[講師日常] 完全免費！簡易三螢幕直播台，完成！

最近因為疫情，我必需用遠距教學來教課。本來想入手三螢幕 + 導播中控機設備，但看到價錢不小心昏倒在椅子邊三十秒...。

於是我就開始研究，怎麼用手頭現有設備 + 免費軟體，來做到「導播畫面 + 示範畫面 + 監控畫面」這樣的需求。也寫給好奇的朋友參考。

材料：
1. 原有桌機 x1
2. 原有筆電 x1
3. 原有平板 x1
4. SpaceDesk 虛擬多監視器軟體 x1（免費）
5. OBS (Open Broadcast Studio) 直播中控軟體（免費）

步驟：
Step 1: 在桌機、筆電、平板，都安裝 SpaceDesk 這套「虛擬多監視器」軟體。
軟體介紹： https://bit.ly/3vJ9CTn

Step 2: 同時將三台機器的 SpaceDesk 打開，並連通於同一個區域網路之下。此時，三台螢幕會變成連通，軟體可以互相搬來搬去。

Step 3: 安裝好 OBS 直播中控軟體。並將三台螢幕設定如下：
左螢幕（筆電）：導演直播台。OBS 主程式所在。
中螢幕（桌機）：示範用螢幕。OBS 會捕捉此螢幕的畫面，並直播出去。
右螢幕（平板）：監看用畫面。監看一般使用者看到的畫面是什麼。

Step 4: 在 OBS 裡面，設定好三個導播畫面，可供隨時點擊切換，放給遠方直播串流觀看：
Screen 1：等待直播開始畫面。除片頭照片外，還有輕音樂循環播放。
Screen 2：上課畫面。有書桌圖片（前景）+ Camera（中景） + 中螢幕桌機之畫面（背景）
Screen 3：課間下課畫面。背景圖 + 倒數 10 分鐘之時鐘

完成啦！咈咈咈咈...如此一來，同學等待直播時，我的 OBS 就切「Screen 1 待機畫面」。上課時，就切「Screen 2 上課畫面」。課間休息就切「Screen 3 下課畫面」。這樣，或許會多少有趣一點、大家比較願意上課吧？

不知道這週五上課時，看到這麼煥然一新的「虛擬主播台」，大家會不會覺得驚訝？

#我可以直播主出道了嗎
#上課畫面縮小後會露出如圖三之漂亮底圖

《2020線上課與疫情兩三事-下》

台灣的COVID-19 疫情逐漸升溫導致停課
最近陸續有網友私訊問我疫情間線上課的經驗
Grace將過去一年多的所見所聞分享如下
希望能給大家鼓勵或幫到有需要的人

⚠️以下為個人見聞，Grace 非決策者，請勿吵防疫政策
⚠️寫出的見聞不代表做法是正確的或全美國都如此
⚠️美國與台灣環境跟國情都不同，沒有誰對誰錯
⚠️如果不贊同或不喜歡內容請按上一頁離開

承上篇的結尾內容
州長既然決定2020學年如常開學
就必須提出台灣政界最常說的「配套」
在開學三週前
州政府制定出疫情期間教學指引
大致上跟教學有關的部份是：
1. 教職師生全體只要進入建築就必須戴口罩
2. 若有健康因素不能戴口罩必須戴面罩
3. 所有校內活動須遵從6feet 社交距離
4. 若有人染疫，與這個人近距離接觸10分鐘以上的人須居家檢疫十天，學生轉線上授課
5. 確診人須在家檢疫十天
6. 校內染疫人數超過一定比例，全體轉線上授課

這個指引在開學後產生有一個問題
由於部份年紀大的教師擔心疫情
已經在開學前跟原學校不續約
導致各級學校師資缺乏
某些學校開學只能叫類似科目老師互相支援
代課老師本來薪水就較低更不想冒險
如Grace 學校原本有六位代課老師
本學年只招到三位回鍋

開學後正式老師人力本來就緊繃
秋季疫情大流後更是輪流居家檢疫
代課老師嚴重不夠
某些時候甚至必須把學生集中在體育館管理

所以在開學後一個月
州政府修正綱要
把教師納入核心工作者
除非確診 僅接觸患者不需居家檢疫
當時這讓新聞Grace 頗崩潰
認為州政府根本置教育者安危不顧
雖然明白他們不得不如此
但同時也對於罹病的風險非常的惶恐

