- Advertisement -
首頁 首頁Top區塊

首頁Top區塊

- Advertisement -

MicroLED顯示器2023年挑戰2.5億裝置搭載

MicroLED顯示器被視為顯示器明日之星,近年有許多廠商投入開發,就在技術瓶頸逐漸克服之際,產業研究機構Yole Développement表示,2019年MicroLED將走上量產之路,預計小量出貨搭載在610萬個裝置上,2021年以後成長逐漸加速,裝置搭載量將突破5000萬,2022年正式破億,2023年將挑戰2.5億裝置搭載量。 在應用部分,Yole認為,從2019年開始,MicroLED將從中小型顯示器開始發展,智慧手表與擴增實境(AR)、混合實境(MR)裝置是最早期的應用,接著將有平板電腦與高階電視導入,至於產業高度關注的智慧型手機,預計將從2021年開始導入MicroLED,並在2022與2023年加速,也是促成MicroLED出貨量起飛的關鍵,最終智慧型手機應該是MicroLED應用主流,也帶動其於2024年正式突破3億裝置搭載量。  
0

加快邊緣運算步伐 Intel推全新視覺加速器方案

英特爾(Intel)積極拓展邊緣運算版圖,於近日發布全新視覺加速器設計產品(Intel Vision Accelerator Design Products),強化邊緣裝置人工智慧(AI)推論與分析能力。此一解決方案包含Intel Movidius視覺處理器與Intel Arria 10 FPGA,皆以OpenVINO軟體工具套件為基礎,提供開發者在多種Intel產品中使用進階的神經網路效能,在物聯網裝置中運行更具成本效益的即時影像分析和智慧化功能。 為了降低雲端運算工作負載,實現更多創新應用,邊緣運算需求與日俱增,應用開發商與半導體業者皆積極將深度學習或機器學習導入前端設備,希望使前端裝置也有人工智慧的能力,而這過程中也有許多挑戰須克服。 英特爾資深副總裁暨物聯網事業群總經理Tom Lantzsch表示,以往企業在導入深度學習技術上遇到許多困難,不論交通運輸、智慧城市、健康照護、零售與製造業,都需要專業知識、種類廣泛的多樣化裝置與具擴充性的解決方案,以進一步發展深度學習。而新推出的視覺加速器設計產品可提供更多選擇與彈性,加速AI邊緣運算發展,以產出更多即時性資訊。 據悉,新發布的視覺加速器設計產品運作方式,是將AI推論的工作負載轉移至Movidius視覺處理晶片陣列,或高效能Intel Arria 10 FPGA的專屬加速卡上;且開發者可透過OpenVINO工具套件,將Intel CPU與Intel內建GPU上的深度學習推論應用與設計成果,輕易延伸至這些全新的加速器設計之中,藉此節省時間與費用。 英特爾指出,用此一視覺解決方案的企業,不論是在資料中心、現場部署伺服器或於邊緣裝置內採用深度學習人工智慧應用,深度學習推論加速器皆可擴充至其需求程度。 此外,英特爾也透露,相較於Discrete GPU,新推出的視覺加速器產品優勢在於封裝小,可用於體積小的邊緣設備,且功耗更低(約10~20瓦);同時為了因應市場多元的應用,不僅是新發布的Movidius視覺處理器和Arria 10 FPGA以OpenVINO為基礎外,其餘產品線如XEON、CORE i7和ATON等,也都支援OpenVINO,讓開發者依據自身需求選擇合適的晶片,打造具深度學習功能的邊緣裝置。
0

