【停滯型通膨即將來臨嗎？】

我認為我們即將在一兩年內經歷全球大部分地區的停滯型通膨（stagflation）。我認為投資的方向也會因此微調。

1. 濫發通貨的後果比我們想像中嚴重

我在《後疫情時代中國面對的經濟環境》一文中預測的通貨膨脹現象，已經從資本市場、房地產市場逐漸拓展到美國一般消費市場。

從媒體報導或社群網站上的照片記錄看來，普遍性的消費商品價格上漲已然發生。（見圖）

如同諾貝爾經濟學獎得主F. A. Hayek曾以蜂蜜形容貨幣的流動，在注入貨幣的過程，會造成某部分價格上漲，然後才慢慢拓展出去。而以當今Fed的貨幣干預手段，我們可以看到美國國債利率的下跌與股票、衍生性金融商品市場的價格上漲為常見的起點。而最後，亦如另一位諾貝爾獎得主M. Friedman所言：「通貨膨脹始終是貨幣現象」。

我相信讀者也在許多財經媒體上看到有關通貨膨脹的警告或討論了。

經濟學家Joseph Carson指出，美國在1970年代的CPI統計是包含房地產價格，因此1979年CPI成長11.3％中有相當比例是因為當年房地產價格激增。但現今的統計卻排除了房地產價格。而新冠疫情之後美國房地產價格因濫印貨幣而飆漲，故即便美國官方公佈的過去12個月CPI增長5.4%，但如果採取1970年代的標準計入房地產價格因素，則實際CPI漲幅應該是兩位數！

這也表示，Fed聲稱通貨膨脹只是暫時且不嚴重的論點，很可能是基於刻意被低估的統計方法。另一個值得一提的，是Fed自疫情封城後每個月都買入$400億美元房貸為基礎的金融證券（mortgage-backed securities），但我們也都清楚2008年美國金融危機的一大肇因就是美國聯邦政府轄下兩個專門替房貸信用擔保的房利美、房地美機構（Fannie Mae and Freddie Mac），其相當於政府干預市場的行為扭曲並蒙蔽了市場對真實風險的判斷。

更值得警醒的是如顧問公司MBS Highway指出美國Fed實質買入的房貸基礎證券金額恐怕高達$1000億美元每月，硬生生人為壓低房貸利率0.25~0.35%。

綜合來看，Fed刻意濫發通貨不但眾所周知，很可能實際規模超越我們理解。而美國政府的CPI統計卻因排除房地產與股票等資產，無法正確地理解真實通膨現狀。

2. 政府引發通膨並非萬靈丹 -- 菲利普曲線早已失效

美國上班族實質週薪相較去年同期收入下降了1.7%，製造業員工更是下降了2.2%。

然而根據總體經濟學的菲利普曲線與相關理論認為，通貨膨脹引發的實質薪資下降理論上應該可以提高就業。可事實上我們看到的是五月份高達900萬份職位仍空懸找不到勞工。根據華爾街日報報導，六月份失業率5.9%竟仍高於新冠疫情前的3.5%。

為何如此？早幾年我已經多次撰文談過，菲利普曲線只是基於紐西蘭某一小短時期的統計數字，從經濟理論上就存在內在矛盾與瑕疵，根本不是個普遍可適用的通論，頂多算是個「特例」。因此我們常看到經濟學家質疑此曲線失效實屬正常。

從制度經濟學角度觀察，貨幣政策的確可以引發通貨膨脹造成實質薪資下降，但工作機會與適任員工二者的媒合本身並非不存在交易費用，這意味著並非實質薪資下降馬上需求曲線丟進來，交易量（即就業人數）立即增大。

