熱門Ptt文章

[爆卦]三個字物理治療所費用ptt是什麼？優點缺點精華區懶人包

雖然這篇三個字物理治療所費用ptt鄉民發文沒有被收入到精華區：在三個字物理治療所費用ptt這個話題中，我們另外找到其它相關的精選爆讚文章

在 三個字物理治療所費用產品中有22篇Facebook貼文，粉絲數超過40萬的網紅報導者 The Reporter，也在其Facebook貼文中提到， #今日疫情重點【新增本土確診加校正共472例、21例死亡；日本贈124萬劑AZ疫苗下午抵台；苗栗電子廠群聚擴大、成立前進指揮所】 台灣今（4）日新增339例本土案例，校正回歸133例，合計472例，另有2例境外移入個案，並新增21例死亡。中央流行疫情指揮中心指揮官、衛福部部長陳時中坦言，昨日原本擔...

　同時也有1部Youtube影片，追蹤數超過51萬的網紅Men's Game 玩物誌，也在其Youtube影片中提到，很多朋友建議我去找物理治療師，但是沒有健保，所以一直沒有考慮，不過很開心認識了SunGuts，解開了我對物理治療的疑問。 ALLEN的膝蓋巳經受傷二年了，反反覆覆一直沒有好，不是我不拍公路車，這個問題也提過很多次了，希望可以成功的對抗運動傷害，不然我可能這輩子無法再騎公路車也不能跑步啦。 更多影片...

「三個字物理治療所費用」的推薦目錄

三個字物理治療所費用 在 Cʜᴀ帶瑜去旅行 Instagram 的最佳貼文

2021-03-30 14:22:06

｜²⁰²¹ 𝘿𝙉𝙎 𝙀𝙭𝙚𝙧𝙘𝙞𝙨𝙚 𝟮 動態神經肌肉穩定_運動課程 ◡̈ 上回跟著充滿醫學背景、物理治療師、教練、瑜伽老師、皮拉提斯老師、醫院工作者，以穿最少的方式來上課。 這回第二階以瑜伽老師、健身教練、物理治療師為主。 上次終於找到這些年一直想要上的課程，回歸到最初的坐、臥、行，結合呼吸...

三個字物理治療所費用 在 ??? ????? ?? 牛佬 ? #23 Instagram 的最佳解答

2020-11-02 11:25:55

第一個新人獎，對自己加以肯定。 - 有很多人問我，為什麼會加入這行？ - 我只能說，一切都是由一次受傷開始說起。 - 當初的我卻不相信這些產品，只覺得浪費金錢，與大眾想法一樣。 - 但當你曾經試過受傷大病，才顯得它的重要性。 - 還記得上前年的這段時間，籃球場仍亮著，哨子聲仍響著，但卻看見有很多身邊...

  • 報導者 The Reporter

    三個字物理治療所費用 在 報導者 The Reporter Facebook 的最讚貼文

    2021-06-04 19:49:56
    有 1,920 人按讚

    #今日疫情重點【新增本土確診加校正共472例、21例死亡；日本贈124萬劑AZ疫苗下午抵台；苗栗電子廠群聚擴大、成立前進指揮所】

    台灣今（4）日新增339例本土案例，校正回歸133例，合計472例，另有2例境外移入個案，並新增21例死亡。中央流行疫情指揮中心指揮官、衛福部部長陳時中坦言，昨日原本擔憂新高點的出現，以確診與校正回歸後的數字分析，跟前一波高點落差不大；若從發病日來看，整體疫情趨勢算是往下走，至於是否考慮延長全國三級警戒的期限，陳時中則表示：「還沒有想到要降級，也沒想到要升級。」

    另外，苗栗縣電子廠群聚感染案今日再新增32名確診案例，累計確診達77人，指揮中心已指派醫福會執行長王必勝與4位防疫醫師前往苗栗成立前進指揮所，協助快速採檢、集中檢疫、醫療後送等事項，並將強化桃竹苗有接觸之移工的防疫及管理措施，避免病毒蔓延進入社區。

    日本贈送124萬劑AZ疫苗於今日下午抵台，指揮中心表示疫苗已進入封緘檢驗階段，會儘速完成相關作業並供國人施打，以第一至第三類人員及高風險地區為最優先，未來會陸續開放必需維生產業及國防人員施打，同時也感謝日本政府在台灣疫情最危急的時刻出手相助。