為了因應可能的全線上課程
學校必須在開學前確保大家已準備好
Grace 小孩的學校在大城市
資源夠充足
於是該學區斥資百萬
把原本每位學生使用的I pad
全面替換成性能夠的chrome book

開學前廣發問卷詢問家長意願
最後決定延遲開學兩週
並且開學後讓家長決定
讓學生整學期在家全線上學習
或是戴口罩回學校上課

最後結果大致上是20%家長想要線上課
於是學區聘任「專門的」線上課老師
只需要教選線上課的學生
該校區選擇使用zoom 遠距授課
其他的實體課則由原本的老師教導
不論實體或線上都使用Canvas 發放回收作業
* Grace 的博士班也同樣使用zoom 和Canvas全線上授課

而Grace 的學校的資源沒有那麼多
選線上課的學生比例也大概只有3-5%
於是學區決定買webcam 讓教師播放教室現況
讓選擇線上課的學生加入線上會議收看

雖然Grace 對這些措施都沒問題
但校內還是有很多年紀較長的老師怨聲載道
於是在開學前的教師持續教育週
校內聘請了google trainer 用線上課的方式
教導大家怎麼使用Google classroom
以及相關的軟體如google form

開學前
組長和校護到每間教室檢查課桌椅排放情況
確定學生之間都間隔6feet
但Grace 的教室呈現扁平狀
人數又很多
所以只能做到左右充足間距
前後根本顧不上
以至於後續陸續有確診學生出現時
坐在前後的學生也得跟著隔離線上兩週

學校也發放了酒精消毒液 手套 消毒紙巾
給每間教室的老師使用
理想上老師要在每節下課消毒課桌
但後來證實因為課間間隔只有五分鐘
老師根本無能為力
Grace 唯有趁有大午休的班級
要求每位學生自己清理自己的桌子

到開學正式開始上課時
Grace就發現
前面一篇文章照片的戰袍就不實用
首先 透明面罩不夠透明
根本看不清楚學生
再者 雙層口罩太厚太悶
說話聲音也傳不出去
Grace 上了十分鐘就放棄
替換成一般醫療口罩
最後 手持麥克風寫板書不便
兩週後換成單價較高但是輕巧的夾式麥克風

Grace 幾乎每一堂課都有線上的學生
很快就體察到線上和實體並行的問題
1. 因為政策關係鏡頭不能帶到課堂學生，很多課堂活動線上課學生根本不知道what’s going on
2. 我顧著實體學生，線上學生不專心，玩手機、看電視，我根本不能一直停下來講課糾正他們
3. 我測試線上生跟他們說話的時候，教室裡的學生就開始亂
4. 基礎的網路穩定性跟鏡頭的畫質，大大降低上課的效果，我其實也很瞭解在鏡頭另一端學生的無聊跟挫折
5. 課堂隨堂發的講義、教具，實際要考試或是收發作業的時候，老師對於線上生都必須另花心思傳遞給他們

另外整個學年Grace班上大約有八個學生染疫
如前面所說 不但病人須在家十天
坐他們附近的學生都得檢疫兩週
還有其他學生是家人或是同事染疫
所以有段時間 Grace 教室一半學生在線上
不論是上課方式 作業 小考 補考 都得設法
在在考驗老師的應變能力和抗壓性

綜合以上經驗和心得
Grace 覺得為了學生好
學校應該另外找老師「專門」教授線上課
不便宜行事 才是正確的做法

除了斷斷續續的居家檢疫學生和染疫學生
學校在春假 秋假後因為染疫人數飆升
也有過全學區關校
全體課程轉線上的情況
這樣的情況總共約有三週

對老師來說
全體上網課反而好備課
因為不用顧及實體課學生的需求

但因為課表還是照用學校的行程
所以一堂課時間是70分鐘
這麼長時間 線上課的學生集中注意力比較難
他們可能分心在玩手機 看電視
或是隨時有家人亂入

所以Grace 自己的做法
是把知識切成極小塊
一次教一塊
這樣每段教課就不超過十分鐘
教完馬上抽學生答題
全體就能反覆練習該語法或單詞
然後每塊知識間穿插爆笑小影片或音樂
把學生注意力拉回來

