前兩天,有網友私訊來問一些電廠問題,因為很多都不懂,所以到最後變成了兩人的工廠經驗吐槽大賽。
吐歸吐,還是有很多可以拿來分享的有趣案例,人生就是這樣,跨出去看一看隔壁產業,相似度常常比不同的要高很多。這邊講一點忘記補充給這位朋友的經驗。
一個最基本的,被老師傅「洗臉」,唸書時代總覺得書本寫的應該OK啊,出去後就被洗得很慘。不是老師傅真的很聰明到哪,是經驗比你多,久了就曉得,產業中的經驗遠比你看很多重要。
像是,10多年前有需要,想起大學同學家裡做塑膠射出,上門拜訪。人家伯父也沒超高學歷,但這行經驗數十年,不過下午喝杯茶的時間,整個從北到南,哪些縣市跟廠商,擅長做什麼,適不適合我們的需求,一次搞定。可有趣的是,想找我幫忙問的客戶,離這邊距離沒有幾公里,怎麼會沒想到找鄰居問問?
答案是,客戶生意做大了,對附近的變化,留存的是印象,老闆只覺得,新北這邊不是塑膠射出廠都倒掉了,剩下的都是很小的代工廠,問了也沒用。呃。。。然後我問了問廠長,他反倒還有去周邊的小廠問,業務也整區都掃過了,只是老闆不怎麼相信,所以找我們供應商問。
然後我就傻了,因為等等要去跟老闆講一下這個私下請託的忙,我要講的全部是老闆不想聽的,他認為都是過期的資料。所以解決方法,把同學家長說的產業資訊,包裝成另一套經歷千辛萬苦才查到的故事,然後交差。(老闆其實有稍微查過網路)
很瞎?根據產業不同,差異會很大,職位不同也會不一樣,越偏公家機關的基層,沒打算爬到高位的越不會這樣,反正鐵飯碗不會因此被扣薪開除,又沒想當局長,何苦編好聽故事給上級聽。
有工會相挺的國營、大型企業,就會比公務員又好一點,私人企業中組織性高的又會好一點。結論就是越傳產,或是競爭力越大的,這種現象反而又變多。經理廠長,能混到這個位置的,很會察言觀色,知道讓老闆有故事可以看。
就遇過一個中校營長退的軍官,被請去當廠長,一年不到就被請走的例子(後來去觀音工業區的廠當主管),後來聽被請走的理由,大概是不知變通,覺得事情都沒推動,這個不行那個不行。
呃,聽完之後的想法是,其實以前也都沒有推動啊(汗)。我們只是把一件沒有做到的事情,說成努力中、有點進展、接觸到誰了,只是最後功敗垂成。老闆以為勝敗乃兵家常事,有努力過至少學個經驗也不錯。
其實喔,老闆沒有錯,他是在台灣經濟加工奇蹟年代崛起的,從一家5人小廠,花了20多年時間變成50人的中型廠,只差一點時運,或許也是上市上櫃的董仔。他的經驗就是愛拚才會贏,去衝了才會知道,有做比沒做好。
我也不會說他錯,那時候我的老闆跟股東群,都是這種出身,對自己的技術極有自信,認為留洋回來的一群智障。然後周末跟留洋的後進吃飯,聽他們罵這些老闆都是智障,怎麼這麼簡單的東西都不會,根本靠運氣打造台灣經濟奇蹟。
呃,這好像也沒錯。(就陪他們笑吧)
所謂的虛耗,很多都是陷入這種狀況,老闆只想聽符合他經驗的,於是有管理經驗、技術專業的,因為講的狀況不符預期,久了就不受信任。而那些「奸臣」就是因為講好聽話,才爬到這個位置?絕不可能,沒有點能力弄好廠務基本運作,是做不到這點的,只是民間競爭強度高,不學會察言觀色的能力,無法生存。
久而久之,形成各位看到的老闆都不聽人話。但歸根究柢,就是他的生活圈,全部都是類似經驗的人,他真的知道過了20、30年,世界改變很多嗎?至少我個人的衝擊是,講到奈米科技,每一個都說自己知道,然後講出來就讓人「。。。您說的是 = ="」。
