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

#四合一運動用品 #消耗小孩體力 #媽媽緊實爆汗
📣開團囉『美國MorfBoard魔板』🏂🏂
優惠訂購處➡️：https://meim.ai/f08bcc

💖從小訓練孩子的運動力和平衡感，除了基本的滑步車、滑板以外，還結合進階的平衡滾筒及彈跳球，一體四玩、組裝拆解完全不需要任何工具就可以完成，方便快速✌️✌️

📌 #四種組合可以選📌
✔️基本2in1 滑板/滑板車👉團購價3899（原價4390）
✔️彈跳球+滑板/滑板車👉團購價4999（原價5760）
✔️平衡滾筒+滑板/滑板車👉團購價4799（原價5460）
✔️大全配(滑板車/滑板/彈跳球/平衡滾筒)
👉團購價5799（原價8040-最優惠）

✅付款方式：虛擬帳號、信用卡、信用卡三期、linepay
✅出貨日期：下單後3天內現貨出貨
🌟直播分享：https://reurl.cc/59Q8V
🌟文章介紹：http://keyirou.com/morfboard-20190706/

【#滑板】
📍 採用53mm輪胎,配有ABEC-5高性能軸承,滑行更加順暢
📍 8英吋板面、提升滑行舒適度、輕鬆易上手
📍 大而柔軟的滑板輪、滑行時穩定靈敏
📍 內部鋁合金材質、堅固耐用

【#滑板車】
📍防滑橡膠把手、高度3段可調T型桿(56/66/76cm)
📍寬而耐用的輪胎、轉向更輕鬆
📍獨家安全煞車系統、滑行更安全
📍加寬軸距以及轉向專利、提升操控穩定度以及騎乘舒適感

【#彈跳球】
📍運動健身、室內室外皆可適用
📍舒適可調節腳帶,輕鬆固定雙腳
📍360度旋轉彈跳、強化下半身肌群、同時訓練全身協調性

【#平衡滾筒】
📍安全端塊設計，訓練平衡更安心
📍增強肌耐力以及訓練下半身肌群
📍防滑橡膠牽引墊，可在任何平面地形上使用
📍獨家安全煞車系統滑行更安全

〈當我談ubike時我談些什麼〉

#下一個人文化#

作家說，坐飛機綁安全帶後第一件事不是調整長度，而是冥想上一個坐在這個位置上的人，他的高矮肥瘦。簡而言之，這個人試圖捕捉上一個人留下的「痕跡」。

有一種文化叫「下一個人文化」，意思是使用公共器物的時候心裏惦記著自己之後使用的那一個人，便會寧願紮馬步也不將髒兮兮的鞋子踏上馬桶圈，會在離開時把一切儘量復原。

當所有人都扮演「上一個人」而為「下一個人著想」的時候，善意即如一個循環往復的圈，受益的將是每一個人。日本人將這種文化發揮到了極致，一切整齊劃一，井然有序。

但話說回來，
一個了無痕跡的社會不免死板，
少了某些趣味。

例如當我在速食麵專櫃上看到了一個突兀的奧特曼的時候，我會興奮，腦中頓時閃現某個毛頭小孩哭鬧說要買玩具媽媽大聲喊他全名呵斥你給我放下的場景。小孩扁著嘴，無計可施，割肉一般捨棄之。此種「痕跡」，倒也不惹人討厭。

#台灣人的痕跡#

台灣也是一個「不留痕跡」的地方。台灣人不亂丟垃圾，圖書館內書本閱讀後會放回原位，餐具和廚餘自己收拾乾淨。

但是，我卻在ubike上看到了台灣人的痕跡，從坐墊的高低可以判斷對方的身高和臀線，從慣用檔數可假設對方的性格和體型，甚至還能捕捉他來時的路，上坡檔，嗯該不會是剛經過了景美橋。

ubike到站後最後的姿態裡也有漣漪可循：若車子只有車頭對到鎖扣，而車首尾間形成折角，則說明這是一個愛遲到的大頭蝦，嘴裏念著糟糕老師開始點名了匆匆離去。如果車頭還有往前推的空隙，則這個人沒有暴力還車，至少不緊不慢。

