關於 一氧化碳製造機 ，我們在網路上蒐集到這些相關的討論、資訊與評價

#中國限電太猛了連紅綠燈都關了

不知道你身邊有沒有在中國管理工廠的台商朋友，

你問問他們，最近應該有一波大型停電潮。

尤其是在蘇州、崑山、浙江、廣東這一帶，

小至家戶用電，

大至富士康子公司的工廠，

通通限電停電，大家放假囉～

.
#停電狀況到底多嚴重

工廠沒電，頂多就是大家回家放假對吧？

那你就太簡單了，有些是會有工安危機的。

在遼寧省，一家呼吸機突然停止工作的工廠不得不將 23 名員工一氧化碳中毒送往醫院。

還有一些人在通風不良的房間裡使用爐灶取暖，結果送醫急救。

這些是工廠停電的慘況，那家戶用電呢？

台灣前陣子也是有分區限電，

但中國這個不一樣，他們不是只有家裡不能開暖氣、看電視而已，

他們是整個城市都限電了！

舉凡路燈、地鐵通通不亮，

更扯的是連紅綠燈都關起來了！

媽呀，這已經不只是限電政策，而是模擬世界末日吧！

.
到底為什麼會停電停到出人命？

這是好幾個原因疊加在一起的。

#第一是缺煤

對，答案就這麼樸實無華。

煤炭佔全中國發電量超過70%，

但基於幾個原因使得中國買不到足夠的煤礦。

一來是現在中國積極復工，

所有工廠全力運轉，使得用電量高速上升，國營企業買煤的速度根本追不上工廠的需求。

再加上中國現在要追求碳中和，煤廠都不給生產了，

空有寶山，但礦區開工率不到50%，工廠看的到賺不到。

關於碳中和這個我們等等細聊。

二是中國自己擋澳洲

我們上週才提到澳洲抗中。

自從澳洲開始說要調查Covid-19起源後，

中國就開始大量禁止澳洲商品進口，

其中就包含了澳洲煤礦。

中國這可是自傷拳啊，因為澳洲是全世界第二大煤碳出口國，

少了他們的供給，中國根本買不足需要的煤炭，

只少轉向北邊的蒙古和南邊的印尼購買。

但蒙古的產量沒那麼多，而且因為疫情又封了邊境，

印尼則必須先應付能源需求同樣飆升的東南亞各國。

中國左看看右看看，

哇，已經煤法度了。

.
#第二是習大大說要減碳

中國的減碳能源政策已經講了好幾年了。

大概從2015年習大大就說要「能耗雙控」，

還到各個國際組織上立下「中國會在2030碳達峰、2060年達到碳中和」的flag。

習大大就像在外面亂答應客戶的慣老闆，

回到國內叫所有省級幹部通通交出成績單，每個人給我減碳減個一倍。

可是中國現在還是全力衝刺經濟，工廠產能全開，

再加上中國本身又不是什麼綠色能源大國，

你說要減少碳排放，肯定也會同步降緩經濟增長，

麵包和愛情，你要哪一個？（等一下怎麼會有愛情）

.
所以中國官媒現在就把輿論怪到地方政府頭上。

人民日報有篇社論這樣說：

標題：人民快評：多地拉閘限電，不能讓老百姓生活受限

內文：

一些省份並未完成“能耗雙控”要求，壓力之下，便急踩剎車，選擇限電。實際上，東北地區已經首先對非居民執行了有序用電，但是在執行後仍存在電力缺口，目前整個電網有崩潰的危險，才採取了對居民限電的措施。限電需要職能部門妥善把握。找到精準切口，早部署早安排，別事到臨頭再眉毛鬍子一把抓，考驗各地的治理能力。

.
「習大大的限電政策沒有不對，是地方政府執行錯誤」，
.

