今天,地方爸爸的真心開箱,是我看了很久也想買很久,最後入手又經歷了三個月使用的的咚咚:uHandy行動顯微鏡
uHandy夏日特賣:https://uhandy.cc/kris
🎈 開始用不同的角度看世界
在陪伴女兒們接觸一些生物或者科學知識時,我一直會希望讓她們能夠有實際動手實驗與觀察的機會,
原因在於我認為藉由自己的雙手操作,然後透過自己的眼睛觀察,孩子才更能獲得到知識與記憶,
因此一兩年前,我就買了一個比較簡易的塑膠顯微鏡。在外出去露營或者野外時,我就會帶著以便隨時讓女兒們拿來觀察。
不過簡易顯微鏡用久了,越發覺得不夠方便(清晰度、易於使用度、隨手使用度),直到後來我跟女兒們在科博館的商店中看到了uHandy顯微鏡,我內心大喊:沒錯!就是這個了!
先來說一說,uHandy對我來說,最大的便利性:
1. 只需要把顯微鏡片夾上手機或平板的鏡頭上,手機或平板就立刻變身成顯微鏡,所以出門可以不用多帶太多東西佔空間。
2. 使用傳統的顯微鏡時,孩子都得一隻眼睛湊在鏡筒前,左橋右橋才能對到視野範圍,而且同時間只能一個人看,所以如果有超過一個以上孩子時,肯定又要吵架(為什麼每次都是姊姊先看!!)。但是uHandy是用手機或平板的螢幕來直接看,非常適合一群孩子嘰嘰喳喳的一起觀察、一起討論(出門露營時非常好用)。
3. 有時候我們在野外可能只是隨手的觀察,並沒有打算做蒐集採樣回家,這種情況下,孩子可以在觀察時直接用手機平板拍照記錄即可。
🎈 不只是個科普玩具
為了避免大家以為這只個科學玩具,我先來說一下它的規格好了。uHandy的產品有分低倍鏡跟高倍鏡兩種(有僅包含低倍鏡的組合、也有兩種都有的組合):
🔬 低倍鏡的倍率大概是10x~120x 感受最清晰銳利,最大可以放大到300倍(放大倍率視「裝置鏡頭」及「螢幕大小」而定),視野範圍約 5mm 直徑圓形範圍,與傳統桌上型 40 倍光學顯微鏡相仿。
低倍鏡最好玩的地方,在於它不用侷限於「要先把觀察物採樣,架上觀察台來觀察」,只要把鏡頭擺到想觀察的東西上面就可以了。所以孩子即使是疫情期間關在家中,隨時可以把鈔票、衣服、頭髮、花花草草、小螞蟻....全都拿來觀察!
🔬 高倍鏡的倍率大概是30x~360x感受最清晰銳利,最大可以放大到1000倍(放大倍率視「裝置鏡頭」及「螢幕大小」而定),視野範圍約 1mm 直徑圓形範圍,與傳統桌上型 200 倍光學顯微鏡相仿。
如果是想看得更仔細,或者是做比較進階的顯微觀察(像是我們以前在學校觀察洋蔥表皮細胞的細胞膜、細胞壁),那就得使用高倍鏡。因為是更加放大的倍率,所以在觀察採樣的樣本時,需要搭配使用附件中的光源載台(所以在野外,使用高倍鏡可能就不太方便)。
講到製作採樣樣本的部分,我覺得uHandy很貼心的一點,就是除了有提供高倍鏡用的玻片外,還提供了很多「塑料材質, 沒有刮傷顧慮」的超可愛採樣貼紙,因此即使是年紀小的孩子,也可以自己完成採樣的任務(我覺得這個很重要,什麼事都父母幫忙完成,就沒了學習的意義)。
🎈 我不知道要引導孩子觀察什麼好?
你可能會有此擔心,怕買了之後孩子不用就擺著,關於這一點我有兩個提案:
第一個是目前uHandy的組合有提供「放大的日常:靈感特蒐」包,裡面有包含 3 份教案、3 種樣本,可以跟著教案的情境式引導,讓孩子從生活中收集各種樣本,開始一路觀察下去
【筆袋變身藏寶盒】用顯微鏡看看筆的構造和筆跡吧!
