⭐️sMeet上市 智聯服務搶攻資通訊技術系統整合的商機

2021年疫情出乎預期未能休止，也使得在家工作、遠距教學與電競娛樂等需求不墜，推升PC相關的產業動能，宏碁集團交出一張亮麗的成績單，此次專訪宏碁集團創辦人/智榮基金會董事長施振榮先生，以及智聯服務(Acer Synergy Tech)韓政達總經理，探詢以資通訊技術為主的系統整合商業模式，同時提供客戶在空間場域運用的建置實力。

智聯服務成立於2017年，前身是宏碁的新竹分公司，長期深耕台灣半導體產業客戶，是宏碁集團組織的第三波改造的關鍵要角之一，並於2020年底完成上櫃掛牌，登上台灣資本市場的舞台，其所看到的市場在於企業積極推動數位轉型以及跨領域合作的風潮方興未艾之際，對於網路建置、維運和IT服務的需求正排山倒海而來，大多數的企業要培養足夠的資訊人才實在力有未逮，因此讓系統整合外包服務商找到重要的利基，智聯的出線呈現以資通訊技術為核心的專業系統整合公司正開始嶄露頭角，也成功創造出自身的價值。

2020年也是COVID-19(新冠肺炎)疫情全球肆虐的開端，居家上班所推動的視訊會議系統成為各方角逐的重點市場，考量到資訊安全與長期營運成本的要求，宏碁集團投注資源走入內部自行開發的道路，sMeet的視訊會議系統於焉誕生，施振榮受訪時特別強調sMeet的「s」就是指Security，安全性是視訊會議系統最重要的考量，他從系統開始研發時就一直參與實際的測試，這段期間由他主持的多項會議更幾乎是天天使用sMeet，一直到產品經一年多的完整測試後，終於決定2021年要正式上市。

打造「巨架構微服務」的整合平台

施振榮探究國內軟體產業的發展，認為軟體公司要擺脫小打小鬧的格局，一定要走向國際市場，做B2B的生意模式是台灣產業界的基本宿命，因為台灣本地消費市場規模太小，軟體的成功要能夠容易複製以造成數量上的取勝，他所看重的是sMeet做為資通訊基礎架構的水平整合平台的商機，隨著多樣化的智慧型應用的大量開發與創造，搭配台灣的硬體優勢相輔相成，打造出「巨架構微服務」的整合平台，這個商機值得台灣廠商好好珍惜。

宏碁集團歷經要「分」才會拚的階段，在1990年代，集團內的大型硬體製造子公司分拆獨立，各自努力於品牌與製造的國際競爭與征途上，但是今天需要回頭來看所謂要「合」才能贏的機會，過去電子製造與代工的利潤捉襟見肘只有3~4%，今天透過軟體系統的整合後，他認為新型態的軟硬體系統整合的商機浮現，拜少量多樣化的趨勢之賜，勢必推升軟體所驅動的資通訊系統整合的獲利模式。

以施振榮的角度來看，集團內的戰將們要從各司其職與各擅勝場的角色上，一起揪團打國際盃，這才可以看到成功的契機，他提出「新微笑曲線」的概念，即是跨領域合作，共創價值，而軟體做為資通訊系統整合的平台正充滿著新的商機，以下是他的趨勢專訪。

Q1：您如何看待台灣科技產業進入軟體的挑戰？台灣的軟體公司要如何經營才能成功？

施：說到台灣軟體產業的挑戰，軟體的成功的關鍵是要憑藉著規模與數量的加乘效益與實力，我在80年代擔任台北巿電腦公會理事長時，台灣的軟體產業隨著電腦硬體設備進入台灣時就已經起步，早期的軟體公司是以軟體系統整合(SI)的概念為主，起步時與當年的硬體產業所面對的挑戰不相上下，但是因一直無法發揮數量與規模上的效益，所以營運比較辛苦，如同當年全球最大的軟體服務公司為例，也是異常艱辛；就我的觀察，當年以軟體廠商來做系統整合為主的服務，比不上以硬體為主的系統整合商來的吃香，但是今天有機會看到翻轉的契機了。

