210628關鍵評論 《省出一棟房:24招易上手的存錢絕技》:用三小方法爭小利、存小錢,拼出大財富
關鍵原址→https://www.thenewslens.com/article/152573
本書為超業房仲泰源將自己的親身經驗:從負債到買房的實戰方法歸納彙整集結,以實戰經驗分享省錢的方法與財富累積思維、體質培養的工具書。......↓
文:陳泰源
每個人都有自己的一套省錢絕技,我也有我的「順便哲學」,無論是採買、聚會、旅遊等等,甚至未必跟錢有關的任何事,我總想著怎麼做才能一石多鳥。我把這樣的價值觀應用在生活中,凡事「順便一下」總能讓我省下不少錢、時間與精力,以下是我實際應用在生活中的6個例子。
情況1:收到紅色炸彈時
以前只要收到紅色炸彈,我都會厚臉皮跟新人說:「非常感謝你的邀請,但我負債中,若不嫌棄,我願意擔任婚禮主持同時演唱情歌,希望可以用這樣的方式給予祝福(暗示折抵紅包)。」有的親友欣然答應,有的表示流程已安排好但不介意我只給少少的紅包錢,有的則說:「沒關係,等你還清負債後我們再聚。」言下之意就是要我不用出席,我也只好裝傻回覆:「感謝你的諒解!」
如今我已還清負債卻仍保持這個詢問的習慣,把握住每次收到喜帖的機會,看看能否爭取從「親友」變「工作人員」,這樣的轉換,不僅讓我省下要包給新人的禮金,往往還能拿到新人的紅包呢!而在給予新人祝福的同時,也能順便滿足自己的表演慾望,還能賺外快且飽餐一頓,餐後我也會順便將剩菜打包回家,替自己省掉下一餐的費用,簡直是一舉數得!
情況2:手機或行動電源需要充電時
我的手機從不在家充電,都是利用在公司時充電,也會順便充行動電源,如此一來,回到家裡也能享用到公司的電。
順帶一提,前陣子我的行動電源壞了,我不直接購買,而是在臉書發文許願看看有誰願意送我,我用請客當作交換,這種以物易物的模式(午餐換行動電源),也讓我藉此順便跟沒見過面的臉友及僅有一面之緣的同業有了交流機會;另外還有一位因為換新手機,所以用不著行動電源的好同事,也將他原本的行動電源送給我,讓我頓時多了四顆行動電源,不用再擔心在外時電不夠充了。
情況3:經過房價較低的區域時
我住在物價頗高的台北市中山區,而我有個每週看二輪電影的習慣,於是都會趁去景美看二輪電影的時候,順便採買水果。
因為景美的房價基期相較北市其他區域,甚至是新北市的新店都來得低,所以店租不高,物價自然便宜;同樣的水果在中山區跟景美夜市(文山區)的價格就是不一樣,平均價差至少一成!
另外,景美夜市還有一家歷史悠久,在地人都知道的小甜甜手搖飲料攤。同樣的飲品比其他連鎖飲料店的價格便宜至少10塊錢以上,像我平常不喝手搖飲的,因為現在一杯的價格普遍都50元起跳,而當我花超過50元買飲料,卻喝到地雷飲品時心情會很差!但只要去景美,我都會來上一杯珍珠鮮奶茶或是蜂蜜檸檬加蘆薈,可口又高CP值的飲料喝了就是爽!
情況4:搭捷運時
現行悠遊卡採「搭乘次數越多折扣越多」的遊戲規則。
由於我主要的交通工具是機車,使用悠遊卡的頻率很低。但只要我當天的行程需要搭捷運,我就會順便使用家人的悠遊卡,如此便能將搭乘次數累計在同一張卡片上。
情況5:吃吃喝喝時
想喝汽水時,我都會買「纖維+」(內含膳食纖維)或「奧利多水」(內含Oligo 寡糖),不然就是「CC檸檬」(內含維他命C);這樣除了能享受喝碳酸飲料的爽快,也能順便幫助消化或補充其他營養素,讓飲料不至於太沒營養。
情況6:出遠門拜訪友人時
每當要去中南部拜訪友人時,我都會昭告天下以爭取演講機會,這樣不僅能與好友們相聚,也能順便賺演講費。
以2020年為例,我去高雄與台中拜訪友人,同時爭取到3場演講(大家房屋、21世紀不動產、有巢氏房屋),除了賺演講費,搭乘高鐵的交通費也能跟邀約單位申請補助,演講現場順便賣書又再多賺一筆錢。
結束後,同行通常會續攤請我吃飯,這些林林總總,讓我出一趟遠門往往沒花到錢,反而還倒賺不少呢!