現在大概是這樣的風向。

所以前陣子中國國家發改委還發布了一份《2021年上半年各地區能耗雙控目標完成情況晴雨表》，

結果30 個地區中只有 10 個達標。

於是黨就把一些沒達標的省分通通標紅字，設為一級預警。

這些被點名的城市只好在短時間內採取「積極」的行動，開學前趕作業，

就造成我們現在看到的「工廠停工，紅綠燈不紅」的極端作法。

而且還有些地方公告「每天早上七點到晚上11點停產」，

傻眼，那不就是正常上班時間？

所以也有些工廠為了趕客戶訂單，索性叫員工通通改夜班，規避政府停電要求。

.
#到底會有多大影響

基本上像煉鋁、煉鋼、水泥製造和化肥生產等電力密集型行業，通通都會受影響。

約有7%的鋁產能出問題，29%的全國水泥產量下跌。

也因此，野村證券已經下修中國2022全年的預估GDP增長率，從8.2%下修到7.7%。

現在已經很多財經媒體在彙整受到影響的台商名單。

基本上只要設在蘇州、崑山等省分的工廠都會先停工4到7天，

接著再看看政府有沒有下一步指示。

那為什麼我說可能會延續好幾個月呢，

因為缺煤和碳中和都不是三五天可以解決的大問題。

就算現在提早放十一長假，

回到工廠後缺電問題還是沒解決，那還不是一樣要停工。

已經有分析師預估，這一波限電恐怕會延續到明年春天，

除了股票市場會受影響外，

你我在大賣場購買的中國製商品可能也都會漲價（因為電價變貴）。

所以彭博Bloomberg就說，

中國這一波限電帶來的經濟衝擊，恐怕會比恆大垮台還要嚴峻喔。

.
最後在留言區附上中國鄉民趣味解讀。

他們說黨限電是深謀遠慮，

最大用意是要打擊外國企業，讓美帝賺不到錢。

天阿，這麼聰明的做法我怎麼沒想到？

真不愧是黨，英明！

全文放在敏迪選讀官網
https://www.mindiworldnews.com/20210928-2/

---我是工商線---
敏迪我推出了一個商品叫國際觀察曆
一年365天，帶你認識全世界所有國家
而且還介紹什麼是什葉派遜尼派、CPTPP是誰發起的、左右派怎麼分
現在正在集資中，預計10月底就會結束集資了
想要和我一起在2022年認識全世界
歡迎參觀選購～
https://bit.ly/3kevH87

