關於 cloud computing例子 ，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

【從經濟分析預測台灣蘋果日報三年結束】
本文將從經濟分析中的成本觀念切入，討論為何我認為台灣蘋果日報三年內將被淘汰出局。

這邊要強調的是，傳統經濟學（如Paul Samuelson大名鼎鼎的「Economics」教科書）所教授的「成本」大多錯誤處處且自相矛盾。本文使用的成本觀念謹守「正確的機會成本概念」切入。

1. 同一生產程序有不同產品，收入如何最大化？
Alfred Marshall在1890年經典著作「Principles of Economics」第五卷第六章中提出「joint supply」問題，列舉諸如：羊毛與羊肉、牛皮與牛肉和棉花與棉花籽油都是同一生產程序下會產生的兩種商品，二者間存在固定比率。當牧羊人因用羊毛需求增加而增養綿羊時，羊肉供給也會隨之增加從而影響市價。

現今世界更常見的是汽油與柴油（還有其他油品）之間也存在這種關係。

這使得後來的經濟學家進一步問：如果一個生產程序下會產生多種商品，且不存在固定比率時，收入如何最大化？

答案是：各種商品的平均成本不可求得；但邊際成本可以。收入最大化之道是各種商品邊際價格等於邊際成本；如果引入交易費用概念，則邊際價格與邊際成本的差距不得大過交易費用。

為方便理解，我先以傳統紙媒報紙為例，常見其一個生產程序的產品就包含：不同主題內容的新聞或評論（無體財產）與以印刷與紙張為載體的報章（有體財產），以及廣告。而百年來報紙的收費安排主要有二種極端：一者是以昂貴價格出售，廣告少而內容與印刷均優（如某些極為專業的媒體--如英國金融時報台灣紙本訂購價每日約新台幣$79；經濟學人美國版紙本訂購價單本$3.6美元/台灣零售價$275新台幣）；另一者則是give-away papers，如台灣曾流行的捷運免費報，這類報紙完全免費但內容幾乎都是廣告，印刷品質與紙質均低劣。

多數報紙收費安排在二種極端之間。

此外，就我所知的成本結構，台灣若報紙零售價在$10以下者，大概都是只回收了印刷、紙張與運送的費用，「向讀者直接收費」這塊是毫無利潤可言。

經濟學上也透露著：不同的收費安排會影響報紙媒體在終端產品上的呈現，包含內容的長度、深度、廣度、可信賴度與品質，包含廣告數量、呈現方式（如佔版面比率）與廣告品質（純文字廣告亦或聘請世界明星代言且由知名設計師編排之廣告）。

上述經濟原理，放到網路新聞媒體上也是一樣。

2. 邊際生產成本並非為零

我們可以從兩個角度去看線上報紙的生產成本：

a. 從線上訂閱讀者看
傳統經濟學教科書很愛說：「網路世界提供服務的邊際成本趨近於零」。其實這是錯誤的說法。持此說法的學者不但對真實世界認識不清，同時經濟學也不及格。

(1) 如果邊際成本近乎於零，則平均成本曲線不再是U形而也會是趨近於零，則根據經濟學法則，世界上各種網路服務供應商將只有一家完全壟斷，這與真實世界不符。

(2)Google在伺服器與頻寬支出一個會計季度就高達幾十億美元，怎麼看也不像是「邊際成本趨近於零」會產生的費用。

雖然我不是專家，但以我過去架設Linux server以及使用cloud computing services的經驗，上述經濟學者最大的錯誤在於「計量錯誤」。

以Apache網頁伺服器看，一個連線大約會佔伺服器12~35MB記憶體，一張圖片豐富的頁面（假設4MB）大約要吃掉32Mbps頻寬，同時還要考慮CPU響應速度與使用者的單位時間點擊頻率等等。簡單說，即便以一次點擊服務的角度看，邊際成本恐怕都不是趨近於零。當架設的網站流量成長到機器可承受邊緣時，不管我是要升級機器、增加伺服器、增加頻寬，其邊際成本更不是以「每多一位使用者」為邊際單位，而是以上述機器與頻寬的綜合考量為邊際單位。

