日本智慧農業大步走 加速擴張帶動成本降低

農傳媒 20210529

內容提供／《農政與農情》 文／行政院農業委員會農業藥物毒物試驗所 陳彥佑、李春燕、陳思昀、行政院農業委員會臺南區農業改良場 張淳淳、工業技術研究院產業服務中心 林意潔

近年因資訊快速且多方突破發展，使其他可應用之領域及軟硬體同步帶動變化，除在網頁設計優化、開放資料多元應用、IoT、ICT、資料分析工具便利化及資料視覺化發展外，乃至高端如大數據、AI應用，也頻受矚目，本文將分享2019年日本農業Week活動資訊與及後續的發展方向觀點。

日本東京農業Week

2019年10月，農委會及工研院單位同仁於強烈颱風哈吉貝影響東日本時，自費前往日本東京農業Week參訪並收集資訊。這次展覽結合日本原有的國際農業資材展、國際次世代農業展、國際6次產業化展及國際畜產資材展，於千葉縣幕張展場合併為單一農業展 ，規模龐大，超過600家日本及各國廠商，3天展期近4萬人次登記參訪，展場中另有登記參觀的工具展和園藝展，三大展覽幅員非常廣闊，並結合不同農業發展方向，吸引各國的農資、機械開發公司、農企業、政府單位、研究單位等相關人員參觀，龐大的資訊量，如要仔細體驗及參與，勢必耗時一天半以上。

農業資訊的進階應用，目前可說是「百花爭艷」狀態，功能近似產品不斷推出並相互競爭，如各類無人機、辨識系統、管理軟體、機械外骨骼、管理連動應用平台等，各有特色，本展覽不僅止於展示農業相關資訊外，亦有各種農業資材的應用、新型態資材及栽培設施、農產品及農產加工器具、農具等展出，以「農業展」而言，可說非常完備，也明示了農業各領域將走向相互融合的方向。

接下來，筆者將就「無人載具、軟體、機械外骨骼、資材與技術」等主題，與各位讀者分享本次見聞。

無人載具

無人機為近年熱門發展的器械，包含水、陸、空形式及自動採收機等其他功能性的無人機械等，依需求而有不同的機型和設計，甚至有異業結合開發，如汽車企業結合飛行用藥無人機的共同開發，成為更便利作業的用藥組合，無人機發展方向為公分級精準定位及便利的自動作業，搭配遠端作業器具和軟體，可實現遠端作業、減少勞力及增進田間作業安全，達成精準農業及安全農業的目標，並減少農業缺工的問題。

軟體

2019年日本農業展展出的農業軟體，大多具整合及記錄性質，性質相似的軟體數量眾多，部分並搭配感測器械共同推出的軟體，如設施栽培內監測環境及疾病預測的軟體。另外，結合UAV多光譜拍攝做作物肥份影像解析的軟體，再以UAV定點調整施肥量；紀錄田間從業人員的工作與休息時間、體溫等紀錄和提醒的監測軟體；農產品行銷部分，不少廠商提供B2B 及 B2C類型的「農產品銷售管理系統」，提供生產者和消費者進行互動和販售；生產部分則提供生產者付費的管理解決方案(或稱營農指導員)，內容類似國內植物醫生及農業張老師等，針對委託者進行客製化的栽培管理服務，提供者主要為日本國內廠商。展場另有攤位進行日本各地農產品、農藥施用講習、農產公司產品推廣。

機械外骨骼

機械外骨骼（又稱肌甲裝、動力服、Powered suit），主要以外骨骼模樣進行依使用需求設計，為著裝後可提升特定功能的裝備，在農業領域常見為提升搬運重物效率、避免重複動作造成職業傷害的外骨骼，對於務農人口老齡化及新農民的身體保護都有絕大幫助。而本次日本農業展令人印象最深刻的為著裝簡易化、輕量化的類型，甚至輕如一般大衣，且穿戴方式接近衣服的形式，展出國家為尼德蘭，筆者親自著裝試用後，明顯感覺提升搬運重量效果及作業時保護腰部的功能。未來外骨骼也將可結合或協同其他器械協同進行複雜作業，因應國內日益老化之農業從業人員及雇傭勞力減少部份，具有廣大的發展潛力與商機。