    ■新增確診與校正回歸472例，21例死亡個案

    今日新增之339例本土個案，為170例男性、169例女性，年齡介於未滿5歲至100多歲，發病日介於4月1日至6月3日。另外，校正回歸的133例個案，為57例男性、76例女性，年齡介於未滿5歲至80多歲，發病日介於5月18日至6月2日。死亡的21例個案中，男性14位、女性7位，年齡介於30多歲至90多歲。

    新增確診個案與校正回歸共472例中，以新北市227例最多，其次為台北市152例、苗栗縣51例、桃園市11例、台中市及基隆市各7例、彰化縣6例、新竹市及南投縣各2例，花蓮縣、宜蘭縣、新竹縣、屏東縣、高雄市、嘉義縣及雲林縣各1例。雙北以外縣市共93例中，1例有萬華活動史，76例為已知感染源，14例關聯不明、2例疫調中。（見最新疫情概況圖）

    陳時中表示，雖然雙北地區有最多確診個案，但苗栗新增確診數值得注意，主要是電子廠的群聚事件所致。另外採檢和報告塞車的狀況已逐步解決，過去最高峰累積5萬多件，「現在歸零，這是比較好的情況，讓接下來的速度能夠加快，讓隱藏期變短，」不過他也提醒，這兩日新增病例數較多，國人要維持高度警覺，疫情仍處緊急狀態。

    ■苗栗電子廠群聚：成立前進指揮所，擴大篩檢並加強移工宿舍管理

    根據苗栗縣府指出，截至今日上午11點為止，該電子廠確診新增32例，包含移工29例、本國3例，另有19例仍在調查中，預計全廠篩檢7,300人，目前已篩檢2,247人。確診個案已收治隔離中，其中移工都屬於輕症或無症狀，先送往公司宿舍一人一室隔離中。

    為避免疫情擴散造成另一波的社區感染，指揮中心今日上午已指派醫福會執行長王必勝擔任指揮官，率4位疾管署防疫醫師進駐該電子廠成立前進指揮所，以便統籌相關資源，與規劃篩檢地點、動線安排、檢疫隔離和後續送醫給予協助。陳時中也強調，應保留當地醫療機構的量能，也會調度中央的集中檢疫所來使用。

    指揮中心已訂出應對措施，電子廠與宿舍須增設篩檢站，並落實檢體分流，確保檢驗結果即時通報上傳，快篩陽性者優先送至集中檢疫所及加強型防疫旅館。此外，仲介公司應儘速盤點移工名單，移工宿舍相關人員從今天起之三日休假禁止外出，內部降載並將移工與本國勞工分流，相關宿舍管理和翻譯作業已請勞動部和內政部協助，未來桃竹苗整體區域和全國的移工防疫也要儘速啟動。

    ■日本贈124萬劑AZ疫苗下午抵台，目標讓第一至第三類人員完全接種

    日本政府提供124萬劑AZ疫苗，於今日上午11點裝貨完畢起飛，下午2點40分抵達桃園國際機場，疫苗完成通關程序後，將直接運送至指定冷儲物流中心進行檢驗和封緘作業，指揮中心已責成食藥署儘速辦理，儘早提供國民施打。陳時中表示，相關技術資料已在前兩天送達並完成檢查，但還須經過品質及安全性檢驗，本批疫苗的有效期限可到10月14日，時程規劃上較充裕，但仍會儘速施打。

    陳時中也提到這是目前獲得數量最大的一批疫苗，非常感謝日本政府伸出援手，直接提供給台灣，若經過COVAX平台分配，時間和程序上相對耗時，「基於兩國的情誼，長久以來人民打下深厚的友情基礎，日本展現有情有義的一面，我們非常感謝。」

    至於這批疫苗的接種順序，陳時中表示，「一、二、三類高風險人員一定要打全，」其次是長照機構中的住民和75歲以上民眾，會儘速往下開放，另外必須維持運作的產業或國防需求，已請國防部和經濟部提出相關計畫，未來也會針對高風險的地區增加疫苗配發的比例。

    ■重症率達17.5%，建立重症北病南送機制、加強查核輔導專責病房

    醫療應變組副組長、疾病管制署副署長羅一鈞表示，從4月20日開始統計，確診個案8,894例中，有1,560人屬於WHO分類中的嚴重肺炎或急性呼吸窘迫症候群，佔17.5%；而年長者重症率較高，60歲以上的3,330位個案中，有1,087例為重症，佔32.6%。

    面對高重症率，且雙北醫療量能緊繃的情況下，專家諮詢小組召集人張上淳說明，「北病南送」基於安全顧慮，即將變成重症的患者會提早轉送；至於已有使用呼吸器的病患，若北部沒有合適的加護病房可收治，會調配桃園、新竹、台中等地的加護病房資源，並使用加強型的救護車，在安全的前提下運送。

