關於 引擎負載 值 ，我們在網路上蒐集到這些相關的討論、資訊與評價

從新創企業現狀觀察AI發展熱度

作者 : 黃燁鋒，EE Times China
2021-07-12

從人工智慧(AI)新創企業市場，以及類似Nvidia新創加速計畫(NVIDIA Inception)的專案，都可觀察AI技術或產業如今的發展熱度...

現在的很多生態締造者對於潛在生態的開發都十分在意：比如說及早深入教育市場，生態建設「從娃娃抓起」(編按：指從小開始)；再或者對新創企業的扶持或孵化計畫。這裡所謂的「生態締造者」的範圍可以很廣，比如雲端供應商、作業系統供應商、針對應用開發解決方案的供應商，以及各種硬體廠商等。

這些其實是吸引更多開發者，潛移默化中造成開發習慣、黏性的關鍵。《電子工程專輯》中國版(EE Times China)先前拜訪過微軟(Microsoft) Azure一批又一批的孵化企業；還有華為HarmonyOS當下對眾多新創企業的扶持……這類新創企業扶持項目都有著相當易於理解的商業邏輯，亦屬常規操作手段。

而在AI生態建構上頗具代表性的應該就是Nvidia，畢竟筆者之前也一直在提Nvidia在AI生態打造上的完備程度多高，這種生態對新創企業的扶持當然也是必不可少的。Nvidia新創加速計畫(NVIDIA Inception)進入中國是在2016年，這個計畫本身就在加速AI創業公司發展。從AI新創企業市場，以及類似Nvidia新創加速計畫這樣的專案，都可觀察AI技術或產業如今的發展熱度。

AI市場這兩年的新機遇

截至去年底，這項計畫在全球範圍內覆蓋了超過7,000家AI新創公司，去年一年加入Nvidia新創加速計畫的公司數量較上一年多出了25%。從Nvidia的總結來看，新冠肺炎疫情可能很大程度推動了該計畫。之前Nvidia業務開發VP Jeff Herbst曾提過：「2020年一場全球性質的瘟疫攪動了經濟發展。但新創生態系統卻在此期間一度繁榮，這很可能不是巧合。」

這些AI新創企業，依照類別來看主要包括了IT服務、醫療健康、媒體與娛樂。看起來是完全符合預期，就如同疫情期間全球的PC和資料中心市場發展受到刺激一樣，這恰好也是Nvidia業務發展的重點。可以說，疫情雖然短時間內造成了停工停產，但Nvidia可能是這波行情下獲得最大發展機會的企業之一。

數位生活方式的轉變促成了很多領域的快速發展，包括在家辦公、遠端醫療、家庭娛樂等。隨Nvidia大趨勢本身的利多，以及大環境的影響，去年加入Nvidia新創加速計畫的新創企業的一大部分都在這些類別中。

在中國市場上，該計畫去年扶持的企業超過800家。這個數字也極大程度說明了AI在中國發展的繁榮。換句話說，全球25%的成長量也可間接表現出，新冠疫情的蔓延客觀上也推動了AI的發展，而且不止於醫療健康。

AI新創投資市場現狀

Nvidia新創加速計畫可認為是觀察AI新創企業，乃至整個AI產業發展的冰山一角。CB Insights先前公佈了一份AI 100榜單，列出100家AI新創企業——而且據說是從超過6,000家企業中選出來的。這份榜單涵蓋了跨18個核心產業的各種解決方案，這個數字其實已蠻驚人。這份榜單總結了這些年來AI新創公司獲得的融資金額、最具代表性的產業類別，以及有不少企業處在A輪融資階段。其中12家是獨角獸，而在地理位置分佈中，64%位於美國，8家位於英國，6家在中國和以色列等。

針對這個市場有一些更細緻的資料可以列舉。以前不久微軟豪擲197億美元收購Nuance為代表，目前美國最大的5家科技公司中，有4家大量收購了AI新創企業。其中蘋果(Apple)最多，收購次數達到了29次——這也是CB Insights前不久才更新的資料。僅今年一季，全球與AI新創企業相關的交易(如收購、兼併等)次數就達到了626次，交易金額大約是177億美元。與去年相比，2020年整年的資料是354億，這其中的增量還是相當可觀的。有投資機構認為，預期今年針對AI相關的企業交易量會是去年的2~3倍，這種持續活躍和加速的趨勢仍相當明確。

