好書推薦《#造局者》部落格文末抽獎贈書 2 本
這是我今年讀過最喜歡的書之一，作者探討在這個 AI 崛起和時局飄渺動盪的年代，人類已經無法跟演算法和電腦的計算速度競爭。但是，身為人類的我們仍然擁有一項電腦無法取代的優勢：「懂得建立、想像、創造各種思考框架的能力」，掌握這項能力的人在未來會愈來愈有優勢。
部落格文章 https://readingoutpost.com/framers/
Podcast 用聽的 https://readingoutpost.soci.vip/
.
【這本書在說什麼？】
《造局者》這本書的作者是三位學者共筆，他們都是在 AI 和 大數據領域有卓越的成就，分別是《經濟學人》雜誌資深編輯庫基耶（Kenneth Cukier）、英國牛津大學網路研究所教授麥爾．荀伯格（Viktor Mayer-Schönberger）、歐洲管理科技學院教授，決策、模型暨數據中心主任德菲爾利科德（Francis de Véricourt）。

他們發現在 AI 崛起和世局動盪的現在，人類最無可取代的能力之一就是「決策能力」，而要擁有好的決策能力就必須掌握許多不同的「思考框架」。因為當一個人能提出正確的思考框架，就能找出更多的選項，做出更好的決策，創造更好的局勢。深諳此道的人就被稱之為「造局者」。

這本書從人類如何做出好的決策出發，談到建立思考框架的重要性，也提供我們三種最重要的建立思考框架的方式。在書本中段，則說明了遇到瓶頸的時候，如何重啟另一個思考框架。在後半段則說明了我們該如何學習更多的思考框架，以及讓自己擁抱更加多元性的策略，並且培養敏銳的心智。

如同這本書的介紹影片裡談到的：生活中一切都需要抉擇，而做出更好抉擇的秘訣，就在於思考框架。駕馭這種思考方式可以讓你更瞭解世界、改善工作表現和人際關係、促進社會進步。這也是人類之所以能夠勝過機器和 AI 的因素。成為「造局者」正是未來人才必不可缺的關鍵技能。
.
【什麼是造局者？】
以標準的定義來說，「造局者」（Framer）指的就是起草美國憲法的那一群人，他們建立了聯邦政府的框架。因為美國憲法就像是一個思考框架，用來定義和界定聯邦政府的職權及程序。而在這本書中，造局者指的就是那些「懂得建立和運用思考框架的能手」。

這本書要講的重點之一，就是無論人們的地位高低，每個人都可以成為造局者：「能夠發揮和建立思考框架，或是重啟思考框架的能力，讓自己的生活乃至於整個世界有所不同。」作者也不斷強調建立思考框架所需要的技巧，可以靠著訓練與經驗不斷進步。這本書就像是一本操作指南。
.
【什麼是思考框架？】
在1970年代，「心智模型」（Mental Model）的概念開始流行，人類的推理並非以邏輯形式在運作，反而更像是在模擬現實：人們評估各種選項的方式，是去想像可能發生的種種情況。我們對於世界萬物的思考方式，會受到你「相信」這個世界如何運作而影響。因此，面對同樣一件事情，用不同心智模型在思考的人會有不同的觀點。

而在這本書中所謂的「思考框架」（Frame）就是我們選擇和應用的心智模型，這會決定我們如何理解世界、決定我們如何行動。面對一個新的情境，我們也可以用思考框架去歸納和歸類，並且想出一個抽象的概念，在應用到這個全新的情境裡面。

舉例來說，當我們要畫地圖的時候，經常會採取「笛卡爾直角坐標」的思考框架，這上面有X軸和Y軸的維度可以幫我們用2D的觀念畫出相對的距離和位置。可是當你要在台北市搭捷運從A地到B地的時候，反而採用「捷運地圖」的思考框架比較有效，雖然捷運地圖的站點之間，距離和位置都不是真實的呈現，可是卻能幫助乘客直覺地理解：下一站要去哪裡。這時的重點就不是距離和位置，而是清楚地辨認出目的地的站點該搭乘哪一條線。

