⭐️sMeet上市 智聯服務搶攻資通訊技術系統整合的商機
2021年疫情出乎預期未能休止,也使得在家工作、遠距教學與電競娛樂等需求不墜,推升PC相關的產業動能,宏碁集團交出一張亮麗的成績單,此次專訪宏碁集團創辦人/智榮基金會董事長施振榮先生,以及智聯服務(Acer Synergy Tech)韓政達總經理,探詢以資通訊技術為主的系統整合商業模式,同時提供客戶在空間場域運用的建置實力。
智聯服務成立於2017年,前身是宏碁的新竹分公司,長期深耕台灣半導體產業客戶,是宏碁集團組織的第三波改造的關鍵要角之一,並於2020年底完成上櫃掛牌,登上台灣資本市場的舞台,其所看到的市場在於企業積極推動數位轉型以及跨領域合作的風潮方興未艾之際,對於網路建置、維運和IT服務的需求正排山倒海而來,大多數的企業要培養足夠的資訊人才實在力有未逮,因此讓系統整合外包服務商找到重要的利基,智聯的出線呈現以資通訊技術為核心的專業系統整合公司正開始嶄露頭角,也成功創造出自身的價值。
2020年也是COVID-19(新冠肺炎)疫情全球肆虐的開端,居家上班所推動的視訊會議系統成為各方角逐的重點市場,考量到資訊安全與長期營運成本的要求,宏碁集團投注資源走入內部自行開發的道路,sMeet的視訊會議系統於焉誕生,施振榮受訪時特別強調sMeet的「s」就是指Security,安全性是視訊會議系統最重要的考量,他從系統開始研發時就一直參與實際的測試,這段期間由他主持的多項會議更幾乎是天天使用sMeet,一直到產品經一年多的完整測試後,終於決定2021年要正式上市。
打造「巨架構微服務」的整合平台
施振榮探究國內軟體產業的發展,認為軟體公司要擺脫小打小鬧的格局,一定要走向國際市場,做B2B的生意模式是台灣產業界的基本宿命,因為台灣本地消費市場規模太小,軟體的成功要能夠容易複製以造成數量上的取勝,他所看重的是sMeet做為資通訊基礎架構的水平整合平台的商機,隨著多樣化的智慧型應用的大量開發與創造,搭配台灣的硬體優勢相輔相成,打造出「巨架構微服務」的整合平台,這個商機值得台灣廠商好好珍惜。
宏碁集團歷經要「分」才會拚的階段,在1990年代,集團內的大型硬體製造子公司分拆獨立,各自努力於品牌與製造的國際競爭與征途上,但是今天需要回頭來看所謂要「合」才能贏的機會,過去電子製造與代工的利潤捉襟見肘只有3~4%,今天透過軟體系統的整合後,他認為新型態的軟硬體系統整合的商機浮現,拜少量多樣化的趨勢之賜,勢必推升軟體所驅動的資通訊系統整合的獲利模式。
以施振榮的角度來看,集團內的戰將們要從各司其職與各擅勝場的角色上,一起揪團打國際盃,這才可以看到成功的契機,他提出「新微笑曲線」的概念,即是跨領域合作,共創價值,而軟體做為資通訊系統整合的平台正充滿著新的商機,以下是他的趨勢專訪。
Q1:您如何看待台灣科技產業進入軟體的挑戰?台灣的軟體公司要如何經營才能成功?