    至於專責病房開設，羅一鈞說明，指揮中心要求全國的醫學中心和區域醫院，都應將急性病床的十分之一清出為專責病床，沒有針對特定醫院，病房也不限制一人一室，在集中照顧原則下，亦可考量實際需求多人一室。因COVID-19以飛沫傳染為主，通風良好可減少傳播機會，目前專責病房希望透過物理性的做法創造「微負壓」環境，以保護醫事人員的健康安全。

    羅一鈞表示，從SARS以來醫院都累積了相關經驗，也有SOP，但「專責ICU是重中之重，有請醫策會的工務、工程跟照護專業的專家去了解，確保開設的病房符合條件，」若醫院在設置時遇到困難，也會有相關人員做查核和輔導。

    ■陳時中：各方採購疫苗重點在「原廠供貨證明」，仍拚10月底群體免疫

    針對各民間團體、企業及個人採購疫苗的規定，陳時中表示，目前疫苗進口到台灣還是根據《藥事法》第48條之2，以「因應緊急公共衛生情事之需要」​為由，申請專案核准，也就是所謂的緊急使用授權（EUA），所有疫苗都還沒有正式的藥證許可。

    指揮中心審核的關鍵在於採購者是否確實能獲得疫苗供貨，陳時中說明，應提出原廠會如期供貨的確認文件，指揮中心也會向原廠確認，「如果大家都非常熱心，卻沒辦法有真正的貨品，反而造成空轉，」根據過去官方簽約採購的經驗，各大疫苗廠都只願意與中央政府往來，市面上幾乎沒有現貨，因此指揮中心必須知道疫苗來源是否正確，並非刻意為難，但如果是中國製造的疫苗，根據法規目前確實是無法進口。

    另外，陳時中表示國產疫苗按照原訂計畫執行，還是需要由專家會議來認可安全性和有效性。隨著疫苗供應量增加，會盡量提高施打效率，一樣把目標訂在10月底，期待能達成群體免疫。

    ■AZ疫苗施打出現不良反應，將由健保先支付醫療費

    林口長庚醫院證實，一名30多歲男性在他院施打AZ疫苗後引起血栓反應，於5月22日至該院就醫，經醫療團隊搶救後，27日已從加護病房轉至一般病房，並於6月1日出院，持續追蹤觀察。而該名患者除健保給付項目外，另自費70萬元施打免疫球蛋白。

    考量患者家庭經濟狀況，院方亦協助當事人申請預防接種藥害救濟補助，桃園市衛生局在接獲申請後也呈送相關文件給衛福部審查。對此，衛福部部長陳時中回應，疫苗的傷害只要提出申請，政府會來受理，但需要時間，已請健保署先支付費用，未來再向藥害賠償處理單位溝通，算是「代位求償」。他也強調，「希望這段時間大家都能夠安心養病，不要因為經濟造成就醫的障礙。」

    不過，陳時中提到的「代位求償」說法不精確。民間監督健保聯盟發言人滕西華解釋，健保代位求償是依《健保法》第95條依據，目前只有汽車交通事故有汽車責任保險之保險人請求代位外，就是公共安全事故、重大交通事故、公害或食品中毒事件中已經有投保責任保險，才由健保署事後向事故單位求償醫療費用，除此之外都沒有代位求償的法定條件。

    因為，健保基本上對被保險人的給付是不論「傷病原因」的，無論是因互毆受傷、做醫學美容有醫療事故、因為醫療用藥引發藥害，或因接種疫苗而有副作用就醫，「不管任何原因去看病，只要是健保給付的項目、都是會給付」。至於，使用藥物或接種疫苗(無論公費或自費接種)的不良反應，民眾則可根據救濟法申請「藥害救濟」或「預防接種受害救濟」，這也與健保給付或不給付或是代位求償沒有關係、也沒有衝突。

    滕西華指出，但如果這名患者治療的免疫球蛋白屬自費項目，政府若體恤民眾自費需要經濟援助，應是由其他愛心管道協助。病人若要獲得救濟，則提出預防接種受害救濟。

    ■企業自行篩檢須醫事人員協助、社區篩檢避免動用醫療院所人力

    對於民間企業希望自行快篩，陳時中回應現在並未禁止，也沒有強制報備，但篩檢應由醫事人員協助，因篩檢後仍要完成通報流程，希望可以參考醫療外展服務的作業方式，利用健保或法定傳染病通報系統以加快速度，才不會延遲後續處理。民間企業若有疑問，會請地方政府的衛生局和中央的防疫醫師給予指導。