Exagan進駐台灣 GaN電源晶片產業再添新面孔

氮化鎵(GaN)材料正在電源應用領域掀起革命,許多電源元件的老將新秀都已紛紛投入。來自法國的艾斯剛(Exagan)也宣布將在台灣設立其第一個海外據點,加速開拓亞洲市場。 艾斯剛執行長Frederic Dupont表示,亞洲是電源轉換跟電源供應器相關產品的研發、製造大本營,設立亞洲據點,對公司的發展非常關鍵。藉由在台設立銷售與應用中心,艾斯剛能更密切地與本地的客戶合作。 艾斯剛創立於2014年,背後有研究機構CEA-Leti與半導體材料公司Soitec的支持。該公司擁有自行開發的矽上氮化鎵(GaN on Silicon)製程技術,可以在標準的8吋晶圓廠製造。目前該公司除了提供以GaN為基礎的G-FET開關元件外,也已經開發出整合了驅動器和開關的G-Drive元件。主要的應用市場為電源供應器、馬達驅動、太陽能與車用電子。 艾斯剛亞洲業務總經理Ralf Kilguss表示,與其他IC設計公司相比,該公司最大的優勢在於擁有自己的製程技術,因此不像其他IC設計公司,只能依照晶圓廠提供的製程Library來進行晶片設計。這使得該公司的設計團隊得以開發出更差異化的產品,且有更多資源來解決設計上所遇到的問題,不會受到晶圓代工廠的限制。 目前艾斯剛主要的晶圓代工夥伴為X-Fab,品管跟測試則與TUV Nord Group合作。該公司的G-FET與G-Drive元件均已進入客戶送樣階段,預計在2019年開始量產。
0

性別/年齡AI看手就知道

各位以為用人臉識別性別年齡就很厲害了嗎?這篇文章要來讓各位瞧瞧深度學習的黑科技可以黑到甚麼程度。只要透過手的照片,就能夠知道性別與年齡,透過卷積神經網路就能做到這麼神奇的效果。 本文將從數據到模型,透過微軟的深度學習框架CNTK以及臉書的深度學習框架Pytorch,來實作根據手的照片來判斷人的性別與年齡。以下解說部分張貼的皆為CNTK代碼,並附上兩個框架代碼。 首先關於使用的數據來自Google,他提供了一組數據包含了11,000張手部的照片(圖1),同時包含手的主人的性別年齡與種族。我們將會擷取裡面的性別(類別)與年齡(連續)數據來作為輸出變數,手部圖片作為輸入特徵。 圖1 Google提供了一組數據包含了11,000張手部的照片。 由於下載後還要自己整理圖片有些許麻煩,因此我也已做好圖片的懶人包,將圖片數據向量化,以及比對好標籤檔的結果,並以Pickle檔案格式儲存。 圖2為解析完的結果,清單內的每個項目也是一個子清單,裡面分別包含兩個Ndarray,第一個是形狀3×64×64的向量代表圖檔。請注意,CNTK與Pytorch都是CHW格式:通道×高×寬。另一個則是形狀為3的向量,裡面三個數值分別為id(數值相同代表是同一個人的不同角度的手)、年齡(介於0~100)以及性別(0是表示女性,1是表示男性)。 圖2 Google手部圖片分析後的結果 CNTK與Pytorch的圖片格式要求是一樣的,在各家深度學習框架中,僅有Tensorflow的排列順序相反。向量維度的排列是CHW(通道×高×寬),顏色的排列順序是BGR(藍綠紅),也就都是依照字母順序排列。 關於圖片與向量的轉換方法如下: def img2array(img: Image): arr=np.array(img).astype(np.float32) arr=arr.transpose(2, 0, 1)#轉成CHW arr=arr #顏色排序為BGR return np.ascontiguousarray(arr) def array2img(arr: np.ndarray): sanitized_img=arr#轉成RGB sanitized_img=np.maximum(0, np.minimum(255, np.transpose(arr, (1, 2, 0))))#轉成HWC img=Image.fromarray(sanitized_img.astype(np.uint8)) return img 為了供給建模使用的資料讀取器,同時也因為我想要畢其功於一役,讓兩種框架都可以一次適用,所以我寫了一個通用的讀取器來供應每個Minibatch所需要的數據。其中讀取圖片時,我將圖片向量除以255,而且讀取年齡時,我將數值除以100,都是為了確保數據可以介於0~1之間,以方便收斂。在這個範例中因為篇幅關係暫時不放數據增強(Data Augmentation)。利用函數,每次調用都可以回傳圖片以及所需要標籤。此外,要注意的是打亂圖片順序這個步驟很重要,Google的數據是有按照性別排序的。 在這裡要示範的卷積神經網路骨幹網路用的是我最近很推崇的一篇文章所介紹的新架構「DenseNet」,原始論文出處為「Densely Connected Convolutional Networks」。 傳統的卷積網路都是線性的,但當層數越多時,就有可能發生梯度彌散的問題,造成模型無法收斂。正因如此,微軟亞洲院2015年發展出的殘差神經網路(ResNet)就使用了跳轉連接(Skip Connection),以有效的將梯度挹注到後面神經層,這樣模型就可以做出超深的架構,也不用擔心難以收斂。 微軟2015年就以152層的ResNet獲得了當年的imageNet冠軍。但是深度學習在訓練的過程中,當卷積神經網路將梯度傳送到後層的時候,都會發生特徵被隨機遺失,這樣這個特徵就再也傳不下去而無用了。為了解決這個問題,DenseNet的基本概念就是,每一層的特徵都會傳送到後面的「每」一層,這樣就可以有效的確保訊號不被丟失。 圖3 ResNet架構 DenseNet的基本結構稱之為稠密單元(Dense Block),它有幾個重要的超參數: ·k:稠密單元層數 ·n_channel_start:初始通道數 ·glowth_rate:通道成長數 以圖4為例,假設下圖是一個k=4(向下傳遞4次,所以共5層),初始通道數32,成長數為16的Dense Block,分別計算每一層的輸入通道數(從前面傳進來): 圖4 5層架構的Dense Block   X1:32+16(來自於X0)=48 X2:48+16(來自於X1)=64 X3:64+16(來自於X0)+16(來自於X1)=96 X4:96+16(來自於X0)+16(來自於X1)+16(來自於X2)=144 Growth Rate有就是每次會傳遞多少通道到後面的層數,以上面說明案例固定數值為16,但該卷積層的通道數比這數字更大,因此等於是強迫每個卷積層要做一次特徵選取,將特徵精選之後傳至後方。這種「Save...
0

