AI強勢來襲 物聯終端運算需求急遽增溫
2021-03-10 11:55 聯合新聞網 / CTimes零組件
【作者: 王岫晨】
物聯網正帶動人工智慧走向終端裝置,在後疫情時代,企業對物聯網 AI 的投資與布局動作頻頻。Arm 主任應用工程師張維良指出,我們可以很明顯看到四大趨勢如下:
新冠疫情加速 AI 部署
根據 Arm 於 2020 年 8 月與<<麻省理工學院科技評論洞察(MIT Technology Review)>>合作、針對來自 12 個不同產業的 301 位 C Level 的科技專業人士進行的訪談報告顯示,超過 62% 的受訪者表示,他們正在投資並使用 AI 技術。來自大型企業組織(年營收超過 5 億美元)受訪者的部署率較高,接近 80%。較小型的企業組織(營收低於 500 萬美元)的部署率則為 58%。1/3 的受訪者表示,2020 年新冠疫情的爆發加速了他們在 AI 策略上的部署。
企業組織正在提高對 AI 的投資
超過一半(57%)的受訪者看到他們的 AI 預算在過去三年內提升,且接近四分之一的人表示,他們在 2016 年到 2019 年間,年度 AI 支出最少增加一倍。其中,大型企業在 AI 支出的增加更多,73% 來自年營收超過 5 億美元的企業組織受訪者的預算都有增加,有近三分之一的受訪者預算甚至提升超過 100%。這些投資加碼反映 AI 對企業營運持續成長且普遍的影響。
超過半數企業將 AI 部署在終端裝置或邊緣運算
儘管對於已經使用 AI 的企業組織,雲端運算是他們最喜歡的基礎架構,不過在越來越需要極低延遲的數據存取,以及終端/邊緣處理能力的應用上,為了兼顧成本效益及運算效率,越來越多應用將往數據產生的來源靠近,邊緣運算或是將資源擺在更靠進存取它們的裝置的地方,相關的部署將急起直追。
對應軟硬體攻擊與保護個資/隱私的需求
AI 對幾乎所有商業與社會活動層面的衝擊持續擴大,讓企業領袖必須正視 AI 能否在負責任的規範下使用。消費者一方面對於交易與運作流程中藉助 AI 的接受度越來越高,但也期待企業能在公平的、高道德標準,並能顧及永續發展的條件下使用這項技術,特別在個資的搜集。因此在邊緣運算上,也衍生出對應軟硬體攻擊以及保護隱私等運算能力的強烈需求。
物聯網 AI 應用將聚焦於「3V」
根據 Arm 與 Strategy Analytics 合作的報告顯示,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,可參考圖一。
而終端 AI 可以在三個核心領域提供價值,而它觸及的許多物聯網領域,遍及 B2B 與 B2C(企業對消費者)的應用:震動(Vibration),語音(Voice)與視覺(Vision)。
震動
包含來自多種感測器數據的處理,從加速計感測器到溫度感測器,或來自馬達的電氣訊號。它可將智能帶進 MCU 中的終端 AI 的進展,產生不同應用領域,包括溫、濕度、壓力檢測、物理檢測(如滑倒偵測)、物質偵測(如漏水、漏氣)、磁通量偵測與電場偵測等等。運用震動分析的預測性維護(PdM),在旋轉型機器密集的製造工廠裡相當常見,可以揭露鬆脫、不平衡、錯位與軸承磨損等狀況。此外,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。
語音
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、遊戲主機與其它新的電器。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在興起。語音整合在車輛中也相當關鍵,因為語音有潛力成為最安全的輸入模式。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。其他車用的應用包括語音輸入文字簡訊、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,甚至拋錨服務與禮賓服務等。
視覺
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。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。其它實例包括農業應用,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可即時檢測出雜草、分類其種類、分析其對農穫的威脅、進而客製化除草解決方案。在工業上,包括利用熱顯影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,觸發排程系統,自動採取適當的行動來預防零件故障。