這是說為了應付一天某幾個時段的高峰使用，我必須備好足夠的運算力與頻寬；但當其他時段在線人數掉下來時，我的運算力與頻寬是閒置但費用依然要支付的。此外，隨著使用者的人數增長過某些門檻，許多小型服務不需要支付的費用或問題也會隨之而生。

這一塊我從香港壹傳媒公開的財務報告中並無法清楚查出，但從其2019年（會計年度結束於2019/3/31）年報記載的「其他營運費用」高達3億港幣（約新台幣11.6億元）可窺知其網路服務相關費用支出應該不低。

我們換個更容易理解的角度：網路服務就像一個個水桶，其內含容量空間是邊際單位總成本。每一位使用者都是顆小乒乓球，球體體積是訂閱費。當一個水桶裝不滿乒乓球時，這個邊際服務單位收入是低於邊際成本的。當使用者量剛好裝滿1個水桶時，邊際成本與邊際收入相符，是前述經濟學原理下收入最大化狀況。但若裝滿1.1個水桶時，則看似更多的使用者其實可能卻是在一個網路服務虧損放大的區段。而且，水桶中的乒乓球數量是每一秒都在變化的。

當然上述形體化的描述只是為了方便理解，真實網路服務提供的成本狀況不完全是這樣。但我希望能幫助讀者理解我想要點出的重點：計量基準並非以「每多一人」為準。以訂閱收入扣除成本為縱軸，以訂閱人數為橫軸，其曲線是非常波動的，一定區間內，訂閱人數增加收入可能反而減少。因此，以台灣每日約4元新台幣或香港每日約$1.68港幣的訂閱價格看，並不見得「高於邊際成本」。

b. 從線上廣告看
吸引讀者靠的是內容，而內容的產生與發佈在線上同樣存在持續的成本投入才做得到。

此外，以我過去與壹傳媒購買廣告的經驗可知，多數廣告套裝（特別線上版）多是以5天為最少單位（當然有例外狀況，這裡我只講普遍而言的現象），週末另外定價。因此再換一個成本角度，從邊際而言我們可以把5天為一個單位將人員費用與行政費用（包含伺服器與頻寬租賃費）以2019年香港壹傳媒的財報做估算，台灣蘋果日報每5天的新聞生產與發佈總成本大約為800萬港元（約$3100萬新台幣）。

綜合二者，如果我們把每五天的新聞內容生產當做是一個生產計畫（production plan），則每單位$3100萬會是直接成本，若來自訂閱與廣告收入無法超過此數字，則蘋果日報面臨的是直接虧損。其中，蘋果日報可以選擇方案一「免費閱讀佐以大量廣告」或方案二「訂閱付費佐以少量廣告」。前者必然會發生減少文章字數、一文拆多文、追求標題黨與廣告滿佈...等等現象；後者則理應要以深度報導或提供競爭對手難以取代的內容來又使付費訂閱者認為物有所值。

3. 從壹傳媒財報見端倪

承第1點所述，當台灣蘋果日報網路版轉為訂閱制後，可見的是網路流量競爭之下必然會有相當幅度下跌（畢竟免費新聞來源充斥且讀者近乎毋須付出轉換成本），這點我們也可以分別從東森集團總裁王令麟的接受訪談間接與Alex網路排名直接得到印證：

「...他認為蘋果在這方面（訂閱制）犯了錯，光以流量來說蘋果從2,200萬下跌剩不到1,000萬。「但是流量事還小，我們（ETtoday）數位廣告營收在去年6月將近7千萬元跟他們伯仲，但今年蘋果已經跌破4千萬，我們數位廣告已經在8千萬往9千萬元走。」就算蘋果擁有付費訂閱用戶，王令麟也認為「台灣市場太小，很難成功。」根據香港壹傳媒9月中公布的公告指出，香港蘋果日報、壹週刊付費人數已經超過84萬人，台灣訂戶人數則未有揭露。」

