蘋果日報紙本謝幕
2021.5.17

0.
我想記錄這件事情的發生時間 2021年5月17日，蘋果日報將出版最後一天的紙本報紙，從實體通路中謝幕。這篇文長，會從新聞媒體的數位轉型，新媒體平台與演算法的競爭，來討論這件事情。

一樣的，我想先聊這件事情的發生。

蘋果日報在 5月14日，發了一封公開信，宣布會在 5月17日最後一次發行紙本，於 2021年5月18日後停刊，不再發行紙本報紙。
蘋果日報 曾經在台灣是與 自由時報 互爭發行量第一的報紙媒體，在iPhone 3G 開賣的2008年，發行量達 50萬份，而依照他公開信的內容，目前發行量僅約10萬份。

蘋果日報紙本停刊，這在台灣的社群媒體發展，和傳統媒體競爭中，是一個很重要的事件。

我想針對幾件事情，跟大家分享我的看法，記錄一下台灣媒體發展的重要時刻

1.
自媒體的時代中夾生存的傳統媒體

先簡單談一下自媒體時代，發聲有多容易。

我們在談自媒體，談的是每一個人都可以成為一個媒體。但我們忘了談一件事情，那就是媒體也慢慢地就像一個人一樣，在社群平台上面有個數字—追蹤數。一起在這裏追求著觸及和流量，以及影響力。

那些媒體所打造的組織，仰靠著大量的人力成本和設備。但現在你只要打開臉書，或是打開 Youtube，按幾個鍵，走完一段大約三分鐘的程序，你就可以開始一趟自媒體之旅。有一個媒體的名稱，在上面寫寫字，按下送出後，就會傳到非常多人的面前。

就像你現在所看到的這篇文章，和這一個自媒體。

在稱作「研究生」的這個自媒體裡面，我是記者，也是編輯，還是個主筆。這個媒體廣編不分離，我還要自己談廣告，接業配。唯一一個我不用做的事情，就是通路。因為臉書幫我處理好這件事情，我不需要去煩惱，要如何把訊息傳達到閱聽人手上。當然，我會面臨一些其他更麻煩的問題，這個部分我們稍後再說。

「通路」這件事情的重要性，是一個沒有經歷過傳統媒體產製流程的人，很難想像的一件事情。

2.
傳統媒體的產製成本

我當年還是新聞所的學生時，帶著一群高中生參加聯合報新聞營。大家對於走到一個報社，會驚呼的，不是總經理，也不是總編輯，更不是那一堆名為「編輯台」的電腦。因為那些都太抽象了。

對，大家最興奮的，是龐大的印刷機器。

一個報紙的產製過程，並不是在把「文章按下送出」後就結束。要送印，送印完後要派報。在凌晨有一群人開著車把報紙送到你家附近的某個橋下，以便躲雨。然後送報員再去橋下領取那些報紙，挨家挨戶的配送報紙。當然啦，現在已經很少人在訂報，報紙最後沒有到你的信箱，可能是到附近的便利商店。

這個過程，用現在的網路語言講，大概就是「把你的文章，經過演算法後，在臉書牆上出現」。這一句話說得簡單，但在傳統報紙中，卻是要一群人每天在凌晨完成的事。

我希望大家不要誤會，運用臉書傳送資訊內容，讓文章在幾秒鐘後就能傳遞到全世界臉書使用者面前，並不是沒有成本。裡面有大量的工程師，維護機器的人員，甚至是網路的鋪設等等。他一樣有很多的費用會產生。只是當你在運營自媒體的時候，不用去想這些事情，因為「平台」已經幫你想好了。

我在學校教媒體創作時，第一堂課我會跟學生聊這件事情：「在十五年前，我還坐在這間教室裡學習如何當一個好的新聞記者時，我們談採訪，聊編輯，學報導，操作技術。但是沒有一堂課會告訴你，要如何開一間報社，怎麼開一家電視台。但現在，這堂課在台大發生了，我們這堂課，就是要你從零開始做一個自己的媒體，從品牌定位，編輯台的規劃開始做起。」

