【團購】2021/7/1-7/8 #芽比兔藍芽啟蒙教育故事機：https://gbf.tw/yftsv
本來要拒絕卻又死灰復燃的合作文。
➡️網誌詳細好讀版：https://ppt.cc/fn3uax
＝＝＝＝＝
老實說在小櫻桃出生前我就有在挑的就是故事機，
因為想給她更多的聽覺刺激、學習、安撫或是陶冶性情，故事機的好處實在不用多說，又能用很久。
但不論是來找我的廠商或是我自己看的，
都不夠讓我滿意（我要求很多），連試用我都婉拒了...(揮手)

不過其中一家「芽比兔藍芽啟蒙教育故事機」，
我看了一下覺得優點真的很多，也都是我想要的功能，
於是決定試用看看～（反正不用錢😂）

雖然是我覺得不錯的產品，
經過長期觀察下來小櫻桃的反應普普（去年12月到今年4月），
真的是那種要拍一張業配照片都拍不出來的那種地步，十分可惜…（我也不好意思硬接和推薦給大家）

然後心想：
「原來小櫻桃對故事機這麼無感，好險我沒自己掏錢買。」😂

不過，我畢竟是職能治療師，老實說不怎麼怕買到雷，
反正我的專業就是一定有辦法讓孩子能開心地用，只是時間點的問題。

🤔當時想說總不能厚臉皮請廠商讓我用了幾年再合作吧？

就在四月我下定決心要婉拒合作時（還給人家試用這麼久）， 小櫻桃居然變得如獲至寶一般愛不釋手，看到會笑得開心（我驚呆😳）
不得不承認，直到現在，很多時候我真的必須感謝它（擦眼淚）：

1.它陪伴小櫻桃很多入睡前掙扎時光，安撫音樂與小夜燈真的很好用！
2.手想要亂拿東西玩的時候的替代品（因為有光線有聲音）
3.無聊和玩耍的時背景音樂、童謠、故事和英文

因此，若爸媽們買了什麼好物給孩子，他們不買單時，
先不要太沮喪或賣掉，說不定哪天就會死灰復燃，哈哈。

我有不少合作都是這樣，之後會陸陸續續分享給大家。
（如果是跟我的團，不知道怎麼跟孩子使用的話可以問我）
＝＝＝＝＝
提一下 #芽比兔藍芽啟蒙教育故事機 的功能給在觀望故事機的爸媽們參考：

一、外殼是與奶嘴相同食品級矽膠材質：整隻白色沒有染料塑化劑
>>>>這是我最看重的一點！！
1. 除了可水洗及中性清潔劑清洗外，也可以使用消毒鍋高溫消毒！（註）

2. 矽膠外殼可以隨意地壓、捏、可以擦洗還可以咬
（安全很重要呀！）

3. 很輕、很好抓拿，寶寶抱著很舒服又不會硬梆梆，可提供觸覺刺激與手部動作練習。
（我的是大象和熊，一隻裝著用、一隻可以玩）

4. 雖然沒有說可以摔，但我個人覺得蠻耐摔的，畢竟故事機的本體內部大多是空氣～

二、藍芽功能：能夠當藍芽播放器
>>>>可以用手機放一些故事類的app，讓孩子不需要直接碰到手機，我覺得蠻好的！（不過我常需要用手機工作就比較少這樣）

三、錄音功能：童言童語、親子對話都能一鍵錄起來
>>>>小櫻桃最近有誤打誤撞按到，錄了一些可愛的小聲音

四、擴充功能：內鍵大容量記憶卡，可自由新增任何自己喜歡的音樂及故事
>>>>這點是我列入必要條件的。
因為我還是有自己想給孩子聽的東西，可以抽換記憶卡是必須的！

五、夜燈功能：柔和燈光適合睡前安撫寶寶，療癒又溫馨
>>>>這點實在很棒，它可以自動變換、用遙控器轉換或用手輕拍換色。
小櫻桃超級愛，拍一下就換顏色很有回饋感，她很快就學到這個因果關係，十分有成就感！