IHS Markit:2020年8K電視出貨衝刺200萬台

根據產業研究機構IHS Markit的最新報告,歷經2017年出貨量衰退後,預計2018年全球電視出貨量將成長3.6%,2019年再成長1.4%。2019年整體市場出貨量將達2.26億部,超過一半將是超高解析度(UHD)產品,4K電視將成為主流。HIS也進一步預測,全球主要電視品牌的8K電視將於2018年底推出,開啟下一波高畫質升級潮流。 IHS Markit認為,電視市場的成長通常是因為大尺寸螢幕的零售價格更具吸引力以及4K解析度持續商品化,推動電視更換和升級;但是,這種透過價格壓縮的成長會對利潤產生負面影響,因此電視品牌正在積極尋求透過技術與規格的改善獲得更多成長以提高營收。 像8K、有機發光二極體(OLED)和量子點(QD)這類新興技術為電視售價帶來了相當大的溢價。IHS Markit預測,8K電視市場將從2018年的不到2萬台成長到2019年的43萬台,2020年將挑戰200萬台,而且將集中在60吋和更大尺寸的產品上,65吋電視預計占一半以上的出貨量。 另外,2019年預計OLED電視將成長40%以上,達到360萬台。此一成長與之前的預測一致,根據目前的價格,主流為55吋,但到2020年將是65吋,當新的生產能力針對更大的螢幕尺寸進行優化,預計OLED電視將大幅成長。量子點液晶電視的出貨量預計在2019年超過400萬台,2020年更將超過600萬台。  
0