軟體成功的兩大推力是規模與國際化的能力

鑒於軟體產業的辛苦，早期我在1990年代的初期任台北市電腦公會的理事時，因為重視軟體的潛力發展，所以特別在電腦展中提供免費的攤位給軟體公司來參展，做為一種軟體產品展示與國際化的推展，那時候很清楚的知道，台灣市場不夠大，客觀條件不足，軟體要能夠成功有兩大關鍵的力量，首先需要借助電腦硬體的規模經濟，再者就是讓軟體能國際化的兩個主要的推動力量，目前在台灣幾個重要的軟體廠商的成功經驗，也看到初期採用與PC一起搭售組合(Bundle)的策略提供成功的關鍵，大批量與消費者重複使用的經驗，促成軟體成功的機制。

我認為電腦的硬體系統是一個載具的概念，台灣因為硬體製造的實力堅強而容易進入國際領域競爭，國際級的軟體巨擘實力強勁，但是一談到硬體的載具，那一定會找台灣來合作，所以我們的軟體企業除非在某些特定領域，否則一般都會避開硬碰硬的對決競爭，因此宏碁選的軟體發展策略是不去妨礙硬體生意的發展實力，而是找到可以展現整合硬體優勢的軟體商機，這個新領域中我看到台灣進入的強項在於工程師技術與台灣健保醫療系統所帶來的優勢。

展望未來，面對國際分工與趨於複雜化的現實，為了掌握未來的機會，一個具備彈性功能、成本優勢，以服務為導向的生意模式，加上探索智慧醫療、智慧農業、智慧製造，以及智慧城鄉等應用，我預測獲利三成、四成的新事業體會快速應運而生。

Q2：今天宏碁如何在軟體市場上找到發展的契機？

施：宏碁的轉型過程中，我們認為諸如sMeet等軟體的發展機會，首先就是先制定出廣泛(Universal)的產品規格，可以藉由大小通吃與兼容並蓄的產品規劃能力，做出能與最多的硬體相搭配，我從2013年重回宏碁的時候，就推動宏碁大舉朝向通訊與智慧醫療兩大主流的方向來推動宏碁務實的市場發展轉型，當中智慧醫療靠的是跨領域的整合，而通訊則是靠軟體整合。

通訊與智慧醫療市場是宏碁所看到的美好未來

首先，通訊系統與軟體息息相關，舉凡主流的數位交換機與VOIP等系統都是用電腦與軟體所搭建而成，今天用軟體來定義一切是電腦產業的大勢所趨，過去以類比訊號為主的PBX系統承受從電腦與整合軟體所帶來的強大市場壓力，智聯的sMeet是先整合視訊的功能，接續也會將語音訊號加以整合在內，這也是為了進入通訊系統的起手式，所以宏碁朝下一世代的通訊系統發展是早已經確定。

sMeet視訊會議軟體的最佳賣點就是安全性的要求，兼具使用雲架構(Cloud Based)或內部部署(On-Premise)的架構來滿足不同的安全性的需求，這也整合宏碁過去發展BYOC自建雲服務的寶貴經驗，不斷探索使用筆記型電腦等級的系統來搭建一個私有雲系統的可能，分散式網路還是有小而美的實用性上的好處，再者，sMeet使用上也兼顧企業內部高敏感性機密的視訊會議需求，以及同仁商務差旅在外的視訊會議方便性之需，所以我的sMeet提供兩種不同的雲端網路的配置，來提供我做到隨時隨地參與視訊會議，也可以在緊密安全性下進行企業內的重要會議。

Q3：您如何看待sMeet所打造的商業模式的變革？

施：宏碁集團在陳俊聖執行長上任後積極轉型，針對旗下各主要事業做了較為明顯的區分，希望商用市場能夠靠著旗下各個小虎分進合擊，組成了以商用布局為主的宏碁聯合艦隊之姿，透過產業下游的系統整合服務，將上游的品牌產品也一起打進終端應用的客戶群，這也是智聯目前正積極努力的方向。

開放sMeet的API模組 搭建新的產業合作的模式

這個專訪的第二部份是聚焦於sMeet的產品與市場的推廣動態。以下是智聯服務韓政達總經理的觀點。

Q4：請韓總經理說明一下sMeet的產品特點。

韓：sMeet是一個後疫情時代的產品，需要慎密的商業模式以滿足遠距應用的需求，由於市面上視訊會議軟體競爭非常劇烈，sMeet在產品面需要具備後發先至的優點，最主要的利基點就是善用雲架構打造三個產品的優勢，第一，資訊安全的優勢，因為使用宏碁BYOC的私有雲技術，兼顧頻寬與資訊加密的優勢，讓企業保持高度的資安防護的能力，而且在架構上的成本非常具有優勢，降低導入成本。

