// 成為職業插畫家(9)：回應靈魂的呼喚－成功與自由👂 //​
​
『「別人眼中看見的是成功，我看見的是更多的 #不自由。」這是我在暢哥的電子報中我閱讀到的一句話，某種程度上，它如實地袒露了我當初離開職場的原因......』​
​
--------------------------------------------------​
​
在上一個篇章我提及了就是因為這種有違於靈魂本質的念頭愈發強烈，為了追尋內心的聲音，我萌生了報考國內藝術設計研究所的念頭，也因此做出了《Crazy Flora》（花瘋）這一系列作品，將這段由商學院轉折到藝術領域的心路歷程集結而成的概念專輯。現在再回頭看當時完成的作品集會覺得天哪！怎麼滿滿待改進之處？像是排版阿、字級、行距，還有整體的架構等等，真的是不能小看時間一點一滴積累打磨的原子習慣與專業知識技能。不過某種程度上，也算是給當時的自己的一個回憶，記錄了青澀的自己。​
​
雖然說現在看起來那本作品集充滿瑕疵，但當時的我可是很引以為傲的呢😅畢竟身為一個沒受過什麼專業訓練的人，能夠在工作之餘產出作品集已經是值得謝天謝地的事了，更何況這本作品集還真的幫我取得了面試的資格（醜哭）。我還記得那個被排在平日下午的複試，身為上班族的我，好死不好剛好遇到那幾天是廠商進場日，某種程度上就是難請假到一個炸裂，這時候真的是要仰賴平時的積累與人緣，還好多虧我當時的同事們鼎力相助，幫我cover那個午後的工作，才讓我得以風塵僕僕地從台北殺去新竹面試。​
​
▎如花般盛開的夢​
​
面試那天，因為我的作品集是以「花」為核心包裝，所以我精心挑選了一件繡有布花的襯衫當做戰袍，然後還買了一朵大創39塊的假花當做道具，想要以一個充滿一致性的方式讓老師們耳目一新，現在想起來真的是蠻荒謬的，但無論如何，在那短短的面試時間裡頭，我哼唱了一首概念專輯裡的歌，描述了這趟如華麗冒險般的奇幻旅程，並藉由主要創作的介紹，告訴評審委員為何我選擇再次進入校園和那些美麗的夢。我不確定這麼做到底是好是壞？但只求盡可能地展現我自己，而 #不留遺憾。​
​
說真的，我早已不記得當初評審委員提問的內容，我只記得在結束面試之後，聽到幾個已經面試完的同學們在彼此討論著剛剛老師提出的問題，還有交大的傳說。他們說，如果想要考上學校，要記得去拜校門口的土地公，也別忘了帶仙草蜜。孰不知壓根不知道這件事的我，只好抱持著心誠則靈的態度，在面試結束之後，去找土地公好好聊聊天😅，請祂祝我一臂之力。老實說，也不確切地知道到底是什麼地方讓老師們相中，還是真的跟土地公公搏感情奏效，只記得是很多好多小小的事、小小的心思，很多很多貴人的相助，讓我能夠以第二名的成績考上交大應藝所，為接下來的旅程鋪墊上一塊新的石頭，為自己開啟新的篇章。​
​
▎插曲​
​
再與你分享一段有點好笑的插曲：當我確定錄取之後，想說把手邊的大案子忙完後，再跟我的主管提離職，但因為我去面試的這件事有讓我幾個要好的同事知道，畢竟要拜託他們cover我那幾天的工作。孰不知早在我跟主管提離職之前，我考上研究所要離開崗位這件事早就傳來傳去，傳到大主管耳裡了😅。我還記得在那個大案子收尾的那天，大主管走到我身邊一方面感謝我完成了這個案子，另一方面也預祝我接下來在新的跑道能夠開展順利。我當時聽到其實有點詫異，畢竟我都還沒跟小主管講，這件事竟然就默默傳到大主管耳裡。不過還好後來小主管輾轉得知之後，也跑來跟我確認這個消息，然後給予我支持與鼓勵。我想，這件事對於我而言，無疑是 #很大的肯定，畢竟要在人緣與工作上都得到不錯的成績，才能夠好聚好散吧！也感謝默默幫我散播消息的不知名人士，讓我少了要提離職的尷尬糾結時刻，能夠順順地交接任務，朝新的道路邁進。​
​
在這個篇章裡，我節錄了一段在職準備面試研究所的心路歷程。而那時候的青澀與稚嫩都被封存在那段若近若遠的回憶裡頭。或許會有很多不足，或許會有很多現在看來值得改進的地方，但也正是因為有那個時候的自己才造就了現在的我呀！命運之輪持續轉動而時間依然在走，接下來的《成為職業插畫家》系列，會與你分享我正式進入研究所之後，所遭遇的種種困境與發現。如果你看完這篇故事有任何想法或反饋，都歡迎回覆給我，那會是很寶貴的禮物：）​
​
To Be Continued...​
​
--------------------------------------------------​
​
▎近期活動：​
​
我與摯友 小金魚的人生實驗室 在九月中有一場讀書會，從《爸爸的小貨車》出發，討論原生家庭對於一個人工作、情感、關係、自我價值的影響。非常期待當天的火花以及那些待解的人生課題！​
​
時間：9/18（六）14:00 - 16:00​
方式：Goole Meet（當天會錄影，提供錄影檔）​
費用：$499​
（若提供《爸爸的小貨車》、《7週遇見對的人》購買證明，可再享優惠價）​
活動詳細資訊：https://www.accupass.com/event/2109061423101587100670
​
#插畫 #繪本 #國際 #藝術家 #理想生活 #創作 #療癒 #吸引力法則 #職涯 #人生 #自我成長 #選擇 #圖畫書 #自我實現 #成長 #陪伴 #illustration #illustrator #成為職業插畫家 #插畫家

