濕度感測器種類的八卦，PTT、MOBILE01、YOUTUBE和Yahoo名人娛樂都在討論

【微型感測器今晚如何找到臭味來源？】
文：李雨蓁 Lí Ú-chin

今晚的歸仁農地大火，已在21:30撲滅，延燒超過8公頃（比夢時代大）造成高雄全市惡臭。但不知道大家有沒有注意到環保局的新聞稿：全市都接獲通報，但「微型感測器數據最先出現高異常數值地區是北高雄阿蓮區，巡查人員到場發現是鄰近的台南市歸仁區。」這段話，其實顯示了「#智慧空汙治理」的潛力。


👉什麼是「微型感測器」呢？

這是一種可以監測溫度、濕度、PM2.5、PM10、總揮發有機物的小型感測器，並透過4G網路等不同通訊協定，3分鐘回傳一筆資料。相對而言，「微型感測器」偵測項目比「環保署測站」少，精密度較低，但站點密、回傳頻率高；然而，又比民間偵測器如「空氣盒子」嚴謹，經過工研院的實地與實驗室偵測與校正，並定期巡檢保養。


👉微形感測器的作用？

感測器偵測項目雖不多，但重點在於以量取勝的「大數據」、互相比對的「物聯網」，也就是透過大量感測器可以定位出污染源，透過時間變化可以偵測到移動趨勢，例如本次感測器從阿蓮開始傳出高讀值訊號，就顯示污染源在阿蓮或其上風處。


這些感測器從2017年開始建立50座，2018年再架設500座，2019年持續辦理增加750座，配合環保署建置空氣品質物聯網，可24小時監測空氣品質，減少空污稽查空窗期，一旦發現異常將可立即啟動通報與稽查，有效掌握污染來源，打擊不法。


👉除了感測器之外還有哪些偵測手段？

1.#移動監測車：
環保局現有2輛可移動多功能環境品質監測車，可同時偵測二氧化硫、臭氧、一氧化碳、懸浮微粒(PM10)、細懸浮微粒(PM2.5)、氮氧化物、碳氫化合物等空氣汙染物，可以機動配合重大汙染檢測，以及空品不良的緊急應變監測。

優點：兼具機動性和較完整偵測能力。
缺點：只有兩台，部署較慢，對於找不出源頭的大規模污染，較難快速定位偵測。


2.#可攜式氣體偵測器
消防隊、環保局配備有各類型多用途氣體偵測器，主要能偵測揮發性有機氣體(VOC)、硫化氫（H2S）、一氧化碳（CO）、可燃性氣體（LEL）及含氧量(O2)等多種毒性氣體。

優點：機動靈活，可提供較多點的偵測數據。
缺點：可偵測氣體種類與準確性較為受限。


3. #即時空氣污染物連續自動監測設施(Continuous Emission Monitoring Systems, CEMS)
裝在污染物排放煙囪內的自動監測設施，利用物理光學或化學感測器，換算污染物之濃度，並自動傳回環保局。自2015年11月開始，環保局在民間協助之下，將監測視覺化呈現曲線圖表，即時連線至市府「高雄市煙囪排放即時監測系統」網頁供查詢。

優點：具良好的敏感度，並可24小時連續即時監測。
缺點：法律並未要求所有工廠裝設。以高雄市為例，符合法規需設置CEMS者，有29家公私立工廠、共119根煙囪，而這119根煙囪的排放量，占全國總排放量的30%，為高雄市固定排放源的70%。然而，許多偷排量來自小型，甚至非法業者，防不勝防。另外，桃園市的台塑集團子公司華亞汽電，於2011年被查獲在中控室CEMS監控程式偽造正常數據，回傳環保局，為全國第一起遭查獲竄改CEMS案例，被罰補繳6.59億元空污費，相關人員依刑法判刑。而後，台塑集團的南亞塑膠桃園錦興廠、新北樹林廠，及台灣化纖雲林六輕海豐廠、嘉義新港廠，全因CEMS數據申報不實而遭開罰。


👉這麼多感測器，怎樣發揮更好作用？

好過日過去一直強調透過「生態民主」、「生態正義」、「生態經濟」的三大原則，建構安全、永續的環保政策，我們認為目前的偵測系統還有一些問題：


1. #做好維護與落實資訊公開
其實大家現在就可以看到微型感測器資訊網，然而其中有許多（大部分）偵測器是沒有數據的，包含最接近歸仁的那隻偵測器在內。然而，環保局看得到數據，是不是表示資料未整理上傳？或更新出了問題？ 必須確保網站運作正常，才能做到資訊揭露！