「史丹佛研究：空污可改變基因」 — 長期接觸空氣污染的兒童，成年後罹患心臟病的風險會大大增加：世界衛生組織表示，空汙對發育中的兒童影響甚鉅，受到髒空氣的傷害會比成人還嚴重。「空污」是當前各國皆須面對的重要議題之一。尤其，與成人相比，孩童的健康受到更大傷害！
　
根據世界衛生組織（WHO）研究報告，全球有高達93%（約18億）15歲以下的兒童，每天呼吸嚴重威脅健康的髒空氣。
世衛進一步解釋：
▪第一，兒童呼吸速度比成人還快，會吸入更多污染物。
▪第二，他們個頭較小，生活空間接近地面，此處污染物濃度卻也最高。
因此，對於身體、大腦尚未發育完全的兒童來說，他們更容易受到空汙危害[1]。
　
史丹佛大學領導的一項新研究表示，兒童若長期暴露在空氣污染當中，成年後罹患心臟病和其他疾病的機率也會跟著上升，發表在《自然科學報告》(Nature Scientific Reports)上的這項分析，是首次在人體單細胞中調查空氣污染影響的研究，並同時關注了兒童的心血管和免疫系統，而這次的發現可能會改變醫學專家和家長對兒童呼吸空氣的看法，並為那些長期暴露在嚴重空氣污染中的人提供臨床干預措施。
　
研究報告的主要作者瑪麗說：「我認為這份研究是可以讓人相信的，且我們有證據表示因空氣污染原因造成的免疫和心血管系統變化，更可怕的是，那些看起來只是短暫的空氣污染暴露，實際上也會改變兒童基因的調控甚至改變血壓，這都會為日後罹患疾病的風險指數奠定基礎。」[2]
　
■史丹佛研究：空污可改變基因
空污已被科學家視為沉默的殺手，學術界愈來愈多研究提出空污對健康的危害證據，最新研究發現，童年階段接觸空污，就足以改變基因，影響成年後的健康，且即使低水平污染，也會增加罹患心肺疾病的風險。
　
史丹佛大學研究發現，童年時期暴露在骯髒的空氣下可能會改變基因，並可能改變血壓，從而增加成年時罹患心臟病與其他疾病的風險。
　
研究人員針對居住在加州弗雷斯諾市（Fresno）6~8 歲兒童群體為研究對象，主要是西班牙裔。選擇這個城市原因是這個地方受到工業、農業和野火等原因影響，是加州空氣污染程度最高的城市。
　
研究人員計算 1 天、1 週和 1、3、6 和 12 個月的平均空氣污染暴露量，結合當地健康和人口統計調查、血壓讀數和血液樣本，並首次使用質譜分析免疫系統細胞，可同時對多達 40 個細胞標記物進行更靈敏的測量，讓研究人員可更深入了解污染暴露的影響。
　
研究發現長時間暴露於PM2.5、一氧化碳和臭氧，與甲基化增加有關，甲基化是 DNA 分子改變，可改變 DNA 活性而不改變序列，基因表達這種改變可能會傳給後代。研究人員還發現，空氣污染與單核球[3]的增加有關，這種白血球在動脈斑塊的形成有關鍵作用，並可能使兒童成年後罹患心臟病。
　
這項研究發表在《自然科學報告》，是首次在單細胞層級研究空氣污染的影響，並同時關注兒童的心血管和免疫系統。
　
■「空氣污染被視為沉默的殺手」— 是疫情過後人類面臨最迫切的生存危機：美國心臟協會及 Lippincott Williams & Wilkins 聯合發行的醫學期刊《循環》（Circulation）一項新研究分析 2000~2016 年超過 6,300 萬美國醫療保險患者的數據，並研究三種不同類型的污染物，PM2.5、二氧化氮和臭氧對健康的影響，結果發現，即使是長期接觸低於國家標準的空污，也會增加肺炎、心臟病、中風和心律不整的風險。
　
2019 年 PM2.5 污染最嚴重國家排名，前十名都是中東與亞洲國家，分別是孟加拉、巴基斯坦、蒙古、阿富汗、印度、印尼、巴林、尼泊爾、烏茲別克、伊拉克，中國排第 11，台灣排名第 58。
　
全球 90% 人口呼吸不安全的空氣，是對人類健康的最大威脅之一，每年導致死亡人數增加近 700 萬人，其中呼吸系統疾是全球第二大最常見的死亡原因。空氣污染被視為沉默的殺手，是疫情過後人類面臨最迫切的生存危機[4]。
　
■兒童健康之環境威脅
依據世界衛生組織（WHO）資料，23%全球疾病負擔和 26%五歲以下兒童死亡可歸因於有調整可能的環境因素。以全球觀點來看，傳染性疾病仍是影響兒童健康極重要的環境因子。
　
但對已開發或工業化國家來說，導致兒童罹病或致死最主要因素已被慢性疾病取代。氣喘、神經發展性疾病、白血病與腦瘤、兒童肥胖盛行率逐年增加，且有越來越多證據顯示，環境暴露為重要致病因子。
　
人體可經由多種途徑接觸到環境汙染物，吃的食物、飲用的水、呼吸的空氣與家塵、個人用品如乳液的皮膚接觸等都是常見來源。兒童某些特質讓他們特別容易受到環境毒素的危害，例如喜歡把手放到嘴巴的行為，可能增加來自地毯、家塵或土壤中毒物接觸。
　
以每單位體重與成人相比，孩子喝較多的水、吃較多的食物、呼吸較多的空氣；大多數的汙染物可以通過胎盤或經由母乳傳給幼兒。
　
兒童的代謝系統發育較不成熟；兒童處於快速生長與發育階段，這些精細的發展進程容易被外來因子干擾、破壞；再者，對於生命早期的環境暴露，兒童比成人有更多時間發展成慢性疾病。
　
近年來的研究更支持健康與疾病發育起源（Developmental Origins of Health and Disease）的理論，即早期的生命事件，包括母體內源性因素如基因、營養，和外源性暴露如環境汙染物，都可能影響整個生命歷程的發展與健康。
　
2002 年世界衛生組織在曼谷舉行「第一屆兒童健康之環境威脅」國際會議，提出幾項措施，包括移除汽油中的鉛、清潔的飲用水、減少汞污染和反吸菸運動等。
　