數位/類比整合型MCU助力 血糖機降低血球干擾

血糖機是用以讀取血糖感測試片訊號並顯示所估測血糖值之必要裝置。因此血糖機檢測精確度的重要性於各國相關法規日趨嚴謹,如: 1.ISO15197對血糖機的要求標準,2013年版已經將≥100mg/dL量測值誤差規範從±20%下修至±15%,並規定業者在2016年全面落實。 2.美國食品藥物管理局(USFDA)於2016年10月公告更嚴格的血糖機檢測標準,公告中明確指出:血糖機送審測試樣本要求,除了原本不同血糖濃度範圍之樣本,還須增加來自不同血球容積比在不同血糖濃度下之量測干擾偏差數據。 人體血液血球容積比之個體差異相當大,紅血球是影響葡萄糖在血糖感測試片上經化學反應釋出電子擴散移動的物理屏障。因此血球容積比的高低,會使葡萄糖釋出的電子,在血糖感測試片中的擴散移動受到影響,進而導致血糖機量測血糖值的誤差量被放大。通常血球容積比偏高,會引起血糖機的讀值偏低;反之,積水或貧血病患的血球容積比偏低,則會使血糖機讀值偏高。而當實際血液中的血糖值偏低,但血糖機測量讀值卻偏高的情況,對糖尿病患者而言是非常危險的事情。 美國食品藥物管理局建議血糖機量測血糖值的血液樣本,其血球容積比的容許範圍為10%~65%,其具體意義指的是:血球容積比在10%~65%範圍內,血糖濃度≥100mg/dL量測值,其誤差量必須在±15%以內。 一般市售血糖機,通常都只單純量測血糖濃度,血球容積比則在35%~55%的範圍內,而忽略血球容積比對血糖量測的影響。如此做法僅勉強符合ISO 15197:2013版法規的要求,且幾乎都已接近界限值。而能夠符合新版FDA建議的10%~65%容許範圍的產品,目前市場上並不多見。 MCU為血糖機量測核心 血糖機是以微控制器(Microcontrol Unit, MCU)為核心,其周邊控制、演算法運算、資料儲存、數值顯示、錯誤資訊提示等,都需要透過MCU來完成(圖1)。 圖1 使用瑞薩RL78/L1A微控制器實現血糖機設計的系統方塊圖(淺色底色為血糖機高階功能) 唯有放大倍率電阻無法內建到IC內部,而血糖感測片配方不同,必須進行生物化學與電子電路的小訊號放大匹配,由生化方進行不同血糖濃度的血液測試,進而從數據中分析並找到最佳倍率。 當血液流入血糖感測片而接觸到兩電極後,由DAC提供穩定的反應電壓(0mV&100~500mV),此時血糖感測試片會在血液和酵素交互作用後,釋出電子產生電流。圖2中IGlu就是表示從血糖感測片所產生的電流,OPA電路為I→V功能,OPA Output端量測的電壓波形其實就是血糖感測片實際輸出的電流波形,而後,由ADC擷取電壓波形,各家血糖機廠商再從其中找出與血糖相關的轉換式,由MCU運算後得出血糖值,進而顯示在LCD上並儲存在RL78/L1A的Dataflash中(圖3)。需要注意的設計重點: 圖2 血糖量測的具體應用電路 圖3 血糖測值反應過程的訊號示意圖 .酵素溶解時段 此時段最重要的是DAC必須輸出非常接近0mV的電壓。因為酵素跟血液溶解的同時,也正在跟血液中的葡萄糖產生化學反應,若此時Working Electrode不是接近0mV的電壓,就會對化學反應產生干擾,而此干擾會造成之後在取樣時把量測誤差放大。 .反應及取樣時段 此階段由RL78/L1A的DAC輸出穩定電壓(通常為100mV~500mV)給血糖感測試片的Working Electrode。這就完全是客製化的設計,此電壓必須匹配各家血糖感測試片以及生化方測試方式的要求而給出不同電壓,甚至於不同的測試區間提供不同電壓。 血糖機系統設計RL78/L1A有優勢 對於一般的糖尿病患者,醫生通常一天會使用4次血糖機來量測血糖,高度使用者則一天會使用到7次(早餐前/後+午餐前/後+晚餐前/後+睡前)。若估計每次血糖量測時間為3分鐘,則表示就算是高度使用者,一天仍然只處於開機檢測運算狀態21分鐘。也就是說,通常血糖機在使用者身上,有99%以上的時間都處於待機狀態。由此可知,低待機耗電流對於血糖機系統設計而言是非常重要的特性之一。 RL78/L1A內部有一個非常省電的「32.768KHz RTC振盪電路」,此電路同時具備「省電」以及「起振穩定」兩種特性,此兩種特性使得血糖機在待機模式(RTC On)情況下,平均耗電流可低達「1.2uA~1.7uA」甚至更低,這是業界IC很難達到的效能。另外,RL78/L1A(80 Pins)周邊功能完整,可同時滿足高/低階產品功能需求。 RL78/L1A由於周邊功能相當完整,因此設計上非常靈活。高/低階血糖機可以採用模組化設計,使高/低階血糖機可以共同備料。雖然這些規格用在低階血糖機上會超出設計需求,但若客戶的重點放在共同備料時,RL78/L1A就會是很好的選擇。 在數位電路部分,ROM Size在Pin to Pin Compatible情況下可以支援48KB到128KB,倘若演算法過於複雜,設計者也不用苦尋另一顆IC。因為RL78/L1A在同Pin數的產品上提供不同的ROM Size選擇,而且Pin腳完全相容。 RL78/L1A內建的Dataflash有8K Byte,能夠直接省略一般血糖機必須外掛的EEPROM(24C64之類),除了省下外部IC成本,其他人欲破解Dataflash參數也更加困難,等於是保護作用又多了一層。 晶片內建高速振盪器(High-Speed on Chip Oscillator)能做到全溫域(-40~85℃)都維持±1%的誤差量,故其他周邊也相對穩定,因而在使用上也會更放心。 LCD有4/8COM選擇,再加上有Boost Level Control,在設計上也提供了相當大的靈活度。當產品需要更多LCD點數時,就可以選擇8COM的LCD。 此時Boost Level Control可以配合LCD所需電壓,使其在所選的Level維持穩定。這樣一來LCD的顯示效果也能擁有一定的品質。 在類比前端部分,Rail to...
0

