關於 電腦連接監視器 ，我們在網路上蒐集到這些相關的討論、資訊與評價

台灣降級在即，我們也先來談談 #醫療回載 的準備
其實已經有好一陣子，許多待開刀、需要內科治療的病人
需求都是持續存在的，但是恢復正常病房使用需要時間
所以急診因為非covid病人的待床問題，是相當嚴重

疫情趨緩時，醫療回載也是困難的，因為你要恢復過往業務
又要很彈性的準備好下一波的降載量能
身為醫療單位受過一次教訓，總不能不準備再次降載，對吧?

針對隨時都要在回載中準備好未來再次降載
這次美國JAMA雜誌內科副主編 Eric K. Wei醫師等人
針對他自己在紐約所服務的Health+醫院經驗
這週為文刊登：Nine Lessons Learned From the COVID-19 Pandemic for Improving Hospital Care and Health Care Delivery
提出九項在疫情中改變醫療照護品質的方向，我按照台灣國情刪減為6項

１．為 #服務需求的意外增長 做好準備 (圖一)

主要是醫院的運營財務利潤微薄，#流程複雜
所以醫院的哪些區域，以及以何種順序擴展
事先規劃好非常重要

經過這一次疫情的洗禮，其實也是讓很多醫院學習到
預備好如何提高照顧大量病人的容量，如：
事先規劃好可以取消的手術、門診
快速出院程序與轉介通路（至區域較為不受疫情影響的醫院）

以及大難再來時，如何立即獲得更多人力
基本上醫院感控和教育部門備好立即教育 (just in time training)
讓不同單位的人短期上戰場就非常重要

--
２．病房建置隨時保持視線的系統

這個講得很理所當然，但是在疫情時是完全被打斷的
在傳統的病房裡，病人會接到呼叫護士的呼叫鈴。
在大流行期間，我們最大限度地減少了護士進入病房的次數，就是間接減少病人安全的開始

美國除了監視器，還特別把病房木門變成 #玻璃門
這樣的方向不知道台灣會不會採納

--
３．注意病房通氣系統

作者在本文提到空氣清淨機，不過這裡我較為保守，因為需要更多證實
不過的確可以強調的是，疫情讓大家發現 #負壓病房 很快就用完的事實

之前有提過醫院內部的通風與迴風，當然第一時間先避免混風
但是之後或許可以考慮是不是用最小調整建築物空調通路
讓更多房間可以轉為微負壓照護

--
４．支持醫療工作人員情感的需求

其實這也是蠻嚴重的問題，台灣對內算是很不重視的，還好疫情很快過去
也有醫院蠻重要的心理諮商師被排去快篩站、疫苗站搬運物資

其實一線醫護人員才是需要這些資源

大流行期間的努力而被稱為英雄，有時對某些人並非好事
因為它暗示他們擁有超人的力量而掩蓋脆弱的一面。
在走進 COVID-19 患者的“熱”區時，他們經歷了非常人性化的脆弱情緒，害怕將病毒帶回家給家人，以及因無法拯救所有患者而感到內疚。
--

５．鼓勵使用遠距技，術連接遠近的病人家庭

#家訪 的病人是絕對不能忽略的一塊
如果疫情第一時間就犧牲家訪單位，你還是變相鼓勵病人都來黏醫院

在 COVID-19 大流行的高峰期，患者無法接待訪客。
為了改善這種情況，紐約Health+醫院就廣泛提供了電子平板電腦
讓患者可以與家人、醫療人員交流。
主要是家庭會議的決策也較為方便

台灣的3C普及程度應該不用為病人提供硬體
但是軟體的選擇倒是可以考慮先規畫建構
最近也有蠻多遠距醫療車租賃計畫，大家不妨試試

--

６．減少不必要的文檔負擔

隨著 COVID-19 患者大量湧入
美國不得不改進多項電子病歷記錄流程
從而減輕了輸入文件記錄的負擔。

這個其實很有趣，病歷電子化首先是解決了醫院系統管理的方便
但是內容其實越來越累贅，複製的比例在各先進國家是不斷增加的
更簡單的病歷呈現，如果有在別的國家形式出來
其實台灣是值得參考接納的，也少一點制度核刪和防衛醫療下的官僚作業

