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

我們該如何規範人工智慧 (全文)？

#COMPUTEX，這個跟我一樣歲數的電腦資訊展會，我竟然直到今年才首次踏入。

這次受主辦單位之一的 #外貿協會 （ #TAITRA）邀請，在上週三（5/29）來到位於南港展覽館 2 館4樓的「 #SmarTEX」展區參觀，與多家參展公司交流。我雖然自己經營過科技媒體網站，但我不是擅長採訪會展的記者，也不是好的 3C 部落客，因此我抱著「幫自己正在思考的問題取材」的目標，前往這場大型科技會展。

（先說：因此這篇文章不會有太多展覽展位上產品的細節跟照片，請大家見諒。）

而我最近在想的問題，也就是本篇文章的主題是：進入人工智慧時代，我們該如何規範人工智慧？

或者，我們也可以反過來問：人工智慧該如何規範我們？

自認偏樂觀派的我，其實不希望讓大家覺得「人工智慧的未來真糟糕」，我的個人偏見是：大致來說，我喜歡科技，儘管科技的確會帶來衝擊，但只要我們更願意去思考，就更有機會讓未來往比較好的方向演進。所以談這個議題，目的是要避免要是這樣的狀況真的發生了，我們才懊悔地說「這真糟糕，為何我們沒有早點想到。」

--------------------

關於人工智慧的規範問題，首先，我們來看看 MIT 媒體實驗室做的一個調查「道德機器」（網址：http://moralmachine.mit.edu/hl/zh）。

在這個網頁裡頭，有許多類似「#電車難題」的情境，需要你來回答。每一個參與者，需要回答 13 個題目，每個題目只有兩個選項。在每一個題目的情況中，都有一輛突然煞車失靈的自動駕駛汽車，而你必須做出選擇，要繼續前進，或是轉彎離開。

例如在某個二選一的情況中，你認為這台自動駕駛車該繼續直衝，撞死一個成人男性，還是轉動方向盤，讓車子撞上另一側的護欄，殺死車上四個人，包括兩名兒童？

在另一個二選一的情況中，這台自動駕駛車上只有一隻貓，若繼續直衝，會撞上護欄，讓貓死於非命，但若自駕車往左彎，貓的性命可保，卻會撞死一位正在違規闖紅燈過馬路的遊民。

類似這樣的二元選擇有很多種變化，例如過馬路的可能是動物、可能是罪犯、可能是醫生，嬰兒，或是這些人的綜合隊伍，他們或許是違規過馬路，或許是遵守交通規則但運氣不好。而車子直衝或轉彎，也隱含了道德選擇。推薦各位都上道德機器的網頁去回答看看，看你會不會跟我一樣覺得實在是逼人太甚，到最後根本就放棄思考（XD）。

這個網頁告訴我們一件事：我們不可能對各種狀況產生共識、或得出任何堪稱正確的答案，事實上這個調查也不是要用多數人的意見來決定未來的自駕車要是真的煞車失靈的時候，該做出什麼行動。然而這個調查提醒我們，當越來越多的「人工智慧代理」進入我們的生活，就會產生更多類似的道德難題。

--------------------

舉例來說，若一個 #人工智慧股票交易系統，因為對政治領袖發在社群媒體上的文章產生錯誤的解讀，而決定拋售某一檔股票，造成連鎖反應，讓投資者大賠一筆，這樣的損失該由誰來負責呢？

延伸閱讀：〈AI 機器人害我投資賠錢，我能告他嗎？〉
https://www.techbang.com/posts/70447-ai-robot-made-me-invest-money-can-i-sue-him

舉例來說，若一個 #人工智慧戀愛配對系統，推薦了一位居心不良的對象給另一個使用者，最後使用者被騙財騙色了，誰會受到最多的指責呢？誰「#與惡的距離」最近呢？

再舉一例來說，如果用於門禁或 ATM 的臉部辨識 AI 系統出問題，太過嚴格以至於讓使用者開不了門、領不到錢，或是太過寬鬆使歹徒得以利用，那該怎麼定義問題的範圍，用理性的方式來解決呢？