第二，4K高畫質影像品質，拜私有雲技術之賜，充足的頻寬可以讓企業內視訊會議使用4K解析度影像品質，大幅提高與會者的使用者體驗，第三，容易使用，在PC上善用以瀏覽器為主的方便性，雖然手機仍需要App下載，但是整個使用介面簡單明瞭，無需訓練課程就可以使用。

為了打造更多的使用範例，針對疫情肆虐下的日常，目前sMeet團隊為台灣上市櫃公司打造董事會專屬sMeet視訊會議系統，而且完全依照證管會的法規要求所設計的專屬應用，再者，從大量的sMeet場域實地測試的經驗中，目前已經有許多新的使用範例正在運行，相關的應用也有更多的產業殷切的探詢，尋思為了讓sMeet能夠成為更多重要應用的關鍵溝通工具，目前已經著手制定彈性sMeet的API軟體模組，整合到不同專業系統中，讓更多的產業可以從中得到最大的效益，搭建新的產業合作的模式，強化以服務為導向的企業文化的貫徹。

Q5：請韓總經理說明一下sMeet的市場發展動態與上市的計畫。

韓：智聯是宏碁集團的新群龍計劃的一個企業內部創業的成果，雖然現在資本額不大，但是在宏碁集團的大家庭下，分享宏碁集團的重要的資產，也就是Acer的品牌價值，以及集團下的重要的人脈與人才的資源，以我親身經歷而言，於2021年初，智聯參與競標一個北歐國家的漁業公司的業務案，由於充分獲得Acer歐洲辦公室的協助，迅速解決問題，讓我們一舉打敗日本電信巨擘的競爭者，做到小蝦米打敗大鯨魚的致勝成果，取得成功。

有了這個初試啼聲的成功之後，我們積極利用sMeet的API來進行產業界的垂直整合應用的發展，目前瞄準包括銀行的線上開戶系統，甚至是大專院校或專業訓練單位的線上教學系統等新的嘗試，都讓sMeet在新興應用上創造商機，在國際市場上，透過宏碁集團在當地公司地協助，持續串連集團優勢資源，瞄準重要的營收貢獻產業，目前智聯是sMeet全球代理商，負責行銷與提供在地化服務的任務，目前已經在美國設立子公司，並陸續在北美各州成立區域型辦公室，並期盼進一步朝向一家國際服務公司前進，把好的人才推向全世界，走向全球。

ref: https://ably.com/blog/no-we-dont-use-kubernetes

八月第一篇，就來個有趣的文章，來看看 ably 這間 SaaS 公司為什麼沒有使用 Kubernetes，不但當前沒有使用，甚至短期未來內都不會想要使用
更是直接的說如果你有興趣來加入團隊，千萬不要把將 Kubernetes 導入到團隊中是一個可能發生的事情。

我個人覺得這篇文章滿好的，因為是認真的去比較導入 Kubernetes 帶來的改變，而這些改變對團隊來說到底是可接受還是不可接受
而不是所謂的人云亦云，人家要我也要，人家不要我也不要...

文章分成兩部分，前述介紹當前 Ably 的環境架構是什麼，而半部分則是很技術的去探討如果導入 Kubernetes 帶來的好處與壞處是什麼
最終權衡比較之下，會發現導入 Kubernetes 沒有帶來實質上的好處。

文章開頭先簡述了一下 Kubernetes 這幾年的風潮，從最初 Google Borg 的開發開始談起，作者特別提到當初 Borg 的用法可是將一堆實體機器給搭建出一個 Private Cloud 的叢集給團隊使用，
而目前 Kubernetes 更多的用法則是搭建於 Public Cloud 上面的虛擬機器中，透過將 Kubernetes 部署到這些不同的 Cloud Provider 似乎帶來了介面統一的結果，對於 DevOps 人員來說
不同 Cloud Provider 如今看起來都是 Kubernetes 的樣貌。

Ably 目前到底怎麼部署應用程式
Ably 主要使用 AWS 作為其 Cloud Provider，並且於 EC2 機器上使用 docker/container 來部署團隊中的應用程式。
作者團隊中沒有使用任何已知的 Orchestration 服務來管理多節點上的 docker/container，取而代之的則是每個 VM 開機後則會根據 autoscaling group 的機制來判斷
每個機器應該要部署哪種 container/docker。

