【白宮公佈重整供應鏈計劃 針對中國成立貿易「糾察隊」】
✏️為了應對疫情以來凸顯的供應鏈的脆弱性,拜登政府6月8日公佈了供應鏈審核報告,檢討並改善美國半導體、電池、稀土、關鍵藥物等四大脆弱的供應鏈。
✏️半導體部分,特別提到與台灣、日本、韓國的研發合作,也多次提及台積電。
✏️與此同時,美國政府還宣佈將成立一個供應鏈貿易「糾察隊」 (supply chain trade strike force),劍指中國等競爭對手的不公平貿易行為。
▫️報導全文:https://www.rfa.org/mandarin/yataibaodao/junshiwaijiao/jt-06082021192537.html
▫️白宮供應鏈報告:https://www.whitehouse.gov/wp-content/uploads/2021/06/100-day-supply-chain-review-report.pdf
▪️新冠疫情爆發後 凸顯重整供應鏈急迫性
「今天我們宣佈成立一個供應鏈問題工作組……,由商務部、交通部、農業部三位內閣部長領導。」 6月8日,白宮發佈一份長達250頁的供應鏈審核報告;白宮國家經濟委員會副主任法茲利(Sameera Fazili)在當天的白宮記者會上宣佈成立供應鏈問題工作組,宣示美國跨部會應對供應鏈調整的決心。
這些措施是在美國總統拜登在2月份簽屬的行政命令的基礎上制定的。命令要求美國各部會在100天內進行審查,全面檢討因為疫情暴露出的供應鏈問題,並在一年後就補救缺失提出更全面的報告。
「(新冠疫情)大流行暴露了我們面臨(供應鏈)系統性危機的脆弱性。 從一開始,我們就看到從關鍵的個人防護裝備、到當地超市雜貨的嚴重短缺。」白宮國家經濟委員會主任布賴恩·迪斯 (Brian Deese)提到,數十年的投資不足及公共政策的不當選擇,導致美國的供應鏈脆弱性逐漸凸顯。另一方面,競爭對手國家不公平貿易的手段,以及私營企業關注短期回報而非長期投資的作法,已「掏空了美國的工業基礎,抽走了美國的創新能力,扼殺了工資和生產力的增長。」
拜登政府官員強調,他們的目標是要增強美國製造業、保障美國勞工的工作機會,並且減少對中國等競爭對手的供應鏈依賴。
▪️修正四大「脆弱」的供應鏈
在長篇的供應鏈審核報告中,由美國政府四個部門分別負責檢討美國四大「脆弱」的供應鏈。衛服部負責關鍵藥物原料、能源部負責檢討用於電動汽車的大容量電池、商務部負責檢討用於汽車及手機等產品的半導體芯片、國防部則負責審核與國防技術相關的稀土礦物。
拜登政府在第一波應對行動中,提出了幾個初步方案。
📍在藥物方面,按照《國防生產法》的規定建立公私合作夥伴關係,並宣佈投入 6000 萬美元,推動在美國國內生產50至100種關鍵藥物,而非依賴進口。
📍在電池上,能源部將發佈一份開發鋰電池供應的十年藍圖,還將為先進電池提供大約170億美元的貸款,促進美國轉向發展電動汽車。
📍美國政府將對美國生產和加工關鍵礦物給予至少30億美元的資金支持。
📍在半導體方面,商務部除了將支持私營部門對半導體行業的直接投資,還要與盟友共同解決芯片短缺問題。報告中點名美國可以「加強探索與主要半導體研發夥伴台灣、歐洲、日本、韓國等的合作」。
「(在修正半導體供應鏈問題上,)美國正走在正確的方向,尤其中國正在大力補貼半導體相關產業,美國也應該運用商務部權力……確保美國在高科技霸權的競爭中擊敗北京。」前白宮副國家安全顧問博明8日在參議院軍事委員會一場題為「美國與中國的戰略競爭」聽證會上表示,「美國不僅要跑得更快,還要積極挫敗中國共產黨試圖在半導體以及其他重要領域自給自足的企圖。」
「美國在半導體上的投資至關重要,這已經是一個國家安全問題。」 參與同場聽證會的華盛頓智庫「德國馬歇爾基金會」亞洲計劃主任葛來儀(Bonnie Glaser)說,美國不僅急需要弄清楚哪些供應鏈需在美國生產,還要確保盟友及其他供應商的合作。
「我們必須確保與台灣的密切合作,尤其 #台積電 是生產芯片的領先公司,很棒的是他們將在亞利桑那州投資設廠,但美國也要於此發展自己的能力。」
▪️針對中國 成立貿易「糾察隊」
拜登政府在同一天宣佈,將針對「多個外國政府」不公平貿易行為,在美國貿易代表辦公室下設立一支新的供應鏈貿易「糾察隊」 (Trade strike force)。這個糾察隊被外界解讀為劍指中國。
