每次開車直播時都會有粉濕問醫濕開什麼車，也有粉濕好奇醫濕是不是都開很好的車子，今天就開一篇來好好介紹一下我的三個兄弟、好朋友們。（如果對車子沒有興趣的可以跳過）

什麼？男人不是都把車當老婆嗎？沒有喔～
醫濕我的觀念老婆是老婆，車子是兄弟🤣

醫濕目前名下有三台車(全都手排）～


【第一台．小白】

1988年的Mazda RX7 FC3S Turbo II，這台車是醫濕人生中的第一台車，也是靠著自己在奶茶店打工賺錢買的，那時候才大一還大二的樣子。醫濕我是當年被頭文字D毒害的一群，因爲高橋涼介的一句「我對我的轉子引擎有絕對的信心」而產生興趣。後來經過自己上網研究和請教業界人士後，對轉子引擎瘋狂的著迷，所以當時存了第一筆買車錢首選就是RX7 FC3S。它是一台基本上沒有什麼電子輔助系統的機械車，當年我就是靠著這台車把自己的駕駛技術練上來的。

這台車有我難以割捨的情感和諸多心血，它跟我走過很多風風雨雨，也因爲是第一台車，所以就算壞了，我也是老二捏著砸錢在修。十年磨一劍，因爲生活遭遇和經濟狀況，我差不多用了十年在修它改它，而現在的它是台輪上450匹，車重僅1頓初的小怪獸。

當初買它時是瞞著我老母買的，因爲我老母認爲開車很危險，整天怕我車禍所以非常反對，而我老爸只說了一句「只要你能自己負責和負擔得起，老爸沒意見。」但瞞了老母兩年多，最後還是被她知道了，她見既然都買了有段時間了，只問我「爲什麼要買跑車？買台普普通通四門家用車不好嗎？」

這時我不得不提到我爸的一個朋友，他是道上的大佬，當年聽到我想買車，當我父母都不太願意時，他當著我父母的面對我說「買！年輕人就該買台車，最好還是台兩門的小跑車好好享受年輕的自己。」我非常認同，別想著等到自己年紀有了才想玩車，往往那個時候你已經沒時間沒心力了。


【第二台．大白】

2005年Mitsubishi Lancer EVOLUTION 8 GSR。醫濕的所在地冬天下的雪很可怕，由於小白是後驅車，在雪地裡的性能和安全性實在不高。曾經在大雪紛飛的夜裏，下班的我開著小白在還未鏟雪的高速公路上回家，一路上只敢開40，因爲稍微踩多一點車屁股就亂滑，然後看到一台Audi 用著它的壁虎系統從我旁邊以90-100的速度刷過，被洗臉的我決定我要入手一台四輪傳動的車子來因應冬天的雪地。

後來因緣際會之下，後來在2015年年初，小白進廠大修，剛好市場上有人放出幾台EVO 8代在賣，我跟師父討論後，在他的建議下收入了這台EVO 8代，而且很剛好的是它是醫濕我喜歡的白色。(當年其實已有EVO 10代，但價錢昂貴所以沒有考慮選10代。而且醫濕我這個人喜歡玩別人沒有的，由於EVO是直到10代才在加拿大上市，所以老款EVO都是進口，在加拿大的數量比日本製的壓縮機還要稀少。）

EVO 8是台任勞任怨的好兄弟，它沒讓我顧車過，唯一比較有花到錢的也就是修修老車漏機油、換了掛掉的原廠避震系統和渦輪翻新小升級而已，我沒有改很多東西，畢竟是代步用，所以雖然它的硬體足以調到輪上500匹，但我請師父壓在350匹讓車好開就好。

至於它的性能，三菱的全時四驅系統成績在車界和拉力賽事上有目共睹的，代號4G63T的鑄鐵引擎，相信懂車的人都知道它有多可怕，這邊就不再贅述了。

喔，對了，你們所熟知的短髮妹、外拍妹跟綠茶妹它都載過，是我三台車裡唯一載過三任感情的，這樣你們就知道這三段感情有多短🤣


【第三台．胖白】

2018年Honda Civic Type R FK8。有鑒於大白也有年紀了，我不想讓它冬天還受鹽、雪的危害，加上早年我都有在外診，大白的油耗有點吃不消，所以萌生了再買一台代步車來取代大白受苦。

那時候經濟上有寬裕一點，因此想買台全新車，至少不用三不五時就得東修西修的。我當時想著我已經有小白大白兩台性能車了，所以第三台就來個家用車吧，加上我老母希望我買「正常」一點的車，於是我就從各家日本車廠上去挑，最後選定要嘛Honda Fit(小車）或是Mazda CX5(小SUV）然後我跟家人說這兩台車時，我媽跟我說⋯⋯

「你孤身一人開什麼SUV !?」

於是被老母爆擊噴血後的單身狗我默默的把CX5從名單上移除，乖乖的進了Honda dealer 坐下簽了這台Civic Type R......