那些學歷比我高很多的學弟妹,或是業界的後進,並不是錯的,而是情境錯誤。因為他們提的各種改善方案,或是怎樣產業現況,若不是投入成本太高,或是砍到既有的員工,就是跟這些現役老闆之間管道所知完全不同。
這是誰的錯?沒有人要負責,每一個人都要負責。
因為,每一個人都在求生,都在找尋對自己最理性的選擇。對我們來說這樣做才會賺錢的方法,對你來講可能就是扣薪調職,家計立刻出狀況的痛苦。換當事人是你,必定強烈反彈。
所以,要確實讓事情可以推下去,讓上頭跟下屬願意做事,第一個要注意的就是不要破壞他們的認知太多,第二個就是傷害到的利益不大,都在可以接受的範圍。
人有強烈的自我保護本能,這一點跟你的學經歷沒有關係,就算是學歷很低的藍領勞工也一樣。當發生了重大變故,需要立刻改變的狀況,只有在自己薪水、前途不受太多影響下,才會接受改變的需要。不然,就會開始找尋各種陰謀論(老闆的小三害的),怪罪特定的對象(新來的廠長A錢),替自己的情緒找個出口。
而且,不只是為情緒找出口,不滿會累積,隨時銃康新的主管,因為不相信新的做法會成功,只要把新做法鬥倒了,就可以證明舊的方式正確。然後就能夠把自己相信的故事,寫下完美的句點「新廠長果然貪錢才要老闆改方法」。
我常常站在供應商、協力廠的角度,而且因為不會把他們喝酒說的心內事,銃康主管所幹的壞事講出去,才累積許多小人物的行為故事。信任很難培養,我只要講一次出去,就是徹底的背叛,不用三天馬上傳遍附近各廠的基層勞工耳朵,「此人XXX不值得相信」。
很多主管級的人物,會失去對員工的控制,往往就是不經意犯下了這種錯誤,讓員工感受到被出賣,自此在也得不到現場真實的資訊。老闆也是,好事不出門、壞事傳千里,哪個人風評極差,這個人評價還好,背叛只要一次,永遠不會被忘記。
這種事情碰多了,你有一天會赫然領悟,就像是閃過一道靈光,徹底覺悟到管理學中,講到各種不可預期的失誤,必須要留下空白時間、多餘資源,軍事上要有預備隊,凡事儘量有緩衝地帶,有深刻的體悟。
尤其是,當你遇到曾經身為老闆,現在卻在那邊當藍領勞工的案例,你會得到跟現在的老闆完全不同的經驗分享。一個是怎樣失敗,一個是如何成功,失敗的案例千奇百怪,成功的例子往往相似度很高。
成功的老闆,告訴你的故事,往往欠缺細節,只說這樣做那樣做就贏了,不是他不知道,而是他自認成功的秘訣不會跟你講。失敗的老闆,會沉重的跟你說,那個原物料沒備好,就只差了一點點,然後就交不出貨,賠錢被銀行追,逼著去貸民間的...很多,各種都有,共通點就是連鎖反應。
在這些故事中,旁觀者最多的就是業務,各廠跑來跑去,有時候抓著去吃飯,站在旁邊常常說風涼話,講的都是「早就說了這樣做就好了」、「前幾年就跟O董說那樣就不會失敗了啊」。
呃,呃,呃。。。
真的是風涼話,因為同樣的論點你講了三年。"Orz
三年前的情境跟現在一樣嗎?這就跟希特勒崛起一樣,拼命說德國經濟即將崩盤,只有相信納粹才能得救,每年都講講到1929經濟大蕭條,就變成先知了。
總之,說這麼多過去的東西,經過10年以上大概也都過期,沒有多大參考價值。
我想講的是,多觀察這個社會,會發現很有趣的。常常A產業的人談到自己業內各種光怪陸離的現象是如數家珍,甲經理愛諂媚、乙經理管不動下屬,老闆KKK很愛聽順順的故事,股東JJJ只想聽跟他投資有關的。
你明知道,人與人之間的互動變化不是那麼簡單,怎麼A產業的人講到B產業,就是B產業的王董高瞻遠囑,陳執行長都會聽身邊專家的話哪像我們老闆。全部都莫名其妙變成立志傳的歷史人物???
