市場分析

然而，生產製造有如萬噸輪船，產線一旦開動或停止，要臨時踩煞車、重新啟動或更改生產品項，有時是非常困難的。因此，製造業者無不希望自己的產線運作能夠更靈巧，以應對脫離常軌的市場狀態。有什麼秘訣可以協助製造業者達成這個目標呢？善用資料科學，為生產線爭取更多預警時間，或許是一個可行的思路。 以半導體製造業為例，受到COVID-19影響，市場需求的波動變得比以往更為劇烈，但一片晶圓從投片到製作完成，正常的生產週期約在100天上下。若客戶在這三個月期間臨時砍單、追單、改變交期，或原本冷門但需求穩定的晶片，突然變得炙手可熱，都為半導體製造業者的產能調度及供應鏈管理，帶來不小的考驗。 以資料科學抓住黑天鵝 工業生產有剛性，市場變動如流水。因此，對製造業來說，要因應市場變化調整生產步調，本來就是相當具有挑戰性的目標。企業的營運決策若無法洞燭機先，預測未來，為工廠端爭取反應時間，光靠工廠端的努力，能做的事情也有限。這也是資料科學、大數據分析、人工智慧等技術，近年來在智慧製造領域成為顯學的原因--藉由過去累積的資料數據，加上資料科學工具，我們在一定程度上，將有能力預測未來。 以這次COVID-19疫情為例，台灣的衛生官員早在2019年12月，就從社群管道得知，武漢當地疑似有傳染病疫情爆發，再加上台灣過去曾有過SARS的教訓，使得台灣公衛主管機關決定展開超前布署，才有今日台灣的防疫成果。而遠在地球的另一端，加拿大的公衛風險預警系統公司BlueDot，則是用資料科學方法，在同一時間察覺到武漢當地可能有傳染病爆發。 就防止傳染病散布而言，兩到三個月的預警時間何其寶貴；對工業生產來說，長達幾個月的預警時間，也是彌足珍貴。倘若德國、日本的汽車產業能早在12月底、1月初就警覺到身為零組件供應重鎮的武漢，很可能將爆發疫情，後面的生產調度就能有所因應，汽車供應鏈受到的傷害也能減輕。 以汽車零組件為主要營收支柱之一的博世(Bosch)集團，在2020年第一季就因為COVID-19疫情受到嚴重打擊，以地理區來看，亞太區營收下滑15%，是近年來最嚴重的衰退；以事業別來看，交通跟工業解決方案的營收則分別衰退了7.7%與18.5%。然而，在亞太市場一片大逆風中，台灣的營運狀況卻相對穩健，集團總部甚至還決定持續加碼投資台灣，將電動自行車部門的亞太總部設立在台中。 從早期預警到迅速因應　資訊系統融貫是關鍵 早期預警跟採取正確行動，是防止黑天鵝搗蛋的兩大關鍵，兩件事情都得做到位，否則結果一定不理想。從智慧製造的角度來看，這次COVID-19疫情，正好是企業內部檢討的機會。身為管理者，要追問的重點問題有三： ．企業內各部門的資訊系統是否融貫？ ．企業內的資訊系統夠及時嗎？ ．企業內有資料輔助決策的習慣跟文化嗎？  稍具規模的現代企業，其運作流程基本上都是靠著電子化系統串接，但個別部門因為職能需求，很可能會有專門的軟體平台，例如IC設計跟半導體製造業的研發部門，一定是靠EDA工具來完成其工作，但晶圓廠端則是靠製造執行系統(MES)、SCADA來安排各項製程的銜接跟排程，財會部門則會有專門的財會軟體等。這些不同的軟體平台，彼此間的資料很難銜接，也不一定要做到完全對接，但當緊急狀況發生，需要各部門協調時，這些平台的資料能不能做到最低限度的融合，讓決策者跟部門主管快速掌握各部門目前大致的狀況，是很關鍵的。 在這次疫情中，晶片客戶擔心庫存堆積而砍單、臨時要求拉長交期，或是因為擔心斷鏈而追加訂單的兩極狀況，都曾經出現過。還有些本來需求很平穩的成熟產品，因為疫情的關係而出現明顯的需求波動。耳溫槍、額溫槍、檢測儀器所使用的晶片，則是因為防疫的關係，需求突然爆量，導致許多晶圓代工廠的醫療用晶片，必須用Super Hot Run來生產。總結來說，在這次的疫情影響下，企業的產能、供應鏈調度、產品組合都必須要很快地做出調整，才能應對劇烈變動的市場。這些調度跟調整，都是在供應鏈規畫裡面完成的。 晶圓廠的彈性生產能力，在這次的疫情中，重要性也更加凸顯。因為產品的變化比平時更激烈，因此晶圓廠很可能會遇到臨時換線的要求。由此衍生的派工邏輯改變、生產週期控管、品質控管等，很多瑣碎的細節，都考驗著晶圓廠彈性生產的能力。 在必須快速因應局勢變化進行生產調度的當下，大數據分析與資料科學，是幫助企業提高應變速度的有力工具。從市場資訊的蒐集、預判，以爭取反應時間，到將複雜的數據轉化為一目了然的資訊儀表板，乃至預估未來的局勢演變，機器學習、深度學習等資料科學，都能幫得上忙。 打破資料孤島將是一場硬仗 整體而言，許多製造業在進行企業系統整合，實現智慧運維時，都面臨系統複雜度高、多重設備供應商、產線設備新舊不一、剛性組織不易調整與系統缺乏互通性這五大挑戰。也因為這些障礙存在，許多企業內部不同部門的資訊系統，甚至同一部門的不同資訊系統，至今還是一座座資料孤島，系統與系統之間老死不相往來。然而，為了落實智慧運維，必須設法打通這些資料流動的障礙，才能進一步分析資料。因此，資料流的解構與重構(De-& Re-Construction)，將是不可避免的工程。 許多製造業都已經有相當完整的資訊系統，包含最底層的可編程邏輯控制器(PLC)、人機介面/數據採集監控系統(HMI/SCADA)、生產執行系統(MES)到最上層的ERP、SCM、PLM等企業系統。這些系統以往都有自己的資料流，很難實現資料整合。 資料中台(Data Hub)的概念，就是為了快速打通資料流動的阻礙，讓企業能為了特定應用需求，迅速取得完整資料而產生。藉由將既有系統的資料彙整在一起，或是不同資料流採用相同的資料標準、格式，為跨系統界接資料打基礎，是此一概念的核心。許多IT設備跟網通巨頭，近幾年都在大力倡導這項概念，但不可否認的是，這絕對會是一項大工程，特別是規模越大的企業，要導入資料中台，解決資料孤島現象的難度也越高，因為其所涉及的既有系統，規模也越大。 但困難不是企業不採取行動的理由，在COVID-19疫情中與疫情過後，企業必須在更短的時間內進行資源調度與緊急應變，以滿足客戶跟市場的需求。因此，企業的資訊系統必須採用更靈活、更彈性的架構，才能達成目標。  