--

未來的趨勢，新冠應該就是走向流感化

隨著病毒株變化，每一輪重大變異似乎有讓接種疫苗的人有效中和抗體濃度降低的狀況 (見圖二，P.1為巴西變異株，USA-WA1.2020為當時美國原生株之一)

所以其實隨著為免疫力較差的族群，在研擬需要第三劑政策的同時 (見圖三，為腎移植病人在mRNA二劑反映較小時，補上第三劑的比較)

很多已經先前EUA認證過疫苗，可能也要趕下一個版本的疫苗
直到人類能夠像流感一般適應，不管是族群免疫門檻或是經濟行為

這中間不知道還會經過幾波重大變異，給各地區幾次確診波峰
人類的經濟行為會改變，醫療系統當然也要應變為隨時都能準備

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

《文茜的世界周報》

美國有五個州，採取全面郵寄投票的方式選舉，而且行之有年，相當成功，ABC特地走訪猶他和柯羅拉多州，這兩個州皆全面郵寄投票，深入了解如何運作。

猶他州當地選務人員特別捍衛郵寄投票舞弊空間，並非川普所說的那樣多，他們反而擔心因為川普信口開河，很多人擔心選票無效，乾脆選擇不投。

根據保守派傳統基金會的統計，從1979以來，郵寄投票/通訊投票被證實舞弊的例子，至今還不到1300張，有數據指出，美國郵寄投票作弊機率，比被雷劈到還要低。

目前仍然有43%的共和黨選民相信川普認為郵寄投票有舞弊之嫌，民主黨只有11%的人認為郵寄投票不可靠。

{內文}
川普總統在每一個場合，不斷重覆著選票作假的謊言。

(川普/美國總統)
不喜歡這位(候選人)，不喜歡那個(候選人)，選票被拿出賣，被亂丟在河裡，有人在廢紙簍裡找到被丟棄的選票

(川普/美國總統)
有人在廢紙簍裡發現丟棄選票，有些是被丟在河裡

負責選務工作的官員再三保證，郵寄投票很安全也很可靠。

(喬治史登/科羅拉多傑佛森郡選務官員)
所謂的選票舞弊並不存在，不管是右派還是左派，怎麼找都不存在

科羅拉多州傑佛森郡，從2013年開始全面改為通訊郵寄投票。

(喬治史登/科羅拉多傑佛森郡選務官員)
所有存放選票的房間都要刷卡辨識，連我都進不去，必須由選務主任幫我們開門

第一線選務人員擔心川普的造謠，可能會降低選民投票意願。

(喬治史登/科羅拉多傑佛森郡選務官員)
我擔心的是，謊稱郵寄投票有舞弊的假訊息四處傳播後，有選民會覺得我為何要參與(投票) ，為何要投一張可能被作弊的票，這樣就會降低選民投票意願

全美有五個州，包括猶他州和隔壁的科羅拉多州，還有華盛頓州、奧勒岡州與夏威夷，多年來都是採取全面郵寄投票的方式來選舉，的確也曾經發生過選票弊案，但機率實在不高。一個由保守派傳統基金會保存的統計數據顯示，打從1979年以來，最後被證實確實有選票作弊的例子，數億張選票當中，一共只發生過1298件。

(ABC記者)
美國選票舞弊的例子真的很少見，少到有一個研究指出，恐怕比美國人被雷劈到的機率還要小

儘管如此，川普一再編造郵寄選票舞弊的謊言，已經成功說服了鐵桿粉絲。

(川普支持者)
我真的認為如果你的選票是郵寄的，很可能會被丟在垃圾桶裡，也不會變成有效票

一份最新民調顯示，43%的共和黨選民認為郵寄投票的舞弊確實存在，民主黨則只有11%認為郵寄選票有造假空間。一位密西根州選民在在自家門口擺放影射裝置，建議大家把選票丟馬桶，結果警察上門查問，他辯稱只是開開玩笑。

