譚新強:中國正式墮入修昔底德陷阱
文章日期:2021年7月30日
【明報專訊】中國已墮進修昔底德陷阱。此發展非常危險和可惜,因為中國過去40多年的和平崛起,是歷史上罕見的,不止幫助全中國人民脫貧,更對全球經濟發展有極大貢獻,都是值得表揚的。不過,不幸地近日所見到的一系列重要政策突變,不止引發出一場嚴重的所謂監管風波,其實有更深層次的意義,似乎代表頗根本性的經濟發展模式和甚至外交策略改變。
對此發展表示擔心的不止我一個,連長期中國大好友、美國著名經濟學家羅奇(Stephen Roach)近日也發表文章,直言憂心中美已進入冷戰初期,同時中國大力打擊創業家的「動物本能」(animal spirit),且危險地攻擊大量科技行業,包括各種電商、金融科技、社交平台、線上線下教育等等的商業模式,似乎正全面重估市場經濟的定位。羅奇甚至擔心此改變將影響到中國不能達到整體長期發展目標。
應鼓勵企業走出國際 爭取傳媒話語權
我相信近日針對個別行業的監管行動都有一定原因和道理,但絕不應變成嚴重內鬥(我明白內卷和內鬥的所謂區別,但我不忌諱,所以直稱為內鬥)的藉口,不可因一棵樹而放棄整個森林!近月我已多番發聲提醒中國慎防形成圍城受困心態,應把眼光放得遠一點,鼓勵企業走出國際,爭取中國傳媒的話語權,與提升中國在國際金融市場地位。
先分析一下墮進陷阱的原因,主要有4個:
(1) 從2008年的金融海嘯開始,中國已看到美國經濟過度金融化的害處。更必然對以量化寬鬆(Quantitative easing,QE)印鈔解決問題非常反感,因為此舉無疑等如把問題輸出國外,由中國和其他持有大量美國國債的人來買單。
我明白但不完全同意此觀點。美國和西方固然虛偽和採用雙重標準,在1997年亞洲金融風暴期間,就責備亞洲各國貪腐和揮霍無度,所以解決方法就是即使在金融危機中,仍需勒緊褲頭,大減財政開支,結果弄至多年衰退,且通縮殺傷力遠超通脹,導致無數亞洲企業和人民破產,不少人自殺,在印尼甚至出現過恐怖的屠殺華人事件。
QE的後遺症的確包括嚴重拉闊貧富懸殊,確是近年全球很多地方出現不同規模社會動亂的主要背景原因之一,但這後果應仍遠比在2008年時採取相反收緊政策為佳。經此一役,中國學懂了防範經濟過度金融化,且決定把資本帳收得更緊,或最少大大拖慢了開放的步伐。但問題是此憂慮來得太早了,中國資本市場仍未成功發展起來,體積是增大了不少,但只約等同GDP,且從來不健康,熊市時間遠比牛市長,債市更是仍然混亂,信貸評級搞笑居多。
加速開放資本帳 提升人民幣地位
更重要的是中國在2008年後,雖成功把人民幣推入國際貨幣基金組織(IMF)的一籃子貨幣,A股亦終能加入MSCI指數,即是我從前形容的「金融WTO」,但一如我所料,成功比「工業WTO」更難。最主要竟非外國的阻擋,而是中國仍缺乏打開資本帳的勇氣。結果就是名義GDP落後PPP GDP超過50%,從外國觀點,亦即人民幣滙率被壓低超過50%,所以導致相對中國的嚴重貿易赤字,可說中西方關係日趨緊張的重要導火線之一。
我認為中國非常需要加速開放資本帳,提升人民幣地位,最重要手法正是收窄貿易平衡,大量輸出人民幣,加深相互投資和貿易關係,使到西方更難與中國脫鈎,有助確保世界和平。
(2)COVID疫情絕對是世界歷史的一個分水嶺。毫無疑問,對比全世界,中國治疫是非常成功的,雖然仍有近5000人死亡,但相對西方,肯定等如救了最少近300萬條寶貴生命;加上中國慷慨,領先對國際伸出援手,輸出大量勇敢醫護人員、防疫用品和疫苗,其實非常值得表揚,但由於中國媒體力量太弱,反而經常被抹黑,實在令人氣惱。
