- Advertisement -
首頁 市場話題

市場話題

- Advertisement -

NLU成就智慧金融投顧

人工智慧技術已逐漸滲透到金融領域,國內外金融機構紛紛搶占風口。舉例來說,摩根大通和高盛公司均表示要在人工智慧領域進行大規模的投資;中國的四大銀行也分別攜手網路公司,開啟智慧金融的合作。 智慧投顧逐漸崛起,是否導入市場商用化只是時間問題,而關鍵的驅動要素,當然還是技術的突破。由過去我們談到的自然語言處理(NLP),轉換到自然語言理解(NLU),其中的進程不只是數據結構處理的差異,重點還是在目標性的差異。過去的重點是轉換結構來做分析,所謂的自然語言理解則是希望從語意得到理解,而我認為理解語言的內容在投資市場是非常重要的。 金融投顧領域的機器學習時代已經到來,我們必須開始思考,人類能用機器學習預測股價嗎?借由智慧投顧的推進,能否讓自然語言理解(NLU)走得更快些?自然語言理解又如何實現預測股價漲跌?本文將探討NLU在智慧投顧領域應用的全新解讀,並探索NLU在金融領域的創新應用。 機器也能感測情緒 在過去,投資金融產業普遍依賴各式各樣的人工。可能是一個天資聰穎的分析師,每天晨起讀報、蒐集資訊,依照其個人經驗去理解、歸納訊息,進而提出對於產業的看法。這些分析師們的經驗其實難以被流傳、被傳遞。若要幫助分析師解決這個問題,我認為透過人工智慧的幫助來做,就是一個很重要的方式。 我們都知道,人們時常會由於新聞報導恐慌性的買入賣出,到底哪些消息會影響人們買賣股票的意願,其中都是有關聯可循的,但是卻又沒有人可以將其道理整理清晰。因此,「情緒偵測」便是在智慧投顧應用中非常重要的一環。因為消息與人們的情緒反應之間是一個弱關聯,但是透過深度的規則,還是可以幫助我們去挖掘出其中的連結。 在語言建模應用中使用長短記憶模型LSTM)並不是太稀奇的事,相信很多人都已經有使用該模型的經驗,但是如果討論到股市漲跌,就必須進一步考慮股民的情緒反應;必須要知道在新聞出來之後,股民會有什麼感受,而不同的狀況又會對股價有何影響。另一方面,也由於在金融市場時常看到的資料不只是短文章,然而使用LSTM處理長文章是非常痛苦的。因此,目前我們的處理方式是把文章切斷成為短篇,或是分句處理,從其中找出情緒。 在NLP方法中,有很多技巧可以協助我們做到一些簡單的情感識別。當然現在也有許多新方法與新技術,然而不變的是,我們該如何從稀疏的語言表徵裡面找到情緒的關鍵、找到有意義的結果,這才是最重要的。因此,Word Embedded是一個在語言模型當中至關重要的部分(圖1)。另外一部分,我們希望了解這些關鍵是甚麼,並從過去的文本中,找到引發情緒的關鍵要素,了解人們究竟為何恐慌。這時候就會使用到Attention Model,也就是注意力的機制。 圖1 Word Embedded確保LSTM能在稀疏的語言表徵中找到規則。 詞向量?字向量? 另一方面,在語言識別的討論之中,大家最常問的問題還是在於詞向量與字向量的使用選擇。到底該用詞向量模型還是字向量模型,也始終是我們一直遇到的問題。 在一整篇的文章結構裡面,我們必須透過不同層級,其中包含字的層級、詞的層級,去把我們擷取到的特徵作建模。但通常這裡會有一個疑慮,就是要使用字模型好?還是詞模型好? 而語言對於機器來說非常困難,因此要用甚麼方法做其實也沒有正確答案;關於這個大哉問,總是有各式各樣的思考與討論。但我認為,由於英文是基於26個字母的排列組合,因此使用字模型依然不太有效率,因此在英文的語意理解應用中,建議走詞模型。 但如果是中文,我的答案是兩者皆可。在中文語境中,如果我們使用較為常見的詞模型,因為詞本身已經是一個凝聚語意的常見單位,所以能夠讓我們有效率的保持句子語意。但是,也由於中文的最小單位依然是字,因此就算走字模型也不會有OOV(Out of Vovabulary)的問題。詞模型與字模型,皆為中文語意理解適用(圖2)。 圖2 英文建議使用詞模型;中文則詞模型與字模型兩者皆可。 然而,金融投顧是一個很特別的產業,股票市場對於不同產業都必須要有相當深入的觀察,因此在相關新聞報導中,非常容易遇到專業詞彙。當語意理解應用到金融市場中時,不在字典裡的詞將會讓人非常頭痛。這也是我們目前所在努力的方向,希望能夠做出一個有效率的字模型並開放使用,進而推廣中文語意理解的發展。 (本文由尹相志口述,記者程倚華整理)
0

