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

人工智能AI可幫助人類發揮「群體智慧」- Edd Gent

人類很早已認識到，群體合作集思廣益，其解決問題的成效可以大過個體各自智慧的總和。「群體智慧」早在古希臘就已得到公認，當年希臘哲人亞裏士多德就指出，眾多平凡之人如果齊心合力，所作的集體判斷往往比偉大的個人更為出色。

不需多想即知多人參與決策會有較出色的成果，但知易行難，任何行政主管都會告訴你，讓一個大團隊齊心合力共事並不容易。然而，最近人工智能（AI）的進步讓群體智慧的可操作性變得比較可行，從而得以讓人類工作會更有效率，更有能力解決緊迫的社會挑戰。

英國國家科技藝術基金會（NESTA）是英國一個資助和推動改善人類生活之創新和發明的公益機構。其群體智慧設計中心的負責人彼得‧巴克（Peter Baeck ）說，「我們知道，人類工作的未來完全依賴相互合作解決問題，其中一個最顯然而明的機遇是利用人工智能，這可幫助人類面對共同挑戰時在通常相當紛亂的網絡中建立良好聯繫。」

卡內基梅隆大學組織行為學權威專家安妮塔‧伍萊（Anita Woolley）表示，影響一個團隊發揮群體智慧的最大因素是成員之間的協調程度。智能工具在這一領域可能起很大作用，因此伍萊現在與同事正一起開發人工智能的合作教練，這個AI教練可以跟蹤團隊成員的工作狀態，然後給予提示，幫助團隊成員同心協力工作。

伍萊說，「這些（人工智能）工具可以扮演的角色實際上是無窮無盡的，比如促進不同分部門之間的交流，提醒人們可能忘記的事務，充當信息的存儲庫，以及幫助團隊協調決策等。」

蜂群思維

在開發人工智能幫助我們匯總各自獨特的才幹方面，已經有了一些前景很看好的個案。舊金山初創公司Unanimous AI建立了一個幫助指導團隊決策的在線平台。該公司以一種大家意想不到的模式來建立其人工智能方法，即模仿蜂群的集體智能模式。

首席執行官路易斯·羅森伯格說，在設計這個模式時「我們回到最基本的問題，即『大自然是如何增強放大物種的群體智慧? 』自然所做的就是建立實時系統，在這個系統中，動物團隊通過反饋迴路即時交互作用。因此，蜜蜂是作為一個系統，相互推動和拉扯，匯聚它們各自的知識、智慧、洞察力和直覺於一體，因而形成最佳的智力決策。」

他們建立的峰群人工智能平台（Swarm AI）的運作模式通常向群組提出一個問題，並在屏幕的不同角落放置可能的答案。群組各用戶需用鼠標控制一個虛擬磁石，互相爭搶著把一個冰球拖向他們認為正確的答案處。

這個系統的算法則分析每個用戶與冰球的互動方式，例如，其對拖動冰球的信心有多大，或者當位於少數時，其信心動搖的速度有多快，然後利用這些信息來確定冰球的移動方向。這就形成了每個用戶都會受到其他人的選擇和信念影響的反饋循環，從而使得冰球最終會落腳於這個互動群體智慧的最佳選擇處。
使用該產品的一些學術論文和知名客戶進一步增強了這個蜂群人工智能平台的有效性。在最近的一項研究中，一組交易員被要求預測幾個關鍵股市指數的每周波動曲線，方法是試圖把冰球拖到四個答案的其中一個。這四個答案是漲或跌超過4%，以及漲或跌不到4%。使用該工具，他們的預測凖確率提高了36%。
瑞士信貸集團利用這個平台幫助投資者預測亞洲市場的表現。迪斯尼曾用來預測電視節目的成功率。Unanimous AI甚至與斯坦福醫學院合作，使用這個平台將醫生通過胸透X光診斷肺炎的能力提高了33%。

打造團隊

但伍萊表示，要設計出能夠與人類團隊良好融合的技術，可能會驚人的困難。她正與同事一起研究開發人工智能的團隊教練，這個人工智能教練可以跟蹤團隊成員的行動，給予提示，幫助整個團隊能良好地協同工作。