資材及技術

各式農業資材與技術亦是本次亮點，在栽培設備方面，有各種育苗材料、家庭用耕栽培裝置、高效能燈具、有機肥與土壤微生物商品、栽培介質，以及溫室建材組裝展示、植物工廠VR參訪、授粉資材等。防治資材方面，品項同樣繁多，除各類噴頭、農藥製劑及無人機用製劑外，在其他防治資材方面也具備高度多樣性，如生物防治罐、蟎類陷阱、安全可溶農藥包裝、費洛蒙產品、燻蒸器具、各色光波誘蟲、忌避燈、有害動物聲光忌避設備，及施藥專用口罩等。在採收及包裝的資材部分，則有透氣長貯包裝及包材等。上述資材多為跨領域合作開發，顯示農業研究相關人員可多與其他領域確切進行交流討論、研究協作，共創解決農業問題技術。

商業化生物防治天敵製劑罐。

農業科技因資訊技術的發展，有爆發性的成長，許多內容都逐漸貼合Global G.A.P及作業標準化、自動化、安全性提升的需求，從參訪各專案及產品項目來看，無論直接引進或進行跨領域開發合作，就「目的」、「經費」及「合作」、「商業模式」，皆須在不同領域的多方完整溝通理解後有明確同步，否則將易陷入單方利用；或因領域差異而限縮成果，浪費經費、時間，且無法解決問題或強化開發，因此未來農業資訊跨領域、組織合作時，必須更精實及對目標有共識。

2020年的日本農業展及日本農業發展政策，重點之一為智慧農業的成本降低及普及化（如搭配日本的準天頂衛星的精準定位，減少定位儀器成本），配合日本農林水產省針對智慧農業公告的政策「スマート農業推進総合パッケージ」（Smart Agricultural Promotion Comprehensive Package），並在資料格式規格化後與其中的WAGRI平台資訊連動（2020年開始公開OPEN API的服務），且於日本全國148個地區執行智慧農業實地作業示範推廣，無論從政策資料或展覽內容，均顯示智慧農業不僅只是單一的農業發展區塊，而是上述各類展出區塊內容的各項統整，也宣示了日本的智慧農業逐步走向橫向連結及加速擴張的階段。2021年開始日本農業展的其中一個展區「次世代農業EXPO」也將改名為「スマート農業EXPO」（智慧農業），可以想見智慧農業發展的比重越來越多。

本次除參觀展覽外，筆者亦前往大學拜訪開發茄科IPM技術的教授（前農研機構研究員），教授於對談中提到日本推廣IPM時，也遭遇農民傾向選擇簡單便利的害物防治方式（如單純使用農藥），使IPM即便效果卓越，但因操作相對複雜，降低農民採用意願，因此對於新科技或現有技術的推出，如能具備便利且直覺模式，將有機會提升利用率。

因應COVID-19疫情影響、氣候變遷及人力缺乏情形下，智慧農業企業加速選汰，筆者數年來參訪農業展及持續關注智慧農業演變，雖農業資訊更迭速度，不若科技業以「季」為計，也可略以「年」計變化，建議有興趣的讀者，可規劃每年或隔年參訪相關展覽，即可看見發展的趨勢及進度。待疫情趨緩後，無論公費申請或自費前往，日本農業展都非常值得前往參訪及收集各類資訊，或接洽引進適用國內的技術、資材，將有助持續強化國內農業競爭力及研究能力。

附圖：日本農業展於2019年開始將多個展覽一併展出。
東京農業展展場情形。
自動採收機器人示範採收蘆筍。
汽車企業與無人機公司的合作開發無人機用藥組合。
軟體應用種類多元（左至右為UAV應用、影像辨識、作物販售）。
月租型農業栽培管理軟體。
機械外骨骼輔具。
韓國企業的梨果類授粉用花粉噴射機（搭配噴藥車）。
農藥資材展示，提升安全性的可溶性農藥定量包裝（類似洗衣球）。
施用農藥使用口罩。

