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

對所有孕婦來說，產檢最有感的時候，大概就是照超音波了。對婦產科醫師來說，也是如此，以前常聽前輩說「超音波是婦產科醫師第三隻眼」，因為它讓我們發現到早期流產大多是胚胎未發育的萎縮卵、也可不靠肚子尖或圓來判定性別、還能在四、五個月時，就篩檢出八成以上胎兒器官結構的問題，就連胎兒的體重也不需依據肚子大小胡亂猜測。所以我得偷偷承認，現代的醫師沒有超音波，恐怕很難產檢。

不過，這項技術雖然帶領我們打破許多古老的產科迷思，但隨著超音波檢查的普及與頻繁使用，如何解讀這些結果也愈加重要。因為有些狀況聽起來可怕，其實不然，若沒有仔細理解超音波影像背後的意義，反而會因為頻繁的檢查增添媽媽的煩惱。

＃「臍帶繞頸很危險？」：臍帶血流暢通比是否繞頸更重要

一講到臍帶繞頸，媽媽們總會立刻聯想到胎兒被掐住脖子無法呼吸的緊張畫面。但其實充滿羊水的子宮本來就是沒有氧氣的密閉空間，且胎兒的肺部尚未發育成熟，寶寶成長發育所需要的氧氣、代謝出的二氧化碳都是由臍帶供應。所以臍帶是否有繞到脖子一點也不影響寶寶的供氧量，且事實上，自然產中，有超過三分之一的胎兒都是在臍帶繞頸或五花大綁的情況下安全著陸。研究也顯示，臍帶繞頸並不會導致胎兒胎死腹中。
想要確保養分能源源不絕地供應給胎兒，其實胎盤傳遞養分的功能、臍帶血流阻力、羊水量才是關鍵，甚至連媽媽主觀的胎動都比臍帶是否繞頸來得重要許多！如果超音波檢查時，醫師發現胎兒生長遲滯、羊水過少、臍帶血流阻力過高。反而媽媽才應更需要多加注意胎動並在產檢搭配胎兒監視器檢查，甚至服用阿斯匹靈等改善子宮血流之要務。

＃「胎兒體重比較輕代表生長遲滯？」：持續有長大比單一次體重重要

我們可藉由胎兒的頭圍、腹圍、大腿骨長度去預估胎兒體重（正負誤差百分之十）。七個月內，胎兒的預估體重約1200克上下，因為分母小的關係只要稍微量測的誤差就可能讓胎兒小一週或大週，七個月後，每個孩子的生長快慢又會因為遺傳的因素、胎盤的功能各有所不同，就像同一個年級的學生身高體重不可能一樣。所以，同樣是九個月的胎兒體重，有可能是兩千五、三千、甚至是三千五。只要確認胎兒持續有在長大、臍帶血流穩定，我都會有信心地告訴媽媽「這個大小是正常的」。

不用因為單一次產檢小了一週就拼命多吃，更無須因為體重領先就焦慮生不出而不敢吃飽，一方面胎兒體重並不會因為多吃了幾頓大餐就超前領先，生產順不順利也不完全取決於胎兒大小，更重要的是超音波預估體重還是有人為誤差。我建議媽媽在懷孕期間無論如何還是要維持均衡的飲食，規律的運動。後期胎動明顯、和胎兒體重持續有在上升都遠比單一次體重來得重要。

＃「胎位很低容易早產？」：不用怕，子宮頸長度才是判斷是否早產的關鍵。

胎兒在子宮內就好像魚兒在游泳池裡游泳，一下游得高、一下游得低，即使游的很靠近排水孔，只要塞子有塞緊，魚兒就不會溜走。同樣的道理，超音波下，即使胎位很低、胎頭很靠近子宮頸口，如果子宮頸有沒有縮短、也不會增加早產的風險。

因此，比較重要的，反而是要注意子宮頸內口有無打開、以及子宮頸的長度是否改變。早期醫學研究指出，子宮頸的長短與生產週數、早產風險有絕對的關連性。
另外，第二胎的媽媽們常覺得下墜感很重、胎兒胎動的位置很低，這其實也是因為骨盆底肌肉在第一胎時已被撐開、較為鬆弛導致，屬正常生理反應，媽媽們只要勤做骨盆底肌運動，不用過度焦慮。

