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
同時也有2部Youtube影片,追蹤數超過0的網紅alex lam,也在其Youtube影片中提到,文字 https://www.4gamers.com.tw/news/detail/36491/i-rocks-m33-m35-rgb-gaming-mouse 鍵盤廠 i-rocks 艾芮克科技近期推出了全新 M33 RGB 遊戲滑鼠與 M35 光微動開關遊戲滑鼠,M33 RGB 遊戲滑鼠主打 R...
記憶體驅動程式更新 在 台灣物聯網實驗室 IOT Labs Facebook 的精選貼文
TrendForce 發布 2020 年 10 大科技趨勢
作者 TechNews | 發布日期 2019 年 10 月 02 日 14:40 |
全球市場研究機構 TrendForce 針對 2020 年科技產業發展,整理 10 大科技趨勢,內容請見下文。
AI、5G、車用三箭頭,帶動半導體產業逆勢成長
2019 年在中美貿易戰影響下,全球半導體產業呈現衰退。展望 2020 年,儘管市場仍存在不確定性,但在 5G、AI、車用等需求挹注下,將帶動半導體產業逐漸脫離谷底。IC 設計業者將導入新一代矽智財、強化 ASIC 與晶片客製化能力,並加速在 7 奈米 EUV 與 5 奈米的應用。在製造方面,7 奈米節點的採用率增加,5 奈米量產及 3 奈米研發的時程更加明朗,先進製程製造的占比將進一步提升。此外,化合物半導體材料如 SiC、GaN 與 GaAs 等,具備耐高電壓、低阻抗與切換速度快等特性,適合用於功率半導體、射頻開關元件等領域,在 5G、電動車等應用備受重視。最後,由於晶片線寬微縮及運算效能提升,使先進封裝技術逐漸朝向 SiP(系統級封裝)方向發展;相較於 SoC(系統單晶片),SiP 的組成結構更靈活且具成本優勢,更能符合 AI、5G 與車用等晶片的發展需求。
DRAM 往 EUV 與下世代 DDR5 / LPDDR5 邁進,NAND 突破 100 層疊堆技術
現有 DRAM 面臨摩爾定律已達物理極限的挑戰,製程已來到 1X / 1Y / 1Znm,進一步微縮不僅無法帶來大量的供給位元成長,反而成本降低的難度提升。DRAM 廠目前在 1Y 與 1Znm 製程將開始將單顆晶片顆粒的容量由現有主流 8Gb 提升至 16Gb,使得高容量模組的滲透率逐漸升高,並且有機會在 1Znm 開始導入 EUV 機台,逐漸取代現有的 double patterning 技術。以 DRAM 的世代轉換來說,DDR5 與 LPDDR5 將在 2020 年問世,進行導入與樣本驗證,相較於現有的 DDR4 / LPDDR4X 來說,將會更省電、速度更快。
NAND Flash 市場將首次挑戰突破 100 層的疊堆技術,並將單一晶片容量從 512Gb 提升至 1Tb 門檻。主要為因應 5G、AI、邊緣運算等持續發展,除了智慧型手機、伺服器/ 資料中心需要更大的儲存容量外,更要求單一儲存裝置的體積進一步微縮。除了 NAND Flash 晶片的進化,智慧型手機上儲存介面也會從現有 UFS 2.1 規格,升級至更快速的 UFS 3.X 版本。在伺服器 / 資料中心方面,SSD 產品也會導入比 PCIe G3 速度與效能快 1 倍的 PCIe G4 介面。兩樣新產品明年將鎖定高階市場。
5G 商用服務範圍擴大,更多硬體終端問世