精進SNR/相位一致性/AOP MEMS麥克風聽聲辨位更有感

語音助理已然躍居智慧家庭關鍵應用。根據IDC研究指出,包括亞馬遜Echo和Google Home等智慧喇叭,在所有智慧家庭裝置當中,將會是成長速度最快的類別;預估,2022年智慧喇叭市場值將可達174.31億美元,從2017年至2022年的年平均複合成長率達32%。而隨著智慧型裝置持續進化,語音控制的發展將可使智慧生活更貼近人性,MEMS麥克風的重要性也與日俱增,MEMS麥克風供應商因而加速提升其性能。 SNR/相位一致性為麥克風關鍵參數 鑫創科技市場行銷二處技術經理曾建統(圖1)表示,要提升麥克風性能,主要目標便是提高訊號雜訊比(SNR),以及提高單體間相位一致性。 圖1 鑫創科技市場行銷二處技術經理曾建統表示,提升麥克風效能,SNR和相位一致性是兩大關鍵參數。 由於麥克風為聲波轉電訊號的感測器,於轉換過程中會有時間上的延遲;若每個麥克風的時間延遲一致性越高,而非有些麥克風延遲大,有些麥克風延遲小,對於聲音來源的判斷準確度就會更高,這也就是所謂的相位一致性。 換言之,相位一致性是能保證遠距收音的指標特性,可讓指向性收音的波束成形演算法計算誤差降低,若要使搭載多麥克風的裝置能準確判斷聲音來源,便須設法將裝置內麥克風的訊號轉換延遲性趨於一致。 除了相位一致性外,提高SNR也是強化麥克風性能的關鍵指標之一。曾建統指出,麥克風本身存在著所謂的「底噪」,而當收進來的聲音小於這個底噪時,就會隱藏在底噪中無法聽到;而提高SNR,便是為了降低底噪的干擾。 曾建統說明,底噪來源分為兩種,一種是電訊號(電路訊號干擾),這須靠半導體製程和電路設計加以克服;另一種則是熱擾動。由於麥克風的震膜相當敏感,接收到很輕的聲壓就會產生震動(確保收音靈敏性),卻也因此容易受到空氣中的粒子隨意碰撞而產生震動,因而產生雜訊,這也就是所謂的熱擾動。而要克服熱擾動,便須改善麥克風震膜的結構設計,使其仍可符合聲音系數,收到很輕的聲壓,卻又不會因熱擾動的影響而過度震動產生雜訊。 綜上所述,提高SNR與提高單體間相位一致性目的均是為了提高語音辨識正確率,而相位一致性仍是能保證遠距收音的指標特性,再來是SNR。兩者功用不同,相位一致性可讓指向性收音的波束成形演算法計算誤差降低,提高系統SNR;至於提升單體SNR也會有效,但麥克風仍會收到周圍環境的噪音,所以相較之下,相位一致性對於麥克風收音的實際影響較高。 雙背板設計展妙用 AOP參數更上層樓 英飛凌(Infineon)大中華區行銷經理鍾至仁表示(圖2),毫無疑問的,MEMS麥克風的設計重點在於追求更高的SNR。聲壓位準隨著距離而下降,以智慧音箱為例,當在近距離下指令給智慧裝置時,聲壓約有55dB,當距離拉長至2~5m時,聲壓約降至45dB, 距離大於5m時,僅剩下25~30dB,而25dB已是定義中的Whispered Voice。換句話說,隨著距離變遠,音量亦呈現衰減,因此如何避免距離和音量衰減因素影響收音成效和準確度的問題,提升麥克風靈敏度遂成為主要設計架構重點,也是未來麥克風的發展趨勢。 圖2 英飛凌(Infineon)大中華區行銷經理鍾至仁指出,聲學過載點也是麥克風重要的設計參數之一,為此,該公司採用雙背板設計,可最大幅度減少失真。 不過,為提高SNR,從物理特性上來說麥克風的體積也需要跟著變大(薄膜振盪空間需求變大),然而現今有越來越多的小型化設備也需求高SNR品質,因此如何在追求高SNR時,同時滿足這些小型化裝置體積的需求,將是未來的主要挑戰。 然而,除了SNR外,聲學過載點(AOP)也是麥克風重要的設計參數之一。對此,鐘至仁指出,此參數決定麥克風能夠偵測出的最高訊號位準。舉例來說,在演唱會現場的聲壓可達128dB,如果以目前市面上通用型(未達128dB)的手機麥克風在現場錄音,就會因為超過其AOP而產生失真,無法擷取完整音訊,產生破音;但若是採用高動態範圍的麥克風,甚至在搖滾演唱會的第一排,都能夠錄下高音質的聲音。 也因此,繼SNR之外,提高AOP也是MEMS麥克風供應商致力發展的方向之一;不過,要提升AOP,還須克服當處理較大聲壓位準時,薄膜產生大程度震動,在薄膜移動至極限時造成失真的挑戰。為此,該公司便採用雙背板(Dual back-plate)MEMS結構,將薄膜嵌入在兩個背板之間,成為對稱式結構,可最大幅度減少失真。雙背板裝置也更為強固,可對抗風聲問題。 鐘至仁說明,由於AOP較高的單背板(Single back-plate)裝置製造商一般使用濾波器消除低頻風聲,會對音訊品質造成影響;同時濾波器也會移除低音,這在錄製音樂時會產生影響,畢竟低音是一切重點所在。而雙背板設計能獲得更佳的高頻抗擾性,實現更出色的音訊訊號處理,並將10%總諧波失真(THD)的聲學過載點提升到130dB聲壓,產生更佳的訊號品質。如此一來可讓使用者從兩倍遠的距離說出語音指令,但麥克風仍截取到同質的音訊。 邊緣運算興起 智慧麥克風蓄勢待發 另一方面,麥克風於設計上除須考量SNR、相位一致性及AOP之外,隨著各式語音創新應用服務興起,加上日漸增加的資料處理需求,MEMS麥克風的設計,也開始導入邊緣運算。 為此,樓式電子(Knowles)不久前所推出的新一代智慧麥克風「IA-610」便是結合邊緣運算設計。該產品將高性能SiSonic MEMS技術與先進DSP整合到單顆微型封裝中,使得原始設備製造商(OEM)和第三方軟體開發人員可以創建和制訂更先進的功能,並簡化了音頻設計,大幅降低系統整體成本;且該產品還可實現語音命令喚醒、空間錄音及聲學事件探測等功能,如玻璃破碎或嬰兒啼哭等。 另外,該產品還是首款使用MIPI SoundWire介面的嵌入式元件,因而簡化整合設計過程,降低設計複雜性,並降低成本、pin腳數和功耗;並支援主要的音頻和數據介面,如PDM、I2S、SDW、UART以及I2C等,且包含一款低功率聲音探測器(LPSD),以及一款包含聲學活動探測技術的音頻處理演算法。 樓式電子高級產品管理總監王宇飛表示,語音應用將越來越廣泛,未來將不僅限於智慧音箱,諸如電視機、遙控器等電子產品都有可能添加語音功能。SNR和AOP依舊是提升單顆麥克風性能的要素,但在應用逐漸擴展和資料持續增加的情況下,麥克風也進入了「邊緣運算」的世代,資料處理從雲端慢慢轉至裝置端;再加上某些裝置是屬於近場應用(如電視遙控器、手機),須具備常時開啟功能(Always-on),因此也須有低功耗、高可靠度等特性,為此該公司便將MEMS麥克風結合DSP,提升整體效能。 另一方面,除了IA-610外,樓式也備有新一代音訊處理器平台「IA8508」,以提升多麥克風遠場應用裝置(如數位語音助理、智慧喇叭或是電視等家電)語音辨識率和處理效能。 樓式電子中國區董事總經理陸文杰指出,音頻處理(如SNR、AOP)是MEMS麥克風一直以來的發展重點,然而,隨著語音助理需求增加,服務也越來越多元化,使得多麥克風的遠場應用,也成了未來值得關注的事情之一。且如上所述,現今的資料運算慢慢從雲端轉至裝置端,也因此,需要一個更高效能的平台因應資料處理需求。 新款音訊處理器平台特色包括:支援多達八個麥克風的陣列,並配有四個異構核心,利用其5.7MB的記憶體可同時執行高效能演算法;具優化的單樣本處理器(SSP)核心,以確保低延遲;具有低功耗核心,可以同時監聽各種關鍵短語;以及經優化的指令集,可使複雜的音訊處理和機器學習執行更有效率等。 麥克風市場競爭烈 找出差異化是關鍵 綜上所述,各大MEMS麥克風供應商皆致力提升MEMS麥克風效能,而隨著麥克風需求增加,市場競爭也越來越激烈,如何為MEMS麥克風找出更佳的「賣點」,是供應商的一大挑戰。意法半導體(ST)便採用SiP封裝的方式,將麥克風與其他感測器相整合,除了因應更多創新應用之外,還可降低終端產品業者的開發時間和複雜度。 意法半導體亞太區產品行銷經理陳建成(圖3)指出,提高SNR、AOP和相位一致性等參數是MEMS麥克風不變的發展趨勢,而在各家業者技術和產品規格相差無幾的情況下,如何找出新的「賣點」,是供應商須不停思考的事情。 圖3 意法半導體亞太區產品行銷經理陳建成指出,與其他感測器相整合,可讓MEMS麥克風更有賣點,並簡化終端產品設計複雜度。 陳建成進一步說明,以遙控器為例,為了提升消費者使用體驗,遙控器上面可能不僅有語音功能,可能還增添了體感功能,讓消費者揮動雙手也能操控(例如換頻道、遊戲互動等)。而要達到上述功能,遙控器上不只需有MEMS麥克風,還需要有加速度計;而ST的優勢便在於有完整的MEMS感測器產品線,如麥克風、加速度計,或是溫度/環境感測器等皆涵蓋其中,因此可採用SiP封裝的方式,整合麥克風與加速度計,進而減低終端產品業者的商品開發時間與複雜度。 陳建成表示,原本用SiP封裝整合MEMS麥克風與其他感測器多是用於工業市場(測機台震動頻率和噪音等),但隨著語音控制在大眾消費市場快速興起,從原本的手機、電腦慢慢擴散到其他裝置,如電視、喇叭等,且隨著各種消費裝置上的感測器愈來愈多的情況下,便逐漸將此一作法移至消費性產品,不僅簡化終端產品的設計難度,也藉此在競爭激烈的MEMS麥克風市場中找出差異化的優勢。
0