最後結束前20-30份鐘
如果是教對話
Grace 會和學生一對一練口說
Pass的學生可以先下線
以鼓勵學生熟悉該對話
如果是教單字文法
Grace 使用線上工具如quizzes
用趣味方式檢驗學生今天所學

上線上課看似簡單
但Grace 自己的經驗
如果學生沒有內在動能學習
（大部份國高中生都沒有）
身邊又沒有監護人監督鞭策的話
不專心的比例高
那麼線上課的進度
只會有實體課的一半
也就是說實體課可以一週完成的進度
轉成線上要花兩週

所以老師在備課前要有心理準備
如果能讓大部份的家長配合監督是最好
至少能派出作業強迫學生練習來補救也不錯
都沒有的話 授課進度勢必會拖慢

最後來聊聊老師自己的心理建設
如前面所說的
好些老師在疫情期間就直接不續約上班了
疫情期間身邊也陸續有人染疫甚至重症
政府或教育部又拿不出實質方案保護老師
比方說Grace 校區
老師染疫必須用自己的病假養病
老師必須自行添購防疫教具用品無補助
老師自行負責教室消毒 時時提醒學生戴口罩
以及後來州政府因為人力因素
把老師列入核心工作者
除非染疫不得居家檢疫
在在都會打擊老師的心情和信心

所以上學年開學時老師們的工作情緒是低落的
惶恐 憤怒 甚至怨怪都是最可怕的敵人
Grace 的學生都是零起點
不能看到學生嘴型讓Grace 很艱難
一切的一切 都在考驗我從事教育的初心

Grace 每天都告訴自己
謹慎的防疫但不需過度恐慌
因為恐慌或憤怒都對事情沒有幫助
事實證明儘管多位學生確診
因為保護措施（口罩、距離、洗手）得當
Grace 也一直都沒有染疫

問問自己為什麼要當老師
老師若沒有特殊健康因素
都應當秉持盡力教育學生的理念
因為疫情就離開教室
那等於一位逃離戰場的軍人

Grace 在這個學年有八名學生染疫
每次有學生染疫
Grace 就得去drive through 做快篩一次
（關於美國無接觸快篩怎麼做 舊文有說明）
從一開始的等報告要七天
到最後兩天半就可以看到結果
Grace 也可以從中體驗到
州政府與民眾一起打擊病毒的決心

後來在醫護人員接種完疫苗以後
聖誕節寒假期間
州政府也優先讓前線教師完成接種疫苗
在開學前所有老師就得到了保護
接著州政府就開始讓年長者接種
之後持續下修到12 歲以上
不論有沒有公民或居留證都能施打
也就有了台灣部分民眾
美國自由行打疫苗之旅的風潮

下學期不論是老師或是社區
因為強大的疫苗當後盾
情緒都比上學期穩定
疫情也開始受控制
只剩個位數學生採用線上課

四月底
全州因為接種人數達標
染疫人數也低於特定比例
州長宣布州內全面「除罩」

幾乎日日相處的老師同學們
終於見到彼此的真面目
州長為了慰勞老師們的辛苦
還發給我們每人$500的獎金

所有公共場所只要已完成疫苗接種
進入室內即不用戴口罩
全州幾近結束了長達一年的抗疫長路

照這個政策的走向
如果沒有其他意外
如疫苗不能防變種病毒
預計2021秋季學年度
所有課堂和學生活動會恢復正常

台灣的朋友們
Grace 能感同身受你們的徬徨 恐懼
但是台灣政府跟全民已經齊心合力
把病毒阻擋在過門外一年多
而疫苗已經被研發而且有著落
比美國當初一無所知的情況好很多了

