,這只是定期出現的議題戰,畢竟台灣每個地方都吵過要升格嘛,結果不是這樣,連「新竹縣人不夠多就加苗栗」這種講法也出來。
我說啊,這說法一出爐,林智堅是不是想繼續選新竹?沒人這樣想才奇怪,也很難幫他講話,畢竟歷史並非沒有循此模式者。不過他想不想,這不是我這篇重點,我想提的是升格這件事。
基本上我反對新竹升格,原因有三個。
一個是人口基數不夠,依照內政部人口110年7月速報,竹竹苗人口如此
新竹縣573,385,新竹市452,807,苗栗縣540,312
幫忙加一下,大新竹會有1,026,192,竹竹苗1,566,504
直轄市門檻125萬,大新竹是甭想了,竹竹苗倒可以。
若為了新竹所謂的竹科生活圈,刻意切割苗栗,硬擠一個125萬人口出來,那此例一開後患無窮。為何?彰化縣就126萬人欸,人家符合資格的沒得升,然後新竹可以配合升,開玩笑嗎?
另一個原因,是地理環境不適合,竹苗的丘陵地帶比例高,人口高度集中,其他六都升格後,已經出現偏鄉資源更加缺乏的狀況,新的大新竹市長,選票基礎會更偏向新竹市周邊,苗栗大概會比二等國民更下一等去。
這不是只有新竹,其他六都除了台北,現象只是嚴重與否。現實而言,選舉要依靠大票倉,除非我們徹底重改選制,不然此題無解。
第三個原因,就是我根本上反對直轄市的結構,因為直轄市的行政區,區級首長官派,然後沒有區議會,這根本上違反地方自治的原理。我們只看到合併升格後,直轄市因為權力高度集中,大型計劃較易推動,地方反抗力量變小的優點,卻沒看到這就是缺點。
民主國家,民意要能夠反映,依靠的就是民意代表,立委人數減半後已經很清楚顯示其弊端。一者負責區域太大,難以兼顧立法與選民服務; 另一者,形同承認票票不等值,人口少的選區數千票一名立委,人口多的十萬票一名,兩者在國會的地位相等,實際上等於我們降低了人口密集度的選票價值。第三者,最嚴重的弊端,就是我們讓政治業相關人員,失去基層磨練的機會,人民漸漸放棄自己對選區在地的監督,全數交給較大的市議員、市長,這嚴重違背民主政治的真諦。
不過,透過大新竹市的概念,我倒認為可以讓大家重新思考,從林全院長開始,到賴清德院長兩任期間,一直都有私下探討國土重劃的合理性,只不過1124讓所有的規劃都成泡影。很多人不解,為何我老講2018,因為1124公投海嘯只是最表面的,許多具有長期性的議題,新產業的開發,全部隨著地方政權更迭,幾乎停擺殆盡,要是當初沒有被公投綁架,今天我們不會整天喊護國神山,而會有更多可以喊的新產業出現。
算了,講這講不完
我的意思是,國土重劃,是一條一定要走的路,今天六都直轄市擁有1,600萬人口,但是極端欠缺中間議會組織,像板橋區擁有55萬人口,比苗栗、嘉義縣都還要多,唯一可以代表板橋人民發聲的民意代表,只有2名立委、9名議員,這合理嗎?
要做,就做得徹底,一條就是把全台組織扁平化,依照人口與地形地勢,切割成適合大小的市,好比說台灣2,300萬人口,就切成11塊,每塊200萬人上下,然後轄下每一區都民選區長,以及用里民數量規劃適當的區議員。
另一條,乾脆三級到底,台灣省廢掉,回到日本的五洲三廳概念,像是整個北北基區就合併為一個600萬人的直轄市,靠近桃園的三鶯跟林口就依照地理切割給桃園,桃園再去合併北新竹,變回古早的新竹州,或成為桃竹市都可。然後在這之下,基隆、台北港等依照港務需求,部分地區收歸中央,同樣舉辦區長跟區議員選舉。當然,博愛特區也可以擴大,整出一個首都特區。
換句話講,我不是無條件反對升格,也不是誰執政就挺誰,而是這種茲事體大的,應該是要好好坐下來談。現在這種不上不下,直轄市占了多數人口,然後直選民意代表基數超級大,根本亂七八糟,早該改一改了。
結論就是,單純升格這件事,我是很反對。
尾巴來罵幾句,進步派想選舉我沒意見,但自己去從里長、議員開始選可以嗎?2018威脅跟黃白聯合,不然要大家一起死,還想故技重施?我知道林智堅會急,市長連任又正處於衝刺的年紀,想要找新的舞台,這大家都可以理解。但那些從後面出餿主意的,幻想可以藉此撈到提名權的,還是省省吧。
威脅的戲碼玩一次兩次會有用,但選民不見得會再次買單,別以為耍手段弄到黨內提名,就可以逼選民含淚投票。地方選舉可不是總統,吃這套的人沒那麼多。
「密集板缺點」的推薦目錄:
- 關於密集板缺點 在 Facebook 的最佳貼文
- 關於密集板缺點 在 台灣物聯網實驗室 IOT Labs Facebook 的最佳貼文
- 關於密集板缺點 在 藝收納 居家整理顧問 Sasha 何安蒔 Facebook 的精選貼文
- 關於密集板缺點 在 Re: [問題] IKEA有保固傢俱的品質和價錢? - 看板Interior 的評價
- 關於密集板缺點 在 實木與密集板防潮測試-為何你要選擇實木家具? - YouTube 的評價
- 關於密集板缺點 在 所以相當適合作為製造傢俱的材料。 MDF因為多半使用實木的 ... 的評價
- 關於密集板缺點 在 Re: [問卦] 詩肯柚木好嗎- 八卦 - PTT Web 的評價
密集板缺點 在 台灣物聯網實驗室 IOT Labs Facebook 的最佳貼文
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
密集板缺點 在 藝收納 居家整理顧問 Sasha 何安蒔 Facebook 的精選貼文
父母新居裝潢完工, 離他們搬家日期進入最後一週倒數階段, 我也終於快要忙完了!