為什麼十五年前做不到的事情，現在能做到？因為通路。當通路的成本降下來了，甚至是所謂的「系統化」，在發行一個自媒體的過程中，少了很多的事情要做。那些，可能是新世代的媒體人，想都沒想過的事情。

我本來想聊電視和 Youtube 媒體產製流程的關係。不過因為這篇文章已經夠長了，留待之後有相關事件，再一起討論。
接下來，我想切入一個很重要的議題：當媒體在網路上只剩下品牌。

3.
當媒體只剩下品牌

當我們在談「自媒體」的時候，常常只看到一個面向，就是「品牌本身在網路上也是個媒體」。但我想邀請大家看到另一個面向，就是「媒體在這些平台上，也只剩下品牌」。

在一個臉書平台的演算法推播，或是 Youtube 去推播一則影片，又或者是你用 Google 去搜尋一則新聞。媒體的內容，跟其他網路內容，其實長得沒什麼兩樣。

對，就是一樣的，臉書貼文只有一種介面，Youtube 影片也只有一種介面。差別只是他有沒有把這個「品牌」，塑造出一個「媒體的形象」，或是「新聞的形象」。

如果我說「 東森新聞」是個媒體，你可能點頭如搗蒜。但我如果說「 卡提諾狂新聞」是個媒體呢？你可以會想一下，最後大概會告訴我，不是吧，他是個娛樂粉專。

那請問「眼球中央電視台 」是媒體嗎？「志祺七七」是新聞嗎？還是那只是「視網膜 Retina」和「張志祺」的個人品牌？「niusnews 妞新聞」，「小日子」，「PopDaily 波波黛莉的異想世界」他分別是用什麼樣的角色出現在你眼前？

試著想一件事情，在一個分眾的時代，一群人坐在咖啡廳聊天，都沒有辦法的定義出什麼是媒體，那麼平台的演算法能做到這件事情嗎？或是說，你期待他幫你做到這件事情嗎？

這邊我要先說一下，媒體存在的價值和企業品牌，個人品牌，和政府機構之類的「自媒體」相比，他們的確在資源上和社會意義上有很大的差異。但我想讓大家思考的是，或許這些所謂的「傳統媒體」有著不一樣的使命在，但是當他放在「臉書」「Youtube」這些平台上的時候，他們對平台來說，對閱聽人來說，差異可能比你想的小很多。

十五年前，如果你想要得到一個疫情的訊息，可能會打開電視，或是去買份報紙。但現在，你可能會打開臉書或是 Youtube，又或是Google 一下，聽聽 Clubhouse 。想一下你的確診資訊是從哪來的？是「蘋果日報」「聯合報」「TVBS」這類的傳統媒體嗎？還是從哪個政治人物的粉專看到的呢？或是「衛福部」自己開的直播？