2020 年全球通訊產業發展重點仍為 5G,不論晶片大廠高通、海思、三星與聯發科等,亦或設備商華為、Ericsson 與 Nokia 等將推出各種 5G 解決方案搶攻市場。在網路架構發展上以獨立(Standalone,SA)5G 技術為主,包括 5G NR 設備和核心網路需求提升。SA 網路強調無線網、核心網和回程鏈路架構,支援網路切片、邊緣計算等,在上行速率、網路時延、連接數量均符合 5G 規範性能。另外,隨著 2020 年上半年 R16 標準逐步完成,各國電信營運商規劃 5G 網路除在人口密集大城市外,也會擴大服務範圍商用,預計將看到更多 5G 終端或無線基地台等產品問世。
全球 5G 手機滲透率有望突破 15%,中國廠商市占逾半
2020 年智慧型手機的外觀設計重點仍圍繞在極致全螢幕,進而拉升螢幕下指紋辨識搭載比例提高、螢幕兩側彎曲角度加大,以及螢幕下鏡頭的開發。此外,記憶體容量規格提高,以及持續優化鏡頭功能,包含多個後鏡頭、高畫素等,也是開發重點。至於 5G 手機的發展,隨著品牌廠積極研發,以及中國政府推動 5G 商轉,明年 5G 手機的滲透率有機會從今年不到 1%,一躍至 15% 以上,而中國品牌的 5G 手機生產總量預計將取得過半市占。然而 5G 通訊基地台的布建進度、電信營運商的資費方案以及 5G 手機終端定價才是決定 5G 手機是否能吸引消費者購機的關鍵。
高刷新率手機面板需求看增,平板成為 Mini LED 與 OLED 新戰場
在手機面板方面,目前 OLED 或 LCD 面板的規格已經能滿足各類消費者的需求,然而伴隨著 5G 布建展開,其高傳輸效率與低延遲的特性,除了改善手機內容的動態表現,也開創手機在 AR 等其他領域的應用,帶動 90Hz 甚或是 120Hz 面板的需求。
另外,以最熱門的電競應用來看,除了既有的高刷新頻率面板,透過 Mini LED 背光增強對比表現的更高階產品,量產的條件也越來越充裕。而在採用 LCD 多年後,市場也傳出 2020 年的 iPad 可能同步推出採用 Mini LED 背光與 OLED 這類增強畫質表現的面板技術,讓平板成為 OLED 與 Mini LED 另一個發展契機。
顯示器產業供過於求,Micro LED 開創新藍海
從 Micro LED 自發光顯示器進展來看,越來越多面板廠商推出玻璃背板的 Micro LED 方案,但由於良率問題,目前模組最大做到 12 吋,更大尺寸的顯示器則是透過玻璃拼接的方式實現。儘管短期內 Micro LED 的成本仍居高不下,但由於 Micro LED 搭配巨量轉移技術可以結合不同的顯示背板,創造出透明、投影、彎曲、柔性等顯示效果,未來將有機會在供過於求的顯示器產業當中,創造出全新的藍海市場。例如,若結合可摺疊顯示螢幕方案,Micro LED 因為材料結構強健,不需要很多保護層,也不需要偏光處理,或許是一個適合切入的領域。
TOF 方案的 3D 感測模組搭載率提升,有利未來 AR 應用發展
相較於結構光,TOF(Time of Flight)技術門檻較低,且供應商較多元,因此 TOF 模組成為手機後置多鏡頭的選項之一。雖然 2020 年 3D 感測並沒有明顯的新應用出現,但預計會有更多品牌廠商願意增加搭載 TOF 模組的機種,帶動 TOF 的 3D 感測模組在智慧型手機的普及度逐步提高。而隨著 iPhone 在內的智慧型手機開始搭載 TOF 模組,透過提供更精準的 3D 感測和影像定位,強化 AR 效果,將提高消費者使用 AR 應用的動機,並吸引更多開發商推出更多 AR 應用程式,進一步提升對 3D 感測模組的需求。
感測能力與演算法成為物聯網加值關鍵
隨著技術與基礎建設日漸完備,2019 年物聯網在各層面多已邁入商業驗證階段,帶來投資效益。2020 年物聯網在各垂直應用領域將向下扎根,已打底的製造、零售業等持續透過技術以優化流程與加值服務,農業、醫療等也將有更廣泛的產業轉型。在技術方面,將著重於提升感測能力,使其能進行五感偵測並對周遭環境做出更多反應,以及 AI 演算法的突破以進行更多深度學習。此外,物聯網裝置連結數的上升造就大量數據,邊緣運算與 AI 於終端設備之整合將是可期未來,進而帶動軟硬體升級商機。