推動物聯網運算需求
隨著物聯網與 AI 的進展以及 5G 的推出,更多的終端智能意謂小型且成本敏感的裝置,會愈來愈有聰明、功能也愈來愈強,同時因為對雲端與網際網路的依賴較小,也將具備更高的隱私性與可靠度。因此,Arm對於MCU核心,也 透過新的設計為微處理器帶來智能,降低半導體與開發成本,同時為想要有效提升終端數位訊號處理(DSP)與機器學習能力(ML)的產品製造商,加快他們產品上市的速度。
TinyML
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。它捨棄在雲端上運行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行經過優化的圖型識別模型,耗電量只有數毫瓦特。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。
簡化程式碼的轉移性
把AI函式庫整合進 MCU,將本地的 AI 訓練與分析能力插入程式碼中是可能的。這讓開發人員依據從感測器、麥克風與其它終端嵌入式裝置取得的訊號,導出數據的型樣,然後從中建立模型。Arm Cortex-M55 處理器與 Ethos U55 微神經處理器(microNPU),利用像 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。透過推論工具把 AI 功能放在低成本的 MCU 上實作,並符合嵌入式設計需求,如此一來,有 AI 功能的 MCU 就有機會在各種物聯網應用中,讓裝置的設計改觀。
附圖:圖一 : 多數的物聯網應用聚焦在一些特定的領域。
圖二 : 不同應用對於機器學習的採用比起以往更盛。圖為Arm運算方案的對應圖。
資料來源:https://udn.com/news/story/6903/5307140?fbclid=IwAR2eJEJFLD1DFifJHQNbTkWEAjQSKBk3UFlM3whrk9T69h9tNXIw3geMQ8U
馬達噪音分析 在 台灣物聯網實驗室 IOT Labs Facebook 的最佳貼文
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
馬達噪音分析 在 每天為你讀一首詩 Facebook 的最佳解答
〈舞和音樂〉中點的關係、線的排列及立體的面 探析夏宇詩語言的空間設計策略及其象徵性 ◎田書菱
我們要全數參加的
但還不知道要參加什麼呢
如此這樣大家一起來到了斜對面了
如此這樣大家一起來到了斜對面了
一、前言——討論夏宇的詩的敘事的可能?
讀夏宇的詩總像是被邀請進一場華麗派對,突然開始、狂歡、移動、暫停、終止,如同〈舞和音樂〉中的結尾,讀者們輕易地被詩人攬進一個集體的概念之中,全數參加/閱讀,卻沒有人能夠明確地說出參加了什麼/讀了什麼,卻跟著夏宇一起來到了詩的斜對面了。
夏宇的詩常是被放在後現代的脈絡討論,如林耀德所說:「要破解夏宇詩作的奧秘,首須理解她作品中後現代主義的傾向。」,他認為,夏宇瓦解傳統意義的主題、藏匿主題、剝離主題,抽離意義縱容讀者自行設定的各種可能和猜臆。
緊接而來的問題是,夏宇的詩在寫什麼?夏宇為什麼而寫,她的詩裡有終極目標嗎?詩到底有沒有一個核心狀態可以去追求呢?後現代的情境終,不停地去中心化,那中心到底去到哪裡呢?對夏宇而言,寫詩或許並沒有如此後現代,她以吃蘋果比喻寫詩,而詩的核心概念其實簡單到就像吃蘋果最後碰到的蘋果核,寫詩最終仍會碰到一個核心。
「我通常傾向於把事情翻譯成一個幼稚的情況,所以到底有沒有那個蘋果核的存在呢?是有的,而且我極願意去相信它,而且是一廂情願極其浪漫地去相信它。我其實是為這個蘋果核寫詩的,但我沒有辦法更深入地告訴你那是什麼東西,我只能告訴你那就是一個蘋果核,就是這樣子。」
本文以夏宇2000年出版的《Salsa》詩集中的一首長詩〈舞和音樂〉,分析夏宇詩中的敘事方法與意義之間複雜的關係,討論其詩語言的空間設計策略及其象徵性,以更逼近詩的內裡,試圖接近夏宇所謂「詩的蘋果核」。
二、從〈舞和音樂〉接近夏宇的蘋果核
〈舞和音樂〉是夏宇少數的長詩之一,詩的篇幅一旦拉長,必然涉及結構安排、情節調度,更需要動用敘事策略與思考,下略將此詩分成五個部分描繪整體輪廓:
不管是先有音樂再編舞
或是先有舞
再配樂
當大家正打著毛線或拼圖
對現在造成強烈的視覺效果
對未來也相對詮釋了
而就抽象面來說,每一樂音間隔處
所進出的舞,那關係
第一部分首先確立詩的主題:舞和音樂。舞是視覺、音樂是聽覺;舞是具體、音樂是抽象;舞是肉體、音樂是精神。夏宇一開始便揭示了音樂和舞的關係,是由音樂帶領舞,舞和音樂的先後關係彷彿無法確定或是不重要?