但我也曾指出,從某角度看,中國治疫可能有點太成功了,令國人形成牢固的零容忍心理,政府因此不能或不敢改變接近完全封關的政策。一眨眼,措施已維持了一年半有多,連香港本地個案清零已超過50天,仍毫無與中國內地和澳門通關迹象。我明白「Delta變種病毒」仍然全球肆虐,但多種疫苗,包括輝瑞-BioNTech的疫苗「復必泰」,似乎對防範重症和死亡仍非常有效,中國毋須介懷,應加快審批和推廣,和馬上研究混合接種不同疫苗的安全和有效性。
中國封關程度超明朝 如自我孤立
據觀察,中國可能繼續封關至明年中,甚至明年底,事態其實非常嚴重;老實講,封關的嚴緊度已超過明朝程度!我已多次指出,封關的害處遠超過經濟損失那麼簡單,最大壞處有兩方面,首先是斷絕了正常人民的商業、學術、文化和外交住來,等如中國自我孤立,與外國的誤會和矛盾只會日益加深。第二,更可怕的是停止與外面的實體接觸,互聯網亦是部分封閉的,所以逐漸形成圍城自困心態,更容易產生偏執症(paranoia),經常杯弓蛇影,以為裏裏外外,到處都是敵人。這亦是內鬥加劇的成因之一吧。
(3)兩年前香港的動亂,肯定也是改變中國政策思維的一個機重要催化劑。雖然在香港一事上,毫無疑問,全國絕大多數人民是支持中央和香港政府的止暴制亂政策,亦因此事令到中國人民更團結。
香港問題固然有其獨特歷史、文化和政經原因,但為何過去兩年,全球超過100個地方,包括美國本土,都有形式極度相似(包括衣着、雨傘作保護、武器等等)的暴亂?除QE是一個共通導火線,明顯社交平台和整個全球互聯網文化,亦是一個超重要傳播各種真真假假的消息、新聞、科學、迷信和各種意識形態的「危險」渠道。即使在疫情上,連美國政府也知道facebook(美:FB)和Twitter(美:TWTR)等,負上極大責任,簡直可說滿手鮮血。
中國一向維穩至上,當然必須未雨綢繆,即使小規模動亂的機會亦不容許出現,所以加強監管整個互聯網是必然的後果。當然反壟斷和網路國家安全等考慮也是真實的,美國也有類似擔憂,但美國確以資本為主,人命為次,可說非常錯誤,令到監管太慢,結果養虎為患,但他們同時也考慮到facebook和Google等新媒體,對展現美國霸權的重要性。中國應如何做法,我沒有完美答案,只可說監管是一個平衡遊戲,更是一門藝術。
中國倘自主半導體技術 未必利全球安全
(4)最後,美國過去4年,率先墮進修昔底德陷阱,危險的零和遊戲思維,發動全方位貿易、金融、媒體、意識形態和科技戰,嚴重刺激中國反思和檢討自己所有政策,既是必須的,亦是無可避免的。結論跟我多年前的觀察一樣,相信我是全球有數最早指出的,中國核心科技最弱一環正是半導體,必須急起直追,重點不在設計,而在製造。而且瓶頸不止在芯片,更缺乏的是半導體生產設備。
我當然完全同意,亦十分支持,但我當年亦同時提醒中國,不可讓半導體成為一種沉迷,反成為加速墮進陷阱的誘因。不幸的是近日中國政策以至投資者,都似乎對半導體有點沉迷。
問題有三方面,第一,欲速則不達,清華紫光的下場就是個好例子。盲目投入大量資金,企圖收買人才和技術,但管理層缺乏知識和經驗,加上美國多方面故意留難、禁運和制裁,結果發展速度遠遜預期,公司卻債台高築,陷入財困。過去5年,除NAND技術稍為追近國際水平,DRAM、邏輯芯片、代工、EDA和生產設備等發展,仍未盡理想,進口芯片比例,只從90%略降至約85%。
第二,如中國真能達到自主所有半導體設計和生產技術,其實對全球貿易和安全都未必是好事。本來高科技就是最需要全球一體化底下的國際合作,家家有求才能促進貿易和技術發展,亦有助維繫國際安全。
第三,中國既是泱泱大國,理應胸襟廣闊,能同時有效和平衡地監管各行各業,為何突然判斷只有硬件技術如半導體、電池和電動車等才算高科技,才配在A股上市。剎那間,互聯網從雲端跌落凡間(爛gag),甚或更低些少。物流(Logistics)從來都是「線性最優化」(linear programming optimization)的高級數學難題,現今被貶為不值一文的低端送白菜商業模式!