臉部辨識作為服務升級的關鍵，從智慧零售到智慧家居到智慧服務，都少不了這項技術的身影，也是人工智慧使預測平價化的代表。只要你拿著這一兩年出的新手機，想必也不會陌生。例如我這次參訪的 #訊連科技（CyberLink）展場主打「FaceMe」AI 臉部辨識引擎，他們提供 SDK 與多家科技廠商合作，包括 #宏碁雲端、#奇景光電、#微程式、#凌群、#達碩 等。我也拜訪了同在 SmarTEX 展出的達碩智慧科技，了解他們使用這套臉部辨識引擎，針對銀髮照護、社區管理、企業差勤管理等不同情境設計的解決方案。即使在我與訊連跟達碩的主管談話時，他們自謙還不是目前領先的廠商，但他們的服務也已經非常成熟，可見這樣的軟硬體整合套裝將持續普及到各地，而台灣中堅企業將成為關鍵推手。

美中貿易戰，加上美國可能逐步針對有侵犯人權之虞的監控科技施加圍堵禁令（如 #海康威視、#浙江大華、#商湯科技 等），突顯出台灣提供類似服務的企業所能提供的安全價值，但即使如此，這項科技本身還是帶給社會其他挑戰。訊連科技的連啟民協理跟我說，臉部辨識的準確性不是 0與1 的取捨，他們的 SDK 能夠針對不同情境，讓配合的廠商自行調整精度，掌控風險，例如從一般社區門禁的萬分之一調到 ATM 的十萬分之一，同時使用邊緣運算技術（Edge Computing），讓資料不用都到雲端，降低反應時間及資安疑慮。

我在展場也與 #康訊科技 及 #訊舟科技 兩家公司進行交流。康訊從圖資起家，以地理定位技術切入車載系統設備，扎根台灣30多年來，已經成為全球領先的車隊管理服務商，不管是共享汽機車、物流公司、校園巴士、救護車、消防車都是他們服務的客戶。他們提供的設備就像車上的黑盒子，可以完全掌握車輛的狀況，如透過監測引擎啟動狀態，可以知道司機是否過勞；透過監測燃料消耗情況，可以知道是否有偷油的情形發生。而全球客戶累積的數據也成為重要的資產，可以協助物流業者優化路線。

訊舟作為老牌網通公司，這次展出許多產品，我認為最亮眼的就是他們與中研院陳伶志博士合作推出的「空氣盒子」，我雖然早就知道空氣盒子，卻是第一次看到並且從訊舟的角度聽這個已經是公民科技典範的故事，目前在全台已經有 4,000 多台設備上線，密集監測空氣品質，累積的數據也已經可以做到空品預測。

另外，這次在 SmarTEX，科技部推動的 #GLORIA 國際產學聯盟現場展出 67 項前瞻技術，我也與聯盟中的幾所大學交流，例如 #中國醫藥大學 推出能夠判讀骨齡、癌症等資訊的 AI，節省醫師判讀時間，加速診斷。#國立交通大學 伍紹勳博士則與 #新光醫療團隊 合作，用像是貼在東尼史塔克胸口的智慧貼片，只用3導程就能正確模擬專業醫療設施12導程的ECG心電圖信號，大幅改善病患的行動自由，也顯著降低成本。而具有超過 2,000 例達文西手術經歷的 #臺北醫學大學劉偉民醫師團隊，則在擁有大量醫師第一視角錄影的基礎上，推出手術教學平台，包括 VR 手術直播拍攝，與虛擬手術教學模擬系統。

從訊連、達碩、康訊、訊舟到這三個來自學界的醫療技術案例，可見都與數據分析、人工智慧辨識判讀、虛擬模型建置有關，儘管我相信在台灣醫療與科技、工程多重優勢下，他們都前景可期，但該問的仍然要問：要是出了差錯，怎麼辦？誰負責？各團隊對此問題顯然也都深思熟慮過。而我將他們給我的回答整理，加入我對「人工智慧如何規範」這個問題的答案。

--------------------

#以自駕車為例思考

著名的科幻小說家艾希莫夫，在1942 年的短篇小說 Runaround 以及後來的機器人系列裡頭，提出了機器人三原則（Three Laws of Robotics），很多人可能都會背了，這三原則分別是：第一，機器人不得傷害人類，或坐視人類受到傷害；第二，除非違背第一法則，否則機器人必須服從人類命令；以及第三，除非違背第一或第二法則，否則機器人必須保護自己。