不得不冒風險出門工作的朋友們
Grace 想分享：謹慎防疫有益，恐慌憤怒無用

本文章就用學期末學生在Grace 的yearbook 的留言
和Grace 今年暑假打工地點首日上工照
和這間Muse museum 州長新頒布的口罩政策結尾

請大家堅守信心
不論是大環境 或是人生的困境
一定都會有盡頭
祝福每位臉友都能平安渡過疫情！

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

#藍牙耳機推薦 #2000元 #入門藍牙耳機

【購買連結】
MPOW M13：https://bit.ly/3BMGLAc
MPOW X3 ANC：https://bit.ly/3h3rmUs
小米真無線藍牙耳機2S：https://bit.ly/3zNoLoY
Soundcore Life A1：https://bit.ly/38I5aKP
Soundpeats T2：https://bit.ly/2WQGFcf
realme Buds Air 2 Neo：https://bit.ly/3yTTWha
Eppfun Cute Meet 300：https://bit.ly/395lqWu
AUKEY Move Mini Pro：https://bit.ly/3DPxAko
TaoTronics SoundLiberty 97：https://bit.ly/3DJqZb8
TaoTronics SoundLiberty 94：https://bit.ly/3yI6msc


【前言】
上支影片讓大家看到梅花鹿的厲害，這次讓你看看小朋友們的厲害，現階段如果有降噪耳機的需求，預算至少要拉到1-2000元才夠，就算沒有降噪需求可以挑選到1-2個功能比較突出的藍牙耳機，而這次針對了不同的使用場景推薦，更能讓各位朋友有明確的需求下挑選到適合的耳機。

【影片目錄】
00:00 前言
00:49 音質推薦
01:01 MPOW M13
01:29 Soundcore Life A1
02:12 TaoTronics SoundLiberty 97
02:42 通話推薦
02:51 小米真無線藍牙耳機2S
03:25 EppFun Cute Meet 300
04:09 降噪推薦
04:29 MPOW X3 ANC
05:19 Soundpeats T2
05:58 AUKEY Move Mini Pro
06:27 TaoTronics SoundLiberty 94
07:01 realme Buds Air 2 Neo
07:40 實測
07:50 音質實測(人聲)
10:22 音質實測(重低音)
12:10 室內通話實測
13:38 模擬戶外通話實測
15:25 延遲度測試
16:38 規格總結
16:47 總結
17:47 台灣古惑仔


【音樂測試】
測試歌曲1：Take The Pain Away
播放軟體：Spotify
配對裝置：SAMSUNG GALAXY Note 8
音樂錄音：Free Space Binaural Microphone
測試編碼：AAC、aptX

測試歌曲2：Help You Out
播放軟體：Spotify
配對裝置：SAMSUNG GALAXY Note 8
音樂錄音：Free Space Binaural Microphone
測試編碼：AAC、aptX

--------------------------------------------

【熱門科技說影片盤點】
16款真無線藍牙耳機推薦評測！｜Bose, Sennheiser森海, B&O, Soundcore, SONY, TaoTronics
https://reurl.cc/kVv6Mx

2021年500元真無線藍牙耳機推薦！小米、realme、MPOW、QCY、KZ
https://youtu.be/qrlMCfNwQs0
--------------------------------------------

【科技說社群】
FB - https://www.facebook.com/techteller
IG - https://www.instagram.com/techteller_3c/

--------------------------------------------
‼️ 影片未經授權，禁止轉載 ‼️

✉️合作邀請
mkt@techteller.com

#Soundcore#LifeP3#降噪真無線藍牙耳機

【Soundcore Life P3 購買連結】
早鳥預購折 $300
WitsPer智選家：https://lihi1.com/M5YCu

【科技說文章】
低延遲玩遊戲超順！Soundcore Life P3｜降噪真無線藍牙耳機推薦
https://www.techteller.com/review/anker-soundcore-life-p3/

【產品體驗及門市購買】
►智選家中和體驗店
地址：新北市中和區中正路700號13F-1(K棟)
預約電話：(02) 8227-9220

【前言】
今年越來越多無線耳機主打「Gaming Mode」遊戲模式，也可以直接想成是低延遲模式，以往無線耳機比較讓人詬病的地方就是因為訊號的接收落差，導致影音不同步，所以很多喜歡玩FPS槍擊類型遊戲的朋友會排斥無線耳機。而低延遲正是今年無線耳機的技術突破重點之一，今天我們要開箱的是老朋友Soundcore，推出的第一款支援低延遲模式的藍牙耳機，「Life P3」。