前兩天細清結束後, 爸媽迫不及待的帶了好幾箱的衣物來到新家, 想先看看這一個多月以來空間的變化, 我爸很興奮的說: [要在新衣櫃親自掛上第一件大衣, 讓我替他拍下了歷史性的一刻!😂
這一個多月以來我幾乎都在裝潢現場當工頭/設計師/秘書, 也不務正業太久, 現在即將進入搬家階段, 我終於可以好好發揮專業, 我媽本來還怕等搬過去之後, 應該會混亂很長一段時間, 我斬釘截鐵的告訴她: [不可能, 我不會讓這種事情發生, 東西搬過去兩天內我一定全部幫你們整理完]
我做整理顧問這四年多來, 只曾幫過我媽整理一次她的衣帽間, 但我爸卻從來沒有問過我整理的事情, 那天我們親子三人一起待在我爸的新臥室, 他們倆人坐在自備的小板凳, 認真地看我摺褲子.
我爸看到我把他一向用捲的褲子改成直立式摺法, 還問我為什麼不用捲的就好? 我才正好有機會可以跟他解釋: [因為收納的容器高度不同, 所以要使用相對應的摺法, 這個抽屜頗高, 用直立式摺法不僅節省空間, 打開後你也能看得一清二楚]
我爸還很訝異地叫我媽媽過來看我摺好的褲子, 那畫面實在太有趣! 而且他還很認真地跟我學怎麼摺呢!
從九月幫他們找房子開始, 十月簽約, 十一月交屋裝潢, 十二月完工搬家, 這四個月我和父母有了很密集和深切的互動, 這是自我結婚以後這十幾年來比較少有的機會, 所以我真的很珍惜, 也難得在這段時間看到了我父母的另一些面向, 那些可愛的, 像孩子般直接和純真的一面.
如果要我說說這段時間的缺點, 除了太累之外, 就是他們兩人為了慰勞我, 時常跑來新居附近帶我到處吃大餐, 所以之前好不容易瘦下的三公斤, 又快全部長回來了! 真慘~~ 哈哈哈哈哈哈! 😅
密集板缺點 在 實木與密集板防潮測試-為何你要選擇實木家具? - YouTube 的必吃
實木與密集板防潮測試-為何你要選擇實木家具? 27,754 views27K views. Dec 25, 2014 ... 徐俊 ... ... <看更多>
密集板缺點 在 所以相當適合作為製造傢俱的材料。 MDF因為多半使用實木的 ... 的必吃
MDF最大的缺點是因為由纖維製成,纖維碰到潮濕吸水就會導致板材膨脹變形, ... 有鑑於南部淹水災情慘重,大家都知道木頭怕水,密集板尤其怕水,但這並不代表密集板就是 ... ... <看更多>
密集板缺點 在 Re: [問題] IKEA有保固傢俱的品質和價錢? - 看板Interior 的必吃
這篇文章有不少誤解 ,
回文一次說清楚會比較快 .
※ 引述《gmp3fs (gfs)》之銘言:
: 首先我不認為所得高低可以改變產品的價值...
: 國外賣出台幣七萬塊的商品而且國內也賣七萬塊,那我認為它就是七萬塊而不是三萬塊。
: 至於它真正的價值?我哪知道... 定價是商人追求最大利潤的策略問題。
嗯 我想表示的重點 , 也不是所得高低可以影響產品價值 .
而是產品定價的與其製造方式對台灣的消費者來說不算友善 .
白話點就是CP值很低 .
: 不同國家的差異化定價在經濟學有BigMac指數來用來討論PPP的。
: 不過這就扯太遠了...
: 系統家具廚具賣的東西一樣都是密集板,頂多掛個德國密集板...
這點就錯了 , 國內的廚具及系統櫃業者用的板材叫粒片板或木心板 .
(國外我不清楚 , 就不在討論範圍內)
而密集板用量最多的 , 除了IKEA , 及一些量販的家具製造業者了(櫃體為主) .
國內對於中文材料沒有一個統一的譯名 ,
為免誤解我就貼原文的材料解釋 .