5G夢想起飛 eMBB帶動設備製造商機

3GPP組織在2018年發布了首個5G NR標準,5G實現近在咫尺。5G可分為三大應用場景:其中,增強型行動寬頻通訊(Enhanced Mobile Broadband, eMBB)將針對大流量行動寬頻;另一方面,大規模機器型通訊(Massive Machine Type Communications, mMTC)則將針對物聯網應用;超可靠度和低延遲通訊(Ultra-reliable and Low Latency Communications, URLLC)涵蓋了車聯網、智慧醫療等對於低延遲具有高要求的特殊應用。在2019年,電信、通訊產業將出現過去未見的新局面。 諾基亞(Nokia)台灣暨香港澳門、大中國區客戶營運部技術總監陳銘邦(圖1)表示,5G技術演進除了跟標準發布的時程有關之外,應用實現的需求也是關鍵所在。因此,由於NB-IoT、Cat-M等物聯網連線技術已相對成熟,應用設備也已開始布建,所以在發展5G技術的時候,mMTC應用可能將是最晚實現。在2019年,eMBB應用將會率先實現,緊接是URLLC應用。展望2019年,行動晶片大廠高通(Qualcomm)認為,5G將在該年度從一個夢想抱負成為現實的時刻。日、韓、美、中、英等國將在2019~2020年開始(表1),陸續啟動5G商用服務;該趨勢將帶動5Gㄑ基地台及智慧型手機等需求。 圖1 Nokia台灣暨香港澳門、大中國區客戶營運部技術總監陳銘邦表示,5G技術演進除了跟標準發布的時程有關之外,應用實現的需求也是關鍵所在。 eMBB應用先行 高通/Xilinx準備應戰 回顧2018年,可以看到全球各地進行許多5G試營運。各家營運商皆開始著手測試設備與解決方案,以便更深入瞭解5G功能在實際環境的運作狀況(包括效能、占用空間/功耗以及加值服務)。 賽靈思(Xilinx)通訊業務部門主管總監Gilles Garcia(圖2)認為,整體來說,可以觀察到各界5G部署的準備在2018年持續加溫。其中,南韓在2018年下半年率先開始進行真正大規模的5G部署,緊追在後的包括日本、中國以及紐澳,則將從2019年中開始部署。南韓將在2019年開始推動5G網路商轉,日本與中國則會開始布建5G網路。其中大多數部署都圍繞在固定式無線接取(FWA),以提高頻寬與增加覆蓋率。Garcia認為,在2019年可期待看到5G從小型基地台(Smallcell)展開布建,在像體育場館這類場所提供更好的使用者經驗。第一款5G手機也應在2019年開始送樣,讓各界開始運行實際的5G服務。 面對2019年即將到來的5G趨勢,Garcia認為其中將遭遇到最重大挑戰會集中在5G手機的部署,讓營運商提供真正的端對端5G應用/服務。需要澄清的一點就是,4G不會消失,營運商仍須持續擴充其4G網路以及部署新的5G設備,藉以提供各種新服務。因此Garcia預測,一些初期的5G網路部署將採用4G網路進行控制,而5G網路則是用來提高資料傳輸頻寬。 另一方面,高通也已於2018年10月在香港舉辦高通4G/5G高峰會,會中發表了最新且最小的5G NR毫米波(mmWave)天線模組系列產品。該款產品與在2018年7月發表的首款毫米波天線模組相比,最新的毫米波天線模組體積縮小25%,更能夠協助行動裝置製造商於2019年推出支援5G新無線電(NR)的智慧型手機及行動裝置,滿足行動裝置嚴格的尺寸需求。 圖2 賽靈思(Xilinx)通訊業務部門主管總監Gilles Garcia認為,各界5G部署在2018年持續加溫,其中,南韓在2018年下半年率先開始進行真正大規模的5G部署。 R16規範將涵蓋URLLC需求 在R15規範中無論是針對獨立組網(Standalone, SA)或是非獨立組網(Non-Standalone, NSA)架構都有規範到,並且皆是以eMBB技術為主。R15規範的目標為,無論是透過SA或是NSA架構,5G上路的第一步皆先滿足eMBB應用情境。目前已進入研究階段的R16標準涵蓋範圍則較寬,除了eMBB之外,也有包含URLLC的特別領域應用。然而,R16要等到2019年才會有比較穩定的版本推出,待R16版本推出之後,大約要等到2020年之後,才能看到終端廠商和設備商推出符合此架構的產品。 Garcia也表示,賽靈思除了深入參與3GPP標準的制定,也投入R16標準化過程,R16標準預計在2019年底至2020年完成。儘管預期R16標準不會在2020年初之前制定完成,但在現場可程式化邏輯閘陣列(Field Programmable Gate Array, FPGA)方面賽靈思也已經準備和客戶聯手進行早期R16建置工作,因此在2019年也勢必會看到一定程度的發展結果。 陳銘邦指出,目前Nokia的方案都已經符合了R15標準,然而,由於3GPP每三個月將進行一次會議,每次會議皆可能針對現有版本更新,因此,Nokia不但必須隨著新版本開發,還需要針對新舊版本進行測試,確保設備互通互聯。 高通也已針對R15標準推出了多項解決方案,同時協助客戶與業界夥伴們進行相關的技術發展。目前R16也進入了研究階段,高通亦表示將與3GPP以及業界夥伴保持密切合作,也持續進行討論。 另一方面,Garcia也指出,由於5G標準覆蓋了範圍極廣的需求與應用,從高頻寬、低延遲、大規模物聯網一直到連網汽車等,因此有非常多的機會提供各類應用價值。為此,賽靈思全力投入於目前的16奈米製程系列方案,以及即將推出的Versal平台,來因應5G極其廣泛的需求。目前採用賽靈思產品進行的R15部署,不需更換硬體就能升級支援R16標準的各項功能。 NSA架構種類多 營運商各有考量 目前全球各國積極建置的5G基礎建設,皆是以NSA架構為主,然而NSA架構也有多種選擇(圖3),單看營運商的考慮而定,NSA過渡到SA的時程亦是依照各營運商的考量為主。 圖3 5G網路的不同架構 NSA架構是基於4G LTE...
0

掂掂自己的社群影響力

  文 | 萬岳憲 資策會MIC產業躍升事業群總監 多數研究顯示,人們對社群媒體的依賴和沈溺,也是網路上癮的病症之一,長時間接觸社群媒體,反而會在心理產生更高度的孤寂感。英國管理大師韓第(Charles Handy)認為,孤獨是現代社會的新貧現象,手機上空蕩蕩的收件匣已經成為寂寞的代名詞,人們過度的與外界溝通,忙於投射自己無法達到的夢幻自我形象,反而成為傷害自己的利器。21世紀的數位原住民與新移民,都扺抗不了社群媒體的致命吸引力,每天持續在社交網絡中拋灑訊息誘餌,就是想知道他們是誰?要到哪裡找到他們?怎麼樣才能留住他們? 英國在今年成立「孤獨部」,任命「孤獨事務大臣」組織團隊,就是要協助總是感覺到孤單的900萬位民眾;美國前衛生總署署長穆吉(Vivek Murthy)也曾經表示,寂寞已經是美國民眾的普遍病狀;美國心理學教授霍特朗斯戴(Julianne Holt-Lunstad)的研究發現,寂寞與罹患心理和生理疾病有關,甚至會提高死亡率;日本政府統計,近年來「孤獨死」人數的比例愈來愈多,往往被發現時已經化為白骨。 韓第(Handy)認為,孤獨和手機通訊錄的姓名數量、社群媒體的連結人數無關,但是也絕對不會和排除孤獨有關,真正能夠遠離孤獨的原因,是來自人際之間,大家為了共同目的而努力的連結關係,並因此產生互相關心的因子。美國耶魯(Yale)大學心理學教授(Laurie Santos)開設的「心理學與美好生活」(Psychology and the Good Life)課程,鼓勵學生放下社群媒體,重新感受觀察紀錄身旁的人事物,目的也是要藉此重建人與人之間的連結關係。 部份學者大聲疾呼,要避免沈溺在社群媒體,才能讓自己的生活更美好!但是再仔細想想,如果現在就完全放開社群媒體,真的會讓自己的生活更多采多姿嗎?當所有社群媒體裡面的群組互動,都與你沒有關係的時候,會不會適得其反的讓你更接近孤獨?我認為答案是「會」,千萬不能假借「斷捨離」的方法,快速的讓自己離開群組,有時候默默的潛水閱讀群組內訊息,也是排除孤獨感的方法之一。 但是過於依賴社群媒體,長時間沈溺於群組訊息,又會讓自己產生更高度的孤寂感,不論參與或不參與,最後都會讓孤獨感夜襲上身,現代人對於社群媒體的感受,就像「溼手抓麵粉」,想甩也甩不掉。 不如,就以樂觀正能量來看待參與社群媒體這件事,凡是使用智慧型手機的人,應該都會使用社群媒體,甚至離不開社群媒體,因為社群就是一個從我(Me)到我們(We)的社交發展過程,這段過程是個人決定要不要參與的重要里程碑,一旦決定參與之後,自己就會受到社群力量的影響,或是社群受到你的力量影響。想想看,你的手機裡面有多少群組,是為了完成共同目標而連結,當目標完成後,連結的必要性是不是還存在?你在群組裡有沒有社群影響力(Social Influence),或是你的生活步調,已經被社群影響力主導。 其實,人們在社群媒體中揭露的不是資訊,是不自覺的洩露自己的個性、習慣與風格。學者認為這是一種自我揭露(Self-disclosure)的人際互動過程,是任一方蓄意洩露跟自己有關的個人私密或公開資訊,有目標性的主動傳遞資訊給特定的個人或群體的過程。資訊傳遞的自我揭露程度高低,會影響彼此的瞭解與認知程度,同時也會對雙方的人際關係建立,產生正向或負向的影響。 美國心理學教授德雷格(Valerian Derlega)定義「自我揭露」是同意讓對方接近隱私與秘密的過程(Process),一般可區分為面對面(Face-to-face)、非面對面(Non-face-to-face)與第三者(Third Party)等三種型態。「與人交談」是最普遍的面對面揭露過程,但是往往會因為談話過程中的非個人意願對話,而影響揭露的內容;「寫信或電子郵件」是最常使用的非面對面的揭露型態,過程與內容較趨向禮貌性溝通,雙方訊息揭露的多寡,容易受到蓄意的限制或控制;第三種型態是指多數人,會在不經意或非故意的情形下,把個人隱私透露給「第三者」知道,甚至絕大多數的自我揭露行為,都是發生在親朋好友之間。 想要順利的產生任何一個類型的自我揭露過程,就必須創造出一個讓雙方都能感受到「自在尊重」的揭露空間,而社群媒體就是因為符合這樣的需求,所以才會快速的成為人們社交互動的主要溝通空間與型態,自我揭露者與他人或群體,在資訊揭露過程中,雙方都必須產生關注(Concern)、理解(Understanding)與接受(Acceptance)的外在表達,要讓資訊接收方明顯的感受到善意,甚至產生視對方為親密夥伴的感受,就會更有利於雙方建立友好或親密的關係,而親密關係感受的高低程度,也會影響下一個自我揭露的決定,影響雙方關係建立的深淺程度。 值此歲末之際,不妨花點時間檢視自己在群組裡的社群影響力(或是被社群影響力主導),瞭解自己為什麼要擁有或停留在這個群組裡,別再讓閱讀群組內容成為自己每天的社交負擔,甚至主動的設計自我揭露資訊內容,逐步提升自己在群組中的社群影響力。社交就是一個人際互動的過程,你不理人,人就不理你。也不要再抱怨群組裡,有人喜歡亂發圖文、愛抬槓拌嘴、講話不算話、只准自己講不准別人講、總是已讀不回......,這些,都代表有那麼一段時間裡,你是群組的一份子,你不孤獨。如果真的受不了,那就大方的退出群組,你可能會成為群組退出跳板,你也不孤獨。
0