Strategy Analytics研究報告指出，儘管同期中國以外的地區發展進度相對落後，但授權頻段連接的數量將大幅超過非授權頻段，預計2025年，授權頻段LPWA連接數將成長到近9億個。截至2020年第二季已有92個NB-IoT和36個LTE-M網路，NB-IoT的漫遊問題在R14版本得到有效解決，LPWA的成長性更加樂觀。 u-blox也於2019年6月正式推出自有核心並支援R14標準的SARA-R5系列LTE-M和NB-IoT模組，該公司業務開發經理陳曉誾表示，此模組以u-blox UBX-R5蜂巢式晶片組和u-blox M8 GNSS接收器晶片為基礎，可提供端到端安全性和長時期產品可用性，藉由將硬體式的信任根(Root of Trust)整合在UBX-R5晶片組裡的分離式安全元件中，可為從晶片一直到雲端的安全通訊奠定基礎。安全元件符合EAL5+的高通用標準認證，可保護敏感資產和通訊內容。 u-blox業務開發經理陳曉誾表示，SARA-R5模組以u-blox UBX-R5蜂巢式晶片組和u-blox M8 GNSS接收器晶片為基礎，可升級5G網路並支援eSIM應用 隨著行動網路業者5G網路服務持續商轉，LTE-M和NB-IoT可透過NB-IoT on NR的標準運行於5G網路。陳曉誾說明，SARA-R5也只需對已部署的裝置進行軟體升級，即可支援5G。SARA-R5系列共有兩種版本：內建u-blox M8 GNSS接收器的SARA-R511M適用於汽車、車隊管理、人或物的追蹤以及車載資通訊系統的行動應用。GNSS接收器的晶片設計包括專用的GNSS天線介面，可與蜂巢式連接協同運作。 第二個版本為SARA-R510M，經過最佳化設計，能提供可實現的最低功耗，在省電模式下，消耗的電流小於1微安。同時，SARA-R5整合了eSIM功能，可為客戶提供SIM啟動和訂閱管理的服務。

根據IDC統計，2020年第一季全球穿戴式設備出貨量成長29.7%，市場對於醫療科技及個人健康管理的重視帶動穿戴式裝置設計，手表、手環以及智慧眼鏡皆陸續加入心律、血氧、睡眠等監測功能，在生理保健與記錄方面越來越全面。穿戴裝置在心律測量功能後，陸續推出血氧、血壓等生理感測項目，透過光學或電流感測晶片，量測使用者的生理數據，同時提供異常狀況示警功能，有助於追蹤管理各項疾病。 作為具保健用途的穿戴產品，量測數據的精準度便是最大關鍵，在功能眾多的前提下，顧及節約耗電的需求也是一大挑戰。各家廠商為達成提升量測精準度並兼顧低功耗，無不在其晶片設計下足功夫，並且結合人工智慧(AI)演算法，透過軟硬結合的形式優化數據品質。部分ICT業者甚至進一步取得醫療認證，布局醫材市場。本文將透過探討穿戴設備量測生理數據感測元件設計，以及量測項目之發展，透析穿戴量測技術及市場之未來趨勢。 力求產品差異化　精準量測下足功夫 穿戴式產品競爭激烈，品牌商與晶片供應商看準新興的生理感測功能，希望透過提升量測項目與精準度，達到產品差異化的目的。ams大中華區總經理李定翰(圖1)提及，ams採用光學及電學感測，加上軟體演算法，蒐集不同人種的生理數據資料，提供軟硬整合的解決方案，並依照應用端需求，如登山、居家照護、健身等情境，以精準度為首要的考量來設計晶片，提供相應的感測功能。心律感測方面，ams原本使用單一的PPG感測，目前則整合進ECG心電圖，取得心律與血壓數據後，再配合演算法提供使用者心臟症狀的預警。 圖1　ams大中華區總經理李定翰提及，ams採用光學及電學感測，加上軟體演算法，提供軟硬整合的解決方案 生理感測晶片的技術核心不離光學感測，羅姆半導體(ROHM)台灣技術中心協理林志昇(圖2)說明，感測器設計過程中，不容易兼顧耗電及取樣速度。生理量測技術在取得生命徵象數值越複雜的狀況下，需要提高取樣頻率及測量次數，以增加數據的精準度，但因此面臨功耗增加、應用裝置驅動時間減少等挑戰。另外基於感測元件的待機耗電量及使用環境的雜訊考量，在穿戴設備的感測器設計上，需考量電子元件的低耗電需求，以及對抗外在雜訊干涉及濾除。而羅姆的光學式脈搏感測元件的基本原理，是藉由綠光LED量測血液中的血紅素之移動，結合演算法支援壓力測量和血管年齡測量等生命徵象數值的計算，設計高精度且低功耗的感測器。測量脈搏時的耗電量僅為0.44mA，有助於延長應用裝置的驅動時間。 圖2　羅姆半導體台灣技術中心林志昇協理說明，感測器設計過程中，不容易兼顧耗電及取樣速度 新創公司臺醫光電則由醫材角度出發，研發反射型生理訊號感測器。臺醫光電科技行銷部經理陳婷如(圖3)表示，該感測器同樣利用光學原理，於手腕位置連續測量心跳及血氧飽和度，感測血管的收縮變化，並蒐集PPG訊號，經由微透鏡及DOE鏡片調控LED發射光進入受測組織的能量分布，增強出光效率及收光強度，減少由皮膚表面直接反射的雜光，也使得耗電量大幅降低，且不易受到運動的干擾。目前臺醫光電的智慧腕表已經商用化且通過歐盟CE、美國FDA等醫療認證，期望建立自家生態系或與其他廠商策略聯盟，在台灣的智慧醫療市場中取得一席之地。 圖3　臺醫光電科技行銷部經理陳婷如表示，感測器增強出光效率及收光強度，減少由皮膚表面直接反射的雜光 ICT業者/醫材廠商各有策略 針對ICT業者與醫材廠商在穿戴式裝置感測的布局，資策會MIC產業分析師徐文華(圖4)認為，ICT產業的生理感測產品多以消費電子為主，與醫療產業的重疊度較低，不易取得合作，因此若有意發展醫療級的穿戴式產品，可能採取合作或購併形式，其中又以美國市場私人醫院盛行，比較有機會促成科技與醫材廠商的合作。另一方面，就醫材廠商而言，醫材是剛性需求，廠商多半專注研發醫用穿戴設備，並積極通過各國醫療法規。其中糖尿病偵測為熱門的研究議題，因為糖尿病是常見的慢性疾病，而傳統的糖尿病檢測需要侵入式採集血液，便有廠商開發偵測糖尿病患者體內數據的貼片，除了能夠執行連續且非侵入式的疾病監測，還可以在患者有藥物注射需求時，直接透過貼片中的針頭為病患注射。 圖4　資策會MIC產業分析師徐文華認為，ICT產業的生理感測產品多以消費電子為主，與醫療產業不易取得合作 資策會MIC產業分析師張軒豪(圖5)觀察，現在用於健康管理的穿戴裝置，常見整合PPG及ECG，並加入身體狀況的示警功能，未來可能發展體液及眼淚的量測。雖然體液及淚液的生理感測尚在研究階段，但是體液及眼淚皆帶有大量生理資訊，若結合智慧隱形眼鏡、智慧耳環等應用，且能進一步濾除環境雜訊，便能長期、連續量測使用者的生理數據，有機會在未來取代侵入式的抽血檢查。 