很多機構針對企業所作的統計也顯示，企業對於AI產品的採用計畫正在增加，或者說更多的企業在數位化轉型過程中準備應用AI。Signal AI針對1,000位C級高層的統計顯示，92%認為自家企業需要依靠AI技術來提升決策制定流程。GTC 2021上，Nvidia共同創辦人暨執行長黃仁勳針對Nvidia發佈的AI for Enterprise特別提到：「我們將AI擴展到企業的邊緣。我們相信企業產業邊緣將會是AI產生巨大影響的地方，包括醫療健康、倉儲物流、生產製造、零售、農業、交通。AI還沒有觸達這些產業，但現在不同了。」

所以從投資方和需求方兩個方面來看，AI新創企業相關的投資都在持續擴大。不過這一現象可能與其他熱門領域的發展具有極高的相關性。比如推行SaaS的企業如今受到格外的關注——而這些企業普遍將AI作為企業產品的一部分。所以AI成為某些正在快速成長中的市場的組成部分受到追捧，本身也是AI成長的原因。達成全球AI交易金額的新記錄，可能會在今年持續發生；今年截至目前交易輪次也仍然表現出了熱度。

這其中有一點轉變，是近一年才發生。亦即去年很多企業對於AI的接受度仍然不高——AI之前的存在更像是一種行銷手法：即告訴客戶和投資人，產品中有AI技術才能獲得青睞；而現階段逐漸在轉變至用AI來更實際地解決現實問題的階段發展，或者不需要再去反覆解釋究竟為什麼要接受AI。AI也變得越來越平常，這也是大部分技術走向成熟的必由之路。雖然從投資風向來看，這個市場遠未及成熟，Nvidia在此時持續做針對AI新創企業的新創加速計畫投入，還是相當好的時機。

兩個新創加速計畫示例

與此同時，Nvidia新創加速計畫在客觀上也是降低產業進入門檻的一種方式，所以該計畫本身又在推動AI產業發展。從這個層面來看，這一市場行為與Nvidia本身在技術上進行生態建構還是一脈相承。

對於加入計畫的AI新創企業而言，該計畫提供的支援主要包括幾點：Nvidia的部分產品折扣、AI技術支援(包括Nvidia深度學習學院DLI線上自主培訓課程免費兌換200次)、Nvidia管道的市場推廣(如在GTC大會上給予展示、演講等的機會)、融資服務、業務推薦等，也就是從技術和市場兩方面提供一些基礎支援。除了免費加入的新創企業，計畫中另設有高階會員(設定要求包括至少完成A輪融資或已產生業務收入等)有更多的支援，比如開發者關係支持、更多市場推廣等。

這些服務和支援，基本也顯示了當代新創企業扶持計畫的常規，大方向上也符合AI新創風向的趨勢。這裡列舉兩個加入Nvidia新創加速計畫的新創企業的例子，大致可從中體會此類新創扶持計畫的價值。

中國有家名為心咚科技的企業，主要業務方向是將AI技術融入到時尚、服飾產業。這家公司產品的核心，包括了物理引擎和數位面料中心：設計師藉由心咚科技的產品，可以將現實中的實物面料和服飾，虛擬地呈現出來。這其實很類似於「原型產品」、「設計驗證」，虛擬產品因此能做到「零廢棄物製造」。市面上大多數現有的3D服裝設計軟體都只是視覺模擬，而沒有工業級高精準度物理模擬所需的運算結果。

所以心咚科技採用Nvidia的GPU及互連等方案，實現了高效能運算(HPC)應用，完成對複雜光線追蹤、視覺化運算工作負載的處理，以虛擬的方式完成從選擇面料、成衣設計、審稿、打版到生產過程。心咚科技本身是Nvidia新創加速計畫會員，這個例子也顯示AI相關技術新創企業借助Nvidia的資源、支援和平台，能夠加速應用實踐和延展。

再舉個例子，美國有家新創企業Zippin，他們的產品針對零售店購物可實現自動結帳，這個過程主要是對消費者購買的零食、飲料等進行影像辨識。顧客在支援Zippin系統的店內買東西之後就可以離開，app會保留收據，追蹤消費記錄後收費(app或信用卡支付)。這個專案的市場契機，主要來自國外很多體育館、娛樂場所重開，Zippin自動結帳無人商店不需要排隊就能買東西。

