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

在美國關了一整年...我們終於平安順利的到台灣了！😭😭（文超長慎入）

從去年初武漢宣布封城那天，我就感覺事情不尋常，為了安全也全家把自己關在家裡不外出了，當時台灣的家人叫我們趕快回台灣，但本來年年都回台灣的我們猶豫了很久，覺得當時全球的疫情尚未明朗、各國的防疫措施都很不完整，加上兩個小孩根本無法連續戴著口罩24小時以上，怕這個時候回台灣會造成台灣的醫療負擔，所以當時我們最後就決定待在美國把自己關在家，原地不動才是最安全的。

事隔了一整年的訓練，我覺得兩隻小孩都準備好了，他們兩個都已經很有病毒觀念、防疫意識，知道出門在外不能亂摸、回家要馬上脫衣服洗手、不能在外面吃飯、不能在外面玩（可憐）、不能上學，一出門要馬上戴口罩，有包裹到家裡不能碰，等爸爸媽媽消毒以後才能摸。在回台前一週，我們每天跟兩隻講了一百遍「口罩不能拿下來、就算不舒服衣服褲子也不能脱掉（因為打算讓他們穿兩件衣褲）、不能脫襪子、不能亂摸、不能離座、不能走動去廁所，要吃東西要跟爸爸媽媽說等等，唸到他們都背得起來我才罷休😆 接下來就是一連串行前準備了。以下經歷給住在國外也需要回台灣的大家參考，文很長可以挑著看，但我就是當日記寫了這樣😌

我們本來預計1/22回台灣，後來台灣防疫政策變嚴格、規定1/15後抵台必須一人一戶住防疫旅館，但防疫旅館幾乎都訂不到了，我一個大肚孕婦也很難跟老公分開照顧小孩14天的時間 ，所以我們就果斷在月初時改成1/8飛回台灣，這樣還能依我們原定計劃在宜蘭的家進行隔離，宜蘭家有三層樓，每層樓都有獨立衛浴，當初和爸媽討論好三樓就讓我們全家隔離用，一切都符合CDC的規定，也讓媽媽可以多少照顧懷孕的我一點，讓我可以不用苦惱洗衣跟煮飯😭 感謝媽媽的愛❤️

由於我計畫在台灣生產，所以會待在台灣半年左右的時間，也就是說... 我們一離開這個家就是6個月之久，突然決定要回台了真的很緊張焦慮，覺得有好多東西要準備！但是一方面想到可以提早回台灣了就好興奮又期待，我們在美國家裡關了整整一年，能正常生活、出門活動的日子都已經忘記是什麼感覺了，所以這場硬戰勢必要打，再難打都得接受挑戰，因為一定很值得！

#回台前一週

預先完成工作、陸續清空冰箱、預約小兒科、婦產科、採買快速到貨商品

因為臨時決定提早兩週回台，還有很多正在進行、未進行的工作還沒完成，所以我列了一些清單把隔離14天不方便寫的文、拍的照片都趕在離開前全部搞定，所以接下來兩週我的發文 都會是預先拍好的😆這幾天都是一早起來就開始拍影片、拍照、寫文，忙了三四小時後要開始清空冰箱，每天狂煮飯，確認家裡食物的到期日、在一週內把冰箱內的食材、冷凍食品都消掉（而我們前幾天才去Trader Joes大買一番的....）；還有這一週內也趕快預約了小兒科、婦產科拿病歷，問醫生們有沒有還沒打的疫苗與該做的檢查還沒做，並且在Amazon上緊急訂購需要的東西（防疫物品、禮品、台灣不好買的生活必須品等）Amazon通常都能1-2天內到貨，所以都還來的及。