以前我總以為有了許多清晰的超音波影像，漂亮的3/4D寫真，產檢就是功德圓滿皆大歡喜，醫師輕鬆、媽媽也能立即放心。但有過幾次被媽媽反應「醫師都不說話，只顧著照超音波」、「給我這些照片可是我都看不懂啊！」我不禁反思，的確看診時我盯著超音波螢幕不發一語的時間永遠比較長，失去了詳細精準的解釋，檢查的結果可能反過來變成媽媽焦慮的來源。如何拿捏其中的平衡，我也仍在揣摩中。但「科技永遠始於人性』」，醫師可不能因為多了超音波這隻眼，就閉上能洞察孕婦心情的雙眼！

不過，能照到漂亮的3/4D我真的是滿滿成就感啊！
（以下開放炫耀寫真照）

💁‍♀️ 本週最後結單日為04/30（週五）晚上前
🌟🌟 Zona若娜女孩家 直播連線購買公布欄 🌟🌟

🙋🙋要結單的客人或要查詢訂單有沒有得標商品
請點擊右邊連結➡️ https://reurl.cc/pm01gQ
⚠️新同學沒有註冊過會員無法顯示得標商品，
請務必要私訊粉絲團 Zona若娜女孩：傳送一個貼圖
並要登入來去逛逛系統認證 ✅
請務必要私訊粉絲團 Zona若娜女孩：傳送一個貼圖
並要登入來去逛逛系統認證 ✅

🌟不想錯過每場妍萱連線直播通知
想加入群組專門通知直播請私訊粉絲團：我要加群組🙋
（一定要加入 沒加入沒跟上直播超後悔😱）

🌟加入Zona官方IG追蹤：Zona.com.tw
🌟加入闆娘孫佳琪個人IG追蹤：little_ouu
- - - - - - - - - - - - - - - - - - - - - - - - -
各位 Zona若娜女孩家 的姐妹們 ❤️

為了避免有不必要的交易糾紛，
麻煩請先看完購買須知再進行喊單，
希望我們都能開心的購物♥️

直播購買規則版規 請看這裡⬇️
請各位寶寶們詳細閱讀並完成結單✅
我們系統結單方式以下有幾點要注意⚠️

提供以下兩種方式可以付款 ✅
1⃣ 方式一 ：虛擬帳號轉帳
支援 網路銀行轉帳/ATM匯款付款
（不支援無摺存款）
（兩天內要完成轉帳超過時間帳號會失效❗️❗️）
如果超過時間無法付款會變棄單❗️❗️）
（如忘記匯款帳號到購物車訂單即可查詢）