難怪學長會說,讀社會科學多年,比不上你去產業界直接觀察形形色色半年。好的MBA會講無數成功失敗案例,讓你領悟到一套武功心法,爛的課程只會教你做一大堆模型,學了招式但出去被打假的。(然後怨恨這個世道不公)
碰過好幾行,其實各行各業抱怨的本質幾乎都相同,遇到的人事問題全部都一樣。啊不就廢話,人是長的不一樣嗎?
想通了就會豁達很多事情,就不會看政治事務,把每一個人都臉譜化(中國用語)。
#話說作夢夢到FGO100連抽大爆死是什麼預兆
#問題是我沒有玩FGO
代工廠 如何 找 客戶 在 Facebook 的最讚貼文
【BBC中文網】芯片之戰:堪比「太空技術大戰」的科技競爭關鍵點是什麼?
芯片(晶片)是當下這個時代許多重要科技產品的核心。沒有芯片,世界各地的汽車廠就將停產。 現在,製造芯片的技術被美國視為與中國進行貿易戰的關鍵武器。
在芯片技術的競逐上,哪方能贏得這場人工智能競賽,決定在誰能製造出最先進的芯片。
當前芯片短缺的原因
從美國的福特和通用汽車,英國的本田車廠再到中國的電動汽車製造商蔚來(Nio),這些大廠都因為汽車芯片短缺,不得不削減汽車產量。
到底發生了什麼導致這種後果?
也許新冠大流行是罪魁禍首,它讓我們之前關於於芯片生產的所有預測顯得過時了。
首先,對小裝置小設備的需求出現暴增。以前需要好幾年才會進化的數字化轉變,現在幾個星期內就發生了。
全球半導體協會(World Semiconductor Association)執行長謝爾頓(Jodi Shelton)告訴BBC:「多年來,我們一直在討論如何運用5G,網路和雲端在家工作。現在突然變成了現實。」
因為新冠疫情,汽車銷量下滑,汽車業高層取消了汽車芯片訂單。但是,隨後意外的銷售反彈讓車廠以及芯片商措手不及。
謝爾頓稱,那些以及時化供應鏈方式製造汽車的廠商,與半導體芯片廠商因此就有了矛盾。因為芯片生產,不是像打開或關閉水龍頭那樣簡單。
「他們(車廠)將不得不了解,那樣並非芯片的生產模式。芯片不是能馬上就有的現成產品。」
誰在製造最好的芯片?
芯片短缺也使得一件事變得很清楚:世上不再只有一種芯片產品。
因為,隨著需求改變,半導體行業也有了變化。
過去數十年來,英特爾憑借銷售口號『Intel Inside』成為許多人心中唯一的芯片製造商。
但是,情況不再如此。
研究公司「自由移動電台」(Free Mobile Radio)的分析師理查·溫沙(Richard Windsor)說,芯片世界已經改變了。
他概述了兩種趨勢:使用芯片進行數據存儲,以及圖形芯片(GPU)的重要性日益升高,這不僅讓線上游戲栩栩如生,而且在人工智能應用中也至關重要。
溫沙指出了這個行業中的新超級巨擘,尤其是台灣公司台積電(TSMC)。
他解釋說:「在目前的時間點,台積電是全球排名第一的高端矽芯片製造商。」
建立芯片廠,或眾所周知的芯片代工廠(foundries)是一項非常昂貴的生意。溫沙告訴BBC,用最先進的設備,去開一家的新的芯片代工廠可能要花上250億美元。
製造芯片的機器又是哪裏來的呢?