所以當我們問：「哪一種地圖最好？」這個問題本身並沒有意義，而是會因為使用的情境和目的的不同，而產生不同的答案。所以，也沒有什麼叫做最正確的思考框架，都是要看情況和目的而定。讓自己成為建立思考框架的能手——也就是造局者，就能懂得如何選擇並且應用思考框架，這會是各種決定與行動的基礎。
.
【思考框架的轉變】
在聊主動建立思考框架之前，讓我們先看一個被動轉換思考框架的真實故事，這是書中提到一段關於朗讀到默讀的閱讀框架轉變。在西元11世紀之前，歐洲大部分都是在教堂才會有閱讀的行為，而且都是以「集體朗誦」的方式在進行，主要的目的是讓大家參與一個讚頌神的集體活動。但是到了11世紀之後，開始出現另外一種閱讀的框架，也就是「默讀」。

默讀讓閱讀這件事情不再是集體的體驗，而是一種個人的經歷。每個讀者都可以控制自己要讀快一點或慢一點，你也可以重複閱讀某一些篇章，自己可以慢慢思考書裡面的內容，產生新的點子，促進獨立思考。到底，是什麼東西造成了人們從朗讀的閱讀框架，轉移到默讀的閱讀框架呢？

在早期的書籍和文章裡面，常常沒有標點符號，字跟字之間也沒有空格，就像是一連串的字母之間不斷地延續。這種情況下光是要閱讀就非常困難了，想要默讀更是不可能的任務。這個時候集體朗讀就有它的功能，因為在一群人裡面，總會有人過去曾經讀過這篇本文，還記得某些字跟段落該怎麼念，就可以帶領大家一起朗讀下去。

在後來才出現了一項創新，書籍的字裡行間，開始有了「空格」和簡單的「標點符號」，這個時候就不再需要有人帶領，許多讀者可以自己進行斷句，獨自閱讀一本書了。於是，在這個時候人們就可以切換到另外一種閱讀框架。這件事情的影響非常的深遠，因為這一整個新世代的讀者都可以自行默讀，有助於人們自己的獨立思考，進而激發出更多元的思考框架。
.
【建立思考框架的三個方式】
建立思考框架的方式有三個：想清楚因果關係，想像出平行現實，運用物理學定律制定適合的限制條件。這三個特色正是應用思考框架的時候最重要的因素。值得注意的是，思考框架本身並不是解決方案，而且是尋找解決方案的工具。以下分別介紹這三個方式：
.
１．#因果關係
人類運用因果思維來看待這個世界，可以更容易理解世界，也有助於預測未來可能發生的事情，可以說人類是天生「因果推理」的機器。相較起來，AI 科技就無法擁有自己的因果思維，而是需要人類幫忙設定。舉經典的 Dota 電腦遊戲來說，這是一個兩隊人馬 5 vs. 5 互相廝殺，力求破壞對方大本營的遊戲。

科學家找來遊戲高手擔任 AI 策略的開發人員，設計了一些獎勵因素，讓 AI 跟自己進行的數百萬次的對戰，反覆嘗試錯誤，找出最好的操作手法。但是當 AI 跟人類正式交鋒的時候，人類還是取得了上風，尤其在團隊合作上面 AI 顯得像一團散沙。

後來，開發人員發現說，一般玩家會分成三個階段來安排戰鬥，所以開發人員就依照這樣的順序安排程式，在不同的階段給予不同的策略，調整獎勵的優先次序。然後開發人員就發現說一開始機器人通常只會照顧自己，所以還得幫他們建立「團隊合作」精神的框架。他們建立起了一些跨越個人遊戲角色的「超參數」，調整成一隻要達成共同獎勵的團隊。經過這一些修改之後，AI 反過來把人類打得落花流水。

值得注意的是，電腦不是自己學會這些事情的，而是因為人類先輸入了一些「因果框架」的獎勵因素，才可以讓這些運算發揮它的功效。同樣的現象發生在其他像是圍棋和西洋棋遊戲的對決，真正的突破並不在於機器高速的數字運算，而在於人類調整了 AI 對於因果關係（獎勵）的思考框架。
.
２．#平行現實
書中的說法是「反事實思考」，但我認為有點難懂，用「想像出另一個平行現實」比較好理解。這個方法可以讓我們跳脫當下對世界的認知，想像出一個全新的情境，問自己：「如果……會怎樣？」就像是小孩子在玩扮家家酒，或者是科學家透過抽象理論設計出全新的實驗。透過想像出一個平行現實，我們可以將因果關係轉換成實際行動，測試看看可能有什麼影響，帶來什麼後果。

