投資乃後現代斬叉燒傍身之技
從前很多人在移民前,即使本身是會計等專業人士,仍擔心到外國找不到合適工作,都會多學一門手藝傍身,最流行的可能是學做燒臘斬叉燒。據聞近年移居到台灣的港人,不少也是開港式燒臘茶餐廳。
從去年暴亂開始,香港經濟已嚴重不濟,今年加上疫情,雪上加霜,經濟已衰退超過一年,第二季收縮9%,失業率亦升至6.2%!
暴亂成因有很多,近因是反修例事件,但冰封三尺非一日之寒,背後亦有長遠的房屋、經濟和社會問題。基層人士的生活固然不易過,即使中產人士,很多亦有不滿,不止樓價太貴,更對前途感到絕望。他們感覺社會在變,愈來愈難找到所謂有前途的工作,例如大型科技企業和銀行等。雖愈來愈多內地機構到香港發展,但即使港人被取錄,也未必能適應企業文化,亦覺得缺乏晉升機會。過去十年外資投行,僱用港人的數量已非常少,請的更多是內地人,在普通話和對內地情况了解,都有一定優勢。
近年也流行創業。但因寫字樓和尤其店舖租金長期高昂,加上香港市場太細,成功例子實在不多。近月加上疫情,無數餐廳、零售店和中小企都已倒閉。周末經過灣仔、銅鑼灣一帶,滿目瘡痍,周街吉舖。
不少人又再改為網上創業,在instagram和facebook等社交平台,推銷各樣食物、產品和服務,例如海膽(推薦朋友@uni_brother)、壽司、水餃、#homakase、寵物用品(推介朋友https://www.vetstepshk.com/)、美容和修甲等等。網上創業成本較低,但競爭也非常激烈,最後有多少人成功,仍是未知之數。
傳統中國人熱中房地產,認為是投資致富的不二之選。事實上過去數十年,不少人是投資地產而發達的。尤其過去20年,恒生指數停滯不前,似乎遠遠跑輸地產投資。內地情况也一樣,上證指數表現亦遠遠跑輸北上廣深等大城市樓價。
投資永遠是向前望的,正所謂過去表現不代表未來,現在的情况又如何?在美國零息和無限QE政策下,本應對任何風險資產包括股票、債券,甚至地產都有利,但今年住宅樓價仍微跌,個別成交更差,某新界別墅屋苑,業主持貨20多年,仍大蝕離場。實體經濟差,加上不少人真的在考慮移民,所以住宅樓市偏弱。商舖和寫字樓當然更差,有些已大跌三成甚至一半。何止香港,內地樓市亦已弱了一段長時間,上海、北京二手樓價都已跌兩成。美國實體經濟也很差,1300萬人仍失業,上百萬宗房屋按揭有違約風險;但同時因為很多人害怕在人口密集的城市感染COVID,而選擇搬到較空曠的郊區,屋面積較大,適合WFH和小朋友線上上課,因此出現不少買家爭奪戰。
今年美股表現異常好,好到與實體經濟脫節,簡直是對慘被疫情連累到失業甚至破產的人的一種諷刺。何止美股,恒指雖仍疲弱,但不少個別港股和A股,例如阿里(9988)、美團(3690)和A股寧德時代等龍頭股票,表現都非常好。早前台股亦創下歷史新高,近日連歐洲表現都不錯。個別美股的表現更誇張,蘋果今年升近八成,市值2.2萬億美元,成為世界一哥。Zoom更瘋狂,今年升了5倍,一如數周前所料,市值1100億美元,已超越波音,代表視像會議正式開始取代浪費資源的航空年代!
