關於 汽車點煙器故障 ，我們在網路上蒐集到這些相關的討論、資訊與評價

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

機艙裡的空氣很髒嗎？－《機艙機密》
圖文版：http://bit.ly/32pwEkl
其實搭飛機的時候，空氣兩到三分鐘就會換一次，很乾淨的歐
不過你手會碰到的東西，尤其是小桌板才是真的很髒很髒的地方…

#好文分享一下 #武漢肺炎跟機上空氣的兩三事
本文摘自《機艙機密：關於空中旅行，你該知道的事實》，由好人出版 出版。

上班族閒聊的時候，只要提到搭飛機，不可免俗地都會談到機艙的空氣品質，你可以替我們解惑一下嗎？因為我們常聽到一些傳言，說機艙的空氣不僅骯髒，又充滿細菌。

骯髒、到處都是細菌、很糟糕、噁心、品質惡劣、讓人反感、不好聞、腐敗、很臭、到處都是屁味。大眾用來描述機艙空氣品質的用語中，以上這些還只是一小部分而已。外界還有為數不少的傳言，就是有些旅客聲稱，在機艙內循環的細微病菌害得他們身體不舒服，#但機艙內部的空氣其實非常乾淨。

現代飛機上的旅客還有組員所呼吸的氣體，其實是由回收循環的空氣以及外界的新鮮空氣所組成。將兩種氣體混合，不單只用新鮮的空氣，這種做法更能夠調控機艙內的溫度，還可以維持一點溼度（其實只能短暫維持而已）。機艙內部的氣體是從發動機的壓縮區段而來。壓縮過後氣體溫度相當高，不過在這個區段壓縮機只是擠壓空氣，氣體並沒有跟燃料、滑油，或者是燃燒室的氣體接觸。氣體從壓縮機分流之後就會送進空調系統冷卻，隨後就由導管輸送進入機艙，中間會經過百葉窗式氣縫、通氣孔，還有旅客座位上方的冷氣口（駕駛都稱空調系統稱為「PACKs（pneumatic air cycle kit）」，這是「氣動式空氣循環裝置」的簡稱，通常一架飛機都有兩組這種裝置）。

空氣進入機艙後會持續循環，直到被吸入機身底部為止，到了這個階段，有一半的氣體被抽出機身外—由主增壓外流閥排出。這個時候，機身內的另一半氣體會跟發動機灌入的新鮮空氣混合，經過濾清器，開始新的循環。

研究顯示，跟其他密閉空間相比，擁擠的機艙內部的病菌並沒有比較多—通常還更少。製造機身底部濾清器的公司都說這些裝置屬於醫療等級，雖然我早就知道你們可能會說醫院根本是病菌的溫床，但是波音公司指出，濾清器可以捕捉空氣中百分之九十四到九十九點九的微生物，#而且每兩到三分鐘就會重新換過一次空氣，遠比辦公室、電影院，或是教室的頻率高出許多。

外界一直有一個根深柢固的迷思，那就是駕駛會定時降低空氣的流量來節省燃料。令人惋惜的是，有些很可靠、頗具權威的新聞媒體也跟著附和這種無稽之談。這邊就有一個鐵證：以下這段話是取自《經濟學人》二○○九年的其中一期，裡面寫道：「一半新鮮空氣、一半則是回收循環的氣體，航空公司通常都會維持這樣子的比例。然而駕駛可以調降新鮮空氣的比例來節省燃料，有些還把新鮮空氣的比例降到只剩百分之二十。」讀到這裡的時候我都傻眼了。我特別愛這句：「有些還把新鮮空氣的比例降到只剩百分之二十。」這句話聽起來豈不是帶著濃厚的陰謀色彩嗎？

首先，#駕駛無法調整飛機的空調系統，也沒辦法控制兩種氣體之間的比例。裝置的製造廠商早已設定好氣體的比例，也無法從駕駛艙來控制調整。在我駕駛的波音飛機上，我們可以直接調控溫度，但是只能間接控制氣流。如果你們請我「把新鮮空氣的比例降到百分之二十」，我還會很有禮貌的告訴你們我辦不到。開始飛行之前，調整的開關已經設定成自動模式，氣動式空氣循環裝置也會稍微掌控比例的調整。既然兩個發動機持續運轉，一切也都順利的運作，絕對不用擔心氣流有什麼狀況，唯有故障的時候設定才會更動。