參考：Three Laws of Robotics
https://en.wikipedia.org/wiki/Three_Laws_of_Robotics

這三原則聽起來很周密，但其實並非如此，而且也不太現實。以自動駕駛汽車作為案例吧，自動駕駛汽車是這一波人工智慧發展最受關注的領域，而且因為許多國家政府正在積極制訂法規，自駕車的自動化程度，跟依據自動化程度而制定的責任歸屬，也比較清楚，值得用來舉一反三，幫助我們思考，人工智慧要是進入到每一個領域，會帶來多少該仔細考量的變化。

那麼，到底什麼是自動駕駛汽車呢？你可能聽過什麼 Level 3，Level 5 的，那指的是自動駕駛的自動化程度分級，我們可以用這張表來簡單呈現：

這個分級定義，是由國際汽車工程協會（Society of Automotive Engineers, SAE）所提出的，已經獲得廣泛的共識。從第零級到第五級，共有六個層級。第零級的自動駕駛就是毫無自動化，一直到第二級，都還是以駕駛員為主，機器提供輔助。

但從第三級開始，負責開車的就是機器了。人類駕駛頂多在緊急狀態作為備用選項。第四級之後，就連緊急狀態也是由機器來應對，人類就從駕駛這件事基本退場了。到第五級的情況，就像是有一個超級人工智慧在負責開車，相信到時候，超級人工智慧也不會只用在車上。

目前已經有幾家汽車公司宣稱自己的自駕車達到了第三級，例如 #奧迪、#特斯拉、#現代汽車 等，大部分車廠也都表示在 2020 年就會推出第三級的自駕車。Google 旗下的 Waymo 以及台灣的財團法人車輛研究測試中心 ARTC 則表示都已經有第四級自駕車的技術能力。

日本政府非常積極地花工夫在自動駕駛的規範上，日本的「投資未來委員會」在 2018 年底，便提出了已經研擬多年的自動駕駛汽車指導原則。根據報導，日本首相安倍晉三希望透過採取具體步驟，建立法律框架，讓日本成為率先制定國家級規範的國家。首要處理的就是第三級自動化情況下的監督跟法律方向。我們就來看看，在自駕車的規則上，日本是怎麼想的？

日本的規則是，通常來說車主需要對車輛自主運行時發生的事故負責，並且由政府規定的汽車保險公司承保。如果車輛系統有明顯的缺陷，該負責的就是汽車製造商。強制性保險這一步確定了之後，保險公司也就能夠制定方案，讓車主選擇，要保哪一種。

另外，為了釐清事故的原因，自動駕駛汽車需要完整記錄位置、轉向、人工智慧系統操作狀態的信息，也就是說，得要有像是飛機黑盒子這樣的裝置。

那如果遇到新型態科技犯罪者或駭客呢？只要車主有採取適當的安全措施，例如更新車輛系統或維護保養，那麼若是因為駭客攻擊或入侵造成損害，就視同汽車被偷走了。

除了這幾個大方向以外，還有不少問題待解決。因為剛剛說的都只是民事責任，財產相關的規範，但還沒有碰觸到刑事責任，如果真的因為自駕車的缺陷而造成傷亡，除了車主以外，程式開發者，汽車製造商該負起哪些連帶的責任呢？若不能盡快釐清，程式開發者跟汽車製造商就難以決定是否該正式推出產品。

另外，自動駕駛的操作條件、例如速度限制，運作的時間長短，天氣狀況也都得考量，就像各種已經存在的汽車安全規範一樣，人工智慧控制系統的標準、對網路攻擊抵禦的強度，也都得一一制定。

--------------------

而以自動駕駛為案例，可以幫助我們思考該怎樣規範其他人工智慧的應用情境。歸納我這次到 SmarTEX 參訪交流的心得，我想比起艾希莫夫的機器人三原則，我們該建立的思考原則其實是這四個：

#面對此時此刻的人工智慧該有的思考原則

第一，#釐清主控權。整項任務中，是人類還是機器掌握主控權？能否以清楚的層級概念來劃分人類或機器的掌控程度？就像自駕車這樣呢？另外，在關鍵決策點，人類有沒有介入，是否被要求介入？這些都必須根據不同的應用環境來一個一個釐清。