她的團隊在一項研究中，嘗試了三種旨在最大化群體智慧的工具。一種工具可以對團隊成員的努力提供實時反饋，另一種工具可以幫助分配任務，還有一種聊天機器人可以幫助團隊成員談論他們的技能和專業知識。

第一個工具似乎會讓人們失去動力，而第二個工具則會用不必要的計劃分散團隊的注意力。只有最後一種工具，即聊天機器人有所幫助，能確保每個任務由最適合的人選來完成。伍萊說，「我們不斷發現的是，製造一些讓人討厭的東西比製造一些真正有用的東西要容易得多。」

她表示，利用人類的社交智慧來構建人工智能非常困難，因為機器仍然很難捕捉到支配著人類群體動態的那種微妙而難以言喻的社交表達方式。從伍萊的研究中也可以明顯看出，這些系統只有在人類真正信任人工智能決策，並且用戶只接受系統的輕微提示的情況下才能工作。伍萊說：「一旦系統過度干涉用戶，人們就會想辦法讓其失效。」

但是，巴克說，人工智能和人類很難結合的原因也是機器和人類能否很好合作的關鍵之所在。人工智能的運行速度和規模遠遠超越了人類的能力，但機器人要學會人類的靈活性、好奇心和對微妙語境的把握，還有很長的路要走。

最近，巴克與英國國家科技藝術基金會（Nesta）高級研究員艾勒克斯‧貝蒂謝夫斯卡雅（Aleks Berditchevskaia）共同撰寫了一份報告，確定了人工智能增強我們群體智慧的幾種方式。其中包括幫助我們更好地理解數據，找到更好的方法來協調決策，幫助我們克服固有的偏見，以及彰顯經常被忽視的非尋常解決方案等。

但該報告還顯示，將人工智能工具與人類團隊結合起來需要精心設計，以避免意外後果。貝蒂謝夫斯卡雅說，目前缺乏人類群組如何應對與人工智能合體的研究，因此很難預測這種合作系統一旦實際使用其效果會如何。

她補充說，人工智能系統「可能會以新的方式擴充我們的才能，或我們需要做出快速反應時提高我們的回應速度。我們對人類認識以及有能力引導個人對這類人工智能系統作出反應的研究，諸如人類對AI的信任問題以及AI對自己代理角色的意識等，尚處於非常早期的階段。」

人性化人工智能

將人類智慧和AI智慧結合在一起，也有助於賦予人工智能技術更多的人性元素，更好地指導其決策。

總部位於倫敦的初創企業Factmata建立了一個人工智能審核系統，該公司招募了2000多名專家，其中包括記者和研究人員，專門分析互聯網上的某些信息，比如偏見、言論的可信度或仇恨言論等。然後，他們利用這一分析來訓練一個自然語言處理智能系統，用來自動掃描網頁中有問題的內容。

其首席執行官德茹夫‧古拉特（Dhruv Ghulati）說，「一旦你有了經過訓練的算法，就可以用於分析互聯網上的數百萬條內容。你可以放大這些專家對互聯網言論的批判性評估。」
雖然人工智能通常是在一次性過程中接受專家標記的數據訓練，但Factmata的專家不斷更新訓練數據，以確保人工智能算法能夠跟上不斷變化的政治和媒體環境。他們還讓公眾對人工智能的輸出作出反饋，古拉特說這能確保人工智能不脫離現實，也不會存在固有偏見。

然而，將我們自己和我們的智力決策與人工智能混合在一起並非沒有風險。伍萊說，我們給機器提供的信息越多，人工智能和集體智能之間的協同作用效果也越好，但我們也就會面臨我們究竟願意放棄多少個人隱私的艱難選擇。

