關於 力成科技爆炸 ，我們在網路上蒐集到這些相關的討論、資訊與評價

【抗戰曙光─德式中央軍(第一部：建軍)】蔣、魏衝突

在歷任德國顧問團團長中，魏澤爾是唯一在抗日、剿共、軍閥內戰都有所經歷的將領，這也讓他有許多透過實戰證明自身能力的機會，而從戰果來看，除了實力太強的日軍，魏澤爾都能協助蔣介石贏得勝利，而這一切根基於平時的練兵有方，因此魏澤爾的能力之強無庸置疑。事實上，蔣介石在贏得中原大戰勝利後，就將原為中將軍銜的魏澤爾晉升為上將，可見兩人是有一段合作愉快的蜜月期。
但3年時間過去，蔣、魏兩人的關係卻變得惡劣無比，甚至已經嚴重到蔣介石每次發表軍事行動，魏澤爾都會表達抗議，搞的兩人都頭暴青筋、火冒三丈。這兩人之所以從相愛變成相殺，除了都是一副暴脾氣，最直接的引爆點就是對於德式師的使用理念差異。

_____________________________

按照魏澤爾的想法：「德式訓練的新部隊，應該當作其他部隊的榜樣，不可輕易投入作戰以免耗損。」
蔣介石最初表示：「了解。」
結果當一二八事變爆發，蔣介石立刻把德式訓練最扎實的87、88師推到前線作戰，氣的魏澤爾大罵：「Was zum Teufe(德文的：搞、什、麼、鬼) ！不是說好德式師不用於作戰嗎？你把我的話當塑膠嗎！」
如果說一二八事變是因為強敵壓境，不得不讓精銳部隊參戰，等到第五次圍剿，蔣介石又讓德式師投入戰鬥，這更讓魏澤爾暴跳如雷：「就跟你說不要亂消耗新軍！結果連打人絕對弱勢的共產黨都要動用新軍！你腦子有病吧！」

這時我們需要先停下來討論：有關德式師的使用，究竟蔣、魏二人孰對孰錯？

站在魏澤爾的角度，國民政府當時財政窘迫，新軍的成立大不易，要是在戰場上折損，依照國府的財力，不但重建困難，還可能影響其他方面的軍事改革。事實上，一二八事變中，兩支德式師損失4000多人，圍剿戰役裡，不但折損人數更多，甚至有1個旅及1個團的編制被徹底打殘，這表示不少負責帶兵的中下階軍官就此犧牲。從上述經歷來看，魏澤爾的擔憂並非一廂情願。

可站在蔣介石的角度，他卻有魏澤爾不能理解的苦衷，那就是國民黨內部的派系問題。
即便可能說到大家都煩了，我還是要說：國民黨並非靠自身實力獲得政權。正因為本身根基不夠強大，就算擊敗對手，除了共產黨，蔣介石通常不會趕盡殺絕，而是藉機收攏敵對的殘餘或叛逃勢力，成為「名義上」的下屬。
像是中原大戰時期，原屬於西北軍馮玉祥的韓復榘就叛逃到蔣介石麾下，但蔣介石卻根本指揮不動他底下的部隊。所以表面上，蔣介石是掌握軍政大權的委員長，實際上，老蔣真正能調動或值得信賴的兵力並不多。
以第五次圍剿舉例，表面上蔣介石可以動用70萬兵力，但其中屬於南路軍的10多萬人，其實是桂系的部隊，而他們壓根不想為了蔣介石和難纏的共產黨開戰。所以蔣介石只能交待桂系部隊：「無須進攻，只要圍堵。」這才讓想穩守自身地盤的桂系在南路負責給老蔣壯聲勢。
所以老蔣並不是不愛惜德式師，而是他也實在沒有餘裕讓部隊保養生息。