對於 Ably 來說，團隊中沒有任何 scheduler 相關的服務來調度各種服務，這意味每個 VM 就代表一種服務，所以將 VM 上的服務從 Core 轉換成 frontend 這種行為不會發生。
今天需要針對需求轉換服務時就以 VM 為基準來整批換掉即可。
每個節點上面都會有一個輕量的監控服務，用來確保運作的 Container 如果掛掉後可以被重啟，甚至如果當前運行的版本不符合需求時也能夠將該服務給停止。

流量方面，因為每個 Autoscaling Group 就代表一個服務，所以直接使用 NLB 與 Target Group 來將流量導入該 Autoscaling Group 即可。
至於容器與容器之間的內部流量(譬如 k8s service 等)作者認為也不是太大問題，畢竟每個機器本身都會被 VPC 賦予一個 IP 地址，所以使用上沒有什麼太大的問題。

接下來作者從幾個層次去探討當前設計與使用 Kubernetes 帶來的改變，分別有 (原文很多，這邊摘要不然文章會太長)
題外話，由於 Ably 的 Infra Team 數量有限，所以要考慮 K8s 只會考慮 K8s Service，如 EKS。
1. Resource Management
Ably:
a. 根據服務的需求來決定每個服務要用到的 VM 等級
b. 不需要去煩惱如何處理將多個小服務給部署到一個適合的大 VM 中
c. 作者稱這種行為其實就是 AWS 官方強調的 Right Sizing, 譬如只能跑兩個 Thread 的服務不需要 16vCPUs, 久久寫一次硬碟的服務也不需要一個 90,000 IOPS 的 SSD
d. 選擇一個正確的元件來搭建一個符合服務的 VM 讓團隊可以控制成本同時也減少額外的管理負擔
K8s:
a. 必須要使用一個比較強大等級的 EC2 VM，畢竟上面要透過 Container 部署很多服務
b. 針對那些需要小資源的服務來說，透過這種方式能夠盡可能的榨乾機器的資源，整體效能使用率會更好
c. 但是針對資源量沒有很辦法明確定義的服務則是會盡可能地去吃掉系統上的資源，這種被稱為 nosy neighbors 的常見問題已經不是首次出現了， Cloud Provider 本身就需要針對 VM 這類型的服務去思考如何處理資源使用，而 Cloud Provider 都有十年以上的經驗再處理這一塊
而所有 Kubernetes 的使用者則必須要自己去處理這些。
d. 一個可能的作法則是一個 VM 部署一個服務，不過這個做法跟團隊目前的作法已經完全一致，所以就資源管理這一塊，團隊看不到使用 Kubernetes 的優勢。

2. Autoscaling
Ably:
a. EC2 VM 本身可以藉由 Autoscaling Group 來動態調整需求
b. 有時候也是會手動的去調整 EC2 的數量，基本上手動跟自動是互相輔佐的
c. 團隊提供的是 SaaS 服務，所以其收費是針對客戶實際上用多少服務來收，如果開了過多 EC2 VM，則很多不要的花費與開銷都是團隊要自行吸收
d. 團隊需要一個盡可能有效率的方式能夠即使遇到流量暴衝時也能夠保證良好的服務的機制
K8s:
a. 可以透過不少方式來動態調整 Container 的數量，
b. 甚至可以透過 Cluster autoscaler 來針對節點進行調整，根據需求關閉節點或是產生更多節點
c. 動態關閉節點的有個問題是關閉節點時通常會選擇盡可能閒置的節點，但是閒置並不代表沒有任何服務部署再
上面，因此該節點上的 Container 都要先被轉移到其餘節點接者該目標節點才可以被正式關閉。這部分的邏輯作者認為相對複雜
d. 整體來說，k8s 有兩個動態調整的部分，動態節點與動態服務，而現有的架構只有一個動態節點。所以使用 k8s 則會讓問題變得更多更複雜。

3. Traffic Ingress
Ably:
a. Traffic Ingress 基本上每個 cloud provider 都提供了很好的解決方案，基本上團隊只要能夠維持每個服務與背後的機器的關係圖，網路流量基本上都沒有什麼需要團隊管理的。
b. 使用者會透過直接存取 NLB 或是透過 CloudFront 的方式來存取團隊內的服務