我個人並不是很熟悉空中巴士的機型，不過我們可以跟空中巴士專家聊一聊。「空中巴士系列的飛機，從A320到比較大型的A380，這些機型都有讓駕駛調整氣流的方法，但是絕對不是《經濟學人》描述的那樣。」戴夫英格力須說，他是A320的駕駛，也是一名飛航作家。

戴夫解釋說空中巴士的氣流控制器有三個段位，分別標示為高（HI）、正常（NORM），還有低（LO）。「基本上大部分時間氣流控制器都是位於正常的位置，這個時候空氣流量為自動控制。如果需要快速調整氣溫，會把駕駛桿調到高的位置；位置低的功能就像名稱表示的那樣，這個段位會降低空氣流量、節省一些燃料，但是降低的幅度極小，也很少派上用場。公司會告訴我們，只有在乘客數量少於一百人的時候才能調到低。而且改變不大，乘客坐在機艙內，幾乎無法察覺任何差異。」

飛機在地面上的時候，你偶爾有可能會聞到一股強烈的氣味—飛機後推之後，機艙內很快會聞到一股刺鼻的氣味，就像是老舊的汽車或巴士排放的廢氣。通常在發動機啟動、廢氣被吸入空調組件中的時候，就會發生這種狀況。這種情況常常要怪外頭的風，風讓氣流逆向吹送，或是把煙霧吹進空調組件的進氣口。這種味道通常只會持續幾分鐘，直到發動機開始穩定運轉就會消失了。這股味道不好聞，不過這跟塞車的時候，你偶爾會在車內聞到的味道不太一樣。

#如果乘客抱怨機艙的空氣太乾，#這就很合情合理。沒錯，機艙內通常相當乾燥，沒什麼溼氣。機艙的溼度大概在百分之十二左右，甚至比大多數沙漠乾燥許多。飛機在高空中巡航時，機艙乾燥就是最主要的附帶結果，因為在高海拔的空中，水氣的含量很低、甚至微乎其微。提升機艙的溼度看似是一個簡單合理的解決之道，但是我們不這樣做的原因有以下幾種：首先，噴射客機需要載運大量的水，才能讓機艙充滿水氣，但是這樣不僅代價高昂，也會增加重量。加溼系統需要將水重新循環利用，水量愈多愈好，因此這個系統所費不貲，也相當複雜。這組系統確實存在：一個就要超過十萬美元，但也只能小幅提升溼度而已。腐蝕的問題也不能忽視：溼氣跟水珠會依附在機身內部，這對飛機來說傷害很大。

波音787上的濾清器能將效能發揮到百分之九十九點七，所以787的機艙空氣品質是所有商用客機中最有益人體的，溼度當然也高出許多。而且機身的整體構造較不受水氣影響，也有一個特殊的循環系統，會將乾空氣打入機艙跟外殼的夾層中。

舉出以上例子，並不是要強調旅客絕對不會在飛行時感到不適。雖然空氣很乾淨，但是太過乾燥卻對人體的鼻竇有害。乾空氣會破壞鼻黏膜的防護，病菌就更容易入侵。不過，導致乘客生病的通常不是他們所吸入的空氣，而是他們所碰的東西—廁所的門把，還有充滿細菌的托盤跟扶手等等。我不時會看到有乘客戴著口罩，跟這個方法比起來，帶一點乾洗手液在身上或許更能降低生病的機率。

如果你說飛機是散播特定疾病的潛在因素，這點我也不否認。飛機能載著我們快速地長程飛行，確實帶來很多好處，但風險也隨之而來。有一次從非洲起飛的航程結束、飛機落地之後，我發現駕駛艙內有一隻蚊子，我心想：「這隻小小的偷渡客，很容易就溜到航廈裡面咬了某個人。」想像機場內有一個毫無戒心的工作人員，他從來沒有出過國，但是卻突然染上了外來的疾病。事實上，這種情況幾年來都持續發生。這種「機場瘧疾」的案例在歐洲確實有發生過，還因為誤診或延誤就醫喪失了好幾條人命。即使這種慘劇還沒出現在美國，遲早也會發生。全球航空旅行如此有效率地把病菌從一大洲散播到另一洲，這種現象確實頗具教育意義、引人注目，但是老實說，也讓人有點心驚膽戰。