邁向自駕世代 感測融合成汽車產業新習題

自動駕駛已成為科技產業勢不可擋的其中一項趨勢,各大汽車品牌及汽車電子元件供應商紛紛投入此一領域發展,其市場產值也持續上揚,根據研調機構BCG預測指出,2025年自動駕駛市場產值將達420億美元,而到了2035年自動駕駛車輛將占全球汽車銷量25%。 在市場發展如此蓬勃的情況下,自駕車技術逐漸成熟,搭載輔助駕駛功能的LV1及LV2車型已陸續上市,而車廠和汽車電子元件供應商仍然持續推動自駕車發展進程,致力在2019年開始,推出更多LV2甚至是LV3的車種。 LV1/LV2車款紛問世 車商開始朝L3全速邁進 瑞薩(Renesas)電子車用事業部市場行銷經理何吉哲(圖1)指出,目前市面上搭載先進駕駛輔助系統(ADAS)的車款,多處於LV1、LV2的階段,例如道路偏移警示系統(LDWS)、盲點偵測等功能是屬於LV1,而ACC自動巡航系統和自動煞車等應用則歸類於LV2。然而,在強化行車安全以及提升消費者體驗的驅動之下,車廠和一級供應商(Tier 1)一定會朝著越來越高的規格發展,也就是LV1會加速朝LV2升級,LV2的汽車則是想盡辦法升級到LV3,換言之,從2019年開始,LV2、LV3的車型將會逐漸增多。 圖1 瑞薩電子車用事業部市場行銷經理何吉哲指出,因應安全需求及提升消費者駕駛體驗,各大車廠皆致力發展LV3的車型。 NVIDIA業務協理蕭怡祺(圖2)則表示,自駕車發展已有一段時日,產業期待自駕車能從初期的研發轉為實際應用,因此紛紛朝LV2和LV3的車型進行量產規畫。同時自動駕駛的市場驅動因素仍有增無減,除了安全需求之外,例如東京奧運這類型國際性大型運動賽事,往往是車廠、汽車電子元件供應商展現實力的最佳場所,不論是日系、歐美或中國汽車品牌,都會希望在2020東京奧運上展現自駕車研發成果;因此,此一競爭態勢也成為加速自動駕駛發展的原因之一。 圖2 NVIDIA業務協理蕭怡祺表示,要實現自動駕駛,或達到LV3程度,不僅需要搭載大量高效能感測器,也須結合高運算平台及演算法。 誠如上述,在LV1、LV2車款相繼量產後,各大汽車品牌也動作頻頻,發展LV3的車型。像是Toyota在2016~2021年投入10億美元在TRI發展AI,與Preferred Networks合作高精度圖資,採用NVIDIA新處理器,與Azure雲端運算平台,採用Keymeta衛星天線用於解決大量數據的下載。 或是VW在自動駕駛方面則與LG、NVIDIA等合作,期能在2021年推出具有人工智慧的自動駕駛,在2025年實現自駕計程車隊,2025年以後LV5的車型可以實際進入應用;又或是雷諾計劃在2019年Cilio、Espace車款達成LV2,2021年達到LV3,2022年達到LV4。 ADI大中華區汽車電子市場經理崔正昊認為,從市場落地角度來看,自動駕駛會率先在共用租車、商用車、特種車輛等有限應用場景條件車輛上實現。這些高度重視性能、對成本不敏感的產業市場,將帶動自動駕駛整體市場快速發展,推動技術成熟、硬體成本降低,最後在乘用車市場得以廣泛應用。 另外,隨著自動駕駛設備在工業和智慧農業領域的廣泛應用,如礦場的自卸卡車、農田中的自動駕駛拖拉機及無人機自動澆灌等,社會公眾對自動駕駛技術的恐懼心會逐漸消散,並逐步認可新技術給行車帶來安全和便利、提升社會效率,不用太久,越來越多人將樂於接受並踴躍嘗試自動駕駛技術。 邁向自動駕駛 感測融合不可或缺 眾所皆知,要實現自動駕駛,感測元件如毫米波雷達(Millimeter Wave Radar)、光達(LiDAR)和影像感測器(Camera)等皆不可或缺。何吉哲指出,目前已出廠的新車,越來越多的車款開始搭載ADAS功能,ADAS普及率和滲透率可說逐漸提高。不過,這是單指新車的部分,但在已上路的舊型車種上,大多數的車子仍未具備ADAS功能。然而要達到全自動駕駛目標,除了新出產的車型開始搭載ADAS功能外,舊型車款也應該要增添感測器,從輔助駕駛開始做起,再慢慢轉變成全自動駕駛。 然而,要實現自動駕駛,並不只是安裝感測器後便得以實現,更重要的是如何將各式感測器所收集到的資訊加以匯集並進行判斷,也就是實現所謂的「感測融合(Sensor Fusion)」。感測融合的概念意指同時匯集多顆感測器(相同類型或不同類型)的資訊,進行整合並由中央處理器進行判讀和運算後,做出更快、更好、更安全的車輛控制指令。 蕭怡祺說明,要達到自動駕駛,並且提高自駕車的安全性,需要大量的感測器,且每個感測器的性能也要相當強大,也就是感測器要能明確判斷出偵測到的物體為何(例如一隻貓、一輛腳踏車),前端的處理須夠準確,接著再透過高效能的運算平台整合、分析感測器收集的大量資料;而要達到此一目標,不僅僅需要高運算能力的處理器,演算法也是另個不可或缺的關鍵利器。 因應此一需求,NVIDIA備有「NVIDIA DRIVE AGX Xavier」,該產品為專為自動化裝置設計的系統單晶片,提供30兆次運算(TOPS)的效能,但只消耗30瓦的電力,並整合了六個不同的處理器,以處理額外和多種不同的深度學習演算法,使自駕車產業得以大量生產,和立即進行測試。 此外,要使汽車達到LV3等級,或是更進一步的LV4、LV5,並不只是單靠一個具強運算效能的處理器就可達成,背後的演算法也是不可或缺。對此,NVIDIA也提供「NVIDIA DRIVE」應用軟體(包含NVIDIA AR、NVIDIA IX、NVIDIA AV等),以支援融合感應器和認知等重要的自動駕駛功能,且此一開放式解決方案還包含程式庫、工具組、框架、開放原始碼套件和編譯器,供車輛製造商和供應商開發自動化和自駕車應用程式。 同時,擬真模擬也是自駕車實際上路前的重要試驗步驟,因此NVIDIA透過DRIVE Constellation方案在車輛上路前,先測試與驗證自駕平台功能。此一產品可模擬相機、雷達和光達,然後輸入到根據實際上路情況處理資料的DRIVE AGX Pegasus,產生多種自駕車測試情境的數十億英里道路,在部署前驗證硬體迴圈和應用軟體迴圈模擬。 何吉哲透露,因應自動駕駛發展,汽車上搭載的感測器種類越來越多;而感測融合的重點,便在於如何將感測器所收集到的資訊,快速的判斷、分析後,進而下指令給汽車的安全控制系統,讓汽車加速、減速、前進、後退、轉彎或是煞車等。換言之,感測融合的最主要目的是串接「感測」與「安全功能」。 例如奧迪A8的360度主動安全偵測系統(Pre Sense 360O Safety System),當汽車時速達25km/h以上時,若側邊雷達偵測到有碰撞危險時,會在0.5秒內將撞擊面提高8公分,以車身底部結構較為安全的部位承受撞擊(而非車門),以減少乘客或駕駛的撞擊損傷。 因應感測融合所需的高效能運算,瑞薩也備有R-Car H3處理器。該產品提供認知運算能力及強化的運算效能,可即時正確處理來自汽車感測器的大量資訊,並可讓系統製造商執行需要複雜處理的應用程式,例如障礙物偵測、駕駛人狀態辨識、危險預測,以及危險迴避。為進一步提升駕駛安全支援系統的速度,該產品亦符合ISO 26262(ASIL-B)汽車功能安全。 賽靈思(Xilinx)汽車事業部資深總監Willard Tu(圖3)則表示,智慧汽車的發展十分活躍,而目前大部分車輛都採用「分散式運算系統」,但最終將轉化為「集中式運算系統」。每家OEM可能都有不同的感測器配置組(攝影機、雷達、光達及超音波等),一旦資料聚合起來,就能進行一定的預處理,在感測器將資料傳輸至中央控制單元中其他處理元素前,對其進行最佳化。 圖3 賽靈思汽車事業部資深總監Willard Tu透露,目前多數車輛皆採用「分散式運算系統」,但要實現自動駕駛,未來汽車勢將採用「集中式運算系統」。 Willard...
0