六、遙控選曲：24鍵多功能遙控器，icon清楚標示，選曲不費力
>>>>遙控器或機身上的按鍵都很方便

七、內建歌曲：有6000分鐘，不怕播完只怕聽到睡著
1. 聽得時候常常會有人生跑馬燈，哈，因為太多老歌了！！
連我媽媽都勾起了兒時回憶，是不是有夠復古？
長輩立刻有共鳴，育兒時更有互動！😂❤️
但確實就沒有什麼代表性的兒歌可以取代過去的歌曲呀，芽比兔根本精選集呀～

2. 口音咬字是我們所習慣的腔調！

3. 有李豔秋姊姊和孫越叔叔說故事，超棒的。

4. 我最常使用的是「睡前安撫音樂」和「小耳朵小古典」，安撫作用棒棒👍

＝＝＝＝＝
然而在使用的過程中，有一點我必須說，就是「音質」。
我比較無法接受，認為相較於其他硬殼的故事機，它的聲音有點悶悶的、不夠清楚，後來詢問了廠商，他們表示：
1.因為提示音在機板中，無法調整音量，之前太大聲，所以透過程式進行壓縮降低音量，但就讓提示音聽起來會悶悶的。

2.故事機中收錄的音檔：
分為早期類比錄音及近代數位錄音兩種，由於此兩種收錄方式及後製技術不同，因此在音質上會有些許差異。
例如在世界名著單元中的《小英的故事》及《天方夜譚》就是以數位錄音錄製的，其音質就會比中英童謠部分更加清晰。

3.音箱設計：
考量到寶寶使用的安全性，這台故事機在外觀(材質)設計上，我們提高了安全矽膠的使用比例至80%(上方造型套)，而硬殼塑料部分則減少至20%(底部音箱燈座)。

這樣的設計讓寶寶在使用時能夠減少被碰撞受傷的風險，同時可安心啃咬、清洗消毒的面積也大大提升。

為了降低硬殼的比例及提升寶寶在使用時的機動性，我們盡可能地減少底座音箱的材積及重量，但這樣的設計也使音箱空間受到壓縮，因此在播放時多少會有聲音互撞而影響音質的問題產生。
＝＝＝＝＝
經過說明後覺得可以理解與接受，
而且我看網路上的評價、身旁用過的朋友及我找來試聽的人都覺得音質沒有我講得這麼不OK，是可以接受的範圍，
可能真的是我耳朵的問題，哈😭😅🤣
其實歌詞和故事都不會含糊不清，是能聽清楚的。

🙋‍♂️本來就沒有100％完美的產品，
而芽比兔藍芽啟蒙教育故事機實在是瑕不掩瑜，
所以歷經漫長的確認與使用後，我才覺得可以開這個團購，
跟爸媽們分享囉！
＝＝＝＝＝＝
【團購網址】芽比兔藍芽啟蒙教育故事機：https://gbf.tw/yftsv
＊時間：2021/7/1-7/8

1. 1+1組合優惠---購買故事機可以以$100加購額外任一款造型矽膠套(造型矽膠套原價$380)
2. 購買故事機即贈小禮---魔術調色盤畫冊一本(一台贈一本，可累贈，款式隨機)
3. 滿額禮：網址中的產品都可以加購喔！
若消費滿$2500送防滑矽膠餐盤；消費滿$3000就送兒童數位相機(皆可挑選款式，滿額好禮不累贈)
＝＝＝＝＝＝

除了團購，這篇同時也是抽獎文唷！
🔴活動期間：即日起至7月8日 23時59分止 (台灣時間)
🔴參加辦法：
1.按讚或追蹤「 黃彥鈞 黃老斯」的粉專
2.按讚並公開分享此抽獎貼文
3.在貼文下方留言您喜歡芽比兔藍芽啟蒙教育故事機的什麼功能？每人限留言一次

🔴將會抽出一組兒童電子液晶手寫板(款式皆隨機出貨)
（文末有圖）
🔴將於7月9日貼文下方公布得獎名單
（本次活動不寄送海外，請多多包涵）

＝＝＝＝＝＝
（註）矽膠套可以使用什麼消毒方式？
建議第一次使用前可以「煮沸後關火靜置的熱水」方式消毒。
矽膠套適用所有一般消毒方式，說明如下：
➔ 蒸汽消毒鍋
➔ 紫外線消毒鍋：較不建議長期使用，因容易加速矽膠產品老化、變形、霧化或脆化，但這在安全使用上是無妨的，只是讓產品加速汰換時間而已。
➔ 沸水消毒：將水煮沸後關火，再將矽膠套靜置水中3-5分鐘，請避免觸碰到鍋壁，以免接觸面溫度過高。
p.s 洗碗機不建議哦！因為容易造成刮痕，也會加速汰換速度
芽比兔幼兒啟蒙教育故事機