施:說到台灣軟體產業的挑戰,軟體的成功的關鍵是要憑藉著規模與數量的加乘效益與實力,我在80年代擔任台北巿電腦公會理事長時,台灣的軟體產業隨著電腦硬體設備進入台灣時就已經起步,早期的軟體公司是以軟體系統整合(SI)的概念為主,起步時與當年的硬體產業所面對的挑戰不相上下,但是因一直無法發揮數量與規模上的效益,所以營運比較辛苦,如同當年全球最大的軟體服務公司為例,也是異常艱辛;就我的觀察,當年以軟體廠商來做系統整合為主的服務,比不上以硬體為主的系統整合商來的吃香,但是今天有機會看到翻轉的契機了。
軟體成功的兩大推力是規模與國際化的能力
鑒於軟體產業的辛苦,早期我在1990年代的初期任台北市電腦公會的理事時,因為重視軟體的潛力發展,所以特別在電腦展中提供免費的攤位給軟體公司來參展,做為一種軟體產品展示與國際化的推展,那時候很清楚的知道,台灣市場不夠大,客觀條件不足,軟體要能夠成功有兩大關鍵的力量,首先需要借助電腦硬體的規模經濟,再者就是讓軟體能國際化的兩個主要的推動力量,目前在台灣幾個重要的軟體廠商的成功經驗,也看到初期採用與PC一起搭售組合(Bundle)的策略提供成功的關鍵,大批量與消費者重複使用的經驗,促成軟體成功的機制。
我認為電腦的硬體系統是一個載具的概念,台灣因為硬體製造的實力堅強而容易進入國際領域競爭,國際級的軟體巨擘實力強勁,但是一談到硬體的載具,那一定會找台灣來合作,所以我們的軟體企業除非在某些特定領域,否則一般都會避開硬碰硬的對決競爭,因此宏碁選的軟體發展策略是不去妨礙硬體生意的發展實力,而是找到可以展現整合硬體優勢的軟體商機,這個新領域中我看到台灣進入的強項在於工程師技術與台灣健保醫療系統所帶來的優勢。
展望未來,面對國際分工與趨於複雜化的現實,為了掌握未來的機會,一個具備彈性功能、成本優勢,以服務為導向的生意模式,加上探索智慧醫療、智慧農業、智慧製造,以及智慧城鄉等應用,我預測獲利三成、四成的新事業體會快速應運而生。
Q2:今天宏碁如何在軟體市場上找到發展的契機?
施:宏碁的轉型過程中,我們認為諸如sMeet等軟體的發展機會,首先就是先制定出廣泛(Universal)的產品規格,可以藉由大小通吃與兼容並蓄的產品規劃能力,做出能與最多的硬體相搭配,我從2013年重回宏碁的時候,就推動宏碁大舉朝向通訊與智慧醫療兩大主流的方向來推動宏碁務實的市場發展轉型,當中智慧醫療靠的是跨領域的整合,而通訊則是靠軟體整合。
通訊與智慧醫療市場是宏碁所看到的美好未來
首先,通訊系統與軟體息息相關,舉凡主流的數位交換機與VOIP等系統都是用電腦與軟體所搭建而成,今天用軟體來定義一切是電腦產業的大勢所趨,過去以類比訊號為主的PBX系統承受從電腦與整合軟體所帶來的強大市場壓力,智聯的sMeet是先整合視訊的功能,接續也會將語音訊號加以整合在內,這也是為了進入通訊系統的起手式,所以宏碁朝下一世代的通訊系統發展是早已經確定。
sMeet視訊會議軟體的最佳賣點就是安全性的要求,兼具使用雲架構(Cloud Based)或內部部署(On-Premise)的架構來滿足不同的安全性的需求,這也整合宏碁過去發展BYOC自建雲服務的寶貴經驗,不斷探索使用筆記型電腦等級的系統來搭建一個私有雲系統的可能,分散式網路還是有小而美的實用性上的好處,再者,sMeet使用上也兼顧企業內部高敏感性機密的視訊會議需求,以及同仁商務差旅在外的視訊會議方便性之需,所以我的sMeet提供兩種不同的雲端網路的配置,來提供我做到隨時隨地參與視訊會議,也可以在緊密安全性下進行企業內的重要會議。
Q3:您如何看待sMeet所打造的商業模式的變革?