但她說，考慮到氣候變化和流行病大爆發等全球性的多方面複雜挑戰，有效利用我們人類的群體智慧已攸關人類的存亡。
已經有一些例子說明以人工智能來增進人類的群體智慧這種方法是如何應對這類全球性危機。卡耐基梅隆大學的研究人員目前正在使用人工智能學習算法，將自願症狀調查、醫生報告、實驗室統計數據和谷歌搜索趨勢等結合一體，實時預測新冠肺炎流行趨勢。再例如，監察全球種族滅絶和反人類罪風險的美國NGO「早期預警」（Early Warning Project），結合網絡的眾包預測、專家評估和機器學習算法，來確認最有可能發生這類暴行的國家，從而提前發出警示。

伍萊說：「我們可以讓一些非常聰明的人單獨研究問題的不同方面，但是如果我們不協力合作，沒有集思廣益，就很難取得任何進展。我認為，關鍵之處是要讓人工智能幫助這些單打獨斗的工作實現集群化，這樣才能解決需要全球集體行動以面對的問題。」

原文：BBC中文網

#科技

[家貓的緊迫: 行為改變問題與其動物福利的意義]

找不到這頁面的儲放文章或檔案的功能, 只好先再重貼一次給有需要的飼主們參考.

[千呼萬喚始出來]
[轉載請務必把老外作者與翻譯作者附上以示尊重]
Stress in owned cats: behavioural changes and welfare implications
家貓的緊迫: 行為改變問題與其動物福利的意義

作者 Marta Amat, Tomas Camps and Xavier Manteca

Marta Amat作者資料： DVM, PhD, Dip ECAWBM, School of Veterinary
Science, Autonomous University of Barcelona, UAB Campus,
Veterinary Faculty, 08193, Bellaterra, Barcelona, Spain
Email: [email protected]

翻譯：毛孩子動物醫院 謝金偉醫師 陳金滿醫師

摘要

家貓在飼養環境中一直暴露於各種緊迫刺激之下，這些緊迫刺激都可能對貓的福利產生負面影響，甚至產生不正常的行為改變。常遇到的緊迫包括環境變化、貓彼此的衝突，疏離的人與貓的互動，貓因為無法做好自己以為可以達成的動作而產生的挫折。緊迫非常容易造成進食量的下降，甚至因為緊迫引起的厭食可能會導致許多健康的威脅。緊迫也會增加貓的亂尿尿做標記現象，甚至有攻擊傾向，包括情緒性的遷怒。許多具有強迫症傾向的貓，如過度理毛等，都可能是因為處在一個緊迫環境下的結果。目前主要避免因緊迫導致行為問題的策略包過讓貓居住空間更立體多元化，適當正確的引導貓加入新家庭貓群互動以及使用人工合成的模擬貓腮部費落蒙。貓的各種緊迫反應程度，包括貓本身的個性、血統與飼養方式與環境，多方掌握瞭解貓的個性特質有助於建立一個平衡而良好的日常情緒管理。

簡介

緊迫一詞已被廣泛應用於已被廣泛用於定義因有害的或不愉快的刺激而引起的"下視丘-腦下垂體-腎上腺"軸系統與交感-腎上腺髓質系統，這兩主要機制所引起的生理與行為變化。目前已有足夠的證據顯示動物因不良刺激所引起的負面結果並不是本身的天性，反而再某程度上是可以預期與控制的。根據上述，緊迫一詞應被定義是當生物體面對環境變化超過常規調控能力範圍之外的條件下，特別是當這樣的條件包括不可預測性和不可控制性。
在一般家畜中，壓力可以簡單的區分為物理壓力與社會壓力，所謂的社為壓力是指個別的相同物種彼此的相處問題和與人類相處的狀況。依據壓力持續的時間，緊迫可分為急性緊迫與慢性緊迫。然而緊迫壓力具有加成效果，這意味著，當同時間好幾個不同的壓力一起刺激影響在個別動物時，其影響程度會遠大於只在面對單一壓力來源時的程度。
緊迫壓力對於伴侶動物的各種重要性中，第一是當緊迫嚴重度或緊迫長期存在到足以超過動物的適應能力，緊迫便對寵物個體的福利有負面影響。其次，當飼主對於寵物因緊迫而產生的行為改變感到惱人時，甚至超過飼主能處理與負擔的範圍，常常是飼主選擇為狗和貓進行安樂死一個非常常見的原因。
並且，很明顯的在這些緊迫問題的情況下，人類與動物關係都可能受到不利的影響。有越來越多的證據支持緊迫壓力與疾病有強烈的相關性，這些證據將在本篇文章中討論其之間的關係。貓的一些行為改變，例如一些亂尿尿佔地盤的問題，攻擊行為或強迫與過度重複行為，都與緊迫壓力有關。
在本篇討論文章中，我們將討論在臨床獸醫門診中常見因緊迫壓力的行為改變。另外我們也會討論在健康貓的生活中當遇到緊迫時的狀況，預防的方法與治療的建議。

