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
同時也有10000部Youtube影片,追蹤數超過2,910的網紅コバにゃんチャンネル,也在其Youtube影片中提到,...
arduino 通訊 模 組 在 工研院產業學院 Facebook 的最讚貼文
💥嵌入式物聯網(IoT)系統開發工程師培訓班系列模組課程💥
📣6/12-7/10模組一:嵌入式C語言應用實戰-使用ARDUINO
https://college.itri.org.tw/course/all-events/B7708496-8710-43F4-9A09-C778FF1A6875.html
📣7/24-8/14模組二:嵌入式 Linux系統實作與程式設計實務-使用Cortex-A53 ARM教學板
https://college.itri.org.tw/course/all-events/FA0C54DB-31EC-4C8B-BDA6-A18323EC2896.html
📣9/4-9/25模組三:嵌入式Linux驅動程式實務-使用Cortex-A53 ARM教學板
https://college.itri.org.tw/course/all-events/4711E01A-B83D-4EAD-B26C-2A10EFC34757.html
📣11/6-11/27模組四:嵌入式IoT Linux 網路通訊及多媒體應用實作-使用Cortex-A53 ARM教學板
https://college.itri.org.tw/course/all-events/153D37B4-6955-48C4-A7F1-28680E08EE75.html
⭐好康到相報⭐
1.報名全系列模組課程且繳費(限10 名)加贈Quad-core 64-bit ARM Cortex™-A53 開發板+下載器
2.報名模組Ⅰ且繳費(限10 名)加贈ARM cortex M3開發板+下載器,(基於ARM的Arduino教學開發板)
課程聯絡人:02-2370-1111#316李小姐、#309徐小姐
名額有限,在不快點就沒有囉~ 🎯
arduino 通訊 模 組 在 台灣物聯網實驗室 IOT Labs Facebook 的最讚貼文
打造創客生態 台灣經濟再起飛
2015/06/01-DIGITIMES企劃
完整生態系未來產業發展的必然趨勢,透過技術的開放,產業規模將會全面翻轉,鋼鐵人實作聯盟創辦人蔡政和剖析目前的產業趨勢,從中分析出未來的產業發展型態。
3D列印將製造權從企業手上下放置一般個人,在此波浪潮下,市場上再次吹起創業風,製造產業鏈中的各環節,都有極具創意的創客投入,而此一產業生態的崛起,將帶動台灣經濟的再復興,在「創客生態系 台灣經濟再起飛的新契機」議題中,鋼鐵人實作聯盟創辦人蔡政和針對台灣目前的創業生態,提出相當精闢的看法。
Hacker與Maker攜手打造生態
蔡政和從資訊科技的演進,點出科技產業生態的變化,他指出IT技術的演進有幾個指標性的設備,像是早期的大型主機、中期的個人電腦、近期的移動式裝置,未來則無疑會是穿戴式裝置,從這些設備的特色,可以看出幾個趨勢,包括設備的體積漸小、效能漸強、計算裝置越來越貼近人體並滲入各式裝置、計算裝置越來越多樣性、開發啟動資本則逐漸降低。
這些趨勢與現在的創業環境息息相關,其中最重要者就是資訊與工具的取得相對容易,過去進入門檻高度降低,新型態市場帶來新型態門檻,新的創業生態已然成型,未來個人將會更有力量,但台灣的創業團隊如何與此一生態結合,獲取更大商機?