圖5　資策會MIC產業分析師張軒豪觀察，現在用於健康管理的穿戴裝置，常見整合PPG及ECG 穿戴裝置走向專業分工智慧眼鏡具發展潛力　 綜觀穿戴式裝置的定位，徐文華表示，穿戴設備的功能發展接近小型的手機，已有廠商將行動支付、通訊及語音助理整合進穿戴設備中，下一步可能會連接家電，成為智慧家居聯網的裝置之一。而感測項目方面，未來三到五年，心臟的感測仍會發展最快，體溫感測的應用也越趨多元，除了智慧手表，還可能透過貼片或耳掛式裝置測量生理數據。 李定翰補充，很多穿戴式裝置開發初期為了與其他產品競爭，在產品中不斷增加感測器的數量，走向多功能跟高度整合的設計，未來則可能發展成高度分工的產品，依照健身、登山、高齡照護、心臟病監測等，細分不同的功能取向。 智慧眼鏡也是一個穿戴應用趨勢，李定翰指出，人類判斷情況的依據70%來自視覺，結合VR/AR的視覺眼鏡前景可期。但是產品設計上須把視覺數據轉換成有用的資訊，達到精準與有效是很大的挑戰。另外，很多大廠推出智慧眼鏡後的銷售跟測試結果，在功能方面尚未符合市場預期。就使用者需求而言，應該藉由語音辨識下達指令，結合大數據與感測器，甚至有能力執行肉眼看不到的熱感測工作，用以防止流行並傳染，才能充分發揮智慧眼鏡的優勢。 現在所有廠商都在搶攻人身產品的市場，因為戴在手上的手環跟智慧眼鏡配置的位置非常獨特，手機無法取代穿戴裝置的市場定位。而穿戴感測如何跟手機相輔相成，或是把手環跟眼鏡當作擷取生理數據的一個節點，這個節點承受的項目越齊全，或是能承受的資料輸出量及感測器的能力越好的話，對於後端的處理與使用者平台的黏著度都有良好的影響。當使用者對品牌及系統的黏著度提升，便有機會塑造影響力類似蘋果(Apple)的全球品牌。

網路上有一個很夯的Youtube影片，是日本新婚夫妻去環遊蜜月400天時，用空拍機拍下6大洲48個國家的影片，獨特的上帝視角讓人驚艷不已；但看過電影《全面攻佔3：天使救援》的人，一定也會被一群無人機對美國總統發動攻擊的畫面驚嚇不已。 近幾年掀起熱潮的無人機，跟許多科技工具的演進一樣，一直受到不同的正負面評價，不過，隨著交通部民航局制訂的「遙控無人機管理規則」於3月底正式上路，包括空域、註冊、考照、投保等都有明確規範，讓無人機產業有了可遵守的遊戲規則，不僅玩家躍躍欲試，產業應用也是蓄勢待發。 圖1　2014~2025年美國商用無人機各應用類別的市場規模 　 資料來源：www.grandviewresearch.com 無人機積極扮演科技救災關鍵角色 進入後疫情時代，屬於非接觸應用的無人機被視為關鍵的數位新科技，在工研院擘畫的「2030技術策略與藍圖」中，無人機結合人工智慧(AI)，已被列為三大應用領域之中「智慧生活」的重要一環，不管是空拍、競速、表演等消費性應用，或者農藥噴灑、建築工程、急難救災、智慧農業、安防巡檢等產業應用，都有令人期待的發展潛力。 在許多無人機的活動中，都會聽到「上帝視角」這個字眼，過去如果要從上空俯瞰地面進行國土測繪或災害管理，必須耗費相當的費用與人力出動直升機，但現在有了便捷的無人機，只要靠著專業飛手遙控無人機，就能透過上帝視角掌握空拍景象，以低成本、低風險的方式，創造出多元的應用場景。 舉例來說，近幾年在台灣發生的重大災害事件，包括2018年花蓮大地震、普悠瑪事故、2019年南方澳大橋斷裂等，翔隆航太就與科技部國家實驗研究院緊密合作，第一時間親上火線，運用無人機協助進行災難現場航空測量勘災、三維建模保存，在短短2~3個小時就能完成資料蒐集與分析，協助現場指揮官進行救援決策，有效提升第一線救災人員的生命安全。 在面對山崩、地震、水患、山區迷途受困、岸際釣客落海等狀況需要科技救災時，無人機不僅可以空拍，還能搭配不同酬載系統提供不同功能，例如夜間時可以搭配緊急照明、水域中可採用紅外線顯像儀、另可搭配語音擴音、救生吊掛、繩索牽引、醫療物資投放等功能。此外，無人機具備精準定位系統，也能協助蒐集各種災害狀況資料數據，用以分析災害程度與環境變化，作為未來災害防範與監控的重要依據。 助力智慧農業/智慧巡檢有一套 近幾年台灣有不少商用無人機新創公司成立，分別切入不同應用領域，其中農用無人機已為智慧農業帶來新面貌。台灣農村長期以來面臨人力短缺的問題，但現在有了無人機，透過精準定位與數據管理，可協助農民噴灑農藥或訓練農友自行操控。以擎壤科技為例，其統計可降低一半的農藥用量，且增加作業速度達30倍，過去傳統人力噴藥一分田需要一小時，利用無人機只要三分鐘即可完成。 圖2　小型無人機功能與應用產業　資料來源：MIC 此外，農用無人機也可進行AI農損即時辨識。中興大學AIPal團隊就開發出一套系統，透過空拍影像的標籤化與訓練大量水稻倒伏影像，建立AI影像辨識模型及深度學習架構，無人機在空拍時即可透過機上的微型電腦進行邊緣運算，辨識出稻田倒伏區並計算農損範圍，其辨識率超過9成，原本需要數十天的作業時間，可大幅縮短到幾個小時就能完成。 在安防巡檢方面，無人機可以成為保全業的重要幫手，與原有警勤作業相互搭配，達到全天候無間斷的安全巡檢及防護，彌補傳統人力不足或傳統監控有死角的問題。以中光電智能機器人公司為例，其研發之全自主巡警無人機系統，已經導入銅鑼科學園區進行場域驗證，可依據管理需求及預先設定的飛行任務，進行自動起飛、巡檢、降落及充電等作業，除了展開例行巡檢外，還可進行異常車輛辨識、施工進度確認、熱感應偵測、遠端即時監控及異常事件機動派遣等任務。 在去年的貢寮海洋音樂祭，新北市政府警察局也與中光電智能機器人合作，推出全台第一輛車載式無人機系統，以自動排程飛行，全程毋須飛手操作，每小時可巡查龍門吊橋至東興宮之3公里區域範圍，並將即時影像回傳到現場指揮中心，用來掌握現場活動狀況，瞭解是否有民眾擅闖管制區，並進行安全監控、蒐證及車流管理等工作。 無人機共享經濟方興未艾 看完上述的無人機產業案例，讀者覺得無人機像什麼？許多飛手都說，無人機像是老鷹一樣，擁有犀利眼睛、快狠準的行動能力，平常在高空盤旋、俯瞰地面，必要時才採取行動、精準達成目標。 整體來說，當前無人機的主要應用，多半是在解決特定產業或使用情境的痛點，讓無人機搭配AI、數據管理進行自動化、高效能且精準的作業流程；不過，無人機的使用門檻終究偏高，如果要讓更多消費者願意接觸無人機，帶動無人機的快速普及，業界恐怕要發展更多以用戶視角為出發的生活應用，不能只是一味採取上帝視角、由上而下的提供開發者覺得消費者需要的產品或服務。 