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

【#鈊象（3293）漲停了！】
「跟隨趨勢走，憂慮不須有，隊長來幫大家回顧一下今年4月時寫的主流產業選股術訂閱文章，證明產業趨勢對，股票震盪只是過程，大賺早已決定！在您看過隊長網路文章，確定博奕類遊戲的生命週期之時就決定～以下為內容：

疫情推升宅經濟 鈊象今年獲利上看45元（2020-04-07）

今天老師要繼續幫同學們追蹤遊戲類股的鈊象，這次老師是要跟大家說明，社交博弈類型的遊戲公司有什麼特性？另外，老師會更新第一手拜訪後的公司最新概況。投資是一條漫漫長路，同學們除了要停損、風險控管之外，還得持續積累產業知識與公司資料庫，並且不斷地追蹤公司的業績，才能知道是要汰弱留強，還是要續抱。贏在堅持，勝在追蹤。

博弈遊戲的生命週期長，使公司能持續有營收挹注
一般來說，電子遊戲可以依據載體分為5種：家用遊戲機（console）、掌上遊戲機（handheld）、街機（arcade）、電腦遊戲（computer game），以及手機遊戲（mobile game）。目前主流的遊戲就是湯姆熊或百貨公司內能看到的街機（例如：跳舞機、賽車等），再來就是電腦遊戲與家用遊戲機（例如：PS4、XBOX），以及大家最熟悉的手機遊戲。

鈊象的手機遊戲主要以社交博弈類型為主，此類型遊戲的特色是：生命週期長、遊戲時間破碎、具累加性。博弈也就是賭博，是人類最古老的需求與行業之一。在銷售策略上，博弈手遊開發進度達80%～90%後即會上架，並且開始進行小規模的導量測試。研發團隊可以針對玩家的留存率、獲勝機率、遊戲內容等參數進行調整，之後才正式上市。但是，上市後通常不會一次性就投入大量的行銷費用來吸引客戶，而是改以間隔性逐次投入，以慢慢累積用戶數量與營收，並且不斷透過營運數據來優化產品，創造出正向循環，屬於數據驅動成長（Data-Driven）的商業模式。