講一下我的好了，我的主要資訊來源是「日本自助旅遊中毒者」以及這個自媒體的作者兼編輯兼總主筆及Clubhouse製作人，人稱林氏璧的孔醫師。

如果放在十年前，你可能會覺得這是個非常荒謬的事情，「什麼？你聽一個教你玩日本的部落客告訴你防疫？你怎麼不看電視呢？」

但我可以相當有信心的說，雖然聽起來好像違和感很重，但十年後的現在非常多人都知道我在說什麼，而且不會質疑這個合理性。

是的，蘋果日報的競爭對手，不只是大家腦中想像的其他媒體。還有政府官方的自媒體，還包括了一個在疫情下轉行的「日本旅遊部落客」。

4.
你的新聞不是我的新聞

傳統媒體碰到數位轉型時，還面臨到一個挑戰，就是人力資源的重新調配，和演算法的競爭。

在網路上你應該會常看到這樣的留言「媒體都沒新聞報了嗎？幹嘛寫這個。」這句話看似憤怒有道理，但應該不少新聞從業人員，只能看著這句話苦笑。

一家報社，每天都會有非常多的新聞。如果你有經歷過在早餐店翻報紙的年代，可能也有跟我一樣的訓練 — 運用十分鐘吃早餐的時間，看完兩份報紙。

一份報紙最重要的新聞，稱作「頭版頭」。他的意思是，在一整份報紙裡面的第一頁，最上面，寫在報紙名稱附近的新聞。這一則新聞有非常重大的意義，他意味著「這份媒體為昨日一整天，選出來最重要的事件。」裡面有著價值觀判斷和意識形態。換句話說，換個媒體，或是換個媒體的老闆，甚至是換個總編輯，可能都會選出不同的事件。在十幾年前念大眾傳播科系的學生們，都受過這樣的訓練 — 比報。比報訓練中，最重要的事情就是去分析各家報紙對於「頭版頭」新聞的選擇。

好，我們現在把傳統「頭版頭」新聞的概念，放在臉書上，會變成什麼呢？

我在課堂上，或是去各大學演講討論「網路媒體識讀」的時候，會告訴學生一個重要觀念「編輯有很多工作要做，其中一項是運用符號和編輯的手法，來決定什麼新聞應該要被看到。而這項工作，現在的競爭對手往往不是人，而是演算法。」

首先，大家不用去質疑「重要新聞沒人報」這件事情。如果你有機會走去便利商店，買一份報紙，你可能會覺得很陌生。「奇怪了？怎麼跟我平常看到的新聞差這麼多？」

以前的媒體，大家是一起看到頭條新聞的，但你在臉書上看到的內容卻完全不是。

這麼說吧，媒體選出來最重要的新聞，放在「頭版頭」，會在你買報紙的當下強迫看到。但是放在臉書上，你可能對他無感，就滑過去了。臉書會判斷這則新聞「大家比較沒興趣」，於是觸及就變低，更少人看到了。

反而是那些會被認為「媒體都沒新聞報了嗎？幹嘛寫這個。」的新聞，本來可能只是在報紙裡面的一個小角落的奇聞軼事。你在吃早餐的十分鐘可能根本沒機會翻到，但是因為在網路上「大家用手指投票」的結果，讓臉書認為這是個很多人有興趣的文章，所以才會被你看到。

所以下一次要抱怨的時候，可以把對象轉移到臉書身上，因為媒體的總編輯，可能有跟你有一樣的無奈感。

久而久之，大家也對這件事情有更強的認知。一則重要的新聞，以前媒體可以用很大的力量來推播。可以放在頭版頭，可以發號外，可以大篇幅報導。但現在，他除了下一個「臉書跟你都會一起被騙的標」，或是花大筆錢下廣告之外。幾乎沒有路可以走。

就像上一節所說的，媒體不只要跟媒體搶流量，在這平台上，他要跟所有人搶流量。就算他要下廣告，競爭對手也不只是媒體，更多的是房地產，電商，甚至是網紅業配之類的，以前不會被拿來相提並論，曾經是八竿子打不著的競爭對手。

5.
大家還看報紙嗎？

回到本質的問題，大家還看報紙嗎？如果報紙的工作是要及時傳遞新聞，那個「及時」可能無法挑戰更「即時」的網路。試想假設你買報紙的目的不是為了新聞，那是為了什麼？

很多人說傳統媒體都不做數位轉型，這個問題我很難給出明確的論述。因為的確，在傳統媒體轉型做網路的初期，有很多試行錯誤 (Trial and Error) 都發生過。現實中，有非常多失敗的轉型案例，但整體而言大部分的傳統媒體，都有或多或少的轉型成功。所以我們在討論的不是「蘋果日報」這個品牌要收掉了，而是「紙本型態」要在新一波的媒體的典範轉移中成為過去式。