舉例來說，現在許多零售業與物流業，正在積極開發無人機送貨的服務，可以想像的是，只要可以解決精準定位、續航力、隱私權等問題，在不久的將來，無人機有機會取代現在滿街跑的美食外送、宅配物流車，直接將披薩、咖啡熱騰騰的空運到消費者手中。 另外一個很有趣的例子是，羽渡科技開發出應用於觀光旅遊產業的GoDrone共享無人機營運方案，可由旅遊景點業者、旅行社與旅遊通路業者進行建置，讓任何來訪的遊客使用手機免費App即時取得授權使用「隨叫即用」的無人機召喚空拍服務，讓旅客不用自行購置無人機，即可租借平台上開放的空拍機取得空拍視訊畫面影像、留下特殊回憶。 羽渡科技採用的是「純軟體定義無人機召用服務」(Software-Defined Drone-as-a-Service, SD-DaaS)，結合了雲端運算、人工智慧、資安授權、場域管理、即時自動技術，協助中小企業或社區團體輕鬆合法取得最新的無人機科技，除了用於旅遊景點空拍，也可擴展到運動賽事、戶外休閒、農產觀光等應用場域。如果市場上出現愈來愈多類似這樣的B2B2C解決方案，便有機會拉近消費者與無人機的距離，成為智慧生活的日常。

產業研究機構ABI Research研究指出，在消費性應用市場，包括NB、平板、智慧手機與穿戴式裝置等，產業規模將從2019年的1.66億、成長到2024年的6.44億。英飛凌數位安全解決方案事業部經理江國揚表示，eSIM的導入將由消費者需求驅動。而M2M市場，則由2019年的1.01億、2020年的1.09億，成長到2024年的2.23億，M2M市場發展將由市場需求帶動。 為此，英飛凌科技推出適用於消費型行動裝置與物聯網M2M應用的OPTIGA Connect eSIM解決方案。江國揚說明，該解決方案在消費性應用上，可將裝置註冊至其簽約的電信業者網路，英飛凌助力製造商減少eSIM相關的整合作業，提升產品設計開發的效率，縮短產品上市時程。OPTIGA Connect內建SLC37安全晶片，符合GSMA安全要求，通過Common Criteria CC EAL4+認證。 英飛凌數位安全解決方案事業部經理江國揚表示，消費性eSIM產業規模2024年將達到6.44億， 並由消費者需求驅動 而其物聯網解決方案搭載安全硬體，並整合200多個國家及領域的蜂巢式通訊網路覆蓋率，支援區域內的任一載波(Carrier-Agnostic)服務。 OPTIGA Connect能以蜂巢式通訊網路為基礎的物聯網裝置的部署與管理。裝置製造商可透過布建eSIM，使產品擁有全球通用性，而毋須針對個別市場推出特定版本。如此不只可達到規模經濟，且可簡化產品管理降低成本，亦能縮短產品上市時間。 eSIM符合GSMA的遠端SIM配置(Remote SIM Provision)規範，可透過線上入口網站從遠端管理一部裝置或整個裝置群的網路連線。江國揚說，M2M同樣支援空中更新(Over the Air, OTA)能從遠端透過無線網路啟動及設定物聯網裝置。物聯網eSIM解決方案採用SLM97安全晶片為核心。

由於亞馬遜(Amazon)、微軟(Microsoft)乃至Google、臉書(Facebook)等業者的雲端資料中心營運規模不斷成長，因而出現了超規模資料中心(Hyperscale Datacenter)一詞，同時在機房設備達更大的裝配量時，傳統19吋寬的機架機櫃與伺服器，在容積密度、散熱用電等營運面的經濟性表現，已逐漸難滿足業者之需。 為了滿足「超規模」的更經濟需求，Facebook於2011年發起開放運算專案(Open Compute Project, OCP)並鼓勵各方加入，期透過解構與再建構的方式，訂立出更具經濟性的機房技術規格與標準，並要求設備商依循新標準實現與交付設備。 OCP提出後相繼有重量級業者加入，如Microsoft、Google；我國的主要伺服器代工業者如廣達、緯穎、神通亦有提案貢獻；對岸則有浪潮集團等。OCP已有的規格提案及發展包含伺服器(Open Rack)、夾層卡(Mezzanine Card)、高效能運算(HPC)等，而OCP的會員組織茁壯後也開始舉辦OCP Global Summit年會。 多節點伺服器來由 OCP制訂的規格標準中以Open Rack為首要重點，Open Rack主張改行21吋寬的機架，以提升機櫃氣流度；並在設備的供電上改行12V/48V直流電，以減少電能耗損；Open Rack在機架高度上改行OpenU/OU(4.8公分)，有別於傳統機架的U(1.75吋/4.45公分)。 OCP在伺服器的構型(Form Factor)尺寸上也無意遵循傳統機架伺服器的扁平1U、2U作法，而是在2OU高度的空間內縱向切出三等分，以放置3部伺服器(圖1)。雖然OCP機架空間略增，但卻能比傳統19吋機架多放置一部伺服器，傳統機架伺服器在2U空間內只能放置2部1U高度的扁平伺服器。 圖1　OCP Yosemite在21吋、2OU高度空間內切分出三等分托座 在完成OCP標準的伺服器規格後，傳統機架伺服器陣營開始從刀鋒伺服器(Blade Server)衍生出多節點(Multi-Node)伺服器，Multi-Node伺服器在2U空間內縱向切出四等分，以放置4部伺服器，俗稱2U4N，4N即4個節點之意，一部伺服器視同一個節點。 Multi-Node伺服器與刀鋒伺服器均具有較傳統1U、2U標準機架伺服器更高的放置密度，但卻省去刀鋒伺服器的底座(Chassis，或稱Enclosure)倚賴或降低倚賴，密度表現上則介於標準機架伺服器與刀鋒伺服器間，因而逐漸受歡迎。 Multi-Node的出現也影響了OCP陣營，2015年3月OCP Global Summit上也宣布發展自己的Multi-Node伺服器標準，代號優勝美地(Yosemite，為美國加州一處國家公園)。 Yosemite在每一個三等分的空間(每一等分稱為一個Sled，橫置的3個Sled稱為一個Cubby)內可放置4片伺服器卡，或稱為系統單晶片卡(SoC Card)，或微型伺服器卡(Micro-Server Card)，如此相同空間內從3部伺服器提升成12部(圖2)。 圖2　OCP Yosemite每一托座可水平前後放置4張伺服器卡，每張卡接1顆(1-Socket, 1S)伺服器處理器 Yosemite第二版 Yosemite伺服器發表後的2年，OCP在2017年OCP Global Summit上宣布Yosemite標準改版，即Yosemite v2，隨Yosemite...