人不OVER枉少年
上述例子,無非是想與大家分享,我的確靠賣房子賺了不少錢,但真正讓我致富的,其實是「順便哲學」。
當你把這一系列的行為內化為觀念並植入腦中,從此每天早上醒來到晚上回家睡覺前所做的每件事,所展現出來的順便行為,長期累積下來省下的時間、金錢、精神,肯定讓你驚喜不已!
累積財富的三小方法
積少成多是大家都懂的概念。可「真正懂」又能付諸實踐的人有多少?在這裡分享我身體力行的染個方法,希望你也覺得受用。
一筆錢,拆成多筆小定存
定存除了保本加微利,也是我們在尋找進場投資時機點之前最合適的資金停泊處,不管利率再低,至少比活存高一點而且隨時可解約,變現超容易。
只是,當你有一筆閒置資金時,該將這些錢全部綁在一起還是拆成多筆小額定存呢?後者的方法是我看《佑佑努力記3年從零存款到百萬》這本書學習到的技巧,我覺得很棒,好處如下:
除非你刻意查詢,否則紙本存摺與網路銀行登入時只會顯示活存餘額,創造存款變少的錯覺,換句話說,只要讓「活存維持低度水位」,就能讓人在平時有意識地少花點。
靈活彈性,同時把利息極大化!人們無法知道明天跟意外哪個先到,金錢運用亦是,我們無法預測何時急需用錢。因此,假設你目前有10萬元並把它轉為一筆定存,哪天突然急需用到5萬元時卻得被迫解掉10萬元定存,是不是很可惜?然而,假設你拆成兩筆定存(各5萬元),當你急需用錢時只需要解掉其中1筆即可,另外1筆仍然可以存到期滿,讓利息領好領滿。
過水ShopBack網站,再用行動支付刷信用卡
現金的議價幅度通常比信用卡高,當你要消費時記得問老闆「付現是否有優惠」,如果有就用現金,畢竟信用卡會讓店家的利潤被銀行剝一層皮,你得到的折扣自然縮水。當然,如果付現跟刷卡的金額一樣,那就選擇刷卡。
選擇刷卡時,請先確認是否可以使用行動支付,如果是單純把信用卡綁定在手機裡的那種(像是Apple Pay、Google Pay),在折扣上雖然跟實體卡片一樣,但至少方便查帳,對理財也有幫助,記得,多數有錢人都有記帳的習慣。
如果店家可以接受的行動支付包含像是「街口支付」或「LINE Pay」之類的,那就盡量用,因為除了信用卡本身的回饋之外,上述的行動支付也可以享有額外的虛擬貨幣折抵(街口幣與LINE POINTS),也就是「消費一次,雙重回饋」的概念。
至於「ShopBack」,它可是我現在網購前必過水的網站,以我每月買書的習慣為例,我會先進入ShopBack網站再連結到網路書店找書,下單時用LINE Pay刷信用卡,如此將ShopBack、LINE Pay及信用卡結合,讓你一次性消費獲得「3重」回饋,超級划算!
只花紙鈔,不花硬幣
記得,硬幣不是拿來花的,而是拿來存的!我始終保持一個習慣,在只能用現金的每次消費行為中,只花紙鈔,不花硬幣。每次買完東西後找零的錢幣,不論是1塊、5塊、10塊或50塊錢,我一回到公司就立刻存進撲滿,這讓我產生「錢怎麼這麼快就花完了」的錯覺。
而每到農曆新年前就是我的殺豬公日,我都會有一種「突然多了這些錢」的驚喜感!這些多出來的錢,我通常拿去旅遊、買新衣、吃美食犒賞自己,有時想不到可以做什麼,就把它存進銀行裡繼續滾雪球。
以前還沒使用信用卡時,我大約每3~4個月就能殺豬公,使用信用卡之後大約每半年殺一次豬公,現在行動支付興盛,我存零錢的速度被拖慢了,目前的頻率則是一年一次。而每次結算的金額,最低也有1.5萬元,最高紀錄還曾經達2.6萬多元,都快要可以付我兩個月的房租了!