接著夏宇在當下和未來、具體與抽象之間來回,具體在當下看到打著毛線或拼圖的視覺,卻是朝向未來做出詮釋的行為。隨後,立刻退回當下的抽象層面,音樂似乎帶領著舞的進出,音樂創造舞的空間,音樂和舞在此有了觸發與被觸發的關係。
使得我們的行徑都不像是發明出來的
連我們的出生
連我們要去馬達加斯加這件事
大家都贊成開車去
實在是一輛爛車。音響還不錯
音樂也還可以。但為什麼
我們忽然到了斯德哥爾摩
我們強烈地感覺被解決
被空間代換、打發和耽誤
而也同時那麼想念卡薩布蘭卡
一切互相推卸
愛就因磨蹭懸宕
被發生了當大家深入表面大家是
那麼強烈意識到結構主義
第二部分繼續討論音樂和舞的互相發生,因為音樂進入體內,人的內外彷彿被置換,行徑被觸發,開著一輛破車移動到斯德哥爾摩,接著身體感覺被解決、內外空間開始翻轉,時間被拉帶過去,空間隨之移動到間卡薩布蘭卡中,愛在過去被懸宕、在現在被發生。隨著車廂內移動的表面下靜止的自己、身體的表面和裡面、空間的轉移、時間的過去和現在,大家意識到結構主義。透過這個部分夏宇點到音樂所觸發了身體狀態改變,連結隨後段落將帶出本詩的兩個循環意象——排隊、信/書寫。
意思是你隨時可以參加
你隨時可以排隊
用你的行李或網球拍
像個知道內幕的人
一天寄出50封匿名連鎖信恐嚇
每一個收到的人重新抄寫
50份寄出去而且
限定對方在收信10天之內——
否則、否則、否則。無邊的抒情死亡拜物
永久性通信好友。集體
匿名書寫的瘋狂需要。
你就設法傳一張紙條給戲院帶位員:
「把我包括在外面吧!」心理分析
一旦開始心理分析
心理分析一旦開始就像那些永遠
掃不乾淨的地整理不完的花園那些
焦慮模糊的信那個太過自覺
永遠不肯完成他的勾引的人。大家
大家在岌岌可危中只能大家
把一切訴諸暗喻。大家
第三部分,首先出現本詩第一次的「排隊」意象(將在第四、五部分重複),接著帶出「信/書寫」循環意象,書寫帶著與音樂類似的共用——發出聲音、集體狂歡式抒情,匿名取消了個人性,夏宇並藉此探討信、書寫、心理分析、暗喻、無邊的抒情死亡拜物,當語言被形式化、物質化,真實情感衰敗死亡。
食欲不振。更別提搭上火車
才又發現風景正全數向前面倒退的事。然後
不管音樂從機器裏出來
或是現場演奏大家都感覺
那舞和舞者都盡可能想把對方
置於裏面。那些信
就找到它們的不光榮面了
那麼我們是那磨損面了。
試想有另一現在是那軸
凡有靈魂的都被暱稱為齒輪
屆時還是得排隊的
往逆時針方向移動買好了票最後一個人就發現
他已經到了時間的最前面
再更前面。那麼他怎麼樣
按時進場呢?他肯定自己
是在一個週末之間但是是在
「我相信一切事物的意義都
在它們看不見的那一面」這句話的外面
如此這樣我們到了尼泊爾
尼泊爾肯定是一個側面
對那些雲來說
連我們的死
連那些信
死那信箱坡面
除了證明一開始說的「關係」
連已經學會十字繡這件事情
是比什麼都充分得多得多的清醒
連打毛線這件事情如果萬一
我們並不怎麼喜歡面對面地打
因為容易分心一打錯就得重打
這沒什麼關係重要的是
如果你決定要和貝婀一起打
你要記得保護瑪蓮
如果你決定要和傑霍姆打
你也不要忘記保護丹尼爾
這是大致生活守則
如果不小心碰到皮耶和綠西就糟了
到現在為止
還沒有人保護他們
我們就想辦法繞
到了他們的背面
還沒有誰打進去過呢這背面
他們好像也不是那麼反對
如果可以治療自我吞噬和互相侵略
綠西她甚至更啟示了她的正面
但也還真有這樣的一個時刻
大家對正面完全不予賞識的
第四部分再一次開始移動,從火車前進與風景倒退帶出前面、後面的同時存在,開始進入各種關係的討論:音樂和機器及演奏、舞和舞者、信的光榮面與磨損面。接著透過排隊的循環意象帶出更多「面」的進出翻轉舞動,並打破時間的線性關係,再進一步深入更多關係的討論,重複前面短落的移動與抵達、信、打毛線的意象,從「信」和「打」毛線,夏宇接著巧妙地連接到愛滋病廣吿語,拉到「性」的層次探討關係。
即使配上音樂
編了舞
在現場演出時的
自我毀滅傾向一直遭到忽視
更視而不見的是盡可能地
尋找不妥善的修辭狀態
以便於大家之不一致及不和諧的
直到繳不起房租
把整棟房子放棄
連同房東
(那不一致不和諧之極致的)
房東說:「就另一方面來說……」
房東說:「最難的是開始。」
房東還說:「更難的是結束。」
那中間呢?