資料來源：https://www.agriharvest.tw/archives/59516

#今日疫情重點【三級警戒延長至6月14日！今新增281例本土案例、校正回歸261例、6例死亡；雙北醫療量能吃緊，各縣市動員700張病床協助重症患者；預計6月200萬劑、8月1,000萬劑疫苗可接種；中央訂定快篩處置流程】
　
中央流行疫情指揮中心今（25）日召開記者會，宣布全國三級警戒將延長到6月14日。指揮中心指揮官、衛福部長陳時中表示，目前看來各地陽性率仍高，還有隱藏病例沒被抓出來，社區的傳染仍在進行，決議延長三級警戒。
　
此外，今日新增283例COVID-19（又稱新冠肺炎、武漢肺炎）個案，其中281例是本土個案、2例境外移入、6例死亡，同時也有261例校正回歸確診個案。由於雙北醫療量能吃緊，指揮中心表示正強化醫療資源調度，預計雙北以外縣市將會提供700床病床，提供雙北病患使用。
　
今日台北市萬華、文山等地區都有員警染疫。指揮中心副指揮官、內政部次長陳宗彥表示，文山分局有2位員警確診，一位22日確診，目前在防疫旅館隔離，另一位則在今日確診。文山分局已啟動匡列、採檢自主健康管理，其餘員警先隔離。他表示，目前互相支援機制已啟動，也請全國22縣市警政機關即刻啟動分組勤務。
　
■遠距上課也延長到6月14日，高中以下畢業典禮停辦
　
陳時中今天宣布，原先全國三級警戒到5月28日，將延長到6月14日。他表示，衡量病例數、採檢速度，看起來各地陽性率仍高、還是有隱藏病例沒被發掘，導致社區仍不斷有人被感染的狀況，而近期的人流管制等措施也有效果，專家強烈建議社區管理不能放鬆，才決議延長三級警戒。
　
在全國三級警戒之下，陳時中說，還是要強烈要求盡到個人責任，戴口罩、社交距離、避免聚會，並且遵守室內5人、室外10人規定。企業營運同樣須根據指引、分流上班，而行政院的紓困方案也正積極準備中。
　
學生方面，全國各級學校、公私立幼兒園也同樣停止到校上課至6月14日。教育部長潘文忠表示，這段期間所有兒童照顧服務中心、補習班也同樣停止。其中，家中若有12歲以下學童、身心障礙子女，家長可請「防疫照顧假」；高中以下學生的家長若無法在家照顧，或學生無法進行居家學習者，學校仍會安排人力讓學生到校學習、照顧跟用餐；也會加強關心弱勢學生的遠距上課情形。
　
潘文忠表示，近期高中以下學生有畢業考、期末考與補考，希望各校採多元方式進行評量；至於畢業典禮則必須停辦或採線上轉播；6月5日、6日的國中教育會考補考，有186名因先前疫情而無法考試的學生以及441名台商子女考生必須參加，會採取高規格防疫方式舉行考試，每間試場約2到3人應試。
　
■新增本土病例281例，校正回歸261例
　
陳時中表示，今天新增的281例本土病例中，男性佔144例、女性137例，年齡介於未滿5歲到90多歲，發病日介於2021年5月7日至5月24日。個案分布以新北市154例最多，其次為台北市49例、桃園市16例、台南市、彰化縣、基隆市各10例、台中市9例、屏東縣、新竹市各4例、高雄市、宜蘭縣各3例、台東縣、南投縣、苗栗縣各2例、新竹縣、雲林縣及花蓮縣各1例。（見今日最新疫情概況圖）
　
今日也有校正回歸261例，發病日介於5月2日至22日，以台北市155例最多、新北市89例、宜蘭縣、桃園市各5例、基隆市、彰化縣各3例、台中市1例。這些新增個案中，具萬華活動史者186例、台北茶藝館28例、獅子會相關2例、彰化水果盤商7例，其他已知感染源122例、關聯不明111例、疫調中86例。（見經校正回歸每天確診數圖）
　
