關於 檔 車 簡化 開關 ，我們在網路上蒐集到這些相關的討論、資訊與評價

IoT的快速發展迫使人們重新思考傳統Wi-Fi，Wi-Fi HaLow與傳統Wi-Fi有何不同？

TECHSUGARTECHSUGAR 發表於 2021年6月22日 15:00 2021-06-22

Wi-Fi就像是我們互聯世界的氧氣，是當今最普遍的無線網路協議，承載了超過一半的網際網路流量。「Wi-Fi 是一個通用術語，指的是經過二十多年發展而成的802.11協議家族。Wi-Fi聯盟是推動Wi-Fi應用和發展的組織，該組織用數字命名法，簡化了常用的幾代Wi-Fi名稱，例如，Wi-Fi 4 = 802.11n、Wi-Fi 5 = 802.11ac 、Wi-Fi 6 = 802.11ax。您正在家裡或工作場所使用的，很有可能就是這些類型的Wi-Fi。

儘管Wi-Fi 4/5/6無處不在，但物聯網（IoT）的快速發展，迫使人們重新思考傳統Wi-Fi，揭示技術差距，重新定義802.11協議在現今超低功耗物聯網設備的無線連接世界中應該發揮的作用。物聯網和機器對機器（M2M）應用，對遠端連接和低功耗的更高要求，促使人們需要另一種為物聯網而最佳化的Wi-Fi。

Wi-Fi HaLow（發音為HEY-low）協議，透過提供超低功耗的無線解決方案，填補了這一空白，與傳統Wi-Fi相比，該方案可以在更遠的距離和更低的功耗下，連接更多的物聯網設備。該協議於2016年得到了IEEE 802.11ah任務組的批准，被Wi-Fi聯盟稱為Wi-Fi HaLow。

Wi-Fi HaLow本質上是一款低功耗、遠距離、多用途的Wi-Fi版本，在免許可的1 GHz頻譜下運行。Wi-Fi HaLow標準結合了能效、遠端連接、低延遲、高解析度影片品質數據速率、安全功能和本地IP支持，是無線連接、電池供電的物聯網設備的理想協議選擇。讓我們仔細看看Wi-Fi HaLow和傳統Wi-Fi之間的一些主要分別，以及為什麼802.11ah協議非常適合物聯網應用的連接要求。

一種省電的協議

Wi-Fi HaLow為耗電的物聯網設備，提供了卓越的能效。IEEE 802.11ah規定的各種複雜的休眠模式，使HaLow設備能夠長時間處於極低功率狀態， 節省電池能量：

TWT（Target wake time）：這允許工作站（STA）和存取點（AP）預先安排一個時間，喚醒休眠的節點以存取訊號。

RAW（Restricted access window）：存取點可以授予工作站子集傳輸其資料的權限，而其他工作站則被迫休眠、緩衝非緊急數據或兩者兼而有之。

BSS（Basic Service Set ）空閒期：這將工作站的「允許空閒期」延長至五年。

TIM（Traffic Indication Mapping ）： 更有效地分組編碼TIM，節省信標（Beacon）的傳輸時間。

短MAC標頭：將低標頭傳輸虛耗、傳輸時間和功耗，並釋放無線電波頻段。

空值PHY協議數據單元（NPD）：這將類似MAC的ACKs/NACKs嵌入PHY層，以減少時間和功耗。

短信標：短（有限）信標頻繁發送以同步工作站，而完整信標的發送頻率較低。

BSS著色機制：顏色分配表示特定接入點的BSS組，而站點可以忽略其他顏色。

雙向TXOP（BDT：Bi-directional TXOP）：當喚醒工作站，發現存在用於傳輸的上行和下行訊框（Frame）時，會減少介質的存取次數。BDT使用實體層協議資料單元（PPDU）的訊號（SIG）字段中的響應指示，以增加對第三方工作站傳輸的TXOP持續時間保護。

該協議的高效休眠和電源管理模式，支援物聯網設備使用電池運行多年，以及多種靈活的電源和電池大小選擇，從採用鈕扣電池的短距離物聯網設備，到傳輸超過一公里的更高功率、採用更大電池的應用。與2.4 GHz和5 GHz頻段的Wi-Fi協議相比，該協議採用的sub-GHz窄頻訊號，傳輸距離更遠，能耗更低，讓每單位能耗可傳輸更多數據。

