#帕運開幕 #Paralympic Games
#以身心障礙者為參賽者的國際綜合體育賽事

本次東奧台灣選手的傑出表現，讓大家相當感動，緊接著 #東京帕運 也將於今晚7點開幕，讓我們一起關注，共同為參與的台灣選手加油！

本屆帕運預計將有161個國家、地區及難民代表團約4500名選手參與，參賽人數是史上最多的一次。
　
今晚帕運將在日本國立競技場舉行開幕典禮，延續本屆東京奧運在 #性別平等 的推動，帕運同樣鼓勵各代表隊任命各一名女性及男性擔任掌旗官。

台灣本次由標槍選手劉雅婷及跳遠選手楊川輝掌旗，加上游泳選手陳亮達、健力選手林亞璇、桌球選手田曉雯與林姿妤、總領隊沈啟賓、副總領隊何維華、醫療官及教練，共同參與開幕。

#10位台灣選手參加6項目
#桌球田徑柔道羽球健力游泳
#一起為選手加油

台灣在帕運 #過去共獲24面獎牌（5金、6銀、13銅），這次台灣共有10名選手取得帕運的參賽資格，分別在桌球、田徑、健力、柔道、羽球、游泳6個項目。

⁠🎖⁠ 桌球 女子 TT4 級單打 盧碧春

不同於許多選手年輕時便開始運動及訓練，先天性小兒麻痺的盧碧春，因為不方便行走，小時候多只能看其他人遊戲與運動。42 歲那年在另一半的鼓勵下，她決定開始打桌球，希望向桌球教父莊智淵的精神看齊，持續練習、挑戰自己。

曾獲2020西班牙帕拉桌球公開賽銀牌、2021世界排名第10名的盧碧春曾提到：「參與運動讓我生命找到出口，期盼更多國人一同支持愛運動動無礙的社會支持氛圍！讓更多身心障礙者能體驗運動的美好！」

🎖⁠ 桌球 男子 TT5 級單打 程銘志

在桌球世家長大的程銘志，從小就十分擅長桌球，從小學一路打到體大，畢業後也回到國小繼續教導學生。2011年程銘志不幸遭酒駕者撞傷，因此左腳截肢，後續努力復健練習，轉換成帕拉選手。

程銘志是2020年世界排行第1，上屆2016里約帕運獲得男子團體賽銀牌，單打上曾獲帕拉桌球埃及公開賽單打金牌等獎牌。他曾提到：「人總是要到一個階段，才會定下來省思自己，檢視自己的人生；除了自己努力外，也期待社會能夠提供支持的環境，讓更多身心障礙者享受愛運動動無礙的氛圍。」

⁠🎖⁠ 桌球 女子 TT10 級單打與團體賽 田曉雯

田曉雯出生時因醫療疏失，右手神經萎縮，無法翻正、舉高，常因此遭遇不友善的對待。媽媽希望她能多嘗試不同事物，所以她從小被送去學桌球，但當時身體不協調、經常跌倒等狀況，也造成她打球上遇到許多困難。

田曉雯目前是女子單打世界排名第5，曾獲2018雅加達亞帕運銀牌等獎牌，且與另一位台灣選手林姿妤搭配極佳，曾在雅加達亞帕團體賽聯手摘銀。兩人本次也一起參與了帕運團體賽，並期盼大家一同支持所有帕運選手：「打入帕運是每一位選手的夢想。帕拉運動員，需要你、妳、您的支持與陪伴！」。

⁠🎖⁠ 桌球 女子 TT10 級單打與團體賽 林姿妤

林姿妤國小參加桌球社，國中時因車禍，右手腕韌帶斷裂，傷後右腕翻轉的角度受限。當時醫生、家人都建議她領取身心障礙手冊，但她內心仍是抗拒，認為自己只是手受傷。直到有次觀看身障桌球賽，讓她徹底改觀：「許多身障選手在肢體上雖無法與一般選手比擬，卻依然奮力拚搏、程度也不輸一般選手，反觀自己受得傷沒有那麼嚴重，更覺得自己不努力說不過去！」