#防疫物品準備

這一部分非常重要，非常感激我有加入COVID-19 台灣人海外自救會社團，每天在上面狂做功課，統整了一些帶小孩們搭機回台要做的準備，以下是我準備好的防疫物品：

✔️口罩- 每四小時要換一個口罩，所以我大人小孩各準備了10-15個左右。
✔️手套- 主要是我跟老公搭機時要使用，也是大概準備了20雙手套。
✔️防護貼膠- 在Amazon搜尋Barrier Film可以找到那種牙醫或刺青使用的隔離膠帶貼，打算上機後把小孩會亂摸的把手、遙控器、桌子都貼一貼。
✔️藥品- 妹妹是過敏體質，她一過敏就會揉眼睛跟鼻子，所以有準備一些過敏藥水及藥膏，定時補充。
✔️褪黑激素- 計劃好小孩的睡眠作息，登機後兩小時給他們吃一顆兒童褪黑激素，讓他們盡可能飛行時間都在睡覺，避免他們亂摸。
✔️酒精- 去Trader Joes買了8罐隨身酒精噴罐，本來覺得會不會買太多，後來事實證明完全沒有！一上機前一小時就噴掉一整罐了....
✔️消毒紙巾- 後來想要把酒精省點用，就都用消毒指巾擦。一上機也是用消毒紙巾到處擦，窗戶、桌子、電視螢幕、椅面等。
✔️尿壺- 爬文很多媽媽推薦Amazon的兒童尿壺，因為我們不打算讓小孩離開座位上廁所，所以也買了兩個尿壺（但是後來完全沒用到..）
✔️尿布- 尿布是讓他們想poo poo💩而準備的，大概準備了12片以防有什麼萬一。
✔️防疫帽- 感謝韓國友人在疫情一開始時就寄了那種有附上隔離罩的帽子給我們，當時覺得我哪時候才用的到😆結果回台這趟就派上用場。
✔️濕紙巾- 有小孩的父母必備。
✔️馬桶坐墊- 我跟老公在機上上廁所時使用。
✔️飛機椅套- Amazon有賣，可以把飛機座位套起來避免接觸到可能存在的病毒。
✔️塑膠袋- 帶了非常多塑膠袋來裝垃圾，因為口罩手套會一直換，小孩也會製造很多垃圾，有垃圾袋可以讓座位的環境保持整潔衛生。

#出發前三天

台灣CDC規定登機時要提供三日前的核酸檢驗報告，太早驗、太晚驗都不行，我們的飛機是1/8飛，所以我們安排1/6做48小時內報告可出來的核酸檢驗，而且找到了不需要戳鼻孔、只需要用棉花棒刮口腔內膜的檢驗法（小孩接受度比較高）。檢驗過程都待在車上，檢驗人員也不會和我們接觸，都用夾子把檢驗包遞給我們，整個過程也很快、無痛，上網預約一下開車過去就能驗了。我們去的檢驗站是Frisco的Curative，無需提供保險就能免費檢驗👌人員都很親切專業，還能上網追蹤報告的進度，讓人蠻安心的（但後來發生關鍵小插曲...）

行前三天也開始準備行李，因為要回台待半年，從懷孕待到產後、從冬天待到夏天，所以行李真的爆炸多！但好在我已經是行李打包老手了😆 把體積大、重量輕的跟體積小、重量重的交錯打包在一起，也事先秤好每件行李，這樣到機場就能順利又快速check in。另外注意不要將筆電、iPad放在隨身行李中（除非有必要使用），免得開箱檢查要花很多時間、增加接觸風險，另外我們也準備了大塑膠袋，過安檢的時候可以墊在bin上或是把行李包住，因為安檢的盒子都很髒沒有消毒過。

補：我們有查過航空公司網站，說明筆電、iPad只要又確實關機就能放托運行李，不過有地勤網友說不建議把筆電放托運行李比較安全，大家可以自行詢問航空公司再看看放托運或手提行李。

#出發前一天大掃除

因為要離家半年的時間，所以我們打算幫家裡做深度清潔完再離開，會最後一天才大掃除的原因是家裡有小孩.. 太早掃好又會被用髒🤦🏻‍♀️ 除了基本的吸地、拖地之外，還洗了床單、被單、除塵蟎、洗廁所、浴缸、烤箱、微波爐、電鍋、瓦斯爐等等，最後也把瓦斯關掉、插頭拔掉、設定好草皮灑水器等等

#出發前

出發前一晚可以先網路報到，避免到達機場排隊等候太久（不過現在搭機的人非常少，後來發現到了再排隊也不用等很久）

出發前我們全家都穿了兩件上衣、兩件褲子，隨身行李也帶了可換的衣服、襪子用袋子包好，打算抵達台灣時把髒的外衣外褲換下，會冷的話再套上新的衣服。

#搭接駁巴士4小時

因為達拉斯沒有直飛台灣，還需要境內轉機或是搭4小時的接駁巴士到休士頓，我們當然是選擇搭巴士不搭境內航空，本來還想要自己租車開去休士頓的，但是我們行李實在太多了.. 租七人座的車都還是塞不下，最後還是決定搭巴士了。