美國Fed的達拉斯分行4月份報告就指出：30.9％因疫情失業的勞工並未重新回到他們原本的舊工作，此數字還高過去年7月的19.8％。

根據美國人力網站ZipRecruiter近日研究發現幾個目前美國就業市場現象：

a. 本來在娛樂或餐飲旅館行業的就業人士，被疫情的強迫停業嚇怕了，高達70%欲轉行，但多數卻因為行業專業不同難以順利轉換跑道。

b. 過去幾個月來新開出的職缺與失業人數竟然同步上升。

c. 因為疫情許多人跑去城市郊區甚至鄉村避難，結果開出職缺的區域與求職者所在區域出現明顯分離。

d. 同樣因為疫情封城管制造成的後果，紐約市區星巴克的今年五月來店人數相較兩年前同期下降65%，工作機會也隨之發生改變。

e. 每週$400美元的失業補助讓許多失業者不急於找工作。溫蒂漢堡、必勝客、Applebee's、Taco Bell等知名連鎖餐廳提供額外的獎金補貼也依然找不到員工。

而這一些因交易費用增加產生的就業市場成交量下降，從制度經濟學角度來看難以依靠貨幣政策改善，而是必須透過放寬就業市場法規來協助降低交易費用。可是我們看到卻是迷信政府管制的新一任Biden政府。

3. Biden總統的行政命令

今年7月初美國總統Biden簽署了一系列行政命令，新增了橫跨農業、健康產業、物流、交通、科技產業、勞工...等各種管制，聲稱可以透過政府干預帶來產業競爭狀態的改善與消費者/勞工權益。

我們可以從Biden總統的發言看到他對基礎經濟學概念的嚴重無知與缺乏：“Capitalism without competition isn’t capitalism. It’s exploitation,” ... “Without healthy competition, big players can change and charge whatever they want, and treat you however they want. And for too many Americans that means accepting a bad deal for things that you can’t go without.”

經濟學認為競爭無處不在，而不同的侷限條件會導致競爭的態樣改變。某些侷限條件下的競爭會有較高的租值消散，某些則較少。純粹市價競爭的自由市場是理論上完全無租值消散的一種競爭態樣。

因此，政府管制往往帶來的只是更多租值消散與尋租空間。誠如雷根總統說過：「政府本身就是問題，而不是解答。」

所以我們不難發現試圖以更多管制措施、更多政府干預來「使市場健康競爭」的Biden政府，必然是一場徒勞無功且弊病叢生的白工。只是所增加的交易費用，依然是由美國人民來承擔，這對通貨膨脹烏雲蓋頂的底層百姓而言，恐怕雪上加霜。

還記得中美貿易戰多篇文章我均指出，從正確的經濟學邏輯角度來看，時任Trump政府對中國的各種關稅或非關稅貿易壁壘，最終的成本承擔者只會是美國消費者。

我們看到前任Fed主席，現任美國財政部部長Janet L. Yellen也於7月中旬接受紐約時報採訪時鬆口承認Trump時代對中國的關稅障礙結果是在傷害美國消費者。（"Tariffs are taxes on consumers. In some cases it seems to me what we did hurt American consumers, ..."）

這樣的錯誤，美國政府百年來犯了無數次。例如我們曾談過Milton Friedman 與George Stigler 兩位諾貝爾經濟學獎得主共同撰寫的知名論文「Roofs or Ceilings? The Current Housing Problem」以1906年甫大地震後225,000人無家可歸的舊金山市為研究對象，發現當時無力管制的市政府放任市場自由定價，結果是多數人很快找到新家，即便是十分貧窮者，也有與之對應的廉價房屋提供（1906 advertisement “Six-room house and bath, with 2 additional rooms in basement having fire-places, nicely furnished; fine piano; … $45."）

但到了1946年，舊金山因人口增長而推出租金管制，明明房屋短缺嚴重性遠不如1906年大地震後的慘狀，但卻發生多數人租不到房子的窘境！

根據二位經濟學大神研究，1906年每一個想租屋的人，大約有10間房子供選擇；但租金管制後的1946年，每375個求租客對應10間房子供給。

更嚴重的實例還有1970年代石油危機期間，美國政府出台的各種價格與非價格管制干預措施的結果，反而更抬高國內石化產品價格，加劇石化產品短缺現象，不但各地加油站大排長龍，不少妙齡女子以身體為代價與加油站老闆員工上床以取得汽油的新聞不絕於耳。