而臺灣過去重大環境污染議題，從半世紀前含砷地下水導致的烏腳病流行、米糠油遭多氯聯苯汙染的油症事件、有機化學廢料或重金屬農地污染；到近期與食品安全相關的惡意添加三聚氰胺的毒奶粉事件、起雲劑遭非法添加的塑化劑事件，這些對健康面向最大的影響往往是孕產婦及幼童；同時，臺灣也面對全球氣候變遷或室外空氣污染威脅。
　
依據 PM2.5 的來源，東北部因地理位置，大多數汙染來自境外移入如大陸霾害，而其他地方則以本地製造為主，包括交通運輸如道路揚塵、工業汙染、燒稻草或金紙等活動。
　
還有各種新興關注汙染物（Contaminants of emerging concern），因為人類活動而進入環境生態圈。這些物質可能長期存在環境中，或已在人類或其他生物體被檢測到，卻未納入規律監測或管制，這都是未來訂定管制標準或策略時的挑戰，應特別考量易受傷害族群之兒童健康[5]。
　
■污染顆粒會入侵母體，5 歲以下兒童是最大受害者
兒童尤其是受空氣污染危害的弱勢族群，原因是兒童更接近地面，並且呼吸速度比成人更快，時常用嘴巴呼吸而不是有天然過濾系統的鼻子。兒童在戶外的時間更多，一旦孩子暴露在外，污染物會對他們的身體產生更嚴重的影響，原因是 3 歲以前，童年大腦每秒建立超過一百萬個新神經連接，身體和大腦正在快速成長。
　
PM 2.5 會經由鼻子和嘴進入兒童的身體，透過呼吸道進入血液，到達身體的每個器官。這些顆粒會破壞這些器官的正常功能，包括破壞腦細胞，並增加兒童在以後生活中發展心臟、大腦、呼吸、免疫和發育狀況的風險。
　
此外，暴露在污染物中與早產和低出生體重、子宮內認知發育受損以及自然流產有關，大約 18% 的早產可歸因於子宮內污染顆粒物的暴露。子宮內和兒童接觸空氣污染也與支氣管炎和哮喘、肺功能降低、復發或慢性呼吸系統疾病，以及生長發育受損有關。溫哥華和上海的大規模研究發現，接觸微粒物質、二氧化氮和一氧化氮與自閉症的發病率之間存在關聯。
　
隨著對化石燃料繼續毒害空氣、食物和水，城市變得愈來愈不適合居住，且只有少數人能夠逃脫，扭轉空污問題需要政府和企業採取勇敢和激進的行動，如果這些努力沒有實現，兒童將成為最大的受害者[6]。
　
　
【Reference】。
1.來源
➤➤資料
[1] 商業周刊「小孩玩得越開心，空氣就越乾淨！這座遊樂場如何在空汙城市辦到」：https://www.businessweekly.com.tw/international/blog/3007345
[2](明日科學)「長期接觸空氣污染的兒童，成年後罹患心臟病的風險會大大增加」：https://tomorrowsci.com/healthy/%E9%95%B7%E6%9C%9F%E6%8E%A5%E8%A7%B8%E7%A9%BA%E6%B0%A3%E6%B1%A1%E6%9F%93%E7%9A%84%E5%85%92%E7%AB%A5%EF%BC%8C%E6%88%90%E5%B9%B4%E5%BE%8C%E7%BD%B9%E6%82%A3%E5%BF%83%E8%87%9F%E7%97%85%E7%9A%84%E9%A2%A8/
[3](維基百科)「單核球」：https://zh.wikipedia.org/wiki/%E5%8D%95%E6%A0%B8%E7%BB%86%E8%83%9E
單核球是人體免疫系統中的一種白血球，單核球產生於骨髓，在血管內為單核球，血管外就變成巨噬細胞。其在人體免疫系統內有兩種作用：一，補充正常狀態下的巨噬細胞和樹狀細胞；二，在有炎症信號下，單核球會在8到12小時快速聚集到感染組織，並分化出巨噬細胞和樹狀細胞產生免疫反應。在白血球中的數量約佔2%~10%。
[4](Technews 科技新報)「沉默的殺手，史丹佛研究：空污可改變基因」：https://technews.tw/2021/02/26/air-pollution-can-change-dna/
[5](國家衛生研究院兒童醫學及健康研究中心)「環境健康」：https://chrc.nhri.org.tw/professionals/files/chapters/11_5_%E7%92%B0%E5%A2%83%E5%81%A5%E5%BA%B7.pdf
[6](Technews 科技新報)「污染顆粒會入侵母體，5 歲以下兒童是最大受害者」：https://technews.tw/2019/03/11/child-is-the-biggest-suffer-from-air-pollution/
　
➤➤照片
(天下雜誌)「全球3億兒童吸有毒空氣　傷身又傷腦」：https://www.cw.com.tw/article/5079099
　
2. 【國衛院論壇出版品 免費閱覽】
▶「國家衛生研究院-論壇」出版品(電子書免費線上閱覽)
https://forum.nhri.edu.tw/publications/
　
3. 【國衛院論壇學術活動】
▶https://forum.nhri.org.tw/events/
　　
#國家衛生研究院 #國衛院 #國家衛生研究院論壇 #國衛院論壇 #衛生福利部 #國民健康署 #環保署 #環境健康危害 #氣候變遷與健康 #空汙 #兒童 #空氣污染 #沉默的殺手
　
國民健康署 / 環境保護署 / 行政院環境保護署 / 衛生福利部 / 財團法人國家衛生研究院 / 國家衛生研究院-論壇
　
@[186593071836:274:商業周刊（http://xn--zsrzt.com/）]
明日科學
維基百科
Wikipedia
Technews 科技新報
天下雜誌
國家衛生研究院兒童醫學及健康研究中心