因此單方面來看蔣、魏二人的主張都各有其道理，但兩人身處不同位置下的思考差異，卻成為不可調解的矛盾。

__________________________________________

另外魏澤爾與蔣介石在戰略及戰術上也有著巨大分歧。
中原大戰中，魏澤爾面對敵手會認為用武力直接懟，剛死敵人就完了！但蔣介石卻想盡可能保留自身實力，所以很多時候更喜歡花錢收買對手，這讓純粹的軍人，也就是主張「能動手就少瞎BB」的魏澤爾感到非常不恥。
而在圍剿戰役中，魏澤爾認為共產黨裝備落後、火力貧弱，所以應該展開更積極的進攻；可是曾有過同樣主張的蔣介石卻在先前的圍剿中吃過不少大虧，所以他更主張步步為營的緩進。雖然最後德國顧問團最中按照蔣介石的理念，制定出深具效果的堡壘戰術，但商議的過程中魏澤爾對蔣介石是罵罵咧咧，這自然讓蔣介石大動肝火。
更令老蔣仇恨值爆表的，是後來有國軍因為執行魏澤爾的積極進攻而遭殲滅時，當時他就把戰況轉給魏澤爾，希望殺一下這魏德國顧問的銳氣。結果魏澤爾卻回答：「不是我的構想有問題，是中國軍隊聯繫太差、支援速度太慢，沒辦法執行我的理念，這才錯失戰機呀。」此話一出，老蔣的小宇宙整個大爆炸：「敢情所有人都有毛病，就你魏澤爾沒毛病！」

同時，不只老蔣，許多國軍將領對於魏澤爾引進的新式德國訓練也反感頗多。
看到這可能有讀者想說：「德國軍事科技以及現代化戰爭經驗，完全凌駕在同時期的中國之上，中國將領哪來的底氣反對德國訓練？」
原因有二，第一，魏澤爾認為德國顧問應該更深介入中國軍隊的訓練，甚至提出應該讓德國軍官統帥部分層級的中國軍隊。這就碰觸到一些視軍隊為私人財產的中國將領底線……你ㄚ的是想架空老子的兵權嗎？
第二，不少國軍將領自認作戰經驗豐富，對德國顧問的新戰術也就不待見；扣除思想較為古板的守舊派，有些比較通情達理的中國將領也不贊同德國訓練的新戰術，而原因卻頗為悲哀……德國戰術太先進，通常要消耗大量但要先進行火力壓制，咱窮，實在玩不起呀！

_______________________________________

除上述原因外，最讓蔣介石及國軍將領對魏澤爾忌憚的一點：是魏澤爾涉入到中國政治的派系之爭。
前面提到，主持財政的老蔣小舅─宋子文，為了加強麾下稅警部隊的實力，找上魏澤爾進行合作。說起宋子文，他雖然跟蔣介石沾親帶故，但在許多政策理念上卻與他的妹夫唱反調，這其中就包含對日抗戰的態度。
話說日本在九一八事變佔領東北地區後，隨即成立滿州國，並找來清朝的末代皇帝─溥儀擔任國家元首。但這不是日本陸軍行動的終結，此後，日本陸軍開始向華北地區擴張，持續與國民政府發生衝突，其中在1933年1月，國軍與日軍沿著長城爆發多場戰役，史稱「長城抗戰」。
如果大家能夠記得前文提到的諸多歷史事件，應該會知道1933年1月的局勢相當紛亂，因為除了日軍在北方的衝突，當時國軍(確切來說是蔣介石的中央軍)精銳正集中在江西繳共，而閩變也是在此時爆發。
此時的蔣介石選擇堅持「先安內後攘外」，對於日軍的侵襲，他選擇有限度的作戰，好保留國軍在北方的主力，這樣他才能集中心神消滅共產黨。可宋子文卻在此時大力鼓吹積極抗日，他甚至在一次會議上喊出：「本人代表中央政府，敢向諸位擔保，吾人絕不放棄東北，吾人絕不放棄熱河(註：熱河省是長城抗戰主要的交戰地點)，縱令敵方佔領我首都，亦無人肯做城下之盟！」如此熱血的發言，搭配當時因為領土被入侵而激發起的民族意識，宋子文獲得滿堂喝采，同時無疑在打臉因為避戰策略而導致領土丟失的蔣介石。同一時間，魏澤爾也來到長城抗戰前線策畫作戰，對於諸多限制的蔣介石，認真於軍事的魏澤爾不意外地又開始罵罵咧咧，而他對於高調提倡抗日而且早有合作情誼的宋子文自然更有好感，兩人因此時常出雙入對去巡視軍隊。