自動駕駛將落實終端應用,探索更多商業模式
2020 年自動駕駛技術的商業化,以商用車、特定行駛路線和區域性特殊應用為 3 個主要的特色,並且多數鎖定在 SAE Level 4 自駕等級。能在 2020 年看到更多量、更多類型的自動駕駛商用案例,其中一項驅動因素來自各類平台化產品,如 NVIDIA Drive 運用 AI 人工智慧技術的自駕車開發平台,以及百度 Apollo 開放平台提供不同自駕場景的解決方案等,都協助車廠及各級開發商加速將自駕技術落實於產品中。然而,自駕技術的開發成本高,車廠或技術開發商需要找出更多自駕技術的可能性,並且必須可獲利、優化成本和改善問題,因此找到能滿足該可能性的商業模式也是 2020 年的重點。
太陽能模組產品標準化已成歷史,終端產品選擇將優先考量發電性價比
太陽能技術發展不斷更新,2018 年及之前的模組皆為標準 60 片或者 72 片版型排列,電池片也都以完整尺寸呈現。而 2019 年電池片的版型改變與模組端的微型技術發展多樣化,包含半片、拼片、疊片(瓦)、多柵線、雙玻、雙面(電池)模組等多樣技術疊加運用,使得最終模組產品的輸出功率相較於 2018 年增加一到兩個檔次(bin)。然而,模組產品的核心競爭力取決於度電成本。要降低度電成本,就要提升電池效率與模組功率,以創造更大發電量並確保產品長期的可靠性。未來市場產品定價的話語權將不再由製造端掌握,而是以市場需求及買方接受度為依歸。
資料來源:https://technews.tw/2019/10/02/trendforce-releases-2020-top-10-technology-trends/
記憶體驅動程式更新 在 時尚科技客 Facebook 的精選貼文
雖然 Intel 並未正式公告,但是近日更新的 Optane Memory 系統加速使用者介面與驅動程式,拿掉僅能使用在 Core 系列處理器的限制,將支援性延伸至更入門的 Pentium 與 Celeron 系列處理器,讓預算拮据的消費者也可享受 3D XPoint 記憶體的低延遲存取速度。
記憶體驅動程式更新 在 alex lam Youtube 的最讚貼文
文字
https://www.4gamers.com.tw/news/detail/36491/i-rocks-m33-m35-rgb-gaming-mouse
鍵盤廠 i-rocks 艾芮克科技近期推出了全新 M33 RGB 遊戲滑鼠與 M35 光微動開關遊戲滑鼠,M33 RGB 遊戲滑鼠主打 RGB 發光、可透過搭配軟體達成更多功能設定;M35 光微動開關遊戲滑鼠則採用光微動開關,讓點擊段落更明確且回彈手感絕佳,在按壓左右鍵時帶來有如青軸鍵盤的清脆節奏感。
#GAMING #M33 #滑鼠 #IROCKSM33 #電競產品 #開箱
M33 RGB 遊戲滑鼠採用簡約左右對稱式設計,適用於慣用左手與右手的玩家,光學引擎採用高速偵測模組技術,靈敏度最高提供 5000DPI,可透過 DPI 按鈕做五段切換,每一段數值可由軟體調整,回報率最高提供 1000Hz,提供四段調整,按鍵共提供五顆可程式按鈕,RGB 發光透過軟體調整發光顏色與模式,還可與其他 i-rocks 產品做發光同步。
前側可看到底部導光條設計,並一路向後延伸,滾輪上有凹凸紋路設計,滾輪後方為 DPI 切換開關。
不同於常見的單鍵或雙鍵按壓,M33 RGB 的 DPI 切換按鈕採用指撥式設計較為少見,須採用前推與下撥的方式切換,這樣的設計也相當直覺便利。