【不只賓士，還有貝爾塔】
　
上次我們分享了賓士的廣告，說的是貝爾塔女士以史上第一輛汽車，穿越了百公里遠的故事。
對小編來說，這是個「宣傳中的宣傳」的廣告。
除此之外，它還有怎樣的奧秘呢？
來看看這次的微影評分析吧。
-

不只賓士，還有貝爾塔 / 許榮哲
　
這是一個關於「貝爾塔‧賓士」的故事。
賓士是汽車發明人的姓，而貝爾塔是第一個駕駛汽車長途旅行的人。
賓士和貝爾塔，一個是丈夫，一個是老婆。
然而人人都知道賓士，卻極少人知道貝爾塔。
所以，我們姑且稱這支微電影「不只賓士，還有貝爾塔」。
　
說汽車的故事之前，先說一下火車的故事。
火車剛誕生的時候，常常可以看到一種畫面，那就是火車經過某個牧場時，會有幾個騎著馬的男人衝了出來，追著火車跑上一段。
他們在幹嘛？
跟火車比速度。
結果呢？騎馬的男人贏了。
男人得意的目送火車離開，從他們的眼睛看出去，火車是一個冒著煙的巨大失敗者。
隨後，男人聚在酒吧，痛快的乾杯，話題都是那個速度慢到不行的大傢伙。
然而事實上，火車從不跟外頭馬背上的笨蛋男人比快，它只是跑他自己的。
至於男人呢？他們需要火車，因為輕視厲害的人事物，可以帶給平庸的他們，力量。
　
現在回到微電影〈不只是賓士，還是貝爾塔〉，這是一段真實故事改編而成的微電影。
用維基百科式的語法，加上一連串可信的數字，可堆砌出如下的真實故事：
1888年，貝爾塔賓士展開人類史上第一次長途汽車旅行。
貝爾塔女士花了12小時，完成了106公里長途旅行，從她的夫家前往普福爾茨海姆的娘家，她途中加油的藥局，成為了史上第一間的加油站，她將丈夫的發明宣傳到全世界，並且從此改變了我們的生活。
　
如何把這一連串的維基數字，變成活生生的影像故事？
打個比方，如何把一張平面的世界地圖，展開成立體的現實世界？
首先必須往上拉出高達8,848公尺高的珠穆瑪拉峰，隨後再往下鑿出10,911公尺深的馬里亞納海溝。
　
貝爾塔女士的「相信」，就是8848公尺高的珠穆瑪拉峰。
沿途男人們的「輕視」，則是10,911公尺深的馬里亞納海溝。
　
用「輕視」來描寫「相信」，就是整部微電影在做的事。
　
輕視一：貼標籤
　
影片開頭的第一句話就是「女巫，女巫來了」，一點都不拖水帶水，一句話就打開了那個時代對傑出女人的輕視。
女巫──對於擁有特殊能力的女人，所能貼上最大的輕視標籤。
　
輕視二：專業的輕視
　
汽車故障，貝爾塔女士找上小鎮的藥劑師。
藥劑師是專業人士的代表。
貝爾塔女士：「我需要十升的輕石油。」
藥劑師男士：「妳沒辦法把衣服上面的污漬除掉。」
貝爾塔女士：「是給我『馬車』用的。」
藥劑師男士：「妳是打算拿來毒死妳的馬？」
非常厲害的對話，一來一回兩次對話，就把輕視再往上拉一層，這次不是平凡百姓的輕視，而是專業男士的輕視。
專業男士開口閉口都是偏見，對「厲害女人」的偏見。
「妳沒辦法把衣服上面的污漬除掉」←女巫的印記是除不掉的
「妳是打算拿來毒死妳的馬？」←女巫就是專門幹這些壞事
　
輕視三：認知觀點的改變
　
整個故事是從小女孩的眼睛看出去的。
最初的「女巫」標籤就是小女孩貼上的，她為什麼會這樣叫？因為這就是她一出生就接收到的社會價值觀。
隨後，當貝爾塔女士到藥局，找藥劑師買輕石油時，藥劑師不在家，所有人都冷眼旁觀，這時小女孩用眼神暗示貝爾塔女士，藥劑師就在一旁的酒吧。
最後，小女孩見證貝爾塔女士，克服困難，繼續上路。這個「女巫」比鎮上靠蠻力和逞口舌的男人都要強大，她終於目賭了真正的「魔法」。
故事結束在貝爾塔女士離去時，意味深長的回頭看了小女孩一眼，隨後特寫小女孩的眼神，她對於女巫的認知改變了。
　
最後影片打出Slogan：
　
她相信的，不只是一台車的力量
因為她相信她自己
　
簡單有力的影像故事，先建立「輕視」，再解構「輕視」，影片的主軸「相信」，就自然而然的跟著完成了。
用通俗一點的話來說，沒有走進一群雞，鶴不會知道自己的特別。
輕視的力量有多強，相信的力量才能有多強。
這是一個關於「相信」的故事，但裡面放的燃料是「輕視」。
　
Ps.
補充一下貝爾塔·賓士女士為何會有這麼一趟長程汽車旅行的背景故事，這也是一個關於「相信」的故事。