疑？
是不是哪裡怪怪的？
啊不是說好要買台普通家用車？
說好的Honda Fit呢？

很多人看到我簽單上寫著Civic Type R都問我是不是被魔神仔牽去買Civic Type R了？

藍鵝...他們並不知道，我就是我自己的魔神仔。我也不知道爲什麼坐在業務面前，明明都談好Honda Fit的價錢準備簽字時，我會多問一句「疑？那Type R勒？」我那時候看著Civic Type R的單不斷的告訴自己，多個3萬多塊而已，我就能入珠....啊不是，我是說入主紐柏林最速前驅車，要馬力要操控要空間要ㄏㄧㄠˊ咖稱一次滿足，然候我鬼畜的手就簽字了。

當時拿著單子的我走出dealer我還一副「我是誰？我在哪裡？我在幹嘛？疑？我簽了台FK8?」

至於這台Civic Type R FK8我這邊就不著墨太多，300匹的馬力說真的也不算什麼，但看過它跑紐柏林的就知道操控性有多可怕，很多大馬力的名車在賽道上都被FK8電到歪腰，直線上FK8的尾速快過近400匹的車，所以不得不佩服Honda的黑科技。

我在胖白身上沒有花什麼錢改，僅僅換了短彈簧和買了套Rays的名圈而已。因爲原廠其實就已經改好了才賣你這台車，算是非常佛了。

入手胖白後，醫濕我才圓了自己自駕長途旅遊的夢。（因爲小白大白有年紀，我不想太操勞它們，加上油耗傷不起，所以跑長途的重責大任就落在胖白身上😂）胖白雖然也是性能跑車，但它能文能武，舒適程度上，醫濕曾經連開好幾小時出遊，腰背也沒有不適感。（可能我對舒適度的要求也不高吧！）

我老母看到胖白後問我「啊你怎麼買喜美？」我說「性價比比較高。」然後老母看了一下尾翼說「你又買跑車？」

我：「妳不要看到什麼有尾翼的都是跑車啦！它只是一台很普通、最低配置的喜美！」

我老母要是知道這台我口中很普通的喜美在台灣要賣到200多萬台幣，應該會打斷我的狗腿。

好啦～三台車子就介紹到這裡，你們一定發現我的車全是日本車。是的，醫濕我對歐美車比較無愛，就像看謎片也是都選日本的（喂

不是說歐美車不好，單純自己無感而已，我承認現在很多歐美車動輒原廠就給你300-400匹甚至500匹，用最高端的電子技術，給你最享受的舒適和駕馭，你說BMW 的M3、M4或是M2CS不香嗎？賓士的AMG系列不香嗎？奧迪的RS系列不香嗎？

香～當然香。

車子快嗎？當然快。

這些都是擺在眼前的事實不能不承認，我心裡也都知道也很清楚。但是醫濕我就是對日本車有個情懷在，尤其是90年代到2000年初期的日本性能車。現在很多車廠生產的車是爲了滿足市場消費者的虛榮，當然也是爲了賺錢反正你要大馬力要多豪華，我做給你，你就掏錢就是。

然而當時90年代日本很多性能車的出現是爲了因應賽事，車廠爲了參加賽事才搞出這麼一台車，是有些比賽規則規定要有多少該車的市售量才能參賽，所以這些車才被作了幾台賣給民間。簡單說那個年代你有錢想買這些車，車廠還不屑賣你的那種感覺。這是爲什麼，我就算有了胖白，還是把小白大白留在身邊的原因之一。

如果真的要說有沒有喜歡的歐美車的話？有吧，唯一會想收藏的只有老的保時捷911 Turbo或是 911 GT2 RS，藍鵝...我買不起。🤣

好了，介紹個車扯這麼遠。最後來解個惑，時常有人問爲什麼當醫生了不買台能搭自己身份的高級車，如果不喜歡歐美車，那日本車也有像Lexus之類的高級品牌不是嗎？

我這個人是這樣，我並不認爲什麼身份就一定得開什麼車來襯托自己的地位。而且以我現在這個年紀開台Lexus或是雙B，大多人還是會覺得「你家有錢」或是「你家人買給你的」，這並不是我想要的。我反而覺得車的選擇和年齡、心境比較有關。