有誰敢忽視中間呢--
有時候稱為
「肉體的脆弱」等等
和音對位洗衣坊麵包店
星散這些美好日子裏如此呈現的
長久慎密的共謀中
所邀請的朋友們都各有所長大家果然
有的唱歌有的跳舞有的吟詩
有的演講也想盡辦法儘量
不與對方發生關係就來到的
的黑暗面之之
不值得討論的了大家結結巴巴
只想在那裏打發一下時間
或者排個什麼隊吧
我們要全數參加的
但還不知道要參加什麼呢
如此這樣大家一起來到了斜對面了
如此這樣大家一起來到了斜對面了
最終部分再一次回到舞和音樂,在現場的不一致及不和諧中,直到繳不起房租,結構彷彿開始鬆動,開始、中間、結束都變得困難。而每個人自我在集體中、肉體與精神彷彿各自有各自的主體與目的,是不是共同在音樂中、在同一個關係中,已經不重要,不值得討論了。
三、夏宇詩語言的空間設計策略——點的關係、線的排列、立體的面
〈舞和音樂〉主題關於空間與時間,夏宇透過詩語言的空間設計,當下的意象跳動在點與點之間,因不斷「否定」而推進,而詩中反覆的出現幾個意象,意義因「重複」而轉換,並挑戰了時間的線性概念。本節分析〈舞和音樂〉中,「否定」與「重複」的空間設計敘事策略,探討夏宇如何在詩句之間調度點的關係與線的排列,以創造出詩的立體空間。
(一)否定的否定——「面」的進出翻轉舞動
在〈舞和音樂〉裡,不斷出現關於「面」的字眼,包括表面、外面、裏面、正面、背面、前面、後面、光榮面、磨損面、抽象面、黑暗面、側面、面對面、斜對面,夏宇透過「否定」在各種面之間翻轉進出,讓意義隨之舞動起來。
愛就因磨蹭懸宕/被發生了當大家深入表面大家是/那麼強烈意識到結構主義
「把我包括在外面吧!」心理分析/一旦開始心理分析/心理分析一旦開始就像那些永遠/掃不乾淨的地整理不完的花園那些/焦慮模糊的信那個太過自覺
食欲不振。更別提搭上火車/才又發現風景正全數向前面倒退的事。然後/不管音樂從機器裏出來/或是現場演奏大家都感覺/那舞和舞者都盡可能想把對方/置於裏面。那些信/就找到它們的不光榮面了
夏宇詩語言中,「表面」是可以「深入」的,「外面」是可以被「包括」的、「前面」是可以「倒退」的,表面、外面、前面的本質被否定、被推翻,都可以被放置於「裏面」,再連帶出舞和舞者都盡可能想把對方置於裏面——「舞」和「舞者」,在夏宇詩中被視為獨立個體,舞自此被異化了。跳舞的人沒有擁有舞、唱歌的人沒有擁有歌、舞和舞者可以發生關係、對話、相融,可以置於裏面,被創作出的對象,脫離了創作主體,有了主體性。
蔡林縉〈在夢想傾斜:「運動—詩」的可能 ──以零雨、夏宇、劉亮延詩作為例〉一文中指出:「物質的關係在被決定之前都必須經過『再』三考慮,就算是彼此關係暫時得到確定,也不得不因為『否定』的力量而『再』一次斷裂並『再』建立新的網絡, 所達致的思想形象便是一個越來越盤根錯節且無窮旋轉翻動的詩語言面。」而這些無限翻轉的詩語言,其目的或許如同海德格所認知的「真理的本質」,真理是由否定而得到徹底貫徹的,真理在本質上即是非真理。在夏宇的世界中,彷彿也不存在所謂絕對的真理。
那麼我們是那磨損面了。/試想有另一現在是那軸/凡有靈魂的都被暱稱為齒輪/屆時還是得排隊的/往逆時針方向移動買好了票最後一個人就發現/他已經到了時間的最前面/再更前面。那麼他怎麼樣/按時進場呢?他肯定自己/是在一個週末之間但是是在/「我相信一切事物的意義都/在它們看不見的那一面」這句話的外面