2.#發揮物聯網與跨域治理作用
目前高雄的微型感測器僅限於境內，對於跨境污染必須另行聯繫確定，未來是否有可能建置國家級測站以外的微型偵測站網路，更好的偵測與稽查跨域污染事件，甚至結合風場系統做到提前預警，結合CEMS系統評估環境影響，甚至作為追究廠商責任的量化標準...這些是可以再強化的。


3.#空品不良預警機制
今天3Q 陳柏惟 在立法院質詢就提到，目前的「空品不良細胞廣播」是要國家測站AQI>200才會發布，但在缺乏國家級測站位置，污染超標的區域事件可能就不會被警示。地方政府的智慧空污系統能否發揮更好的警示效用，可以再檢討改進！


另外我想特別提醒，歸仁沙崙地區前幾天就頻頻傳出農地燃燒案件，台南消防隊也特別提醒民眾天氣乾燥、野草容易延燒，但仍發生此次事件。我們希望警消能盡快調查，釐清責任歸屬，並依法對犯人重罰求償！

他種的米直送教宗餐桌，區塊鏈如何翻轉台東青農命運？

2019.10.09 by 高敬原

他種的米，不僅上架亞馬遜進攻北美市場，還躍上教宗的餐桌，卻也曾經面臨銷售不佳的困境，如今因為區塊鏈背後的信任基礎，他的米挑戰的是全球市場。

火車一路往台東池上接近，沿途的綠色稻田像是覆蓋在大地上的地毯，這裡有許多農民投入有機稻米種植，水鴨、白鷺鷥、環頸雉都是田裡的常客，在泥土上留下路過的腳印。

從這些痕跡，可以看出一塊農田生態環境是否良好，然而當我們購入一包米時，要怎麼知道種植的條件，是否真正有機、對環境友善？

10年前回到池上接手家中農田，第三代的青農魏瑞廷，對於科技技術根本一竅不通，一年前憑著一股衝勁，跟區塊鏈新創奧丁丁合作生產履歷。

彷彿是一塊敲門磚，區塊鏈讓魏瑞廷的品牌「池上禾穀坊」打開銷售通路，不僅上架亞馬遜進攻北美市場，端上教宗的餐桌，展開一場他從沒想過的驚奇之旅。

對區塊鏈一竅不通，卻讓教宗、亞馬遜都買單

過去一年，魏瑞廷接受數十次的媒體採訪，《金融時報》甚至飛越太平洋來到台東，就是想一探這塊藏著區塊鏈祕密的稻田。

不僅受到媒體關注，銷售上也得到實質回報。今年年初，魏瑞廷自掏腰包花了十幾萬做清真認證（Halal Certification），也通過美國食品藥物管理局（FDA）核准，讓池上的米，攻進了杜拜、阿曼、香港民眾的餐桌；今年夏天，池上的有機米從台灣直送教宗居住的聖馬塔之家（Casa Santa Marta），成為教宗的午餐；九月時，更進攻電商亞馬遜（Amazon），席捲加州華人的味蕾。

世界上產米的地方這麼多，為什麼名人、知名電商、中東大國都認可魏瑞廷的米？區塊鏈就是不需要翻譯的關鍵密碼。

不到40歲的魏瑞廷，從大學到博士班都是生態農業背景，10年前返鄉接手三代耕耘的稻田，一開始為了推廣家中稻米，周末都到台北市集擺攤，銷量卻不如預期，賣沒幾包。

五年前開始經營自家品牌「池上禾穀坊」，在Facebook上小量販售，為了強調有機種植，魏瑞廷把種植過程全部上傳粉專，不僅建立起口碑，在去年偶然被奧丁丁集團創辦人王俊凱注意到。

「本來都不認識，根本不曉得他是圓的還是扁的。」在奧丁丁找上魏瑞廷合作區塊鏈生產履歷前，魏瑞廷對區塊鏈根本毫無所悉，甚至以為奧丁丁是想發幣，「後來我自己去查了很多資料，大概知道是怎麼一回事，去年八月就開始合作將生產資料上鏈。」