蘋果日報在這一次發的公開信中提到：「數位洪流超乎我們想像，尤其是Google、Facebook等數位平台的壟斷，造成廣告資源的大量流失，對紙媒不啻是沈痛打擊。」

這一段話，很多人認為是搪塞之詞，但他的確也說出了現在媒體的挑戰。這邊，我想邀請大家站在更高的維度來看這件事情。

在二十年前，如果你想要「下廣告」，廣告大概會「下在媒體」上。原因很簡單，因為媒體扮演的角色，是大家獲得資訊的來源。但是現在，大家獲得資訊的來源是哪裡呢？網路還沒起飛，手機還沒普及之前，媒體幾乎壟斷了大家的消息來源。電子媒體因為「媒體的近用性」和「使用頻譜公共財」等因素，扮演了許多重大新聞的傳遞角色。

但現在，你早上睜開眼睛，是打開蘋果日報的官網，公共電視的頻道嗎？還是跟我一樣，看 LINE，刷 IG，看臉書，滑 Youtube 呢？
如果在這些平台上，媒體只剩下品牌，要爭你的眼球得跟其他自媒體平起平坐，獲得演算法的青睞。那麼他也是一個跟你和我一樣，想獲得發語權得看人臉色的單位。

即便他的品牌價值，影響力，依舊在民眾的心中高居不下。但很遺憾的，他的廣告收入來源，得和其他的自媒體分享。還有更令他們的心煩的是，利潤要上繳給他的上游平台：臉書和 Google。

6.
傳播技術與我們

要討論新聞和新聞傳播，勢必得討論傳播技術的發展。在還沒有紙很貴的時候，我們寫的字都很短。當紙越來越便宜，我們也用更長的句子，來留存並傳遞訊息。從詩，到詞，到曲，乃至後來的小說散文。

大家可以想一下我現在寫的這篇文章，在兩百年前，要多的精簡的寫下，才有機會被傳播出去。但現在我可以這樣一直打一直打，打成一篇臉書長文，完全不用考量用紙成本。這就是一種傳播技術的進步，改變了傳播的方式。

以前要寫一篇新聞報導，老師會告訴你：「把最重要的事情寫在最前面，用倒金字塔方式撰寫。」背後當然有很多原因，這些原因中甚至包含了技術問題：因為編輯覺得你文章太長的時候，可以直接把最後一段拿掉。

但現在寫文章呢？

在報紙的年代，標題印在那邊直接進眼球。你對標題有興趣時，可以花半秒鐘的時間移動眼球，開始讀文章。對於一個閱聽人來講，「從標題到閱讀文章」的時間成本極低無比。但在臉書的世界，從按下標題，到你開始舒服的讀文章，要經歷非常多的時間。你的時間成本變高了，自然而然，吸睛的標題就變得無比重要。

當寫文章的時候，如果你把重點都在第一段全部寫完了，大家拿到資訊拍拍屁股就走。就以前的觀點來說，會覺得無所謂，訊息有傳遞到就滿足了。但現在不一樣，如果大家看完第一段就走，演算法會判定這是個大家不想看的文章，於是就不幫你傳播，「只讓少數人看到這篇文章」。

聽起來好像沒什麼大不了的對吧？但其實這背後有很多轉變跟著發生。

在課堂上，因為學生創作的載體在網路上，所以我絕對不會要他們用所謂的倒金字塔方式寫作。在做影片的時候，也不會教他們慢慢鋪陳。演算法是現實的，在你還沒建立風格之前，要跟他競爭，是相當辛苦的一件事情。

連在學校教課，都要打破過往的寫作模式，媒體裡面要做的轉變，大家可想而知。

一篇適合放在「報紙載體」的文章，和適合放在「網路為載體」的文章，絕對是不一樣的。閱讀習慣的不同，載體特性的不同，甚至是廣告擺放方式的不同，大大地影響了媒體的產製過程。

如果你認為「反正就一篇文章，紙本和網路都放就好了。」的話，可以試著想想看，多一套邏輯，能用一樣的成本完成嗎？所謂的客觀寫作，平衡報導，有辦法在不同載體上面用相同的模式呈現嗎？