如此這樣我們到了尼泊爾/尼泊爾肯定是一個側面/對那些雲來說/連我們的死/連那些信/死那信箱坡面
信的不光榮面是書寫者的磨損面,不光榮與磨是關乎靈魂的事,夏宇以齒輪形容之,再延伸齒輪的意象帶出「時間」的主題,藉由「排隊」的概念打破時間的線性關係,夏宇的時間之間是圓形關係,空間上逆時針不斷往最前面邁進,時間上卻反而不斷進入重新開始的循環,前面之前其實是後面。
空間與時間規則在辯證後被翻轉,夏宇提出另一個否定——「一切事物的意義都/在它們看不見的那一面」,緊接著再給出否定一個否定——真正的意義在「這句話的外面」。在此,夏宇詩中的意義是極度自由的,隨時成立而又隨即被推翻,點與點、面與面間的規範不存在。點和線的關係被打破後,接著的段落隨即就翻轉到空間上的「側面」到達尼泊爾這個點,彷彿看見地球上兩點構成的球型行徑軌跡,在不同面之間,夏宇最終給出了一個立體的空間。
(二)重複「排隊」——時間線的空間感變化
在〈舞和音樂〉裡,夏宇重複使用打毛線、排隊、信/書寫、旅行的意象,每當相同意象再次出現在不同段落,意義疊加,有推進全詩情節的作用。蔡林縉〈在夢想傾斜:「運動—詩」的可能 ──以零雨、夏宇、劉亮延詩作為例〉一文中也探討德勒茲「差異」與「重複」的概念:「重複是一種僭越,其質疑規律亦與一般性的概念相抗衡,採取的途徑則是追尋藝術的現實。」
於是,夏宇詩中重複的意象也像是一種對既定意義的質疑,以〈舞和音樂〉中重複最多的「排隊」為例,在每個重複之間,明顯可觀察到排隊的意象隨著詩的排列意義變換。
意思是你隨時可以參加/你隨時可以排隊/用你的行李或網球拍
凡有靈魂的都被暱稱為齒輪/屆時還是得排隊的/往逆時針方向移動買好了票最後一個人就發現/他已經到了時間的最前面/再更前面。那麼他怎麼樣/按時進場呢?他肯定自己/是在一個週末之間但是是在/「我相信一切事物的意義都/在它們看不見的那一面」這句話的外面
不值得討論的了大家結結巴巴/只想在那裏打發一下時間/或者排個什麼隊吧/我們要全數參加的/但還不知道要參加什麼呢/ 如此這樣大家一起來到了斜對面了/ 如此這樣大家一起來到了斜對面了
上為全詩中關於排隊的段落節錄,共三次排隊的意象。第一次排隊是直觀的層次,屬於空間的「線型」排隊;第二次排隊打破了直線關係,是時間循環中呈現「圓形」排隊;第三次排隊,則跳脫線與面的關係,打發時間的排隊變得可有可無,意義隨機而偏移著,是為「無秩序」的排隊。
在〈舞和音樂〉中,結合排隊本身帶有空間感的意象,重複出現變換著空間,出現三次便有三種空間串聯、疊加、翻轉,連結到時間的線性、循環性、隨機性特質。重複的「排隊」,於是讓〈舞和音樂〉在時間線上有了空間感的變化,最終,在重複中反而重新獲得自由的可能,以自由、恣意、傾斜的姿態,大家一起來到「斜對面」了。
四、〈舞和音樂〉空間策略下所呈現的象徵性
延續上一節夏宇詩語言的空間設計策略分析,本節進一步探討在「否定」及「重複」的空間敘事策略下,〈舞和音樂〉中所呈現的象徵性及其意義,更接近夏宇在這首長詩所帶出的「當下」與「集體」概念。
當下——給時間以時間
在〈舞和音樂〉這首長詩裡,夏宇以「否定」及「重複」的策略佈置整首詩的空間,匯聚多個當下的空間,在破碎的情節中拼貼、翻轉、重複、推進、再翻轉,以解消關係的理所當然。進一步追問:透過打破關係的空間設計策略,夏宇想要幹什麼呢?