AI掀起高效運算熱潮 DSA/DSL後勢看好

有資訊科學界諾貝爾獎之稱的圖靈獎(Turing Award),在2018年3月宣布2017年度的得獎者,由David Patterson跟John Hennessey兩位研究計算機架構的大師級人物獲獎(圖1)。兩位學者合著的「計算機組織與設計--硬體/軟體介面」,出版至今已有25年,仍是資訊工程學界必讀的權威著作之一。 圖1 2017年度圖靈獎得主John Hennessey(右)與David Patterson(左) 兩位學者對計算機架構跟微處理器的演進產生非常深遠的影響,如精簡指令集(RISC)的概念就是由兩位學者所提出。因此,Patterson跟Hennessey早已注定名留青史,獲得圖靈獎肯定則可說是錦上添花,甚至有些令人意外。 傳統上,圖靈獎是一個非常偏向軟體的獎項,例如人工智慧(AI)研究、程式設計理論跟密碼學,就是圖靈獎的常勝軍,很少由跟硬體有直接關係的研究者獲得。因此,兩位學者在這個時間點獲得圖靈獎肯定,加上眾多新興運算架構如雨後春筍般出現,也象徵著硬體創新的價值,再度獲得各界肯定。 通用架構面臨效能/安全雙重考驗  在過去半個多世紀,製程微縮一直是半導體業者得以降低晶片製造成本、功耗、提升晶片效能最重要的原因,但如今製程微縮已經無法再像過去那樣,為晶片供應商帶來上述好處。先進製程的開發費用極為昂貴,而且對功耗跟效能的提升效果已不若過去明顯。即便電晶體尺寸在技術上還有進一步微縮的空間,對晶片商來說,到底值不值得,是個需要精打細算的問題。 Patterson與Hennessey在得到2017年度圖靈獎肯定之後,於2018年6月聯合發表過一篇公開演說,認為運算架構的發展將進入另一個黃金年代,領域專用架構與領域專殊語言將成為新顯學。 兩位學者表示,摩爾定律發展面臨瓶頸,已經是不爭的事實。不管是記憶體晶片的密度,或處理器晶片上整合的電晶體數量,都已經無法追上摩爾定律原本預期的目標。對處理器晶片製造商來說,靠電路微縮來換取晶片效能提升,已經是一條走不通的路,未來必然要從其他創新,特別是架構上的突破來著手。 然而,回顧處理器架構的發展史,通用架構跟通用語言在過去30年來,其實沒有突破性進展。過去30年間,沒有任何新的通用型複雜指令集(CISC)的指令集架構(ISA)被提出;通用型超長指令集(VLIW)的ISA則有過一次失敗的嘗試,即英特爾(Intel)跟惠普(HP)合推的Itanium 64。歸結通用型VLIW失敗的原因,主要是因為過於複雜,跟循序超純量(In-order Superscalar)不相上下,因此在執行複雜應用軟體時,沒辦法帶來太多實際效益。 不過,VLIW在嵌入式數位訊號處理器(DSP)是成功的,因為這個應用市場對VLIW的需求較為單純,分支問題相對簡單、快取很小或根本沒有快取、程式規模也小。某種程度上,嵌入式DSP其實是一個帶有領域專用色彩的處理器架構。它所要處理的問題範疇相對明確,不像通用型處理器跟通用型語言,要應付各式各樣的需求。 相較之下,精簡指令集(RISC)無疑是目前最成功的通用型運算架構,目前市面上幾乎所有通用型處理器,包含x86處理器在內(更精確來說,是x86指令集相容),本質上都是RISC。然而,RISC能為處理器帶來的效能成長空間,也已經接近極限,需要更多技術跟架構上的突破,才能進一步提高處理器的效能(圖2)。 圖2 過去40年處理器效能進展概況 除了現有運算架構的效能已經接近極限之外,現有運算架構還面臨另一個很大的難題--安全性。2018年初,Google Project Zero對外公布推測執行(Speculative Execution)漏洞,並有其他研究人員基於此漏洞,發展出熔毀(Meltdown)與幽靈(Spectre)兩大類攻擊手法。由於此漏洞普遍存在於現有的處理器架構上,因此英特爾(Intel)、超微(AMD)與安謀(Arm)均無一倖免,且很難用軟體予以解決。 Patterson與Hennessey指出,現有的CPU架構其實在介面上非常老舊,因此存在許多攻擊向量,英特爾CPU的管理引擎(Management Engine, ME)處理器就是其中之一。可以預期的是,未來還會有更多基於CPU架構漏洞而發展出來的攻擊手法,如果不從架構翻新著手,類似問題將層出不窮。 領域專用型架構/語言將是未來方向 通用型處理器架構跟語言未來的效能發展,顯然已經面臨困境。未來晶片業者如何推出效能更強的新產品,來滿足市場需求?兩位學者認為,領域專用型的處理器架構跟程式語言,將成為未來發展機會最大的方向。所謂領域專用型的架構跟語言,分別是指針對特定領域的需求屬性客製化的運算架構,以及配合該架構所使用的程式語言。 通用型架構所面臨的問題,前文已經有所論述。通用型程式語言的發展,主要面臨的問題在於過度強調程式開發者的開發效率,忽視了程式執行的效率。從當代腳本式語言的發展就可以看出,程式語言的發展是朝鼓勵設計重用(Re-use)、語法更自由的方向發展。這個方向有助於提高程式開發的效率,但對程式執行的效率卻沒有太大幫助。 因此,如果要追求更好的效能表現,處理器開發商跟軟體社群必須改變思維,針對其鎖定的應用發展出最佳化的架構。目前領域專用型架構跟領域專用型語言進展最快的應用領域,當屬機器學習、電腦繪圖跟可編程網路交換器、介面。這些應用各自孕育出神經網路處理器(NPU)、神經網路加速器、繪圖處理器(GPU)等對應的硬體架構,同時也發展出一套自己專用的程式框架或API。 更具體地說,Google的TPU與TensorFlow、GPU與OpenGL的搭配組合,就是領域專用架構跟領域專用語言的實際案例。TPU跟GPU各自有其適合處理的運算任務,在某幾種應用領域內,搭配專用的軟體語言,可提供極佳的運算效能;但如果離開其所擅長的應用領域,其整體效能表現就會大打折扣。 而這也意味著DSA跟DSL的發展必須相互依存,如果DSL的發展獨立於DSA之外,雖然可以有比較好的靈活度,但通常是以犧牲執行效能作為代價。TensorFlow就是獨立於TPU之外發展起來的DSL,因此在執行效率上還有可改善的空間。這也促使Google決定自行發展XLA編譯器,以提升TensorFlow執行效率。 大量新創公司擁抱領域專用概念 事實上,兩位學者所提出的方向,是科技業內許多廠商在過去幾年一直追求的目標,特別是半導體領域的新面孔,其領域專用的產品布局方向非常明顯,如自行開發TPU的Google,以及正在大力挖角各方好手,也想開發自有AI晶片的Facebook,以及中國的百度、阿里巴巴,都是朝領域專用處理器的方向進行布局。 除了網路大廠,半導體新創公司普遍也是以領域專用作為產品布局的主要策略,特別是中國的晶片設計公司,在人工智慧、機器學習的浪潮下,普遍以神經網路加速器作為創業題目或未來發展重點。 明導國際(Mentor)執行長Walden Rhines(圖3)就指出,半導體購併浪潮冷卻後,現在半導體領域的新創公司又開始大為活躍,並獲得創投基金大量挹注。根據明導彙整多家研究機構與自身研究團隊的數據指出,AI跟ML是2012~2018年期間,創投基金對半導體新創公司挹注金額最多的應用領域,總金額達到11.63億美元(圖4)。 圖3 明導國際執行長Walden Rhines認為,DSA將成為未來處理器發展不可忽視的主流。 圖4 2012~2018年全球創投基金對半導體新創公司投資金額概況 如果只看2018年,僅14家AI/ML新創公司從創投取得的資金,就高達7.86億美元。AI/ML成為爆紅創業題材的情況,由此可見一斑。這些AI/ML新創公司都是採用領域專用架構來開發晶片的企業,具體產品則是神經網路加速器或神經網路處理器。 軟硬體共同設計考驗老將新秀 大量新面孔帶著新的題目加入半導體產業行列,對產業發展是好事。但從現實面來看,創業成功的機率本來就不高,即便是選擇市場機會大的題目,輔以合乎產業發展潮流的產品策略來創業,失敗的風險也不低。以DSA跟DSL為例,要開發這種產品,設計團隊必須非常了解應用需求,DSL跟相關編譯器技術要有一定的掌握度。此外,硬體架構的設計原則跟實作等硬體開發的基本功,也是成功不可或缺的關鍵。 以此進一步分析,大型網路公司本身就是使用者,同時又是軟體起家,因此前兩項要素的掌握度較高,至於硬體開發相關環節,則較為欠缺,必須靠挖角或購併來建立硬體團隊。新創公司則通常是以硬體架構或編譯器作為核心能力,但實作跟應用需求的掌握度較低,必須盡快補足。 至於現有的晶片設計公司,在硬體設計方面具有優勢,但對於新興的DSL通常掌握度較低。如何招募到相關人才,強化對新興語言的支援性,或許是最大的考驗。 直言之,在DSA/DSL大行其道的未來,軟體跟硬體必須同步發展,相輔相成。純軟體或純硬體公司,恐怕都得因應此一趨勢的轉變,及早規劃轉型對策。
0