基於各方考量，如延遲、耗電量、成本、網路頻寬、可靠性、隱私與安全等，機器學習(ML)演算法正朝物聯網(IoT)終端的應用發展。因此，廠商對於開發類神經網路(NN)解決方案，並將它們部署在微控制器系統這類低功率終端裝置的興趣與日俱增。為促成這類部署，Arm提出CMSIS-NN。這是一種經優化的軟體核心開放原始碼函式庫，可極大化其產品Cortex-M核心的NN效能，而且只需使用最小的經常性記憶體。本文進一步提出NN架構探索的方法，以CIFAR-10數據集的影像檔分類為例，開發適用在條件受限的裝置模型。 MCU降低運算延遲　演算法提升NN準確性 聯網裝置或物聯網過去幾年內快速擴展，到2035年，各區市場的聯網裝置總數預測將達到1兆個。這些物聯網終端裝置通常包含數個可以搜集數據的感測器，包括音訊、視訊、溫度、溼度、GPS位置與加速度等。通常大多數感測器搜集到的數據由雲端的分析工具進行處理，以便運作各式的應用，如工業監控、家庭自動化與健康照護。不過隨著物聯網節點數目增加，對網路的頻寬帶來相當的負擔，同時也增加物聯網應用的延遲性。此外，對雲端的依賴也造成在網路連線不穩定或有限的區域，部署物聯網應用相當具有挑戰性。這個問題的解決方案之一是終端運算，這種運算在數據的源頭、也就是物聯網的終端節點進行，因此可以降低延遲，並節省數據通訊消耗的能源。 類神經網路架構的解決方案，針對如影像分類、語音辨識與自然語言處理等複雜的機器學習應用，已經展現出與人類一樣水準的準確性。有鑑於運算的複雜性與資源的需求，NN的執行絕大多數都局限於高效能的伺服器CPU，或專用硬體(如GPU或加速器)的雲端運算，但會讓物聯網應用增加延遲。而如果在數據的源頭(通常是微控制器)立即進行分類，可以降低整體的延遲以及物聯網終端與雲端間數據通訊的能源消耗。不過在微控制器部署NN，有下列挑戰： ・有限的記憶體使用量：微控制器系統通常只有10幾到100多KB的可用記憶體。整個類神經網路模型，包括輸入/輸出、權重與啟動，都必須在如此小的記憶體上限內運行。 ・有限的運算資源：許多分類任務都有不斷線啟動與即時的要求，這會限制每個類神經網路推論的總運算次數。 這些挑戰可以從裝置與演算法的角度加以應對。一方面在執行類神經網路工作負載時，可以靠優化低階運算核心來達成更佳的效能與更小的記憶體使用量，並藉此提升這些微控制器的機器學習能力，協助微控制器處理更大型與更複雜的NN。另一方面，類神經網路可以靠NN架構的探索設計與優化目標硬體平台。此方法可以在固定的記憶體與運算配置上限內，提升NN的品質，也就是準確性。 下一個段落中，筆者提出CMSIS-NN的概念。CMSIS-NN是大量的高效類神經網路核心，開發目的是讓鎖定智慧物聯網終端裝置的Arm Cortex-M處理器核心上的類神經網路，極大化效能並極小化記憶體的使用量。架構在CMSIS-NN核心基礎上的類神經網路推論，可以達成4.6倍的Runtime/數據傳輸量提升，以及4.9倍的能源效率提升。文章的第三個段落則以使用CIFAR-10數據集的影像分類應用為例，針對微控制器記憶體/運算限制，提出搜尋類神經網路架構的技巧。 CMSIS-NN提升核心Runtime/傳輸量 CMSIS-NN類神經網路核心的總覽(圖1)，核心編碼包含兩個部分：NNFunctions與NNSupportFunction。NNFunctions包含實作常見的類神經網路層類型的函數，如卷積、深度可分離卷積結構、全連接(也就是內積)、池化與啟動。這些函數可以讓應用程式碼使用，以實作類神經網路的推論應用。核心API則刻意保持簡單，以便針對TensorFlow、Caffe或PyTorch等所有機器學習框架輕鬆重新鎖定。NNSupportFunctions包含公用的程式函數，例如NNFunctions使用的數據轉換與激勵函數表。應用程式碼也可使用這些函數來建構更複雜的NN模組，如長短期記憶(LSTM)或閘控再流裝置(GRU)單元。 圖1　CMSIS-NN類神經網路核心總覽 對於某些核心，如全連接與卷積的核心，本文會實作不同版本的核心函數。提供一個針對所有網路層參數不必改變就可以通用的基本版本。同時也實作包括進一步優化技巧的其它版本，它們可能具有變形輸入，或是對網路層參數有某些限制。 固定點量化 研究顯示，即便是低精密度定點表示法，NN的運作依然良好。固定點量化可以協助避免進行昂貴的浮點運算，並降低儲存權重與啟動的記憶體使用量，這對資源受限的平台極為關鍵。儘管不同網路或網路層的精密度需求可能不同，CPU很難運行帶有不同位元寬度的資料類型，因此筆者的團隊開發了同時支援8位元與16位元數據的核心。 核心採用跟CMSIS-DSP裡使用的資料類型格式相同，也就是把q7_t當作int8、把q15_t當作int16，並把q31_t當作int32。執行量化時，假定固定點格式具有兩次方的定標。量化格式以Qm.n代表，而代表值是A×2-n，其中的A是整數值而n是Qm.n的一部分，代表該數字針對分數部分使用的位元數，也就是顯示數基點的所在地。跳過偏差用的定標因素，並把它以參數輸出至核心；因為是二次方定標的關係，定標的實作按位元移位操作。 在NN的運算期間，代表不同數據，也就是輸入、權重、偏差與輸出的固定點可能不同。bias_shift與out_shift這兩個輸入參數，則為用來替運算調整不同數據的定標。 下列方程式可以用來估算移動值： 其中的ninput、nweight、nbias 與 noutput，分別是輸入、權重、偏差與輸出中的分數的位元數。 