2⃣ 方式二 ：線上信用卡刷卡一次付清
分期三期刷卡/分期六期刷卡
（需負擔金流刷卡手續費3%）

🔘🔘選擇虛擬帳號/超商代碼 付款的客人
產生的匯款帳號代碼 「只有48小時期限」❗️❗️❗️
超過時間帳號/代碼就會自動失效 無法繳費❗️
超過時間帳號/代碼就會自動失效 無法繳費❗️
請務必時間內完成付款
如果訂單超過時間逾期未付款 視同棄單處理⚠️
- - - - - - - - - - - - - - - - - - - - - - - - -
⭕️每一筆訂單都有自己的專屬虛擬帳號
⭕️訂單連結金流系統 已完成付款訂單我們無法合併訂單
請記得一個訂單就有一個專屬的匯款帳號 ✅
兩個訂單就有兩個專屬的匯款帳號✅
❗️❗️請勿自己合併或與他人合併匯入帳款
只要你截圖的訂單金額跟你匯入的金額不對
無論是多匯金額或少匯金額
這樣訂單都會自動辨識成棄單喔❌❌
- - - - - - - - - - - - - - - - - - - - - - - - -
🔘🔘結單後48小時內要完成繳款完成
超過時間虛擬帳號會自動失效
無法匯款也會自動變棄單名單 ⚠️⚠️⚠️（請記得維護自己權益）
🔘🔘完成繳費後 訂單一個小時內會自動變已付款
可自行到來去逛逛在歷史訂單查看狀態
「已付款的朋友不需要在私訊粉絲團」
「已付款的朋友不需要在私訊粉絲團」
如果超過一個小時後
訂單沒有變更為已付款在私訊我們就可✅
⚠️⚠️務必記得要匯款正確的訂單金額及匯款帳號
- - - - - - - - - - - - - - - - - - - - - - - - -
🧡 關於直播喊單關鍵字
直播中喊單關鍵字需依照置頂範例(例：101紫+1)
若關鍵字錯誤 會導致系統無法入單
款式包色皆須 分開打出關鍵字+1送出留言
直播中更改款式顏色 直接打出要更換的關鍵字顏色+1
不得打 101紫換黑+1 系統只會抓單判別前方關鍵字
無法正確更正到更換款式部分
在款式收單送標後打出關鍵字 系統一樣會無法抓單
需下播後商城加單款式下單
- - - - - - - - - - - - - - - - - - - - - - - - -
🧡 關於運費及配送須知
無論是超商取貨還是宅配到府
運費統一酌收$80元
外島運費統一酌收$200元
⚠️⚠️妍萱建議請多選擇宅配到府
選擇宅配較有保障
因為7-11賠償金額只有$1000元
如果包裹遺失我們也只會賠償$1000元喔 ❌
宅配就沒有這個問題
建議選擇宅配較有保障 ✅
（司機大哥都會打電話聯絡也不怕忘記包裹）
⚠️⚠️⚠️如果購買五件以上商品也請直接選擇宅配
秋冬衣服較厚超商有限定體積問題會無法出貨 ❗️
如包裹超商不收會延後3-5天出貨時間
#建議連線商品多使用宅配服務
#建議連線商品多使用宅配服務
#建議連線商品多使用宅配服務
- - - - - - - - - - - - - - - - - - - - - - - - -
🧡購買完要結單時候教學
1. 首先先進入Zona粉絲團置頂的「來去逛逛」按鈕🔘
2. 確認訂單商品是否正確
3. 填上正確的收件資料(填錯 到貨會收取不到簡訊及電話)
4. 選擇付款方式 要ATM繳費/線上信用卡
5. 截圖要匯款的帳號+金額
（請在結單後兩天內完成繳費 超過時間帳號跟代碼會失效）
6. 完成付款後到來去逛逛看訂單是否變更已付款就沒問題 不需要在另外私訊粉專
(我們到貨出貨會依照完成訂單的匯款順序 依序安排出貨)
結單完成不用在私訊粉絲團囉 ✅
- - - - - - - - - - - - - - - - - - - - - - - - -
🧡關於訂單填單資料
若完成結單後須更改寄送方式
皆須主動私訊粉絲團小幫手協助更改
選擇宅配寄送 填寫地址處須填寫正確地址
也不得填寫超商門市地址
避免填寫錯誤不完整 造成物流配送作業上問題
(例：高雄市新興區文橫二路143巷9號)
已付款包裹超商須看證件取貨 收件人需填寫上證件真實姓名
已完成結單付款訂單 佳琪都立即跟廠商下單訂購
直播連線商品款式因客製化跟廠商訂製
⚠️⚠️⚠️完成付款訂單 無法取消或更換款式顏色尺寸
若有需要修改訂單部分 私訊粉絲團訊息
小幫手協助處理後再完成結單付款⚠️⚠️⚠️
- - - - - - - - - - - - - - - - - - - - - - - - -
切記 ⚠️
直播下方留言＋1視同【確實要購買】
請勿刪單請勿換色
⚠️若遇到廠商缺貨或者斷貨，我們不會特地私訊去通知
出貨訂單會放取斷貨單至包裹內，收單斷貨單請私訊粉絲團 告知商品款項轉為購物金使用(不限使用期限)
或是提供帳號辦理退款
⚠️⚠️⚠️無法接受斷貨未告知的姐妹請勿下單
✅連線商品確認同意下單後為客製化服務
無法因任何理由做更換或退貨服務請見諒
(全數為批發價連線 請高標準、完美主義者請勿下單）
✅尺寸問題請在直播當下諮詢
或直播後私訊詢問確認後再進行購買下單
若因為尺寸不合、不喜歡不理想無法退換貨
- - - - - - - - - - - - - - - - - - - - - - - - -
🧡關於出貨時間
直播商品為國外工廠直接連線批發價
連線都有必要的作業流程 📒
結單日後5-25天（出貨計算日不包含假日）
#無法等待請勿喊單
客人結單後 佳琪會立即請廠商製作
廠商製作好後➡️交由貨運➡️交由空運➡️台灣報關行➡️台灣貨運➡️我們工作室➡️品管完成➡️快速寄出
#請勿催單
若萬一超過追加期會幫客人拆單寄出，
有時候會遇到廠商延後出貨，
若無法等待者請勿下單
- - - - - - - - - - - - - - - - - - - - - - - - -
🧡若遇到斷貨處理方式
我們團隊會已最快時間來出貨
若商品製作會超過表定出貨時間
我們會拆單出貨
若有遇到廠商斷貨 我們為了加快速度
會將斷貨的通知放在包裹裡
請客人拍攝斷貨通知單
告知私訊粉絲團要轉為購物金下次使用
還是提供帳號退款現金 💰
（現金僅退款商品金額不退款交易手續費）
若有遇到斷貨情形請見諒 🙏
佳琪都很努力的在追貨
- - - - - - - - - - - - - - - - - - - - - - - - -
🧡拆封請務必全程錄影
若有少商品情形
請提供完整包裹拆封影片維護雙方權益
如沒有提供影片 將無法受理 請見諒🙏
我們工作室也會有監視器全程監控
- - - - - - - - - - - - - - - - - - - - - - - - -
🧡 關於瑕疵：
#商品皆為批發價 #薄利多銷
線頭非瑕疵 ‼️全新商品在車縫過程有線頭是正常的
自己剪掉即可✅
工廠都是一次大量出貨 我們為一件批發價店家
我們非常的薄利多銷 請別太過度要求完美⚠️
#完美主義者請找別家購買