Alex有關台灣網路媒體流量變化如下：

（圖一 蘋果日報）
（圖二 自由時報）
（圖三 東森新聞）
（圖四 中國時報）
（圖五 聯合報）

我們可以從壹傳媒整體財報（見圖六）看出，在面對Google與FB這類網路廣告巨獸的強力競爭下，從2016年轉盈為虧後，每年虧損額達三、四億港幣，營收更是節節下滑。

根據壹傳媒公布的香港部分84萬人訂閱戶（台灣人數未揭露我認為應該是因為數字遠低於此），其每年訂閱費收入約HK$515M，而2019年度財報顯示整體營收衰退至約HK$1304M以及流量快速下滑來看，恐怕杯水車薪，訂閱收入無法彌補失去的廣告收入將是必然。網站（包含app）流量的下降必然導致蘋果日報在廣告議價權的下降，這意味根據前述經濟學原理，其虧損放大的速度恐快得出乎主事者想像。這點就要等2020年度財報得印證。

4. 上頭成本的租值攤分

接著，我們再換個角度從上頭成本看台灣蘋果日報：

上頭成本是指企業不管生不生產都要付費的成本，對報社而言，場地租金、各種軟硬體設備、記者主編與管理者費用、伺服器開支（如果為承租）與網路頻寬租賃等...，都屬之。

而這些開支是由產品收入扣掉直接成本以上的盈餘累加後應付的，以蘋果日報的狀況這意味著：

a.台灣蘋果日報建構所需的上頭成本很可能與香港蘋果日報一樣甚至更高，因為台灣土地面積是香港的32.7倍。但我們從香港壹傳媒集團財報中得知，台灣蘋果與壹週刊僅佔總營收整體30%。佐以媒體產業的經濟特色 -- 量體夠大平均成本可以掉得很快，但量體越小則平均成本也可以升得飛快。表示台灣分部可貢獻的上頭租值不但小，甚至貢獻的虧損額度恐怕還大過香港。

b.這解釋為何2010年左右，黎智英在台灣努力地希望促成壹電視的開播 -- 因為同一生產程序可以同時出產紙本、網路與電視新聞。而佐以IT科技越發物美價廉的、各種手機攝影與app應用不但逐漸讓單一記者具備多工能力（撰稿、拍攝甚至簡易後製）下，智慧型手機加入下越大量體的受眾可以快速降低壹傳媒在台的邊際成本，從而提高整體獲利能力。

c.這更解釋黎智英為何願意虧損百億元代價執行壹電視計畫（包含近乎免費贈送的樂視通機上盒），因為從經濟分析角度看其戰略思維正確無誤，卻被台灣既有媒體業者、政府管制給卡死。短短三年，於2013年6月就認賠賣給年代集團後，整個蘋果日報內容定位從相對中立轉向極為反中、台獨路線。我認為蘋果日報的定位之轉變，以及黎智英在香港16年佔中運動與19年反送中運動的作為，都源自於上述商業策略執行層面的失敗以及實際所受的經濟虧損。

可是訂閱制於2019年7月上路後，從Alex數字看來台灣蘋果日報希望搶占的市場顯然是輸給了類似定位自由時報。

這一點我建議讀者參考我寫過的「略談旺中投資蘋果日報案（2012/12/05）」一文的第三點：

「...台灣藍綠媒體市場區隔還蠻明顯的。這不是什麼大問題，美國媒體左派（如NYT）、右派（如Fox News）也是壁壘分明；這也不是媒體邪惡，市場導向、利之所趨罷了。

換言之，從經濟分析角度來看，假設A媒體專攻A'市場，B媒體專攻B'市場；今天若A決定轉向B'，則其最主要的成本就是必須放棄A'所帶來的盈利。例如男人幫（FHM）今天假如要切入商業周刊的市場，在不推出新報刊雜誌的前提下，其勢必要放棄的是男人幫既有市場的利潤。