密集板 (俗稱MDF 中密度纖維板)
https://en.wikipedia.org/wiki/Medium-density_fibreboard
粒片板
https://en.wikipedia.org/wiki/Particle_board
木心板 (plywood 也就是夾板的一種)
https://www.mosia.com.tw/en/plywood_lumber.php
: 選IKEA的好處最少可以確定它的密集板是E0的。
: 而不是系統家具喊的德國V313E1...
你如果瞭解板材生產的過程 , 就可以明白為何密集板的甲醛量會比較低 .
粒片板也可以輕鬆達到E0的程度 , 而且以費用來說不會差太多 .
而事實上E1的甲醛含量就已經非常的低 , 通常也不會建議消費者用到E0 .
而V313講的是夾板材料得防潮性 , 這也是密集板的缺點 .
密集板能不能做到V313等級 , 也可以 , 但非常少見 .
但我google了老半天 , 包含ikea自己的官網(包含原文官網) ,
沒看到ikea的密集板的防潮性有用到v313的相關資料 .
: 鬆軟 怕水的程度一樣,但系統家具業者的保固呢?
完全不一樣的材料與規範 , 怎麼可能鬆軟跟泡水的程度會一樣 .
更別說還有其他耐燃 耐磨 耐撞擊等材料特性 .
保固的部份就不提了 , 我記得丰品就打死IKEA了吧 .
而保固也不是我們所要討論的重點 .
: 另外,價格當然重要... 而且是最主要因素之一。
: 價格如果不重要,我就買去乾隆用過的龍衣櫃不就好了。
: 今天如果要組一座300公分寬,220公分高的衣櫃。
: 三商, 綠的, 歐德還是優室沒有一間是會低於10萬元的。
你確定?! 我們下面算一下就好了 .
1尺1萬的系統櫃 , 說真的 , 不是不可能啦 .
但會是屬於比較少見的個案 , 通常這裡面所提供的內容已經不是IKEA可以比擬 .
(例如本身內含LED燈具的專利吊衣桿)
以板上最近一次歐德的報價來看 , 衣櫃平均也才快到每尺5,000左右 .
(記得是4,8xx左右)
而且這每尺5,000的均價 , 還是已經含 五金 安裝 固定 收邊 ,
更別說材料等級的差異 , 是塑合板vs密集板 .
各方面都是塑合板大獲全勝 .
: 而IKEA的PAX衣櫃給妳把配件裝倒滿出來大概也不超過5萬...
https://www.ikea.com/tw/zh/catalog/products/S29898163#/S39894923/
這是PAX的衣櫃說明與價格 ,
空櫃的費用每尺平均是3,300元 , 還不含運送 , 安裝 , 固定與收邊 .
這是PAX設計軟體的連結 ,
https://0rz.tw/FLIA1
我們可以馬上估算一組7尺PAX衣櫃所需費用
空櫃2組6,600 , 滑門1組19,500元
然後我配了2隻吊衣桿是400元 , 2片(4分)層板 750元 , 兩個網籃998元
兩個抽屜 2,600元
這樣一共是30,848元 , 不含運送及安裝 .
這樣平均每尺是4,406元
然後運費是1,200元 , 組裝是6.5% 也就是2,005元
這樣平均每尺是4,864元
材料低廉 , 但費用也沒因此低到哪去 .
: IKEA的廚具品質從鉸鍊來說,全都是奧地利進口的Blum。
: 還不是劉三進的傳統貨,全是新一代的環保鉸鍊(是指可拆下回收,不是可分解)
: 這當然也充分反應到產品單價上... IKEA的廚具並不便宜。
: 其實IKEA門片有很多,不是只有美耐版貼皮。
: 拿來跟外面比的不外乎是結晶鋼考, 鋼琴烤漆, 美耐版貼皮... 這些IKEA也都有。
: IKEA的特點在於造型門片... 這個老實說外面的廚具還不常見到。
: 但價格我不清楚。
廚具的部份我就不細算了 , 我直接就圈內人的角度講結論 ,
IKEA的廚具的平均單價 , 真的要細算下來 , 用到好 , 同個水準的料 .
可以在台北直接用到和平東路上某巷內的名品品牌廚具的水準了 .
================ 題外話 分隔線 =================
IKEA 以工業設計者的角度來講是個很成功的案例 .
完完全全的cost down ,
設計簡單到極致 , 產線幾乎可以全機械化 ,
選用密集板作為主要板材用料的原因也並非甲醛含量較低 ,
而是因為這是最便宜的夾板類材料 , 噴漆表面處理可以少一道工序 .
板材與板材間只要使用簡單的直角型金 .
每年請Decorator(裝飾師)拍攝年度DM , 就可以獲得消費者的目光 ,
然後在單價上盡量細化 , 即可營造物美價廉的感覺 .
--
※ 發信站: 批踢踢實業坊(ptt.cc)
◆ From: 118.169.130.103
會強調MDF原因是因為是因為家具幾乎只會用到MDF ,
LDF國內外已經趨近於停產了 , 而HDF則是用在地板居多 .
※ 編輯: caution 來自: 118.169.130.103 (08/18 18:24)
... <看更多>