K8s:
a. EKS 本身可以透過 AWS VPC CNI 使得每個 Container 都獲得 VPC 內的 IP，這些 IP 都可以讓 VPC 內的其他服務直接存取
b. 透過 AWS LB Controller，這些 Container 可以跟 AWS LB 直接整合，讓封包到達 LoadBalancer 後直接轉發到對應的 Container
c. 整體架構並不會比團隊目前架構複雜
d. 唯一缺點大概就是這個解決方案是完全 AWS 綁定，所以想要透過 k8s 來打造一個跨 Cloud Provider 的統一介面可能就會遇到不好轉移的問題。

4. DevOps
Ably:
a. 開發團隊可以透過簡單的設定檔案來調整部署軟體的版本，後續相關機制就會將 VM 給替換掉，然後網路流量也會自然的導向新版服務
K8s:
a. 開發團隊改使用 Kubernetes 的格式來達到一樣的效果，雖然背後運作的方式不同但是最終都可以對開發團隊帶來一樣的效果。

上次四個分析基本上就是，使用 k8s 沒有帶來任何突破性的好處，但是 k8s 本身還有其他的功能，所以接下來作者想看看 k8s 是否能夠從其他方面帶來好處

Multi-Cloud Readiness
作者引用兩篇文章的內容作為開頭，「除非經過評估，否則任何團隊都應該要有一個跨 Cloud-Provider 的策略」
作者表明自己團隊的產品就是那個經過評估後斷言不需要跨 Cloud Provider 策略的團隊，同時目前沒有往這個方向去追求的打算。
同時作者也不認為 K8s 是一個能夠有效達成這個任務的工具。舉例來說，光 Storage 每家的做法都不同，而 K8s 沒有辦法完全將這些差異性給抽象畫，這意味者開發者終究還是要針對這些細節去處理。

Hybrid Cloud Readiness
管理混合雲(Public Cloud + Private Cloud based on Bare-Metal servers)是作者認為一個很合理使用 K8s 的理由，畢竟這種用法就跟當初 Google Borg 用法一致，是經過驗證可行的。
所以 Ably 如果有計畫要維護自己的資料中心時，底層就會考慮使用 Kubernetes 來管理服務。畢竟這時候沒有任何 Cloud Provider 提供任何好像的功能。
不過 Ably 目前沒有任何計畫，所以這個優點也沒有辦法幫助到團隊

Infrastructure as Code
團隊已經大量使用 Terraform, CloudFormation 來達成 IaC，所以透過 k8s YAML 來維護各種架構不是一個必要且真的好用的方式。

Access to a large and active community
另外一個很多人鼓吹 K8S 的好處就是有龐大的使用者社群，社群內有各種問題分享與探討。
作者認為
a. AWS 的使用者社群數量是高於 Kubernetes
b. 很多情況下，一個迭代太快速的產品其實也不一定對團隊有太大的幫助。
c. 很多人都使用 k8s，但是真正理解 k8s 的人微乎其微，所以想要透過社群來幫忙解決問題其實比你想像的還要難，畢竟裡面的問題太雜，很多時候根本很難找到一個真正有效的答案。

Added Costs of Kubernetes
為了轉移到 K8s, 團隊需要一個全新的 team 來維護 k8s 叢集以及使用到的所有基本服務。舉例來說，EKS, VPN CNI, AWS LB 帶來的網路好處並不是啟動 EKS 就會有的，
還必須要安裝相關的 Controller 並且進行設定，這些都是額外的維運成本。
如果找其他的服務供應商來管理 Kubernetes，這意味公司就要花費更多的$$來處理，所以對團隊來說，金錢與工作量都會提高，不同的解決方式只是這兩個指標的比例不同而已。

結論:
1. Ably 覺得 Kubernetes 做得很好，但是團隊目前沒有任何計畫去使用它，至少目前這階段沒有看到任何實質好處
2. 仔細評估後會發現，導入 k8s 其實也會帶出不少管理上的問題，反而並沒有減輕本來的負擔