從這角度看，一家走中立八卦路線的壹傳媒，假如因為幕後老闆換人而要改走親中國路線的藍色市場，則必然新壹傳媒得失去部分既有客戶的盈利，而這就是壹傳媒轉型的成本。此轉型與前假設例子並無差別。淺顯的道理，連路邊攤小販都懂。而市場觀察告訴我們，頻譜兩端點的觀眾數量相對較少，中間地帶者居多。若蔡衍明等人買下壹傳媒後，將其轉型為深藍媒體，則勢必要面對收入減少；同時，在競爭之下，蘋果與既有深藍媒體（旺旺中時）打起擂台，經濟學告訴我們假若市場結構無太大變化，結果是二者租值都一起降低，首當其衝的損失者是蔡衍明等人。

再想想私有產權，假若有人投資失利，是出於資訊不足、愚蠢或刻意為之，都與非股東的第三人無關。蔡老闆商場征戰多年，如果連這點道理都不懂而產生損失，那也是他自做自受，學生的抗議遊行都顯得無關痛癢。再假設蔡老闆投資壹傳媒的資金來自於中國政府的挹注，則虧損的也是愚蠢或一廂情願的中國政府。

媒體會變一言堂？當然不會。

台灣有既有的深綠媒體（自由時報）。而蔡先生假若真將壹傳媒變成中時，則空出來的市場反倒是可以吸引其他人進入經營。

黎智英來台灣經營蘋果日報與壹週刊，三年內損益兩平開始獲利，顯見這塊市場不但大，還有黎智英的經典前例，大幅降低後來者的訊息費用。故除非市場有大變動，否則有人跳出來收納這塊市場是可以想見的（當然此人也包括蔡老闆本身）。台灣要變一言堂，得透過政府暴力回到過去戒嚴時期才有可能；現在看來，政府要這樣做的成本很高。...」

虧損壓力下的黎老闆被迫走極端內容產品希冀提高獲利是可以想見；但目前看來，似乎兩頭空的終局可能性比較高。

d.以蘋果日報的流動資產快速下降（見圖七），速動比（acid-test ratio）惡化：2018年2.72；2019年1.03；營運淨現金流出更是從2018年的（HK$31M）惡化到2019年的（HK$137M）；若非2019年度因賣出廠房資產獲利HK$259.9M，其實帳面虧損會更難看（約HK$599.9M）。所以主事者急於今年改變收費安排，希望增加可預測穩定收入是無可厚非。但承前面的經濟分析所預測：蘋果日報線上版的兩種收費安排均可能發生邊際收入低於邊際成本的分離現象，整體虧損不但無法改善，甚至會擴大得超乎預期。

結論：

從經濟分析看，蘋果日報的收費制度不但無助於改善連年營收下滑與虧損，反而是註定失敗、註定擴大虧損與現金失血的失敗商業模式。

而該公司的流動資產與流動負債狀況不妙，可獲利的固定資產已經出清。在不改變收費安排以及無新資金挹注的前提下，我推估蘋果日報三年內就會離開台灣市場，不管是結束營業或是被併購。（尤其考量黎老闆以三年為時間區段測試一種商業模式的習慣）

文末順便附上成功的網路報紙訂閱制財報：The New York Times（見圖八）

各位可以清楚看到蘋果日報相對NYT，營收與獲利能力的差異。

後記：
此文的判斷大約兩、三個月前就已經形成，但今天才有空寫成文字。作為蘋果日報台灣版最早的讀者（當年在台灣開報時隨報贈送的蘋果我也吃了幾顆）；也曾與蘋果日報/壹週刊有相當時間商務往來（每週支付廣告費達七位數）；也曾受該社X總宴請日本料理。寫這篇預測文，多少也有點傷感。

不過還是老話一句：掌握正確關鍵侷限條件，經濟學科學性預測的準確率驚人。立此存證，三年後再來印證吧。

最近轉忙，近半年左右沒太多時間寫文更新，特此告知。

http://yuanyu.idv.tw/2019/11/04/%e5%be%9e%e7%b6%93%e6%bf%9f%e5%88%86%e6%9e%90%e9%a0%90%e6%b8%ac%e5%8f%b0%e7%81%a3%e8%98%8b%e6%9e%9c%e6%97%a5%e5%a0%b1%e4%b8%89%e5%b9%b4%e7%b5%90%e6%9d%9f/

[個股分析--找重點]
[Zscaler(ZS)]
[Atlassian(TEAM)]

P.S. 這篇文章會有點hardcore(硬).....大家周末無聊的話看看就好😅. 也歡迎熟悉這些個股的讀者來討論交流(這是我的土法煉鋼抓重點法, 未必正確.......也只是拋磚, 希望能引玉☺️).