【影片目錄】
00:00 前言
01:16 開箱開始
03:04 配戴舒適度
04:21 延遲度體驗
05:17 延遲度實測
07:14 降噪、環境音體驗
08:23 降噪、環境音實測
09:03 通話、體驗與實測
10:49 Soundcore App
11:07 音質體驗
11:56 音質實測
12:37 總結
13:45 NG大魔王

【音樂測試】
測試歌曲1：Take The Pain Away
播放軟體：Apple Music
配對裝置：iPhone XR
音樂錄音：TASCAM DR-07X
測試編碼：AAC

測試歌曲2：Help You Out
播放軟體：Apple Music
配對裝置：iPhone XR
音樂錄音：TASCAM DR-07X
測試編碼：AAC

--------------------------------------------

【熱門科技說影片盤點】
【實測對決】2021上半年10款熱門真無線藍牙耳機推薦！Bose、Soundcore、EDIFIER、SoundPeats、Libratone、Monster｜TechTeller科技說
https://reurl.cc/kZpGbG

【實測對決】2021年500元真無線藍牙耳機推薦！小米、realme、MPOW、QCY、KZ｜TechTeller科技說
https://reurl.cc/ze0gDk

--------------------------------------------

【科技說社群】
FB - https://www.facebook.com/techteller
IG - https://www.instagram.com/techteller_3c/

--------------------------------------------

Product sponsored by #WitsPer智選家

✉️ 合作邀請
mkt@techteller.com

#Soundcore #Q30 #Q35 #耳罩耳機

【Soundcore Life Q30 購買連結】
WitsPer智選家：https://lihi1.com/zCAYq
Soundcore官網：https://lihi1.com/1bFvF

【Soundcore Life Q35 購買連結】
台灣將於9/9上市

【產品體驗及門市購買】
►智選家中和體驗店（8/24起開放）
地址：新北市中和區中正路700號13F-1(K棟)
預約電話：(02) 8227-9220

--------------------------------------------

【前言】
之前我們開箱過很多款Soundcore這個品牌的真無線藍牙耳機，其中也有不少這兩年很流行的降噪真無線，但比起入耳式耳機，耳罩式耳機的降噪隔音效果是更好的、降噪功能帶來的耳壓感相對也比較輕微，很適合需要長時間高度專注的使用者喔！這次要開箱的兩副無線耳罩式耳機，也有人叫做頭戴式耳機，是Soundcore Life Q30還有Life Q35。


【影片目錄】
00:00 前言
01:00 開箱開始
01:54 配戴舒適度
03:28 Soundcore App
04:24 降噪與通透體驗
05:38 降噪與通透實測
06:35 延遲度體驗
07:10 延遲度實測
08:08 通話體驗
08:47 通話實測
10:05 規格功能
11:00 音質體驗
12:36 音質實測
13:49 總結
15:18 NG大魔王

【音樂測試】

Life Q30
測試歌曲1：Take The Pain Away
播放軟體：KKBOX
配對裝置：SAMSUNG Galaxy S20+
音樂錄音：3DIO Free Space
測試編碼：AAC

測試歌曲2：Help You Out
播放軟體：KKBOX
配對裝置：SAMSUNG Galaxy S20+
音樂錄音：3DIO Free Space
測試編碼：AAC

Life Q35
測試歌曲1：Take The Pain Away
播放軟體：KKBOX
配對裝置：SAMSUNG Galaxy S20+
音樂錄音：3DIO Free Space
測試編碼：LDAC

測試歌曲2：Help You Out
播放軟體：KKBOX
配對裝置：SAMSUNG Galaxy S20+
音樂錄音：3DIO Free Space
測試編碼：LDAC

--------------------------------------------

【熱門科技說影片盤點】
【實測對決】2021上半年10款熱門真無線藍牙耳機推薦！Bose、Soundcore、EDIFIER、SoundPeats、Libratone、Monster｜TechTeller科技說
https://reurl.cc/kZpGbG

【實測對決】通話只想到AirPods Pro？6款通話型真無線藍牙耳機評測｜TechTeller科技說
https://reurl.cc/5oamKq
--------------------------------------------

【科技說社群】
FB - https://www.facebook.com/techteller
IG - https://www.instagram.com/techteller_3c/

--------------------------------------------

Product sponsored by #WitsPer智選家


✉️ 合作邀請
mkt@techteller.com