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

中壢泰豐輪胎發生火災
拍攝時間約下午5點半
中壢車站一帶濃煙密布
連我停在外面的機車都疑似被落塵弄黑了@@"

廢輪胎燃燒所造成的影響，無論對人或對環境都很大，因為廢輪胎主要成分為烯及苯的聚合物，為了耐壓、耐熱及不變形，在製造過程中可能添加硫化物、氯化物及鋼絲。其在燃燒不完全過程中，產生的有毒物質有碳粒、一氧化碳、二氧化硫、世紀之毒戴奧辛等，而一氧化碳會影響血液中血紅素與氧氣的結合，導致頭暈、頭痛、胸部不適、運動能力降低等不適症狀。而其他化學物質會造成鼻、眼、黏膜或呼吸道上皮細胞的直接刺激，導致流眼淚、鼻涕、鼻塞、咳嗽、氣促的症狀，對於有肺氣腫、慢性支氣管炎及哮喘病史和過敏的人，若是接觸高濃度或長時間處在這類刺激物中，極可能嚴重發作。
今天、明天、後天這三天外出請配戴口罩，並減少戶的活動！！！

依照在核生化學校受訓落塵分析的經驗，接下來的天氣都是乾冷型態，至少24小時內空氣中的懸浮粒子與戴奧辛濃度都是最濃烈的狀態，24-36小時後才會逐漸開始消退........完全消散應該至少要等下一波降雨才有機會，強烈建議大桃園地區朋友，減少戶外活動與開窗的機會，尤其是有氣喘與呼吸道疾病的朋友，口罩不嘴鼻是基本必須的，祝各位平安順利。

PS:地面上的落塵請勿用手接觸，避免間接進入口鼻，最佳處理方式應是用水沖洗最佳。

►訂閱可樂吧！https://goo.gl/M2v1ZH
=========================================
拍攝地點：中壢可樂農莊桌上遊戲
FB：https://www.facebook.com/agricolafarm
=========================================
嗨!我是中壢可樂農莊的店長，大家都叫我小高。
　　
從小懵懵懂懂沒有目標，
就聽家裡的話乖乖唸書升學，
直到大三修了環境相關的通識課程，
才知道什麼是批判性思考，
才知道地球上關於環保的種種真相，
從此我才立定志向，
無論以後做什麼，
一定要對環境有所貢獻。
　　
我退伍後的第一份正職，
就是去台灣環境資訊協會，
雖然要每天從中壢搭火車去萬華，
雖然工作辛苦，但大家理念相同，
連吃飯大家都是自己拿著碗盤
去附近店家裝回來吃XD
　　
我喜歡這樣環保的不插電生活，
所以一直到2016年生日，
才有了我的第一支智慧型手機，
但我從小就喜歡打電動，
是在大學時學長帶我去玩桌上遊戲，
才發現在桌上就有超多遊戲可以玩了，
而且還是人與人之間直接的互動，
不再只是一個人面對冷冰冰的螢幕，
所以我已經很久沒打電動了…...
　　
因此，我想讓更多人
也感受桌遊給我的驚喜。