馬桶裡有錢,你撿不撿?
某日中午我去速食店用餐,發現廁所馬桶裡面竟然有10元硬幣,我想撿,可是想到那是排泄物的必經之處,縱然水看起來是清澈的仍心有障礙。
換作是你,拿還是不拿?請不要跟我說「跟店員講我的錢掉進馬桶請幫我撿」這種話,我會揍你。而我是這樣想的:
想像自己是負債狀態。
手髒了,洗手就好,反正沒人看見。
要知道,生出10元的利息並不容易,你必須先有6000元的錢母並搭配年利率2%的理財工具(現在銀行的定存利率已經連1%都不到了),還要花1個月的時間才能生出這10塊錢。因此,如果我不撿,不是看不起10塊錢,而是看不起它背後6000元的錢母。
於是我便鼓起勇氣伸手拿,然後趕緊用肥皂連同硬幣一起洗手。
請重視每一塊錢
在《原來有錢人都這麼做》一書中有一段是這樣寫的:「有錢人自居守財奴,重視每一塊錢。」這讓我想到過去我也曾看過類似財經書籍所舉的情況,看到路邊有一塊錢,你撿還是不撿?
不撿的代表人物:比爾蓋茲。因為他一分鐘幾百萬元上下,撿錢的時間不如拿來賺錢。
撿錢代表人物:香港首富李嘉誠,某次一枚銅板掉出來滾到臭水溝,他試圖去撿;美國股神巴菲特,他搭電梯時發現地上有一塊錢,他看同乘電梯的人都沒有要撿,於是他撿;台塑集團創辦人王永慶,他的名言之一就是「賺一塊錢不是賺一塊錢;存一塊錢才是賺一塊錢」。
比爾蓋茲不是有錢人,而是超級富豪,那我們呢?伸手進馬桶拿錢與洗手時間加起來不過一分鐘,你一分鐘賺得到10元嗎?你工作時薪有達600元嗎?比爾蓋茲在逛街吃飯與朋友聊天時依舊有被動式收入,你有嗎?如果你是負債狀態或處於努力存錢累積財富的小資族,想想李嘉誠,他連臭水溝的錢都要撿,你有什麼理由不撿?你怎麼可以不撿?
順帶一提,為何有些人不花心思做預算與記帳卻一樣可以成為有錢人?因為他們刻意營造一種「缺錢感」,這樣就不用擔心會亂花錢了。
說了這麼多,如果沒有執行都只是空談,行動吧!讓我們一起用三小方法爭小利、存小錢,拼出大財富!
書籍介紹
本文摘錄自《省出一棟房:24招易上手的存錢絕技》,台灣遊讀會股份有限公司出版
省錢hen好玩──2年存百萬祕技不藏私大公開!