    有關篩檢量能，今日上午指揮中心也與22縣市召開防疫會議，副指揮官、內政部次長陳宗彥表示，擴充社區篩檢站的同時也應注意以基層醫事人力為主，避免運用到醫療院所人力，才不會影響到醫療量能。而為加快疫調速度，建議各地政府儘速建立共同調查中心，強化公衛人力運用，迅速掌握確診者相關足跡與接觸對象，匡列出可能遭傳染者以圍堵疫情。

    目前全國在6月14日前仍處於三級警戒狀態，指揮中心已請各縣市政府加強管理，近日各大賣場和傳統市場的人流依舊偏高，提醒民眾應減少採購次數。端午連假將至，陳宗彥提醒民眾非必要不要返鄉，以視訊問候家人，指揮中心已請高鐵、台鐵、公路運輸，將每一班次運輸量能降低到2成以下，減少跨區移動帶來傳染風險。

    （文／陳德倫、陳潔；設計與資料整理／江世民、黃適敏；攝影／鄭宇辰、余志偉、葉臻、管瑞平）

    #延伸閱讀
    【真的假的？吐口水就可以驗COVID-19，準確性還不輸鼻咽採檢？】https://bit.ly/3vQd8LL
    【COVID-19風暴的醫療倫理撞擊：「沒有呼吸器、也沒病房了，你去問問病人要不要簽DNR？」】https://bit.ly/3czTegL
    【【不斷更新】武漢肺炎大事記：從全球到台灣，疫情如何發展？】https://bit.ly/3w3jffK

    #報導者 #COVID19 #本土案例 #確診 #死亡個案 #校正回歸 #快篩 #群聚感染 #疫苗 #AZ疫苗 #緊急授權 #EUA

  • CHA 帶瑜去旅行

    三個字物理治療所費用 在 CHA 帶瑜去旅行 Facebook 的最讚貼文

    2021-03-16 16:16:13
    有 23 人按讚

    ｜²⁰²¹ 𝘿𝙉𝙎 𝙀𝙭𝙚𝙧𝙘𝙞𝙨𝙚 𝟮 動態神經肌肉穩定術_運動課程 ◡̈

    上回跟著充滿醫學背景、物理治療師、教練、瑜伽老師、皮拉提斯老師、醫院工作者，以穿最少的方式來上課。

    這回第二階以瑜伽老師、健身教練、物理治療師為主。

    上次終於找到這些年一直想要上的課程，
    回歸到最初的坐、臥、行，結合呼吸、身體、肌肉、神經來重新教導我們，連結每個動作的串連。

    每次練習完身體、肌肉、關節他們都回家了、回到原本位置、是如此輕鬆、坐在、舒服，而且體態也改變了，但毫不費力🤔

    上回十月國慶連假上完後，我們立馬報名了第二階段的課程，於是過了半年我們來上課了～

    —

    很感謝這兩次老師願意從捷克回隔離內觀來幫我們上課，這兩年不是有錢就有課可以上😂

    宏甫也提供了診間變成宏甫民宿，安頓我們這些來自台北學習的大家～

    於是我們為了台中九點的課程，五點就從台北的床上起身出發到台中來學習～

    —

    第一天早上老師複習了些第一階段的部分理念，現在比去年更多了游泳隊的選手孩子們，讓我想起去年上課時知道我為什麼要來報名這課，老師他們在歐洲的背景，是幫許多頂尖奧運不同專項國家隊選手隨隊治療。當時想到了除了幫我自己，我有好多游泳隊的選手孩子們，或許是要我更瞭解身體，讓他們這些運動員能夠更有幫助，於是一開始講到了許多對運動員的評估、調整、訓練，當然瑜珈人、一般人更受用。只是運動員他們的運動表現成績是最為指標的。

    而這次下午及第二天課程講了好多的球類專項運動模式，丟球、接球、揮桿等等的身體運動模式，而老師也講到了許多她在國家隊時幫選手們實際操作的經驗，真的好開心，過程中也聽了一個醫生、教練問著這些在一兩個月就有全中運、全小運等等的比賽時，該怎樣運用在選手們身上的探討～

    這次三天的課程，比上一階段更紮實，第一階段的打底後，這次大家上手的感受快速很多，而真的很感謝老師的專業之外，還有物理治療師的超專業口譯，及物理治療師主任的徒手評估與調整協助，而我的左肩膀，就神奇的一秒好了～

