關於 農地 工廠 缺點 ，我們在網路上蒐集到這些相關的討論、資訊與評價

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

重磅回應，值得大家參考。.....

via 戴興盛教授：“很感謝Tony Yen的發文，更深度闡述了我1月4日貼文《臺灣看待太陽光電議題的思考框架亟待提升》試圖向臺灣社會提出的呼籲。Tony Yen文中這句話，是特別值得臺灣社會反思的：「當有人號稱想養綠、減碳，卻將綠能和既有土地利用形式的競合過程、變動型再生能源的電力輸出波動、充放能的損失等等特性，誇大成綠能尚不成熟、綠能為主的能源系統不可行的理由時，他的行為和所宣稱欲達成的目標，便出現了嚴重斷裂。遺憾的是，這樣的斷裂主導著台灣關於氣候與能源政策討論過久，使得社會整體從來不把一個以綠能為能源系統主體的未來當成必須達成的前提來行事。」

在一個更廣泛的永續議題層面上，「行為和所宣稱欲達成的目標，便出現了嚴重斷裂」，這是我們每個人都需要問自己還有問整個社會的事情，這種現象無時無刻不在發生。例如，很多大企業都會強調自己CSR做得多好，年減碳等同10個大安森林公園的吸碳量，它們卻刻意不提自己原來的碳排放量是千百個的大安森林公園的吸碳量，還有，就在宣揚自己的減量表現之時，它的總排放量還是增加的，只是增加的沒有business as usual時那麼多而已！！

但這種思考斷裂不僅發生在排碳大戶上，也會發生在各種排碳相對小戶上、還有我們每個人身上。即使是深懷環境關懷的人們，也經常發生這種斷裂。典型的情形是，見到農民、弱勢族群、氣候難民、北極熊艱困處境的報導時，便疾呼要趕快行動控制全球暖化，在另外一天，當看到太陽光電場出現在某處時，又說這是生態浩劫。所以，假如我們真心的關切氣候變遷對生態系統與弱勢人類社群的全面性傷害的話，為什麼當自己、以及我們所處的社會該作些什麼來對抗全球暖化時，又在說這些措施這裡不好那裡不對？人類社會若有什麼神奇的子彈可以零排碳而且沒有任何缺點，為何大家不趕快提出來呢？

對於再生能源，我們當然應該討論它們的衝擊、以及如何減緩這些衝擊。但臺灣社會對這議題的討論缺乏系統性思考，而這來自於臺灣社會在討論這些議題時嚴重缺乏知識基礎，經常僅是出於價值理念以及感情。例如，在關於平地人造林到底應不應該（部分）轉做太陽光電用途時，很多人提出平地造林也會固碳。這當然沒錯，但臺灣社會有多少人理解，在臺灣的當前脈絡下，到底是是平地造林還是太陽光電減碳的效率高？差距有多大？若不立基於知識證據的基礎，有些人說造林好，有些人說光電好，這要如何進行公共政策討論？

有些人說，平地造林還有其他生態功能，所以不能僅考量減碳的角度。這當然是，但所有的論點都應該要跟系統裡其他重要的考慮面向互相權衡才可以做決定，否則若以臺灣社會慣常灑狗血、滑波式的討論方式，我們更可以主張，既然平地造林具備這麼多的生態功能，臺灣為何不把每一吋土地都變成平地造林？

有臉友善意的提醒，在倡議再生能源時，更要先節能。我很同意這建議的一半（我不同意的另外一半是，沒有誰先做後做的問題了，兩者都要趕快做，否則完全來不及）。臺灣社會的確應節約能源，關於這一點，理論與實務上最有效的政策工具是透過碳稅提高能源價格，要讓排碳的人付出應有的代價，事實上臺灣早有眾多個人與團體在倡議這件事多年，但之所以遲遲未有進展，原因也很清楚，在臺灣艱困的公共政策與決策環境中，那個政府要是勇敢提出實際的方案，它注定就要陷入政治風暴中。舉例而言，只要電視記者訪問幾位路人，路人說「中華民國就是萬萬稅啦」或「小老百姓日子都那麼難過了政府還要來搶錢」，再加上反對者動員推波助瀾，有那個有意義的政策不會胎死腹中？不管那個政策的確是有理論根據、實務上多國實施有效、只是很可惜的不是完美無缺的。