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

畢業15年的營養師之路

國中開始就很愛打籃球
高中畢業就到士林球鞋店打工
當時的我只是個工讀生
那時候的時薪差不多100元吧
由於我是店員的關係
所以店裡面的鞋子可以拿折扣
差不多可以打七折
那時網購剛開始盛行
所以就可以把鞋子拿去網路上賣
一雙鞋2～3000元
可以賺一折也就是2、300元
比我一個小時在那邊站著上班好多了
就這樣開始做了球鞋生意
後來也開始在網路上賣了衣服
所以我大學時期常常都是在
網拍回問題、面交、寄貨
根本就沒有心思在學業上
由於是唸食品營養系的關係
就感覺是要考個營養師執照
對未來會比較有幫助
不過那時只抱持著試試看的態度
根本就沒有認真準備
所以想當然爾只是去陪考而已
而那時我服飾生意一樣在做
後來還做了批發
全省都有配合的店家
而後還開了店面
那時台北最多還開了五家店
年營業額還做到有六千多萬
但是由於擴張過於快速
賺的錢也都花在開店以及人事成本
所以也沒有真正的賺到錢
做了七八年又回到原點
而後家裡的廣播事業需要有人能夠接班
想想也好
但是剛開始時是非常不能適應
第一是要講台語
第二是要接觸老人
第三還要早起
跟原本的工作實在是天差地別
原本是在做潮流的服飾產業
講求的是最新最流行的東西
而生活作息也是日夜顛倒
還有就是生活在北部的年輕人
幾乎是用不到台語
講起來也真丟臉
所以一開始還因此去學台語課
明明台語就是我的母語
為了要與許多阿公阿嬤溝通
所以一樣硬著頭皮去學
但是台語實在是太深了
也不是一時半刻就可以上手
一直到現在都還要繼續學習
然後我開始送貨
其實ㄧ開始也不理解
為什麼都要親自自己送貨
大可以用很方便的宅配就好
但是電台的工作其實很重要的一環
就是情感的連結
其實做生意也是這樣
就像做人一樣
好險我本身就是一個挺有耐心的人
所以常常可以聽聽阿公阿嬤
說說他們的人生故事
久而久之我的台語也漸漸進步了
做廣播其實就是老人照護問題
因為他們的小孩
中生代的年輕人都正在打拼
所以也沒有多餘時間照顧家裡的長輩
而聽廣播就變成了他們的休閒娛樂
廣播電台的主持人每天聽著聽著
就變成了他們生活中的一部分
天天噓寒問暖中也與他們成為朋友
變成一種精神上的慰藉
這就是為什麼廣播電台主持人所說的話
他們可以深信不疑
但是也由於這樣
所以在我的理念當中
更應該給予他們更優質的服務
包含產品
我們主要是販售保健食品
但是實際上普遍年輕人當中
對於廣播電台販售的商品
都沒有好的印象
就是因為在早期廣播盛行的年代當中
產品品質良莠參疵不齊
所以常常認爲這種都是騙人的
這個觀念其實已經根深蒂固在大家的心中
但是其實想要做好產品的人還是大有人在
不過要扭轉這樣的觀念實在非常的困難
也遇到許多的阿公阿嬤
買個東西要偷偷摸摸的
為了就是怕被家裡人唸一頓
長期在這種環境下工作的我
覺得相當的挫折
常常人家問的在做什麼的
我也不好意思......
甚至是說不敢告訴大家
而這時的我也有個想法
我自己本身是營養系畢業的學生
為什麼我不好好把握能考營養師的資格
有了專業的證照
才能更有說服力
因為畢竟考營養師是要念相關科系
而且要有實習才有應試資格
所以在2017年的時候
上網找了間線上補習班
就開始準備考試了
但由於要邊工作邊念書
而且準備的時間也只有兩個月
其實沒有真正的靜下心來唸書
也還找不到方法
所以那時候也才考了48分
後來還有繼續報名
但是卻沒有去考試
就這樣又開始自我放棄了
但是由於一直在這樣的環境工作
考營養師這個念頭
一直在我的心中不曾消失過
日子又這樣過了一年
那時決心想要認真的為自己再拼一次
所謂天助自助者
當你想要努力的時候
一路上就會有許許多多幫助你的力量出現
這時候我遇到了一位長輩-楊總
雖然他現在不在了
我也是非常的感激他
他提供了我一些非常有用的方法
那就是夢學板
你把你想要的東西寫下來
並且寫出達成夢想後的優點
並且寫下該如何達成的實際方法
這也成為了我的開始
另外我也遇到了在營養師界的大推手
黃尚銘老師
他對於營養界的貢獻
真的是非常非常的大
他就是名副其實的營養師之師
透過向他學習的專業知識
以及讀書的方法當中
讓我這個已經畢業15年
以及補習過好幾間的學生來說
能夠在這次順利通過考試
真的是要非常感謝他
不過雖然方法找到了
也認真地讀了半年書
但是我也不是一個這麼順利的人
在2019年的第一次考試後
放榜了
我考了59.42分
這個應該是接近落榜頭的分數
拿到成績時真的是很憂鬱
能夠做的我都做了
申請複查成績、閱覽試卷
結果也是都一樣
沒有改變
這時候的心情調適其實是最困難的
還好這時候有家人們的支持
給了我很大的鼓勵
並且給了我繼續唸書的時間
所以我也是看了幾部勵志的電影
馬上把眼淚擦乾
沒有想太多就繼續坐在位子上面讀書
就這樣又拼了四個月
從早到晚三個時段
約莫十個鐘頭的苦讀
週一到週六
當然還是要有適當的休息時間
不然是很難維持
直到最後終於是順利過關
其實最難的不是考試本身
難的是堅持的心