7.
我們與網路媒體的距離

最近我演講最常聊的題目，就是談網路媒體識讀。我們與網路媒體的距離，已經密不可分。所謂的傳統媒體，運用著他多年累積的品牌，慢慢的也在網路媒體深耕。

很多念傳播科系的學生，會對於未來感到迷惘，覺得媒體不斷的沒落。但我一直對這件事情抱持相反的想法，期望學生能好好的在這個時代發揮長才。

或許這是個傳統媒體沒落的年代，但現在絕對是人類史上「媒體傳播能量」最強的年代。隨著載體和傳播技術的改變，人人都有機會發揮自己的影響力。我們有更好的傳播工具，也有更公開透明的消息來源。

很多人說「蘋果日報轉型失敗」，其實我沒有這麼同意這句話。相反的，他做了非常多的事情，讓品牌在持續在這個時代繼續發揮影響力。結束紙本的發行，或許就是面對傳播技術的改變，在這條路上的一個重要決策。

對於經歷傳統媒體的人來說，是一個非常痛的事情。我自己也經歷過蘋果日報全盛時期的年代，看著星光三班上「頭版頭」時，一大早興奮的跑去便利商店買報紙的讀者。若以一個純粹讀者的角度，我會緬懷蘋果日報陪我走過的那段青春歲月。但我相信，新聞從業人員，肯定有完全不同的解讀。

我們無法否認的是，紙本謝幕了，品牌影響力依舊在。只是當媒體只在網路上的價值只剩下品牌，他的商業模式，人力資源分配，都會變成一個巨大的挑戰。

這是蘋果日報紙本走入歷史的故事，他不是一個單一事件，而是給這個時代的一個標注。

希望這篇文章，能夠給經歷傳播媒體變遷重要時刻的你，多一些探討和省思的面向。

《蘋果日報紙本謝幕》

台灣的離岸風電供應鏈本土化進程持續在推進中，藉由技轉引進歐美最先進的設計、製造軟硬體技術，以及管理know how，也同時為落實台灣產業轉型、升級增添一份動力。

【風電新廊道1】結盟全球風機二哥！天力爭取認證走向規模生產 躋身首家本土葉片製造商（04/28/2021 財訊雜誌）

作者: 劉志明

距離地球700公里高的衛星，如果對著台中港拍照，可能會赫然發現，港區近期竟出現長達380公尺的巨型物體。不明就裡的人可能會認為，難道台灣在台中港打造新的航空母艦？這個外太空也能看到的台中港巨型長形建築物，主人是天力離岸風電公司，這正是其投資20億元打造台灣第一、亞洲唯二的離岸風電葉片的嶄新工廠。

優勢1 次世代風機葉片　天力也能做

雖然工廠外土木工程仍積極趕工，工地圍籬還沒拆除，路面多還是泥土，但從側門走進天力這座超長的工廠中，卻別有洞天。乾淨恆溫，終年18度到20度，映入眼簾的是兩套長達上百公尺的風力發電葉片製作的巨型模具，早就直列其中，讓人彷彿進入格列佛的童話世界裡。

高達30公尺的天車，可以舉起35噸重，上百公尺的龐然大物，而來自丹麥的設備工程師，3、5人不時圍著討論設備的安裝進度，儘管這些西方臉孔許多身高達190公分，站在這些龐然巨物的機具旁，也顯得好像是小人國中的一員。

今年6月，台灣第一套離岸風電的葉片，將在這個祕密工廠中產出。一片離岸風電的葉片，長達85公尺，比巨型客機空中巴士A380飛機雙翼展開73公尺還長。未來下一世代的風機葉片可能將超過100公尺，天力也可以製造。

台灣過去沒有人會製造巨大的離岸風電葉片，天力何以橫空出世？而且在公司尚未有具體產品與營收的當下，去年10月底以51元掛牌興櫃，今年股價一路攀升，已經衝高一倍以上，最高挑戰160元，市值突破60億元。董事長吳坤達與總經理蕭維成首度聯袂接受《財訊》獨家專訪，細說天力的未來價值。