因此我推斷，美國如不放寬對中國的制裁，只會加重自身通膨惡果，同時惡化真實失業狀況。

一方面，管制會加重人民負擔提高交易費用這點已經敘明不再重複；另一方面，中國是美國過去二十年瘋狂印鈔卻未引發嚴重通貨膨脹現象的最大助力。

這點不僅我這樣看，如經濟學名家張五常教授、前任美國聯準會主席Alan Greenspan於2005年美國國會聽證會發言，乃至於經濟學人雜誌2004年10月份的特別報告「Unnaturally low -- China is helping to keep down global interest rates」也做如是想，且不說還有許多經濟學家也持一樣的觀點。

誠如Greenspan於前述聽證會上發言指出，對中國貿易制裁結果必然導致美國民生物價上漲與人民生活品質受損，但卻無任何經濟學理與客觀證據支撐政客謬論 -- 制裁中國並無法改善美國就業率。

可即便Greenspan早在2005年國會上已言者諄諄，顯然後來十幾年美國政客們是聽者藐藐。因為政客利益往往不等同於人民利益，這是民主國家最大的侷限條件。

回過頭看，Biden政府上台以來，不但沒有放寬Trump時代對中國的諸多基於污衊指控而實施的貿易制裁，甚至有變本加厲的態勢。但如此舉措對美國自身其實極為不利。行文至此我們已經可以確定實質經濟成長停滯與通貨膨脹雙擊的「停滯性通膨」將來臨。

4. 歐美國家與日本普遍高負債結果只能以提高稅率或利率為結果。

所謂的「現代貨幣理論（MMT）」根本是一套無視成本的胡扯，違背了「凡有選擇必有代價」的經濟學最基礎侷限。各國瘋狂印鈔當然最後會出現通貨膨脹，不負責任的政府只能以提高稅率或提高利率為代價。

只是每個國家面對的侷限條件不同，使得代價發生的時程或「閥值」有所不同。

通貨膨脹現象說到底是個「貨幣增長率對上經濟成長率」的過程 -- 當貨幣增長率追不上實質經濟成長率，通貨收縮會發生；當貨幣增長率超過實質經濟成長率，則通貨膨脹會發生。注意，我這裡指的「實質經濟成長率」是「真實」的經濟成長，而不是GDP、凱因斯經濟學那套錯誤的觀念。這部分我以前就為文批評過，有興趣的讀者請自行查找。

故，同樣因應新冠疫情而寬鬆貨幣的俄羅斯，其面對的國際經貿環境不比美國日本，自然很快就承受不住通膨壓力於近日宣布一口氣調升利率100個基點至6.5%。（見圖）

美國聯邦政府2021年政府負債$28.5兆美元，是GDP的128.31%。僅利息支出達$4025億美元，佔年度預算5.3%，佔聯邦稅金收入9.8%。如果美國無法成功抑制通貨膨脹，則隨之而來的利率飆升將造成美國財政風險。畢竟市場利率始終是由「無風險利率+風險貼水+預期通貨膨脹率」組成。

我們可以注意到1980年代初期，美國國債淨利息支出增加的時期，其相對應的10年國債利率也大幅攀升。

同樣地，在高通膨率的1980年代初期（藍線），市場利率也曾一度飆升至近20%（黑色虛線）。（見圖）

再看看目前世界主要經濟體的債務狀況（見圖）

新冠疫情之後，世界主要國家的債務風險只增不減。

英國經濟學家，前英格蘭銀行與英國貨幣政策顧問Charles Goodhart警告：「中國帶給全世界的經濟紅利若因其人口結構老化而逐漸消失，則世界必將面對通貨膨脹衝擊。」（"...as aging populations in China and other nations spend more of their savings, average interest rates will rise higher than governments have bargained for...China’s greatest contribution to global growth is now past. This great demographic reversal will lead to a return of inflation.”）