軟體核心優化 這個段落突顯了在CMSIS-NN裡已進行的優化工作，以提升效能並降低記憶體的使用量。 1.矩陣乘法：矩陣乘法是類神經網路中最重要的運算核心。這個工作的實作，是使用CMSIS-DSP內的mat_mult核心。如圖2所示，矩陣乘法核心是以2×2核心實作，與CMSIS的實作類似。因此可以允許部分數據再次使用，也可以節省載入指令的總筆數。累積是使用q31_t資料類型完成，而兩個運算單元都屬於q15_t資料類型。筆者使用相對應的偏差值，讓累加器初始化。運算的執行則是使用專用的SIMD MAC指令_SMLAD。 圖2　具有2×2核心的矩陣乘法的內迴圈。每個迴圈運算兩行與兩列點乘積結果，也就是產生四個輸出 2.卷積：卷積網路層藉由在輸入特徵映射中運算過濾器權重與小型接受區域之間的點乘積，擷取新的特徵映射。通常來說，CPU架構的卷積實作可以解構成輸入紀錄、擴展(也就是im2col與Image-to-column)以及矩陣乘法操作。im2col是把類影像的輸入轉化成「行」，而「行」則代表每個卷積過濾器需要的數據。圖3即為im2col的一個範例。 圖3　具3×3核心、填充1與步數2的im2col的2D影像範例 im2col主要的挑戰之一是記憶體使用量的增加，因為輸入影像中的畫素在im2col輸出矩陣中重複。為了紓解記憶體使用量問題、同時維持im2col的效能優點，卷積核心實作了部分的im2col。核心一次只會擴展兩行，這已經足夠從矩陣乘法核心取得大幅的效能提升，同時把記憶體負擔維持在最小。影像數據格式也會影響卷積的效能，特別是im2col的效率。兩種最常見的影像數據格式是頻道為第一的CHW(頻道-高度-寬度)，與頻道為最後的HWC(高度-寬度-頻道)。維度的順序則與數據步數的順序一樣。在HWC格式中，頻道的數據以步數1儲存，沿著橫向寬度的數據則是以頻道數的步數儲存；沿著縱向高度的數據，則以(頻道數×影像寬度)步數儲存。 只要權重與影像的維度順序一樣，數據的布局對於矩陣乘法的運作就沒有影響，im2col只會與寬度及高度的維度一起運作。HWC式樣的布局可以促成高效率的數據移動，因為每個畫素的數據(也就是同樣的x與y位置)是連續地儲存，並且可以用SIMD指令有效率地進行複製。為了驗證這一點，筆者實作CHW與HWC版本，並比較它們在Arm Cortex-M7的Runtime。圖4顯示了實作結果，把HWC輸入固定為16×16×16，並很快輸出頻道數目。當輸出頻道值為零時，代表軟體只執行im2col，並沒有進行任何矩陣乘法的運作。與CHW布局相比，HWC擁有較短的im2col Runtime，但矩陣乘法效能卻相同。因此，本文用HWC數據布局來實作卷積核心。 圖4　CHW與HWC數據布局卷積執行時間的比較。兩種布局都有同樣的矩陣乘法runtime，但HWC的im2col runtime比較短 CMSIS-NN結果 測試卷積神經網路(CNN)的CMSIS-NN核心，CNN則利用CIFAR-10數據集進行訓練。數據集包含6萬個32×32的彩色影像，並分為十個輸出類別。網路拓撲是基於Caffe內提供的內建範例，具有三個卷積網路層與一個完全連結的網路層。所有網路層的權重與激勵數據都量化成q7_t格式。Runtime則是用具有一顆時脈216MHz的Arm Cortex-M7核心的意法半導體(ST)NUCLEO-F746ZG Mbed開發板進行測量。 整個影像分類中的每個影像，大約花費99.1微秒(相當於每秒10.1張影像)。CPU在這個網路運行的運算吞吐量，大約是每秒249百萬運算(MOps)。預先量化的網路針對CIFAR-10測試集達成80.3%的準確率。用Arm Cortex-M7核心運行的8位元量化網路，則達成79.9%的準確率。使用CMSIS-NN核心的最大記憶體使用量約為133KB，此時用部分的im2col來實作卷積以節省記憶體。接下來則進行矩陣乘法。少了部分im2col的記憶體使用量，大約為332 KB，此時神經網路無法在開發板上使用。為了量化CMSIS-NN核心對既有解決方案帶來的優點，選擇使用一個1D卷積函數(來自CMSIS-DSP的arm_conv)、類Caffe池化與ReLU，實作一個基準線版本。 針對CNN應用，表1總結基準線函數與CMSIS-NN核心的比較結果。與基準線函數相比，CMSIS-NN核心的Runtime與吞吐量分別提升2.6倍與5.4倍，節能方面的提升也與吞吐量的提升相近。 硬體條件限制NN模型 這個段落裡，比較使用影像分類應用為範例，說明為部署應用的硬體平台，也就是微控制器選擇正確類神經網路架構的重要性。為此，需要先瞭解微控制器的硬體限制。微控制器通常包含處理器核心、一個當成主記憶體的靜態隨機存取記憶體(SRAM)，以及用來儲存編碼與數據的嵌入式快閃記憶體。表2顯示具有Arm Cortex-M核心的一些市售微處理器開發板，它們擁有不同的運算與記憶體容量。 微處理器系統中的記憶體數量，會限制系統可運行的類神經網路模型的大小。除了記憶體限制，類神經網路的龐大運算需求也會為在微控制器上運行NN，帶來另一個關鍵限制：為了維持低耗電，通常都以低時脈運行。因此，必須選擇對的NN架構，來配合部署NN模型的硬體在記憶體與運算上的限制。為了評估在不同硬體限制條件下神經網路的準確性，筆者選擇三個不同尺寸的系統配置，並導出每個配置需要的類神經網路需求(表3)。假定每秒標稱可進行10個影像的分類推論(也就是每秒10幀)，以便導出神經網路的需求。 影像分類用神經網路架構 1.卷積神經網路：CNN是電腦視覺應用最受歡迎的類神經網路架構。CNN包含多個依規格化散布的卷積網路層、池化與非線性激勵網路層。