Zippin如今的業務擴展似乎還頗順利，其商店數量在穩步增加，包括一些大型體育場館和零售連鎖店；而且擴展到了美國以外，包括巴西、俄羅斯、日本。這套「自動結帳」系統相關AI的核心部分，應該是商品的影像辨識，並且結合更多感測器實現位置、重量辨識等。不僅是顧客買了什麼，也在於商店本身的庫存管理自動化，Zippin用的是Nvidia Jetson在終端進行模型推理。

Zippin聯合創始人兼首席科學家Motilal Agrawal在談加入新創加速計畫時提到，「Nvidia新創加速計畫團隊與我們見面、借給Zippin第一個NVIDIA GPU並針對我們的應用提供關於Nvidia SDK的指導。」
這兩個例子都是在Nvidia新創加速計畫扶持下，業務得以擴大影響力或開展落地的典型。Nvidia在其官網列舉的實例還有不少，本身也算是對這些企業的市場宣傳途徑之一，可能不同參與者受惠於新創加速計畫的體驗是不同的：Nvidia自己列舉的案例中，有家AI醫療影像手術導航機器人相關新創企業，相當推崇Nvidia深度學習學院DLI 的培訓課程，包括部分課程後Nvidia頒發的一些認證證書。如前面所述，Nvidia深度學習學院DLI線上自主培訓課程也是Nvidia新創加速計畫的重要組成部分，這類課程對於AI新創企業的養成具備相當的價值。

無論是免費的自主培訓課程，還是Nvidia GPU產品折扣、AI技術支援、市場推廣、融資服務、業務推薦，這些Nvidia新創加速計畫的組成部分。對AI新創企業快速入門和進階AI開發、加速產品上市，以及對於Nvidia本身培養AI生態有其價值。

正如本文一開頭所述，這種潛在開發生態與習慣的培養，是大部分生態締造者佈局生態時的必要行為。AI新創企業市場如此火熱，是Nvidia開展新創加速計畫的契機。與此同時，這類計畫本身又在促進AI整個產業往前發展，也是推動AI產業現階段百花齊放、迸發AI創意的起點。

資料來源：https://www.eettaiwan.com/20210712nt61-ai-development-from-the-dynamics-of-new-venture/?fbclid=IwAR1AVhpCZaFFqeTnmgvW7ZoTBBv48gtKEMsxZa4u4i_BDryyVfKnQcYLQ40

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

#物聯網IoT #嵌入式系統 #資安 #微控制器MCU #身份驗證

【安全三部曲：機密性、完整性、身份驗證】

具資安能力的設備除了表明身份，還需要進行「驗證」。其中，「不可否認性」(non-repudiation) 是一種強大的身份驗證形式，能證明報文或數據的特定來源；而「證明」(attestation) 也是一種身份驗證形式，常用於安全引導和韌體更新以確保代碼未經篡改，有本地／遠程兩種形式。

為便於記憶，業界將安全三部曲——機密性、完整性和身份驗證，取其字首簡稱為 CIA，在網路安全代表可用性、在硬體嵌入式安全為身份驗證，而在密碼學的實際應用則是：對報文進行身份驗證、檢查完整性，最後透過某種方式打亂報文來實現機密性。那麼，亂碼是否為必要步驟？

專家認為，真正的安全性通常僅透過身份驗證和完整性實現，機密性則是可選項。報文是否需要加密取決於有效負載是否有價值？或其安全性是否受到任何威脅？若答案是肯定的，就須將報文以亂碼呈現，以免遭到窺探，但加密只是安全措施之一。令人詫異的是：許多情況下，加密是最不重要的安全元素。

「使用加密作為身份驗證手段，一切就高枕無憂」的想法是不對的！這有曝露潛在漏洞的危險。無論在協定中的哪個區段使用加密，都只能保護對應層及其以下的層級內容。過於依賴通訊層安全和傳輸層安全 (TLS) 實現應用安全性並不恰當，因為 TLS 只能保護動態數據、無法保護應用層。一旦有人發起攻擊，就能訪問明文數據。

演示視頻：
《Microchip安全加密技術入門教程——第二部分：身份驗證、完整性和機密性》
http://compotechasia.com/a/CTOV/2020/0420/44521.html
https://www.youtube.com/watch?v=LnhQXa5HLv4&feature=emb_logo

#微芯科技Microchip #CryptoMemory #CryptoRF

P.S.《COMPOTECHAsia 電子與電腦》在 YouTube 也有專屬頻道哦！歡迎各位朋友訂閱＋開啟小鈴鐺。
https://www.youtube.com/user/compotechasia/videos