上鏈的資料可能造假嗎？

大膽放手一試，卻也差點合作不下去，開始合作的第一個月，魏瑞廷不斷跟工程師吵架，「那時候真的很不想做了，非常不順，平常的工作也受到影響。」關鍵在於，科技人不了解農業知識、稻田實務面臨的狀況，而魏瑞廷對技術也不理解，雙方完全不在同一個溝通頻率上，問題一個接著一個冒出，奧丁丁的工程師最後決定親自走一趟台東農田，雙方合作終於上軌道。

生產履歷，是奧丁丁落地成功的區塊鏈應用之一，概念是將到種植的環境資訊，上傳到區塊鏈上，藉由不可竄改的特性，消費者掃描貼在產品上的QR Code貼紙，就能清楚稻米生產歷程，食安出現問題時，也能有查證依據。

過去農委會也有推行產銷履歷，第一線農民觀察，驗證基準並不嚴謹，產品若要外銷，背後並沒有強大信任機制供檢驗，中東市場、教宗之所以買單魏瑞廷的米，就是因為相信區塊鏈背後的信任機制，為產品品質做另類擔保。

奧丁丁的生產履歷貼紙，是根據鏈上記錄的產量狀況，發放相對數量的貼紙給農民，農民自己沒有辦法印製，且每個Code都有一組序號，可以避免重新包裝的狀況，Code只要被掃瞄，馬上就會推播通知到農民手機上，如果Code被掃描的次數過多、被掃描地點異常，工程師也會發出示警，代表可能有被仿冒的疑慮。

針對區塊鏈技術的討論中，會被質疑上鏈的資料是否有造假的可能性。這可以分兩個層面觀察，透過感測器即時上傳的紀錄，幾乎沒有造假空間，會有灰色地帶的是農民手動上傳資料的部分。

農民認為，實務上來說，食品若真要造假，並沒有一種方法能夠100%防堵，就連國際上的清真、FDA認證，也不會天天有人盯場。也因為區塊鏈的角色並不是驗證資料真偽，而是像一本筆記本，老老實實的把資料紀錄，供日後查驗，主動將種植數據上鏈，也成為另一種信用的型態存在。

而區塊鏈價值在於事後沒有竄改資料的空間。食品生產履歷上鏈，對相信區塊鏈的人來說，可以加強信任感，並增加商品價值，像是一種說服買主的信用狀。魏瑞廷認為，區塊鏈生產履歷也是一種使用者付費的概念，消費者想知道關於產品的更多細節、認同品牌理念，自然會願意付錢購買。

導入微形氣象站，紅冠水雞、白鷺鷥出沒都知道

一開始，奧丁丁在魏瑞廷地農田裡放置物連網（IoT）感測器，每兩分鐘會記錄一次日照、土壤濕度、土壤溫度等資訊，並將資訊上鏈儲存。

其實稻田環境的變化並不大，兩分鐘記錄一次的頻率不僅太高，更累積大量相似的數據。退一步來說，日照、土壤濕度、何時插秧這些資料，對於消費者在判斷是否要購買產品上，並沒有太大的價值。

奧丁丁今年初做了一次改良，跟擅長農業科學化生產管理解決方案的新創「阿龜微氣候」合作，在田裡架設微型氣象站，靠著太陽能板發電供給運作，能夠加碼紀錄雨量、紫外線、風速、風量等數據，並將資料上鏈的時間從每兩分鐘延長到每兩小時，機台內裝有SIM卡會即時自動上鏈。

也在田裡裝設紅外線攝影機，拍攝出現在農田中的動物，「這個也是判斷產品好壞的依據。」田裡穩定出現紅冠水雞、白鷺鷥、鼬獾代表環境狀況良好，如果動物種類減少，就可能是環境受汙染的警訊。

並非所有農田內的風吹草動都會自動上鏈，像是使用的肥料種類、紅外線攝影機拍到的動物種類、播種時間、整地、除草，感測器都無法判判斷，必須仰賴農民手動輸入上鏈。例如，為了符合清真認證以及教宗飲食規範，就必須使用植物性肥料；因為沒有影像辨識功能，魏瑞廷必須查閱動物圖鑑，判斷究竟是拍到哪一種動物，再將資料輸入上鏈。

這些資料也能帶給農民許多好處，用更科學的方式種稻。以施肥來說，老一輩的農民大多憑經驗下肥料，透過感測器對農田環境的變化紀錄，農民可以以此為依據，判對該下多少肥料，可以對肥料的用量成本精準控制，且不會造成浪費。