因此，Wi-Fi HaLow晶片所需的功率僅為傳統Wi-Fi晶片的一小部分。雖然傳統Wi-Fi的數據速率較高，讓使用者能夠在2.4 GHz、5 GHz和6 GHz頻段，使用寬頻頻道快速傳輸高解析影片和下載大量檔案，但這些Wi-Fi連接的有效距離很短，電池消耗很快，需要頻繁充電或更換電池，或者最好有一個主電源連接。基於這些原因，Wi-Fi HaLow是電源受限的物聯網設備的更好選擇，這些設備需要達到更遠的距離，並能用電池運行數年，同時仍然提供較高的數據吞吐量。

Wi-Fi HaLow的sub-1 GHz協議優化了滲透率、覆蓋範圍、功率和容量。

覆蓋範圍更廣

802.11標準涵蓋的頻率範圍非常廣泛，從sub-GHz到毫米波（mmWave）。Wi-Fi HaLow是第一個在免許可的sub-GHz頻段運行的Wi-Fi標準。Wi-Fi HaLow提供的數據速率，從幾百kb/s到幾十Mb/s不等，傳輸距離從幾十公尺到一公里以上。

與傳統Wi-Fi使用的最窄的20MHz頻道相比，Wi-Fi HaLow的sub-1 GHz訊號使用更窄的頻道，從1MHz到更窄。由於頻道中的熱雜訊較低，這種20倍的頻寬系數轉化為13 dB的link budget改進。與傳統的2.4 GHz Wi-Fi相比，750 MHz – 950 MHz之間的RF頻率，需要額外增加8dB-9 dB的link budget，進而節省自由空間傳輸損耗。此外，Wi-Fi HaLow協議增加了一個範圍最佳化的調變和編碼方案（MCS10），可提供額外的3dBlink budget改進。

總之，與傳統的2.4GHz IEEE 802.11n（Wi-Fi 4）相比，Wi-Fi HaLow提供了高達24dB的link budget改進。與頻率更高、頻寬更寬的802.11ac（Wi-Fi 5）和802.11ax（Wi-Fi 6/6E）協議相比，Wi-Fi HaLowlink budget優勢進一步增強，其使用頻寬更寬的5GHz和6GHz頻譜。這就解釋了為什麼Wi-Fi HaLow訊號的傳輸距離，是傳統Wi-Fi的十倍，而不需要網路擴展器。例如，電池供電的攝影鏡頭可以放置在家裡或車庫外牆更方便的地方。照明系統可以從單個AP控制，而不管燈具是在室內還是室外的花園裡。

為終端使用者提供無線物聯網解決方案，覆蓋數百公尺的距離，而無需額外的擴展器或昂貴的手機行動網路，是802.11ah協議的一個關鍵競爭優勢。Wi-Fi-HaLow的遠端覆蓋優勢，擴展了智慧型家居和智慧型城市網路的範圍，讓使用者能夠控制1公里以外的物聯網設備，遠遠超出了傳統Wi-Fi協議的覆蓋範圍。

訊號穿透力更強

一般來說：頻率越低，覆蓋範圍越遠，穿透障礙物的能力越強。Sub-GHz 的Wi-Fi HaLow訊號可以比傳統Wi-Fi更容易穿過牆壁和其他障礙物。與2.4GHz和5GHz頻段的Wi-Fi協議相比，住宅和商業建築的建築材料和布局的變化，對sub-GHz HaLow訊號的影響較小。Wi-Fi HaLow可以穿透牆壁和建築物，這有助於減少客戶投訴和產品退貨，這些問題有時會困擾使用傳統Wi-Fi的產品。

Wi-Fi HaLow使用正交分頻多工（OFDM）調變，來校正反射和多徑環境。無論設備製造商的產品是在室內還是室外，或者是在地下室還是閣樓，Wi-Fi HaLow都可以確保設備與接入點之間有穩健的連接。這種靈活性消除了提供專有集線器或橋接設備以補償不同家庭架構的額外成本和複雜性。

高度可擴展的解決方案

單個Wi-Fi HaLow接入點可以處理多達8191個設備，是傳統Wi-Fi接入點的4倍多。在可預見的未來，這足夠連接每個LED燈泡、電燈開關、智慧型門鎖、電動窗簾、恆溫器、煙霧探測器、太陽能電池板、監控攝影鏡頭或任何可想像的智慧型家居設備。典型的家庭Wi-Fi路由器，通常支援幾十種設備。當頻寬服務提供商在家居中進行部署時，單個Wi-Fi HaLow接入點可以成為一個可擴展的平台，用於提供額外的安全和公用事業管理設備和服務。