或者，好多讀者已駕駛過純電動電單車（包括國內親戚那部買餸羊或家中果部電動單車），但玩過電動大包圍的騎士應該不多，仲要是一部扭力峰值達到20.3kg-m的跑車，感覺如何？加速力有幾癲？有請張煒安同大家報告。

載番個頭盔先，本誌是電動汽車及電動電單車的文盲，惡補後才如夢初醒，現在才知道純電汽車十分普及。雖然香港的充電設施仍有待完善，但充電站的數量遠超10年前，並且遍布全港，現在不僅Tesla，其他傳統牌子已加入製造純電車行列，款式愈來愈多，部份車子的續航力更高達400km，打個折扣都跑到300km多，這一刻才知道自己仍然活在石器時代。

純電電單車又如何，其發展速度好明顯滯後，那麼有沒有一間年資又Young，又沒有造車經驗類似Tesla的製造商？答案當然有，ENERGICA是其中一間，但兩輪界仍未出現突破樽頸，同時迫使傳統品牌加速電氣化步伐的非傳統車廠。事實上，傳統電單車廠好早開始研發電動車，不過遲遲未市販化，好可能考慮到用家的負擔能力及市場接受程度；畢竟生產電池的原材料昂貴，導致車價高昂，以及充電設施未配合發展，更重要是短期內未必有利可圖，姑且讓新冒起對手試探水溫。

究竟ENERGICA有幾Young？2014年正式成立，所有車輛都在意大利跑車故鄉MODENA生產。ENERGICA的母公司是CRP集團，擁有50年歷史，業務涉及賽車、航空、太空科技、3D打印及軍事科技等等講求高準確度工業。肉眼所見，今次介紹的兩部電車在各方面均有一定質素。

CRP集團為了展示賽車技術，2006年成立自家車隊，出戰世界WGP125及意大利CIV道路賽，2008年啟動eCRP純電大包圍計劃。適逢史上首屆全電動TTXGP格欄披治在2010年舉行，正好測試eCRP的實力，CRP集團其後亦有參加由FIM舉辦的e-Power電動格欄披治大賽。

事實上，eCRP純電大包圍是今次試駕ENERGICA EGO的雛形，原型車見於2013年，車子因為採用3D打印及CNC製造的部件而廣收宣傳效果，市販版正式在2015年推出。不過真正讓更人認識ENERGICA EGO，是因為ENERGICA自2019年起成為Moto E獨家供應商，所有參賽隊伍都使用相同規格的ENERGICA EGO參賽。編者今次能夠在香港親身接觸市販MotoE戰車，看著披上MotoE拉花的包圍，突然有落場的衝動！

張煒安試車感受—加速話咁快
8年前領教過純電動電單車的扭力，當年試駕的車子雖然只有54hp馬力，但扭力達到9kg-m，產生的加速力及起步反應媲美直四600級大包圍，雖然如此，與今次試駕的兩電車相比，所有數字差了一大截。

以ENERGICA EGO大包圍為例，馬力143hp(107kW)，相等於一部750cc左右的大包圍，可是扭力峰值高達20.3kg-m (200 Nm)，與超過2,000cc的電單車看齊，卻比起這一代公升級超電多約70%。如此巨大的扭力有幾好玩？簡單來說扭力越大，起步及加速力越勇猛。據廠方公佈，ENERGICA EGO的0-100km只需3秒，簡直痴線，極速可達240km/h，至於NK版EVA都有200km/h極速，理論上在香港用唔著。

果只看數據，ENERGICA EGO的扭力無懈可擊，實際駕駛又如何？

好勁....頭、中段的加速力比現今的公升級超電有過之而無不及，加速時上半身被風阻扯得好利害，尾段則受到環境限制而無法體驗。電動摩打甫加速便進入扭力範圍，不用像內燃引擎提升至一定轉速才增加扭力，所以油門近乎沒有延遲感，一篤油便立即向前衝，反應比汽車電單車的油門要更捷，所以早段時間沒有膽量大力質落油門加速；事實上，不論電或高性能油車，統統都採用電子油門，沒有威也，所以更正確的說法是電門，而非油門。

此外，由於電車採用單速波箱，無波可轉，油門操控與綿羊相同，所以扭著油門不放，馬力一氣呵成釋出，既沒有因為檔位銜接導致馬力流失，也沒有轉檔的頓挫感，即使任何時候減速，都輕易再爆升車速，騎士因此無需善用波段或Keep轉數，20.3kg-m的扭力及超廣闊扭力帶果然非同凡響。