性情與緊迫

貓的緊迫反應不僅跟貓本身的生活環境有關，也跟個別的性情有關。性情被界定如能穩定穿梭時間、各情境相關行為的個體差異，並與動物對面挑戰所產生的反應非常有關連性。
貓的性情取決於自身的基因組成與其早期經驗。貓的基因型對性情的影響已透過研究揭示，並著墨在父親性情、品種及毛色的影響力。比如說，研究已顯示有和善父親的幼貓比有不和善父親的幼貓對人們（不管親近或非親近的人）較為友善。
說到品種影響，有些著作斷定出波斯和暹羅貓比沒血統的貓較有互動性（較愛玩、好奇和友善），然而，其他著作則強調孟加拉貓在攻擊主人這方面拔得頭銜，波斯貓則在活動力方面敬陪末座。此外，還曾找出貓的毛色與性情之間的關聯性。有些研究發現橘貓較有攻擊性，而深色貓比其他毛色的貓較和藹可親。但，其他研究則無法獲得類似的結果。
好幾篇論文已描述了早期經驗對性情的影響。舉例來說，已有報導指出被經驗老道的母貓撫養及較晚離乳的幼貓比太早離乳或被沒經驗母貓撫養的幼貓較少養成行為問題（包括啃咬失控與挫折攻擊）。此外，營養不良的母貓通常也顯示母性表現較差，其所生下的幼貓很可能逐漸產生行為異常。
二週齡開始大概到七週齡結束是貓咪的社交化階段，牠們開始能與生活環境互動。幼貓在這段時間的經驗會長期影響牠們的日後發展和行為模式。比如，這期間內有被觸碰的幼貓比沒有被觸碰的幼貓對人類較為友善。觸碰量和觸碰者人數皆有著對人類友善程度的影響力。有個觀點說牠本身的出身與社交化階段相關且可能影響貓咪性情。實際上，在狗貓所做的研究指出來自寵物店的動物比來自其他來源的動物較有更高的可能性發展行為問題。不過，箇中原因不甚理解，從少數來自寵物店的幼貓推測出可能在這敏感階段沒有接受太多刺激。

緊迫形成原因

若干緊迫形成主因包括環境變異、環境單調、人貓關係不佳、貓間衝突，及貓感到無能為力或無法預測。
新奇事物本身可能就有緊迫感，因此，貓實體環境的改變以及新家庭成員的到來或例行公事的改變都會導致緊迫。
環境單調會讓正常行為表現的機會變少，這也可能造成緊迫，使用改進方案已顯示能促進貓的正常行為來減少這類情況。某些種別特異行為似乎特別符合動物福利觀點，而改進方案應主要針對這些行為。例如，室外貓有高比例的活動時間花在捕獵、探索牠們的地盤，而被養在室內的貓（尤其養在單調的環境）無法從事這些行為可能就會引起緊迫相關的問題。磨爪也是貓的行為，提供了數個功用，像是重要傳遞地盤訊息和有助維護爪子健康。
人貓關係不佳是另一緊迫的重要成因。在眾多病例中，人貓關係不佳是貓不當社會化抑或人不當管理，如行使處罰所造成的後果。主人缺乏貓的習性相關知識會促成這些問題。
若干因素包括新貓的加入，或者放歸過去因醫藥問題或其他情況被隔離的貓，就會出現貓間衝突這樣的結果。在這兩例子中，可能會發生地盤衝突或抵禦性攻擊（可能歸因於貓氣味的不同）。爭奪像休憩區或餵食碗這類資源也能導致貓間衝突，據有地盤的貓會傾向攔阻珍貴資源的使用權。事實上，在某些情況下，當據有地盤的貓不准其他貓使用貓砂時，排泄問題就是貓間衝突所導致的後果。
其中一個增加受刺激的嫌惡程度的重要心理因素是感受到無法預測感及無能為力時。在飼養環境，飼養管理的改變和主人對貓行為反應的前後矛盾皆會造成慢性緊迫。

