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

難得看到有趣的手機！！！

LG 電子今 (14) 日於首爾總部舉行的全球線上直播發表會中 (https://lgwing.me/DiscovertheUnexplored)，正式發表首款 Explorer Project 系列手機 LG WING。Explorer Project 旨在探索尚未被開發的使用概念，進而豐富智慧行動裝置領域，而 LG WING 的誕生完美體現此願景，以獨一無二的規格開創不同以往且別出心裁的行動體驗。


隱藏式第二螢幕將使用體驗推向新境界

LG WING 與市面上的智慧型手機截然不同，使用者可以隨時在 Swivel 模式和 Basic 模式之間無縫切換，盡情享受豐富廣泛且真正與眾不同的智慧行動體驗。在 Swivel 模式下，手機正面可順時針旋轉 90 度，將主螢幕轉為橫向，並顯示出 3.9 吋第二螢幕，解鎖更多使用可能，一個應用程式可以延伸顯示於兩個螢幕上，或是同時於兩個螢幕上操作不同的應用程式。

使用者可利用 Swivel 模式觀看影片與串流平台，在不中斷主螢幕內容播放的情況下，同步操作第二螢幕。為了將 LG WING 獨特規格的潛能發揮至極致，LG 與業界一流平台夥伴合作開發，透過內建NAVER Whale 瀏覽器開啟 YouTube 或 Tubi 時，主螢幕將用以播放影片，第二螢幕則顯示留言或搜尋列。LG 亦與 Rave 和 Ficto 等其他串流平台合作，讓 LG WING 的使用者於享受全螢幕影片同時，可以透過第二螢幕與其他觀眾互動。

於 LG WING 的雙螢幕和革命性規格支援下，特定應用程式和功能使用將有更多變化，輕而易舉完成多工處理。使用者可以一邊以寬闊螢幕觀賞最愛的電影，一邊搜尋喜愛演員的資訊或與朋友聊天討論劇情；另外，也能以 Multi App 功能將常搭配使用的應用程式組合設為捷徑，大幅提升使用上的便利性。此外，Swivel 模式也在開車時能助駕駛人一臂之力，可以一邊跟著主螢幕上的地圖指示行駛，同時將第二螢幕留作通話使用，不會像其他手機，於接聽電話時會覆蓋地圖。將 LG WING 轉個方向就能挖掘各種全新可能，為多工處理和內容體驗揭開全新篇章。


零打擾的完整沉浸式體驗

LG 觀察到經常使用手機體驗娛樂的消費者日益增加，於 LG WING 搭載各式有助提升行動瀏覽體驗的功能。LG WING 搭載完美無瑕的 20.5：9 比例 6.8 吋 P-OLED FullVision 主螢幕，打造無與倫比的瀏覽與遊戲視覺體驗。此外，第二螢幕不只放大可視面積，也能在主螢幕橫向顯示時用來穩定握持，於啟用 Grip Lock 功能後，第二螢幕將顯示時間與日期等常用資訊，即使誤觸螢幕也不受影響。

使用 LG WING 獨特規格優化的影音平台應用程式時，LG WING 的第二螢幕可作為媒體控制器。開啟應用程式後，第二螢幕右上角將出現一個懸浮圖示，可輕鬆切換影片和調整音效設定，無須暫停播放或前往另一個視窗。此外，為確保沉浸式體驗不受干擾，LG 設置了一個 3200 萬畫素鏡頭，可在需要時從機身設備中彈出，以保留螢幕空間。


全球首創相機結合穩定器功能 帶來達人級錄影表現

為滿足使用者喜愛以手機紀錄和分享生活，LG 為全新裝置獨家量身打造先進的相機功能與技術。LG WING 搭載三主鏡頭，包括 6400 萬畫素超高解析度 OIS 廣角鏡頭、1200 萬畫素超廣角大像素及1300 萬畫素廣角鏡頭。透過 3200 萬畫素彈出式鏡頭以及其中一顆主鏡頭，即可在 Swivel 模式下進行雙鏡頭錄影 (Dual Recording)，拍攝完成後可儲存為同一個檔案或是分別存為兩個影片，並有 1：1或 16：9 兩種比例可供選擇。此外，在主螢幕播放影片或瀏覽相片同時，第二螢幕可作為專屬編輯器。LG WING 另搭載 LG Creator’s Kit，內含一系列先進影像處理解決方案，像是縮時攝影控制、語音散景和 ASMR 錄音等。

LG WING 更是全球首款搭載手持穩定器 (Gimbal Motion) 相機的智慧型手機，將第二螢幕化身方便的握把，輔助單手橫拍清晰照片和流暢影片，相較之下一般長方形外觀的手機要以單手拍出不晃動的作品十分困難。LG WING 的功能操作宛如真正的穩定器，就像是以搖桿控制拍攝角度、避免搖晃和畫面模糊，移動時使用 follow mode 拍出更流暢的影片，水平移動時使用 pan follow 並大幅減少上下晃動，以及使用第一人稱視角捕捉充滿節奏感且變化多端的動作。


