【深夜遊戲時間】　
　
《煙雨江湖》 - 一場教科書式的行銷戰與反人性的遊戲文藝復興
　
先送上 #禮包碼 - 浮士德煙雨江湖本命是田鵬
　
《煙雨江湖》算是最近玩的比較認真的遊戲之一，目前 45 級，剛運完鏢，休息一下寫點心得與個人看法。也附個人權圖，雖然很努力想要追上刃霧翔的等級，但每過一個彎道，他的車尾燈就總是會從我的視野裡消失。
　　
#緣起
　　
因為過去在職場上算是飛鳥涼不涼的遊戲營運觀察小站 的後輩，所以從《煙雨江湖》找二師兄合作業配的預熱階段，就開始關注這款作品了。而一場教科書式的行銷戰，也是從這個時候開始的。
　
（不過，隔壁棚《天地劫》的行銷操作也是非常厲害）
　
#違反人性的遊戲設計
　
本作在對岸已經推出了一段時間，所以在台版上市前就有先稍微試玩一下。
　
最初個人對於本作的疑慮有三：
　
一、如此硬派的手機遊戲，在 2021 年的市場真的能推的起來嗎？
　
《煙雨江湖》的諸多設計，放在現代來看都是極度不人性化的。
- 沒有自動尋路
- 沒有明確的任務提示
- 道具無法自動提交，得自己從背包取出交給任務對象
- NPC 說話不清不楚，故弄玄虛，許多支線任務不看攻略實在難解
- 師門任務、勢力任務、日常跳樁、煉丹打工，有如小遊戲大全，超吃時間
　
二、如此小的字型跟畫面，高年齡層用戶買單嗎？
　
《煙雨江湖》用手機玩起來簡直就是不可思議的傷眼，必須不斷的放大與縮小，才能看清地圖上的物件。而進到建築物內，屋頂並不會半透明化，所以要探索「房間」的時候，有如瞎子摸象一般。
　
三、正統「單機」武俠 RPG 的宣傳，夾在《天刀》與《天諭》之間，能勝出嗎？
　
#沉默的支持者
　
事實證明我多慮了，從排行榜統計來看，本作的成績實屬不俗。
　
首日暢銷 90 名，次日 80 ，第三日進到 50 名內，現在穩穩地站在前 30 強的位置，說實話，已經算是非常成功的產品了。其實《煙雨江湖》在巴哈姆特 GNN 新聞初登場時，留言的評價反應是相當差的，許多人罵它簡直是上古世紀的破爛遊戲、這種畫面還敢拿出來賣云云。
　
少數的正評就是給「二師兄」的時裝與代言了。
　
但從《煙雨江湖》與《二之國》的實際成績來看，這也證明一件事，與其過度在意負面的聲量，倒不如確實地爭取那些沉默愛好者們的支持。（課之國最近改版後，又站回暢銷榜第一名的位置了）
　
#拜託給我攻略啊
　
整個《煙雨江湖》的造勢從二師兄 的業配拉開序幕，該篇貼文總計 19,000 個讚，計 600 餘個分享。而該篇合作新聞稿也被刊在巴哈姆特 GNN 新聞網手機遊戲區，最左上角的黃金第一格，這是廠商發稿時最希望爭取到的位置。
　
接著展開事前預約，目標不高，訂在中規中矩的 30 萬人；搭配二師兄主題時裝與 Switch 主機，聲勢穩健。
　
（天地劫的 300 萬人目標就真的是狂）
　　
這時，所有的宣傳主軸都在反覆強調兩個重點：「單機武俠」與「豐富支線及眾多彩蛋」。
　　
遊戲推出前，飛鳥涼不涼敲我 Line 問：「浮士德，你要不要挑戰不看攻略解完支線任務？」
　
那時我心想，你問這問題是鄙視我嗎？難不成我玩手機遊戲還需要攻略嗎？
　　
遊戲上市後，我發現自己真是大錯特錯。
　
能不看攻略就解掉《煙雨江湖》各種支線與藏寶圖任務的人，我真的要叫你一聲大哥/大姐，請收我為徒。
　
這遊戲有許多支線任務的觸發條件，簡直就是四個字 - - 毫無人性！
　
什麼亥時之後，子時之前，在杭州某處反覆逛才有機會觸發，觸發後還要聽聲辨位走到湖邊，再搭配輕功水上漂在西湖上跳來跳去才能找到目標。
　
我就問問，到底誰能在沒有任何提示的情況下，想到要在亥時之後，子時之前在那種鬼地方亂晃？
　
我要是不看攻略，我他Ｏ真的一輩子找不到「藥王谷」怎麼進去。
　
而這種遊戲設計，也帶起了大量的討論，巴哈討論區很快就衝上了熱榜第一。
　
我自己發布的兩篇攻略匯整，也為網站帶進了數萬流量，從後台看關鍵字，是長這樣的：
　
煙雨 攻略
煙雨江湖 支線攻略
煙雨 禮包
煙雨 啟動碼
煙雨 主線
煙雨 任務攻略
　
#海量的禮包碼不間斷釋出
　
同時，營運團隊每天會在網路上釋出三到五組禮包碼，截至今日為止應該有 61 組左右。
　
這也帶來了一個現象，每次更新禮包碼，討論區就又會重新帶起一波熱度，不斷有人問禮包碼在哪，也不斷有人收集完整禮包碼發文賺 GP，儼然形成了一個 Eco System（？
　
你看，營運團隊今天替我做了個客製化的禮包碼，我能不寫篇文分享嗎？
　
#做對每一步並把每一步都做對
　
廣灑禮包碼、下足電視廣告、找 KOL 試玩、找代言人、事前預約抽大獎、創建 Discord 群與官方 Line 群……
　
其實《煙雨江湖》營運團隊所做的每件事，都是在 2020 年以後遊戲產業司空見慣的手法。
　
但為什麼發生在《煙雨江湖》上就值得這樣大書特書？
　
因為，見鬼了，如果你自己有玩，你就會發現這真的是一款很傷眼！很吃時間！很肝！操作很煩！支線任務很難！戰鬥很吃運氣！畫面根本是超級任天堂時代水準的遊戲。
　
能把《天堂 M》與《二之國》做好，真的很厲害。
　
但能把《煙雨江湖》做進前 30 名，我必須說真的屌。
　
而有勇氣在這個時代選擇代理《煙雨江湖》，更屌。
　
更重要的是，把每一個平凡的步驟都給做好，做到位，這相當不簡單。
　
#幹講這麼多遊戲是好不好玩
　
其實，《煙雨江湖》的遊戲進程，在 40 級以後就進入比較肝的階段，每天光是採集與日常任務就要耗掉三、五小時。
　
後續的七日留存與十四留存如何，就是另一項考驗了。
　
但做為骨灰級玩家而言，前七天的遊戲體驗確實是帶來豐富的遊戲樂趣。
　
如果你喜歡《俠客風雲傳》與《金庸群俠傳》這類遊戲的話，不妨試試。
　
如果沒玩過這類武俠遊戲，那安裝看看也無妨，反正這年頭下載遊戲也不用錢，哪怕你課金，都還是可以退費的。
　
最後，也記得輸入禮包碼領獎勵：浮士德煙雨江湖本命是田鵬