M33 RGB 整體外形為中型尺寸,一般男生手掌握起來沒什麼問題,且為左右對稱設計,慣用左手玩家也可使用
M33 RGB 遊戲滑鼠可搭配軟體做按鍵功能調整、背光顏色/模式調整等各種細部調整,按鍵功能可調整為常用的多媒體、DPI 切換、傳輸速率、視窗管理、文字編輯、組合鍵、火力鍵…等,可選擇功能相當豐富,並支援錄製巨集提供玩家最佳的火力支援,此外在新版軟體更新中也一併附帶了 M33 RGB 韌體更新,除了可將滑鼠上的一顆按鍵指定為 "滑鼠 Fn 鍵",透過組合鍵的方式達成更多功能外,亦改善了裝置間燈光同步效能與記憶體使用等。
M35光微動開關遊戲滑鼠 - 壽命更耐久右手專用滑鼠
M35 光微動開關遊戲滑鼠採用不對稱式外型設計,適用於慣用右手的玩家,光學引擎採用 PixArt 3325 感應器,靈敏度最高提供 5000DPI,可透過 DPI 按鈕做五段切換,DPI 段位採用發光方式表示,最大亮點是採用『光磁微動開關』,一般微動開關為金屬接點與彈片做動設計,回彈需要較久的時間且壽命有一定的限制;光磁微動開關利用光線做為觸發訊號,搭配永久磁鐵與鈕簧驅動結構設計,擁有八千萬次點擊壽命,無接點耗損與雙擊問題,使用壽命更耐久外也無需一陣子就更換微動開關!
外型為不對稱式設計,表面同樣採用消光處理,質感相當不錯,鼠腳採用三片式配置。
記憶體驅動程式更新 在 TechaLook 中文台 Youtube 的最讚貼文
歡迎收看 Tech a Look ~向大家開箱介紹一款中階顯示卡,MSI微星所推出的Nvidia系列GeForce GTX650超頻版顯示卡,型號是N650-1GD/OC。其搭載Nvidia GeForce GTX650繪圖引擎,並使用PCI Express x16 3.0 介面,顯示輸出支援Dual-link DVI-I x 1、Dual-link DVI-D x 1、Mini HDMI x 1 (version 1.4a),最大解析度可達2560X1600和使用1G快速GDDR5記憶體。MSI微星 N650-1GD5/OC 顯示卡使用專利刀鋒扇技術和全固態電容設計,所以更耐用之外比傳統風扇可提升20%的散熱風流量。
另外,支援MSI微星獨家後燃器(Afterburner)超頻軟體,可用Android/iOS 智慧型手機裝置等無線遙控。單顯卡最多支援四螢幕及三螢幕全立體 3D 顯示。使用MSI微星Live Update 5應用程式可自動檢測、即時更新系統裝置的驅動程式及BIOS,藉可省下搜尋各種驅動程式及BIOS的時間與降低系統風險。最後亦支援Nvidia多個顯示技術(NVIDIA 3D Vision、NVIDIA PhysX® 技術、NVIDIA TXAA 反鋸齒模式)。
【MSI微星 N650-1GD5/OC 顯示卡 產品規格】
繪圖引擎 : GeForce GTX 650
記憶體形式 : GDDR5
記憶體容量/介面 : 1024 MB/128 Bits
記憶體時脈 : 5000 MHz
尺寸 : 230 x 111 x 38 mm
重量 : 385g
**以上資料參考 MSI 微星官方產品網站,如欲知更多產品資訊請上 : **
http://tw.msi.com/product/vga/N650-1GD5-OC.html#/?div=Overview
最重要的是請各位持續鎖定 Tech a Look,還有更多精彩內容等著你喔~
Tech a Look 網址 : http://www.techalook.com.tw/
請大家到FB給我們按個讚~
Facebook : http://www.facebook.com/techalook.com.tw
和訂閱我們的頻道~
YouTube : http://www.youtube.com/techalooktv