雖然巴士上的人沒有想像中少，大概每一兩排都有坐人，不過巴士上全是台灣口音，大家一上車也都有做好消毒、戴口罩，感覺非常安心。我們一上車就在座位狂噴酒精、擦座位、把手，任何小孩可能會摸的地方都先消毒。上車後我們就讓小孩戴防疫帽，降低他們摸臉的機率，也隨時注意著他們一亂摸就馬上擦手噴手，想吃東西、喝水前也噴手，噴到後面他們都習慣了有旅行的防疫意識。

上車後一小時兩隻就睡著了，本來想撐到飛機上再讓他們睡，但是又怕他們硬撐著不睡會降低免疫力反而不安全，所以還是讓他們想睡就睡，健康安全第一。

而我們大人在搭巴士的這四小時非常擔憂，因為..原本在出發前就該收到的48小時檢驗報告，到現在都過了50個小時還是沒有收到！我們從早上就開始一直打電話問，得到的答案都一樣... 只能等，因為最近檢驗的人太多了，所以有可能超過48小時才能拿到，我們非常後悔沒有再多做其他幾家備案檢驗，但因為我們回台是臨時改的時間，很多預約都滿了不好約，想想真的只能聽天由命，我們人都在路上了，但關鍵的報告卻都還沒收到真的是急得像熱鍋上的螞蟻，我還一直閉眼冥想跟宇宙許願祈求能在搭機前收到報告😂 老公甚至還開始想要是報告最後沒出來、上不了飛機，那我們接下來可能只能住在休士頓旅館了🤦🏻‍♀️

#機場報到

我們的班機是晚上11：50，我們到機場時是差不多晚上10點，而我們把行李搬下巴士到達機場大廳時，還是沒有收到報告！實在不知道該怎麼辦，只好繼續在大庭站著邊排隊邊等報告，這時候有地勤人員先請我們填健康申明書（這個我們出發前就有在長榮航空的網站印出來先填好了），也幫我們量了體溫、並且用手機先填寫入境台灣時需要的入境防疫系統。晚上10：18 pm 就在我們用手機填寫資料之際，我跟老公同時收到了報告結果的簡訊！！我們直接在機場尖叫了出來！全都是陰性結果，我們真的可以回台灣了！😭😭😭😭😭

#過安檢

Check in之後就是過安檢了，平常要排隊半小時以上的安檢，今天空無一人，一路順暢的通過。現在防疫期間還是必須脫外套、鞋子（小孩不用），不過安檢人員說筆電可以不必拿出來檢查。我特別看了一下安檢的行李盒子真的很髒... 想到大家都把鞋子放在bin裡面也不會擦拭跟消毒，那上面一定滿滿的細菌甚至是病毒，所以就把包包行李放在大塑膠袋裡面過x ray，通過後直接把垃圾袋丟了。

#候機

過了安檢到登機口，總算有要回家的真實感了😭😭😭 因為人很少所以候機很快，一下就可以登機了。現場看到很多人都穿著隔離衣、帶面罩、口罩，真的讓人很安心！再16小時後就能到台灣了，我們全家都好興奮！！

#登機

登機很順利，在登機口有把口罩拿下來做臉部辨識一下而已，其他時間大家全程都戴著口罩。一上機我就開始到處噴酒精、擦消毒紙巾，還把小孩座位的把手、桌子都貼上保護膜，也馬上把他們的鞋子脫掉、鞋底消毒、地板噴酒精，因為接下來16小時他們的活動範圍就是這個座位了。

台灣政府取消了台灣轉機的政策讓機上少了大半的人，我們前後左右四五排內都沒有人！我跟老公都覺得待在長榮的機上根本比在美國超市買菜還要安全一百遍😆 到處都被消毒過、大家都穿隔離衣、距離很遠，真的超安心的！

#用餐

我們本來是計畫等大家用餐時間過了再吃飯，但因為前後左右都沒有人，後來決定應該沒有必要，長榮的飛機上比美國的戶外餐廳讓人安心多了。小孩吃的很開心，餐點比美國航空公司好吃太多，重點是我們正在回台灣的路上了，想到這個就太感恩😭 大家都把飛機餐吃光光❤️

#上廁所

我跟老公正常上機上廁所，上廁所時有帶一罐酒精，觸碰到哪就噴到哪，幸好酒精買了超多罐！而哥哥跟妹妹就不讓他們在機上走動了，直接在座位使用尿布與尿壺，但他們兩個都覺得尿在尿壺裡很詭異，所以只好包尿布尿，全程他們都沒有💩 很配合😆