多種訊號傳遞選項，減少了管理和控制大量HaLow設備所需的開銷。這樣可以最大限度地減少訊號衝突，並為有源設備釋放無線電波，以便以最快的調變和編碼方案（MCS）速率傳輸更多數據。與傳統Wi-Fi一樣，HaLow可以根據訊號完整性和與接入點的距離，自動調整頻寬。預定義的MCS級別支持單流、單天線產品的頻寬從150 Kbps到40 Mbps，使用的頻寬從1 MHz到8 MHz，80 Mbps的能力也可通過使用可選的16 MHz寬頻道來實現。

Wi-Fi HaLow的星形網路拓撲結構、卓越的穿透力、廣闊的覆蓋面積和巨大的容量，將無線連接從難以部署和頻寬受限的網狀網路中解放出來，簡化了網路安裝，並將總體持有成本降至最低。

具有抗噪性的免許可頻譜

與採用2.4GHz、5GHz和6GHz頻段的傳統Wi-Fi一樣，Wi-Fi HaLow使終端使用者能夠擁有自己的設備並使用免許可的sub-GHz無線電頻譜，範圍從750MHz到950MHz。Wi-Fi HaLow的可用頻率範圍、最大傳輸功率和占空比，在世界各地有所不同。（例如，美洲可用的HaLow頻譜是902 MHz至928 MHz，而在歐洲是863 MHz至868 MHz）。

Wi-Fi HaLow在工業、科學和醫療（ISM）頻段內運行，可以使用多種頻段：1MHz、2MHz、4MHz、8MHz和16MHz。頻寬越窄，訊號傳輸的距離就越遠。使用OFDM，以跨多個子頻道的數據包形式傳輸數據，這可以提高在具有挑戰性的RF環境中的性能，特別是當有來自其他無線電設備的強干擾時。前向錯誤更正（FEC）編碼也為恢復數據包提供了額外的保護，確保穩健的連接。

安全性和互通性

與其他IEEE 802.11 Wi-Fi版本一樣，Wi-Fi HaLow是一種固有的安全無線協議，支援最新的Wi-Fi認證要求（WPA3）和空中傳輸（OTA）AES加密，其數據速率可以實現安全的OTA韌體升級。

就像其他類型的Wi-Fi一樣，HaLow是一個全球公認的標準（IEEE 802.11ah），定義了連接設備如何進行安全認證和通訊。採用Wi-Fi HaLow的設備供應商，可以保證其產品和網路，將按照Wi-Fi聯盟的開髮指導來實現互通性。由於Wi-Fi HaLow是IEEE 802.11標準的一部分，Wi-Fi HaLow網路也可以與Wi-Fi 4、Wi-Fi 5和Wi-Fi 6網路共存，而不影響其RF性能。

本地IP支援

所有物聯網路都需要網路協議（IP）支持，以實現雲端連接。由於Wi-Fi HaLow是802.11 Wi-Fi標準，因此它提供本地TCP/IP支持。這種內建的IP功能，意味著物聯網連接不需要專有閘道器或橋接器。所有連接到具有Wi-Fi HaLow功能的路由器的客戶端設備，可以使用IPv4/IPv6傳輸協議，直接連結網際網路，以獲得基於雲端的服務和物聯網數據的管理。

HaLow效應：延伸範圍，拓展物聯網的可能性

傳統Wi-Fi的網路擁塞、範圍限制和較高的功耗，以及可連接到單個AP的設備數量有限，在當今物聯網設備的世界中已不再可行。這些限制阻礙了各行業出現的以物聯網為中心的新商業模式，這些模式需要更遠的距離、更大的容量、更靈活的電池和電源選項，同時最大限度地降低部署成本。

作為一種遠端協議，Wi-Fi HaLow支持那些2.4GHz和5GHz Wi-Fi無法達到的室內外物聯網應用，例如遠端監控鏡頭、門禁網路甚至無人機。其他潛在的使用案例包括大型公共場所，如體育場館、購物中心和會議中心，在這些場所，單個Wi-Fi HaLow接入點可以替代大量的接入點，無需複雜的網狀網路，簡化了安裝，降低了總持有成本。