緊迫與疾病

緊迫反應造成其中一個後果是讓免疫功能低落，而染上新病或是讓舊疾復發。譬如拿貓皰疹病毒來說，這常是貓呼吸道疾病的病因，像在貓族群中是很常見的問題，而緊迫似乎是復發的重要關鍵。摘自田中的論文56，緊迫程度高的貓比緊迫程度低的貓有近五倍機會容易罹患上呼吸道感染。
緊迫跟下痢或嘔吐等幾種腸胃問題有關。緊迫似乎能改變腸道屏障的完整性，接著造成腸道通透性上升與局部發炎反應。
貓間質性膀胱炎（feline interstitial cystitis；FIC）最常從罹有下泌尿道疾病的貓中被診斷出來，緊迫在此病的形成佔有一席之地。儘管仍不洞悉緊迫何以促成貓間質性膀胱炎的確切機制，看起來有此病者的泌尿膀胱壁之GAG層比健康貓還要薄，交感神經系統活性增加導致改變了膀胱通透性。患有這種反覆性疾病的貓可見到排尿困難和血尿，而且很常尿在貓砂外。
此外，皮膚和神經系統間存有明確的關聯性。某些像異位性皮膚炎（atopic dermatitis）和肢端舔拭皮膚炎（acral lick dermatitis）等皮膚疾病會受到緊迫影響，像是引發搔癢或持續不停搔癢。比如說，從異位性患者身上發現到壓力因應技巧和免疫球蛋白E的起伏呈負相關；高免疫球蛋白E會促成過敏疾病。