林姿妤在許多帕拉賽事的單打及團體賽都有傑出表現，像是2020帕拉桌球埃及公開賽就獲得單打銀牌及團體金牌，本次和田曉雯的繼續搭檔也讓許多人相當期待。

🎖⁠ 田徑 男子 T11 級跳遠 楊川輝

楊川輝出生時視力正常，直到7歲時，有次睡醒後突然失明，最後才被診斷出是急性視神經萎縮。失明並未遮蔽住楊川輝的田徑天份，他一路訓練參賽，高中後並開始練習跳遠。

2013年，楊川輝首度參加法國IPC田徑世界錦標賽就獲銀牌；2014年仁川亞帕運在田徑100公尺破大會紀錄摘金、跳遠摘銅，2018年北京IPC田徑大獎賽中更以6公尺60締造亞洲跳遠紀錄、獲得金牌。楊川輝曾提到：「我看不見世界，但透過跳遠，我要讓台灣被世界看見！」

🎖⁠ 田徑 女子 F12 級標槍 劉雅婷

劉雅婷小四時被診斷出先天性黃斑部病變，視力因此明顯退化，在難以治療復原的情況下，她和家人都受到很大的打擊，不只學業成績下滑，更覺生活漫無目標。直到有天，視障巡迴輔導老師得知她喜歡運動後，積極幫忙尋找專門的教練，最後找到田徑教練張福生，對劉雅婷來說：「我的人生就此展開不一樣的旅程。」

2018亞帕運獲得標槍銀牌的劉雅婷提到：「不管什麼人都會有不同的障礙需要跨越。所以我們要做的，不是想辦法隱瞞缺陷，而是在障礙中竭盡全力用心體會，世界上沒有絕望的處境，只有對處境絕望的人，只要一點點的調整，身心障礙者也可以和一般人從事一樣的活動、享受一樣的樂趣、擁有一樣的夢想。」
　
🎖⁠ 柔道 女子 B2 級、48 公斤量級 李凱琳

李凱琳的父親、叔叔都是視障柔道選手，2020年世界48KG排名第2的她，也在2012年倫敦帕運及2014韓國仁川亞帕運拿下銀牌。因為家族遺傳的視神經萎縮症，李凱琳視力和聽力都受到影響，對第三度參加帕運的她來說：「不是柔道裡有人生，是人生裡有柔道」，她並提到自己的期望：「很期待，也很開心自己能夠堅持到現在！也希望自己的堅持能夠讓更多人看見帕拉選手的努力！」

🎖⁠ 羽球 男子 SU5 級單打 方振宇

方振宇出生時因難產，左手肩膀神經叢受損，左側上肢肌肉萎縮，在多次手術、復健以及諸多協助下，目前手部仍無法精細抓握，但肩膀與手肘已可維持身體協調。

方振宇從小就希望當運動員，儘管家人剛開始時並不贊同，但他並未放棄，雖然因為身體的狀況，造成訓練上相當痛苦，讓他一度想放棄，但他仍努力克服，在許多公開賽事中都獲得好成績，包含2020祕魯帕拉羽球公開賽銀牌、2019泰國帕拉羽球公開賽銀牌。因為羽球是本屆帕運新增的項目，方振宇也成為台灣首位參賽者。

🎖⁠ 健力 女子 61 公斤量級 林亞璇

林亞璇3歲時不慎從5樓墜下，胸部以下完全癱瘓，必須依靠輪椅行走。曾有復健師對她說，「有哪個脊椎損傷，傷的這麼高位，可以拿到世界前三的，舉一舉啊，每次舉到這裡就會停住對不對，因為你少了中間腰的力量，你真的不要再舉了，舉一輩子都拿不到金牌的。」但她認為：「如果沒有辦法放棄，那就要更努力的去證明自己的存在！」
　
林亞璇一路走來相當辛苦，從高中開始便開始練習健力，即使面對沒能選上國手也未放棄。2021總統教育獎得主的林亞璇是第六次參與帕運，她提到：「只要願意為自己努力，老天一定會給我們驚喜！ 一起加油！也邀請您一起支持帕拉運動員！」

🎖⁠ 游泳 男子 SM7 級 200 公尺混合、S7 級 100 公尺仰式、S7 級 400 公尺自由式 陳亮達

陳亮達出生時便沒有小腿，加上右手手指併指，因此沒辦法使用靈活的右手學習。因為擔心他大腿萎縮，家人開始找游泳教練，讓他當成復健運動。陳亮達因此開始跟著教練參加各種賽事，屢創佳績。

