#葉郎每日讀報 #週日公休版 #為什麼公休要發長文

│終局之戰：分紅條款如何左右好萊塢的新樣貌│

「Disney 毫無廉恥地錯誤指控 Scarlett Johansson 無視全球疫情變化，試圖讓她看起來跟 Disney 一樣麻木不仁，而我非常確定她並非如是。該公司刻意在聲明中揭露她的片酬數字，藉以將她的個人成功變成一種攻擊武器，就好像這位事業太成功的女性應該要為此感到不好意思一樣。」

《Black Widow 黑寡婦》女主角 Scarlett Johansson 的經紀人 Bryan Lourd 日前在聲明中措詞強烈地批判 Disney。

今天原本是「每日讀報」單元的公休日。然而 Bryan Lourd 這個名字和 Scarlett Johansson 的合約糾紛，正好與過去幾個月好萊塢正在發生的變化交織成一個越來越清楚的圖像。

好萊塢的產業面貌正在被分紅條款重塑，而 Bryan Lourd 就是主導這個改變的關鍵角色之一.......


■ 談判案例：直接向產地買的《鋒迴路轉》

除了跟莉亞公主本人 Carrie Fisher 交往過之外（星戰9中出現的女演員 Billie Lourd 正是兩人的女兒），Bryan Lourd 更重要的身份是他從1995年以來就擔任地球上影響力最大的經紀公司 CAA 的合夥人、董事總經理以及副主席的角色。

作為好萊塢檯面上/檯面下最重要的談判者之一， Bryan Lourd 的經典之作就是在 2007~2008年 WGA 編劇工會大罷工時擔任包含 Bob Iger 所領導的 Disney 等片廠與編劇工會律師團之間的調停人角色。

長達100天的罷工最後重創美國電影和電視業，而編劇則在最後協議中爭取到對於新興的網路發行媒介有更高的分紅比例（片廠一如往常一開始堅稱網路根本賺不到錢）。

這兩天剛剛在希臘殺青的《Knives Out 2 鋒迴路轉2》很可能會是 Bryan Lourd 經紀人生涯另一個里程碑等級的談判代表作。

《鋒迴路轉 Knives Out》第一集的編導 Rian Johnson、製片 Ram Bergman 和男主角 Daniel Craig 三人正好都是 Bryan Lourd 的客戶。 身為經紀人，Bryan Lourd 成功地替他們打包了《鋒迴路轉》第一集的製作案，兜售給 Lionsgate ，為這個近年來好萊塢最成功的原創電影寫下精采的序曲。

然而真正的談判身手展現在2020年後全球大流行疫情下的產業劇變中。

5個月前 Bryan Lourd 成功以4.65億美元史無前例的天價，將《鋒迴路轉》的兩部續集賣給 Netflix。考量到第1集成本僅只4千萬美元，這坐地起價10倍的2部續集電影光價格就已經寫下歷史。除了給《鋒迴路轉》導演、製片和男主角（前提是必須繼續主演）3人每人各1億美元的鉅額費用之外，Netflix 還在合約中開給了一張好萊塢人人夢寐以求的「空白支票」——導演 Rian Johnson 保有整部電影完整的創意控制權，不必聽出錢的大爺 Netflix 給的任何修剪筆記。

站在買方的角度，Netflix 自從自製節目《House of Cards 紙牌屋》以來就全力想要跳過片廠、直接與創作者交易的 Netflix。然而站在賣方的角度，Bryan Lourd 替他三位客戶創造了屬於自己的《紙牌屋》時刻，讓創作者終於可以完全擺脫片廠、擁創意自重，成為整個工業體系的新運轉核心。

過去在片廠機制失能的產業動盪時刻，經紀公司經常取代片廠扮演起推動整個產業繼續向前的創意發動機發動機角色。這次串流變局中，CAA 的 Bryan Lourd 也毫不猶豫站到浪頭上大展身手。


■ 談判案例：一口價買斷的《大法師》

紐約時報5個月前才以《鋒迴路轉》為例，預測類似的以創作者為中心的交易將會在好萊塢越來越普遍，沒想到 Bryan Lourd 在5個月後立刻再度達陣，幫他的另一個客戶——製片 Jason Blum ——談下了另一個天文數字合約。

Jason Blum 和他的製片公司 Blumhouse Productions 是過去十年恐怖電影類型最重要的原創力來源。《Get Out 逃出絕命鎮》、《The Purge 國定殺戮日》和《Insidious 陰兒房》等系列電影都出自他之手。

上週 Universal Pictures 和同屬 NBCUniversal 的串流平台 Peacock 確定要花費4億買下 Jason Blum 策劃多時的《The Exorcist 大法師》新三部曲電影的發行權。將在2023年由 Universal Pictures 在電影院發行第一集，然後接下來兩集則會在串流平台 Peacock 上獨家上架。

如果和 Jason Blum 去年初大獲好評的《The Invisible Man 隱形人》的700萬製作預算相比，這3部電影共4億美元的合約毫無疑問就是他事業的空前高峰。

《鋒迴路轉》和《大法師》這兩個製作案同時創下驚人天價的理由是他們採用了新的簽約方式。不像 Netflix 偏好用一口價向所有創作參與者（包含明星）買斷所有權利，好萊塢片廠向來支付的是一個比較中庸的價格，並在合約中承諾未來電影下檔之後如果在家庭娛樂、電視、串流等等其他平台得到新的收入，會再以「重播費」的名義分配一定金額給所有創作參與者。有時候到達一定額度的電影院票房也會設有分紅機制給比較有談判力量的明星，比如 Scarlett Johansson。