翁文嫻在〈如何在詩中看見思想〉一文指出詩歌的深度不在題材,而在於其句子與句子之間的思維狀況,「夏宇就是『不要幹甚麼』,一般能『幹什麼』之類的內容都夾在回憶事件或想望,對夏宇而言都阻礙了『當下』的把握。」在夏宇的詩語言遊戲中,重複或是否定不過是在提醒讀者——每個瞬間當下所發生的關係。再看一次〈舞和音樂〉的這個段落:
那麼我們是那磨損面了。/試想有另一現在是那軸/凡有靈魂的都被暱稱為齒輪/屆時還是得排隊的/往逆時針方向移動買好了票最後一個人就發現/他已經到了時間的最前面/再更前面。那麼他怎麼樣/按時進場呢?他肯定自己/是在一個週末之間但是是在/「我相信一切事物的意義都/在它們看不見的那一面」這句話的外面
在前文探討否定的概念時,推翻點與點、面與面間規範後,夏宇提出一個「否定的否定」——「『我相信一切事物的意義都/在它們看不見的那一面』這句話的外面」,蔡林縉以「否定的等式」的威力形容這句詩,「在不可見之外,比看不見更難以捉摸,意義在自身缺席的最外部,夏宇儼然已經透過詩語言指出那個比思維更遙遠的『域外』。這樣的『域外』要如何重新被納入思考? 」
在夏宇的詩中,真正的意義始終不在裡面或外面,反而不斷成立在對立面的重新翻轉中,翁文嫻如此談論,「首先是有趣的,然後又會有各類變化中的,可能致你命的意義。」夏宇詩句變化中的意義是致命的,作為讀者唯有不斷回到當下:
星散這些美好日子裏如此呈現的/長久慎密的共謀中/所邀請的朋友們都各有所長大家果然/有的唱歌有的跳舞有的吟詩/有的演講也想盡辦法儘量/不與對方發生關係就來到的/的黑暗面之之/不值得討論的了大家結結巴巴/只想在那裏打發一下時間/或者排個什麼隊吧/我們要全數參加的/但還不知道要參加什麼呢/ 如此這樣大家一起來到了斜對面了/ 如此這樣大家一起來到了斜對面了
如同這個段落,描述出一個鬆脫發散的無聊片刻,但是這個當下又彷彿是經過長久慎密的共謀而來,大家各有所長卻也結結巴巴,排個隊或者參加個什麼都好。如前文翁文嫻所說——夏宇就是「不要幹甚麼」,她也認為「夏宇最愛揭發這當下的訊息,以至引出如迷宮般,有如地圖般的分叉歧路式的種種理解或誤解。」
在夏宇詩的空間中,當下無限變幻著、隨時可以理解也隨時可以誤解,時間在這之中也隨之展開。如同蔡林縉探討夏宇詩中的重複概念時,他提出「透過語言重複,將思維的螺線一次次藉由重複更趨近『當下』,向意識的深處與存有的狀態不斷逼近,每一次重複的『當下』都是前一個『當下』的『當下』。」夏宇詩語言總是連結到時間的深刻探索與反思,關於時間的意義,最為深刻而直接明瞭的仍是〈給時間以時間〉中,
自從時間成了時間
我們就得給時間以時間
存在也就這樣存在了也不難
就被當做存在般了解。
回到〈舞和音樂〉一詩,在重複、否定的敘事策略下空間無限變化,時間的線性概念隨之被打破,而「當下」無限展開。於是,全詩最後以傾斜的姿態大家一起來到斜對面了。
集體——精神與肉體的狂歡
承上對「當下」的探討,閱讀夏宇總必須重新掌握著每個「當下」所發生成立的狀態,給予自由的理解,跟著她前進、後退、歪斜、進行一次次精神與肉體互相涉入的時空遊戲。
第二節導讀整首詩曾提及,在這首詩的主題中,舞是視覺、音樂是聽覺;舞是具體、音樂是抽象;舞是肉體、音樂是精神。透過這首詩的主題,夏宇在音樂和舞的關係之間自由穿梭,在詩裡創造出空間中,進行肉體與精神的來回辯證,明確直白地切入她向來詩中所鍾愛的「肉」的意象。