第二，#損害管理與風險溝通。在發生意外的時候，擁有者、使用者、設計者、販售者、維修者等角色，是否已經明白可能要負的對應責任？這些責任的政府主管機關與相關的法律有哪些？其實每一樣新的科技進入我們的生活，都會有一段學習曲線，我們不太可能在了解所有問題、解開所有疑慮之後才採用新技術，而是必須妥善跟每一個角色溝通風險。

第三，#數據紀錄透明化。為了忠實檢討意外發生的原因，人工智慧系統需要持續紀錄運作狀況，以及感測器所收集到的各種資訊。並且要確保訓練人工智慧的資料也是可受檢驗的，避免造成系統化的偏見。另外也同等重要的是，收集數據的單位，像是企業、保險公司或政府，有義務證明，收集這些資訊，是必要且適當的。例如飛機上機長跟駕駛員的通話可以收集，但車內的通話該不該收集呢？商店內的顧客對話該不該收集呢？

第四，#系統思維。任何意外發生，都要了解，系統總是存在一定的風險，告知風險機率跟可能的狀況類型。以「不責難」的出發點，來面對後續的檢討，才能讓各角色更願意把系統中的臭蟲或不當行為揪出來，最終的目標是讓這個能夠便利更多人、拯救更多人的系統，越來越好。就像醫療一樣，如果每次只要有病人在手術中過世了，醫生都要被告到賠上身家，那還會有醫生願意繼續替病人動手術嗎？當醫療行為中有越來越多具有人工智慧的機器介入，診斷疾病、決定麻醉份量、甚至用機械手動手術，我們就不得不分配信任給更多的角色。

從 COMPUTEX 的 SmarTEX 展區上琳瑯滿目結合了人工智慧的技術，可以肯定人工智慧已經，也即將進入每一個我們可以想像得到的層面，過去的規範將無法適用，而且即使訂出新規範，也會很快過時。我們不可能完全理解我們部署的人工智慧系統的風險。當前的機器學習運行得如此之快，以至於沒有人真正知道機器是如何做出決策，通常連開發人員也不知道。這些系統還會持續從環境中學習並更新他們的函式，這使研究人員更難控制和理解決策過程，在這樣缺乏透明度，也就是常說的黑盒子問題籠罩下，要建立道德準則跟規範，當然就極為困難。

然而若不要大驚小怪，將人工智慧與人肉智慧對等來看，人類花了幾千年建立起的道德準則，同樣漏洞百出，我們卻也習慣了。人類專家有的偏見跟偏誤更是問題層出不窮，而我們也是一直倚賴這樣有缺陷的專家系統在運作。此刻的人工智慧浪潮，正給了我們機會跟動力，檢視我們習以為常的那些想法，我認為以上的四原則，更有助於我們迎向已經到來的未來世界，而開發出這些技術，推出產品與服務的企業，若都能夠率先思考這些問題，也是我們所期待的。就如同我在這次 COMPUTEX SmarTEX 展區上看見的一樣。

--------------------

最後，我雖然只逛了整個 COMPUTEX 的一部份，但很感謝外貿協會，讓我能不只是走馬看花，而是深入與廠商對話跟採訪，非常有收穫。幾乎每一家我逛的展位，都跟數據、AI（起碼是機器學習）有關，並將其結合硬體，整合出具有市場競爭力的方案，雖然我沒有資格替他們的產品背書，但我覺得深入談過之後，他們都對自己的產品與服務非常有自信，或許並非市場的領先者，也已經看見該切入的定位與成長的路徑。

今年的 COMPUTEX 展會已經結束，不過以後若有機會前往類似會展活動，很推薦大家跟我一樣帶著問題意識去逛逛，跟這些未來世界的打造者聊聊，畢竟我們得住在裡面。

--------------------
Medium 版：http://bit.ly/2HLuT8p

【試車報告】 BMW F90 M5 Racing Package 西裝鬥士
【4K UHD | https://youtu.be/48p1Zk70uXE】

試駕過BMW M550i之後，我們便對它足以挑戰上代M5的本領由衷佩服，而這天，我們終於能夠一嚐全新F90 M5所帶來的王者演出！

沒錯，它變四驅了！ 但不論是集BMW科技於大成，能在兩輪和四輪間變換的驅動底子，又或是只為了滿足層峰買家，毫不帶點妥協的質感與設計，說真的，放眼家族，你又還能在哪找到融合這麼多完美的作品?