本書的案例生活化,以「一般人生活中會遇到的」食衣住行等面向來分析,提供大家意想不到的省錢方法,幫助你的存款累積;此外,本書的手法簡單易懂的做法與建議,並輔以泰源親身體驗認證,讓你不用靠投資、理財也可以按部就班輕鬆存出買房金;以及,書中的觀念是心法也是新法:除了方法的教學,還會從「觀念」出發,幫助你既學會實務操作,也能理解其中原理並自行應用到其他面向。
即便你不懂理財、不會投資,只要掌握原則與心法,還是可以從現有狀態中「開源節流」,存出自己的多桶金。
責任編輯:蕭汎如
核稿編輯:翁世航
部落格→https://taiyuanchen1223.blogspot.com/2021/07/210628-24.html
滾珠花鍵應用 在 Facebook 的精選貼文
[育兒觀察日記] 教育好難 (下)
我蹲著靠近軟A,眼睛比他還低,問:
阿弟你怎麼了?告訴爸爸,爸爸來幫你。
「啊啊啊啊!!!!呀!!!!」被兇了一頓的兒子還是張牙舞爪,噪音加上拳腳攻擊,爸爸的太陽穴吃了一掌,鎖骨被踢,耳膜刺痛。
我假裝這一切都沒有發生,(心中默念是我生的是我生的是我生的是我生的是我生的是我生的是我生的是我生的是我生的)
繼續對兒子說:
『就算你是這麼生氣對爸爸,爸爸還是愛你,爸爸沒有討厭你。
爸爸只是想知道要怎麼幫你。』
(對不講理的憤怒兒子表達自己的包容前,自己已經在心中演練了無數次,如果當年我三歲也這樣無理取鬧,遇到這樣的一尊佛,應該也會選擇相信他吧,我當年也很想要這樣的爸爸,所以當下完全沒有憤怒情緒,只覺得在講這句話時心酸想哭)
「啊啊啊啊!!!!呀!!!!」兒子沒有繼續對老子暴力相向,但噪音攻擊還持續著。
=====
眼看情緒好轉,趕快柔聲追問:
爸爸只是好奇
「啊啊啊啊!!!!呀!!!!」
想要知道阿弟為何那麼生氣
「啊啊啊啊!!!!呀!!!!」
這樣爸爸才知道可以怎麼幫你,
「啊啊啊啊!!!!呀!!!!」
兒子沒有辦法給個像樣的回答,只會用吼叫來回應,爸爸只好耐心的開始"不帶立場的詢問"。
=====
『你會這麼生氣,是因為沒有看你想看的卡通嗎?』
「啊!」軟A還是生氣,但已經將注意力放在爸爸身上。
『那麼只要以後看電視,都先給阿弟看,是不是就不會生氣了?』
「啊啊啊啊!」軟A還是生氣地敲桌子,他覺得我在酸他,但爸爸的確是一本正經的在詢問,並沒有要責難的意思。
『這樣也不行嗎? 我可以幫你問姊姊以後都給你先看,但..是不是連你自己也覺得很奇怪?』
「啊啊啊啊!」軟A繼續敲桌子,用憤怒來回應。
『爸爸很愛你,只是想幫你,但你還是一直在生氣。』
「啊啊啊啊!」軟A繼續敲桌子,用憤怒來回應。
『那麼你是對自己生氣嗎? 覺得自己做錯了。』
「啊啊啊啊!」軟A繼續敲桌子,用憤怒來回應。
『但爸爸知道你是很想哭的,覺得自己做錯事情,又惹媽媽生氣了,才會一直對自己生氣。』
「啊啊啊啊!」軟A繼續敲桌子,用憤怒來回應。
我伸出雙手抱住軟A的兩肩『爸爸知道你很傷心,也對自己生氣,但是不用擔心,爸爸會幫你跟媽媽說對不起,也會想辦法幫你的。』
「嗚啊啊啊~~」軟A到這邊就再也忍不住的嚎哭了起來,豆大的淚珠不停的滾下。
『爸爸知道你很傷心,很難過,但是你已經沒有再生氣了,先把自己修好了。』
「嗚啊啊啊~~」
『就像阿古力一樣,又哭又笑,大火熄掉,是最好的解藥,你已經不會再噴火了。』趁機將繪本的故事套用到現在的情境,軟A很快就止哭了,而看到兒子哭的那麼傷心,連媽媽的火都熄了,跑來跟兒子和好,軟A得到媽媽的安慰,馬上就跟媽媽道歉了。
『那麼,阿弟以後也覺得輪流看電視比較好嗎?』
「嗯,輪流看。」
而跟兒子和好後認聳的媽媽,被兒子一凹,就默默的把地板牆壁擦乾淨了。
=====
這次溝通應用了薩提爾的對話練習
擁抱自己內心小孩,與自己和解
以及伴侶拚盡全力周旋,留給我尾刀的機會。
整個過程雖然花了半小時,但這幾天軟A都非常能夠接受爸爸的意見與安排,關鍵就在於緊密協和的親子關係,可說是非常的高C/P值!
但也天殺的累。
(開一瓶啤酒敬自己)
#3y4m19d
滾珠花鍵應用 在 台灣物聯網實驗室 IOT Labs Facebook 的最佳解答
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