「宋子文跟魏澤爾走得很近，魏澤爾有挾宋子文以自重的情況。」
當部下回報宋、魏二人惺惺相惜情不自禁的狀況，這立刻引起老蔣的注意。想到管經濟的跟管軍事的走到一處，然後管經濟的一再公開反對老蔣對日忍讓的政略，管軍事的則多次反對自己的軍事行動，而且還希望能擴大對軍隊的掌握……娘希匹！你兩人是想搞掉我這委員長不成！

於是身為軍事委員會委員長的蔣介石，授意軍政部抵制魏澤爾在前線提出的要求，結果魏澤爾破口大罵：「軍政部官員有意抵制我建議，使我為數甚多的工作計畫為之流產。中國官員腐敗無能，工作效率低下，我不屑與之合作！」
魏澤爾這一頓怒噴有沒有讓他消氣我不知道，但軍政部官員倒是徹底被激怒，於是狀告委員長：「魏澤爾干涉中國內部事務，他的發言更是傷害中方官員自尊，他的行為已經使兩國共同合作根基為之動搖。」

____________________________________

覺得魏澤爾太得罪人？事實上，他連德國以及日本人都一起得罪。
德國顧問團其實最初是以工業建設的名義來華，加上首任團長─馬克思‧鮑爾，本身同時具有經濟與軍事的長才，所以除了軍事改革，顧問團另一大任務是促進中德的貿易合作，並且推銷德國商品，好賺取外匯收入。可是魏澤爾是個純粹的軍人，他致力於軍事的同時，就把經濟合作給忽略了(其實我認為，就算他不忽略也沒用，因為魏澤爾不具備經濟方面的學識)，所以德國企業抗議魏澤爾並沒有為德國工業爭取到更大的軍火銷售量以及增加貿易出口額。
而魏澤爾在長城抗戰前線的積極動作，也讓日本人抗議：「德國顧問團怎麼介入中國軍事？這不是違反凡爾賽條約的禁令？德方此一行徑更是破壞德、日兩國的邦交情誼！」這使備受指責的德國政府反感道：「魏澤爾幹的太招搖了。」

______________________________________

從以上魏澤爾被嫌棄的原因，如果要用一句話歸納，我會說：「魏澤爾是純粹的軍人。」他只懂軍事，所以也只對軍事負責。什麼蔣委員長的政治權力、德國的外貿銷售、中國政治的派系……那都不是他關注的重點，他只有一個目標：「善盡自己德國顧問團團長職責，打造現代化且有戰力的中國部隊。」
你可以說他純粹，但也可以說他不夠有智慧，或是直白地說：你不懂中國社會。畢竟許多事情不是單靠拚勁或專業就能成就，而往往需要就不同的人事時地物去做彈性調整，但不能否認：魏澤爾克盡職責且做出成績。連蔣介石都承認：「魏澤爾將軍之忠誠與作戰經驗能力皆極可佩(服)。」
可如今，魏澤爾滿世界得罪人，讓德國駐華公使陶德曼都向母國報告：「魏澤爾在華與在顧問團內之聲望均已開始下降，彼已無法在領導此一受人尊敬之組織。」而老蔣面對性情暴躁、行動偏激的魏澤爾，則認為：「唯一有效制服而又可使其平心靜氣工作之辦法，似在此人頭尖上加上一頂重帽。」換言之，各界都認為需要更換新任團長，而且這人的能力威望必須在魏澤爾之上。