車子停在這個站，大概會是做什麼？附近是什麼基礎設施，什麼機能？學生上學、主婦買菜，還是路過鹽酥雞攤檔敗給了食欲？

偶爾看到有人把皺巴巴的紙巾遺忘在車籃，應該是下雨擦過坐墊留下的。當只有一輛車的坐墊上沒有佈滿雨珠，便知這是有人冒雨騎行剛剛到站，看到此景，你會希望他書包裏裝了雨傘，身上穿夠了抵擋寒冷的衣裳。

以上所說的種種，都是「台灣人的痕跡」。

#腳踏車#

粵語裏稱「bicycle」為「單車」，《說文解字》中「單」字除了「單獨」以外，更有「薄弱」和「孤零」的含義。

陳奕迅的《單車》中有這樣一句：「想我怎去相信這一套，多疼惜我卻不便讓我知道。懷念單車給你我，唯一有過的擁抱。」

這句歌詞講父子二人同坐一輛單車，身體靠近而仿佛擁抱，把父愛的含蓄深沉刻畫得入木三分，「單」字於此是那樣樸素、堅決而偉大，倘若把歌名改為《腳踏車》，瞬間就失了悲情，顯得活潑俏皮，倒像是兒歌了。

腳踏車這個詞，是台灣人的詞。這是一個很可愛的詞，她勾勒出了人和車的互動過程，三音節本就比雙音節聽來更跌宕起伏，再加之頭腦之聯想能力，每次聽到這三個字，《洋娃娃和小熊跳舞》的場景便自然浮現，唔，還有吵吵鬧鬧的歡樂馬戲團。

#放羊#

大陸流行「共享單車」，但大陸還未有成熟的「下一個人」意識，有人把單車肆意停放在「能給自己最大便捷」的地方，草坪上，停車場，自家樓下。

之前還在廁所門口看到一臺，注意不是大門而是廁所門口喔。雖然那位同學的腸胃值得同情，但實在不想再見到此情此景。

「共享單車」，像逛夜店的異地一夜情，隨叫隨到，隨召隨騎，反正死生不復相見；下次再開到同一架的機率實在太低，那就隨便用用好啦。而ubike，更像長期契約，是需要維持表面紳士風度的固定伴侶。當然，這比喻畢竟惡俗。換一個好了。

Ubike有學名，叫「微笑單車」，因字母「U」像上揚的嘴角。有句話叫做「愛笑的女孩子運氣都不會太差」，那麼「愛笑的腳踏車運氣也不會太差」。我喜歡Ubike，我喜歡它風雨不動在同一個角落等我，像被我圈養的一群羊咩咩，它們擁擠簇擁在一起，等我走進去，每天只牽一隻溜。

夜半，偶爾也會有羊都跑沒了的時候，也不計較：至少和自己同一個地點出發的人，都在午夜降臨前，安全到家。

#落湯Ubike#

Ubike也不一直被需要。亦有阴雨天，看到ubike被碼得整整齊齊，無人問津，像一群侍衛排兵佈陣保家衛國，雷霆之下毅然不動，我心生憐憫。我們常說落湯雞，不曾想過有一天會出現落湯ubike。

多想和喜歡的人一起騎落湯ubike，
和他一起變成渾身濕透的落湯雞。

我們會遺忘ubike，但它不会。你看，晚上的時候啊，沒有捷運也沒有公車了，ubike永遠在某處等你。還不像計程車會收加班費。永遠、任何時候、都願意無條件陪著你、護著你，多麼偉大的友情！

你知道啊，有些地方我們不敢踏足、有些距離让人尷尬--捷運不設站公車不經過、有些夜路我們不敢單獨前往。但如果有一辆腳踏車，一切都變得简单明朗起來，它橙黃色的軀體裏蘊藏著無限定力和勇氣。