這個手法之有效與普遍，大家都學會用了。在今天的環境下，只要一張農地（或一個地景）中出現光電場的照片，加上毀農毀生態的標題，太陽光電的社會形象就毀了。有人會論證，太陽光電本來就不應出現在農地上，同理可證，那更萬惡的燃煤、燃汽、以及一切燃燒化石燃料或耗能的物品、會造成負面衝擊的人類活動（如汽車、工廠、交通、電腦、住家、公共設施、從雲林運到台北的蔬菜與豬肉、醫院的備用柴油發電機…），為何該出現在臺灣這片土地上？我們這些很明顯沒有零碳排的廠商與國民，還明顯侵佔了原有自然生態的用地，為何不馬上跳海？

我理解很多人使用上述手法，僅是希望用吸引社會的作法來彰顯議題，並非不理解系統思考。但我還是要提醒，在論述內涵上若不能同時把系統裡該關照的重要因子同時探討，那麼灑狗血的方式會誤導民眾過度聚焦於某一點上，讓整個社會更無法以系統的方式思考。

臺灣缺乏系統思考，缺乏以知識為基礎的思考，習慣用理念交鋒而不願瞭解這世界究竟是如何運作的，在面對抉擇時總是希望能追求完美而不願意做決定（因為做決定的人一定要背負決定有缺失的罵名），這樣的思考與論事習慣，使得臺灣在很多重大永續議題上身陷泥淖，動彈不得。是該改變了，再不改變這種僵固的思考模式，我們捍衛不了心愛的地球與臺灣，我們甚至保護不了我們心愛的親人的生命。請容我提醒一個很直接的情境，那天臺灣若很不幸的因為全球暖化、天災、戰爭、疫情或其他重大環境變動，而三個月無法進口糧食與能源時，臺灣兩千三百萬人會不會馬上決定把平地造林、次生林或自然森林變成農田或太陽光電場？我保證會的。”

東華大學戴興盛教授臉書回應原文出處：
https://www.facebook.com/hsingsheng.tai/posts/2851916931792731

♡

【微型感測器今晚如何找到臭味來源？】
文：李雨蓁 Lí Ú-chin

今晚的歸仁農地大火，已在21:30撲滅，延燒超過8公頃（比夢時代大）造成高雄全市惡臭。但不知道大家有沒有注意到環保局的新聞稿：全市都接獲通報，但「微型感測器數據最先出現高異常數值地區是北高雄阿蓮區，巡查人員到場發現是鄰近的台南市歸仁區。」這段話，其實顯示了「#智慧空汙治理」的潛力。


👉什麼是「微型感測器」呢？

這是一種可以監測溫度、濕度、PM2.5、PM10、總揮發有機物的小型感測器，並透過4G網路等不同通訊協定，3分鐘回傳一筆資料。相對而言，「微型感測器」偵測項目比「環保署測站」少，精密度較低，但站點密、回傳頻率高；然而，又比民間偵測器如「空氣盒子」嚴謹，經過工研院的實地與實驗室偵測與校正，並定期巡檢保養。


👉微形感測器的作用？

感測器偵測項目雖不多，但重點在於以量取勝的「大數據」、互相比對的「物聯網」，也就是透過大量感測器可以定位出污染源，透過時間變化可以偵測到移動趨勢，例如本次感測器從阿蓮開始傳出高讀值訊號，就顯示污染源在阿蓮或其上風處。


這些感測器從2017年開始建立50座，2018年再架設500座，2019年持續辦理增加750座，配合環保署建置空氣品質物聯網，可24小時監測空氣品質，減少空污稽查空窗期，一旦發現異常將可立即啟動通報與稽查，有效掌握污染來源，打擊不法。