工業物聯網、過程控制感測器、大樓自動化、倉庫和零售店等眾多應用，也將受益於這種遠端、低功耗協議，讓無數設備能夠在日益自動化的世界中保持連接。事實上，Wi-Fi-HaLow在傳統的802.11協議中因其覆蓋範圍、能效、容量和多功能性而脫穎而出。

附圖：▲Wi-Fi 4/5/6與Wi-Fi HaLow的比較
▲ 傳統的Wi-Fi 4/5/6協議，使用更高的頻率和更寬的頻寬來最大化吞吐量。
▲ 比較802.11n/ac（左）和802.11ah（右）的吞吐量與範圍。（資料來源：Sensors期刊（Basel ）。2016年11月，IEEE 802.11ah：一種應對物聯網挑戰的技術，作者：Victor Baños-Gonzalez, M. Shahwaiz Afaqui, Elena Lopez-Aguilera, and Eduard Garcia-Villegas）

資料來源：https://www.techbang.com/posts/87835-wifi-halow-iot?fbclid=IwAR1P3nR4iV8V3ZhhOO4zX7GZ_9Tz4v5MBzLlCX3aXYbnOCVqPYi58LPFrmQ

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

沒有什麼產品是「所有人都可以使用」，這樣的產品肯定不會特別受歡迎。大家需求都不一樣啊！

之前有學員問：「主管說，如果根據目標族群來做設計，那其他的使用者不就被放棄了？怎麼可以這樣開發產品。」

我很想回答：「有不少使用者會拿可樂洗馬桶，所以要來開發洗馬桶專用的可樂？」

★不只要做車子，要做大叔不會買的車子
★不只要賣車子給小丸子，要賣車子給所有害怕車子的女性
　
今年6月，當走紅女星吉岡里帆化身「櫻桃小丸子」，代言大發汽車最新的輕自動車「Mira TOCOT」時，引起網路上的熱議。當然，因為吉岡很紅、她飾演的真人版小丸子又很可愛....但是車子可不是花幾個銅板就能買下的東西，為了喜愛的偶像而買一台車，感覺上還欠缺購買的理由....而且話說回來，吉岡那麼忙，新日劇又要on檔，這波「小丸子賣車」的宣傳期應該為時不長，而對於TOCOT的銷量，想必也無法助長多少。
　
但是，奇妙的事發生了，6月發表的TOCOT，原訂7月的銷售目標是3,000台，而事實上的數字是....3倍的9,000台，可以說是這幾個月來起步最好的新型車款。難道是吉岡的魔力已經強大到讓粉絲們甘願買車了嗎？事實上不是，這功勞並不完全歸於小丸子身上，而在於大發汽車企劃部的7位女性身上。她們設計了這台車的裡裡外外，滿足了她們設想的許多客群需求，她們的目標是，要做一台「大叔不會買的車」。
　
汽車工業是近代工業早期就誕生的產業，這麼久的歷史中，汽車一向是以男性設計、男性製造、為了男性客群而產生的產品。當然，女性駕駛的數量也隨著時代而增多，專為女性客群設計一台她們的車子，似乎不是很難想像的決策。但是，什麼才是女性想要的車呢？這樣的思維在以男性為主的汽車工業裡，從設計、規劃到製造的一條龍DNA中是缺乏的。事實上，大發汽車在輕自動車市場嚐到甜頭之後，也想過製造一台專為女性打造的汽車，也就是TOCOT的前一位學姊，至今9年前發售的「Mira COCOA」。
　
說真的，只有日本人才能打造出COCOA這樣彷彿引擎蓋舔起來都是甜的可愛小車，更不用說看到實車之後，大王不存在的少女心都脹得那麼大了：圓潤方角外型、車燈是圓的、連窗戶外型都是圓潤方角、它就像一塊快要融化的牛奶糖一般，把日產CUBE比了下去；倒車雷達顯示直接放在後照鏡上，讓妳倒車時可以直接看後照鏡就了解後方狀況。更別提它還有好幾種妳在台灣根本看不到的可愛顏色可以挑選。
　
但是，TOCOT並無意遵循學姊的路線：把滿滿卡哇伊的COCOA，做做小改版再取個新名字就可以當作是新貨。因為對這7位娘子軍而言，COCOA並不是她們想要的車。
　