美國國安會負責國際經濟和競爭力事務的資深主任哈瑞爾(Peter Harrell)在當日白宮記者會上提到,「糾察隊」會特別鎖定上述四項關鍵供應鏈產品,追蹤導致「掏空」美國供應鏈的具體貿易違規行為,並透過貿易手段糾正。
「我們正在要求商務部啓動釹磁鐵(neodymium magnet) 的‘232調查’,這就是很好的例子。」 哈瑞爾舉例,這項調查將依循1962年「貿易擴張法」第232條款進行,該條款允許對被認定造成國安威脅的進口產品課徵關稅,且無需經過國會表決通過。
目前,美國釹磁鐵的進口主要來自中國。
「北京的經濟戰略是要主導供應鏈,使世界更加依賴中國高科技出口、更加依賴中國巨大市場……並用以積累槓桿,讓世界各國在政治上讓步。」博明說,北京已經對澳大利亞、加拿大、韓國、菲律賓、蒙古等國家採取貿易限制的方式 ,企圖用此改變這些國家的政治或司法程序。「中國的大戰略首先是稀釋美國在亞洲的影響力,從而取代美國在該區域的勢力,最終以北京專制威權模式主導全球秩序。」
奧巴馬時代的前白宮國安會亞洲事務資深主任麥艾文對博明的分析表示認同,他說現階段不僅要加快美國高科技的研發與投資步伐,也要戰略性地放慢對手的速度。
磁鐵 例子 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
磁鐵 例子 在 職場裡的人類圖 Facebook 的精選貼文
《帶領人有感》
和許多長久經營夥伴時段的學長姐相較,我只能算是最嫩的菜鳥,因此尚乏「有料」的成功經驗談,但短短三次的帶領,倒觸動了一些個人「有感」,十分適合作為新春感言。
想起去年此時,我人在醫院陪爸爸度過難關,心裡跟眾神發願,要多行善事,少自以為是,之所以走入夥伴時段,一部分也是出自於行善的實踐意念。一次一次和人群靠得更近,對於「自以為是」的盲點,彷彿首次張開了雙眼那樣。
面對人群,不如想像中艱難,尤其身體四爻的設計,某種程度就是磁鐵吸吸樂,雖然頭腦不習慣被人注視,身體卻蠻怡然自得。難的是心態的「開放」與「中立」。
甚至,我覺得「開放」與「中立」,可能也不是最適合的形容詞,我想要表達的是,「不預設」也「不干涉」的那種純然與超然。在想像中應該血肉黏濃的夥伴時段,維持一個客觀的中介質感,最後成了我最大的學習和收獲。
作為一個頭腦發達的投射者,第一次的夥伴時段,讓我異常緊張,深怕砸鍋,更怕踢館。腦中預想了N種小劇場,公關職業病發作,陷入不斷RE稿、QA自問自答的無限迴圈。結果,第一次來到我面前的朋友,除了情義相挺的Adeline,其他都是一張白紙,對於人類圖所知有限。幸好我準備了好笑的個人簡介,爭取一點時間讓大家上網跑圖,確保我們on the same page。
有了第一次的教訓,第二次挑戰台中,我想嘗試放鬆一點,不要把自己搞得這麼緊繃,迎接我的,卻是大部份對人類圖涉獵頗深的民間高手,交雜著小部分對人類圖一知半解的自修新手。當下足足有一分鐘,腦子裡懊悔自己為何如此輕忽,同時緊張觀察大家是否覺得我很遜,手心甚至微微冒出汗來。我用交換禮物的橋段設計,來幫助自己從過度緊張中換氣,慢慢把節奏感抓回來,不斷提醒自己,好,今天妳不是來Review也不是來被Review的,只要把妳想說的好好說出來,就好了。
如果沒有這兩次的試水溫,我一直以為自己已經準備好了,準備好要面對陌生的各種類型的人,準備好每個主題我想要切入的路徑,準備好笑話,準備好gimmick。然而,最重要的準備,我始終沒準備,我抱持著一種顢頇的刻板心態,進入最初的夥伴時段。
我以為,會參加的朋友,一定都是同道中人吧,至少對人類圖很有Fu,於是第一次我準備了好多好多的內容,原本只是探究情緒中心的本質,但我又想,這些大家應該早就知道了啊,所以又額外預備了閘門、通道、情緒波等等的周邊範疇。
我也以為,大家提出問題的時候,應該很渴望得到正解的,我要好好練習如何給予正確的回應。自己不眠不休整理了一拖拉庫題庫大全。
但,事實是,大部分來到我面前的朋友,往往在人生中走到某個迷茫、轉換、悲苦、不為人知的階段,因而驅使他們尋找不同的工具,幫助他們度過現下的難關,因此,他們想來了解的是,人類圖到底是甚麼?可以幫到我甚麼?