卷積網路層將輸入的影像解構到不同的特徵映射，從初始網路層中如邊緣、線條與曲線等低階特徵，到後面網路層的高階/抽象特徵。當代最頂尖的CNN包含100多個到1,000多個這種卷積網路層，而最後擷取的特徵則由完全連結的分類網路層分類至輸出類別。卷積運作是CNN最關鍵的運作，並且非常耗時，有超過九成的時間都花在卷積網路層上。 2.近期的高效NN架構：為了降低CNN的運算複雜性，有人提議用深度可分離卷積網路層當成標準卷積運作的高效率替代品。也有人提出利用2-D深度卷積接著1-D逐點卷積，取代標準的3-D卷積，並提出名為MobileNets的高效率NN類別。ShuffleNets利用混合 頻道上的深度卷積以及群組軟體1×1的卷積，來提升緊湊模型的準確性。MobileNets-V2藉由增加捷徑連接進一步提升效率，並協助深度網路的收斂。整體來說，已經有許多高效率的神經網路架構提案，可以用來開發符合特定硬體預算的NN模型。 硬體條件受限的NN模型的搜尋 筆者使用具捷徑連接的MobileNet架構，它類似讓硬體條件受限的類神經模型，進行搜尋的ResNet模型裡的架構。網路層的數量、每層網路層的特徵數量、卷積過濾器的維度與步數，被當成這次搜尋的超參數。訓練這些超參數的所有組合相當耗時，並且不太實際。因此需要反覆執行超參數的竭盡式搜尋、計算模型的記憶體/運算需求，並且只訓練能配合硬體預算限制的模型。隨後從之前的集用場選擇超參數，以縮小搜尋空間，並繼續下一更新的模型搜尋。圖5為超參數搜尋的範例，這個範例顯示準確性、運算的數量，以及每個模型的參數。 圖5　利用CIFAR-10數據集進行影像分類的類神經網路超參數搜尋vs以泡泡尺寸顯示的運算及參數數量 經過幾個更新後，表4顯示於硬體條件限制內具有最高準確性的模型。請留意，由於這並不是對所有超參數進行的極盡式搜尋，因此在搜尋期間可能會漏掉一些符合硬體條件限制、且準確度極高的類神經網路模型。結果顯示這些模型擴大規模沒有問題，且針對不同的硬體預算，準確性在不同層級出現飽合。例如，針對200KB與每秒20百萬次運算的記憶體/運算預算，模型的準確性大約在85%左右飽合，並且受到硬體的運算能力限制。瞭解類神經網路的準確性是否受運算或記憶體資源限制，對於硬體平台選擇的各種利弊得失，可提供關鍵的洞察。 強化神經網路效能 機器學習演算法已證實可以實現一些人類能力等級的效能，所執行的複雜認知任務。在全新高效類神經網路架構與優化的NN軟體協助下，這些演算法正慢慢地朝物聯網的終端移動，以便類神經網路在這些終端裝置高效運作。在微控制器裝置常見的記憶體/運算限制下，提出執行NN模型搜尋的技巧，並使用影像分類為例，進一步提出優化CMSIS-NN內的NN核心的方法，以便在最小的記憶體使用量下，極大化Cortex-M核心的神經網路效能。 (本文作者Naveen Suda為Arm主任工程師；Danny Loh為Arm機器學習總監)

在每個ECU和模組內部都有多種技術，意謂著在單個模組中整合多個功能，以及數個感測器和致動器；然後設計人員還要開發軟體，以便收集資料，啟動模組功能，從軟體角度來看，設計人員的另一負擔是軟體複雜程度不斷提升甚至高於飛機，因此，新應用開發的70%研發時間/成本都被軟體研發所占用。為此，ST汽車和離散元件產品部大眾市場業務拓展負責人暨公司策略辦公室成員Giovanni Luca Sarica指出，該公司決定推出AutoDevKit汽車開發環境平台，協助簡化相關開發工作。 ST汽車和離散元件產品部負責人 Giovanni Luca Sarica Luca強調，意法半導體的AutoDevKit生態系統導入高效功能開發工具組提供原型開發，取代傳統的製作方式，並支援標準化和重複設計。概念上，採用類似搭積木的方法，將預設模組組裝到應用專案中，AutoDevKit為客戶和設計人員開發、組裝新汽車電子模組提供簡化的軟體發展環境，逐步引導設計人員完成新模組的軟體研發。相較於傳統開發方式，高達數個月的開發工作，在使用AutoDevKit之後，可能在數小時之內就能在實際環境開始測試特定應用。 AutoDevKit資料庫外掛程式和硬體開發工具，其中硬體開發套件包括針對汽車應用需求優化的AEK MCU探索板和功能板，以及AEKD系統解決方案展示板。Luca解釋，汽車電子設計師承受著縮短研發週期的壓力，迅速提出切實可行的概念驗證至關重要，AutoDevKit生態系統讓使用者可以集中心力在系統功能，毋需開發裝置驅動程式等底層軟體，相較傳統原型開發減少了數個月的時間。

英特爾客戶運算事業群客戶端連接事業部總經理Jason Ziller表示，幾年前已經看到Thunderbolt 3在各式的筆記型電腦應用及相關配件中普及，可預期搭載Thunderbolt 4的處理器Tiger Lake在商用及消費市場上將具有廣大的需求。前一代Ice Lake的應用中，商用的比例遠遠多過家用，但是Jason Ziller看好未來Tiger Lake在家用方面的應用比例提升。 英特爾客戶運算事業群客戶端連接 事業部總經理Jason Ziller Thunderbolt 4控制器8000系列可支援Thunderbolt 3的PC與其配件，透過通用的Type-C接口與Thunderbolt 4滿足充電、影音編輯、連接高畫質螢幕等功能，其便利性有利於吸引消費市場的青睞。Jason Ziller進一步說明，外部配件方面，Thunderbolt 4可支援至少一個PC連接埠充電、睡眠喚醒功能。而透過英特爾VT-d的記憶體存取(DMA)保護功能，當惡意裝置試圖存取資料時，DMA便會封鎖該裝置，有助於防止實體連接造成的資安攻擊。 另一方面，Thunderbolt 4的擴充底座最多可增加4個Thunderbolt 4連接埠，小尺寸設計的Thunderbolt 4 Compact Dock除了方便攜帶外，也能夠降低成本。 高度整合的配件及多種傳輸接口的支援，使得Thunderbolt 4可以相容不同規格的傳輸，同時透過簡單的使用方式、高效能與可靠的連接，優化使用者體驗。其中筆電的充電功能，旨在回應終端用戶對通用充電接口的需求，而認證機制則能確保用戶在不同的產品之間，得到一致的使用體驗。