做個股分析, 重要的就是抓到重點&題材, 這應該也是分析師會做的事情. 以下我用兩個例子, 來說明最近抓到的重點(希望也沒錯).

Case study 1: Zscaler(ZS)

這家是目前火紅的雲端資安股. 資安不是我的強項, 但我最近也開始做了點研究. 這家我一直不知道投資的重點除了"雲端"之外, 營收嚇嚇叫外, 還有甚麼強項? 每次看資訊也都有隔靴搔癢的感覺(如: 它很好, 但是它的好是強在哪裡? 它跟其他公司有何不同? 不同處真的是不同嗎?)(恩, 我的問題一向很多😅) 直到我看到了這一段, 突然讓我有"That's it!"的感覺:

Zscaler builds walls around data, not applications. The San Jose company makes cloud-based, next-generation firewalls.

The idea turns traditional network security on its head. Most enterprise security solutions have been built around a security appliance, where threats are pushed to siloed servers. Unfortunately, that model is hopelessly broken.

Plus, appliances are expensive and do not scale well. The only way to add more capacity is to buy more appliances. Unfortunately, that increases bottlenecks and latency; the anathema of the hybrid and cloud-based infrastructure that dominates modern enterprise computing.

More important, appliances have not stopped hackers.

Zscaler claims to operate the world's largest Security-as-a-Service stack, processing 35 billion requests, with 125,000 unique security updates every day. And its cloud architecture means every client, from powerful workstations and laptops, to smartphones and tiny Internet of Things devices, get the same level of security.

When Zscaler finds a threat anywhere, it blocks it everywhere. In the process, customers get better performance and lower costs than security appliances.

(出處: https://www.thestreet.com/investing/stocks/cybersecurity-provider-zscaler-right-product-at-right-time-15035014)

其實年報中也有提到上面的一些資訊, 不過沒那麼明顯.

這樣一看, 不是就很清楚ZS的特色與優勢是甚麼了嗎?

Case study 1: Atlassian(TEAM)

另外一個case study是Atlassian(TEAM)(這家我之前有稍微提過). 應該是所有軟體公司, 都會僱用業務人員來推銷產品. 但是我在找資料時, 發現TEAM靠的是口碑與線上行銷, 並沒有雇用任何業務人員. 而這也讓他們能夠把行銷費用省下, 專注在研發上(TEAM的研發佔營收比, 是所以Saas公司中算高的).

這個亮點一開始無法得到驗證, 沒想到後來看到Morningstar竟然認為這點是形成護城河的原因之一: "Distinct Sales Approach and Strong Products Drive Narrow Moat for Atlassian."

所以:
1. 有時候從公司的結構, 策略, 去找公司的獨特處, 這樣有時候會更能找到insight(有興趣者可以去研究FedEx成功的秘密). 要不然所有的資安公司對我來說都一樣(=防毒), 而我不知道投資重點到底在哪裡.

2. 其實創新的公司, 可能就是要去找它跟原本(傳統)產業有何不同. 畢竟那可能是它們致勝的關鍵.

3. 如果注意到公司有跟產業其他公司有不同處, 雷達就要起來了. 這也是專注在一些產業的好處--能夠去看到這種細微的差異. 久了也能夠增加持股的信心.

4. 對任何資訊永遠保持懷疑的態度. 不要只滿足於表面的資訊.

Anyways. 希望這兩個case study能讓大家知道我做個股分析時, 是怎麼找重點的.