時常帶著笑容的陳亮達曾提到：「希望受到挫折或身心障礙的人，一定要熱愛自己、疼惜自己，這樣也等於回報無限的愛給身旁所愛你的人。」

--------
帕運小教室

#與奧運平行的帕拉林匹克運動會

帕運的全名是 #帕拉林匹克運動會（Paralympic Games），字首「Para」源自希臘語，意思為「在⋯⋯旁邊」，再加上Olympic的lympic，代表帕運是和奧運平等且平行舉辦的「另一個奧運」。
　
帕運的起源來自一名脊柱損傷中心的醫師路德維希．古特曼，他針對戰爭造成脊髓受傷的軍人進行整體性的復健治療，在過程中他發現各種復健運動，能帶來肌力、肌耐力及協調上的顯著進步，而這治療復健運動也逐漸發展為競技運動。

1948年倫敦奧運會開幕式當天，古特曼醫師組織脊髓損傷軍人，舉行首次史托克曼戴維爾運動會，成為帕運的起源。
　
第一屆夏季帕運於1960年開始舉辦，共有23國、400多位運動員參與；冬季帕運則從1976年開始舉辦。

#賽事分級確保公平及準確

大家在上面看到許多賽事「分級」的標注，是因為就和奧運一樣，帕運各個運動項目都設有不同的分級制度，務求達到公平競爭。

為了確保公平性及準確性，分級時會由醫師、物理治療師、職能治療師、運動教練等人一起進行，且每屆都要重新檢查，重新確認選手的狀況及級別。

首先，想先和大家分享腎臟數值，為什麼？！因為這次外公住院我才發現他數值真的是爛到不行，雖然很大原因是心臟的問題讓他各個器官都開始抗議了，但就讓我回想到自己與某次回鄉下與外公的對話
看著外公一個抽屜塞滿了藥袋，一包一包的拆開來吃，就關心了一下外公身體的狀況
👩🏻‍⚕️我：外公最近身體還好嗎？醫生有沒有說什麼？
👴🏼外公：攏差不多啦！醫生好像指有說腎臟不太好
👩🏻‍⚕️我驚了一下問他：有多不好？有沒有看營養師？
腎臟病是一定要調整飲食的，也是對我最好判斷他腎臟到什麼程度的方法，結果...
👵🏻外婆在旁邊聽到說：他（外公）都和人家講我們家有兩個營養師不用聽啦！
👩🏻‍⚕️我昏倒🤦🏻‍♀️
👴🏼外公：醫生說一點點不好而已啦！
👩🏻‍⚕️我就說：你下次請護理師印報告喔！不然之後要洗腎怎麽辦！！！
我會如此緊張是因為每次回去外公都吃超多的，沒有任何忌諱，大家吃不完，就會全部進到外公的肚子裡，但是腎臟這個主要代謝廢物的器官已經損傷的話，根本經不起他這樣吃啊🤦🏻‍♀️🤦🏻‍♀️🤦🏻‍♀️
而讓我這次堅持一定要讓外公跑急診的原因，也是外公一整天⚠️沒尿⚠️一堆老人怕跑廁所，但沒尿是一個非常嚴重的警訊，今天除了和大家分享腎臟病的相關數值，也會提醒大家一些可以觀察的症狀，再搭配檢查報告，能夠讓醫師更知道你的狀況來下診斷！自己的身體要自己注意啊⚠️希望能讓大家更了解自己或長輩的身體狀況！
初期腎臟病需要經過醫師診斷才能確診，除了抽血💉尿液檢查、影像攝影都要一起加入診斷，這邊主要想讓大家知道那些指數出現異常可能代表你的腎臟需要注意並做進一步檢查！我不是醫生，大家也不可能自己當醫生，所以只是想讓大家對於自己及家中的長輩身體狀況更有警覺，這樣可以避免更多的疾病痛苦和醫療資源的浪費，而擁有更好的人生！我自己最怕的慢性病非腎臟病莫屬了！太多飲食限制🚫我覺得得腎臟病對我來說跟人生黑白沒兩樣，會要避免很多我喜愛的食物...太可怕了😱
💉腎臟相關抽血數值💉
肌酸酐（Cr）：原本藉由腎臟代謝排出的物質，但因為腎臟功能降低，導致它累積在血液中，使得數值升高，不過數值仍然會受到肌肉質量、發炎狀況及營養狀況影響。
腎絲球過濾率預估值（eGFR）：腎臟病分級之標準指標。
尿素氮（BUN）：是蛋白質代謝而生成的產物，但也會受到蛋白質及身體含水狀況影響。
鈉、磷、鉀：腎臟功能差會使得這三個電解質代謝出問題，因此要依據抽血報告調整飲食喔！

