關於 泵浦故障原因 ，我們在網路上蒐集到這些相關的討論、資訊與評價

讓粉絲朋友久等了，也謝謝大家的關心與擔心，期間真的收到很多
粉絲朋友們的訊息鼓勵以及消息回報。

跟大家做一個目前調查釐清的一個階段性報告。
也附上站在車主角度的說明，全段放上，沒有任何擷取修改，僅保護店家及人名稍做修飾，放上車主全部的訊息供對於事件有興趣想了解的朋友參考。

在此也修正車主說不認識林XX這FB帳號的原因是對方一直是使用另一個PERXXX的FB帳號與車主聯繫。所以造成上週直播的錯誤說明。

車主的帳號我就不附上，也請希望大家不要攻擊他，也注意大家自身網路發表言論的尺度拿捏，不要為了挺小施而吃上官司也不是我們所樂見。

車主也多次表示願意在將車買回，證明整件事情並不是他所指使操控或是想得利，所以在刊登出車主聲明後，如果車主還希望買回車輛，我們也會從善如流。

最後小施再次重申，車主清楚法律的規則，也明瞭我兩合意簽署的契約內容，也就是現況交付，我們雙方也有明確的政府定型化契約為證。所以車主後續才會都沒有回來找我們。

但在不論第三方知不知情的狀況下而去散發對於小施汽車不利的言論，為了維護商譽，本公司將保留法律追溯的權力，絕不寬待!

下方就附上德尚法律事務所的說明，以及車主的聲明文字，也附上車主的聲明圖片供大家參考!

德尚法律事務所說明小施汽車商行事件調查過程:

從小施來請我協助處理這一件事，我的目標就是先盡量查清楚事實的真相。

先聽了小施的說法，以及他瞭解之事件內容後，我在留言串中貼文希望林查鋰先生與劉建亨先生與我聯繫，除了一開始告知希望林查鋰先生、劉建亨先生與我聯繫，不然也只能進行後續法律程序外，
我與對方聯繫過程都沒有說要提出告訴，因為一開始我的目標就是先釐清事實，再來跟小施確認要怎麼進行後續處理。

而與林查鋰先生聯繫過程中，林查鋰先生有提及他掌握車主在車內的行車記錄器錄音以及與車主的訊息紀錄，
我請求林查鋰先生提供我參考，但是他拒絕，後續因故得知林查鋰先生也有律師幫忙處理，所以與林查鋰先生聯繫，希望能與他的律師協調看看後續處理方式，也再次被拒絕，只好轉而請小施協助我聯繫車主，我親自跟車主確認事件經過，並且請車主將過程紀錄下來，我也請小施轉告車主，希望車主特別說明時序、細節的地方，
車主也就翔實紀錄了整個事件的過程以及他的心情（如聲明照片）。
因為我想知道的事情很多，所以車主寫得比較詳盡（長），我建議大家還是直接看車主寫的，因為裡面對小施也是有蠻多不滿意的地方（笑），本來我寫一下我看到的重點（也就是懶人包），但又擔心節錄的內容不完整，所以如果想瞭解的話，還是請大家花點時間看一下原文，比較不會曲解車主的原意。

以下為車主完整敘述:

老闆早安，不好意思，那天晚上看到這兩通電話是不熟悉的號碼所以我沒接，再打來我會接，漏接我也會回電

我還是希望能和平解決，鬧到對簿公堂真的不是我願意見到的

我從沒想過要利用人散播讓您聲量受損，我不只跟per一個人講述過買這台車的過程，大家也都是聽聽而已，沒想到一個從蝦皮交易（我跟他買東西），到他聯絡我要看車，那時候我只是跟他說，
請在marketplace留言給我，他直接用了一個看起來就是分身的帳號加了好友，我抱著能完成交易最好，
因此也同意加了

7/25，您聯絡我的時候我第一個想到的是可能有人在你的估車影片留言讓你知道交車過程發生的事，後來您提說要買回我也猜到就是要挽回聲量，我其實很猶豫；我不賣回就是擺一根刺在那，
我賣了，腦粉又會覺得我貪婪再來您問我認不認識「林查x」，我第一個反應就是不認識，但我心裡也有猜到應該是per，但我也不會戳破，畢竟人有隱私，我又何必多事