本賣場不接受個人因素去退貨例如：與想像的不一樣、這不喜歡、顏色有色差、尺寸不合
佳琪直播上都會說建議尺寸 ，實際還是請大家依照每個人平時穿衣習慣衡量
若收到商品有瑕疵
請於收到3天內向粉絲團小編私訊反應，超過時間無法協助處理
若是嚴重瑕疵，請一定要提供清楚照片
需附上瑕疵地方近拍照片(請在瑕疵處放置一把尺)與商品全景照各一張
買方賣方雙方溝通好之後再將商品寄回。若強行要退貨，賣場則一律不處理
退／換貨商品(限瑕疵商品)，
統一於受理後，最晚3天內要寄回，
超過3天後，此部份運費由買方自行負擔。
退換貨商品必須為全新完整包裝，
如商品已經下水、個人試穿後有異味香水味煙味等等、材質變形，或逾期
我們一律無法受理
切記：對商品要求較高的客人
相當吹毛求疵者請勿下單請至實體店面購買謝謝🙏
瑕疵商品有現貨會優先更換新的，不接受瑕疵為由退貨
- - - - - - - - - - - - - - - - - - - - - - - - -
💚瑕疵可退換貨定義
大範圍破損或大面積髒污、綴飾脫落、版型歪斜等嚴重影響穿著之異常狀況
貼心提醒！
以下情況無法辦理瑕疵處理亦無法辦理退換貨，請務必留意以免影響您的權益，下單視同同意內容：
💚非瑕疵商品定義
（1）勾紗或破洞（1公分以下）
（2）車縫線出現漏針不完整(不嚴重的可自行縫上)(內裡、車縫線不列入瑕疵處理)
（3）色差（不同批次出來的面料都有些微的色差）
（4）膠印點點脫落/小色斑（1公分以下）
（5）輔料和圖片顏色不同，比如內裡料，袖口螺紋，拉鏈等，輔料都是整批生產，顏色或花紋有時會有些許不同；衣服釦子沒開釦眼，需自行處理。
（6）面積小於2公分的小汙漬；內裡處的小汙漬(不影響外觀穿著)
（7）因每台電腦解析度與顏色設定不同，稍有色差，依實際商品為主，不接受以色差為由退換貨。
（8）無標籤吊牌、剪標、商品版型質感與預期中、想像中有落差等。
（9）鞋子溢膠及沾膠問題或1公分內輕微破皮及小髒污；毛布料商品微有掉毛皆屬正常情況。
（10）我們會品管出貨部門會嚴格把關品質，但若商品有線頭、壓痕、壓扁、味道問題(例牛仔褲或毛織品、其他味道)、貨物運送而壓扁，這些都不算瑕疵狀況不可退貨。全部盒裝商品因貨物運送壓到或凹痕狀況不列入瑕疵範圍處理，若要求外盒完美或送禮用，請謹慎選購。
（11）收到貨超過3天退換貨時效(含放假日)
（12）商品尺寸手工測量約有3公分內誤差，不屬於瑕疵範圍
（13）部分服飾在製作時，會有粉筆、記號用色料點(多出現在扣子處較多)，屬於正常情況，清洗幾次後會漸掉，不屬於瑕疵範圍。
◇若是小髒汙或是黏膠汙點，只要是可清理的掉或不影響穿著/使用的的小問題，皆不屬於瑕疵，而是細節感受的問題。不屬瑕疵商品
◇螢幕色差、線頭、釦子輕微脫落或是小髒污，衣服壓痕 /可燙平之褶痕 ，在國際驗貨標準都是屬於可接受範圍，不屬於瑕疵。