#小孩睡眠

因為前年回台灣時兒子太嗨硬是不肯睡，一到台灣過兩天就累到發燒🤦🏻‍♀️ 現在這個非常時期發燒可不是開玩笑的，所以我非常注意他的睡眠與精神，千萬不能讓抵抗力受到影響。上機後讓他們看了一下電視、用餐，餐後半小時就按計劃給他們吃褪黑激素，睡了大約八小時（比平常在家睡的少），但他們感覺精神都不錯，我們持續觀察著他們的精神、體力狀態，目前他們時差已經調了一半，下午跟晚上都睡了不少。

比較讓我苦惱的是.. 女兒堅持要吃奶嘴跟聞她的安撫娃娃才肯入睡，跟她僵持了很久他開始有想要在地上打滾哭鬧的跡象... 所以我只好投降，讓她吃奶嘴再戴口罩，然後把她的安撫娃娃噴滿酒精（她還跟我抱怨兔兔不好聞！氣死我🤦🏻‍♀️ 我說讓妳聞就不錯了不要嫌了😠）整趟她都黏著她的兔兔，我也一直心驚膽跳的的盯著她的兔子，掉地上或是碰到她的襪子等，我馬上就拿出酒精一直噴噴噴，噴到我都懷疑兔子都酒味女兒會不會醉😂

#抵台

飛機降落時，在窗外看到台灣國旗🇹🇼我直接大噴淚😭😭 過去一年我們真的過的很辛苦，小孩不能上學、我們都待在家工作，渡過好多爭執與困難，美國大環境因為疫情、選舉等真讓人感覺動盪不安，看著窗外國旗的景象真的讓我內心好激動😭😭 終於回到了全世界最安全又溫暖的家了！妹妹還一直問我說「媽媽你為什麼在哭」，我哭著說「因為我們回家了，媽媽太開心了😭😭」

到達台灣機場真的讓人非常非常安心！這不是心理作用，比如我一下機兩個小孩說想上廁所，我們遇到的第一個廁所門口就有「入境旅客專用廁所，微旅行及員工勿使用」的告示牌，機場把廁所也分開來讓入境的人使用，覺得這些細節真的做的很完善！

我一降落就收到了檢疫系統傳的簡訊，接下來就是有工作人員與告示牌指示我們怎麼走，工作人員都戴著口罩面罩，但都非常親切🥺 我因為東西多、小孩鬧，還要把手機裡的入境防疫資料找出來，護照一直不小心掉在地上，工作人員看我肚子大就一直幫我撿，還叫我慢慢來不要急，他正這麼說的時候我護照又掉了😂 他就一直笑說不要這樣，我腰不好🤣 讓我心情瞬間放鬆了不少。

後面的流程就是分兩排排隊，一排是有台灣手機號碼的人（我帶著兒子排這排），另一排是沒有台灣手機號碼的人（老公帶著女兒排這排），我把檢疫系統簡訊提供的條碼秀在手機上，連同護照給人員檢查、做紀錄，老公現場辦電話卡也很快，我們後來在入境的移民局前會合。

#入境後

入境通關很快速、人很少，全程也都戴著口罩，只有把口罩拿下來秀出臉一下看跟護照上照片長的一不一樣，接下來就是拿行李了！趁老公在搬行李的時候，我把小孩的外衣外褲都脫掉，把髒衣服放在塑膠袋裡收好，我自己也去廁所把外衣外褲脫掉，換新襪子、把鞋底消毒，老公搬完行李也換了衣服。這樣我們全家人到家時都是乾乾淨淨的了👌

#上防疫車

媽媽有先幫我們定好九人座的防疫車，我們順利的把所有行李都搬上車，全家上了車開開心心的回家！一路上看著窗外風景我又想哭了😭孕婦哭點很低，但老公說他內心也很感動！回家的路很辛苦但是太值得了！！

#到家

到家後爸爸媽媽戴著口罩、站在院子遠處迎接我們😭好想要擁抱他們但是忍住了，我們把行李都消毒以後直接搬上了三樓我們的隔離房間。一上樓嚇一跳😆我媽根本照防疫旅館規格在佈置！擺了沙發、電視、小孩遊戲桌椅、玩具，還有準備泡麵、零食、飲水機，牆上還貼了防疫需知🤣🤣 是打算以後要經營防疫旅館嗎？😆