蔡政和先解釋傳統創業與新型態創業的不同,他指出傳統創業的過程多是先向親友募資,利用這筆資金設計生產,產品上市後接受市場檢驗決定成敗,現在的創業模式則是先以自有的小筆資金製造出產品原型,有了原型後再到募資平台上展示產品並募資,若原型募資平台上獲得投資人認可,則以募資而來的資金進入開發設計階段,最後在開始量產與銷售,若為市場接受,則可取得第2部分的資金延續生產,由現在的創業模式可以看出,募資平台的出現,可以讓創業者的創意、創新力落實更容易,而不像之前的創業模式的高進入門檻與高風險。
談到新型態的創業變遷,蔡政和指出,現在的Maker族群中常聽到「Arduino」一詞,Arduino代表的意義是開放性硬體(Open Hardware),他進一步表示,硬體設備所費不貲,過去只有大型企業才有能力擁有,但Arduino的出現,使得個人改變世界的成為可能。
Arduino剛問世時,只是單晶片的主機板與簡單介面,後來有部分專業工程師開始投入,有的研發出其擴展版,有的增加其函式庫,Arduino的日益進化,讓沒有相關技術基礎或時間資源不多者,更容易使用,蔡政和表示,過去在原型製作時,就曾透過Arduino取得陀螺儀加速器的函數庫與電路板設計,在短時間內就設計出其原型。
從Arduino的例子可以看出現在的整個創業生態,Arduino上的函式庫是由Hacker所研發,由此可以看到Hacker與Maker的合作,但這兩者的合作絕非如此單純,而是需要一定的系統化與規模化,進而建立基礎平台與開發社群,而非現在一對一的單點合作。
開放讓力量更強大
基礎平台的建立,可以讓技術開放,創造出更多可能與效益,蔡政和指出,過去製造業的技術資訊封閉,產品上市後無人知曉內含的技術為何?但現在企業若能將技術開放分享給外的Maker,則所或的的效益回饋,將會與其使用的Maker數量等比增加,整體的經濟規模將會完全不同。
不過Open source利弊兼而有之,當生產資訊完全公開,競爭力要如何維持?蔡政和表示,當知識成為易於利用的模組後,將可大幅降低Maker的學習成本,也使創作者可專注在創意構思上,而不用花太多心思在子系統的前備知識上,創作就變成類似拼圖或是樂高積木的過程。
這還導致了門檻的降低,不需要資電背景也能透過這些模組來創作,進而規模經濟引來更多廠商的投入,這就像當年大型電腦問世時,主要使用者都是學有專精的的專業人員,但當採開放式架構的個人電腦出現後,多數廠商競相投入,電腦變得越來越容易使用,整體規模也與當年不可同日而語,這就是開放的力量。
蔡政和再舉另一例子,現在Maker在設計電子產品時,常會使之與手機互聯,而目前最常用的通訊標準則是藍牙,以往的實作模式要先安裝藍牙模組,再撰寫通訊協定,但如今已有大陸廠商提供已經撰寫好通訊協定的藍牙模組,Maker只要安裝上去,設備就可與手機以藍牙互通,這種模組提供的方式,不但讓Maker易於使用,同時將本身技術包覆為模組,也可避免其專業資訊全面公開。
這種半開放半封閉的方式,對Maker與廠商來說,都是可接受的方式,一般耳機內建的藍牙,是直接內建在產品中,無法為外界利用,但如今這類藍牙技術設計為模組型態,開放給所有人使用,這就會為世界帶來改變。
產業環境變化帶來的影響,也可從電子書來觀察,當年eBook問世時,吸引了眾人眼光,大家開始討論閱讀習慣將會改變、eBook該如何輕型、省電,但過了一段時間,Apple推出iPad,eBook的聲勢遽跌,如今已不再有人討論。
不過觀察其發展消長,eBook並非因為iPad使用了其技術而消失,而是產品思維的不同,蔡政和進一步指出,過去的產品設計思維是線性思考,把書本內容電子化,就是電子書,而電子書就是下一世代的書籍,但iPad的思維則是將電腦書本化,延續了電腦原有的功能,還將書本內容移植過來,這也就說明了思維不同,就有機會翻轉經濟規模。
結合台灣優勢 站上世界舞台
思維的改變,也會影響到整體商業生態,蔡政和把時序拉回當年IBM的相容PC年代,當年最著名的事件就是Apple PC與IBM相容PC的競爭,後來採相容式架構的Microsoft & Intel贏得這場戰爭,這其中的勝負關鍵就是相容,相容性使得整個產業的廠商都站到同一陣營,無論Apple能力如何強大,也打不贏整個產業,在此情況下輸贏立判。
再把時間往後拉,Apple憑藉著iPhone、iPad再起,憑借的就是當年打敗他的相容性生態系,這次Apple創造了App store,App store吸引了大量的軟體廠商投入,並制定了完善的商業機制,建立起空前成功的生態系。
談到這邊就不難了解,未來產業的成功之道,就是擁抱社群,而這也是鋼鐵人實作聯盟的目標,鋼鐵人實作聯盟目前正在研發如電影「鋼鐵人」中的智慧型頭盔,透過市場上各Open source的力量,打造出可延伸感官的智慧型穿戴裝置,目前此一研發已有所成,蔡政和希望能結合台灣科技產業的力量,匯集成一股翻轉世界的力量,帶領台灣廠商走上世界舞台。
他以電動車大廠Tesla為例,Tesla當年大量採用了台灣廠商的技術,讓Tesla的電動車成為世界焦點,以此來看,台灣廠商的技術已不容質疑,所欠缺者只是整合的力量,蔡政和透露目前已有多數台灣大廠與鋼鐵人實作聯盟合作,蔡政和也希望透過這次的合作,可以打造出台灣的產業生態,將台灣經濟再次推上高峰。
附圖:鋼鐵人實作聯盟創辦人蔡政和。
資料來源:http://www.digitimes.com.tw/tw/b2b/Seminar/shwnws_new.asp…