到隔天（7/26）我跟per傳訊息，開始就是我找了smg跟原廠手排的差異要澄清，我也怕他四處宣傳這台沒改好，接著他突然問，你有沒有跟我聯絡後照鏡的事，我也不以為意，再後面他要求通話時，
在談話過程我才提到（但我不確定他有沒有錄音，至少我不會隨便對人錄音），
對話中我有強調，不要這樣，他一直說「不要怕」，而後我提到你要收回去，但我不太想，因為怕被做文章，但我也有提到，如果要賣回給您就是88萬，我也沒要敲竹槓，他叫我整理清單，讓你開，不要由我這邊開價，無論開多少都會被當成貪婪；我想了一下也好，因此就整理完讓您出價，你回復我說，會盡量配合，
我想了一下，那就跟我放在拍賣的價格一樣88萬，後來您也同意了，我想就到此結束，所以在隔天從南港離開前我還是傳了訊息告訴他一聲，但我沒提到價格（因為在7/26對話中，他認為您會負擔88萬+整理的費用⋯我從沒想過要讓您完全出修車費，畢竟照合約走，而且就算是交車當下後照鏡測試故障，但我也同意先交車了）

543跟您的粉專，針對這件事的發展我並沒有即時follow，這對我的生活一點意義都沒有，只是偶爾翻一下，果不其然，被當成檢討的對象了，我一直基於讓雙方滿意的原則跟你們兩方對話；
我不希望影響到您的聲譽，也不希望教導我新世代性能車知識的人被告

最後我想把車買回來，真的是希望大家都能滿意，這件事情，您的鐵粉也更加死忠，您的對手也起不了太大的浪；per要跟在旁邊「吃麵喊燒」或是挑釁的人隨風起舞那就隨他，畢竟這個開頭無論是要藉由這件事打擊您的生意或是「真的只是要幫我出口氣（我沒有叫他公開散佈喔）」，這目的也達到了，後面發展到要我出庭⋯以後我會更謹言慎行的

德尚法律事務所:

小施哥您好，我看完車主陳述，覺得還有幾點需要麻煩車主釐清，再麻煩您轉吿。
1.麻煩車主說明一下買車約定契約內容。
2、針對後照鏡事件說明事實經過，是否有向您本人反應？
3、說明車主知道林查鋰身分的時間點，還有在直播前是否有告知您知道林查鋰是誰。
4、車主傳訊息向林查鋰道謝的原因，是否有委託林查鋰上網貼文或要求小施買回？
5、車主被錄音的時間點，錄音當下是否知道被錄音。

1. 契約內容第十五條寫著「已告知甲方已（錯字）現況交車 允諾漏油處理. 水路. 功能進行確認」，
這邊我要註明，該離職業務回傳的漏油處理照片為vanos hub外蓋，非我後面自行處理的CPV(機油壓力閥）漏油問題

2.後照鏡問題僅向當初業務（李X德）反應

3.直到7/26 下午12:43分的通話我仍不能肯定林查鋰就是per，因為用疑似假帳號聯絡的人不會只有一個，甚至我也猜測聰明人也不會用真名在粉絲頁挑起話題，所以我只能臆測，但不揭露他人隱私

4.這是兩件事，要不要賣回給車行是看我本人的意志，即時是在7/25老闆告知要買回證明這是台好車我也沒有馬上答應，
隔天7/26的對話，（如果per有錄音麻煩放整段，因為我不會隨便對人錄音），憑印象，我有提到「老闆要買回，但我怕買回後賺一波流量又打我」、「我的朋友在這週六7/31有要帶人來看車」，這時候per說賣回給車行比較好，因為朋友也不會出太高價，我說「就算要賣也是88萬，我不佔人便宜」含維修、改裝鋁圈、胎也一並附上，我並沒有敲竹槓，而後他要我列出清單，他覺得理論上老闆應該會展現大氣，連同維修費一同附，但我心裡不這麼認為，因此就口頭應付他一下，而後per給了事發網址，我認真看了，

我發現很多信徒已經走火入魔了，好像我是來亂的，我也回覆我會把紀錄做好，就怕被打成「敲盤子的人」，
而後跟老闆本來約好週六北上交車，但我整夜沒睡，覺得拖越久，很怕雙方再起爭執，
因此隔天早上7/27我傳訊息給老闆說，可否改成今天北上交車，老闆也答應了，下午在我從南港車站離開前，
我都沒告訴per到底老闆花了多少錢買回去，就是怕又有後續，僅告訴per解決了，順便禮貌上道個謝。

「我從沒委託林查鋰/per上網貼文，也沒主動要求小施老闆買回，這點在7/25 10:55老闆給我的訊息可以證明，
是老闆最先提到的，我沒那麼沒品。
(只是沒想到我從小跟職場上養成的禮貌，竟被當成是委託、要求甚至是操作，難怪這社會越來越自以為是的人）

5. 7/10實際被錄音的時間點我不確定，當天per請我體驗他的新世代性能車，我在路上到底聊了什麼，
我也希望能整段聽到，應該也能聽到誇獎他的車，至於因為買車的不愉快而產生情緒的話語，
我實在記不得所有了，因為7/10看完車後都是在講變速箱的事，這時候我只知道per不知道林查鋰，
甚至之前蝦皮交易上的紀錄我也查不到他的名字，連包裝早就丟到垃圾桶了，姓什麼名什麼都不甘我的事，