我真的有點後悔從前提出的4個高科技不等號:
1. 硬件>軟件
2. 製造>設計
3. GPU>CPU
4. 記憶體>邏輯
現在幾乎全都應驗了,彷彿成為中國的發展藍圖!可能我應該把它改為等號!
(中環資產持有facebook及Google財務權益)
中環資產投資行政總裁
[譚新強 中環新譚]
https://www.mpfinance.com/fin/columnist2.php?col=1463481132098&node=1627586934382&issue=20210730
為學日益為道日損例子 在 台灣物聯網實驗室 IOT Labs Facebook 的最佳貼文
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
為學日益為道日損例子 在 文茜的世界周報 Sisy's World News Facebook 的最佳貼文
《文茜的世界周報》
#含主持人陳文茜解說
#Youtube「訂閱」文茜的世界周報
https://www.youtube.com/channel/UCiwt1aanVMoPYUt_CQYCPQg
右邊👉 「訂閱」
<單則精選>
今年美國加州、巴西亞馬遜雨林發生大火,獲得全球關注目光,但除了這兩件嚴重野火威脅之外,位於南美洲的全球最廣大濕地潘塔納爾,已經陷入火海好幾個月。
潘塔納爾遭遇數十年以來最嚴重的野火,包含獨特物種棲息地、原住民部落在內的濕地28%面積皆化為灰燼,火勢還未被控制,損害無法估計。
火災原因:今年潘塔納爾遭逢1970年代以來最嚴峻的乾旱,世界自然基金會的數字顯示,一到五月這裡的降雨量是往年同期的一半,地表溫度明顯升高,加上沒有降雨,植被乾燥易燃。
再則是人禍,傳統牧民習慣放火燒荒來翻新牧草,而牧牛業不斷向濕地的無人區擴張,間接的助長了縱火毀林的勢頭。
全球濕地展望報告指出,兩千年以來,全球濕地正在加快流失,其消失的速度,是森林的三倍,今年這場持續數月的大火,再次向人類敲響保護地球的警鐘。
{內文}
(紀錄片旁白)
在南美洲的心臟地帶,藏著一個遙遠而隱密的世界
潘塔納爾約占全球濕地面積的3%,大部分在巴西境內,並延伸至玻利維亞、巴拉圭,位於亞馬遜雨林,巴西草原和巴拉圭乾燥森林之間,孕育著全球最密集的動植物生態系統。它是美洲豹、水豚、黑凱門鱷,及紫藍金剛鸚鵡等數千種,瀕危與罕見動物的家園,也是180種候鳥遷徙途經的棲息地。如今,這個自然生態的天堂,變成了煉獄。
(聲源/當地導遊)
我們看不到任何生命跡象,動物不僅是死於大火,還死於脫水和飢餓,看到這裡發生的一切,真的很令人難過
說好的清新空氣,已被刺鼻的濃煙覆蓋,該有的翠綠草木已被烈焰化為灰燼。今年,潘塔納爾濕地發生了兩萬多起的大火,燃燒面積達4.1萬平方公里,NASA的衛星圖片顯示,面積最大的火點,是去年亞馬遜雨林,火燒面積的四倍,根據世界自然保護聯盟估計,濕地的原住民部落消失28%,數千隻動物受傷或死亡。