感受到家人的愛與溫暖，真心充滿著感動與感激，我一直內心很激動好想哭😭 熬了一整年、千辛萬苦回到家真的太太太感動了啦（講一百遍都不膩！）

一到家沒多久就收到鄉公所還有派出所員警的電話，叮嚀我們14天內不能出門、手機不能關機，有任何身體健康狀況要馬上通報他們、不能自行就醫，員警們都超親切！真的不斷讓人感受到安心與溫暖🥺

不過下午到晚上的時候我跟老公時差睡死了，老公的手機在哄睡小孩的時候開著音樂不小心沒電關機了，結果晚上10點員警真的來按門鈴找人了！真的太不好意思了我們一直跟他道歉與道謝，真的是太累沒有注意到手機已經沒電，員警親切的說沒關係，時差這樣很正常，不過一關機就定位不到我們了，所以這14天千萬不能關機！有要回台隔離的人要記得唷！

今天一早就收到line詢問我們的健康狀況，我只能說這一切都讓人太安心太感恩了，對比過去一年看著美國疫情無限的擴散、政府防疫政策讓人搖頭、國民防疫意識低落，現在人在台灣的我們，真心時時刻刻都非常感恩又感動🥺

寫了這麼大一篇心得流水帳，除了希望能給想回台灣的海外同胞一些經驗分享之外，也想讓台灣人知道我們有多麼的幸運，能身為台灣人真的太驕傲了🇹🇼❤️❤️❤️ 台灣能守的這麼好，真的是政府的超前部署、注意細節、配套措施還有全民宣導都做的很好，這一路都深深感覺到政府的用心，還有也是全台灣人的配合才能把疫情控制的這麼好🥺 好愛台灣！接下來就等14+7天過後我們就正式自由了！！

為了活下去，全球最大的零售商沃爾瑪變身數據公司

文：王茜穎 / 若水 Flow AI Blog 編輯團隊

【本文重點】：

1. 今天，人工智慧不再是一種選擇，而是生存下去的基本必須品。
2. 為了預測消費趨勢、提高供應鏈和營運效率，沃爾瑪張開數據網，即時監控2000億筆的內部交易數據，200 個外部數據。
3. 從行銷、採購、品管、上架、庫存管理到配送，AI 正在改寫超市地景和運作方式。

零售業是一個國家最古老的行業。但你發現了嗎？全球最大的零售業龍頭沃爾瑪 Walmart，正在把自己變成一家數據公司。

它不得不。它最大的競爭對手，吃下線上零售市場一半江山的電商龍頭亞馬遜，不斷探索線下經營。繼實體書店、無人便利店 Amazon Go、收購全食超市（Whole Foods Market）之後，2019年再度推出 Amazon 4-star，銷售在亞馬遜網站上獲得4顆星以上評價的商品，準備對線下零售市場攻城掠地。

「今天，人工智慧不再是一種選擇，而是生存下去的基本必須品。」知名暢銷作家Bernard Marr 說。《華爾街日報》形容這是一場「不斷升級的科技地面戰」。

如何確保對的產品在對的時機，放在對的位置，做出對的定價，以方便對的人購買，是競爭白熱化的零售業的致勝關鍵。

即時監控2000億筆的內部交易數據，200個外部數據
為了抓出客戶需求、提高供應鏈和營運效率，沃爾瑪阿肯色州本頓維的總部設立了@WalmartLabs 和 Data Café（Collaborative Analytics Facilities for Enterprise，企業協作分析工具），監控過去幾週高達2000億筆的內部交易數據，以及氣象、經濟、電信、社交媒體、油價、鄰近沃爾瑪的重大事件（如：體育賽事）、美國最大評論網站Yelp、信用徵信網站Experian等200個外部數據。

沃爾瑪每週預測全美4700家店，共500億件商品需求，「我們每個週末都提出一套新的預測，」「我們有12小時完成所有的預測，約3天完成所有的訓練。」@WalmartLabs 傑出數據科學家和數據科學主任John Bowman說。

但沃爾瑪的規模實在太大了，Bowman說原有的開源軟體，「隨著我們擴大演算法規模，加入愈來愈多的數據，涵蓋愈來愈多的類別，開始遇到嚴重問題」，目前其預測模型是由內部改寫和開發的機器學習演算法組成，每項商品的預測，都建立在350個數據特徵上。

除了預測消費風向，最基本的，「用來確保門市和配送中心的庫存水位，足以滿足預測的需求。它不只幫沃爾瑪控制庫存成本，也確保架上的庫存足以應付來客或網路訂單。」前@WalmartLabs印度班加羅爾主任Nitin Sareen指出。