估值不廉宜 美股隨時有調整風險
美股是否已到泡沫階段,會否爆破?估值肯定不廉宜,今年標指PE超過22倍,即使經濟重開,明年PE仍必在20倍以上。3個主要指數的RSI為75至83,有隨時調整的風險。
調整肯定有,但再次大跌三分之一的股災機會不高,Don't fight the Fed的金科玉律仍有效。記得我早前的分析嗎?即使疫情嚴重加社會動亂,都未必出現股災,超寬鬆貨幣政策,加大規模財政刺激,足以撐住股市。白宮跟國會雖未能達成下一輪刺激協議,但美國聯儲局宣布新的Average Inflation Targeting政策,表明將容忍通脹超過2%一段長時間,才會開始加息。以現時通脹只有0.6%,和過去10年都低於目標來看,相信未來兩年內加息機會極低。在這政策環境下,消費通脹會否回升仍未知,但資產通脹就幾乎是肯定的!
除此之外,疫情亦成為經濟加速雲端化、遊戲化,電商崛起和WFH的催化劑,加上互聯網的Network Effect,就製造出贏家通吃的現象。蘋果、亞馬遜、微軟、Google和臉書等成為最大長期贏家。對它們的最大威脅只有《反壟斷法》,國會聽證會開了,但暫時仍是無牙老虎。中國情况亦相近,ATMX已擁有巨大優勢,但請留意中國市場的競爭比美國更激烈,有更多充滿創意的挑戰者,例如拼多多和字節跳動。
零息刺激 傳統估值方法未必適用
第三個有助延長牛巿的是新一代的投資文化。我未必完全認同,但在零息刺激下,傳統估值方法,包括P/E、P/B、Sum of the Parts、Prem /Disc to NAV等已基本上不再適用,即使較鬆的PEG、EV/EBITDA,甚至更新的growth adjusted EV/EBITDA等估值方法,都不一定有用。新投資者着重的是市場想像空間有多大的TAM,生意模式有多少disrupt傳統行業的能耐,其次就講究不擇手段增加市佔率的速度。在2000年的科網熱1.0,Pets.com的起落被當作笑話,但今日的Chewy,是一家增長非常快的真實企業!
最近CNBC訪問被譽為Dean of Valuation、NYU教授Aswath Damodaran,從前他經常批評Tesla的估值過高,但如今連Damodaran都接近投降,竟然認為FAANG等股票估值接近合理,更認為臉書和Netflix抵買!
但提醒大家,著名揭發金融騙案專家Jim Chanos在早前FT訪問中指出,炒風濃烈的時候,亦是金融騙案的黃金期,今年已出現瑞幸和Wirecard,肯定陸續有來!想深一層,各央行的QE手法,其實亦極接近「左手交右手」的經典操控市場手法,但只許州官放火,不許百姓點燈,就變成合法。
大量美國人失業,大量Free Time,政府又大派Free Money,加上Robinhood以Free Commision吸引客戶,在3Free推動下,散戶再次成為最新市場動力。當然Robinhood和其他「免佣」平台的生意模式有問題,主要倚靠出賣客人流量給大型對冲基金如Citadel,即是故意容許他人front run客戶,是另一最古老欺詐手段。去年這兩家公司已曾被SEC罰款(為何非刑事?),近日又再有新調查。Robinhood近日再融資,估值110億美元,不低但不算高,我雖不認同,但幾乎肯定仍有巨大增長空間,亦即這股散戶新勢力只是剛起步,尚未見頂。
中國高科技新經濟亦已逐漸成熟,恒生科技指數的推出非常合時,近日一些基金公司更已開始推出相關ETF。當然中國科技界深度仍略遜美國,且指數並不包括只在A股和美國上市的公司,有些成分股質素只一般,但仍是個值得鼓勵的好開始。
港人學好投資致富 毋須怨天尤人
今天的重要建議是香港人,根本毋須怨天尤人,整天投訴沒有晉升機會和創業難,少數甚至做出違法破壞社會,損人不利己的事情。勸喻大家努力學好投資,是一門能幫補收入,甚至可以發達的「手藝」!我稱之為後現代斬叉燒傍身之技!