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

讓好技術說話？來自村田的三計錦囊

原創： Grace 全球物聯網觀察

隨著5G的到來，萬物互聯的願景逐漸落地，物聯網無疑成為時下最熱的關鍵字。預計到2020年將有260億台物聯網設備，市場價值將達3000億美元。村田這家老牌製造商早在幾年前就開始從移動設備市場逐漸轉向新的增長領域，其不斷開拓的正是物聯網市場。 7月30日，第十二屆深圳國際物聯網博覽會（IOTE 2019）開幕。在展會上，“全球物聯網觀察”發現了村田的三個法寶。

小小的RFID遍地開花

“1.25×1.25×0.55！”來到村田展臺，“全球物聯網觀察”編輯立即被這顆比小米粒還小的RFID標籤吸引。這些超小又耐用的RFID標籤模組被應用在消費電子、智慧工業、醫療等諸多場景中。

村田RFID標籤

小物品追溯用RFID標籤 村田的小物品追溯用RFID標籤有多大能量？村田工程師介紹，追溯用RFID標籤可以實現“工廠—倉庫—物流—銷售”的流程監控，從而能夠改善產品內部製造和物流流程。

村田小物品追溯用RFID標籤規格參數

這款產品有超小的封裝、集成天線、可注塑等優勢，適合安裝於助聽器、眼鏡、智慧手錶、醫療設備、奢侈品等小型產品。因其體積小可以隱藏起來，不影響產品的美觀，同時有效加強品牌保護、小型物品追蹤及產品的售後管理，説明保護消費者及產品生產商的權益。

小物品追溯用RFID標籤

值得特別指出的是RFID在PCB板上的應用。PCB在製造的過程中需要經過多個環節，從工廠到倉庫、再到物流、銷售，工作人員在操作的環節中，很容易出現問題。我們知道，PCB板都有小型化的要求，傳統的二維碼佔用較大面積，難以滿足需求。

PCB板上的RFID標籤

而村田的RFID標籤體積小，RF電路可內置於LTCC基板內，直接安裝在PCB板上，就可以説明工作人員對產品進行追蹤管理，並且因為體積小，並不會佔用太多位置。這一技術可以應用在電子產品全生命週期管理等領域。 手術器械用RFID標籤 在手術器械市場上，傳統的鐳射打碼很容易生銹和沾汙，一對一從二維碼讀取ID也需要消耗時間，針對這一痛點，村田開發出了手術器械用RFID標籤。