《身體記憶比大腦學習更可靠》

這是一本”找感受度”的書

當你要教一個小朋友騎腳車, 游泳, 或是任何技能時, 會鉅細彌遺地把所有執行方法交代清楚才讓他們開始嘗試嗎？ 又或者說, 每一個人都會騎腳踏車, 但是隨便找一個人描述一下他們怎麼可以一遍前進一邊維持平恆其實是有困難的

在近代, 絕大多數的學校教育都遵行的笛卡爾”我思故我在” 的身心二元論： 人類的心智是由大腦發展出來的, 而身體只是智慧的一個載體. 因此所有學校教育全力注重在語文數學社會之類的理論課程上, 體育課的時間相對被壓縮. 因為人們相信使用統計化與系統化的學習, 可以有效地提升邏輯與辯思能力, 這也是被認為是未來人類發展的主要方式

從傳說笛卡爾製造了一個女兒的機器人開始, 人類就開始醉心於人工智能的開發. 而過去幾年, 機器首先在西洋棋盤上擊敗了人類之後, 最新的技術AlphaGo也在數年前連續三次完勝人類的圍棋冠軍柯潔！ 至此, 人工智能的新紀元降臨, 電腦的運算速度與儲存資訊量是人類所遙不可及的！

完了完了, “機械公敵”的電影世界要成真了..

可是真的是這樣嗎？

我們在街上可以看見越來越多裝配有輔助駕駛的車子, 但是不管什麼品牌的車商, 一開始信誓旦旦的跨下海口他們可以在幾年知道製造出第五級自動駕駛的汽車商 (100%不需要人類), 在過去幾年之中紛紛宣布： 要達到這個目標比他們想像中的困難 (但是只有馬斯克對此還表示出非常大的信心)

在自動駕駛系統中, 設計師把所有的汽車動作透過數據而模組化, 讓它們可以經過運算而在路上控制車體的動作. 但是最大的困難就是在不管是任何道路之中的實際情況是瞬息萬變的, 包含突然改變的風速, 掉落的障礙物, 無預警闖入小動物等等, 這些都與在有固定範圍以及明確規則下的棋盤內不同. 所以我們知道, 將一個醫療機器人放在手機製作的生產線上一定會出現大問題, 因為外在環境已經改變了, 與在電腦內原先預設的演算程式不一樣, 工作人員除了改造外形之外, 也需要重新設計所有軟體

當你聞到了一個熟悉的麵包味道, 回憶會馬上把你拉回兒時放學時經過一家麵包店的情景; 當你看到了前男/女友留下來的一個小物品時, 腦中馬上會浮現在當初在相處時對於這個東西的回憶; 當你聽到了一首流行老歌時, 時空在瞬時間會轉換回到學生時代, 可以讓你徜徉其中不可自拔

我們所認知的世界, 除了先經過大腦的思考與分析之外, 也靠我們其他的感官所汲取的資訊同時輸入所建構起來, 這就是”體驗”. 身體的感知能力, 就是記憶的中心. 在學習時, 讓全身的感官同時參與, 就可以幫我們打造更多層次的大腦地題, 這也是我們在運動時常常提到的”本體感覺”. 我們的五感 (視覺, 聽覺, 觸覺, 味覺與嗅覺) 從身體各處接收到無數資訊後, 轉化為電位傳回中樞神經系統, 而形成了第六感： 直覺

有的時候迷路時, 你會很自然地知道要往哪一個方向轉彎; 在很短時間內要做一個決定時, 你當下會不假思索地做出選擇; 甚至是你可以下意識的分辨出你眼前的這個人是否在說謊. 這些都是直覺, 而直覺靠的就是所有感官經驗的累績. 這不是透過系統模組化與運算就可以做得到的