🙋🏻‍♂️什麼人是腎臟病高危險群🙋🏻
👉🏻有高血壓、高血糖及尿蛋白的人（尤其血壓及血糖控制不佳者）
👉🏻有腎臟病家族史：家中有長輩患有腎臟病
👉🏻有長期服用藥物💊的患者
👉🏻65以上之長者🧓🏼

⚠️平常多注意自己是否有這些症狀⚠️
如果有，並且有腎臟相關數字異常記得告訴醫師！
🚨蛋白尿（尿有泡泡）、血尿、尿量異常：早起難以肉眼發現，所以一發現就要提高警覺喔！
🚨水腫
🚨血壓高
🚨貧血症狀：頭暈、臉色蒼白等
🚨容易疲倦
🚨腰痛

👩🏻‍⚕️腎臟病飲食概略🍽
腎臟病飲食較多限制🚫也非常個人化，因此建議務必諮詢營養師幫助控制腎臟狀況
📌調整蛋白質攝取量
📌避免高鉀、高磷、高鈉之食物，避免因腎臟代謝力下降而累積於體內造成身體危害
📌充足熱量、適當水份：蛋白質量調整但熱量仍須補足，水依疾病狀況調整
📌避免楊桃
📌使用中草藥務必詢問中醫師
📌補品也建議別亂吃喔！

自己抽血報告自己看Part 1👇🏻看這邊👇🏻
https://www.facebook.com/2352609518166394/posts/4044872838940045/?d=n
幫你解答➡️出現紅字=有病？抽血報告就能診斷疾病？結果只會受到單一器官/因素/狀況影響？

＃腎臟病 #腎臟病檢查 #腎臟病檢驗數值 #腎臟病飲食 #抽血報告怎麼看 ＃抽血報告 ＃檢驗報告 #長者照護 ＃老人照護 ＃長照 ＃營養師歐乃嘉的志工生活 ＃營養志工在聖克里斯多福及尼維斯 ＃營養志工在克國 ＃營養志工 ＃營養師歐乃嘉 ＃歐乃嘉營養師 ＃志工 ＃聖克里斯多福及尼維斯營養志工 ＃融合營養於生活

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

由日本獨立遊戲團隊所研發製作的橫向卷軸動作遊戲《Dead or School》，
於本月在 Steam 平台推出搶先付費體驗版後，便得到玩家們極度好評的評價，銷售方面亦有相當不錯的成績。
想必大家聽到這邊一定會好奇，這看似普通的橫向卷軸遊戲的魅力到底在哪!?怎麼會有人還在測試階段就搶先大買特買了呢!?
首先，遊戲內可愛的女角便是一大賣點；更值得一提的是，玩家的角色在受到一定程度的傷害之後，
身上的制服便會開始破損，且角色的整體狀態都會直接降低，
玩家必須要在這充滿危機的情況中設法戰勝敵人，脫離絕境。
遊戲內的所有武器，也皆可客製化的自由組裝，玩家們可以做出屬於自己獨一無二的最強武器，來面對殭屍的來襲；
目前遊戲雖然還在付費測試階段，官方也公佈預計將會在今年 9 月推出完全版，且還會有更多的內容釋出，
看來這款遊戲，還有更多東西值得大家期待呢。



(C)Studio Nanafushi

「電玩宅速配」粉絲團：https://www.facebook.com/tvgamexpress
「美女愛玩Game」節目：http://bit.ly/1Qwt7S3
休閒平台：http://myfun.gamedb.com.tw
遊戲庫粉絲團：http://www.facebook.com/Gamedbfans