通膨來襲加上實質生產力成長受損的停滯性通膨夾擊下，歐洲與日本等主要經濟體不得不面對更棘手的債務危機。這些國家未來政治與社會的動盪將會是常見的現象。

美元20多年來快速通貨成長下而無明顯國內通膨的一個重要因素，在於其做為世界最主要國際貿易交易結算貨幣的角色，使得世界整體經濟成長大於等於美元通貨成長時，通膨率不易上升。就如Greenspan 2005年在美國國會作證所闡釋，中國作為1990年代以來美國成長最快且體量非常大的貿易夥伴，中國對美元的需求本身就保證了美元的購買力，同時物美價廉的中國製造產品也大幅壓低了美國國內物價增長率。

上個世代扮演此角色的是日本，因此我們也看到日本與中國分別是目前美國國債最大持有國。（Foreign governments owned US$7.053 trillion of US debt in November, including China's US$1.063 trillion, and Japan's US$1.260 trillion, US Treasury data showed. ）

然後在此次疫情重創且血虧的奧運會之後，其逐漸衰退的整體生產力與相當惡化的債務狀況，我懷疑日本還有多少殘存力量支撐美元。

因此我們不難理解為何美國新任Biden政府上台後汲汲營營地尋求與中國高層會面。

結論

人民幣國際化的推進與中美經貿脫鉤二者都會帶來美元實質購買力的衰退與美國通膨惡化。因此美國政府如要避免財政危機，必須做到二件事：a. 解除貿易壁壘，尤其是針對中國的貿易制裁；b. 確保中國繼續願意大額購買美國債券以及使用美元為主要國際貿易結算貨幣。

中國數字人民幣推展與歐洲也開始積極發展數字貨幣的背後，都是直接對美元在國際貿易、金融體系的競爭。一帶一路若越成功也越能協助人民幣國際化。

這些都是美國非常不樂見。因此我們可以看到美國不斷在造謠污衊中國的一帶一路與科技後門監聽等事項，就算明明被抓包踢爆監聽全世界的是美國自己。

然而如同我多次解釋過，美式民主制度下政客的利益與人民利益往往不一致。當鼓動對中仇視有利於競選時，美國政客很難選擇與中國和平、更深度交流的道路；當增加更多政府管制干預與有利於尋租時，政客也是毫不猶豫地如此選擇。所以我們會在未來相當長時間看到精神分裂的美國 -- 又不希望中國在世界經濟影響力增加而欲打壓，但自己又不能真的因打壓中國與之脫鉤。

這種人格分裂狀態恐怕未來十幾年都會是美國政壇主旋律。

因此站在投資人的角度，我選擇把財產壓在美國利率終將上漲這一大方向上。

文章連結：
https://tinyurl.com/58hauwkf

參考資料：

WSJ, "How Much Are Prices Up? Here’s One Family’s Day-to-Day Expenses." July 9, 2021

WSJ, "Job Openings Are at Record Highs. Why Aren’t Unemployed Americans Filling Them?" July 9, 2021

WSJ, "Governments World-Wide Gorge on Record Debt, Testing New Limits" July 12, 2021

范一飞, "关于数字人民币M0定位的政策含义分析" 2020年09月15日

元毓, "宏觀經濟學的尷尬—菲利普曲線死了嗎？" May 8, 2018

NYT, "Yellen Says China Trade Deal Has ‘Hurt American Consumers’" July 16, 2021

WSJ, "Biden Targets Big Business in Sweeping Executive Order to Spur Competition" July 9, 2021

WSJ, "The 2021 Olympics Are Turning Into a $20 Billion Bust for Japan" July 20, 2021

Bank for International Settlement, "CBDCs: an opportunity for the monetary system" BIS Annual Economic Report | 23 June 2021

Barron's, "The Housing Market Is on Fire. The Fed Is Stoking the Flames." July 23, 2021

Barron's, "Disco Inferno: The U.S. Could Be Headed Back to ’70s-Style Stagflation" July 16, 2021