港交所(0388)在2000年以3.88元上巿,至今升近100倍。可惜只有極少當年用會籍換為股票的經紀,至今仍持有全數股票(我認識幾位,恭喜)。反而好幾位賣了股份,轉買了當時正推出的禮頓山,有點回報,但當然跟港交所不可同日而語。騰訊(0700)是另一個更大神話,從2004上市至今,升了超過700倍。過去港股這些例子不多,但相信隨着更多優質公司來上市,將愈來愈多。美國當然更多神話,雖然大部分最富人士如Bezos、Gates和Musk等是創業家,但投資而致巨富的也不少,包括Buffett、Soros和Icahn等。其實只因早期投資了在他們的基金或公司而致富的人更多,不少亦成為了億萬富豪。
贏家通吃年代 研究龍頭企業已足夠
香港稅率低和簡單,沒有資本增值稅,是投資者天堂。沒有資本控制,資訊發達,投資全球都很方便。新投資文化對普通投資者亦非常有利,無可否認,複雜的投資分析的重要性已降低不少(有點擔心但確如此),某程度上可說遊戲變得較「平等」,專業和業餘投資者的差距縮小了。再者,投資標的也簡化了很多,在贏家通吃的年代,根本毋須花時間在中小型公司,莊家老千股更避之則吉,只需集中研究譬如全球最大的50家企業,主要在美國和中國,如有能力再加些印度、日、韓、台和歐洲的龍頭企業,已非常足夠!大家當然擔心股災,但看長線,以標指為例,從1928年起計,近百年的ERP(Equity Risk Premium,股票風險溢價)約5%,加上所謂無風險的美國國債回報,每年複式回報率高達9.7%!其間包括了世界大戰、大蕭條、大衰退、多次股災和今次獨特的疫情大流行,仍有如此可觀的長期回報,何須擔心?投資者的最經常錯誤正是過度短線和頻密的交易。
不要讓政治偏見影響投資決定
最後,我給予投資者4個實在可行建議:
(1)起步時,每個人必須奉公守法,努力工作和養成良好儲蓄習慣,逐漸建立資本。
(2)資產配置仍是最重要投資決定。從1928年至今,標指回報超過5000倍,美國國債回報只80倍。過去中國人沉迷「磚頭」,中國資本市場仍未成形,大部分人又不熟悉美國市場,可以理解。但現在全球投資非常容易方便,中國資本市場快速增長,所以股票配置比例應頗大幅提升,債券亦有平衡組合作用,但需要多一點專業知識。近日很多人討論黃金,我無特別意見,配置些少無妨,但老實講,可有可無,對長遠總回報幫助不會很大。
(3)請不要戴上政治色彩眼鏡去投資。中美修昔底德式鬥爭必然維持10年以上,如幸運地能逃過戰爭,兩邊都必出現很多好的投資機會。極大概率中國名義GDP,必在不到10年,甚至5年內超越美國,主因是人口差距超過4倍,每年中國STEM畢業生更比美國多8倍,怎可能不超越?請留意蘋果Tim Cook解釋在中國生產的原因,早已不是廉價勞工,是因為中國具有大量高質素的工程師和勞動力,美國根本沒有!
美國仍有大量如蘋果般的優質企業,加上美元仍擁有exorbitant privilege(高昂專權),Don't fight the Fed仍是對的。唯一需要小心的是數年後,當中國名義GDP逼近美國時,會否損害美元的「高昂專權」。
新加坡資深學者兼外交官Kishore Mahbubani,剛出版一本書《Has China Won?》,訂了但未收到,已知大綱。同意中美關係並非零和遊戲,大家共坐地球這條船,必須合作努力,才能克服COVID和氣候變化等挑戰。我不認為中國「已贏」,但更肯定中國不會輸,所以中國也充滿愈來愈多的投資好機會。請大家對美國和中國投資,都培養多點長期信心,不要讓政治偏見影響投資決定。
ESG投資回報好 利己利人
(4)投資者反而應戴上ESG眼鏡來投資。出發點當然包括阻止氣候變化,這目的遠比投資回報更重要。只有特朗普這類過時老人,才會想把煤礦業復興,最近連Exxon Mobil都被道指剔出了!除拯救地球外,有研究顯示過去10年,大部分ESG基金回報竟跑贏大市,殊不容易!提到ESG,一般人只想起太陽能,但我已討論了再生能源的Holy Trinity多年,包括太陽和風能、電動車和儲能,缺一不可。最快被世人接受的是電動車,我開了Tesla的車已6年,在本欄多次討論,單是今年回報已超過4倍,6年來更升了17.5倍!ESG為己為人,回報又好,何樂而不為?