1933年5月，一名白髮蒼蒼的老者抵達中國，隨即前往位在廬山的蔣介石別墅。老者雖然因為長途跋涉的旅程而顯得精神有些困乏，但依舊展現不怒自威的氣質，而他習慣配戴的單邊眼鏡，更是給外人留下深刻的第一印象。廬山別墅中，蔣介石熱情的歡迎老者，而中國的媒體記者也大肆報導老者來華訪問的消息，畢竟他的名聲是那麼的如雷貫耳。
同時，因為日軍進犯華北，而身處前線處理長城抗戰事宜的德國問問團團長─魏澤爾，也趕緊置信給老者，表達對其來華的敬意以及不克前來迎接的歉意，畢竟老者不但在一戰中建立赫赫威名，還是他的昔日上司，更是德國在戰後軍隊重建的靈魂人物。只是魏澤爾沒料到，這名老者未來將會在毫無異議的情況下取代他的團長職務。

老者名為：漢斯‧馮‧賽克特（Hans von Seeckt），他的到來，同時也將改變中德合作的格局。

圖片為：德國顧問團團長─魏澤爾上將

【729全臺大停電】 #你還記得嗎
　　　
1999年的一個夏日夜晚，許多原本正在冷氣舒眠下的人漸漸熱醒，窗外的城市淨是一片漆黑，如此大範圍的停電，頓失消息來源的人們開始各種不安的猜測。
　　
「聽說桃園的煉油廠爆炸了？」
「是核能發電廠出現意外嗎？」
「難道兩岸戰爭已經展開了？」
　　
然而當這次產業損失至少數十億元的大停電調查清楚後，卻發現僅僅是因為一座高壓電塔的倒塌。
　　
因區域電力供需不平衡的關係，臺灣長期依賴南電北送，卻僅有兩路超高壓輸電幹線，由於其負載率過高，一旦發生意外，便無法互相協調支援。
　　
臺電雖早已預見問題努力推動第三迴路的建設，卻因用地取得困難、長期受到地方民眾抗爭，而使得計畫不斷延宕，在各種結構性問題的連鎖反應下，最終導致了729的全臺大停電。
　　　
729大停電彷彿敲響了人民心中的警鐘，在輿論的支持下，臺電終於加速在2002年完成了第三迴路的相關建設，但隨著經濟產業快速發展，臺灣的用電量及能源需求持續升高，民眾「要電不要廠」的心態若不改變，歷史恐將一再重演。　　
　　
#能源問題是通盤考量
#所有方案皆有其利弊得失
#報時光UDNtime　　　
　　　　
來源：聯合報
日期：1999/7/29
攝影：林秀明
圖說：昨晚全台大停電。
　
歷史新聞
　　　　　
【1999-07-30/經濟日報/01版/要聞】
　　　　　
全台灣 大停電
新竹園區損失至少數十億元 近千萬戶受影響
　　　　　　　
【本報綜合報導】昨(29)日深夜11時15分許，台灣地區發生罕見的大規模停電，除高屏少數縣市外全部停電，近一千萬戶受影響，新竹科學園區也因瞬間降壓斷電而損失慘重，初估損失至少數十億元。
昨夜停電原因眾說紛云，可能原因有輸配電系統發生重大故障、變電所爆炸等，台電公司昨晚緊急調查原因，但至截稿為止，仍無法明確對外公布。
昨晚11時過後，北部、中部、東部及嘉義、雲林等地瞬間停電，頓時全省一片漆黑，稍晚台中、高雄恢復供電，其它地區仍未恢復。台電公司目前以調度搶修為首要任務，全省警力也立時動員警戒，全省交通大亂，高速公路林口以南全面封鎖禁行。
受瞬間降壓影響，高科技產業集中的竹科全部斷電，半導體、光電等工廠因必須24小時運轉，所有製程內、爐管內半成品都將因此報廢，廠商損失慘重。
　　
【1999-07-31/經濟日報/02版/大停電特別報導】
　　
大規模停電凸顯的當前電力供應問題
　　
【社論】台灣地區29日深夜發生歷來最大規模的停電事件，全島除了高雄、屏東、台南等地區，都陷入停電狀態，約八、九百萬用戶無電可用，連機場、鐵道、醫院等停電敏感地區都一度斷電。產業損失更難估計，顯現這次大規模停電的嚴重性。引發這次大停電的原因是台南關廟山崩，導致台電公司高壓鐵塔傾斜，造成龍崎至嘉民海線、龍崎至中寮山線間的輸電線跳脫，並引起連鎖反應。這次停電事件看似意外事故，實際卻是台灣電力供應系統的根本結構性問題使然，值得深究。