■新增6例死亡，為60歲以上高齡者，張上淳：預期死亡個案會持續出現
　
今日新增6例死亡個案，短短3天已18人死亡。個案為：
　
●案1341，70多歲男性，有高血壓、糖尿病等慢性病史；5月8日出現咳嗽、發燒、有痰、全身痠痛等症狀，11日就醫住院、15日確診，20日死亡。
●案2558，60多歲男性，具萬華活動史；5月15日發燒、咳嗽、喉嚨痛、肌肉痠痛，20日確診並住院，21日死亡。
●案2179，90多歲男性，有糖尿病、癌症等慢性病史；5月14日出現發燒症狀，17日就醫住院，20日確診後死亡。
●案3031，60多歲男性，有高血壓、糖尿病等慢性病史；5月15日出現發燒、咳嗽、呼吸困難、喉嚨痛等症狀，20日就醫住院，21日確診，23日死亡。
●案3242，60多歲女性，有糖尿病、高血壓、心血管疾病等慢性病史；5月20日有肌肉痠痛、咳嗽、流鼻水、發燒症狀，22日確診到防疫旅館隔離，24日死亡。
●案4648，70多歲男性，有糖尿病、高血壓等慢性病史；5月22日發燒、呼吸困難、肺炎，同日就醫住院，23日死亡，24日確診。
　
指揮中心專家諮詢小組召集人張上淳分析，這一波確診者的平均年齡高，多數都有潛伏疾病，如糖尿病、高血壓，許多個案常是好幾種混在一起。他表示，從4月15日開始至5月24日，共有3,850例本土個案，60歲以上的個案佔了38%，而整體的重症比例11%，比去年10%以下來得高許多，60歲以上甚至有20%的重症率。
　
「今天這6例死亡個案，都是進程快速、發病到醫院，肺炎很快就惡化的個案，確實重症比例比以前高，而且預期死亡個案也會持續出現。」張上淳說，原因除了可能與變種病毒株特性有關以外，中高年齡長者的潛在疾病也容易造成病情惡化。
　
由於此次中高齡者的病程快速，採檢時輕症若返家快速轉為重症，可能會造成來不及送醫。張上淳表示，近日專家小組不斷檢討病人安置的順序，而目前確診病人依照病況的不同，專家小組也有相關參考指標，包括高齡者、有潛伏疾病、較困難處理的病人，確診後希望送往醫院；其他沒有高風險因子的確診者，則送往加強版集中檢疫所或防疫旅館。
　
■雙北逐步擴充安置量能，其他縣市提供700張病床協助雙北
　
陳時中表示，目前中央的集中檢疫所一共收治1,162人，包含新北市757人、台北市373人，其中100多人是昨天收治的，與前幾天相比收治的速度變慢了，這代表地方自己的安置量能已經在提升。尤其台北市旅館較多、轉換較快，台北市長柯文哲表示，加強版防疫專責旅館預計開到2,200床。
　
新北市部分，前日指揮中心還在記者會提及，呼籲新北市建立加強版防疫旅館來安置確診病人。陳時中今表示，早上已經和新北市長侯友宜通過電話，今日將啟動加強版防疫旅館183間房，這週希望能擴展到1,000間，「整體來講，上週的安置量能不足，現在雙北不斷提升，最困難的時間已經過去。」新北市副市長劉和然則說明，昨日已經努力增加防疫旅館房間數，目前有5間旅館投入，房間數預計可上升至1,062間。
　
醫療量能部分，指揮中心醫療應變組副組長、疾病管制署副署長羅一鈞說，目前全國負壓隔離病床有1,021床，其中還有268床可用，雙北剩下28床；專責病房部分，已要求各醫院開設完畢，總計3,407床，其中409床在雙北，目前總共有2,202床可用。針對需要洗腎的確診病患，會特別安置在有洗腎室的專責醫院，台北市的專責醫院分別為和平醫院和三總松山分院；有其他科別需求的確診者，也會透過醫療網、其他專科醫院來支援治療。
　
羅一鈞表示，目前由災害應變中心執行長來協助全台各區指揮官進行每天的病床盤點，醫事司也會同步掌握，但不會公布各醫院的空床數，因為擔心民眾會去醫院要求病床。床位的安排會一律由執行長協助各區指揮官來調度使用。