(中環資產持有蘋果、亞馬遜、微軟、Google、facebook、Netflix、阿里、騰訊、美團、小米、港交所、拼多多、瑞幸、寧德時代、Zoom、Chewy及Tesla的財務權益)
中環資產投資行政總裁
[譚新強 中環新譚]
google 流量異常 原因 在 桃園市議員李光達-市長初選民調參選人 Facebook 八卦
爰今年一月份鄉親陳情,4/1市長主持竣工典禮位於桃園區永安路往蘆竹大竹方向,跨茄冬溪【星見橋】新建工程。新建橋樑是採拱型工法,致路面產生微幅坡度。
在市民認知上,路面該是平坦而非有幅度,有影響橋頭永佳街轉彎進出視線之虞。
嗣請水務局官員來服務處請教,回復我係為專業水流斷面之考量,也就是要讓水流經過時增加流量,以免淹水。
鑑於101年611水災之時,茄冬溪星見橋段淹水狀況嚴重,水漫星見橋。Google輸入關鍵字【星見橋】就可回憶當年淹水情境,致沿岸中成里、西埔里……等處居民飽受淹水苦,蒙受農畜、電器、家俱等損害,嚴重危害市民身家財產。
在就教水務局官員後,本人親前去察看橋樑工程,意外發現該段水路似有蹊蹺,約莫上游百餘公尺水流呈現彎道,依水流沖刷簡單邏輯原理,該強固的是轉彎沖刷凹處,但據實況呈現的是在凸岸側用水泥斜坡強固護岸的施工勝過凹岸,顯違反邏輯。兩側護岸的水泥斜坡顯已讓河道更狹窄,因此水務局官員答復我【星見橋】新工法是為增加水流斷面,在看過了【星見橋】的河道寬度,窄窄一座橋的兩側,竟是不ㄧ樣的河寬,以致官員的說法已說服不了我。
於是,請服務團隊調閱地籍圖察看,竟是橋頭處一民間業者長期佔用二筆地號是國有財產地,並在地上興建違章廠區長期使用,因緊臨該溪,再基於自私用水泥斜坡鞏固工廠地基。
有此發現後,自2月份市議會臨時會伊始,本席已提出糾正不少次,唯未見職管的水務局有積極依法的作為,本席強烈懷疑長期以來包庇業者,視人民身家性命財產安全於不顧。
這段期間以來,業者直、間接欲說項。然而這是大是大非問題,本人豈可罔顧市民身家財產的引憂呢?豈可罔費市民託付呢?
其他桃園南區一議員同事也質疑南區另一溪流河道亦有被佔用情形。由此可見,水利養護單位不夠盡責。再深究,從早年中央水利署編列8年800億元到目前6年660億元治水防洪預算,到了地方政府後,原來是搞假的,實該究責。
於是本席於今天市議會定期會輪水務局工作報告,再次揭發並重砲碰擊,總期望業務職管單位能有作為。
流經桃園市幾個行政區的茄苳溪,回憶3年前611水災,造成本為台地地形的大桃園不少處淹水嚴重,縱因氣候變遷異常,瞬間雨勢龐大,但也充滿治水的人謀不臧。
茄苳溪,不儘靠中下游上述【星見橋】段漫淹,再上游一點穿越台一線(省道)桃園區武陵中學附近一帶含龍安街、龍鳳一街等處也因之出現難得淹及路面湍流的奇景。
縱因在上游有發生潰堤,當瞬間水流量大下游【星見橋段】因上述違失,疏流不及致使上游因張力潰堤也恐是其中原因之一。
冀望桃園市政府水務單位落實全市危險河川整治,尤其也要重示茄苳溪流經人口密集區的危害。
google 流量異常 原因 在 台灣物聯網實驗室 IOT Labs Facebook 八卦
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