這次停電凸顯的第一個結構性問題是區域電力供需不平衡。根據台電公司的統計，目前台灣地區含民營電廠的電力總裝置容量為2,749萬瓩，位於桃園龍潭以北的電廠有核能一、二廠及協和火力、林口燃煤、翡翠水力等機組，裝置容量約690萬瓩，僅約占總供電能力的25％。但是，北部地區是政治、金融及商業發展中心，電力需求大，用電量約占全台灣的45％以去年的統計為例，北部地區的最高負載約1,075萬瓩，但淨尖峰供電能力僅約665萬瓩，不足的410萬瓩電力都需由中南部經輸配電送來。
這種南電北送現象已存在多年，隨著經濟持續的發展，北部地區對南電的依賴愈來愈高。台電統計，南電北送的電力今年以來漸增，7月下旬已達440萬瓩，因而逼近現有輸配電系統的最大輸電能力470萬瓩，北中第一、二路超高壓輸電線負載率並首度超過90％，較合理負載率75％高出甚多。這種情況顯示不僅北部地區供電吃緊，也反映輸配電系統的負載率持續偏高，將相對增加系統設備的故障率，一旦發生事故，兩條輸電大動脈將因負載偏高而無法相互支援，就會爆發像前天深夜一樣的大範圍停電現象。這是當前電力系統存在的第二個結構性問題。
第三個問題是我國電力備用容量率長期低於合理的25％水準，今年大約在12％、13％間，表示電力供應只是大致夠用，難以應付突發的狀況，例如需求激增或機組故障。因此，每當進入夏季尖峰用電時期，台灣地區民眾就得面臨可能限電的壓力。然而，儘管電力備用容量率長期偏低，在環保抗爭、安全考慮等情況下，台電公司卻不易增設新的發電廠。近十年來，台電都是在現有電廠中加裝發電機組，因而供電能力成長有限。
這三大結構性因素使得台灣的供電系統相對脆弱，一旦遇有突發事故，台電的應變就顯得捉襟見肘。為此，台電已採行因應措施，例如興建南北第三路超高壓輸電線，不僅寬解北部地區供電壓力，並減輕現有二路輸電主幹線的負載，提高相互支援及應變能力。另一方面，台電也積極興建大潭液化石油氣發電廠及核能四廠，以增加北部地區發電機組，減少對中南部電力的依賴；此外，目前已開放設立的民營電廠，更優先選擇在北部設廠者。
這種種努力並沒有獲得完全的支持，例如南北第三路超高壓輸電線，就面臨部分路段民眾抗爭的困難，以致原定民國85年應完工的第三路輸電線，卻至今仍在進行中；核四的興建更是風風雨雨，儘管立法院已通過興建預算，至今仍然面臨反核團體的干擾，甚至可能無法取得地方政府的許可，以致完工時日遙遙無期。民眾「要電不要廠」的心理一直存在；核電廠的興建是見仁見智，一向是國際性的爭議；燃油、燃煤等火力電廠的擴建，其所排放的大量二氧化碳，將受氣候變化綱要公約的管制；興建對空氣汙染程度較低的液化石油氣發電廠，民眾就須接受電價調漲的事實；如果放任現況不管，就是由台灣經濟付出代價，企業界得隨時準備承受限電、斷電、停電之苦。
天下沒有白吃的午餐，每一種解決方案都會帶來利弊互見的影響，應對之道當是權衡輕重緩急，選擇最適方案。台電的危機處理能力及效率一定有提升及改善的空間，但關鍵還是在於這三大結構性問題必須及早解決，才能真正提高台灣電力系統的供電穩定性。因此，政府相關單位應儘速在考量環保、能源及安全等原則下，訂出明確的電力政策，並發揮公權力，全力執行，及早改善台灣經濟發展的基礎環境。

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