施:宏碁集團在陳俊聖執行長上任後積極轉型,針對旗下各主要事業做了較為明顯的區分,希望商用市場能夠靠著旗下各個小虎分進合擊,組成了以商用布局為主的宏碁聯合艦隊之姿,透過產業下游的系統整合服務,將上游的品牌產品也一起打進終端應用的客戶群,這也是智聯目前正積極努力的方向。
開放sMeet的API模組 搭建新的產業合作的模式
這個專訪的第二部份是聚焦於sMeet的產品與市場的推廣動態。以下是智聯服務韓政達總經理的觀點。
Q4:請韓總經理說明一下sMeet的產品特點。
韓:sMeet是一個後疫情時代的產品,需要慎密的商業模式以滿足遠距應用的需求,由於市面上視訊會議軟體競爭非常劇烈,sMeet在產品面需要具備後發先至的優點,最主要的利基點就是善用雲架構打造三個產品的優勢,第一,資訊安全的優勢,因為使用宏碁BYOC的私有雲技術,兼顧頻寬與資訊加密的優勢,讓企業保持高度的資安防護的能力,而且在架構上的成本非常具有優勢,降低導入成本。
第二,4K高畫質影像品質,拜私有雲技術之賜,充足的頻寬可以讓企業內視訊會議使用4K解析度影像品質,大幅提高與會者的使用者體驗,第三,容易使用,在PC上善用以瀏覽器為主的方便性,雖然手機仍需要App下載,但是整個使用介面簡單明瞭,無需訓練課程就可以使用。
為了打造更多的使用範例,針對疫情肆虐下的日常,目前sMeet團隊為台灣上市櫃公司打造董事會專屬sMeet視訊會議系統,而且完全依照證管會的法規要求所設計的專屬應用,再者,從大量的sMeet場域實地測試的經驗中,目前已經有許多新的使用範例正在運行,相關的應用也有更多的產業殷切的探詢,尋思為了讓sMeet能夠成為更多重要應用的關鍵溝通工具,目前已經著手制定彈性sMeet的API軟體模組,整合到不同專業系統中,讓更多的產業可以從中得到最大的效益,搭建新的產業合作的模式,強化以服務為導向的企業文化的貫徹。
Q5:請韓總經理說明一下sMeet的市場發展動態與上市的計畫。
韓:智聯是宏碁集團的新群龍計劃的一個企業內部創業的成果,雖然現在資本額不大,但是在宏碁集團的大家庭下,分享宏碁集團的重要的資產,也就是Acer的品牌價值,以及集團下的重要的人脈與人才的資源,以我親身經歷而言,於2021年初,智聯參與競標一個北歐國家的漁業公司的業務案,由於充分獲得Acer歐洲辦公室的協助,迅速解決問題,讓我們一舉打敗日本電信巨擘的競爭者,做到小蝦米打敗大鯨魚的致勝成果,取得成功。
有了這個初試啼聲的成功之後,我們積極利用sMeet的API來進行產業界的垂直整合應用的發展,目前瞄準包括銀行的線上開戶系統,甚至是大專院校或專業訓練單位的線上教學系統等新的嘗試,都讓sMeet在新興應用上創造商機,在國際市場上,透過宏碁集團在當地公司地協助,持續串連集團優勢資源,瞄準重要的營收貢獻產業,目前智聯是sMeet全球代理商,負責行銷與提供在地化服務的任務,目前已經在美國設立子公司,並陸續在北美各州成立區域型辦公室,並期盼進一步朝向一家國際服務公司前進,把好的人才推向全世界,走向全球。
手機訊號強波器app 在 蕭永裕 Facebook 的最佳貼文
原本是沒有台詞的,
劇本裡只寫著,
樂咖一邊跟廣告主角講戲,
一邊叫扮演氣泡的鍾佳播頭套戴好這樣很難拍。
//
比起前面兩次的合作,
這次拿到劇本其實有些許不安,
前兩次不論是風紀股長或是志豪(庫德馮斯),
他們的目的與困境都可以劇本裡找到,
這次不太一樣,
當然這場戲的重點是在導演與佳播的結尾翻轉,
不在我的身上,
這樣去想好像就沒那麼不安,
或許我這次要做的就是,
允許我自己可以就恰如其分站在旁邊,
讓戲進行下去。
//
從一開始到拍攝現場的時候,
佳播就在櫃子內了,
當我離開的時候他還在櫃子裡,
應該說,
櫃子裡的戲並沒有如預期在今天內拍完,
首先有看過影片的人應該都有印象,
有一段戲是這樣:
自拍、錄像、打電話求救、來電插播,然後跟導演直播等等
一連串華麗的APP操作超好看,
讓我想到以前的機器人卡通,
駕駛艙裡都設計了很多不知道幹嘛用的操縱桿跟按鈕,
當天的拍攝可是比影片中看到的複雜多了,
誰會想到手機錄銀幕原來收不到通話聲音,
於是就要另外準備收音的手機,
有的APP還不能邊通話邊錄影,
有的APP一插播就中斷,
鐵櫃會干擾手機訊號,
技術問題才排除一半手機已經開始過熱加沒電了...