心理學家高普尼克（Gopnik）認為這種能力其實在人類孩童時期就已經具備了，他還把嬰兒稱為「搖籃裡的科學家」，她設計過一個很有趣的實驗名叫「贊多測試」的假裝遊戲（贊多指的是顏色鮮豔、形狀可愛的物體）。

實驗的第一階段，高普尼克和孩童待在同一個房間，孩童會學到一個因果關係：把贊多放到一個機器上面，機器就會播放生日快樂歌，幫一隻猴子玩偶慶生。然後，在實驗的第二階段，會有實驗人員走進來把機器和贊多拿走，高普尼克和孩童一起露出失望的表情。

這時候高普尼克會拿出一個「盒子」、兩個不同顏色的「積木」，並對孩童說：「我們假裝這個盒子是機器，這塊積木是贊多，另一塊積木不是贊多。」接著她鼓勵孩童繼續幫猴子玩偶慶生。此時，孩童挑選了正確的積木，放到盒子上。即使她把兩塊積木的定義互相對調，孩童都能夠選到正確的積木。

這個假裝遊戲的實驗，證實了人類自幼就擁有了反事實思考的能力，也就是有能力可以想像出另一個平行現實。高普尼克發現，更會玩假裝遊戲的孩子，就能對平行現實做出更好的推論。她說：「嬰兒和幼兒就像人類社會的研發部門，至於成人這是那些單調無聊的製造與行銷部門。」許多人在成年之後，反而容易落入單一現實的思考方式，而忘記了我們天生就有想像平行現實的能力。
.
３．#限制條件
作者提到，所謂的建立思考框架，並不是任由想像力無邊無際地飛翔，也不是像斷了線的氣球到處亂飄，而是要有一定程度的「條件限制」，有助於約束我們的想像力，讓平行現實的想像維持在可以執行的程度，這才能讓思考光架真正發揮效用。

書中舉了一個很像電影裡才會發生的真實故事「恩德培行動」，這是一個以色列精銳部隊在恩德培機場的行動中，從恐怖分子手裡救出人質的戰鬥情節。1976年，恐怖分子綁架了飛機上106名人質，關押在烏干達的恩德培機場航廈中。當時烏干達獨裁者跟以色列當局並不友好，出動軍隊肯定不是好的選項。另一個方案是讓突擊隊員假裝成獲釋的巴基斯坦犯人，但太容易被看穿了。還有人提議讓突擊隊員降落在機場旁的湖裡，但是湖裡有許多鱷魚，而且任務結束之後這麼多人該怎麼全身而退？

評估了各種可能選項後，在種種條件限制之下，以色列想出了一個奇招：讓突擊隊搭乘運輸機在夜間降落到機場，搭乘機場內常見的車輛前往航廈，消滅恐怖份子、救出人質之後搭乘運輸機直接回國。他們在空軍基地搭建了航廈的等比例模型，透過少數獲釋的人質口中知道人質的大約位置，並且一次又一次地排練所有行動，講究到每一秒、每一步該怎麼進行。

在一個沒有烏雲的午夜，29位突擊隊員搭乘運輸機降落機場，他們身穿烏干達軍隊的服裝開著機場車輛前往航廈。突擊隊以迅雷不及掩耳的速度突擊航廈，只花了十分鐘就解決所有的恐怖分子，然後就帶著人質直接搭乘運輸機返回以色列。整場行動中只有三位人質喪生，而且連烏干達政府都還來不及反應。這個故事從天馬行空的平行現實裡，限縮了各種條件，找出了最可行的方案，最後成功執行了這次任務。
.
【重啟另一種思考框架】
當你想要解決一個全新問題的時候，尤其是還沒有人曾經解決過的問題，你可能會感到不知所措。這個時候，先透過兩個步驟來思考：(1) 先從自己腦袋裡的框架庫找找看，有沒有其他適用和類似的框架、(2) 檢查其他不同領域的框架庫，看看有沒有能夠直接借用，小幅度調整就可以使用的框架。