大火造成的原因是。每年的11月至隔年3月是雨季,豐沛的降雨,使濕地上游一千多條河流水位上漲,濕地就像一塊乾燥的海棉,吸飽了水,避免造成下游洪水泛濫。四月,長達半年的旱季來臨,"吸飽水份的海棉",繼續向濕地的動植物提供水份,潘塔納爾在碳循環,減少暖化方面,有著關鍵作用,但今年,潘塔納爾,遭逢1970年代以來最嚴峻的乾旱,世界自然基金會的數字顯示,一到五月這裡的降雨量是往年同期的一半,地表溫度明顯升高,加上沒有降雨,植被乾燥易燃。
(消防隊長)
救火最大的難點在於,難以接近大火,即使我們擁有更多的資源,我們還是不能直接接近最大的起火點
生態學家解釋,潘塔納爾是季節性洪水形成的沼澤,土壤含有機物,更加易燃,有時火還可能從地下冒出。但除了天災,更可悲的是,還有人禍,巴西是世界最大的牛肉出口國之一,2019年巴西生產了一千萬噸的牛肉,潘塔納爾有三千多處牧場,飼養380多萬頭的牛。
(當地牧民/菲格雷多)
全都燒毀了,都燒毀了
菲格雷多是當地的牧民,他原本有一個九百公傾大的牧場,這場火使得98%的牧場被燒毀,過去一般牧民都習慣用放火燒荒來翻新牧草。
(當地牧民/菲格雷多)
我不能說不是,一些農民在土地上放火,只能說我沒放
由於93%的土地是私人所有,數百年來,牧民會在旱季放火開墾荒地耕地。
(當地牧民/菲格雷多)
巴西人以農業為主,我們的農業增長很可觀,這些歸功於大豆王米和棉花的種植,它們是我們的黃金,你想阻止生產嗎
然而,農牧業的發展和擴張,卻間接的助長了縱火毀林的勢頭,
(地球創新研究所研究人員/內斯塔)
在土地市場,林地價格只是荒地的五分之一,要是你想把農田留給子孫,如果自己開墾林地,會節省很多錢
拿2019年和2020年的火災發生情況相比,數量增加了46%,再比照今年的養牛分佈圖,值得注意的是,近幾年火災和養牛業逐漸在濕地的無人區出現。
(生物學家/庫伊阿布利亞)
僅去年一年,就有一萬公頃的森林被燒為平地,今年這個數字是去年的三倍,這是巨大的損失
潘塔納爾濕地的森林砍伐日益嚴重,目前已有12%的森林面積消失,沒有了樹木,水土流失加劇,土壤沙化,這些都不斷的傷害著生態系統,世界自然基金會警告,再不採取措施,依照目前的砍伐速度,到2050年,潘塔納爾的原生植物將會全部消失。
大火發生至今,巴西政府的應變能力也遭到質疑,年初就發現了火災,卻一直到四月,環境署才開始派人滅火,截至九月中旬,雖有2500多人參與,並出動了四十輛消防車和五十架飛機,但對這場火,根本是微不足道。環境部發言人表示,由於預算吃緊,聯邦政府還要削減環保經費。
(巴西總統/波索納洛)
因為亞馬遜是雨林,它不會著火的,所以關於亞馬遜著火的消息,是一個謊言
媒體援引去年亞馬遜大火的例子,批評巴西政府的環保政策,結果得到的是波索納洛一句"那是謊言"作為回應。甚至完全沒有提及陷入危及中的潘塔納爾。2018年,全球濕地展望報告指出,兩千年以來,全球濕地正在加快流失,其消失的速度,是森林的三倍,今年這場持續數月的大火,讓外界看得心痛,也再次向人類敲響保護地球的警鐘。