另外，也能從風速判斷稻穀是否會有稻熱病的風險、透過氣溫提醒農田是否需要斷水，甚至判斷這塊田，在每一期適合種植哪種品種的稻米、預期產量有多少，管理農田更有系統，農民不再看天吃飯。

區塊鏈也並非沒有缺點，剛開始手動上鏈資料時，魏瑞廷時常記錄錯誤，但因為上鏈的資料無法修改，只能再補記一筆資料，解釋先前的錯誤。對年長的農民來說，操作手機更是一大挑戰，他建議，未來應該結合聲控功能，讓農民直接用說的方式紀錄資料，此外，紅外線攝影機也應該增加影像辨識功能，讓資料紀錄流程更加自動化。

因為區塊鏈，台東青農也能接觸國際市場

經過一次次調整後，現在消費者掃描生產履歷的QR Code，可以看到生產者的姓名、產地座標、產品簡介、當期產量等資訊，如果想了解更細一點，也能看到稻米種植時的光照變化、環境溫度，以及整地、施肥、收成、碾製、裝袋的時間，資料上鏈時，都會同步翻譯成英文，產品銷往海外也沒問題。

魏瑞廷認為，區塊鏈的優點，是可以讓每個農民更容易凸現出產品特色，「每個人想要強調的重點不同、想解決的問題也不同，可以透過資料紀錄，操作不同議題。」像是魏瑞廷的稻米強調有機生態，所以加裝紅外線攝影機記錄動物足跡。

如果專攻清真認證食品、瞄準海外市場外銷的FDA認證，就能在上鏈時，特別強調這些資訊，同樣是稻米，卻能透過生產履歷做出產品區隔，打入不同市場。

食品生產者究竟要不要導入區塊鏈技術，核心的關鍵，是必須想清楚用區塊鏈的目的，「為了區塊鏈而區塊鏈，就是本末倒置。」

跟著魏瑞廷穿梭田中採訪，他說，因為區塊鏈議題，以及網路的傳播力，這一年來多了許多科技業背景的顧客，甚至有人會照著著QR Code上記錄的稻田座標，直接到現場驗證，「他們來了跟我說：『你真的在這裡工作喔？』我不在這裡工作要在哪裡工作。」這時的魏瑞廷忍不住笑了出來。

因為區塊鏈，讓在池上種稻的魏瑞廷被世界看見，他說，最大的收穫就是接觸到許多海外通路、不同背景的顧客，讓更多人認識台東有機米。回顧這一年的驚奇旅程，魏瑞廷望向看不到盡頭的翠綠稻田，大聲的說：「這一年超屌的，屌到炸。」

附圖：不到40歲的魏瑞廷，從大學到博士班都是生態農業背景，10年前返鄉接手三代耕耘的稻田。
攝影 / 高敬原
消費者掃描貼在產品上的QR Code貼紙，就能清楚稻米生產歷程，食安出現問題時，也能有查證依據。
攝影 / 高敬原
奧丁丁與新創「阿龜微氣候」合作微型氣象站，夠加碼紀錄雨量、紫外線、風速、風量等數據。
攝影 / 高敬原
田裡裝設紅外線攝影機，拍攝出現在農田中的動物，紅冠水雞、白鷺鷥、鼬獾都是常客。
攝影 / 高敬原
播種時間、整地、除草，因為感測器都無法判判斷，必須仰賴農民在手機上，手動輸入上鏈。
攝影 / 高敬原
消費者掃描生產履歷的QR Code，可以看到生產者的姓名、產地座標、產品簡介、當期產量等資訊。
奧丁丁的生產履歷貼紙，是根據鏈上記錄的產量狀況，發放相對數量的貼紙給農民，農民自己沒有辦法印製。
攝影 / 高敬原
因為區塊鏈議題，以及網路的傳播力，魏瑞廷這一年來多了許多科技業背景的顧客，甚至有人會照著著QR Code上記錄的稻田座標，直接到現場驗證。
攝影 / 高敬原

資料來源：https://www.bnext.com.tw/article/55056/owlting-agriculture-blockchain?fbclid=IwAR2ZTq5haX64_0Z8gXYZ75XCpEKrh2SKWVHeTHeZNxmFyCIVKU8mUWnjv2s

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