而後7/29老闆傳了一張圖片，
上面竟然提到錄音（我沒有一直follow老闆的粉專，直到昨天7/31認真看了才知道per直接在粉絲頁嗆錄音的事，
在7/30我下班時，他才告知我有錄音，這時候我還天真以為那是per跟老闆或是委任律師私下的訊息，
因此7/10當下我真的不知道被錄音了，甚至連錄音檔會保留一週以上都讓我覺得不可思議，

甚至是不是在7/10當天就預劃好節錄了，我不知道⋯而後在543的網頁林查鋰提到我賣車所說的話，
也沒先跟我告知甚至徵得我的同意，在資訊媒體上揭露，這在7/26中午的對話中（假設他有錄音）我也提到「不要這樣做」「我不想鬧事」⋯

到現在林查鋰也沒承認per就是他吧？我fb僅有per的訊息，沒有任何林查鋰的訊息，但別人要用幾個帳號又與我何干？

我只是一個消費者，花錢買服務，服務值多少錢每個人的標準不一樣，我不會因為一對後照鏡就每天叮業務，
更不會跨過業務直接找老闆，在我職場所學上，如果事事都要老闆處理，那要聘員工幹嘛。

買車時，smg是應有的認知，甚至我在2020/5/1看車時，問了老闆液壓泵浦有沒有換，老闆回覆說有，
我說那有工單嗎？老闆影印了一疊，我當場隨意翻了一下沒看到，想說就相信那塊招牌，也沒議價就直接購入了，
後來回到新竹仔細看了工單才發現，最後一次是拖車到新店XX車業，工單顯示更換離合器分泵跟離合器組，
我心涼了一下，液壓泵還是有故障的可能」，後來看了售車影片，老闆提到容易故障的是離合器⋯
e46 m3四大問題：小波斯、vanos、smg液壓泵、後工字樑鎖點裂開⋯
這些都是我在買車後花時間從國內外各大專門網站做功課得來的，
當初抱著「買車放心交給專業二手車商」的期望在交易後跟業務的接洽時，早就被我丟到牆角了，

因此自從業務的回應停止，我也放棄在跟車行反應了，直到7/27把車賣回去竟被當成是操作得利者，
那我到底是買了一台好車？還是什麼車？老闆說車好所以要買回去證明，疑似信徒的人又帶風向，

搞得像是我沒花到錢的享受了一年的車⋯買車88萬修車12萬多，bbs鋁圈含胎12萬7千，懂的人覺得值錢，
不屑的人覺得連臉盆的功能都沒有，或是散佈改裝品不值錢，改裝隨車賣不值錢，但拆賣就有錢了⋯
一些小地方我也花時間一樣一樣補齊⋯這些疑似腦粉、狂熱信徒的邏輯真是匪夷所思。

我願意賣回給老闆就是有讓您挽回聲量的意思，我將心比心，如果繼續擺在網拍，來看的人都會知道我陳述事實，
那對老闆來說不就是一根刺在那嗎？這對我來又有何意義？原本我說要整理後差速器跟變速箱間隙也是真的，
不信您可以打去新竹南寮「XX汽車」，店家只有一個人，實在太忙了，還沒有空檔讓我排入，

怎麼會被疑似信徒的人講成，我操弄語論讓老闆不得不購回，因此大賺特賺一筆⋯車子永遠只會是負資產，
這是有腦的人就會有的認知吧？

就像某個粉絲頁中林查鋰提到的，老闆是看到他的留言才來處理，還是業務先前就處理好了⋯
老闆您不知道業務處理是事實、那業務有接到訊息但沒處理好也是事實、您看了留言立刻來處理也是事實、
員工離職也是事實、離職業務沒交接後照鏡，只交接變速箱，那與我何干？

要我這個消費者跟新業務重複提到區區一對後照鏡的小事嗎？我沒跨過業務跟老闆反應也是事實，
但我所陳述的後照鏡沒處理好、smg故障後，因為卡在路中間，只好我自行處理也是事實，難
道一定要我在路中央打電話給台北購入車行請他們派人來竹東處理才是正確處理流程嗎？

我沒想過要影響任何人，但任何人都不能阻止我在私下場合談論我買車的感受，
怎麼被疑似信徒的人打成我這買家很有問題，應該跨過業務直接跟老闆反應才是正確的？

跟老闆分享健身的事，是因為您有問，我訓練超過10年，問我的不管是問問哥、認真哥、還是社交哥⋯
我都會告知我的經驗，我不強，沒比過賽，我就是陳述我健身發生改變的事實，
沒想過要跟人套近乎，健身是我的生活一部分，並不是社交工具