可明明她不會說話，她不會喊痛。她只會叮叮噹。她每一次發出聲響，都是為了保護你⋯

#Ubike的叮噹#

ubike的鈴鐺都多多少少出了問題，當騎到鈴鐺清脆的一輛，就中了樂透般心情舒暢，忍不住一路撥動手指，讓它歡呼雀躍、叮叮噹當響。

#關懷#

村上春樹有一本書名為《當我談跑步時我談些什麼》，那我可以寫一篇《當我談騎行時我談些什麼》。

你知道台灣的行道路真的很平嗎？這是走路、開車、搭乘捷運都感受不到的事，我說的「平」不是指海拔的統一，而是道路的連續性。

別小瞧了，「路很平坦」並不是無關緊要的事，這分明是一種關懷的體現！要帶輪子出門的，除了騎腳踏車的人，還有坐輪椅的人。

曾經有陸生奇怪地問我，為什麼台灣的身障人士特別多，走在路上常常能看見。其實不是台灣的身障人士多，只是台灣的身障人士更具足「上街走走停停」的條件。

#製造風的過程#

前進是逆風的過程，而其中，我最不喜歡的就是機車。每次坐在朋友的機車後座，我都感覺自己將被吹到面癱，逆風致力於把人臉吹歪，就算沒有臉歪眼斜，髮型也會被帽子淩辱得一塌糊塗，膝蓋還常被吹到風濕骨痛。

但對我來說，騎腳踏車前進，
則是一種例外的前進。

騎腳踏車，不是一個逆風的過程，
而是一個「製造風」的過程。

騎腳踏車的時候，通過自己的力量，我們得到了能量守恆的回饋：由機械動能和摩擦力製造的同等功率的風，包裹圍繞著我們，持續而忠誠。

它托起我們的臉頰，
鼓起我們的裙擺，
陪伴我們直到歸處。

通過我的一雙腳和腳下穩步前進的腳踏車，我可以自己控制風向與風速：上坡時，我可以製造從上而下魚貫的風，下坡時，我可以製造由下而上噴薄的風。微風，清風，疾風，狂風⋯隨心所欲，歲月靜好。

#Ubike的encore#

五月天曾說在小巨蛋開演唱會常被要求encore。小巨蛋場地以刻鐘計費，唱多一首又會直接超出了租賃場地的時間，索性繼續唱多幾首「唱满場地費」回饋粉絲。

ubike也有「encore」。耳機隨機播放到了喜歡的歌曲，到站了歌曲卻還未播完，腦子裏想的迎風在無人的小徑曲線滑行，頗有孔老夫子所言「隨心所欲不逾矩」之感，便乾脆再原地繞行。

而看到借車時間已超過三十分鐘開始跳表，
索性多繞幾圈「騎回票價」回饋自己。

#關於ubike的七秒金魚記憶#

一、寒冷的西伯利亞大陸寒潮與海面濕氣交織攀爬上岸，給臺灣催來持續而綿密的梅雨。雨後空氣清新，師大路有一個ubike站位於在公路邊，一朵小花從斜上方的樹尖落下，安靜地窩在坐墊中央的壑溝內，白而清亮的花瓣上點綴著雨星，像剛哭過一樣。

二、有一次與朋友從基隆回來，我們在廟口夜市買了很多東西，重得上氣不接下氣。到台北時，捷運和公車都已停運，而朋友遺失了悠遊卡，沒辦法借ubike。危機即是轉機，他另闢蹊徑：「用你的卡刷ubike，放行李。」我們立馬達成共識，將大包小包掛于其上，輪流推著前進。如此一來，兩人都輕鬆了不少。

三、世新大學外新建了ubike站，車位有限，有人為了防止自己到站時無空位停車，居然把個人小物件如娃娃放置於車鎖之上，以宣誓主權。但那次之後就再也沒見到過了，也許是被人發到「靠北世新」投訴了吧。