如果這兩個步驟都找不到適合的框架庫，那麼才嘗試最困難、也是最後的殺手鐧：「發明新的思考框架」。作者提醒道：「切換到不同的思考框架，能讓你對世界有不同的觀點，但這也有風險。」一旦你重新找到一個新的思考框架，帶來的報酬可以是相當可觀的。

書中有一個重啟框架的例子很值得我們參考，美國紐澤西南邊的小城市康登市為了改善當地的犯罪率，直接解散整個警察隊伍並且重整執勤策略。當時城市的治安非常糟糕，市容也很破舊，到處都會發生大小程度不同的犯罪。這還不是最慘的，警方栽贓、造假、暴力執法的情況更是屢見不鮮。民眾除了害怕黑道，也非常害怕警察。

當地首長找來社區領袖和居民共同商討，最後決定放棄頭痛醫頭、腳痛醫腳的貼膏藥方式，採取全新的執法策略。解散警隊之後，他們精挑細選和新聘任的警察，改變了巡邏的方式。他們逐家登門拜訪、自我介紹、談談可以幫忙居民什麼。警察在街頭舉辦派對，和民眾聚餐，和小孩打籃球。

過去的思考框架是「警方將人民視為罪犯」，但是新的思考框架則是「警民一家親」的社區群體，警察從原本打擊犯罪的戰士，搖身一變成了社區當中親切的守護者。最後，康登市的犯罪率下少了一半，謀殺率少了六成，警方過度使用武力的案件少了九成五。重啟思考框架的方式，獲得了前所未有的成功。
.
【創造多元性的四種策略】
作者指出，很多人可能會認為，想要擁有多元性就代表要接觸大量的想法和觀點，其實那是抓錯了重點。多元性的優勢不是來自於數量，而是來自於差異。找出七百個類似的想法，不如找出七個不同的想法來得有價值。如果一個工具箱可以有七種不同的工具，絕對會比擁有七百把錘子的工具箱更加實用。

如果我們想要擁有多元的思考框架，就是要刻意的去營造，以及一起維護，這並不是一次的成功就可以高枕無憂。如同貝佐斯在《創造與漫想》書中提到的：「這個世界要你與眾無異，千方百計把你拉向跟大家一樣，別讓它得逞。」人類本能的從眾傾向，以及社會自然而然的同質化趨勢，都需要我們自己刻意地、有意識地選擇，才能夠擺脫與眾趨同的自然發展，擁抱更加多元化的觀點和想法。

如果你想為自己的生活、家庭、工作環境創造出多元性的樣貌，可以採取以下四種策略：擁抱變化，運用教育，鼓勵遷徙，容許摩擦。
.
１．#擁抱變化
如果一個思考框架一直以來都行不通，最好的做法就是擁抱改變，試試看別種思考框架。書中舉例同性戀婚姻的推動者，把美國從1995年支持同婚的人從25%提高到2020年將近70%。以前的同志運動一直把婚姻當成是核心議題，也一直把爭取這種「法律權利」當作是重點。但是進展並不顯著。

當時那種法律思考的框架，講究的是「法律權利」，但就是沒有效果。那種框架太缺乏想像力、太唯物主義，沒有說服力。到了2000年，他們研究很多民意調查還有焦點團體的意見，想弄清楚大家到底還有什麼疑慮。他們去思考說要怎麼樣用大眾的思考模式來談。最後他們選定了一個價值觀的思考框架，鎖定大部分的人結婚的原因：「愛、奉獻、家庭」。

他們把同性戀婚姻不再當成一種自由或者是權利，而是對於愛的表達與承諾。他們漸漸的讓大家知道，世界上有許許多多不同的框架，而且都同樣正當。到了2011年，第一次出現的黃金交叉，支持的人數正式超過了反對的人數。根據調查，只有14%的人會說這是一種「自由」，而有32%的人會說這是一種「愛」，是一種人類的情感。最後在2015年聯邦最高法院正式裁定的用憲法來保障同性伴侶的結婚權利。這並不是強迫民眾接受某種特定的思考框架，而是讓各種不同的思考方式能夠共存。
.
２．#運用教育
要建立起多元的思考框架，從教育著手是非常有效的模式。美國有一個很有趣的研究，就是去看美國的白人父母和黑人父母怎麼跟孩子談論種族。發自內心一片好意的白人父母，通常不會去刻意談到種族議題，因為他們相信「種族色盲」這種做法比較能夠讓孩子避免成為種族主義者。