Reuters, "Russia raises key rate to 6.5% in sharpest move since 2014" July 23, 2021

Milton Friedman & George Stigler, "Roofs or Ceilings? The Current Housing Problem" September 1946

Alan Greenspan, "FRB: Testimony" June 23, 2005

The Economist, "Unnaturally low -- China is helping to keep down global interest rates" Oct 2nd 2004

疫情下自動駕駛車實戰 「僅有乘客」彷如未來車[影]

2021/5/28 10:43（5/28 11:54 更新）

中央社記者周世惠舊金山傳真 110年5月28日

（中央社記者周世惠舊金山27日專電）「僅有乘客」的叫車服務是自駕車Waymo去年底在鳳凰城的嘗試，在疫情期間人車較少的道路上，無人駕駛的方向盤自己轉，煞車和油門踏板時而上下，被形容為「未來車」。

上了計程車或共乘工具，一般人通常會直覺地彎身向前，跟「運將」（駕駛）打聲招呼，不過，若是坐上駕駛座空空的自動駕駛車，乘客只能隔著透明防疫板，和「空氣」打招呼。

2009年搜尋引擎龍頭Google提出自動駕駛車計畫，Waymo獨立成為Google母公司Alphabet旗下開發自駕車技術的品牌，總部設在加州山景市（Mountain View）。

2019年Waymo在亞利桑那州啟動小規模的叫車服務，當時方向盤後面的駕駛座一直有人在，以利進行必要的輔助；去年10月，完全無人駕駛的叫車服務開始在鳳凰城（Phoenix）郊區上路。

「像進入未來時代」，住在加州的危慈安向中央社記者分享搭乘完全無人駕駛自動車的體驗，「非常驚喜、新鮮、轉彎很安全」。

影片：https://vod.cna.com.tw/VOD-DATA/cnavideo/202105/004337472_561bf215-97e8-46cf-87bd-73e5150ac30e.mp4

因公出差到鳳凰城，在下榻旅館經由一位年長白人太太的口碑推薦，她和同事們決定把預訂好的租車先擺一邊，讓「機器人」載一程。

當外觀有8個旋轉感應器等偵測設備的Waymo自駕車抵達，開車門入座後有語音招呼、確認載到正確的叫車者，乘客與駕駛座中間隔著透明壓克力板，避免關鍵設備的碰觸。

車程中，她的視線被空空的駕駛座吸引，儘管駕駛座的安全帶是扣上的，技術上看來只扣到空氣。在一般道路上，按規定的車速行駛，並非「機器人慢吞吞」的速度。

危慈安是連鎖品牌超市的人力資源副理，自稱不是科技達人的她肯定自駕車技術的貢獻，尤其對外地人、視力弱勢族群、以及疫情期間怕與陌生駕駛接觸的乘客都有其優點。當天10分鐘車程的車資為5美元（約新台幣140元）。

儘管疫情期間人車較少，自駕車在真正的道路上實戰，仍預告了Waymo在過去12年來，對相關科技的準確性累積了信心。

由於一般人在心理上對自駕車的接受程度仍有障礙門檻，Waymo用的字眼是「僅有乘客」（rider only）而非「完全無人駕駛」（fully driverless）。

然而，無人駕駛的爭議從來沒斷過。兩星期前，乘客強森（Joel Johnson）分享一則YouTube影音，記錄一趟自駕車「卡住」的搭乘經驗，車子兩度對道路前方的交通錐反應不過來，停在路中間。影片呈現他和Waymo遠端控制人員的對話，最終由專人到現場駕駛，帶他到目的地。

https://youtu.be/zdKCQKBvH-A

影片來源：JJRicks Studios

「不管是人駕或者自駕，都不能犧牲安全。」亞利桑那州立大學（Arizona State University）社會未來創新學院副院長梅納（Andrew Maynard）接受中央社記者視訊專訪說，就算是全世界最好的科技，若有人覺得不安或者經驗不好，就會影響輿論，這是之所以無人車駕駛技術緩慢且謹慎發展的原因之一。