加速感又如何？

其實電與油車的差異頗大，首先電車只有摩打排出的VV聲，雖然轉速越高，音頻越尖，但實際駕駛中的風聲比麼打聲大，取代汽油車轉數越高，排氣聲越亢奮的感覺，而全球推動電車的原意，就是要保持環境清靜。再者摩打缺乏類似引擎的諧震，駕駛時仿佛與車子失去聯絡，原因是內燃引擎的排氣聲及震盪成為騎士與車子溝通渠道之一，因此沒有留意車速，駕駛電車比油車更容易超速。究其原因，電車的加速力雖然強勁，可是油門控制比油車更容易，馬力細滑如絲地傳送到尾輪上，感覺就好像剛踏進高鐵車廂，凳子還未座暖，列車已飆升到300km/h一樣。

因此未駕駛過ENERGICA EGO的讀者，我建議包括老手在內，最好選擇Standard(標準)、Eco(慳油)或Wet(濕地)馬力較低的馬力模式，與此同時開啟防止尾輪打滑的循跡系統及ABS，待熟習260kg重量及寧靜操控感，才好好享受最強的Sport(運動)模式，原因電車的馬力來得又快又直接，用多幾個電子輔助駕駛傍身，既安全又好玩。再者ENERGICA EGO是一部自動波大包圍，沒有離合器，對於棍波車騎士來說難免有點空虛感，也不可以使用離合器控制掉頭車速，因此需要一點時間適應，如何倚靠油門及煞車控制掉頭速度，否則增加跌車風險，因為掉頭的時候，你會實實在在感覺到她的重量。要是你有綿羊底子，絕對有幫助。

講開減速，車子重達260kg，但是BREMBO M4煞車卡鉗足夠街道使用；另一項協助騎士減速的功能名為Regenerative Maps，即是「制動力回收」，熟識電動四個轆的讀者一定不會陌生，作用是當騎士縮油減油，讓原本驅動尾輪的摩打變成發電機，為電池充電，夠晒環保。

而Regenerative Maps「制動力回收」共有四段選項，分別是OFF(關)、LOW(低)、Medium(中)及High(高)；當日試車首先切換High(高)，縮油後車身立即頓挫起來，俗稱鎖得好勁，車速明顯拖慢，感覺有點像突然拖低一個檔位，所以個人認為不適合跑山，會影響壓車攻彎的暢順度，但應付「長命斜」或落山好有用，等於波車用低檔落斜，大大減輕制動系統負擔，可避免制動過熱。講咗咁耐，「制動力回收」即是棍波車所講的Engine Brake(制動煞車)。

之後體驗LOW(低)效果，個人認為這個Mode適合玩山，雖然高速煞車縮油的Engine Brake明顯減少，不過仍有效地拖慢車速同時，讓我更流暢地入彎。最後嘗試OFF模式，一如所料，減速沒有Engine Brake，跟綿羊及二衝車一樣，縮油後車子繼續向前衝。對我來說，「制動力回收」好有趣，讓我在短短數小時試駕中，回顧過去20年賽車技術發展史；由我初初鬥2衝車近乎沒有Engine Brake，到轉戰4衝600 Superspot的強勁Engine Brake，再之後普及的防鎖死離合器（Slipper Clutch—舒緩Engine Brake，讓車手更暢順攻彎），到現在的全電子年代。另外，ENERGICA EGO配置ABS防鎖死系統，然而另外還加入名為eABS系統，它是防止急煞減速同時，尾輪又被「制動力回收」產生的Engine Brake鎖得太死，導致輪胎失去咬地力；此時，eABS立即介入，暫停「制動力回收」工作，好讓輪胎恢復咬地，發揮類似防鎖死離合器的功能（Slipper Clutch）。當eABS介入後，儀錶會亮起相關信號。

ENERGICA EGO的座姿及車身闊度與600或1000大包圍分別不大，座上810mm的座位依然跳芭蕾舞（張煒安身高5呎６吋），可是軑把高度適中，整體來說不極端，有上一代跑車的影子，某程度來是一款舒適型超電。不過論真正舒適性，當然是NK版EVA為佳。

所有電車，包括二輪及四輪，因為負載電池組件而變得比同類型油車重，當你騎上ENERGICA EGO再踢起側架，然後拉直車身，便會發現比起拉起600及1000更費力，畢竟她們相差超過60kg。