與其說他們尋求解答,不如說他們期待傾聽。經過一些波折,大家都知道,自己的解答,通常不會在別人那裡,有時他們光是說著,就順藤摸瓜找到了謎底。
那麼,我的角色是甚麼呢?如果不是給予答案或授業解惑,我真實能夠「帶領」甚麼?
於是,在認領第三次的夥伴時段之前,我讓自己沉澱了一段時間。中間也偶爾去參加其他類似的分享支持場合,看看別的領域會怎麼做。慢慢地,我發現,有些場合,只是坐在那裡便覺得自在舒服,特別當一個引領人把學科的知識充分內化,藉由他口中講出的尋常生活,就可以清楚地看見,那門學科的真正修為是甚麼。
我還想起來,大學時修哲學課,教授不知道為什麼出了一個孔儒科舉時代的題目,「己欲為何?」意思是,你這輩子所謂何來,試申論之。當時到底寫了哪些,早已記不得,似乎是以「渡」為中心思想,協助擺渡一方至另外一方。
兩相對照,還真有點輪迴交叉愛之船的意境。原來我很早就察覺自己的使命,只是使用的方法不對,擱淺荒廢了許多年。現在,我想試試自己是否能夠回歸單純擺渡人的角色。
擺渡人,只是載你一程,功能不比指南針。但我能確保你在我的船上,很安全、很舒服,能暫時晾乾身上溼透的衣服。我並不為你指路,不過,我會為你指出我曾走過的遠路、近路、冤枉路。
第三次夥伴時段,我換上的就是這樣的心態,也是相對最放鬆的一次,即便周遭穿插了數不清的煩人的事,落席的那一刻,心裡非常平靜,如同登台前準備得差不多,直接丟本的狀態。
我充分地意會到,每一次的你們,都是不同的人,在深深淺淺的生活裡,遇上大大小小的困境,我不要把人類圖講得太學術,也不用傳達得太煽情,因為人類圖是關乎日常實踐,讓我舉些身邊的例子給你聽。你會知道,該怎麼覺察、要如何練習。
你們說的話,我會仔仔細細地聽,很多時候,只要我附議說,對,我也是!超中!從你們臉上安慰的表情,我就知道付出同理遠勝於提供正解。更多時候,你們會回應,但我並不是這樣運作的,我對於某某某的感受並不強烈。我們於是可以辨識出差異,再一次地認知到,人類圖並不是粗略的分類或歸因,它是協助我們了解彼此差異的基石,如果還做不到互相擁抱,起碼我們願意互相尊重。
帶領的關鍵是,讓你從我身上,看見困難之中,一直存在好多可能性。讓你發現人類圖這個可靠的工具,運用它,走出自己的路,而不是依賴它,只找短速的路。
BTW,大學教授在那題申論,給了我高分。還揚揚灑灑地批示:祝君成功。
是啊,投射者終其一生,都在謀求成功,連夥伴時段也不例外。可是,成功不見得是所有追尋的終點,適得其所,恰如其份,成為自己,才是。
寫下來,願自己以此為戒,為慎,為鍵。新的一年,就這麼樣不急不徐,不忮不求,本本份份地當個擺渡人吧。
磁鐵 例子 在 早餐吃麥片- UrMart - 【送你冰箱可愛小磁鐵】💃 Hi ... - Facebook 的必吃
不過有一個小小的規則要先說明:限制跟「麥」有關,最多12個字,來舉兩個例子:「好膽麥走快吃我!」「 麥擱甲啊小心變成豬!」被選上的小麥客可以搶先得到由自己發想的 ... ... <看更多>
磁鐵 例子 在 2-1 磁鐵與磁性 - YouTube 的必吃
2-1 磁鐵 與磁性. 均一教育平台Junyi Academy. 均一教育平台Junyi Academy. 129K subscribers. Subscribe. 183. I like this. I dislike this. ... <看更多>
磁鐵 例子 在 Re: [問題] 磁鐵吸迴紋針有無作功? - 看板Physics - 批踢踢實業坊 的必吃
首先,我想說的是,就古典電磁學的定義來講,磁場是不會做功的。
原因很簡單,磁力永遠跟帶電物體的運動方向垂直,所以不可能做功。
不管你的磁場是均勻不均勻、是不是隨時間變化都一樣。
但是雖然磁場本身不做功,如果同時有其他力存在,磁場可以「導致」其他力做功。
一個最簡單的例子是這樣。
假設一個電子在平面上運動。這個平面分成兩個部分:
左半部有平行平面的電場、右半部有垂直平面的磁場。
如果今天有一個電子在右半部運動,那麼他受到的磁力會彎曲電子的軌跡
(但是不會做功、電子只是從直線運動變成圓周運動,但動能不變)。
但是電子的路徑彎曲之後會跑到平面的左半部,
電子在左半部受到電場的作用而改變能量。
在這個例子裡面,磁場有作功嗎?沒有!