機身更輕巧 耐用度加倍

儘管採雙螢幕設計，LG WING 的體積依然輕巧，可以輕鬆掌握和隨身攜帶。LG 設計師以輕薄但堅固的複合材料搭配特殊的鑽孔技術，將手機控制在僅 260 克的重量，與市面上多數大螢幕智慧型手機相去不遠。此外，符合人體工學的設計不論是 Swivel 模式或 Basic 模式，手感皆十分舒適，握持時亦無壓力。

LG WING 工程團隊特別將新加入的可動部件納入設計考量，開發相關功能讓手機更耐用可靠。自拍時，如果手機透過加速儀偵測到墜落，就會立即縮回彈出式相機鏡頭避免受損。LG 深厚工程實力亦展現在搭載液壓減震器的轉軸模組，在主螢幕旋轉時減少轉軸機制承受的壓力；另外，主螢幕背面加上熱塑性聚甲醇塗層，使旋轉動作更順暢，同時避免刮傷第二螢幕。經測試顯示，LG WING 的轉軸機制即使經過 20 萬次旋轉，仍能流暢運作無礙。

為滿足消費者對於 5G 服務的期待，LG WING 搭載整合 Snapdragon X52 5G Modem-RF 系統的 Qualcomm® Snapdragon™tm) 765G 5G 行動平台。此為 Qualcomm 首款整合應用處理器及 5G Modem-RF 系統的晶片解決方案，實現業界最佳 AI 性能、極速 5G 連線、智慧多鏡頭功能，並同時維持電池續航力。在 Qualcomm Snapdragon Elite Gaming™ 功能的助力下，LG WING 具備即時反應、劇院等級圖像品質與悅耳音效，成就真正獨特出眾的娛樂體驗。

Qualcomm Technologies, Inc. 手機事業資深副總裁暨總經理 Jim Tran 表示：「恭喜 LG 團隊成功推出 LG WING，這款搭載 Snapdragon 765G 5G 行動平台的嶄新裝置完美體現 LG 全新 Explorer Project 系列的願景。Qualcomm Technologies 與 LG 行動通訊部門積極合作，致力優化 Explorer Project 系列產品的表現，帶給消費者耳目一新的體驗。」

LG 行動通訊部門總裁 Morris Lee 表示：「LG WING 將行動裝置推向新紀元，也為 Explorer Project 計畫揭開精彩序幕。這款創新裝置與市面上產品截然不同，大膽改變產業現狀，提供消費者前所未有的行動體驗，並開創對智慧型手機的嶄新想像。」

LG WING 將於下個月於韓國率先開賣，並陸續於北美和歐洲主要市場發售。

臺灣六大5G應用實例

臺灣5G推出商用後，初期會有哪些5G企業場景與應用例子？我們也整理出了六個5G應用實例，分別在智慧工廠、 智慧交通、智慧VR球場、智慧農業、 企業專網，以及無人機巡檢等。

文/iThome | 2020-07-10發表

5G 實例1 超大頻寬、超低延遲

5G打造智慧工廠，搭配AI即時檢測產品瑕疵

5G的高速、低延遲及大量連結特性，結合AI將造就什麼樣的智慧工廠？ 中華電信在5G開臺活動中展示一套AI瑕疵檢測系統，機械手臂將產品移到檢測系統，經過攝影機拍攝高畫質影像，透過5G傳到雲端，經過AI模型辨識產品的外觀上是否有瑕疵，再將辨識結果經由5G回傳至工廠的機械手臂，將有瑕疵（NG）的產品挑出。

利用5G與AI，可以取代傳統人工檢測瑕疵，容易因為眼睛或人員疲勞，遺漏了瑕疵品，並且可以長時間檢測，甚至以全測取代抽測，有助於提高產品的品質管理。

先前遠傳電信曾展示類似的應用，智慧驗布系統，傳統以人工檢驗布料是否有瑕疵，需要停機貼標籤，手動記錄瑕疵品，運用5G網路及AI，智慧驗布系統透過高畫質攝影機，將拍攝的布品影像回傳至後端的AI辨識，再將檢驗結果送到驗布系統，自動判別布料上是否有瑕疵。