手術器械用RFID標籤

村田手術器械用RFID標籤是一種新型抗金屬 UHF RFID 標籤，它使用物體金屬表面作為天線的助推器，通過膠水、膠帶或熱收縮的方式附著於手術器械上，能夠批量讀取資訊，進行高效管理。村田工作人員自信地說：“就連表面粘有血污的器械也能讀取。” 如此一來，RFID標籤就能夠實現手術器械的全流程管理，精准記錄器械使用情況、使用順序，説明醫院改善庫存、優化術前器械準備，防止醫療事故的發生。 機械工具管理用RFID標籤 除了在醫療領域，村田的RFID標籤也可運用於機械工具的管理。它小而堅固，具有抗油污和抗潮濕的特性，在惡劣的工作環境下也能保持高可靠性。將其安裝於機械設備刀具、鑽頭、航空維修工具等機械設備上，可以高效管理機工具材生命週期，及時提供替代品資訊更新。

機械工具管理用RFID標籤

資料中心線纜管理用RFID標籤 提到機房，大家腦中即刻會浮現線纜縱橫雜亂的畫面，佈線成為企業資料中心最頭痛的問題。村田特別為“全球物聯網觀察”介紹了RFID線上纜管理上的應用。

資料中心線纜管理用RFID標籤

用RFID標籤可注塑或貼在光纜連接器表面，實現簡單的光纖識別，消除連接錯誤的同時，降低成本並節約時間。它可以用於配對、認證、以及ODF和資料中心等系統維護，光纖生產及銷售流程追蹤，能夠説明資料中心、IT部門、光纖製造商、IT設備供應商等提供科學有效的管理模式。

神奇的感測器助力智慧農業

智慧農業，也是本屆物聯網博覽會上村田重點展示的場景之一。其採用了物聯網領域諸多先進技術和解決方案，通過精准收集並分析農業生產中的資料，構建統一的指揮機制，從而達到擴大收益、降低損耗的目的，村田在全球各地已有多個成功案例。 土壤•水環境感測器 據介紹，村田的土壤•水環境感測器不僅精度高，還有良好的可靠性。可以用它來測量土壤的溫度、水分、電導率3個參數，指導農作物的精准種植，從而提高農作物產量、減少水和化肥的使用以降低成本、還可以減少人力。 這款感測器實際上是將3種感測器，包括溫度、水分、電導率，集成在一個13cm長的單元中，通過特有開發的電路及演算法，實現精准測量。並且，其功耗較低，3節5號電池即可連續使用超過一年。

土壤 • 水環境感測器

村田工程師舉例說，在越南已廣泛運用這套土壤監測系統。在越南湄公河三角洲地區，旱季湄公河流量減少、潮汐現象造成海水倒灌而發生鹽害，已經成為該地區極為嚴峻的問題。 村田與越南國立芹苴大學合作，對當地的田地和水路進行高精度計測，組合獨家監測工具，預防水田、果園等受鹽害侵害，改善農地和水路環境的鹽、硫酸污染，構築對肥料、農作物、灌溉系統進行統一管理的機制。 在國內，也有很多智慧農業的科研院所正在與村田合作。目前，在安徽和山東都有一些試點和示範。

LoRa市場不容錯過

在本次展會上可以發現，Lora技術已經遍地開花，在智慧家庭、智慧農業、環境監測等領域已自成氣候。 當然，村田也時刻緊跟新技術潮流。他們的LoRa模組體積小，採用開放式MCU，有足夠的記憶體來嵌入客戶應用程式。村田此次展出的LoRa模組是和Honeywell獨立式感煙探測器所組成的智慧消防解決方案。在這套方案裡，感煙探測器負責檢測煙霧，判斷是否有火災發生。據介紹，低延遲高壽命也是此款模組一大特點，兩節5號電池可以使用三年。

Murata x Honeywell智慧消防解決方案

村田工程師在現場透露：“現在國內對LoRa持比較開放的態度。”例如中興、阿裡、騰訊等頭部企業都已經在佈局LoRa，他們幫助建立一些都會區網路、閘道等，終端客戶將會便利很多，所以越來越多的廠商願意接納LoRa的方案。 在NB-IoT模組方面，因為晶片供應商眾多。村田根據不同廠商的要求，針對歐美市場、中國市場等作出不同的方案。

寫在最後

放眼全球，物聯網的發展經歷了一些波折，但我們應該看到現在物聯網的應用越來越多，大家對物聯網的認可度也越來越高。同時，物聯網的發展愈加迅猛。 村田以感測器、無線通訊模組等為代表的IoT產品也在不斷為人們提供更加安心、安全、方便的智慧生活。面對未來，村田工程師也表示：“對市場目前的一些困難還是持樂觀的態度，我們更關注的是未來的方向。”

資料來源：https://mp.weixin.qq.com/s/gbzuu3MHlrDMtAQlQS8e7g…