而就抽象面來說,每一樂音間隔處
所進出的舞,那關係
使得我們的行徑都不像是發明出來的
連我們的出生
在詩句前三行,夏宇給了模糊含混的音樂和舞的先後關係,緊接著進入上述的段落,兩者關係稍有推展,彷彿是音樂帶領著舞,透過音樂的進行或間隔,舞進出發生了,於是呈現出了一個集體的肉的狀態。然而我們還是沒辦法那麼確定舞和音樂、肉體和精神的先後關係,是集體「肉」的狀態再配上精神,或是精神控制著「肉」的狀態,如同舞和音樂的關係,仍無法確定或是不重要?
而隨著舞和音樂的關係進出發生,產生了我們的行徑、我們的出生,帶著一點點「性」的暗示意涵,是我們的集體行為與關係,彷彿感受到某種進出中,產生了「肉」的愉悅狀態。
連我們要去馬達加斯加這件事/大家都贊成開車去/實在是一輛爛車。音響還不錯/音樂也還可以。但為什麼/我們忽然到了斯德哥爾摩/我們強烈地感覺被解決/被空間代換、打發和耽誤/而也同時那麼想念卡薩布蘭卡/一切互相推卸/愛就因磨蹭懸宕/被發生了當大家深入表面大家是/那麼強烈意識到結構主義
接著,繼續討論音樂和肉體的互相發生。我們的身體在爛車裡,音響傳出的音樂進入體內,身體同時前進,彷彿暗示著肉身所構成的移動行徑,是由精神所觸發。
隨著音樂我們突然到了到斯德哥爾摩,眾人對音樂侵入沒有反抗是否是斯德哥爾摩症候,被侵入對侵入者產生強烈的情感,感覺被解決,隨之肉體被代換,內外空間開始翻轉的同時想念發生,時間點便從現在拉到過去,空間轉到卡薩布蘭卡。卡薩布蘭卡是《北非諜影》的英文片名,或許跟電影的愛情故事有關,也或許無關,總之,在此愛被發生了,而愛發生的理由是磨蹭懸宕,接著深入表面,整個段落一連串的肉體語言彷彿帶著一點性的暗示。而〈舞和音樂〉後半有更直接討論肉體和性之間的段落如下:
連打毛線這件事情如果萬一/我們並不怎麼喜歡面對面地打/因為容易分心一打錯就得重打/這沒什麼關係重要的是/如果你決定要和貝婀一起打/你要記得保護瑪蓮/如果你決定要和傑霍姆打/你也不要忘記保護丹尼爾注/這是大致生活守則/如果不小心碰到皮耶和綠西就糟了/到現在為止/還沒有人保護他們/我們就想辦法繞/到了他們的背面/還沒有誰打進去過呢這背面/他們好像也不是那麼反對/如果可以治療自我吞噬和互相侵略/綠西她甚至更啟示了她的正面/但也還真有這樣的一個時刻/大家對正面完全不予賞識的/即使配上音樂/編了舞
注:以上四行為法國衛生部預防愛滋病廣告語
夏宇巧妙地利用「打」,創造出本詩中最富音樂性的段落,同時輪番上演的人名彷彿與詩句共舞,而其中夏宇引用了四行預防愛滋病廣告語,並且在詩末以注說明之,在廣告語之後,是一連串背面與正面的肉體狂歡,精神上自我吞噬和互相侵略。〈舞和音樂〉自此在集體狂歡式的夏宇詩語言中,讓讀者聽到了音樂、看到了舞。
五、結語——當詩語言配上音樂、開始跳舞
〈舞和音樂〉是夏宇詩一次音樂和舞的「互相發生」,透過這首長詩所調度的空間設計策略,詩語言因「否定」而推進、意義因「重複」而轉換,音樂和舞因此被異化,突顯了精神和肉體的獨特質感。
在詩句進行與結構開展之時,夏宇透過打毛線、排隊、信/書寫、旅行以及各種「面」等日常瑣碎事物的意象,將材質、形式、關係重新混搭、翻轉,展現對既定空間結構關係及線性時間概念的反思,最終得以回到「當下」給時間以時間,在配上音樂、編了舞的詩句中,參加一場精神與肉體的集體狂歡。