讀書方法分享

1.夢學板
夢想學習板
設立目標是最重要的一件事
但是要怎麼達成目標就需要把它量化
而夢學版就可以幫助你完成這件事
先把你要達成的目標寫下來
再把要完成目標該做的事項寫下來
而且是寫得越詳細越好
並且寫上達成目標後的優點以及缺點
最好能再給自己
完成階段性目標的獎賞與逞罰

舉例
我的目標就是考上營養師
總共六個科目
每科平均60分
那就是把各科的目標分數訂出來
再來就是檢視自己可用的時間
一天可以念多少小時的書
多少時間休息、吃飯、睡覺
當初我就是設定
一天分三個時間唸書
早上、中午、晚上
每個時段約3.5小時
當中包含了
看線上課程以及真正唸書的時間
以及每個時段需要看的內容
我則是安排一週唸書六天
另外當然也要安排休息時間
我是安排一週一天休息時間可以放鬆
不然沒有休息時間根本就無法維持太久
再把這些通通文字化
寫下來貼在牆上
這樣不時的就會看見自己需要做的事項
如果完成的某階段的目標
例如念完某個章節或是做完哪幾年的考古題的時候
我就會讓自己稍微放鬆一下
看部電影之類的獎勵

2.讀書計畫
營養師國考總共有六科
營養
生化生理
膳療
食安
團膳
公衛
總共可以拆成以下主題
生化搭配營養
生理搭配膳療
營評、生命期、公衛
團膳、食安、法規
我自己的方式是採取單科來念
這樣我覺得比較能夠有個整體性
不過最好將所有的主題安排唸過三次
畢竟我不是天才
沒有辦法看過一次就過目不忘
不過第一次的時候採取快速看過
不會看得太細
讓自己本身了解各個章節的重點範圍
著重於理解、分析、必較、整理
第二次著重於考古題來複習
並且分成選擇題以及問答題
選擇題一定要把每個選項都搞懂
了解為什麼對以及為什麼錯
因為做到最後你到會發現
錯的選項沒搞懂就會一直錯
過了一段時間再做一樣會錯
那就是代表你沒有真正的搞懂它
問答題要著重於答題的架構才是關鍵
一定要自己寫過
補習班給你的答案很完整
但是考試的時候是根本寫不出來那麼完整
只有自己寫過做過才有辦法答題
如果寫的覺得太慢的話
也可用錄音的方式記錄下來
然後自己用聽的複習
重點就是要把答案
先用你的腦子先想過一遍
讓這些記憶永久停留在你大腦的區域
那就可以隨時完整的表達在考券上
說跟寫就是表達的一種方式
第三次就是屬於背的階段
專業的養成就是不斷的練習再練習
所以這個階段
就是讓你有更好的答題成功率
要把所有的重要生化路徑
都內化在你的心中
只要題目一出來
這就像是你天生就會的東西
反射動作沒有什麼好懷疑的
而這就是需要大量的練習才能夠做到
我自己的例子就是已經畢業15年了
當初也會有懷疑
覺得自己是不是年紀大了
腦子不好使
記憶力越來越來差
但是事實證明
只要你有心
一定還是可以完成的
就看你願不願意
花時間一步一步的完成你的目標
希望我的故事能夠對你有些幫助

黃君聖/Sunny營養師 與你共勉之