IEK迎2030年人才大勢 AI驅動新就業市場

有別以往以歐美先進國家為主的觀點,工研院近日於亞洲國家調查各國對2030年各領域前瞻科技的布局與影響,藉此了解亞洲與全球在中長期技術前瞻與市場需求之差異,期盼以科技創新帶動產業翻轉,進一步打造台灣產業競爭力。 科技人才的培育與人才及產業之間的銜接,亦是未來將面對的重大課題。展望2030年,國際人力資源與企業管理顧問公司萬寶華認為,有將近七成的未來工作至今尚未出現。儘管如此,但隨著科技創新已經可以明顯感受到企業營運、人才職能與學院教育皆已開始隨之變化。 AI創新工作型態 工研院產業科技國際策略發展所產業分析師黃筱雯(圖1)指出,透過輔助型人工智慧(AI),能夠為人類節省更多時間心力,快速完成SOP工作。然而,隨著人工智慧自主能力越來越強,會由現在正蓬勃發展的人機協作,逐漸走向機器自主的時代,屆時,人類與機器之間的角色將出現大變動,可自主感知、分析、評估與決策的機器將成為主流。 工研院產業科技國際策略發展所產業分析師黃筱雯指出,透過輔助型人工智慧,能夠為人類節省更多時間心力,快速完成SOP工作。 儘管AI將在某部份取代人力,然而,AI也將驅使創新工作型態出現,創造更多工作機會。根據麥肯錫全球研究院(MGI)研究指出,科技創新對於就業機會將造成影響,其中由短期看來確實會帶來工作消失、人類失業等衝擊;然而若以長期影響看來,科技創新所創造的工作數將遠勝於消失的工作數。原因就在於科技創新除了催生原產業的新商機,還會促使其他產業轉型升級,創造新的工作機會。 黃筱雯舉例,個人電腦的出現曾為就業市場帶來了龐大的衝擊。然而回顧這段歷史,我們可以看到自1980年代至今,這40年來美國當地所創造的淨工作數達到1,575萬;其中,在PC產業出現的全新型態工作大約占了其中的20%,若是將範圍擴大到所有產業來看,其實個人電腦創造了將近八成的全新型態工作。 麻省理工因應AI需求打造學院 根據PwC資誠研究報告指出,近年來,有越來越多的全球企業執行長開始擔心無法獲得數位經濟時代所需要的關鍵技能;並且有超過九成的執行長認為,現今人才需要特別強化快速學習、傾聽與溝通這類的職場軟技能;除此之外更有過半數的執行長擔心無法招募到優秀的數位人才。在數位經濟、科技創新浪潮下,企業該如何掌握商機成為關鍵所在,對於人才而言亦是如此。 在產業的變動下,未來企業所需要的職務分類、工作內容、人才價值皆必須重新定義。「人機協同而非取代」將是未來產業發展的重要關鍵因素。端看企業如何在數位科技與人之間取得最佳平衡點。 黃筱雯進一步分享,為因應未來的工作環境,跨足雙重領域的整合型人才在未來將更加重要,也因此,美國麻省理工學院(MIT)於今年開始,耗資10億美元打造AI學院。該學院的目標在於將AI應用於所有研究領域,並鼓勵學生雙重領域的學習與應用,同時幫助學生系統性學習與思考。該學院企圖打破傳統大學教職聘僱的傳統機制與思維,同時打造MIT全學院的共享結構。也就是說AI學院將扮演其他五所學院(理學院、工程學院、建築學院、管理學院、人文藝術與社會科學院)的跨域橋樑。該學院預計將於2019年9月正式招生營運,屆時便能看到人工智慧教育的新典範出現。
0