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

<最新發展請見文後>

【請中油重視深澳居民居住安全】

長久以來，沿北部濱海公路抵達深澳港時，都可以見到許多座藍色和綠色的龐大鋼構球體，這是中油位於深澳港的液化石油氣供輸服務中心區內的丙烷、丁烷儲存槽。但是對瑞芳深澳當地居民而言，這些儲存槽更像是巨大的不定時炸彈，讓他們生活在恐懼之中，每天提心吊膽害怕石油氣會外洩爆炸。多年來地方一直在抗議，希望中油能夠遷廠，讓當地居民的生活能夠安心。

但是日前辦公室接獲民眾檢舉，深澳港廠區內竟然出現維護、管理不善的狀況，為了保護居民生命財產的安全，今天下午，我代表黃國昌委員，隨著勞動部職安署檢查人員，一同進入廠區進行檢查。

檢查過程中的發現讓我頻頻嘆息，不但球形槽及冷凍槽塔頂管線及閥門鏽蝕嚴重，儲存槽間的泵浦輸送高壓管線、閥門，以及支架也都已經鏽蝕。現場詢問中油人員，有關電線的防爆路由汰換年限問題，沒有人能給我答案，連一個最基本的保養事項以及日程規劃都付之闕如。中油人員面面相覷，只回答說有問題就會檢修替換。但在言談之中，我無法從中油人員口中得知具體的維護管理機制及時程。

另外有關冷凍槽及球形槽的使用年限，雖然中油內部有25年的規範，但自1982年建廠完成迄今，已經使用了37年卻未進行該有的汰換。這麼嚴重的安全問題，中油跟職安署竟然推託給法律並未明文規範使用年限。

普悠瑪事故殷鑑不遠，事故主因便起於列車主風泵故障，造成了18人死亡的憾事。今天我聽到檢查有問題就會替換的回答，完全反映了中油這龐大的國營產業的顢頇無能與怠惰。笨蛋，你們的責任就是隨時要保證設備安全無虞，你們管理的可是能夠炸掉整個東北角的儲存槽，沒有任何壞了再來換的空間。

而這些高壓管線、電氣管線，在職安署認定，是由中油自主管理的項目，我完全無法放心。當場，我便要求中油於本週將槽體更新的報告、討論會議記錄、場內管線維護保養規則、計畫及記錄、工程紀錄、遷廠計畫等資料交出。不管花多少時間，我會一頁頁檢視這十年來的表格和技術資料，就像我和黃國昌委員追普悠瑪事故原因一樣，不會遺漏任何細節。

深澳港區居民的居住及人身安全，我要求中油公司必須真正加以重視，訂定完整維修保養計畫及規範，改善所有危及工安的設備及管線問題。黃國昌立法委員和我必定會監督到底。

*************************************************************

【最新發展】⛔️⛔️⛔️⛔️⛔️⛔️

有關昨日（9月24日）辦公室同仁和中油人員紛爭，造成紛擾乙事，我必須站出來讓更多人知道爭執背後究竟真相為何。

2014年7月31日晚間8點，高雄前鎮區飄出瓦斯味，大量液態丙烯汽化隨著排水箱涵流動向外不斷擴散。晚間11點，前鎮與苓雅區氣爆案發生，導致32人死亡，321人受傷。高雄市府、中油、長榮化工早都知道住宅區埋了管線，也知道管線老舊，更知道前鎮區與苓雅區就是潛在的危險區域。但相關單位幾十年來，根本就不曾嚴肅的面對這種危險，顢頇的以為不會發生如此嚴重的公安事件。

高雄氣爆案嚴重嗎？當然嚴重。那中油深澳石油氣如果外洩，會更嚴重嗎？

上個月28日，我代表國昌委員前往中油深澳石油氣供輸中心勘查現場冷凍槽、儲氣槽、丙烷丁烷重要管線及現場各類管線的維修保養狀況。現場發現多處鏽蝕嚴重及補丁狀況，卻未見中油同仁重視。當時我請中油同仁提供管線維護保養資料，到現在仍未送來。9月11日，深澳中油液化石油氣供輸中心廠內，一條丁烷管線鏽蝕破裂，丁烷外洩，發生嚴重公安事件，中油依然未於合理時間內提供資料。

9月18日我再赴現場勘查，從中油的危險物質安全資料表與中油現場人員說明內容，可以知道當天應該是少量洩漏，管線內處於零下溫度的丁烷漏出時接觸到常溫空氣瞬間結冰現象，倘若當天洩漏量過大時，一旦與管線摩擦產生靜電或火花，極有可能產生爆炸！

多次放寬時限給中油同仁，換來的只是一再拖延，根本將深澳當地居民生命財產安全視為無物，廠內員工也處於嚴重工安危險環境，難道這就是中油對外負責任的態度嗎？

不要忘記，高雄氣爆就是液態丙烯汽化外洩，遇熱後爆炸。深澳中油則是已經發現丁烷露出，一遇靜電火花同樣會爆炸！