另一方面，黑人父母卻常常和孩子討論種族議題，在他們看來，這種種族色盲的做法就是在故意忽視各種明顯的歧視現象。例如逛超市的黑人被懷疑是小偷，開著車子卻無緣無故被警察攔下來，黑人孩子的家庭教育就是要強調看到「種族的各種顏色」在日常生活的各種影響。

最後，這些社會學家發現，種族色盲的框架正好是種族歧視的主要來源，白人父母雖然出自於好意不想強調種族之間的差異，但也在無意之間，否認了有色人種遭受到歧視的真實狀況。這種教育方式忽略了差異，抹去了多元性。要培養多元的思考，就必須認識到差異的存在，承認仍然存在的落差。
.
３．#鼓勵遷徙
如果我們能夠鼓勵遷徙及流動，人們會把自己的文化和思考方式帶到別的地方，促進融合和變化。曾經有學者研究各個區域和城市的經濟成敗因素，發現了這些地區成功背後的原因有三個主要的因素：「科技、人才、寬容」。作者認為，「寬容」是其中最關鍵的一項，那些現在最開放的地方，經濟表現就最好。因為這些地方有更大的思考地圖，會讓人能夠放手冒險，這也是思考框架多元化所造成的經濟紅利。

像是美國被譽為一個民族「熔爐」，但是最近比較像一個「燉湯」，也就是讓裡面的好料都還維持各自的形狀。像是韓國人會住在洛杉磯的韓國城，華人會住在舊金山的唐人街，拉丁美洲的族群住在德州南方，古巴人住在佛羅里達州，巴西人就住在波士頓。雖然這種文化融合的速度不像我們想像中的快速，但是不同的文化激盪之下，也為美國社會注入了很多元的觀點和看法。
.
４．#容許摩擦
把社會上的摩擦，看成是這個社會的優勢、而非缺點。作者說到：「如果在社會裡面維持思考框架的多元化，確實會讓人們彼此之間感覺到不安很衝突，就是因為大家要看到彼此的不同，而且還要可以彼此互動。但畢竟，大家觀點不同、意見相對，本來就是正常生活該有的模樣。」

哈佛法律學院的昂格（Unger）教授認為，如果要讓政治進一步的去中心化，就必須要用一些反事實的模型來做思考。他說：「當社會很果斷地沿著一條路前進的時候，應該要多方下注，以避免損失，也就是要允許在特定的地點或部門，跳脫一般的解決方案，實驗看看不同的國家走向會怎樣。」

昂格鼓勵讓社會充滿摩擦，也鼓勵教育上面要用辯證式的討論方式，不要讓社會被束縛在單一的版本，而是可以嘗試其他的社會組織方式。運用和擁抱多元的思考框架，才能擁有多樣化的各種策略，再從中選取適合的方案。
.
【對思考框架保持警覺】
這本書告訴我們，幾乎沒有錯誤的思考框架，只有不適合某種情況的思考框架。而且各種框架應該要有共同存在的權利。但是作者們提醒我們要保持一個警覺，他們說：「唯一要注意的是，這種慷慨的態度要有一個前提，也就是說：『唯一』的一種錯誤的思考框架，就是拒絕其他的思考框架。」

要讓框架多元性的目的，就是為了讓各種框架可以彼此競爭、互補、對抗、共存。然而，如果有某一套思考框架的目的在於完全抹煞其他框架的存在，這就是不可被接受的。所以作者們才說：「如果你聽到有任何人或團體，說只有自己的思考框架放諸四海皆準，只有自己說的是真理的時候，千萬別相信。」
.
【後記：拓展想像的邊界】
如果說另一本我很喜歡的《超級思維》那本書是心智模型的「百科全書」，那麼《造局者》就像是心智模型的「使用指南」。書中有清楚的概念和步驟，讓我們了解為什麼要學習更多的心智模型，以及該怎麼樣活用各種心智模型，並且在必要的時刻推翻自己的假設，重新啟動一個新的心智模型。