專訪資策會智慧系統研究所所長馮明惠 跨域共通平台推動製造業升級

傳統中小型製造業者,在科技發展的腳步下,是十足的弱勢族群,不僅製造方法落後、效率低,對於生產資訊的蒐集與經驗累積,都極為土法煉鋼。工業4.0智慧製造的內涵,非常重要的精神就在於少量多樣的彈性化智慧生產,此也契合中小型製造業生產模式。然而,資源相對缺乏的中小企業在導入新興資訊科技的過程中相當無助,政府與法人的協助更加重要。 跨領域合作為王道 物聯網的興起正式推動資訊科技產業的第三波變革,資策會智慧系統研究所所長馮明惠表示,從四、五十年前第一波以PC為主的資訊硬體到第二波的App經濟,近年走入全聯網時代,裝置多了感應、通訊、控制甚至分析的功能,於製造業就是提供製造設備單機、產線、整廠的聯網,然而推動的真正關鍵成功因素必須兼顧深度與廣度,除了整合水平領域的資源建立具互通性的平台之外,也要深入垂直產業的領域知識,建立夥伴關係,以共享、共創的精神發展平台,最後發展適當的商業模式,讓解決方案可以實際運作、持續成長。 資策會系統研究所長期發展資訊軟體技術,在智慧製造的推動上,馮明惠強調,為建構工業物聯網完整價值鏈,開發公版聯網平台NIP EI-PaaS核心技術,運用共同的網路、管理等模組,設計可視化的分析平台,將重要的生產訊息簡易呈現,並具備完整的管理功能,物聯網雲平台是智慧製造生態系統的骨幹,可以協助台灣製造業快速的邁向智慧製造。 摒棄過去單兵作戰的思惟,為了解決物聯網應用破碎化的難題,馮明惠強調,該平台發展的過程中,為了擴大技術廣度,網路安全功能與該會資安所合作,領域知識與數位所合作,硬體技術與工研院資通所合作,產業應用則與研華一起,共同發展NIP EI-PaaS平台。為了深入垂直產業,也與手工具公會、機械公會、工具機公會等攜手,完成平台的共通性與垂直領域深化。 按部就班推動產業轉型升級 另外,資策會系統所為提供機台、設備連網,也發展了機台聯網閘道器軟體Chameleon,專門用於連接產線PLC設備並將資訊回傳至後端資料庫,大幅降低生產資訊取得門檻,更新、自主維護容易。結合物聯網雲平台,協助在產線上的業者進行轉型,包括擁有產線的製造業者與產線設備供應商,從生產面與設備面同步進行提升與轉型。總結發展的過程,深入領域知識並進行跨領域結盟才能真正發現產業需求,透過不斷地溝通、分工與合作的手段達成預期的目標。 在平台就位之後,產業轉型升級之路才要正式展開,馮明惠說明,包括人才培訓、提出廠商投入誘因如補助也很重要,而嚴謹的推動步驟包括:前期的技術研發,提出產業可用的解決方案;第二步是發展試行場域,並組織產業聯盟,以打群架的概念,讓更多志同道合或有共同需求的廠商可以導入;再與策略合作夥伴建立可營運的機制,讓政府科專計畫可以商業化,並且建立可獲利的商業模式。 前述步驟可以說是加速階段,如果能夠順利推展已是成功模式,接下來就可以大幅發揮產業轉型效益,正式進入起飛的階段,馮明惠說明,第五個步驟就是產業鏈(Eco-system)的發展,包括產業上下游與產業群聚,可以發揮產業成長綜效,至此產業轉型可以宣告成功。最後一個階段是發展產業標準,將產業實力進行大規模的擴散與輸出,若能成功推展有機會建立產業典範,只是就目前看來還有很多值得努力的地方。 持續發展平台/連網/運算技術 物聯網時代垂直領域是技術應用主要的對象,所以深入了解領域需求,而且尊重該領域的專業是一大重點。展望未來,馮明惠說明,台灣有很好的霧端或邊緣(Edge)端的技術,如何在與領域需求結合的前題下,透過邊霧運算,讓裝置的價值更為凸顯,雲霧協作非常重要。另外,物聯網本身是一個龐大的網路,在5G的架構下,大規模物聯網通訊與低延遲、高可靠度的通訊技術是各界現階段發展的重點,著名的「電車難題」就需要低延遲網路與高效能運算技術合作解決,也是系統所接下來主要的任務之一。 未來高效能運算技術像是「量子電腦」已經有很多研究單位投入,系統所會結合平台與運算技術,配合長期以來公部門,包括中央部會與地方政府的支持,提供國內產業發展所需的解決方案,持續協助國內產業升級。 資策會智慧系統研究所所長馮明惠表示,物聯網平台NIP EI-PaaS,與水平、垂直領域專家合作,完成共通性與垂直領域深化。  
0

智慧音箱市場正夯 韓電信商布局各有千秋

韓電信商看重智慧音箱市場 韓國三大電信業者自2016年由SKT推出第一款可支援韓文語音的智慧音箱產品「NUGU」後,KT與LGU+亦於2017年陸續推出智慧音箱產品「GiGA Genie」及「U+ our home AI」。根據韓國中央日報報導,截至2017年底全韓國已經售出超過100萬台智慧音箱,其中,電信營運商的智慧音箱產品市占超過7成。另一方面,韓國聯合新聞引用國際調研公司Canalys的統計指出,韓國將成為全球智慧音箱的第5大市場,預期2018年將銷售300萬台。 智慧音箱為韓國三大電信商近期應用人工智慧的重點產品,各電信商也調整組織結構與內部資源分配,以持續投入人工智慧相關發展(表1)。為集中資源進行人工智慧相關研發,SKT在第一款智慧音箱推出後,於2017年初成立專責機器學習與深度學習技術開發的單位「T-Brain」。 2017年12月SKT組織改編後,設置人工智慧(AI)研發中心,將T-Brain納入,並延攬具備Apple語音助理Siri開發經驗的Kim Yoon擔任中心負責人。同時,SKT宣布未來三年將投入45億美元建構人工智慧、自駕車、物聯網等相關產業生態。 KT在行銷策略部下設置智慧音箱GiGA Genie事業組,負責GiGA Genie的行銷、新興服務開發及業務合作等。在研發部分,由KT融合技術院服務研究所中的AI技術中心主導,負責人工智慧策略制定、研發與專業人才育成等。LGU+亦設置直屬於CEO的AI事業部,強化人工智慧布局能量。 在研發投入方面,針對智慧音箱所搭載之人工智慧語音助理技術開發,三家業者所採取的策略亦有所差異。SKT透過自主研發,開發人工智慧語音助理系統Aria;KT除透過內部研發外,亦與國內外產研界合作,如與韓國電子通訊研究院在語音辨識技術上合作,並投資擁有自然語言辨識/理解技術的美國新創企業SoundHound。LGU+不自行開發語音助理系統,選擇與韓國第一大入口網站業者Naver合作,在智慧音箱中導入Naver的人工智慧語音助理平台Clova。 韓國三大電信商搶市各有優勢 三家營運商雖競相推出智慧音箱產品,但各業者對於智慧音箱的產品定位有所差異。SKT將智慧音箱視為展現其人工智慧技術的平台之一,由於SKT在2014年收購曾經為MP3大廠之一的iRiver,所以本身具備音響產品開發與製造能量。在智慧音箱NUGU上採用的是iRiver子公司Astell&Kern的喇叭,第二代產品也交由iRiver負責製造。同時,其智慧音箱產品以音響功能為出發點,所以SKT在第二代產品NUGU mini進行設計改良,透過縮小產品尺寸與內建電池,讓智慧音箱可以在戶外或汽車內使用,滿足更多使用情境。 KT為韓國IPTV第一大業者,市占率超過20%,因此由家庭影音娛樂角度切入智慧音箱產品,將智慧音箱作為機上盒產品推出,因此在產品設計上與SKT的智慧音箱大異其趣。KT智慧音箱GiGA Genie具備HDMI、S/PDIF等介面,讓影音訊號可以透過GiGA Genie傳輸至電視,第一代產品在外接攝影機後,甚至可做為家庭監控系統使用。GiGA Genie的製造由韓國機上盒製造廠商KAONMEDIA所負責。 LGU+部分,根據LGU+2018年3月公布之營運狀況顯示,LGU+已擁有超過100萬Home IoT用戶。智慧家庭領域為LGU+近年發展新服務之重點領域,因此該業者將智慧音箱定位成智慧家庭的控制中樞,強調與LGU+其他智慧家庭產品間的連結。硬體方面,LGU+推出的智慧音箱U+ our home AI,製造端選擇與過去為LG品牌代工藍牙耳機產品的Bluecom合作,另外,LGU+也提供Never子公司Line旗下的智慧音箱產品「Clova Friends」讓用戶選擇。 韓國三大營運商對於智慧音箱產品與服務的差異,也反映在各家銷售策略上。SKT為韓國第一家推出智慧音箱產品的業者,第一代產品NUGU定價約為226美元。商用前期為初探市場水溫之產品,促銷折扣最高達60%,僅銷售硬體裝置,不收取其他服務費用。第二代產品NUGU mini將產品尺寸縮小,定價約為90美元,目的則是透過壓低價格爭取更高產品市占率。 KT的GiGA Genie為整合智慧音箱、機上盒功能之產品,第一代提供兩種銷售方式,第一種為單機購買,定價約為272美元;第二種與既有機上盒租用方案相同。用戶在訂閱KT的IPTV服務時,可以選擇傳統機上盒或GiGA Genie,若租用GiGA Genie,需支付約11美元月租費,可依照綁約期間長短給予折扣。第二代則不提供單機銷售,僅提供IPTV用戶租用,裝置月租費與傳統機上盒完全相同。另外,針對IPTV高資費用戶另提供免收取裝置月租費之優惠,藉此提升用戶使用意願。 LGU+的智慧音箱定價約為135美元,與KT相同,除單機販售外,另提供與LGU+服務綁定之優惠。LGU+為刺激IPTV與智慧家庭用戶數成長,對於新加入IPTV服務的用戶,免費贈送智慧音箱裝置;針對IoT@Home智慧家庭服務用戶,同時租用三種以上裝置如IP Cam、智慧開關、智慧插座等,也可免費獲得LGU+的智慧音箱。 從服務面觀察,可由服務開發與既有應用服務兩層面探討。在服務開發方面,三家營運商目前仍在探索符合智慧音箱使用場景的服務,其中又以KT最為積極。該業者開放GiGA Genie AI...
0