四、裙子和騎車，不應該是矛盾，而更像夫唱婦隨。被風吹起針織裙子，不禁「啊」一聲叫出來，當下的反應不是嬌羞按住裙擺，而是直接躍起身子站在踏板上讓裙角下墜，耳畔呼嘯而過的，全是年少無敵的羅曼蒂克氣啊。

五、Ubike作為低速代步工具，自然而然和「無所事事」正相關。想來倒也是用ubike做過很多廢到不能再廢的事。曾和兩位台灣朋友從景美騎到101，只為去伴手禮店鋪假裝自己是要買單的陸客吃個夠。

六、某天，同學站著上課，死活不願意坐下。大家都傳難言之隱是痔瘡故。結果闢謠前日與朋友去淡水，馬不停蹄騎了四個小時，回來屁股裂成四瓣動彈不得。而同去的朋友都沒事，因為人家用山地車，他用Ubike。

七、到站還車，卻怎麼也找不到車卡。眼睛瞟到一位大哥畢恭畢敬站在我右側身後，左右一看，整排車都空了！只有遠處一輛座墊歪掉的。也就是說，他在等我！我摸摸索索了大概五分鐘，就是找不到那該死車卡，。我汗都出來了，他紋絲不動，沒有一丁點不耐煩，露出佛性微笑。這位賢者面前，我像個過動潑猴。

#Ubike上的世界觀#

一直覺得腳踏車是最安靜的移動方式，比走路還要解放靈魂。一個人騎ubike，以此為藉口堆砌了很多光陰於同自己的和解之上。

如果有外星人，它會發現
這個世界被分為兩個部分：
一部分是我看到的世界，
還有一部分是在ubike上左顧右盼的我。

有的時候，我會忘記要去哪里，
更忘記自己從哪里來，
似乎是這輛腳踏車在指引我，
遠離一個光源，向另一個光源靠近。

因為有ubike，
我會更有底氣選擇一條
可能會耽擱會偏離會迷失
但不曾涉足的路。

騎行的時候，
景色行雲流水般注入你，
灌進你，穿越你。

看著牽媽媽的手過馬路的中年男子，不禁覺得因雞毛蒜皮和家人吵起來的自己幼稚無比，看到阿嬤手推車裏熟睡的嬰孩，會想起陪伴自己長大的爺爺奶奶如今兩鬢斑白，生命交替悄無聲息。

看到落單的中學生，會問當年是不是也曾因數學方程式焦頭爛額，或為人際關係責怪自己。

還好啊，來不及讓你陷入任何一個
荷馬史詩般的命題，
下一格畫面如約而至。

#Ubike教給我的事#
#人生的坐標系#

騎ubike等綠燈，前面的車一直沒動我也就沒動。結果綠燈快結束我才發現前面這輛車是本身就停在路邊的。

來不及了，這次錯過就是完整的錯過。

所以啊，無論是等紅綠燈還是人生啦，
不要以所在的環境或身邊的同伴作為參照，
要直視自己的目標以做出最準確的判斷。
畢竟，是每個人自己的人生。 ​​​

#ubike上的臺北市#

Ubike屬於台北和每一個路過台北的人。

此刻，若將正在臺北市裏前進的ubike彼此連成線，那會是一章比宇宙星空還要委婉悠揚的交響曲譜，是一冊比圖騰刺青更銘肌鏤骨的時代影集。

一座城的市容風貌不在於多快多豪華的重型機械交通，而在於這些微不足道的代步工具，是這些小齒輪般的存在，讓臺灣這片屹然不動的島嶼可被細嗅薔薇，可被感同身受。

所以我終於知道了，
不是精准的經濟騰飛的數據
或啰嗦的市長選票，

而是在那細幼的軸承鏈條上，
便有完整的一座臺北市，
完整的一個童話國。

簡字排版🔗：
https://mp.weixin.qq.com/s/ju4gQrkV35PSSfAk3sh_nA