文 ｜ 萬岳憲 資策會MIC產業躍升事業群總監 《華爾街日報》(WSJ)是美國發行量最大的報紙媒體，網路版在1997年就採用收費訂閱制，從年費50美元開始，逐年調漲至500美元，歷經22年，還是有讀者願意付費，讀者群的平均家庭年收入是15萬美元。WSJ的報導內容以投資理財、國際金融市場的深入分析見長，付費讀者能閱讀到資深記者對特定金融領域的深度報導，高品質的選題與調查報導精神，推動數位用戶突破170萬人，訂戶是紙本讀者的二倍。 發行量僅次於WSJ的《洛杉磯時報》，在2003年也推出訂閱制，但是只經營兩年就退場，部份學者認為，除了報導內容的專業精確度輸給WSJ，最重要的兩個原因是「人們不願意重複訂閱同質性高的內容服務」與「對品牌內容的信任度」。所以，WSJ數位訂戶持續增加的原因，是來自於訂閱用戶的閱讀滿意度，逐漸累積為對專業資深採訪團隊的信任度，同時也強化了訂閱用戶的黏著度。 《華爾街日報》與《蘋果新聞網》的訂閱制服務，兩者所面對的讀者群與提供的內容服務完全不同。《華爾街日報》讀者對金融投顧市場資訊的剛性需求較高，要提供精確分析報導的門檻也較高，因此相對容易將讀者的期望值，轉化為對產品服務的黏著度；《蘋果新聞網》則提供深度或獨家的社會新聞報導，這類新聞報導的採訪門檻與需求度都偏低，很容易受到競爭者的影響，減低訂閱戶的黏著度。所以，探討「訂閱制」到底可不可行，是畫錯重點，而是透過訂閱制提供的服務內容，是不是符合讀者的剛性需求，才是需要探討的議題，至於「訂閱制」，它只是一種收費方式。 訂閱制收費方式，並不是新的概念，廣義來看，我們每天訂閱的「柴米油鹽醬醋茶」就是被綁定，必須要付費的訂閱制服務，取消訂閱就會為自己的生活帶來不便利，所以這些都是屬於，幾乎沒有討論空間的剛性訂閱需求；但是因為個人價值觀或生活習慣而訂閱的「琴棋書畫詩酒花」服務，就是許多業者要搶進的訂閱市場。 不妨來檢視一下自己訂閱了多少東西，假設以「必須訂、可不訂、重要、不重要」四個指標，組合成2x2分析矩陣，你就會發現自己擁有多少的訂閱服務，甚至還可以觀察到，不同世代的訂閱內容差異。 例如，水電費是生活必需的支出，勞健保費、國民年金，是國家規定的支出，這些就是屬於「重要必須訂」的綁定支付；而房屋貸款、購車貸款、醫療保險、保全清潔等支付，則是依據每個人的價值觀與生活需求而產生的「重要可不訂」的綁定支付；至於家用電話、行動電話、悠遊卡，則屬於「不重要必須訂」的綁定支付，因為這些訂閱方案，仍然可以被其他的替代方案取代；而「不重要可不訂」的綁定支付，來自每個人的生活環境與習慣的差異，是屬於可以放棄或取代的綁定支付。 在這個分析矩陣裡，我把有線電視列為「重要可不訂」，這是X世代的想法，因為這個世代從類比進入數位，會整合自己想要的線性或串流影視內容；但是對嬰兒潮世代來說，反而是傳統付費有線電視的忠實基本用戶，或許就要放在「重要必須訂」的位置。 目前許多網路內容服務，大多數屬於「不重要可不訂」的指標，這裡是消費者在有限的可支配所得裡，會優先考慮放棄的訂閱項目；換個角度思考，消費者願意分配多少錢在這些項目裡？有多少業者在這些項目裡競爭？ 多數探討如何經營訂閱制的書籍，絕大部份是聚焦在會員經營，強調圈粉、堆粉的養客留客術，或是從消費者行為的觀點切入，運用大數據，分析消費者的數位足跡，探索退訂原因，擬訂防止退訂策略，提供再續訂誘因等議題。這些當然都是發展訂閱制，需要關注的重點，但是卻很少提及後端系統管理機制，該如何因應未來可能的發展趨勢，建制更有彈性的管理系統。 探討訂閱制可不可行是畫錯重點，應該思考所提供的服務內容是不是符合用戶的剛性需求 我認為未來的訂閱制經營重點，除了致力於經營會員之外，還是要再聚焦回歸至「內容為王」(Content is King)的道路，提供客製化、分眾化的剛性需求內容，擇一專業領域做好做滿。消費者在需要內容的時候，才來訂閱服務，不需要的時候就退訂；服務業者要提供可以隨時隨地訂閱或退訂的系統介面，讓消費者自己決定訂閱時間。綁定信用卡的消費方式會消失，取而代之的是更友善的訂閱機制，消費者想看多久，就訂多久，就付多久的錢。 以後消費者只需要「更快速的訂閱與退訂服務」，不要再研究他們為什麼會退訂了，因為消費者會不斷的利用訂閱與退訂的方式，為自己組合訂閱每月或每週想看的內容，或安排週末午後的數小時訂閱內容，他們會把每個月有限的預算，發揮得淋漓盡致。 所以消費者需要「更短周期的訂閱機制」，更有時間彈性的服務機制，碎片化的訂閱週期，搭配更小額的支付費用，相對提高消費者的訂閱意願；消費者需要「更複雜的訂閱方案」，不用再擔心複雜的訂閱方案，會讓消費者無法理解選購，反而是要提供更彈性化、更客製化的訂閱方案，讓消費者去精打細算，找到最省荷包的組合訂閱方案。 最後，消費者想要一個「會照顧舊客戶的訂閱平台」，要珍惜持續訂閱與退訂的消費者，給舊客戶的優惠福利，要優於新客戶，因為長期的獲利，是來自舊客戶對訂閱平台，時時刻刻的錙銖必較。