「不是堆疊一堆可愛元素就能真正滿足女性。」她們的想法，一針狠狠地刺破了仍然以男性為主的汽車設計思維。
　
對她們來說，這台車當然要可愛，但不是只有可愛就行了，這台車必須符合女性的美感、滿足女性生活中的需求、解決女性駕車時的問題，就是這麼簡單。但如果你無法真正了解女性的美感、需求與問題，那麼設計出來的車子，仍然是一台「男性認為女性一定會喜歡的車子」。而這樣無法實際打動到女性客群的購車欲：她們認為，事實上向女性推銷賣車的困難點，並不是因為女性天生厭惡汽車。而是因為你在推銷她一個她無法從心底喜愛並認同的產品，無疑是緣木求魚。
　
於是，TOCOT的大賣秘密在此：她很美，助手席前方的面板是一片橫長的白色裝飾板，表面以白色陶器質感處理，並且移除助手席前方那些在其他車種慣於附加的抽屜或盛盤，保持視覺上的整潔；駕駛座與助手席中央前方通常是其他車種會放置杯架或置物空間之處，TOCOT直接把這塊移除了，淨空的作法讓腳部空間看起來更加寬敞；外觀仍然保留了COCOA的圓潤方塊風格，但整體上更接近簡潔的風格－－就像太過強調可愛的女性總是比乾淨的女性看來做作一點，TOCOT仍然可愛，但「乾淨」更符合她的設計風格。
　
她還考慮到女性常有的需求：她們需要幫每天使用25小時的手機充電，TOCOT有可以幫手機充飽電兩次的USB接口電池，USB還有兩個接口；她們需要稍大的收納空間放手提包，而不是分散各處的小收納空間，因此在座位旁手煞車旁設置了長型的無蓋收納箱，可以讓妳順手把手提包放進去；冬天開車怕冷嗎？座位背部與臀部位置都有加熱裝置；手上有太多提袋嗎？助手席旁有掛鉤，助手席座位下還有大型抽屜，可以讓妳放置文件等。
　
更重要的，要把車賣給女性，一定要解決那些男性不以為意、但讓女性打從心底感到恐懼的開車問題：許多女性害怕車頭太長，抓不準車子與前方的距離－－我的母親因此數十年前最喜歡開發財車，因為沒有車頭－－TOCOT更縮短了車頭的長度；車子儀表板上太多數字與開關，TOCOT簡化儀表版內容，而讓最重要的時速表放大，並且加上夜光顯示，能夠一目瞭然；開關後車廂門怕夾到手或太大力？TOCOT把後車廂門改為電源開關式，按鈕就能自動開啟或關閉。而那些自動煞車、防誤踩煞車、越線警告、前車啟動提示(防止前車開了妳還沒注意到....放下妳的手機！)、自動切換遠近光燈等等安全裝備，當然也要讓怕開車出事的女性安心。順帶一提，國內許多車子都還沒有的6顆氣囊設計，TOCOT也有。
　
這些乍看之下並不是什麼了不起的規格，或是在高級車裡常見的規格，但是TOCOT以女性客群出發的設計思維，讓這些規格組進一台價格不高的小車中。再舉個簡單的例子，你認為女性車主在車內最常取用的物品是什麼呢？答案是手機與衛生紙，因此杯架一兩個就很多了，但是手機架與面紙架不但一定要有，而且還要擺在駕駛座最方便取用的位子。這些男性未必覺得合適的設計，當時在大發社內也引起激烈的討論，而這7位娘子軍，也是花上一番困難的溝通過程才能成行：得先說服男性員工、還得說服中高齡的男性主管、最終讓他們了解，這些都是「大叔不會懂的」的設計，才能名正言順地做出一台「只有女生會懂」的車子。
　
男性也許是習慣勉強的動物，因為社會觀點與同儕壓力的緣故，我們習慣去勉強自己跟上團隊的腳步，包括車子也是。但也許女性在車子這項工具上是無法勉強的，為她們做一台大叔不會懂的車，她們就會心甘情願地選擇新的代步工具。而這就是TOCOT的成功原因。
　
忘了講了，這台TOCOT最便宜的版本30萬台幣、最貴的版本40萬台幣....然後去咬棉被哭泣吧！

◆◆◆◆◆◆
吉岡里帆的小丸子廣告！
https://youtu.be/MFpkUCCuvVY
https://youtu.be/g5ON8TMtthY
https://youtu.be/g5ON8TMtthY
https://youtu.be/hN6e3buhS-I
https://youtu.be/AdXSabiKBec
https://youtu.be/JG0crv9MFPc