但是磁場「造成」電子的動能變化,透過讓電子受到左半部電場的影響。
※ 引述《hwider (海裡的星辰)》之銘言:
: 在下大學電磁學沒學好,畢業十幾年了,近年偶爾有個疑問,就是
: 磁鐵把迴紋針從桌上吸起來,
: 或者磁鐵放桌上吸引迴紋針,
: 這時候顯然什麼東西作了功吧?
: 請問是什麼呢?
做功的是迴紋針裡面原子核產生的電場。
磁場會改變迴紋針原子裡面電子的軌道,讓它傾向於更靠近磁鐵一些。
原子核因為跟電子之間的電場相互作用而被拉上去。
: 或者是,有什麼"消耗了"呢?
: 因為電磁學很多已經忘記了,請問有沒有一般大叔程度聽得懂的解釋呢?
: 前面似乎有人也是提出類似問題,但是看了有點頭大,
: 是不是說:磁鐵不作功,而是磁場作功?
: 所以消耗的是磁場囉?
首先,磁場不是一種能量。
需要能量才能產生磁場,不過磁場不是能量,他不能被隨便「消耗」。
況且迴紋針被吸上磁鐵磁化之後自己也會產生磁場,總磁場反而還變大了勒。
磁鐵的磁場是固定的,把東西吸起來並不會損耗任何磁場。
如果你覺得這不好想像,我給你一個類比:
蘋果從樹上掉下來到地上,並不會改變蘋果的質量。因此蘋果產生的重力場沒有改變。
同理,地球產生的重力場也沒有改變,沒有任何東西「少掉一部分」。
: 我的想像是,磁鐵的磁場吸起迴紋針之後,磁場"少了"一部分,就是磁場的消耗了。請問這樣想對嗎?
: 其實還有個問題,
: 磁鐵的磁場怎麼來的?
這是個很深刻的問題,看要深入到怎樣的成分會有不同的回答。
普通的解釋是磁鐵裡面有很多繞著原子核轉的電子,
我們知道如果電子在繞圈運動,會產生一個類似看起來像小磁鐵的磁場。
普通的狀況下,這些小磁鐵並不會指向某個特定方向,所以巨觀上沒有磁效應。
但是組成磁鐵的物質很特別,磁鐵原子間的交互作用會固定小磁鐵的方向,
因此很多小磁鐵加起來我們就看到一個大磁鐵。
要解釋小磁鐵彼此的交互作用為什麼會固定方向需要量子力學。
但是如果就最底層的問題而言,答案是,我們不知道,就是有磁場。
這個問題就跟問為什麼會光速不變、或為什麼重力是平方反比一樣。
我們只知道實驗結果告訴我們事實是這樣。
: 以及,物體的重力場怎麼來的?
: 這些場的產生,是我們所處的空間的特性嗎?
這是很常被問的問題。
簡單的說法是,能量會彎曲時空,彎曲的時空會改變物體的運動狀態,
所以你會感覺到重力。
但是如果你問「為什麼有能量會彎曲時空」,那我的答案也是「不知道」。
: 會這樣想,是因為以前大學物理教了原子核裡面粒子之間是藉由交換某些更小更小的粒子,才能互相吸引。
: 而磁場呢?磁場有跟迴紋針交換什麼粒子嗎?
交換粒子是量子場論的說法。
在量子場論裡面,力的傳遞是透過交換玻色子來達成的。
電磁力的媒介粒子是光子,所以迴紋針跟磁鐵交換光子。
但是切記迴紋針不是跟「場」交換光子,而是跟產生場的磁鐵交換光子。
當然你是不可能觀測到交換光子的過程的。
因為如果要觀測到光子,那要觀測的光子必須要被你的眼睛吸收。
但是既然是迴紋針跟磁鐵交換光子,那麼沒有理由光子會突然跑到你的眼睛裡面。
: 重力呢?重力有跟蘋果交換什麼粒子嗎?
: 感謝看完這些不知所云,疑惑已久的問題
: 謝謝
人們認為重力場的媒介是重力子。
但是我們目前並沒有一個自洽的重力量子理論。
所以並沒辦法以量子場論的語言完整描述重力子被交換的過程。
--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 130.126.255.243
※ 文章網址: https://www.ptt.cc/bbs/Physics/M.1491044030.A.443.html
※ 編輯: iserlohn (130.126.255.243), 04/01/2017 19:00:53
... <看更多>