比如說，我寧可自己是個有了年紀的大叔駕駛著保時捷，開車門下車後被一旁的地方媽媽跟迷妹們說我是個很有品味的帥大叔，然後要約我去吃晚餐。而不是開了車門下車後被說「他爸媽買的」的洨孩。（我只是打個比方，不要高潮不要對號入座，我沒有仇富，我也知道現在很多年輕人賺錢能力很強。）

所以說，醫濕覺得現在自己這個年紀開個Honda, Mazda和Mitsubishi不爲過，而且誰說當醫生就不能改車玩車作個熱血醫師呢？當然啦，青菜蘿蔔各有所好，這篇文章僅闡述我自己的狀況，大家看看就好。

PS. 感謝台灣的車友幫我畫了這張圖，滿足我三台車同框的心願。（因爲家裡車庫不夠停，有兩台車停朋友家車庫。）

#我玩車改車不是爲了飆車
#我只是想跟別人不一樣
#有個性不是罪
#我想作自己
#好自在（疑

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

幾個月前有跟大家提過，我的二手老爺車整個很詭異，轉彎和催油時，車身常常會大抖動，去了幾次車廠都檢查不出原因，車廠猜測可能是中央傳動軸的問題，但就算換大錢換了，他們也不能保證會不會修得好。

本來這個問題就已經讓我夠憂鬱了，但一趟南法之旅回來後更嚴重，車子發動時會大震動，會發生"嘣嘣"的巨響，行駛的時候噪音很大，後輪反應也有點怪，有點遲緩，而且速度只要一到50公里，就會發生轟隆轟隆的聲音。😰

九月時有再回去求救車廠，車廠說應該是後輪"車輪承軸"(俗稱培林)磨損，才會發出轟隆轟隆這種聲音，問題是不大，但修起來不便宜，最後估一估，大大小小問題竟然要修到 3000~4000歐元(十幾萬台幣😱)，而且還不能保證抖動問題能不能修好。

聽了之後心超冷的吧，車子也不過是 6000歐買的，這次修就要這麼多錢，不修又不能賣(在法國除非買主同意，不然有問題的車子不能賣)，就在想是不是乾脆報廢，領回個 600歐元廢鐵費算了😭，但車子其實也沒買很久，我也沒買新車的預算，又不再敢買二手車，就整個卡在那裡鬱悶到爆炸。

跟墨西哥好友吐苦水，沒想到當晚就接到她先生的簡訊，問我如果車不想要了，要不要就用廢鐵價賣他，我跟他說車子問題很多，他買這個廢鐵要幹嘛，他說他應該能修。

我知道他們以前在墨西哥是有開過重型機車修車廠，但不知道原來他對車子構造也還蠻熟悉的，只是因為剛搬來法國，沒有修車證照也沒工具，所以不能幫人修車賺外快; 知道我其實不想換車後，我們就決定拿這台車做白老鼠，把死馬當活馬醫，一起上網找副廠零件，然後我出工錢請他幫忙修。

他打開引擎蓋就發現引擎支架磨損嚴重，引擎已經整個大移位，會撞到其他部位，才會發生這麼大的震動和巨響。 仔細檢查後，他建議我的後輪除了培林，煞車片也該換，機油、空氣濾芯、和機油濾芯也慘不忍睹，都必須全部換掉; 但因為剛移民過來，他並沒有修車工具，只能辛苦慢慢開省道開了120 公里(開太快輪子可能會掉😓)，晃了三個多小時，才到他哥哥鄉下有修車工具的房子去修車。😓

結果最後零零總總換了一堆零件才花了 440 歐元，他也只收我 200 歐工錢(7000台幣，後來我堅持給他一萬)，就把我的廢鐵車大復活了!!😭😭😭

後來他還教我怎麼還輪胎，也叮嚀我每個月要去打輪胎的氣，這次換了機油後三個月後還要換(因為之前太久沒換)，接下來我們還打算換皮帶、冷卻劑、煞車油管、和煞車鉗，慢慢用最經濟的方式把磨損的零件通通換掉。

唉，這個時候才發現光會彈鋼琴🎹和拉琴🎻根本沒用啊😥，老爸不在身邊，在國外生活，就是要學會怎麼修車才是王道，如果不會修，真的還是要有交一些懂車的朋友才能活下去啊!😂

車子狀況雖然還沒有滿分，但至少能再開一陣子了啦，姐還下定決心，下次要來挑戰自己換機油，決定要跟它拼了!! Girl Power!!!😅 💪💪💪