因緊迫而起的行為改變

緊迫在貓可以造成廣泛的行為改變（表一）。在一些病例中，緊迫會壓抑正常行為，而發生長時間躲藏、不怎麼玩耍、探險行為變少，像磨蹭對方或互相理毛等親近行為也顯得較少了。這些病例的主人不會察覺到他們的貓所感受的不適感。
在貓其中一個最嚴重行為改變就是厭食，可能會引起致命的肝臟脂肪病。肝臟脂肪病似乎很常發生在體重過重的貓因緊迫反應停止吃東西的時候。緊迫引發的厭食主要由下視丘釋放促腎上腺皮質激素釋放激素（corticotropin-releasing hormone，CRH）調節。促腎上腺皮質激素釋放激素影響下視丘迴路以控制食慾和食物的攝取，及調控辨識與拿取食物相關的動眼神經路徑。
另外，緊迫似乎會加劇食物恐新症〔害怕嘗試新食物〕，因此貓在緊迫環境給予新食物時，緊迫引起的厭食可能會更加顯著。
然而，緊迫在一些病例則會造成多食症（polyphagia）。實際上，緊迫藉由眾多如糖皮質素（glucocorticoid）、瘦體素（leptin）、 胰島素（insulin）、促腎上腺皮質激素釋放激素（CRH）、尿皮質素（urocortins）、神經肽Y（neuropeptide Y）、褪黑激素（melanocortin）等之類的賀爾蒙和神經傳導物質之間複雜的交互作用來影響食物攝取。緊迫明確影響食物攝取取決於緊張性刺激的強度等數個因素。
緊迫也可以導致貓出現強迫行為。強迫行為是導因於疾病或當動物無法適應環境時所出現的重複行為。當動物暴露在緊迫事件時，強迫行為可能提供應對機制。一些研究顯示有強迫行為的母豬、小牛和豬之血漿糖皮質素濃度的確有減少的情形。若干生理病症會造成這些疾病時，診斷的第一步就是藉由理學和神經學檢查、完整的血球計數、血液生化資料和尿檢排除掉這些情形。
　貓三大最常見的強迫疾病是貓感覺過敏症（feline hyperesthesia syndrome；FHS）、精神性脫毛症（psychogenic alopecia）和異嗜癖（pica）。感覺過敏症患貓會突發像皮膚抖動、熱衷理毛、抓刮和奔跑等異常行為，其他症狀還有流口水、吼叫和尿失禁。貓感覺過敏症（FHS）在成貓較常見。雖然不清楚了解病因，但猜測癲癇性發作和肌肉病變皆可能牽扯其中。
然而，貓感覺過敏症（FHS）可能會是任何與緊迫、衝突或挫折相關的情況導致的結果，也與環境單調有關連。
如精神性脫毛症（psychogenic alopecia）等過度理毛疾病似乎較常發生在暹羅貓和阿比西尼亞貓。脫毛部位通常在身體的尾部部分，主要在下腹腹側。有時候這行為跟貓間質性膀胱炎（FIC）有關，患貓會為了緩和疼痛而舔自己的腹部。
根據文獻，會吃入非食物物品的異嗜癖（pica）可被視為強迫性疾病或者是餵食障礙。貓的異嗜癖會牽扯到羊毛、棉花、纖維物、橡膠和塑膠等不同物質。有些作者猜測異嗜癖是某種應對機制，且遺傳也是致病因之一，東方貓種較常見到這疾病。另外，產生緊迫的事物被深信是造成異嗜癖的關鍵點。
緊迫也會影響尿液標記行為，這行為原是正常公貓和發情母貓很常見的正常行為。貓通常（但並非總是）會噴尿在垂直表面做標記。緊迫會增加尿液標記的頻率，尤其貓的密度和貓間衝突的可能性似乎對這行為的頻率有著重大的影響，在單貓家庭的發生率是百分之二十五，在十隻或更多貓家庭的發生率則可高達百分之百。
緊迫與攻擊行為間的關係是雙向的:進攻性和防禦性攻擊行為會造成緊迫，而下視丘、腦下垂體、腎上腺皮質軸（HPA-axis）的活化會促使攻擊行為的發生。轉向的攻擊行為是貓相當常見的攻擊行為型態，動物會攻擊並非引起攻擊動機的另一動物。當貓處在緊迫狀況下，轉向的攻擊行為提供一應對機制，一些研究觀察到轉向攻擊後的血漿糖皮質素（glucocorticoid）濃度會下降。另外，大多貓的轉向攻擊例子會牽扯到防禦姿，其會增加和恐懼（和大多數緊迫）有關的可能聯想和這類型的攻擊行為。