【凶狠氣勢】

不管你是不是Transporter，我相信見到New M5，都會覺得這是一輛很帥的房車！

只因為那張著大口的氣壩、凶狠的四出尾管，無不透漏著這輛車不尋常的威猛潛力，而若你是屬於識貨的那群玩家，光看到這輛車裸露著碳纖維花紋的車頂，肯定就無須再從那寬體葉子板才能讀出M5的名號，且也會深知，這車頂可不光是看來屌傲，它既堅強，又輕量的存在，更有著強固車體與降低重心的雙重功效！

再看到其他部分，讓這輛M5更帥的原因，更是因為它還加裝了Racing Package套件，不僅20吋的輪圈顯得張牙舞爪，黑色的M款排氣系統，更令人於車輛發動的那一秒便無可救藥地迷戀上它！

【絕頂戰艙】

New M5不僅在性能層面上，給人一種高深莫測的感覺，內裝陳設上，也更具戰鬥氛圍；同樣因為Racing Package的選配，這輛M5的座艙質感也更出色了！ 除了換上高檔的麂皮頂篷，內裝的戰鬥感在兩張跑車座椅的妝點下，也有著滿滿的視覺張力！ 而且這兩張座椅可不僅有著電調功能和厚實的設計，特殊的造型設計，不只可提供各種體型的駕駛扎實的包覆、支撐性，且就連就連駕駛的肩部也能牢靠的被包覆在其中，既舒適，又得以讓駕駛充分享受熱血駕控！

此外，只要一坐上駕駛座，雙手握著方向盤，就能夠感覺M5很不一樣，除了方向盤上幅柄上的紅藍雙色車縫線，上方還有紅色M1、M2按鍵，為個人化駕駛動態設定鍵，車主們只要在iDrive系統內在M設定下，便能調節您要的設定模式，這戰鬥快捷鍵的概念，尤其施以紅色塗裝後，看起來就像是飛彈發射器般，熱血度又向上提升了幾分。

至於你還想談質感，電動尾廂蓋已不足為奇，但座椅是Merino真皮包覆而成的，600瓦音響出自harman/kardon，碳纖維飾板、車內氣氛燈也沒缺少，就連排檔頭上還有紅色拉線，甚至就連車內控制旋鈕還是陶瓷製成的！ 就算我們早知道本車是極盡奢華與性能，仍不免為其質、感驚呼，而這樣夫復何求的體驗，不也是M5買家所追求的基本…

【跨入強域】

去年我試駕M550i的時候，已經覺得裝上M大包的新五很帥，這輛配置四驅系統再結合V8 Twinturbo的房車，有著相當高的極限，彎道上若非四輪傳來哀鳴，還真的不知道極限在哪！

在性能表現上，F90 M5依然採用4.4升V8 Twinturbo引擎，除了擁有進排氣連續可變氣門機構外，噴油壓力也拉至350bar，並搭配兩具雙渦流渦輪增壓器，能榨出600hp的最大馬力及76.5kgm的最大扭力，但最特別的是，這代M5除了改採四驅配置外，就連變速箱也換上了八速手自排，換檔的平順度要比過去的更出色，但特別的是，過去MDCT最迷人之處，是可以調整換檔速度，而這點在新的手自排，同樣具備這樣的功能，名為Drivelogic的按鍵，設於排檔頭上方，調至第三段賽道模式，換檔反應更快，換檔嚙合的瞬間感覺還有點自手排的Feel。

就動力表現而言，New M5已經進入超跑等級，0～100km/h的爆發力極強，原廠數據可於3.4秒達成，而0～200km/h僅需11.1秒，如果選配Drive’s Package極速更挺近305km/h…實際的感受如何？四驅模式最大的好處，莫過於動力可以藉由四個輪子強大的驅動力，讓動力化為速度，但動力太強，又深怕動態穩定系統介入，因此最好的方式，是將動態穩定系統關閉，同時將4WD切至4WD Sport，拉轉全油門加速的瞬間，身體深陷賽車椅的過程，可以真切地領略V8 Twinturbo引擎的爆發力，0～100km/h實測成績3.7秒！