【冰箱蔬果大拼盤】隨附 45 張蔬果貼紙,挑戰看看誰能找到每一種!
【微觀調味大師】豐富味覺的調味料,藏有肉眼看不到的紋理。附 3 種樣本。
另一個,是uHandy的「uHandy 靈感收藏室」網站,裡面有蒐集了一些觀察的主題以及相關知識的延伸;此外,還有uHandy臉書社團可以加入,可以藉由別人的經驗來蒐集一些觀察的靈感喔!(相關網址,我都放在留言處)
🎈 所以都沒有缺點嗎?
爸爸我推薦東西,通常不會只說優點,缺點還是得說說。
第一項缺點是對焦的部分。畢竟是直接夾具固定在手機鏡頭前就會拿來直接使用,有時觀察會因為樣本位置太靠近或太遠離鏡頭,導致成像看起來不是最清晰的結果(畢竟清楚對焦的範圍有限),這時候只能努力「微微」前後移動樣本,才能拍到最完美的照片(孩子應該不會太在意,不過想拍出完美照片的大人,有時可能會因此感覺煩躁)。
第二項缺點是光源的部分。高倍鏡的使用因為大多會用到配件中的光源載台,所以不太會有問題。而低倍鏡是直接利用環境光源,所以有時會因為環境的光線不足,造成觀察的畫面太暗(這時可以試看看把手機的閃光燈打開成手電筒模式,會有補光的效果)。
🛒 精打細算的入手方式
目前uHandy有一個暑假方案的活動,08/31前可以有 77 折的優惠!
有興趣顯看更多資料(實際觀察的影片啦、各種套組的差別啦),可以直接到網頁上逛逛喔!
往這走👉 https://uhandy.cc/kris
行動冰箱缺點 在 文茜的世界周報 Sisy's World News Facebook 的最讚貼文
請訂閱【TVBS 文茜的世界周報】YouTube頻道👉
https://www.youtube.com/c/TVBS%E6%96%87%E8%8C%9C%E7%9A%84%E4%B8%96%E7%95%8C%E5%91%A8%E5%A0%B1TVBSSisysWorldNews?app=desktop
並開啟🔔
1.最新被市場寄予厚望的是美商諾瓦瓦克斯疫苗。它的疫苗重點是與AZ,BNT,Moderna 等疫苗區隔,完全針對英國及南非變種病毒。
2.在年初英國的第三期臨床實驗中,共1.2萬人參與。第三期臨床試驗,針對非英國變種病毒,繳出了比輝瑞BNT及莫德納都還要漂亮的96%保護力成績單,針對英國變異毒株整體有效率更高達89%。針對英國變種病毒比Pfizer, AZ都高。目前正在進行美墨邊境約2萬人次的巴西變種病毒人體實驗。
3.由於此波疫情主要為變種病毒,基於去年疫苗缺貨的教訓,雖然美國FDA尚未批准,加拿大、日本、韓國、澳洲⋯⋯已搶購5000萬及5100萬劑疫苗。
諾瓦瓦克斯已經宣布,將把在美國、英國及歐洲尋求緊急授權的時間,從原先的六月推遲到九月底,不過它的全球產線早已超前布局,今年2月加拿大在訂購數百萬劑諾瓦瓦克斯疫苗後,已拍板在當地新設的廠房代工分裝;4月則確定技術轉讓給韓國SK生技擴大亞洲供應鏈;而日本武田製藥也在政府協助下與諾瓦瓦克斯簽訂合作開發備忘錄,將在2022年初購入至少1億5千萬劑並努力取得專利代工。而英國也將之視為重要防疫武器,交由富士子公司大規模量產。
4.作為一個失去先機的後發者,諾瓦瓦克斯靠著常溫運用的優勢,鎖定更廣大的新興市場積極拓展,且伴隨著病毒變異,它不但要證明自己能有效對抗變種,最新規劃還將在今年稍晚,結合流感疫苗,徹底改變遊戲規則,幫助全球人類在未來同時免除流感及新冠病毒年復一年的威脅。
5. 靠著後期階段漂亮的實驗數據,諾瓦瓦克斯五月初已正式取得COVAX候選疫苗資格,將致力兌現替全球提供11億劑疫苗的承諾;五月中,印尼衛生部也正式將其列入政府疫苗接種計畫,等同於替該疫苗安全性掛保證。