社交博弈類型手遊的遊玩時間比較破碎，每天在線時間低於MMORPG（大型多人線上角色扮演），不過其生命週期可以長達數年，屬於細水長流型的遊戲。舉例來說，美國的SciPlay（SCPL.US）與韓國的DoubleU（192080.KS），2家上市公司主要的營收都是來自於社交博弈類型手遊產品，為全球市占率第2名與第3名的廠商，年營收規模約鈊象手遊營收的3倍，但是，逐季與逐年的營收趨勢與鈊象相符，均呈現斜率向上的走勢。透過觀察產業龍頭，似乎暗示即使鈊象未來營收成長3倍，成長動能依舊存在，而台灣的上市公司中並無與鈊象營運模式相似的同業。

個股介紹：鈊象（3293）
一、基本面分析》從商用電子遊戲機台起家，近年跨足線上遊戲
鈊象成立於1989年，為東南亞最大的商用遊戲機廠，公司產品包括兌獎機、博弈機台與街機，營收比重分別為遊戲軟體（手遊為主）與遊戲硬體（商用電子遊戲機台）。公司成立初期以遊樂場的商用電子遊戲機台為主，2002年才跨入線上遊戲產業，推出知名的線上麻將遊戲《明星3缺1》，至今已經營運17年，為台灣壽命最長的線上麻將遊戲。

遊戲硬體一直以來都是公司主要的營收來源，占比約為60%～70%，而遊戲軟體占比約30%～40%，直到2015年手遊興起後才推升遊戲軟體的營收，目前遊戲硬體與遊戲軟體（線上遊戲）的營收比重已經顛倒，後者高達80%以上。

鈊象所推出的作品有：《姬戰神域》、《火線狂飆VR》、《捕魚大玩咖》、《明星3缺1》、《金猴爺老虎機》、《金好運》、《滿貫大亨》、《發發發老虎機》，而《三國戰紀》系列更是打入Sony的PS4與街機。

近年來，公司的營運重心由商用電子遊戲機台（跳舞機）轉移至遊戲軟體（手機遊戲），因此，鈊象的研究重點，不在於沒什麼成長性的街機，而在於獲利占比高達8成的「五大手遊」。

鈊象近幾年導入人工智慧（AI），使得公司的營收年年成長。公司從2018年第1季開始進行玩家遊戲行為數據的分析與處理，並且於2018年第3季導入SAS（統計分析系統），同時開始進行遊戲行為與儲值習慣標記，以打造出機器學習模型，成效在2018年第4季逐漸顯現。手機遊戲的營收從2018年第3季的5億2,000萬元逐季快速成長，至2019年第3季已經達到11億7,000萬元，年均複合成長率高達22%，成長率相當優異。

二、成長動能》「五大手遊」吸引玩家，獲利貢獻度達8成
在了解鈊象未來的營收成長與獲利能力之前，必須先了解獲利占比高達8成的「五大手遊」，包含：《金猴爺老虎機》、《明星3缺1》、《金好運娛樂城》、《滿貫大亨》、《海王寶藏》。

《金猴爺老虎機》為公司獲利貢獻第1名的遊戲，目前有日文、越南文、英文等版本在開發，在東南亞的博弈類手遊App的排名上名列前茅。遊戲前身是與Aristocrat合作開發的《發發發老虎機》，2017年雙方拆夥後，鈊象憑藉著過去在東南亞市場銷售商用電子遊戲機台的經驗，在當地推廣《金猴爺老虎機》，目前在中國、泰國、印尼、菲律賓、馬來西亞都有不錯的成績，也有推出日文版、越南文版與英文版，是公司最國際化的手遊。

在手遊付費率方面，《金猴爺老虎機》2019年8月的付費率介於2.3%～2.5%，目前已經大於3%，DAU（每日活耀人數）從2017年8月的13萬人提高到目前的27萬人，預計今年將突破32萬人。

《明星3缺1》為公司最耳熟能詳的遊戲，該遊戲的營收占公司整體營收比重約15%～20%，遊戲已經營運17年，為台灣知名的麻將遊戲，目前DAU約50萬人，不過公司透過增加遊戲種類（除了傳統的麻將遊戲之外，還新增了鬥地主、接龍、21點等數十款的卡牌類遊戲項目），以及更新每日任務、闖關活動、社群經營等方式來推升ARPU（每用戶平均收入）和付費率，因此營收仍然能穩定成長。