自動駕駛車的人工智慧、機器學習等演算不難，難的是如何面對意外的狀況，像突然飛來的塑膠袋等。專攻創新與危機研究的梅納表示，他能接受坐在偶爾對交通狀況有困惑反應的車子，而不是會肇事的車子。

複雜的道路環境、人與科技交會的駕駛變數，讓自駕車的挑戰高。即使如此，叫車服務Uber、電動車特斯拉（Tesla）和蘋果（Apple）多家公司都在投入彷彿看不到人，卻有「靈魂」的未來式交通技術。（編輯：林憬屏）1100528

附圖：搜尋引擎龍頭谷歌（Google）母公司旗下的無人駕駛科技公司Waymo，去年底起在美國亞利桑那州鳳凰城附近提供「僅有乘客」的叫車服務，象徵對無人駕駛的技術有一定的信心。（Waymo提供）
以擅長科學溝通為名的學者梅納（Andrew Maynard）近日告訴中央社，發展10餘年的無人駕駛科技才算剛起步，未來相關產業迫切需要工程專家和了解政策、消費者需求及危機處理的跨界人才。（梅納提供）中央社記者周世惠舊金山傳真 110年5月28日

資料來源：https://www.cna.com.tw/news/ait/202105280046.aspx

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

政府統計九月樓市衰過沙士! 物業市場統計資料:
https://data.gov.hk/tc-data/dataset/hk-rvd-tsinfo_rvd-property-market-statistics

香港傳媒隱瞞2兆美元債多年, 特朗普話佢地FAKE NEWS假新聞一樣!!

各區樓市劈價之声不絕, 之前絞殺全港業主一片兩週突破15萬views, 力壓杜汶澤Genius Bar !! 香港2兆美元外債只要驚动一千几百個有實學的金融才俊已足夠, 雪球效應, 死亡螺旋經已發動, 顺者昌, 逆者亡 !! Please like, share, comment and subscribe, 出貢獻 種善業 得生果 多勞多得

你的時間到了, GOD WILL JUDGE YOU, WE ONLY ARRANGE THE MEETING !! 個天会審判你, 我只係負責帶路, 都係揾食姐...

假新聞 FAKE NEWS:
TVB, ATV, 香港01, 蕭若元, 鄭經翰, 沈大師, 852郵報, D100, 黃毓民, RFA自由亞洲, 蘋果日報, 蘋果動新聞, 壹週刊, 妄想世界, 劉細良, 桑普傑斯, 升旗易得道, 香港花生, 城寨, 巴打台, MyRadio, MIHK, Ragazine, 我要做富翁, 黎則奮, 游清源, Tony Choi, 吳志森, 李慧玲, coco哥, RTHK 香港電台, 壹鳩大事回顧, 劉夢熊, 東網電視, 林鄭月娥, South China Morning Post, 黃秋生, 100毛, 毛記電視, 東方昇, 專家Dickson, 國家級任務, 今日問真啲, 黄之鋒, 楊岳橋, 李獻計, 寶達PAT PAT, 何志光, 香港本地前線, 世界之子WorldSonnie, 龍心, 長毛梁國雄, 中出羊子, 劉小麗, 黄洋達, 陳雲, 快必譚得志, 杜汶澤, 關鍵時刻, 東森新聞, 中時電子報, 習近平, 八八通Gossip, 秘史趣聞, 劉德華, 周潤發

及全港其他大小傳媒KOL, 來! 全部一起來, 軒轅光正求一敗!

郭文貴斷言, 傳大鱷索羅斯Kyle Bass再沽空港元港元脫勾聯繫匯率香港樓市加支爆, 我話杜汶澤喱騷 Chantale Belle 贝依霖全港最索! Again I don't know the exact time but YOUR TIME is running out.

To join us send me a simple resume. Thanks.

Email: TheVictoriansClub@gmail.com
Facebook: https://facebook.com/raymond.regulus.80