防範和降低貓緊迫的策略

儘可能移除緊迫刺激，然而，倘若緊迫刺激是另外一隻住同一屋簷下的貓的話，這就不可能被移除。在這情況下，讓貓在愉快的環境中及循序漸進地接觸緊迫刺激可逐漸降低貓的反應（詳見圖一）。
如在貓間衝突這樣的例子，可以使用再引入計畫（reintroduction protocol）。這計畫被分成3階段：嗅覺習慣化（olfactory habituation）、視覺習慣化（visual habituation）和直接接觸習慣化（direct contact habituation）。每階段進行的時間會依衝突嚴重度、貓的反應和飼主的處理而有所不同。在嗅覺習慣化期間，每隻貓會被禁閉在家中不同區塊，在各區塊分別供給食物、水、貓砂和貓抓板等重要資源。然後，將貓移至另一區塊，使得雙方都可以接觸到對方的味道。此外，還可以使用一小塊衣物，讓另一貓的臉頰可以沾染到每隻貓顏面腺的分泌物（facial gland 亦稱顏腺）。當兩貓在領域交換時皆能感到心情放鬆，就可以開始視覺習慣化階段了。在視覺習慣化期間，貓忙於愉快的活動時，可經由紗門等進行貓咪間的視覺接觸。除此之外，貓保持各別隔開，且逐漸拉長視覺接觸期間的時間。最終，在再引入計畫的最後階段（直接接觸習慣化），即把紗門移走。
環境豐富化係藉由增加環境的物質、社交和時序關係複雜度用以降低緊迫和增進福祉的方法。這並非是靜止的改變，而是會隨著時間變化。但要好好記牢突然間的改變會增加額外的緊迫，因此，所有改變必須要緩慢漸進式進行。貓的環境豐富化計劃主要特徵如下：
準備一個讓貓感覺舒適且具所有重要資源的安全區域。避免潛在的緊迫來源如其他貓或狗等進入安全區域中。
貓花費高比例時間在覓食的話，提供益智餵食器（puzzle feeders）及在多處藏食物是有助益的。大部分室內貓該用到玩具，且要在固定時間更換來保持貓的興趣，以假裝是小型、會動可捕捉的獵物玩具特別有用。
鼓勵提供一如架子、貓樹或平台等垂直或三度空間，讓貓用來佔優勢及作躲藏位置。事實上，一些研究表明提供躲藏位置能減輕緊迫。
貓砂盆、休憩區和餵食碗須個別分開。
有些證據提出貓有強烈動機要磨爪，因此，提供適當物品磨爪是一重要的豐富化策略。
在多貓家庭，包括食物和飲水碗、休憩區和貓砂盆等資源需要適當分布以避免衝突，這在有貓試圖不准其他貓使用特定資源時，尤其重要。貓砂盆的數量依貓的數量而定，應該至少要有跟住同一家貓的數量一樣多的貓砂盆放在不同且容易使用的地方（特別是有老貓時）。雖然有時候會建議限制餵食（尤其是肥胖貓），但可能造成緊迫，因此，採隨意餵食可能更好過其它與福祉理由相關的減肥方法（如估量玩耍時間以增加活動量）。明確潛在貓間質性膀胱炎問題時，鼓勵貓喝足量水以稀釋尿液也很重要。飲水噴泉和飲水碗都要大到貓的觸鬚碰不到碗邊才特別有用。
在我們關注緊迫和性情有關聯的同時，讓幼貓在敏感期碰觸到日後生活可能會遭遇的所有刺激是非常重要的，要不然，他們可能會對像恐懼等負面情緒狀況或是如攻擊等不當行為起反應。貓和刺激間的相互交流必須是正面的，否則，對貓的負面影響會越增越多。
飼主必須完全避免處罰動物。日常作息如玩耍時間、餵食時間和飼主時間表，及與飼主間的互動該明確透明以降低與不明確性相關的慢性緊迫。此外，在貓面對緊迫時，讓貓一直保有對牠們週遭的掌控權格外重要，這則可藉由提供如先前所述說的安全區域給牠們達成此目的。
有一個強而有力也可避免緊迫相關問題的治療，那就是貓顏面腺費洛蒙的合成類似物（Feliway費洛貓）。此費洛蒙已顯示出能幫助貓習慣新環境，還有益於住院貓，及運送貓或搬新家。費洛蒙也能降低無性別差異的亂噴尿和強迫行為，可併用其它抗焦慮藥。
最近，營養補給品和芳香療法用在處理或避免緊迫相關問題頗受歡迎。儘管在這方面很顯然需要更多的研究，有些證據表示alpha-casozepine是γ-胺基丁酸（GABA）致效劑，可降低包括家貓等不同物種的焦慮感。而在芳香療法方面，薰衣草精油似乎對貓有鎮定效果。
如行為改變和一些疾病等緊迫相關問題在貓福利有強大負面影響。造成緊迫的主因包括了單調或不明確的環境因素，及貓間衝突也是。降低或防範緊迫的策略須針對改進貓的生活環境或減少貓間衝突進行的。