5G 實例2 超大下載頻寬

5G即時傳輸8K影像，將公車變身行動版家庭劇院

前陣子，臺北市政府與中華電信合作推出5G體驗公車，利用公車上的5G CPE裝置接收5G訊號，即使在公車行駛之下，仍能透過5G網路順暢串流播放8K/4K超高畫質影片。這輛公車也搭載360度監控系統，可讓駕駛監控公車行駛時的360度車側影像，透過5G即時傳輸影像，可從遠端監控公車駕駛是否有進食、打瞌睡等分心的危險駕駛行為。車上先進駕駛輔助系統（ADAS），也能經過5G和路邊的設備溝通，例如路邊設備偵測到行人未依號誌通行，主動向公車示警減速，或是在車輛轉彎時警示用路人，提升行車安全。體驗公車也結合了AR擴增實境技術，民眾可下載一款App，就能開啟AR導覽服務，由手機上的AR車掌小姐作導覽說明這項體驗服務。

5G 實例3 超低延遲3D虛擬全景

超低延遲VR棒球投打訓練，即使練打150公里快速球也行

即使身在偏鄉，位於臺東豐田與長濱中小學少棒選手，以後也能使用5G網路結合VR頭戴設備，來幫助選手自己做投打訓練。只要戴上VR頭戴設備，使用者就能夠跟虛擬投手在一比一打造的虛擬新莊棒球場上進行投打對決，還可以選擇全明星級投手來餵球。有別於4G網路，因為速度不夠快，就算打者身體能反應，VR裝置也無法同步跟上選手動作即時反應，但改用5G網路傳輸VR影像，透過5G低延遲傳輸能力，現在即使看到投手投出150公里的球速也不怕，只要身體反應夠快，打者也能在零點幾秒內反應操作球棒，打到這顆快速球，藉此訓練球員的打擊跟反應。

5G 實例4 超大上傳頻寬

5G傳輸4K哈密瓜種植影像，AI才能早一步辨識蟲害

宜蘭縣府近日公開展示智慧農業應用成果，透過其農業IoT種植生產系統，來蒐集溫溼度、雨量、日照等數據，提升哈密瓜種植品質，而且除了4G，還可支援下一代高速5G傳輸網路。目前這套IoT監控系統主要是安裝在宜蘭壯圍鄉一處溫室農園裡，做為當地智慧化種植哈密瓜的示範場域，裡面使用天龍安全科技提供的TIAGA智慧神農AI系統，來對哈密瓜種植生長環境進行數據蒐集與監測，至今已可做到8成高品質的果品產出。該團隊更與仁寶電腦合作，將這套IoT系統升級為支援5G傳輸架構，只要有電信營運商在當地開通5G服務，就可以馬上使用，來加快數據分析，未來還可運用它傳輸4K畫質影像，進行蟲害影像辨識模型的訓練，讓以後蟲害辨識預警能更快速且精準。

5G 實例5 專用5G通訊網路

靠建置物流5G專網，讓AGV自動揀貨更有效率

為了要做到數小時內商品快速到貨，臺灣最大電商平臺momo，很早就在自家物流倉儲中心內，導入AGV無人搬運車，現在在momo倉儲中心裡，每天不只有揀貨作業員，還看得到不少無人搬運車在倉儲內到處穿梭，協助揀貨員完成商品揀貨、搬運等作業。

然而，受到倉儲現有網路通訊環境的限制，使得這些搬運機器人在作業上沒辦法無縫接軌。為了解決這個問題，最近該公司決定要在這個倉儲中心導入5G專網，要透過建立一個專屬5G行動通訊網路，來協助AGV，甚至是更具智慧化的AMR自主移動機器人，來提升自動揀貨效率。

momo預計採用台哥大5G網路技術，來建置自己的5G專網，未來將透過這個專用5G網路來提供廠內所有AGV設備互連與溝通，讓這些無人搬運車可以做到自動尋貨、自主溝通、避開障礙物，讓顧客更快收到商品。

5G 實例6 超長距離串流傳輸

5G遠距遙控無人機空中監控巡檢，即時回傳4K超高畫質影像

無人機的應用愈來愈多元，無人機結合5G網路讓無人機的應用範圍更廣泛。結合5G的高速連結、低延遲特性，操作員可以遠距離透過飛控系統，即時控制無人機飛行，並即時看到無人機的空拍高畫質影像，應用在空中監控／巡檢。

中華電信在5G開臺活動中，展示和夥伴共同合作的5G無人機空中監控／巡檢，這套系統可應用在防災救援，還有橋樑、道路、水庫或農田等特定場域的巡檢工作上。

5G的高速傳輸，讓無人機拍攝的影像，連結後端AI雲端運算系統，例如辨識人員或汽車，或是橋樑上的裂縫，或是和歷史影像比對，辨識特定事件發生前後的變化。

資料來源：https://www.ithome.com.tw/news/138746?fbclid=IwAR3cJsvDQ6zpL7Z0KfMITuM4abUJbf5iWcFbgUJnmjuPJRkMnYiGBlXa118