以下摘自維基百科

1886年卡爾·賓士博士在德國曼海姆發明了汽車（1886年1月29日，德國皇家專利號37435）。可惜在汽車剛剛誕生的歲月，人們普遍對汽車沒有好感，並沒有人願意購買。
然而，貝爾塔·賓士卻非常相信丈夫的事業，對他的發明深信不疑。在1888年8月的一天，她瞞著丈夫，帶著兩個兒子，十四歲的理察和十五歲的歐爾根，駕著賓士新設計的三輪汽車出發，從曼海姆向104公里（約64英里）之外的普福爾茨海姆進發。當時全世界還沒有任何一輛汽車跑過這麼遠的路程，在這次歷史性的創舉之前，所有的汽車旅行都是短途的試驗性質。所以現在普遍認為貝爾塔·賓士是世界上第一位駕駛汽車的人。
雖然表面上的原因是要回趟娘家，其實貝爾塔還有更深的考慮，由於卡爾並沒有為自己的發明作過充分市場推廣，她希望藉此告訴她傑出的丈夫，一旦大眾認識到汽車的實用性，這項發明就會帶來經濟上的巨大成功。
路上險情不斷，她解決了種種難題。燃料告罄，她不得不去路邊醫院的藥房購買粗汽油。因此，位于海德堡以南幾公里的威斯洛赫城的城市藥房也成為了世界上第一個加油站。布魯赫薩爾的一個鐵匠幫助她修補鏈條，在普福爾茨海姆北部的保釋羅特她又更換了剎車片。汽化器被堵住了，她用帽子上的髮針將其修好，點火導線和發動機其他部分發生短路時，聰明的她用吊襪帶作絕緣墊將導線絕緣。
貝爾塔和她的兒子們黎明時分從曼海姆出發，直到日落西山，母子三人又餓又累地到達目的地普福爾茨海姆。興奮的貝爾塔立即給丈夫拍了一個電報，告訴卡爾他們成功的旅行。三天後，他們又開車回到曼海姆。
沿路上的人們都紛紛圍觀，汽車之旅正如貝爾塔預期的一樣，取得了重要的公眾效應。對卡爾·賓士來說，這次旅行也十分有幫助，在妻子的協助下，他對汽車做了種種改進，經過長途旅行，貝爾塔也提出了很多實用的建議，諸如增加一個額外的傳動裝置幫助上坡。
　
──完

自從有了智能手機之後人們的衣食住行就越來越離不開手機，智能手機成了我們的生活伴侶，所以人們習慣自己的手機長期處在開機狀態，類似三星，OPPO這種可以換電池，或者閃充的手機，也常常面臨著沒電的危險，最受手機用戶歡迎的蘋果手機系列因其不可拆卸的電池這一特點，導致了很多手機用戶都必須要隨身攜帶充電寶，有車一族也都配置了車載手機充電器，將充電頭與點煙器連接，這樣就能隨時隨地給自己的手機補充能量，方便又快捷，並且車載手機充電器價格便宜，三五十元就能買到一個。但是車友朋友們注意了，便宜、方便又實用的車載手機充電器存在著很大的安全隱患。