現場光看他們四人處理這些技術問題就夠精彩的,
也因為有太多技術問題需要排除,
當天並沒有拍完櫃子的戲,
下次如果聞天祥老師要再採訪反正我很閒團隊,
請一定要問這集怎麼拍的。
//
接近傍晚的時候,
大家意識到今天很有可能會拍不完,
決定先拍掉攝影棚戲,
也就是最後的廣告拍攝現場,
一如預想的,
在走戲的時候,
我好像就只能站在旁邊看,
然後,
我就想到這段子要幹嘛了,
靈光一閃。
//
可能自己是演員,
有太多試鏡的經驗,
會知道有時候被選上或沒選上,
原因太多種了太不可控,
可能廠商覺得這人長得比較和善,
誰人跟女主角搭起來適合,
誰太老、誰不夠爸爸、誰比誰討喜,
又或者廠商今天就是要找一個,
能把「透心涼」三個字講得很好很好的傢伙,
而這次我想做的就是這樣的傢伙,
一個表現慾很強的笨蛋,
有著莫名的自信,
但其實他根本不知道為甚麼自己被選上,
如果要舉例的話,
給有點年紀的朋友範例是《魔法少年賈修》裡的福爾高雷,
幼齒的朋友可以想想《馬男波傑克》的花生醬先生;
這個笨蛋在現場越是刺眼,
越是諷刺了主角所付出的一切辛勞,
辛苦準備試鏡、爭取、甚至懇求機會;
但其實這一切都不是他們兩人可控的,
不過是某種命運的偶然...
雖然從整個《反正我很閒》的宇宙去看
這一切絕不是偶然~
"鍾佳播最後一定會失敗"
就是反閒宇宙的唯一必然!
更因為這樣,
不得不佩服《反正我很閒》總是把這樣的套路玩得這麼好。
這些並不是很有脈絡的去梳理過後,
才整理出的戲劇選擇,或是說腳色性格,
所以我才會說是靈光一閃,
有時候點子一冒出來,
就會知道那是對的,
腦中的一切都通了,
於是我就開心的去旁邊拿了一罐雪碧當道具,
正式拍攝的時候,
沒有人知道我這邊會加台詞,
樂咖反應很快,
順著我的表演接住了這個哏,
開心,真的是開心,
拍到導演講完戲後,
福林有發現我要玩重複講這句台詞,
於是把鏡頭在帶回來拍到了最後幾句透心涼,
大家都接到這個哏的時候真的感覺超爽的,
看網路留言,
知道觀眾也接到了這個哏,
爽翻。
至於為甚麼是「透心涼」呢?
因為在拍樂咖試鏡那段時,
猛將說「雪碧一定要放,"透心涼"一定要加,是廠商要求的,沒有會很麻煩」,
我就想,
這麼想要歐?
那我就給好給滿<3
不斷重覆到一個非寫實的頻率,
這樣從劇情、台詞、角色、拍攝過程、甚至商業,
「透心涼」這個戲劇選擇都有值得玩味的地方;
在「業配」中大玩業配,
就是我的法槌!
影片連結:
【演員試鏡】職場面試、演員試鏡成功方法!關鍵錄取真相!!
https://www.youtube.com/watch?v=xJsnTwMgRbw
#反正我很閒
#透心涼
#雪碧
#蕭永裕
手機訊號強波器app 在 台灣物聯網實驗室 IOT Labs Facebook 的最讚貼文
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