這種傳統合約的好處是片廠一開始的財務壓力比較小，也等於將電影院以外通路的風險分攤給創作參與者（如果 DVD 沒有大賣，每個人都不會賺到錢）。然而這種合約的缺點就是萬一在其他通路大賣，也必須分配給所有參與者，而且還必須忍受可能持續數十年每天拿著算盤計算要分多少錢給誰的繁瑣行政流程。

Netflix 的《鋒迴路轉》採用了一口價，所以男主角 Daniel Craig 只會得到一筆（雖然高達1億美元）的酬勞。雖然還沒有確切消息，但媒體猜測《大法師》可能是 Universal Pictures 這家傳統好萊塢發行商第一次採用一口價的電影發行合約。

不再設有分紅條款的新式合約難免會繼續堆高片酬。不過在串流大戰的軍備競賽中，片廠為了追上 Netflix 片庫的增加速度，也很難有拒絕的餘地。此時此刻好萊塢的僱傭談判完全是賣方市場。

最近連續發生 《The Walking Dead 陰屍路》原創編劇 Frank Darabont 的分紅訴訟、《黑寡婦》女主角 Scarlett Johansson 的分紅訴訟以及剛剛才發生的《Olympus Has Fallen 全面攻佔：倒數救援》男主角 Gerard Butler 的分紅訴訟，也會使片廠應該非常樂意擺脫持續計算分紅報表以及應付各種分紅爭執的力氣，以便專心打仗。


■ 刪除分紅條款之後好萊塢會變怎樣

持續升溫的串流大戰和經紀公司的推波助瀾之下，姑且大膽預測未來幾年一口價合約和「直接向產地買」的交易方式在好萊塢越來越普遍。

而那時候的好萊塢明星演員和明星編導們的工作條件和工作環境會有什麼樣的新面貌？

經紀公司的努力將使他們旗下的編劇、導演、製片等核心創作者在未來的串流世界中獲得更多談判籌碼。會有更多個 Rian Johnson 或是 Jason Blum 在天價合約中向串流平台賣出自己的點子。除非串流大戰因為有最終勝利者出現而開始降溫，否則編劇、導演、製片和他們的經紀人將繼續在談判桌上扮演強勢主導者。

但對於 Scarlett Johansson 和 Gerard Butler 這樣的明星來說，未來的職場可能會長得不太一樣：

明星替他們的電影大大地增加商業上的成功機會但也帶來巨大的財務風險。多年來好萊塢一直有人想打破明星機制來消滅這種不必要的財務風險。 Jeffery Katzenberg 在擔任Walt Disey Studios 主席期間害他丟掉工作的那封著名的群組信裡頭，就直接點名 Disney 為了複製《Batman蝙蝠俠》的成功而花大錢僱用 Warren Beatty 和 Madonna 拍攝《Dick Tracy 狄克崔西》是完全搞錯方向的投資。詭譎的是 Katzenberg 在過去一年的華麗失敗創業 Quibi 其實也為了確保成功，比競爭對手 Netflix 僱用了更高比例的明星，並最終落入自己的預言：不好好說故事的人注定要失敗。

分紅合約的設計原本就是好萊塢律師用來替片廠降低風險的設計。未來如果人人都學 Netflix 採用一口價簽約而導致明星的一次性費用被提高，好萊塢勢必會被逼得想辦法尋求其他策略來降低風險。

Marvel Studios 就有一個現成的完美策略：Kevin Feige 編織出來的 Marvel 宇宙第幾期故事線，其實就是一個降低單一電影失敗、單一超級英雄失敗或是單一演員失敗的風險控制策略。他們已經在 Terrence Howard 事件中驗證過只要是人就可以取代，也正在小心翼翼地取代 Chadwick Boseman。

而 Scarlett Johansson 所飾演的黑寡婦甚至還是已經結束的故事線。這很可能是他們選擇用強硬態度應對分紅訴訟的其中一個理由。

或者更簡單的方式就是減少雇用明星的比例。

Netflix 主導的串流產業不是明星演員樂見的未來職場。由於觀眾行為不一樣，串流世界不像院線電影那樣仰賴宣傳素材中明星名字來刺激粉絲在很短的時間內湧入電影院。我們自己的串流使用經驗早就驗證了 Netflix 其實是一個「明星戒斷療程」，因為最後我們收看叫不出名字的演員主演的節目時數早就遠遠超過那些明星主演的內容。

對 Netflix 來說成本很低的網路迷因效應甚至比明星效應有更高的投資效益。花2000萬美元製作一季所有人都打扮成怪物的約會節目，可能會比花2000萬請一個明星然後再花2億製作一部2小時的電影，更有機會讓潛在訂戶按下訂購按鈕。

分紅條款還在不在，好萊塢明星正在面臨衰退的威脅。這會是 Scarlett Johansson 的經紀人兼地球上影響力最大的經紀公司 CAA 的合夥人、董事總經理以及副主席 Bryan Lourd 下一道待解的功課。

✨ #集體遠距靈氣療癒方案：休眠主題

本週日（4/25）起連續三個週日晚上十點半傳送30分鐘臼井靈氣，協助釋放大腦過勞的迴路，安心休眠充電。特別適合因思慮過度而失眠、淺眠、長期睡眠不足者。

這次方案發起的原因主要是想增加我冥想靜心的頻率與深度，邀請大家一起來靜心同時接受靈氣祝福（因為費用也很優惠）。

其實靈氣一瞬間就可以傳完，關鍵是療癒師要在傳送前調整好自己的狀態（也就是深度靜心），才能成為最佳的療癒能量管道。

費用：500元或隨喜
報名：https://forms.gle/y7Aca8e4Vn5CfVYg7

Art：Florence Harrison , 'Sleep at Sea' - The Poems of Christina Rossetti, 1910

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