吳坤達強調，「我們是全世界最靠近港口的離岸風電葉片工廠。」天力的廠區距離台中港離岸風電專用碼頭，不到兩公里路程，巨型葉片運出工廠，有寬達六線的馬路運輸，轉兩個彎就可以從台中港的碼頭運出，送往台灣海峽安裝，或未來送去日本、韓國、越南、印度，海上運輸都很便利。

優勢2 全球風機二哥　輸出歐洲技術

天力的關係企業是台商在中國設立的紅葉風電控股集團，該公司在中國江蘇、上海浦東、遼寧營口都有葉片的製造廠，過去只有製造陸上葉片的經驗。雖然外界質疑天力離岸風電葉片的製造能力，但吳坤達強調，天力是台商中，唯一有製作過風機葉片經驗的廠商，雖然離岸風電的葉片製作技術更高，但天力找到全球第二大的風機製造商三菱重工維特斯離岸風電集團（MHI Vestas Offshore Wind, MVOW）合作，成為夥伴，是該公司在亞洲地區唯一的代工廠。

台灣三菱重工維特斯離岸風電公司專案總監Bjarne Jorgensen去年在離岸風電研討會上表示，MHI Vestas為落實風機本土化，將引進葉片製造相關機具和部件運輸至台灣，包括碳處理機械、模具外殼模組，還有完整的塗裝設備和吊掛設備，把歐洲最先進技術帶進台灣。

MHI Vestas與天力攜手打造亞太唯一的葉片製造廠，對於廠房也有嚴苛的要求。天力的主要製造廠區約有26000平方公尺（約7800坪），內部都設有空調，嚴格控管溫度、溼度，存放區有54000坪（比國父紀念館大1.5倍），可放100支以上的葉片，幾乎是歐洲丹麥工廠的翻版。在天力的生產線也搭配7架起重機做吊掛工作，包括葉片的根部和外殼模具到台灣，所有的部件都會受到國際認證。

蕭維成也表示，軟硬體設備已經陸續運到台灣就定位，去年天力已經派出50人次的工程師到丹麥學習，預計今年5月廠房完工，6月天力的工程師與丹麥來的20位工程師，將協同作業，完成預生產前所有模擬；今年年中，第1支本土製造的離岸風電葉片將在天力的工廠誕生。

在天力尚未有營收、就大膽投資6%的大股東雲豹能源執行長譚宇軒強調，天力是全球第2大風機廠商MHI Vestas在台灣的亞洲葉片生產基地，目前台灣每年平均約1GW風電新增裝機量，市場規模估計達100套，未來加上日本、韓國、越南及印度等各國都在發展離岸風電，市場潛力更大。

優勢3 爭取大廠認證 力拚明年轉盈

外界最關心天力未來營收與獲利的狀況，吳坤達強調，因為產品還沒做出來，實在不敢透露，但台灣在地生產優勢很多，廠商在歐洲生產同樣的葉片，光人事費用每年至少可省下4億元以上；此外，要從歐洲運輸如此龐大葉片，風險高，運費也驚人，運輸船期更長達兩個月，這些都是在台生產的優勢。未來會隨著產量穩定後，營收成長力道就會表現出來。

葉片占風機成本20%以上，天力是離岸風機葉片國產化的唯一代表，吳坤達強調，當模範生其實壓力真的很大，「我都跟同仁開玩笑說，台中港沒蓋子，今年第3季，如果葉片做不出來，那真得跳海謝罪了。」

熟悉內情的法人指出，天力成敗的關鍵，在於第3季葉片產品能否通過MHI Vestas認證，一旦通過後，預估天力今年將製作6套葉片，明年36套，後年可全產能製作60套，今年營收預計1.5億元，明年挑戰9億元，後年營收將達15億元。至於獲利，今年仍會虧損，明年可望轉盈，EPS挑戰3元，估計後年獲利就有機會挑戰一個股本以上。

完整內容請見：
https://www.wealth.com.tw/home/articles/31320

♡

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