這本書是今年我讀過的書裡面感到非常印象深刻，也讓我的思考方式深受啟發的。作者們把故事和理論的比例搭配得恰到好處，從一則又一則的故事和研究案例當中，會自然而然地理解作者們要帶給我們的觀點，也讓我感受到什麼叫做多元性，以及為何要擁抱差異。

從書中也可以發現，AI 並不會削弱心智模型的重要性，反而是增強了心智模型的重要性。因為 AI 無法自己建立思考框架，仍然只能依靠人類。人類最重要的特色就是可以處理「假設之外」的新問題，能夠把心智模型的空間拓展到可以親身體驗的範圍之外，也就是能夠做到抽象與推理。人類只靠著極少數的資料，甚至是完全沒有新的資料，就能夠適應全新的、過去從來沒有體驗過的情境。

作者最後提醒到：「這是一個救贖也是一個警訊：一個人如果擁有建立思考框架的能力，就會保有價值。但要是放棄了努力，沒有辦法做好這件事情，就會失去現在人類的特權地位。」我們能夠想像的邊界，就是我們世界的邊界。
.
Kobo 購書連結：https://bit.ly/3rRI8Kg
Kobo 電子書7折代碼：WAKIFRAMER
使用期限：8/15~8/21
.
感謝 天下文化 提供贈獎抽書

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

【從亞馬遜和Google，來看科技巨頭做遊戲的共同點？？】

如果我們看Wired上週針對Google 關閉Stadia 遊戲研發工作室的報導，和其去年十月其採訪Amazon Game Studios (AGS) 離職員工的文章，會發現有很多類似之處：(#相關參考資料可見原文)

(1) 兩家公司都希望找到有能力的人，來適應Google/Amazon的工作文化與績效評量方式，做出來的東西，也希望能以符合公司技術規格為優先，彈性空間較少。

(2) 兩家公司作遊戲最大的目的，都是為了要展示"其它"強大的技術，Google想要展示Stadia在雲端的可能性，Amazon想要遊戲展示AWS強大的運算能力。新遊戲在技術上的成就，其權重似乎排在了樂趣之前。

(3) 兩家公司都排除了過往遊戲人員習慣的工具。Amazon想要自建引擎，Google則因為安全問題無法使用某些遊戲開發軟體。

(4) 兩家公司都想直接拚3A大作來獲取市場的目光，沒想過快速開發一些中小遊戲接受市場的考驗。

有趣的是，上周在研究包含Zynga、Stillfront和Embracer的併購策略時，所有公司都在強調“Decentralized“：即盡量不去影響團隊的習慣工作模式，給團隊最高的自主性，以提供幫助的角度來和團隊溝通。

而在這個指導原則之下，被併購的工作室很多在2020年都繳出了更好的成績單（可見Zynga 近期的財報）。

當然，"併購"跟"自建團隊"有很大的不同。但遊戲人的DNA就真的很不一樣，思考邏輯和一般人也不同。遊戲產業有很多難以被標準化的東西，譬如用戶感受、數據分析後對於玩家行為的判讀、各功能模塊之間的契合度、玩家對於不同創意的接受程度等。以上都是各自解讀，市場驗證勝者為王。

遊戲產業發展變化非常快速，大部分的情形都沒辦法用傳統的管理學來依循；就像2020全世界最有效的手遊廣告之一竟然是「拉環殺死地精」類型，這是所有行銷學課本都很難解釋的現象。

目前中國的騰訊、莉莉絲、37等廠商正在努力引進各種方法論促成「遊戲工業化」，找出自己的管理之道，但這段歷程也才短短幾年，不一定適用於每家公司。

大家都知道要給遊戲人「空間」，但怎麼抓到合適的「空間感」，也許都只存在於遊戲人難以表述的大腦中。

#別產業的人可能都覺得遊戲人是怪咖吧

--
電子報訂閱連結：https://reurl.cc/pm6an4