由於《明星3缺1》的特色為充滿台灣明星，因此相對來說，在中國或東南亞地區較難推廣，但是並不影響此款遊戲的銷售。2020年，遊戲請胡瓜當代言人，DAU從50萬人提高到60萬人，排名一度衝高到第3名。

《滿貫大亨》與《金好運娛樂城》目前各自占公司整體營收比重約10%～15%，為綜合性的娛樂場手遊平台，遊戲種類包括棋牌類、押分機、老虎機等，台灣為主要的營運區域，近期則陸續開拓東南亞市場，而《金好運娛樂城》已經在馬來西亞獲得初步的成果。

舉例來說，《金好運娛樂城》於2019年8月在馬來西亞開始營運，即衝上當地娛樂場類手遊營收排行榜前3名，比起《明星3缺1》、《滿貫大亨》與《金好運娛樂城》將更有機會開拓東南亞市場，成為繼《金猴爺老虎機》與《海王寶藏》後成功跨出台灣的手遊產品，亦為2020年公司重要的營收成長動能。

《滿貫大亨》請「玖壹壹」當代言人，並且推出抽保時捷的活動。

《海王寶藏》主要營收來自中國，近期在中國的遊戲排名落在60名～90名之間，目前遊戲營收推估占公司整體營收比重約5%～10%，主要營運地區為中國，遊戲內容為機率性的捕魚遊戲，曾經為中國娛樂場類手遊營收排行榜前5名的產品，亦為目前台灣業者在中國自行營運的手遊中，營收排行最高者（iOS）。由於娛樂場類手遊具有「先進者優勢」與「大者恆大」的特色，預期未來《海王寶藏》的會員人數與營收均將持續穩定成長。

三、財務解讀》去年獲利優異，擬配發25元現金股利
將AI導入博弈手遊後，鈊象的每股盈餘（EPS）持續成長，同時屬於高配息率的公司。鈊象2019年的EPS為28.08元，預估將配發現金股利25元，現金股利配發率高達89%，維持近年來的高配息率，大方回饋給股東。2020年1月與2月所公布的稅前損益高達6億1,000萬元，EPS也高達8.6元，屬於財務相當透明的公司。

四、投資建議》博弈手遊長期穩定成長，可持續追蹤
新冠病毒肺炎影響了人類的行為模式，試問，小花自主隔離在家，有人敢跟她湊桌打麻將嗎？當然只能選擇線上遊戲，因此，宅經濟成為受惠的產業之一。

就算不考慮新冠病毒肺炎的影響，鈊象為遊戲類股股王，近年來獲利成長性佳、配息高，目前進入營運高成長期，本益比可望持續提升。同學們其實要思考老師常在課堂上提到的，用合理的價錢買成長性高的好公司，而不要一味的思考用便宜的價錢買平庸的公司。

營收占比約65%～70%的「五大手遊」，深耕東南亞市場，營運成長性佳。鈊象從以往大家所熟悉的跳舞機、賽車機等街機廠商，成功轉型為博弈手遊軟體，專攻生命週期長、遊戲時間破碎、具累加性的社交博弈類型手機App。博弈的需求一直都在，手機遊戲也不斷的透過抽角色、贈送禮包、月卡等活動來吸引玩家，手機上儲值的比率約2%。公司導入AI輔助營運，擴增總體玩家規模、付費率與ARPU持續成長。法人預估，2020年的EPS上看45元，考量公司高成長與高配息，因此給予16倍～18倍的本益比，目標價為720元～810元。

經過3月市場的全面性崩跌，鈊象回測季線後迅速站穩，相比於大盤跌破10年線，以及其他標的都破年線來說，屬於相對強勢的股票。簡單來說，鈊象就是屬於市場認同的強勢股，也是新冠病毒肺炎肆虐後挺住的公司。投信與外資持續買超，提供公司穩定的籌碼與買盤。外資持股約2萬1,000張，持股比率約30%、董監持股約10%、投信持股為6,836張，持股比率約10%，籌碼相對集中。

#張捷主流產業選股術：https://reurl.cc/yZrGeO