{內文}
倫敦金融時報記者 Vanessa Kortekaas:「(一年前)新冠疫情爆發,使中國乃至於歐洲都陷入了停頓。隨著新冠病毒傳播到美國及全球各地,不久之後,各國政府就押注數十億美元開發疫苗來對抗這場大流行病。在需求無限的情況下,一個全新的疫苗市場正隱然出現,各國政府都竭盡所能的要確保能獲得足夠劑量。」
富比世雜誌說,我們正被迫進行一場全球性的疫苗接種運動。他們援引彭博社的疫苗追蹤器分析,強調當下已經接種的疫苗數量,原本足以讓全球11.2%的人口達成疫苗的完整接種,如今卻因為數款上市疫苗,均處於緊急核准使用的狀態,施打幾乎都集中在歐美等富裕國家。
新聞片段(2021/1/29):「一款新的新冠疫苗進入了全球疫苗競賽,在蒐集完英國第三階段試驗數據後,美國疫苗製造商諾瓦瓦克斯宣布了這個好消息。」
這是一款迄今全球知名度不高,卻被市場寄予厚望的新冠疫苗,也是美國與印度近期聯手開發疫苗上,最亮眼的果實。不僅年初在英國1.5萬人的三期臨床試驗,針對原始病毒呈現出高達96%,超越BNT及莫德納疫苗的超高防護力,負責執行的印度血清研究所執行長Adar Poonawalla還推文表示,該疫苗最大的優勢,在於特別針對南非及英國變異毒株進行測試,整體有效率為89%,如果能順利在今年九月成功上市,將是該公司繼牛津AZ疫苗之後,第二款成功與西方先進國家聯手產製的新冠疫苗。
聲音來源: 諾瓦瓦克斯執行長 Stanley Erck(2021/1/29):「我認為這兩個數字都戲劇性地證明了,我們的疫苗無論是對原始病毒株,或者變種後的強化毒株,都能產生非常有效的免疫反應。」
根據華盛頓郵報報導,不同於當前全球主要流通的幾大疫苗,諾瓦瓦克斯採用的,是一種截然不同的技術。他們是透過昆蟲細胞產生冠狀病毒特殊的棘蛋白,然後將其注入患者體內,以啟動他們的免疫系統。這種利用蛋白質次單元(protein subunit)製作的「重組蛋白疫苗」,過去廣泛用於對付人類乳突病毒(HPV)、肝炎及流感等病毒,是一種久經考驗的疫苗製作方法。
馬里蘭大學病毒學家 Meagan Deming:「重組蛋白疫苗技術實際上並不是那麼獨特。我們已經用了20 多年,都非常非常可靠,因為只需要製造蛋白質,然後將其提供給免疫系統,免疫系統就會將其識別為外來物,並對其產生免疫反應。到目前為止,我們從先前對抗 SARS 和 MERS 的研究中了解到,如果你想預防冠狀病毒感染,您需要一種像病毒蛋白質一樣鎖定棘蛋白產生的免疫反應。它負責與宿主細胞、也就是我們的細胞結合並進入我們的細胞。所以,如果你能產生一種免疫反應能鎖定棘蛋白,它實際上就可以防範病毒與宿主(也就是我們)的直接相互作用。」
無需使用整個病毒,該疫苗啟動免疫系統的方法,只需要其中一小片段,也就是所謂的棘蛋白,這類重組蛋白疫苗的優點,是相對容易產生,價格便宜,且蛋白質片段不足以引起疾病,但缺點在於針對攻擊感染細胞的免疫細胞,有時候不太容易辨識,這意味著他們可能觸發的免疫反應,往往也比其他款疫苗要微弱許多,所以在注射時,必須搭配佐劑增強效果,而諾瓦瓦克斯的獨家專利,是一種名為基于皂苷的Matrix-M佐劑,有學者認為,從數據上來看,其他就算同樣採用重組蛋白技術的疫苗,短期內恐怕也很難並駕齊驅。
英國布里斯托大學兒科教授 Adam Finn:「它是一種比我們迄今所看到各款,都更為傳統的疫苗,這是一種蛋白質疫苗,與我們過去拿來對付B型肝炎的疫苗相同,它也是用蛋白質來做成疫苗注射。」