(波維克/密西根州選民)
我想大家想要的就是一場公正公平的選舉

選民對郵寄投票因不瞭解而心存質疑，正是選務人員擔心的。

(喬治史登/科羅拉多傑佛森郡選務官員)
我們戲稱這是<哈伯望遠鏡>，是我們選務的眼睛

以傑佛森郡為例，境內35處投放郵寄選票的地點，都各自架有監視器，一天24小時運作全年無休，不僅可以監看是否有投放問題，也可以藉此管理排隊人潮。

(喬治史登/科羅拉多傑佛森郡選務官員)
這些房間十分安全，清潔人員也不能進來，所以我們每個人自己有吸塵器，得自己拿垃圾出去倒

每一張投遞進來的選票，先由機器做第一步驗證，接著由一群來自兩黨、受過FBI筆跡鑑定訓練的審核官，比對資料庫中選民過去填表曾經留下的資料、或是去辦駕照時留下的簽名交叉核對，才能確認選民身分，過去只有大約1%的簽名被退件。接著選票交由電腦去計算，選務單位保證這個過程完全不會被駭客入侵，因為計票主機使用內部光纖，連接所有的計票機，整個內網系統並不連接網際網路或外部訊號，駭客無縫可插針。選務單位也會安排政黨傾向分屬兩黨的審核官，接受邏輯和準確性的測驗。如果看到一張有問題的選票，這些審核官要能判斷選民意志並協助處理，讓選票不至於無效。

(選票審核人員)
你看到紅線框起的部分，機器會判讀這是一張"多選票"，以這張為例，我們就要把Diana的打勾取消掉，讓選票只投給 Shane 一個人。

(喬治史登/科羅拉多州選務官員)
這些郵寄票我們要到選前兩個禮拜開始才計算，我們不會知道結果，直到當晚上七點，才按下彙整計票的按鈕，票數才會出來。

因為疫情的關係，許多州開始把郵寄選票當成遵守社交距離規範的最佳方式，例如內華達州今年就打算採用，但施行前必須先確保是否有適當的配套設備，例如要連接其他聯邦政府單位的個人資料庫，才有篩選比對的依據。如果缺乏一套郵寄投票審核系統，重新建立起來可能要花好幾年時間。

(韋恩威廉斯/科羅拉多州務卿)
如果有效票沒有計算到，那麼可能影響票數差距1%到2% 我聽到兩黨的人各自表述說郵寄選票一定很安全 或是一定有舞弊 這些都不算正確答案 而是如果正確執行且設施完備 就可以有一個安全的投票機制

當然，郵寄選票制度也不是完全沒有問題，例如紐澤西州一名郵務士，把將近百張選票丟到垃圾堆裡，結果被警方逮捕。洛杉磯郡因為印錯兩千張選票而公開道歉。上個禮拜川普也曾推文說，有一萬張印錯的選票寄到布魯克林選民手上，這些對選務單位來說是小問題、或甚至是假消息的狀況，被川普總統一再放大渲染，專家說其目的才真的是創造舞弊空間。

(馬斯奇/丹佛大學美國政治中心教授)
這勢必影響大城市選民的投票率，影響貧窮的選民投票率，以及有色人種的投票率，以現在狀況來看，對民主黨選民投票意願的影響大於共和黨，川普當然是擔心會輸掉大選，所以才要製造外界疑慮，他是因為選票舞弊才會敗選

猶他州過去七年也都是採用郵寄選票方式，如今這個共和黨多數的州，遭受來自共和黨陣營的強烈抨擊，當地黨團主席表示，最佳行動方針就是別用陰謀論來看待郵寄投票，並且相信選務單位和美國民主機制。

(喬治史登/科羅拉多州選務官員)
我無意替川普總統發言，也不想用心理分析去揣測他的意圖，只想說我們在科羅拉多州，有七年處理全民郵寄選票的經驗，也獲得共和、民主兩黨廣泛的支持，我們可以明確告訴大家，郵寄投票完全可行，也徹底安全
https://www.youtube.com/watch?v=BRzaiu1H4EI

含主持人陳文茜解說，請於Youtube「訂閱」文茜的世界周報。以下為【完整版】2020.10.11《文茜世界財經周報》
https://www.youtube.com/watch?v=-eTGbdycTDU

特別感謝：
海國樂器 / 冠群哥
阿丁
Kyte Yang

THE ZOOM LIVETRAK L-20：https://www.zoom.co.jp/products/production-recording/live-sound-recording/livetrak-l-20


Zoom LiveTrak L-20結合混音機、介面、效果器及錄音機，是創新的產品類型。

最多可錄製 22軌播放20軌。6個耳機監聽輸出，内置節拍器的節拍音軌源。當作介面可連接電腦和平板，不須驅動，可在iOS系統運作。可當作 4 軌混音或分離混音和立體聲到擴聲系统。也可以作為一個 AD轉換器，還有延遲調整。

