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

5G也能養豬？中國政府神助攻，5G應用落地超出預期

2019.07.09 by
唐子晴

提前了整整一年，中國政府在6月6日，正式發放了四張5G商用執照，自此正式跨進「5G時代」，但中國在5G建設上，具體到底做了什麼？和其他速度也很快的國家相比，特別之處又在哪？或許和你想的很不一樣！

2019年6月6日，中國政府正式發放4張5G商用執照，包含了三大電信商：中國移動、中國聯通、中國電信，以及掌管有線電視的中國廣電。自此，中國一腳正式踏入「5G時代」。

根據GSMA公布的《移動經濟》亞太版最新報告指出，中國目前已在上海在內的主要城市進行5G測試，預計到了2025年，中國28%的行動連接都將通過5G網路，約佔全球所有5G連接數的三分之一。

的確，「上海虹橋火車站將成為全球第一個5G車站」、「北京海淀區有第一個5G社區了」⋯⋯諸如此類的消息陸續傳來。但是，這些建設究竟意義何在？中國在5G建設上，具體到底做了什麼？和其他速度也很快的國家相比，特別之處又在哪？

中國電信三雄投入5G成本，遠遠小於4G

「我們也不怕透露，整個產業在第一季，包括前五個月，收入增長基本上處於停滯狀態，中國移動甚至已經出現負成長，這是一個客觀的事實。」中國移動董事長楊杰在以5G為主題的上海MWC上，發表了一番「坦誠相見」的演說，點出了一個不可否認的事實：中國營運商下一波成長的機會，就在於讓人既期待，又怕受傷害的5G。

根據三大電信商先前釋出的財報指出，中國移動、中國聯通、中國電信在2019年，總共將投入310億人民幣在5G建設上，這數字卻遠遠低於4G和3G當時砸入的成本。

即便和韓國一樣，中國的5G建設都有國家計畫支持，讓一開始布局就「如有神助」，商用速度自然能搶進全球的前段班，而中國5G頻譜也是由國家配定發放，也沒有煩瑣的拍賣過程。但是，即便政府起到了「推動」作用，但究竟要從哪找到5G的價值，仍得靠電信商自己。

5G的關鍵應用不在消費者，在於如何和產業垂直整合，這一觀念已是老生常談，但讓中國電信三雄不願「大手大腳」的根本原因，其實和全球的營運商一樣，他們也在摸索，5G究竟該如何與產業成功結合？

提前1年商用，政府「神助攻」

雖然電信三雄「小心翼翼」，但布局速度卻不斷加快；事實上，中國5G的商用元年，比原訂的2020年整整提前了一年。

首先，有國家支持，幫忙電信商一起找出5G的商業模式。早在去年6月，中國就舉辦了一場由政府主導的5G競賽「綻放杯」，徵集各式各樣業界、民間的5G應用案例，並讓電信商、網通設備廠商一起合作，目的就是加速5G真正商用的進程；時至今年6月，競賽也邁入了第二屆。

再者，中國的5G組網布局，已經從原先打算「全面SA（獨立組網）」，轉換成為「SA＋NSA（非獨立組網）混合」，這無疑加速了進程。

5G核心網目前有兩種建置方式：讓5G基地台直接連到4G核心網的NSA方式，優點是部署快、成本低，但靈活度會受到制約；另一種則是獨立建置5G核心網的SA，雖然靈活性高，也是全球電信商最終目標，但成本高、布建速度慢。

別於其他國家都先走NSA，電信三雄原先打算全面採用SA，直至今年2月在巴賽隆納舉辦的世界行動通訊大會上，三雄才「改口」：某些情況下，我們還是會走NSA。
「6月6號執照發下來，就代表真的要開始商用了，但如果網路不成熟，也沒有終端支援，要怎麼商用？他們只能做這個選擇。」資策會MIC資深產業分析師鍾曉君說道。

一來，SA的設備、技術和NSA相比還是有落差，現在市面上支援5G的晶片、手機、CPE都沒有辦法完全支援5G網路，需要5G、4G，甚至是3G混合運行，如果全面走SA，這一批首發的終端裝置，則都不能使用；再者，今年電信三雄投入的5G成本不高，若要走高成本的SA，則會入不敷出。

楊杰指出，2019年中國移動已經推出「5G+」計畫，2019年將在全國建置超過5萬個5G基站，目標將在逾50個城市中推出5G商用服務；而中國電信、中國聯通今年都預計在40個城市也導入5G。