為應付重量，ENERGICA EGO實行以硬制硬，例如廠方建議使用42磅胎壓，否則胎壓不足，輪胎與路面接觸面積過多，加上避震設定太軟等等，都會影響操控性能，即使直路行駛都會出現跌車傾向，所以當日在山路行駛幾圈後，立即調硬前避震的預載，穩定性才大大改善。事實上，電車對我來說是新事物，需要更多時間摸索各方面的設定技巧。

老實說，當日聽到260kg的車重都有點詫異，腦海突現浮起80-90年代的1000cc大包圍，就連moto-one的編輯都對我的評價特別感到興趣，試駕後不斷追問是否好鈍好笨重，比第一代R1更重等等。說實話，論輕巧度及靈活度肯定不及新一代600及1000大包圍佳，壓車搬身需要多一點力，之但係又唔覺得好鈍或好笨重，比原先估計更好彎，的確有點意外，所以用第一代R1比較未免太誇張。事實上除了落地推車、窄路掉頭、燈位停車及塞車慢行之外，起步後唔覺重。不過聽車主講，駕駛初期因為未熟習車身重量，難免會有壓力。

或許你會擔心推車，可是ENERGICA EGO設有後波及前波，最高車速只有2.8km/h，其操控不難，只要按下著車掣2秒，便會切入“PARK ASSISTANT”(泊車輔助)，即後波，若再按下著車掣便會切入前波，讓你在限速下向前或向後泊車，大可安座於車子上撐船仔。


至於騎士最關心的續航能力，由於當日只駕駛不足50km，所以未能詳盡解釋。根據廠方資料顯示，在市區駕駛的續航力200km、市區與高速公路駕駛的續航力160km、高速公路續航力130km。不過據車主講，ENERGICA EGO的實際續航力與廠方公佈的數據接近，他試過從元朗出發去機場，全程高速公路，平均車速約80-90km/h，來回路程約100km，回家只餘20%電量，估計可以行多約40km-50km。事實上，續航力好視乎騎士的駕駛方式，所以駕駛電車必須要經常留意電量，畢竟充電站並非度度都有。

※椅面長度實際量測值為椅背井中位置到椅面距離以及椅面前端至後端之總和。

新在哪裡?
●本次試駕的 Volvo XC60 為 20.5 年式車型，全車系取消傳統汽油與柴油動力，僅提供 B5、T8 兩款新能源動力組合。
●B5 為 Volvo XC60 首次引進 Drive-E Mild Hybrid 輕油電動力系統。
●B5 車型提供 Momentum 以及 R-Design 兩款車型選擇(239 萬、254.2 萬)。
●B5 動力採用 2.0L 渦輪增壓四缸引擎搭配 48V 輕油電動力系統，最大馬力達 250hp(+14 Mild Hybrid)，最大扭力35.7kg-m。
●引擎具備汽缸休止系統，搭配 8 速手自排變速箱，平均油耗為 12.1km/L，能源效率為 3 級。
●B5 輕油電動力號稱比 T5 更有順暢地動力表現，車輛起步或瞬間加速時，可以額外供給 14 hp 馬力，提升引擎燃油經濟性、減少碳排放；使用煞車或鬆開油門時，KERS (Kinetic Energy Recovery System) 煞車動能回收系統能將動能轉化成電能回存。
●48V 鋰電池組擁有更大電流，原廠宣稱可創造平順的 Start/Stop 怠速熄火裝置運作，大幅減輕傳統 12V 電瓶的消耗與負載。
隨著更嚴苛的排放法規即將來臨，全球各大車廠近年來紛紛針對旗下的動力系統進行世代更替的動作，同時積極發展混合動力系統或是純電動車型，除了是對應未來的法規趨勢，另一方面也避免在改朝換代的時間點技術居於劣勢而缺少了競爭力。Volvo 在 2017 年便宣布預期 2025 年時全球達到半數新車為電動車的目標，甚至還會讓現行車款上的燃油引擎逐步淘汰，目前則是以 50% 純電動車、50% Hybrid 車款的比例來滿足過渡期的需求，最終實現全面純電動化的理想。
#北歐旗艦
#48V輕油電
#VolvoCars

延伸閱讀:https://www.7car.tw/articles/read/65938
更多資訊都在「小七車觀點」：https://www.7car.tw/