　
由於雙北確診病患多，近日新北也有幾起確診民眾在家死亡，是否醫療量能出問題？陳時中坦言，醫療量能確實稍嫌不足，目前已積極在清病床。羅一鈞說，醫事司已經在5月23日發文，動員全台各醫院提供專責加護病房，支援雙北的重症醫療需求，希望醫學中心、準醫學中心至少提供20床，其他醫院則至少10床，預計這週建置完畢後，將有700張病床協助雙北的重症病患。
　
■中央訂定快篩篩檢個案處置流程
　
昨日指揮中心表示正研議各縣市使用快篩的指引，指揮中心發言人、疾病管制署副署長莊人祥今天先宣布快篩站篩檢後個案處置流程。他表示，目前主要採用抗原快篩，同時也做核酸PCR檢測，前者結果約半小時內出來。
　
若快篩陰性，就可以返家進行自我健康監測，等待PCR結果，萬一PCR不幸陽性，嚴重症狀者送醫院治療，無症狀、輕症者則繼續居家隔離。
　
若快篩陽性，沒有住院需求、居家環境可以一人一室者，則開立居家隔離通知書，並回家隔離等待PCR結果；若有治療需求，則由衛生單位開立醫院、集中檢疫所的隔離通知書再後送，等待PCR結果。若PCR結果為陽性，同樣以症狀判斷送醫或居家隔離；若陰性，則自主健康管理到採檢後第14天為止。
　
《報導者》在5月23日發表《科學防疫的缺口──快篩試劑未列入物資整備、社區感染演練也遭否決，為什麼？》（https://bit.ly/3fjUwhH）一文，內文提到，去年11月工研院即建議指揮中心模擬社區感染後佈建快篩站的演練，媒體詢問指揮中心當時未採納的理由為何？陳時中表示，醫療量能有限、平時還需應付基本醫療照顧，指揮中心對疫情狀況早有訂定戰略，但研判當時沒有啟動（快篩站演練）的必要。
　
■陳時中：6月疫苗將到貨200萬劑、8月預計1,000萬劑
　
陳時中今天也強調，預計2天後（5月27日）已到貨的41萬劑AZ疫苗將會開打，會讓風險高的醫護人員、輸送人員、警察、防疫旅館、集中檢疫所等工作人員等先接種。
　
陳時中說，下個月將會有200萬劑疫苗到貨，不過因為疫苗有期限問題，因此會採分批進貨，到8月預計可達到1,000萬劑（包含國產疫苗）。但他不願意透露廠牌，表示會有顧慮，同時也呼籲COVAX平台不應受其他因素而干擾進貨時程。
　
對於中央取得疫苗的時程，台北市長柯文哲則表示台北市衛生局現存疫苗量已見底，「如果國際上有現貨真的要考慮。」他認為現在的疫情狀況並不樂觀，可能沒辦法拖到8月。
　
■ 每日通報社區採檢數及陽性數，中央地方共享資訊報表
　
副指揮官、內政部次長陳宗彥表示，為更準確評估全國疫情風險，自明（26）日起實施新的通報作業流程，各縣市政府須每日通報社區採檢量和陽性人數等資訊，且產製資訊報表和中央分享共用，以利指標監測。此外，為防止高風險地區採檢塞車，指揮中心請各縣市在熱區持續增加社區篩檢站，社區防治組也訂定篩檢站的作業流程，供地方政府參考以提升效率。
　
陳宗彥也說明，目前各地社區篩檢站情況不一，尚未有詳細的人力統計，篩檢站設置以「不動用醫療院所人力」為原則，醫師公會全聯會和耳鼻喉科醫學會等人力都願意協助，希望各縣市政府盡量以額外的人力來維持篩檢站運作。至於民間關心的企業自行快篩的可能性，陳宗彥認為快篩仍有偽陰性和偽陽性問題，企業若要執行，需要盤點可處理之人力以及快篩陽性後如何作業，詳細的規劃指揮中心都在研議。
　