    這三天充實的學習到嬰兒發展模式、運動員的動作模式與許多瑜伽動作的流動模式，更重要是自己的身體能夠更穩定的運用～

    —
    這段是上次10月課程後打得文字
    DNS是在動作當中越穩定越好，以動作發展學為基礎。Baby動作跟頂尖運動員動作類似，根據發展肌動學（DK)為架構，講解了許多小運動員跟一般運動員的身體發展狀態，因此「訓練量多寡不是重點、品質才是重點」。許多頂尖運動員在受傷後透過DNS治療後，重返賽場反而有成績上更大突破。

    因此動作是精準，表現也會比較好。動作正確時肌肉是均勻張力是放鬆的、脊椎直立、關節在中軸化，運動角度與身體才有好的支撐。並且不要在賽季調整，否則身體要調適，會影響動作表現、肌力會表現變差，在非賽季才能進行動作調整。

    也提到了團體訓練是可以的，但頂尖選手是無法在團體訓練中增加的需求。頂尖選手跟著團練反而影響到身體、及運動表現。

    以上部分重點，獻給常觀看的泳隊教練、家長、孩子們思考。

    —

    又再次每天的課程都解鎖了我的身體狀況，讓他們學會正確的回家，並且身體好舒服、且某些動作不費力的就能做到。

    雖然自己的徒手調整調整還無法跟物理治療師們一樣快狠準，但就讓我們一點一點的累積吧

    —
    這幾天課程收穫滿滿、很開心有能跟Joyce 一起上課，這6年一起上了很多的課程，互相討論真好。

    又再次感受到宏甫用心的在照顧著大家，兩次每次三天快三萬，其實在進修的費用也不是很高，之前也上過更多錢的，但他們給予的照顧很細心，品質也很好～ 這幾次中午的便當與飲料都也很用心～

    助教們（物理治療師們）也都很專業的協助我們來做更精細的評估與調整。

    台中教室依舊是高樓大窗戶與台中景色，也幫助了我們有很好的學習品質。

    2021還能上到外師課程只能說幸運，感謝老師願意前後30天的隔離。
    —

    再次真心推薦 覺得應該放入國小必修課程🙏🏻，一般人、身體工作者、運動員、教練都適合去上的課程～

    身邊台大物理治療系的孩子看到分享後也立馬來詢問真的大推～

    我們上的是運動員訓練比較多，而醫生、物理治療師有另外更學術的課程可以參考

    老師與物理治療師們總說我們的體感不錯，但我們有時候還是在探索，中午吃飯時間跟物理治療師們在聊天，他們說到我們身體工作者都是用身體在記憶，身體感受真的很好，物理治療師們的筆記都快狠準，而手調很好，但自己動作練習時也都被老師一直崩潰的要他們在多一點，但身體就是不好使。而醫生族群時是老師才講完理論，就開始有不同各種專業的探討提問，果真沒種領域都是很可愛及有趣的～

    人生知道如何不費力的就能夠順利，原來身體也能，就這樣輕輕鬆鬆不費力的只是在原本最佳狀態真好

    —
    感謝我有好多泳隊孩子們，因為你們讓我更促使自己要更往運動員方面精進，也許願答應我要開更多運動員、肩關節、或是游泳選手的課程給我上，就讓我慢慢的解鎖吧

    感謝每次都花300-400來找我上團課及包班的你們，也讓我們能夠有這些費用可以每年不斷的燒錢進修，帶給你們好幾萬的東西

    —

    最後大推 白面書生 物理治療師 蔡主任
    感謝每次上課時的神救援

    孩子們有需要物理治療師修理的歡迎跟他約起來🔧
    𓂃𓂃𓂃𓂃𓂃𓂃𓂃𓂃𓊝𓄹𓄺𓂃𓂃𓂃𓂃𓂃

    搜尋🔍 宏甫研究室、 安和物理治療所

    .𖤣𖥧𖥣｡.𖤣𖥧𖥣｡.𖤣𖥧𖥣｡.𖤣𖥧𖥣｡.𖤣𖥧𖥣｡.𖤣𖥧𖥣｡.𖤣𖥧𖥣｡.𖤣𖥧𖥣｡
    •••••••••••••••••••••••••••••••••••••••
    #CHA的學習日記 #瑜珈 #瑜伽 #進修 #瑜珈老師 #yoga #yogateacher #DNS #DNS動態神經肌肉穩定 #腹內壓 #宏甫研究室

  • 台灣物聯網實驗室 IOT Labs

    三個字物理治療所費用 在 台灣物聯網實驗室 IOT Labs Facebook 的最讚貼文

    2021-03-08 18:09:20
    有 1 人按讚

    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

你可能也想看看

搜尋相關網站