主動抑振技術問世 機器手臂作業更流暢

然而,真實世界的情況並非如此。慣性定律告訴我們,一個物體的加速度越快,要把它停下來,需要越大的剎車力道,而且加減速的力量會影響到整個機械手臂系統的穩定,引發各種振動現象。 玩過夾娃娃機的讀者應該都會觀察到,當夾爪高速移動到定位,準備下去夾娃娃時,即便夾爪已經停在所想要的X、Y軸座標上,夾爪還是會因為慣性力道的大小而出現程度不一的搖晃,導致最後夾爪的落點未必會在所想要的位置上。 被動式抑振一字訣:等 機械手臂上的夾爪、吸盤等夾治具也一樣,當手臂高速運動到定點並停下來時,夾治具往往還會振動一段時間,特別是帶有延伸臂的夾治具,延伸臂末端的振動情況會更明顯。 對於需要進行精密加工或組裝工序的應用來說,因慣性而產生的振動,對完成品的良率會造成很大的影響。振動除了會導致夾治具與工件的接觸點不正確之外,如果是結合機器視覺的應用,工業相機的取像作業也會受到影響,甚至導致系統產生誤判。 要解決這個問題,傳統作法其實很簡單--等。通常由慣性產生的振動,都會在1~2秒內停止,因此手臂移動到定點後,只要稍微等待一下,讓夾治具或相機穩定下來,再開始作業即可。 但這看似微不足道的等待時間,累積起來也很可觀。假設一支機械手臂一天要做100台產品,每台產品只有一個加工動作,每次都要等待1秒讓振動停止,等待時間就長達100秒。在真實的產線應用上,情況只會更糟,因為一支機械手臂可能每天要處理成千上萬台產品,加工動作也不只一個。機械手臂浪費在等待振動停止的時間,是不容小看的。 除了等待振動停止之外,為了減少慣性引起的振動,提高夾治具的剛性,有時也能發揮效果。但這種作法有其副作用,因為夾治具的剛性越高,通常重量也越重,這會使手臂的荷重(Pay Load)增加負擔,手臂的馬達、減速機等都必須提高力量,才能完成同樣的工作。因此,增加夾治具剛性的作法,在實務上很少採用。 在物理法則的限制下,對機械手臂而言,速度、精準度與穩定度是三個必須互相妥協的參數。運動速度越快,精準度跟穩定度就得妥協;若要做非常高精密度或需要高穩定度的加工組裝,手臂的速度就不能太快。 然而,對機械手臂的使用者來說,為了提高產能,加快投資回收,生產速度還是必須盡可能快,否則投資機械手臂的吸引力就會大打折扣。而這也促使手臂供應商必須設法用主動式技術來抑制振動,特別是專注於工業用機械手臂的業者。因為工業用手臂的運動速度極快,慣性所造成的問題也更明顯(圖1)。 圖1 高速運動的機械手臂會承受更大的慣性力,因此夾治具或手臂本體的振動現象也是由此而來。 結合感測/控制算法實現主動抑振 為了因應高速運動所衍生的慣性振動,愛普生(Epson)發展出獨家的振動抑制技術(VRT)。該技術是以Epson的QMEMS感測技術為基礎,搭配其自行開發的軟體平台跟控制器硬體,來抑制手臂高速運動時的振動。 對使用者來說,這項技術能帶來的效益有二,一是減少機械手臂等待振動停止所浪費的時間,二是延長減速機的使用壽命,降低機械手臂故障或維修所帶來的成本。 事實上,手臂或夾治具的振動會縮短減速機的壽命,因為減速機必須出力才能抵銷慣性跟其所帶來的振動,慣性力或振動越大,減速機的對應出力也就越大。減速機又是機械手臂的核心零部件,維修成本不低。減速機的使用壽命延長,有助於降低機械手臂的整體持有成本。 但需要特別釐清的是,抑振技術無法讓振動完全消失,因為振動產生的根源是慣性,這是無法完全消除的。抑振技術只能縮短振動持續的時間,讓手臂更快執行下一個動作(圖2)。 圖2 使用振動抑制技術可縮短振動時間,讓手臂作業更加流暢。 機器視覺/延伸臂夾治具獲益最大 以產線運用情境來看,最能從主動式抑振技術中獲益的主要有二,一是帶有機器視覺的機械手臂應用,二是搭配吸盤或帶有延伸臂夾治具的機械手臂。 以機器視覺為例,如果工業相機是安裝在機械手臂上,則主動式抑振技術可明顯縮短相機的晃動時間,提高影像的品質。但如果工業相機是安裝在手臂以外的某個定點,例如用工業相機做二次定位的手機面板精密組裝,主動抑振同樣可以發揮效益,因為手臂把工件帶到到相機鏡頭前的時候,工件的晃動可以更快停止,甚至幾乎不用等待時間,相機也能取得清晰的影像。 機械手臂搭配吸盤或使用帶有延伸臂夾治具的情況,則是另一個主動式抑振技術的最佳應用範例。前文提到,由慣性引發的振動,在延伸臂末端會特別明顯,因此更需要主動式抑振技術來減少振動時間。 除了機器視覺跟夾治具振動外,手臂本體在運作時也會造成振動,特別是手臂若安裝在剛性或重量不夠的工作平台上時,手臂的振動會更加明顯。此外,若一條生產線上採用多支機械手臂,且這些手臂安裝在同一個工作平台上,隔鄰手臂的振動也會藉由平台傳導到其他機械手臂上。 在這兩種情況下,採用抑振技術也能發揮一定的效果,避免手臂運作受到干擾,或是去干擾其他手臂運作(圖3),進而幫助使用機械手臂的企業,實現更具競爭力的生產製造過程。 圖3 抑振技術的四大目標應用 (本文作者任職於Epson)
0
- Advertisement -
- Advertisement -

最新文章

- Advertisement -

熱門文章

- Advertisement -

編輯推薦

- Advertisement -