沃爾瑪 Walmart 同時收集所有顧客的消費紀錄、住在哪裡、並從店內的免費無線網路追蹤其產品喜好。2017年的報導指出，沃爾瑪掌握了6成美國成人，近1.45億人口的詳細資料。「我們想知道世界上所有的產品，我們想瞭解世界上每一個人，然後我們想要擁有連結兩者，促成交易的能力。」前沃爾瑪全球電子商務與科技執行長Neil Ashe曾說。

它的「社會基因體計畫」（Social Genome Project）監控社交媒體上的公開對話，參透消費者的社交DNA，藉以預測消費趨勢。沃爾瑪開發的Shopycat禮品推薦APP，「透過社會基因體計畫，分析朋友的臉書上的讚、分享、發文等動態，解除送禮壓力，提高送禮樂趣。」

當人們在線上展現我們的喜怒哀樂時，沃爾瑪就從分析臉書和推特的對話，在趨勢轉成需求前，成功預測棒棒糖蛋糕機、電動榨汁機的需求，立刻進貨、鋪貨。

數據讓沃爾瑪（Walmart）能預測未來趨勢，抓出過去錯誤

除了預測未來，即時數據和分析，讓沃爾瑪從異常銷售數字中，立即抓出定價失誤，或發覺特定門市根本未將商品上架的問題。機器學習把解決問題的時間從2～3週，大幅縮短為20分鐘。「若你得花上一週或一個月分析你的銷售數字，才能獲得洞見，你那段時間的營收已經蒙受損失。」沃爾瑪資深統計分析師Naveen Peddamail說。

為了收集消費者資訊，沃爾瑪甚至在2012年推出了自己的搜尋引擎Polaris。今年2月，沃爾瑪再度收購以色列科技新創Aspectiva，利用其自然語言處理功能 (Natural Language Processing)，讓電腦擁有理解人類語言的能力，分析客戶的產品評論等用戶生成內容，並結合其瀏覽行為，以提供個人化的產品推薦。

沃爾瑪每小時產生約美國國會圖書館館藏167倍的數據，這些通通餵給雲端。沃爾瑪和微軟聯手建立全球最大的私人雲，每小時從百萬名消費者身上收集2.5 petabytes非結構化的數據，做出行銷、採購、鋪貨、庫存管理等各種決策。有一說，此舉是要和亞馬遜的Amazon Web Services (AWS)一別高下。

衝刺電子商務戰場，營造個人化體驗、用AI 工智慧鞏固生鮮市場

電子商務上，沃爾瑪仍看不到 Amazon 亞馬遜的車尾燈。

為此，沃爾瑪接連併購 Jet.com、Bonobos、中國電商 JD.com、及砸160億美元買有「印度亞馬遜」之稱的 Flipkart，去年沃爾瑪亦翻新官網，挾其龐大的數據能力，用消費者的所在地、瀏覽和購買歷史，加強區域與個人的個人化體驗。

例如，顯示當地熱門商品、通常一起合購商品、「我的門市」生鮮配送服務；提供「輕鬆續訂」功能，類似亞馬遜網站上的快速按鈕（Dash button）。去年第四季，沃爾瑪的電子商務營收成長43％，eMarketer並預測今年底沃爾瑪將分食4.6％的市場，較去年成長4％，居全美電商第三名。

沃爾瑪抓緊數據，苦苦追趕，有其苦衷。根據Accenture 2016年的調查，58％的消費者傾向在有個人化推薦的網站購物，一旦沒有，最快60秒就會失去興趣；SmarterHQ的報告則指出，在這樣的情況下，47％的消費者會直接轉往亞馬遜，便宜了沃爾瑪的頭號競爭對手。

為了拉抬線上銷售，沃爾瑪祭出廉價生鮮優勢。去年底全美有1600家門市提供生鮮配送，3100家門市設提貨中心。亞馬遜迅速回防，今年4月，旗下的全食超市推出第三波降價，以及2小時生鮮配送，1小時店內提貨，要挖沃爾瑪牆角。

這是一塊沃爾瑪輸不起的戰場。不同於亞馬遜，生鮮佔沃爾瑪全美近6成營收。金雞母保衛戰，沃爾瑪用AI和相機打造「新鮮度演算法」，名之「伊甸園」（Eden），用AI檢查蔬果缺陷和新鮮度，預測腐壞日期，確保蔬果從農場到貨架全程新鮮，終結食物（成本）浪費。在全美43個配送中心試用6個月，已替沃爾瑪省下8600萬美元，預計5年內將省20億美元。