他又提到一家叫艾司摩爾(ASML)的公司。這是全球首屈一指的芯片光刻機製造商,其產品能像印刷機一樣製造出芯片。
BBC去年就曾經報導過這家「相對默默無聞的荷蘭公司」。
儘管並非家喻戶曉,但該公司市值卻高達1840億歐元(約合2200億美元)。
而且,艾司摩爾對自己所屬的角色十分滿意,還將這段話打印在員工的衣服上——該公司的研發副總班斯左(Jos Benschop)說:「我們製造了木匠用來建造你的房屋所需的工具。」
他又解釋了台積電(TSMC),英特爾(Intel)和三星(Samsung)之類的公司如何需要他們生產的設備。該公司於1984年成立時,在芯片光刻(lithography)市場上有10家大型公司。現在,全球僅剩一個。
「隨著相關技術的掌握越來越難,所需的投資也越來越大,那麼優勝劣汰就開始了。越來越少的公司能夠跟上。」他解釋。
但是,這也意味著艾司摩爾陷入了美中貿易戰。
之前特朗普曾對荷蘭政府施加壓力,要求艾司摩爾停止向中國客戶出售技術。這也似乎奏效了,相關設備被運送到中國的時間延遲了。
美中貿易戰
隨著美中兩國陷入人工智能領域的龐大爭奪戰,如何獲得或構建最新AI芯片,成為了關鍵武器。
曾經擔任美國前總統小布什( George W. Bush)顧問的瑪格倫(Pippa Malmgren)博士向BBC分析,芯片的賭注與另一場技術大戰「太空競賽」中的賭注一樣高。
「在地緣政治上,新的太空競賽在於提高電腦計算能力。也就是說,誰能搜集到最多的數據,並以最快的速度處理這些數據。這便是為何中美雙方,或者歐盟都在量子技術上大量投入。而電腦,或者說能處理數據速度極快的超級電腦,這些設備都需要芯片。」她解釋說。
台積電(TSMC)總部的所在地台灣,處於這場科技大戰中的前線。鑒於台灣一直有徹底獨立的想法,因此你可能會認為台灣會做任何美國想做的事情。
但是瑪格倫博士警告說,事情並非如此簡單:「中國有巨額投資在台灣。」
「我認為,若你要問台灣經濟能否與中國脫鉤,那麼我的答案是這將是十分困難的。」
摩爾定律還有效嗎?
自1960年代以來,芯片行業一直受摩爾定律的支配。該定律預測,因為技術發展,芯片上能置入的晶體管(transistors)數量,每兩年將翻一倍。
但是,鑒於晶體管現在越做越小,我們可以期望這種模式繼續下去嗎?
我問了威爾遜(Sophie Wilson),1980年代,她在當今世上最受歡迎的芯片Arm設計過程中扮演了關鍵角色。她說摩爾定律中仍可能延續下去,因為半導體行業一直在尋找新方法,將更多的東西塞入更小的空間。
她解釋:「我們已多次抵達路的盡頭。但每次到了盡頭,都會有另外的路出現。」
未來的出路可能是在3D。
「在接下來的幾年中,你將看會到來自3D技術的產品。借著讓越來越多的矽堆疊在一起,我們能夠加大既有的密度空間。矽層十分之薄,所以能將它們疊在一起。」威爾遜說。
此外,別指望中國會退出這場競賽。
由於無法獲得當前最新的芯片設備,中國將繼續投入巨資,研究新方法期望在下一個芯片時代超越美國。
#科技 #國際 #政治 #貿易
代工廠 如何 找 客戶 在 台灣物聯網實驗室 IOT Labs Facebook 的精選貼文
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