「雖然都有政府支持，但韓國營運商專注在提供高速行動網路，產業落地沒有這麼快，中國內需市場夠大，即使消費性市場他們也不會放棄，但足以從垂直產業應用去搶第一，並將成為接下來2B市場發展最快的地方。」拓墣產業研究院研究協理謝雨珊說道。

今年中國5G的應用，一點都不小兒科！

雖然全球百花齊放的5G應用，都還只是「驗證階段」，但中國這一年落地的試驗，可以說是突飛猛進，如果在2018年的上海MWC上，電信三雄展示的5G應用還只是一種飄渺的想像，到了2019年早已經超出預期。

有了政府支持，中國展示的5G應用一點都不「小兒科」，光是從中國移動的展位上看來，5G已經開始陸續導入城市的大型基礎建設，在醫療、自駕車、教育，甚至是農業方面，都有不少新進展。

有一顆「超腦」的智慧城市

5G要怎麼跟城市結合？首先需要搜集大量的城市資訊，在進行傳輸、計算、彙整，即時給出配套措施。

中國移動介紹，作為中國最大的電信商，他們已經擁有超過9億筆行動數據、1.5億筆家用寬頻數據、5億筆物聯網數據，這些都是「珍貴的寶藏」，經過即時加工計算，可以用於城市交通道路規劃、人流分析，也可以進行商業據點選址。

針對北京、天津、河北三個城市，中國移動推出了「超腦」，可以分析城市人口出入概況，年齡、性別等等面貌資訊，進而即時進行疏散規畫，「這對於政府來說，是有很強的指導意義的，」現場人員說道。

另外，對於城市的各個角進行監控後，像是有小孩走失，通過上傳訊息到管理平台，就可透過城市中各個攝影機抓拍到的影像進行分析比對，定位小孩最後出現的位置，後台會以該位置為核心自動規劃出最佳搜尋區域，再調動無人機和機器人的搜救、巡航路線。

現場人員透露，全中國已經有500個城市在進行智慧城市的架構設計，接下來將會陸續導入5G，和城市控管結合。

5G自駕車導入礦山、駕訓班

在位於上海市浦東區的展館內，設有一個「模擬駕駛艙」，可以即時操控1,000公里外、位於北京紡山區自動駕駛示範區中的無人車，車速約維持在20m/s內。

在這一個半開放園區內，這台車可以在「自動無人駕駛」和「遠端駕駛」間切換，當自駕車偶遇突發狀況時，就可以透過遠端進行人為干擾，。

「一般來說，這會用在人類無法到達的地方，或是災情救援中，像是礦山、道路搶修，現在也有駕訓班在洽談。」

今年3月，中國實現了第一起5G帕金森手術

在2019年3月16日，中國進行了第一個5G手術。

這一個專門治療帕金森的「腦起搏器」手術，病人在位於北京的人民解放軍總醫院，而醫生位於海南醫院，兩者相隔了3,000公里。雖然術前、術後都由現場醫生操刀，但最關鍵的手術部分，是靠5G網路低延遲的特性，耗時3小時完成。

另外，針對急救，在救護車、直升機上也搭載了5G小基站，透過5G遠端超音波回傳圖像，可以讓醫生即刻進行診斷，在最黃金的時間內，採取搶救措施，而不用再等到回到醫院時進行處理，在今年6月四川發生長寧6.0地震時，已經憑此針對骨折患者進行診斷。

5G也能養豬？

最令人嘖嘖稱奇的，是5G也能養豬，在四川省的一個豬圈中，目前和中國移動做，已經導入5G來對豬圈進行監控。

針對每一頭豬，都配有兩個生物傳感器：一個可以紀錄豬的體溫，判斷他們什麼時候排卵，進而來配種，提高生育率；另一個則成為豬的「身分證」，追蹤豬的位置，分析他的營養、動態，來達到「精準飼養」。

但是，這為什麼要這需要5G？

「第一個，感測器的連結量很大，大型豬場的規模都有上萬頭豬，4G沒辦法支援那麼多數量連結；第二個是數據的收集，因為穿戴設備其實很容易從豬的身上掉落，還是是要透透過精準搜集現有數據，再進行精準的計算來監測。」

1：1全息投老師直播授課

最有趣的，無非是5G教育了，中國移動這次導入了一個全新的技術——全息投影。
中國人多地廣，有不少學校較偏遠或是師資不足，在去年，中國移動就提出了「直播支教」的解決方法；到了今年方法再升級，讓老師「活靈活現」靠全息投影呈現。