書中有提到好幾個例子： 華爾街的金融顧問僅僅使用統計分析的數字來決定未來的投資方向, 但是到最後對於市場的預測往往與實際上有很大的落差; 一些消費用品的廣告鎖定了特定的目標族群, 但是經常發現與與想像中買氣完全不一致. 因為第一, 數據呈現的是一個平均值, 無法表明一些誤差的來源, 第二, 冷冰冰的統計結果沒有情感, 無法體現消費者實際市場上瞬息萬變的思考模式

在我個人的記憶力就有一個印相很深的例子： 在某一年, 我服務的某一間公司很大器的砸重金買了上海地鐵二號線一個月的廣告, 二號線總長度接近70公里. 他們在車廂內所有的拉環上都貼上了健身房的廣告, 主打： 在每一站的出口都會有一間xx健身房！ 他們希望透過這一波宣傳來大力提昇該月的來訪數. 結果, 隔一個月開高層會議時, 發現前一個月花了大筆鈔票的過靠成效幾乎等於零… 那個月市場部總監被臭幹到差點從樓上跳下去…

可是為什麼會這樣？ 因為假如實際每天坐地鐵通勤的人都會知道, 沒人真的去看拉環上寫的是什麼, 所有人都是瘋狂低頭滑手機！ 而偏偏當初做這個決定的人, 每天都是開車上下班, 就算有搭乘地鐵, 也只有偶一為之, 所以無法真正的掌握實際狀況

打不死的蟑螂, 存在在地球上的歷史比人類還久, 時至今日, 他們唯一的天敵就是拖鞋. 而我們都有過滿屋子追著小強跑的經驗, 有的時候快把家都翻過來了還不一定打得到牠們, 更別說牠們給你來一了一個更大的驚喜, 飛了起來！！！

蟑螂的大腦只有一百萬的神經元, 而人類卻有一千億個. 但是牠們的腳上卻有無數的知覺接收器官, 可以接收外在的溫度, 壓力, 以及物體移動. 其實另外一個更好的例子就是章魚 (有興趣的可以看一下’’我的章魚老師”)

人類有模仿的本能, 之前1977年的一個實驗就發現出生僅12天的嬰兒的表情就會隨著在他們面前實驗人員的改變而改變. 所以當我們在學習一個新事物的時候, 必須要有一位效仿的對象可以讓我們就近觀察. 在細看他們的過程當中, 我們很自然的會使用上我們所有的感官去做揣摩, 進步是最快的. 所以在每一行業之內, 要最快進入狀況就是找一位師傅或是前輩, 除學習他們的知識以外, 也是吸取他們的技巧與經驗

在看這本書時我一直聯想到我們的這個圈子..

運動也是一樣, 你怎麼可能從書本的圖片就學會怎麼臥推？ 你要如何從影片中就學會怎麼深蹲？ 這些學習的方式正如人工智能一樣, 把運動分段, 模組化, 但是這些方式無法與你互動, 無法及時給你口令與指導

商業健身房的經理主管每一天瘋狂的開會逼業績, 指責教練為什麼會員約不來? 預約數太少? 他們有沒有實際在健身房中與會員聊過天, 觀察過每一個時段人流的改變？ 了解一下目前的環境是否存在一些什麼問題？

有些教練不斷的進修, 認為這樣可以不斷的提升他們的專業度. 但是卻無法理解為什麼自己都這麼苦口婆心了, 會員還是無動於衷？ 但是真的願意放慢角度來好好發揮同理心體會一下會員真正想法的教練也不多

因此, 過去我們都把人腦視為一個精密運算的電腦, 但是現在看來, 遠遠不足夠, 還要搭配身體的力行, 強化所有感知與智慧緊密搭配, 才是進步最快的方式

我非常同意功能性訓練大師Michael Boyle的主張： 他完全不建議在健身房內放鏡子. 確實, 在運動時如果我們過度依賴視覺, 反而會削弱其他感官訊息的輸入. 所謂的”本體感覺”, 就是我們可以掌控到我們的身體在什麼速度下, 輸出了多少力量？ 移動了多少的距離？ 關節與肌肉如何相互的影響？

我覺得這一本書可以讓我們重新的檢視我們學習或是教學的邏輯, 走出過去侷限我們的思考框架, 任何事情使用理智的分析建構固然重要, 但是身體在學習過程中的各種體驗也是不可或缺的, get your hands dirty, 讓我們實際將自身的所有的體驗與大腦連結, 創造出一個更加全面的身心成長！

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