此外，近日有幾起患者在家中死亡的案例，陳宗彥指出因雙北確診者數量較多，若衛生局人力不足，中央已同意可調派其他局處人員協助，加強關懷快篩陽性在家等候者及入住防疫旅館者，更確實掌握健康狀況。陳宗彥也說明，為因應病情突然惡化的可能，已建置集中檢疫所到專責醫院的「綠色通道」，請縣市消防局支援，若無症狀或輕症患者病情有變，撥打119，各地勤務指揮中心會直接後送專責醫院。
　
■ 雙北醫療量能緊繃，專責病房修正不限「一人一室」
　
先前專責病房以「一人一室」為原則，但雙北地區因確診數多，醫療量能持續吃緊，兩市首長也向指揮中心反應是否可放寬標準。陳宗彥表示，執行上若確有困難，由傳染病防治網的網區指揮官視病人住院的必要性和急迫性以及醫院收治量能和病房硬體條件作彈性調整。
　
台北市長柯文哲表示，昨日巡查台北市的醫學中心，醫院量能確實非常緊繃，「以前病人少一人一室，現在病人多沒辦法要求完美，只能先求有、再求好。」至於病患的隱私權，他形容現在是戰時狀態，必須以減少醫護人員負擔、提升效率為優先，消毒隔間布幔亦會增加工作量，暫時取消隔間。
　
目前台北市專責病床有534床，放鬆「一人一室」的要求可開出更多病床，柯文哲指出所有醫院已在整理中，明日可確認床數。新北市衛生局也表示病床正在第二階段清出，陸續可增至1,043床。但柯文哲提醒，專責病房設置必須加裝相關設備，需要一定調整時間，本週會是醫療量能最緊急的關鍵期，自本週末後應可逐漸穩定。
　
柯文哲也強調，無論是集中檢疫場所、加強版防疫專責旅館或醫療院所，能量都還有待擴充，每日大約仍有50多位快篩陽性和PCR檢測確診者無法入住防疫旅館。對於近日幾名高風險患者死亡的狀況，柯文哲認為應落實分級概念，「把各個病人擺到最適合的位置，配合心跳、體溫、血氧飽和度等生命指數監測，才能達到系統最佳化。」
　
■ 陳時中：雙北確診失聯數目太高；侯友宜：若持續高原期，建議中央考慮停班
　
今日新北市新增確診154例，總確診數來到1,926例，居家隔離中的人數達3,895人。新北市長侯友宜直言疫情沒有趨緩，還處在高原期，觀察自5月17日來各社區篩檢站的陽性率，板橋（4.48%）和中和（4.35%）仍是熱區，且額外新增永和及新店的部分區域，進行第三階段的熱點宣導和防堵。他表示疫情再觀察一段時間，若危機未解除，建議「中央在必要的時候停班，先做好準備」。
　
侯友宜指出，新北各大醫院目前收治患者人數共528人，其中有77人是重症，比例高達15%。避免加重醫療系統負擔，先要減少高風險族群染疫的機會，新北的住宿式照顧機構防疫升級，務必落實分艙分流，除必要性醫療需求外一律視訊看診，就醫人員返回要清消及隔離。
　
針對陳時中說「目前台北市、新北市分別有146、164名確診者失聯中」，數目太高，希望雙北儘速跟警政單位合作，聯繫上這些人並確實安置。新北市警察局長黃宗仁表示，新北市164名失聯者已在警察局專案小組下全數找回，今日又新增106名，也已找回53名，未來也會確保確診者足跡，避免出現防疫破口。
　
（文／陳潔、陳德倫；設計與資料整理／黃禹禛、戴淨妍、柯皓翔；攝影／陳曉威、楊子磊）
　
#延伸閱讀
【科學防疫的缺口──快篩試劑未列入物資整備、社區感染演練也遭否決，為什麼？】https://bit.ly/3fjUwhH
【斷鏈的防疫線──確診者家人、醫護接觸者自力救濟下的防疫滑坡效應】https://bit.ly/2RzUNDW
【從武漢到世界──COVID-19（武漢肺炎）疫情即時脈動】http://bit.ly/2HMR2T6

#報導者 #COVID19 #三級警戒 #確診 #本土案例 #校正回歸 #停課 #快篩 #PCR #防疫旅館 #疫苗

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