諾瓦瓦克斯還有一個優勢,在於它可以像AZ疫苗一樣,儲存在普通冰箱裡,比需要超低溫冷鏈的mRNA疫苗,更容易取得及保存。這對已經錯失初始銷售機會的後發者來說,眼前美國大半成年人即將完成疫苗接種,歐盟也多數把訂單交給輝瑞BNT,諾瓦瓦克斯必須鎖定更廣大的新興市場積極拓展,且伴隨著病毒變異,它不但要證明自己能有效對抗變種,最新規劃還將結合流感疫苗,如此才能後發先至地徹底改變遊戲規則,幫助全球人類在未來同時免除流感及新冠病毒年復一年的威脅。
諾瓦瓦克斯執行長 Stanley Erck:「該計畫是在今年稍晚即將啟動的一項聯合疫苗試驗,我們認為這將是一個非常重要的產品,以致於我們每年秋天,都會接種一款結合季節性流感和新冠病毒的疫苗,然後每年都得要補打。」
儘管諾瓦瓦克斯在美國早在2020年7月,就被納入川普政府的疫苗「極速行動」中,但緊急授權申請卻數度延遲,最新消息,該公司已宣布,將把在美國、英國及歐洲尋求緊急授權的時間,從原先的六月推遲到九月底,不過它的全球產線早已超前布局,2021年2月加拿大在訂購數百萬劑諾瓦瓦克斯疫苗後,便已拍板在當地新設的廠房代工分裝;4月則確定技術轉讓給韓國SK生技,擴大亞洲供應鏈;而日本武田製藥也在政府協助下,與諾瓦瓦克斯簽訂合作開發備忘錄,一旦疫苗確定取得緊急使用許可,將在2022年初購入至少1億5千萬劑,並努力取得專利,替日本全境1.25億人口代工生產2.5億劑疫苗。至於它的兩大主要代工廠,雖然印度血清研究所
正因當地疫情膠著而無法擴大產量,但英國的富士藥廠,早就被視為AZ疫苗以外,英國最重要的抗疫武器。
英國首相 強森(2021/3/30):「我們在推進一項計畫,希望在七月底前替所有成年人施打疫苗的同時,我們也正在建構自己英國的長期(疫苗)製造能力。正如我先前告訴你們的,諾瓦瓦克斯是我們對抗新冠病毒武器庫中潛在的重要新武器,它將英國東北部富士子公司負責生產。我今天可以對外宣布,(英國)疫苗工作組已經和GSK藥廠達成協議,也要在東北協助完成這款珍貴疫苗的製造與裝瓶工作,使我們英國能取得五千萬到六千萬劑疫苗的最大量,一旦它通過英國藥物監管機關核准。」
值得注意的是,在迄今未獲全球任何國家,主管機關批准的前提下,諾瓦瓦克斯靠著後期階段漂亮的實驗數據,五月初已正式取得COVAX候選疫苗資格,將致力兌現替全球提供11億劑疫苗的承諾;五月中,印尼衛生部也正式將其列入政府疫苗接種計畫,等同於替該疫苗安全性掛保證。諾瓦瓦克斯深知,自己既然錯失了最早切入市場的先機,乾脆著手擴大三期臨床試驗,包含12到17歲的青少年,這將有助於該公司未來爭取更多未接種疫苗人口。
美國貝絲以色列醫療中心 Dr. Dan Barouch:「當然我們必須接種疫苗,並保護我們國家的每個人,但我們也必須意識到,這是一場全球性的大流行病,如果我們不處理好這場全球瘟疫,那麼世界任何地方的持續大流行,病毒隨時捲土重來都可能威脅這世界的任何地方。」
這正是為什麼緊接輝瑞之後,莫德納6月1號也向美FDA申請「完全批准」,讓他們的疫苗得以合法使用於18歲以上人群。因為一旦結束緊急授權使用階段,該公司將可以不必受限於只能透過中央政府簽約購買,在安全性獲得確認的前提下,藥廠將得以直接向民間機構及消費者販售疫苗,台灣也可望突破限制,更有機會從多重管道取得國際疫苗。這將是後疫情時代的新常態,任何人沒有疫苗就無法真正平安。
https://www.youtube.com/watch?v=cXEqIKp9VEs
行動冰箱缺點 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