在此之前，沃爾瑪必須派員在配送中心先目視檢查送進來的生鮮，接著再手動檢查是否符合美國農業部和沃爾瑪內部的食品標準。

「伊甸園源自我們生鮮營銷團隊工程師間的一場駭客松。」沃爾瑪部落格說。在6個月內，他們量化了美國農業部和沃爾瑪內部的食品標準，並發給稽查員一支iPhone，用Eden的APP記錄各種蔬果在不同生命週期時的樣貌，是否符合各項食品標準。這百萬張照片的資料庫，成了人工神經網絡進行深度學習最佳教材。

當稽查員在現場拍下照片時，機器將比對資料庫中的圖像，經過一層層，千百萬個神經元的數值運算後，評估蔬果新鮮度，預測保存期限，最後決定接受或退貨。沃爾瑪還把iPhone送到農夫手上，讓他們在農產品運送前先拍照，通過伊甸園把關再上路，從頭減少因品質而被退貨所衍生的成本。

「這代表（我們）能更有效率地催熟香蕉，當番茄還長在藤上時，就預測出它的保存期限，或依此調整蔬果上架的優先順序。」沃爾瑪供應鏈技術副總工程師Parvez Musani分析。販賣生鮮是一場和時間賽跑的賭局。時間，就是金錢。

除了產地和配送中心的品管，他們發現運輸過程中的溫度，也會影響蔬果新鮮度。為此，伊甸園即時監控蔬果在貨車裡的溫度，若發現溫度飆升導致蔬果「短命」2天，則立刻重新安排貨車路線，送到較近的配送中心，減少損失。

Musani舉例，沃爾瑪的明星商品香蕉，來自7個拉丁美洲國家，鋪貨到全美4千多家門市。不久的未來，在跨洲、跨國、跨州的長途運送過程中，伊甸園會重新估算「新鮮度」，決定香蕉運到哪裡。「最後香蕉會運到較近的門市，確保最新鮮，消費者樂於買一串美味香蕉，人人皆大歡喜。」

跟 Amazon 亞馬遜搶食 AI 語音購物市場

眼紅於亞馬遜語音助理Alexa登堂入室，開口即可在亞馬遜下單，沃爾瑪也想搶食語音購物市場。

近來的專利申請，透露沃爾瑪打算在產品中內建物聯網電子標籤，以監控家用品的使用情況，例如追蹤保存期限，或你提起洗潔精的次數，藉此推測何時需要補充，自動加入你的購物清單，並為沃爾瑪提供顧客行為的龐大數據，包括產品使用的時間和頻率。

今年4月起，直接呼喚Google Assistant也能在沃爾瑪下單，可在全美超過2100家門市提現貨，800家門市領取網購商品。由於語音下單容易指示不清（例如：買2罐洗衣精），為求準確，沃爾瑪顧客的消費記錄將和Google Assistant帳號綁定，以判斷脈絡。

儘管目前語音購物對營收的貢獻很小，分析師紛紛預測這是未來趨勢。為了「不落人後」，沃爾瑪甚至投資一家針對上流社會的個人購物服務新創Jetblack，會員可用簡訊「遠端遙控」購物員幫他們購物，年費要價600美元。

簡訊的文字，是絕佳的機器訓練素材。「沃爾瑪正在利用Jetblack的大批人力來訓練其AI，盼其有朝一日能提供自動化的個人購物服務，為搜尋欄消失，聲控購物成為主流的那一天，提早做好準備，」Jetblack執行長Jenny Fleiss告訴《華爾街日報》。該報分析，沃爾瑪將該投資視為AI和語音購物的研究中心，打算用它來打造和亞馬遜Alexa抗衡的秘密武器。

而JetBlack正是從沃爾瑪位於矽谷的科技孵蛋器Store No.8孵出來的新創公司。為了尋找下一代的零售科技，沃爾瑪透過Store No.8來孵化、投資新創，與創投和學術界合作，開發機器人、虛擬實境、機器學習和AI技術。