讀著〈舞和音樂〉,一句句自然而然地會漸漸在心中聽見音樂的節奏、看見一個個舞動的場面,總會想起米蘭.昆德拉在《生命中不能承受之輕》描寫的這個段落:
「他想要一段無邊無際的音樂,一些絕對的噪音,一些美好而歡樂的吵鬧聲,可以將一切都覆蓋、淹沒、窒息,讓話語帶來的痛苦、虛浮和空洞都沈沒下去。音樂就是對語句的否定,音樂就是反話語!他很想和薩賓娜久久地擁抱在一起,默默不語,不再說話,讓肉體的歡愉匯流在音樂的狂歡喧囂之中。在這幸福滿滿的喧鬧想像裡,他沉沉睡去。」
音樂是對語句的否定、音樂是反話語,音樂和吵鬧聲及噪音相同能夠覆蓋話語,翁文嫻在〈如何在詩中看見思想〉論及「詩的內蘊」,也曾引用米蘭.昆德拉:「如果詩人不去尋找『在那後面某個地方』的『詩』,而是『介入』到一個為人們早已熟知的真理(它自己站了出來,就『在那前面』)的服務中,那麼他就放棄了詩的自身使命。」夏宇的詩總挑戰著那些屬於「前面的」,她的詩語言是音樂的、噪音的、混雜的、翻轉的,而夏宇的蘋果核終是「在那後面的某個地方」,在〈舞和音樂〉裡,當話語退位,你我不再說話,就讓肉體的歡愉匯流在夏宇詩語言音樂狂歡喧囂的想像之中,擁抱著一起睡去。
參考資料
1. 專書
米蘭.昆德拉(Milan Kundera),尉遲秀譯,《生命中不能承受之輕》(台北:皇冠文化,2004)。
米蘭‧昆德拉(Milan Kundera),孟湄譯,《小說的藝術》(香港:牛津大學出版社,1993 )。
夏宇,《Salsa》(臺北:唐山出版社,2000)。
翁文嫻,《創作的契機》(臺北:唐山出版社,1998)。
2.論文
期刊論文
江長威,〈詩,如何過火?想詩、談詩、念詩、玩詩——《中外文學》三十週年系列座談之二〉,《中外文學》32卷1期(2003.06)。
林燿德,〈在速度中崩析詩想的鋸齒:論夏宇的詩作〉,《文藝月刊》第二〇五期(1986.07)。
學位論文
蔡林縉,〈夢想傾斜:「運動—詩」的可能──以零雨、夏宇、劉亮延詩作為例〉(台南:成功大學中國文學系碩士學位論文,2010)。
--
美術設計:游佳真
圖片來源:游佳真
--
https://cendalirit.blogspot.com/2021/02/20210213.html
#每天為你讀一首詩 #夏宇 #點線面 #詩語言空間設計策略 #象徵性 #舞和音樂
馬達噪音分析 在 【Simcenter 3D Acoustics】電動車馬達電磁噪音E-motor EM ... 的推薦與評價
![影片讀取中](/images/youtube.png)
... EM Noise Radiation-電動車 馬達 電磁 噪音 #Simcenter 3D #Acoustics#EM ... 噪音 E-motor EM Noise Radiation-兆水科技代理CAE結構與聲學 分析 軟體. ... <看更多>
馬達噪音分析 在 巨克富科技|振動、應變、測試台- Services | Facebook 的推薦與評價
可判定產品的異音分數,並區分類型,例如:噪音、摩擦音、異物音等。 ... 可應用於馬達振動檢測、引擎異音檢測、樓板振動量測、軸承振動分析等等。 ... <看更多>