「我們一般盯著螢幕2個小時就受不了，但學生需要學習一整天，效果一定不是很好，全息投影可以緩解，也可讓老師整體形象呈現出來，好像老師真的就在我面前講課，這個效果一定比單靠螢幕好很多。」現場人員說道，老師在攝影棚內透過直播，幾乎就能1:1等比例遠端互動授課。

除此之外，中國移動還備有另一套「驗收方法」。

中國移動還設有「學習筆」跟「學習卡」，透過上面的搭載的感測器和資訊紀錄，可以獲取學生手寫筆記、錯題率的數據，之後生成學習報告。

可以透過學生成績、上課資訊採集，彙整成學習成績報表。唐子晴/攝影

但是全息投影看似新潮，但沒有好幾台攝影機環繞拍攝主體，沒有全息投影布幕的話，是沒有辦法進行的，學校是否有財力可以採用？

「國家對這一快的投入還是非常大的，很多學校都已經投入了智慧教學設備政，而且這套設備還好，沒有你想象中那麼貴。」雖然最終現場人員還是未透露導入售價，但預計今年9月開始商用。

附圖：中國移動董事長楊杰坦承，2019年前五個月，中國電信業者日子都不好過。唐子晴/攝影
中國移動推出「5G+」計畫。唐子晴/攝影
像是位於河北省的雄安新區，有很多外來人口，地方政府可以即時掌握這些人口的概況。唐子晴/攝影
像是智慧城市的安防系統，中國移動以走失兒童的案例來展示。唐子晴/攝影
遠端駕駛的視角，含括擋風玻璃（中）以及兩個後照鏡的視角（左右）。唐子晴/攝影
中央衛視已經大幅報導這一起手術。唐子晴/攝影
在救護車上，也有這種可以連結手機的5G超音波設備，更方便攜帶診斷。唐子晴/攝影
但即使豬的數量很多，這一點似乎NB IoT也能做到，是否一定需要5G，仍有待考察。唐子晴/攝影
現場展示的地理老師全息投影教學，引來大批觀眾圍觀。唐子晴/攝影

資料來源：https://www.bnext.com.tw/article/53922/what-is-the-new-things-about-5g-in-china-construction

科學家開發新皮膚貼片，無需針刺也能量血糖

by
科技新報 Technews 2018.04.11

糖尿病患者為了監控血糖值，必須每天定時以針刺手指取血量測，但現在只要用一條像OK繃一樣的皮膚貼片，利用感測器小電流從皮膚下的間質液吸出葡萄糖並儲存在裝置中量測，就可以監測血糖。

對全球糖尿病患者來說，定時以針刺手指來監測血糖是日常生活中不太愉快的經驗，科學家一直致力於研發非侵入式的監測設備。最近，巴斯大學科學家開發一款創新皮膚貼片，利用感測器小電流從皮膚下的間質液吸出葡萄糖並儲存在裝置中量測，不再需要血液樣本，團隊接下來將準備進行關鍵臨床試驗。

糖尿病是身體隱藏殺手，長期下來可引發多種嚴重併發症如：心臟衰竭、視網膜病變以致失明、腎臟疾病、截肢等。雖說預防勝於治療，但由於飲食文化和生活型態改變，全球先進國家內的第 2 型糖尿病患者數都在逐日攀升，主要原因即肥胖。世界衛生組織（WHO）預測，全球糖尿病發病率將從2000 年的 1.7 億攀升至 2030 年的 3.66 億。

糖尿病患者為了監控血糖值，必須每天定時以針刺手指取血量測，長久下來漸成痛苦的例行公事。已有不少醫材商開發各式各樣的非侵入式監測設備，比如只要夾在耳垂上就能測量體內血糖變化的血糖儀，號稱結合超音波、電磁、熱能技術的高級「夾子」。

最近，還有巴斯大學科學家創造的一種黏性皮膚貼片。這種位於手腕上的電子貼片透過微型感測器陣列，不用刺穿皮膚也能從皮膚下的間質液透過小電流吸取葡萄糖，每 10~15 分鐘就能讀取一次讀數，比其他實驗性貼片還要精確。

巴斯大學物理系 Adelina Ilie 博士表示，這種貼片擁有強大導電性、靈活性、低成本、環保等優點，目前研究小組已經在兩隻豬身上以貼片進行血糖檢測，結果準確追蹤，團隊接下來的步驟包括進一步優化貼片設計，並進行關鍵臨床試驗，希望有天皮膚貼片還可以與智慧型手機 App 應用，提醒糖尿病患者何時該採驗血糖。

資料來源：https://www.bnext.com.tw/…/…/glucose-adhesive-patch-diabetic