AmazonGo會是沃爾瑪的未來嗎？

自去年10月底，沃爾瑪旗下的倉儲式商店Sam’s Club宣布將在德州開第一家無結帳員的超市後，大家都在揣測沃爾瑪超市何時會跟上AmazonGo的無人店。

4月底，沃爾瑪公布了它的「未來超市」。它改造了紐約州Levittown的門市，化身「零售智能實驗室」（Intelligent Retail Lab），在真實運作的超市裡，裝滿感應器、攝影機、並建有龐大的數據中心。「這些硬體佈線之長足以爬聖母峰5次，處理能力之強大每秒能下載3年份的音樂（27000小時）。」沃爾瑪的部落格寫著。

5萬平方呎，3萬件商品，超過百名員工，可以確定的是，沃爾瑪的未來藍圖，不是AmazonGo。

具有人工智慧的攝影機，並非用來分辨消費者拿了什麼，好自動結帳，而是用來監控貨架上的存貨。機器「看見」架上商品，準確辨識品項和數量，並對照預測銷售需求的量，即時通知員工哪些商品空了，立刻補貨，或哪些放太久，立即下架。如此一來，確保架上永遠有貨，而且絕對新鮮。

這不是沃爾瑪第一次用AI來即時盤點庫存。

走進今天的沃爾瑪，你可能會碰到Auto-S貨架掃描機器人，穿梭在繁忙的貨架間。

自駕車的感應器和人工智慧，讓它能即時辨識路徑中的障礙物，優遊於樑柱、顧客、店員之間，避免碰撞。身高2英尺（約60公分），機器手臂最高可達8英尺高，裝有高解析度相機可快速掃描架上存貨、標價標籤和商品位置，而且免傳雲端，運用卡尼基美隆大學研發的Hawxeye人工智慧，機器人可現場用機器學習進行圖像辨識，加快分析速度，減少無用數據。

不到1小時，機器人就掃完數十個貨架，找出缺貨、庫存過低、沒有標籤、標價錯誤和錯置的商品，通知店員處理。在過去，這得花上一群人數天時間才能完成。

目前全美有50家沃爾瑪使用Auto-S貨架掃描機盤點架上商品。目前總里程650英里（近1千公里），尚未發生任何事故。來源：KPIX CBS SF Bay Area / 沃爾瑪
這提升了顧客的便利性，確保他們總能在對的貨架上找到想買的東西。對沃爾瑪而言，這能降低人事成本，減少貨架空間的浪費，但它還有更重大的意義：「驅動這類新科技的動力，是走向全通路零售的必要性。為了提供當天、低價或最後一哩運送，你必須以這些門市做為配送中心。但要實現這個目標，他們真的需要即時掌握架上有什麼，」Auto-S的製造商Bossa Nova執行長Bruce McWilliams接受Venturebeat採訪時說。

入口處的自助提貨塔就是明證，只要掃描你的網路訂單條碼，45秒內你的貨就會出現在輸送帶上，取貨變得跟「高科技自動投幣機」一樣方便。自駕車配送也進入測試階段。

去年11月，沃爾瑪宣布與福特合作，用自駕車宅配；7月，和Waymo（Alphabet旗下子公司，專門研發自駕車）聯手，在亞利桑那州小規模試點，「http://xn--walmart-6p3l44vn4ljhs1l8c981cucbz07isk0a.com/grocery下單，選擇到店取貨，我們的個人購物助理便會依據取貨時間，細心準備訂單上的商品。剩下的就交給Waymo。Waymo會接送顧客往返門市取貨，你可以利用這段時間完簡訊、小睡、工作，隨心所欲。」沃爾瑪部落格如此描述。

這一切聽起來，像是科幻小說？

沃爾瑪可不這麼認為，「今天，變化的速度很快。10年前，多數客戶還在讀第一代iPhone的消息，懷疑是否實用。現在，他們用手機上買東西，就期望宅配到府或店裡取貨 – 而且通常是當天，幾小時內，甚至幾分鐘內，」沃爾瑪執行長董明倫（Doug McMillon）說，「零售商得適應這些變化 – 在某些領域甚至引領潮流 – 不然就會落後並消失。」

附圖：圖說：去年改版後的沃爾瑪網站，新功能包括當地熱門商品、快速追蹤訂單、快速續訂、我的當地門市服務等，強化區域及個人化體驗。來源：沃爾瑪
圖說：伊甸園的APP介面，機器藉由照片的圖像辨識和比對，預估蔬果新鮮度。來源：沃爾瑪

圖說：只要45秒，16英尺高的自助提貨塔，就會準備好你訂的商品。來源：沃爾瑪

資料來源：https://ai-blog.flow.tw/walmart-ai-data-retail