👉除了感測器之外還有哪些偵測手段？

1.#移動監測車：
環保局現有2輛可移動多功能環境品質監測車，可同時偵測二氧化硫、臭氧、一氧化碳、懸浮微粒(PM10)、細懸浮微粒(PM2.5)、氮氧化物、碳氫化合物等空氣汙染物，可以機動配合重大汙染檢測，以及空品不良的緊急應變監測。

優點：兼具機動性和較完整偵測能力。
缺點：只有兩台，部署較慢，對於找不出源頭的大規模污染，較難快速定位偵測。


2.#可攜式氣體偵測器
消防隊、環保局配備有各類型多用途氣體偵測器，主要能偵測揮發性有機氣體(VOC)、硫化氫（H2S）、一氧化碳（CO）、可燃性氣體（LEL）及含氧量(O2)等多種毒性氣體。

優點：機動靈活，可提供較多點的偵測數據。
缺點：可偵測氣體種類與準確性較為受限。


3. #即時空氣污染物連續自動監測設施(Continuous Emission Monitoring Systems, CEMS)
裝在污染物排放煙囪內的自動監測設施，利用物理光學或化學感測器，換算污染物之濃度，並自動傳回環保局。自2015年11月開始，環保局在民間協助之下，將監測視覺化呈現曲線圖表，即時連線至市府「高雄市煙囪排放即時監測系統」網頁供查詢。

優點：具良好的敏感度，並可24小時連續即時監測。
缺點：法律並未要求所有工廠裝設。以高雄市為例，符合法規需設置CEMS者，有29家公私立工廠、共119根煙囪，而這119根煙囪的排放量，占全國總排放量的30%，為高雄市固定排放源的70%。然而，許多偷排量來自小型，甚至非法業者，防不勝防。另外，桃園市的台塑集團子公司華亞汽電，於2011年被查獲在中控室CEMS監控程式偽造正常數據，回傳環保局，為全國第一起遭查獲竄改CEMS案例，被罰補繳6.59億元空污費，相關人員依刑法判刑。而後，台塑集團的南亞塑膠桃園錦興廠、新北樹林廠，及台灣化纖雲林六輕海豐廠、嘉義新港廠，全因CEMS數據申報不實而遭開罰。


👉這麼多感測器，怎樣發揮更好作用？

好過日過去一直強調透過「生態民主」、「生態正義」、「生態經濟」的三大原則，建構安全、永續的環保政策，我們認為目前的偵測系統還有一些問題：


1. #做好維護與落實資訊公開
其實大家現在就可以看到微型感測器資訊網，然而其中有許多（大部分）偵測器是沒有數據的，包含最接近歸仁的那隻偵測器在內。然而，環保局看得到數據，是不是表示資料未整理上傳？或更新出了問題？ 必須確保網站運作正常，才能做到資訊揭露！


2.#發揮物聯網與跨域治理作用
目前高雄的微型感測器僅限於境內，對於跨境污染必須另行聯繫確定，未來是否有可能建置國家級測站以外的微型偵測站網路，更好的偵測與稽查跨域污染事件，甚至結合風場系統做到提前預警，結合CEMS系統評估環境影響，甚至作為追究廠商責任的量化標準...這些是可以再強化的。


3.#空品不良預警機制
今天3Q 陳柏惟 在立法院質詢就提到，目前的「空品不良細胞廣播」是要國家測站AQI>200才會發布，但在缺乏國家級測站位置，污染超標的區域事件可能就不會被警示。地方政府的智慧空污系統能否發揮更好的警示效用，可以再檢討改進！


另外我想特別提醒，歸仁沙崙地區前幾天就頻頻傳出農地燃燒案件，台南消防隊也特別提醒民眾天氣乾燥、野草容易延燒，但仍發生此次事件。我們希望警消能盡快調查，釐清責任歸屬，並依法對犯人重罰求償！