【猛穩身段】

文前提及，M550i的四驅底盤，已經讓我感受到相當高的極限，M5在彎道極限這件事詮釋得更到位，M xDrive四驅以極快的速度調配前後輪的扭力分配，極限狀態可以在50:50～0:100之前游移，搭配後軸的MAD主動電子限滑差速器，可以自動調整0～100%的滑差，在4WD Sport的模式下，後輪保有較高的驅動力，同時前輪還有一定的牽引力，彎道反應又快又猛，即便20吋的胎圈發出哀鳴，雙手緊握方向盤的我，右腳仍然敢驅策的油門，因為我知道M5的驅動輪可以Hold住路面，只不過因為超重逼近兩噸，才來20吋的胎圈發出輕微的哀鳴聲！

比較特別的是，G30五系列最大的特色，是後輪擁有主動轉向的功能（選配），但F90 M5無法選配，理由很簡單，只要將動態穩定系統解除，這款車可以將驅動模式選配2WD，結合後軸的LSD享受純粹甩尾的駕馭樂趣，一旦擁有主動後輪轉向系統，承受的側向G值雖然更高，卻不容易甩擺！

【TCar短評】

M5真的是一款很棒的性能房車，在主動電子防滑差速器的輔助下，可以線性地掌控車尾甩擺，過程中可以本能地反胎修正，這就是New M5的魅力！

面對一輛性能足可凌駕超跑的性能房車，M5就性能安全及豪華度上，已經詮釋得相當到位，不過在跑車尾管開啟的狀態下，與M550i一樣，後座會有些微共鳴聲，換言之，載人的情況下，還是保守一點的開，才能帶來多點的舒適性。

【BMW F90 M5 Racing Package】

引擎形式: 4395c.c. V8 DOHC 32V + Twinturbo
最大馬力: 600hp/5600~6700rpm
最大扭力: 76.5kgm/1800~5600rpm
變速系統: 8 速手自排變速箱
驅動模式: AWD
長x寬x高: 4966x1903x1473mm
軸距: 2982mm
車重: 1855kg
懸吊結構: 前雙A臂 後多連桿
煞車結構: 四輪碟煞
輪胎規格: 前275/35 R20 後285/35 R20
台灣售價: 725萬起

【主要配備】

進階式LED主動轉向頭燈、LED日行燈
M空力套件、尾翼
黑色高光澤窗框
碳纖維車頂
M運動化排氣系統
20吋輪圈
電動行李箱起閉系統
自動防眩駕駛座車外、車內後視鏡
智慧型螢幕鑰匙
迎賓照明燈光組
M專屬多功能真皮方向盤(含換檔撥片)
M雙前座電動跑車椅
Merino真皮座椅
M縫線安全帶
40/20/40分離可傾倒後座椅
12.3吋多重行車模式儀錶
M車況抬頭顯示器
M Drive(可調DSC、引擎、電子懸吊、M Servortronic、換檔等設定)
陶瓷控制旋鈕
電子手煞車(含Auto Hold)
10.25吋中控觸控螢幕(內建智能衛星導航、手勢控制功能)
手機無線充電裝置
四區域恆溫空調
Individual麂皮車內頂蓬
harman/kardon 600瓦高傳真音響、16揚聲器
動態行車模式切換、M xDrive跑車化可調四輪傳動系統
DSC動態穩定控制系統
M跑車化電子懸吊
主動式M差速器
360度環景攝影、倒車輔助攝影
遠端3D監控
BMW智慧駕駛
。主動防撞輔助與行人偵測
。盲點偵測警示
。車道偏離警示
。後方車流警示
。後方追撞警示功能
。Active Protection主動安全防護系統(含駕駛注意力輔助、前自動束緊安全帶)
BMW智能服務
。智能緊急求助
。遠端售後服務
。智能遠端遙控
。線上生活資訊
。旅程諮詢秘書
。即時路況資訊
雙前座氣囊、側氣囊、車側氣簾

BMW Taiwan總代理 汎德 | TCar 葉明德
#bmw #f90 #m5 #racingpackage #tcar #新車試駕 #葉明德