錄音機有開始/停止按鈕。錄音可透過 USB 或 SD 卡。還可連接踏板開關控制錄音。還有壓縮器和效果器。還有延遲和殘響。

LiveTrak   L-20可以用於專案錄音，戶外錄音，作為樂團/個人所需的練習工具或現場表演工具。

功能一覽
・採用XLR或1/4英寸連接的20個獨立聲道（16個單聲道加2個立體聲）
・22軌同時錄製，20軌回放
・22in/ 4out   24bit/96kHz USB錄音介面
・6個耳機輸出，每個都有可定制和可保存的混音
・從電腦添加背景音樂到您的現場混音和錄音
・RCA和TS線路輸入
・48V幻像電源
・Hi- Z
・26 dB PAD
・內置壓縮控制
・數位電平表-48 dB到-0 dB
・主靜音按鈕
・低切控制
・立體聲平移
・主機和監視器輸出A-E
・場景保存功能，一次最多可保存9個場景
・20個內置延遲和混響效果，參數可調
・SD卡輸入
・內置節拍器
・自動記錄啟動/停止功能
・使用USB 2.0介面導入/導出項目
・ZOOM FS01腳踏開關的相容功能

LiveTrak L20也是一個22進/ 4出USB錄音介面，具有靈活的路徑選擇，提供無限的可能性。 Class相容模式，支援iOS設備的連接。

#麋先生 #MIXER #ZOOM #海國樂器

線，全都是線... 攝影師已被我XX了~
btw今次淘的USB線勁快壞左，應該係內傷，一時充到一時唔得
因為佢冇話防壞...
睇黎下次會再有USB線了

如果要Link可以留言

淘寶清單：
1. 7寸 單反監視器 愛圖仕aputure vs1
2. 羅德 RODE NTG4+ 攝像機單反采訪麥克風USB充電NTG4采訪話筒
3. 蘋果iPad mini2保護套i派3迷你1愛拍4平板電腦pad air2簡約5殼
4. 卡儂母3.5mm插頭電容麥克風線材 電腦聲卡單反話筒連接通用音頻農
5. 蒂森特 索尼NPF550 NP-F550套裝TRV81 攝像機電池充電器
6. 滅火器車載車用幹粉1kg2kg4kg高速必備汽車用幹粉滅火器年檢必備
7. 包郵3.5母轉單RCA蓮花AV公頭 轉3.5公音頻母轉接頭音頻頭連接耳機
7. 包郵 一分二3.5mm對雙蓮花母轉接頭 RCA母對音頻公鍍金延長轉接頭
8. 小米安卓智能手機充電器線USB編織防斷數據線廠家2A
9. Choseal/秋葉原 3.5mm轉卡儂母 3.5轉XLR 話筒麥克風線 3.5音頻線
10. 包郵正品 M235二代無線筆記本鼠標 優聯無限
11. 熱靴話筒夾 單反相機外接話筒夾 話筒挑杆減震架 防震架 熱靴支架
11. 四合一讀卡器 DK-02直接讀取TF卡 SD卡 MS(記憶棒）卡 M2卡
12. 麥克風防震架轉接螺絲 5/8轉1/4熱靴座 雙層螺絲話筒懸臂架轉換頭
12. 手機自拍杆 卡片相機自拍支架 手持收縮杆便攜伸縮拍照神器神棍
12. 麥克風防震架 避顛支架電容話筒減震支架咪罩麥克風咪夾 話筒底座
12. 迷你兩節三腳架 便攜三腳架 微型數碼相機三腳架 攝像頭支架


如果喜歡這條影片，記得給我Like & Subscribe我Channel
有任何問題都歡迎發問！

----------------------------------------------------------
Presenter:
CatGirl

Editor:
Ken

Backgroud Music:
J.A.K - Into The Blue
Smooth Hips by EDMRoyaltyFree.net

----------------------------------------------------------
有問題歡迎留言發問！

Follow my Instagram: https://www.instagram.com/CatGirlHK/

Follow my Twitter: https://twitter.com/HKCatGgirl

Follow my Facebook: https://www.facebook.com/CatGirl-%E8%B2%93%E5%A5%B3%E5%AD%A9-261290303914565/

Subscribe my Channel: https://www.youtube.com/c/CatGirl-%E8%B2%93%E5%A5%B3%E5%AD%A9

Email: CatGirlHK@gmail.com