西門子攜手北市府 技職課程導入工業自動化

五大高工導入西門子方案 盼有效拉近產學落差 近日台北市政府教育局與台灣西門子共同簽署合作備忘錄,為台北市擘劃未來合作藍圖努力,希望專業人才能夠在社會上得到尊重與認同,國家的技職教育得以蓬勃發展。 台北市自107學年度起辦理數位職人培育試辦計畫,採用西門子自動化教育合作方案(Siemens Automation Cooperates with Education, SCE),導入西門子機電技術一體化國際認證教學模式(Siemens Mechatronic Systems Certificate Program, SMSCP)為主,針對台北市技職學生做國際化數位製造的職人培訓。 該計畫將針對台北市大安高工、松山工農、內湖高工、南港高工及木柵高工五所學校實施。該課程結束後,即安排學生至西門子合作的相關企業見習,將理論與產業實務結合從做中學習。透過此試辦計畫,預期能有效縮短台灣目前的學用落差;並協助技職學校建構國際化教材,紮實累積自動化領域的實務經驗。不僅對學校未來在數位製造課程的規畫和執行有相當大的助益,更強化台灣工業數位人才技術實力和競爭力。 西門子台灣總裁暨執行長艾偉表示,升級產業以永續國家競爭力是各國發展首要策略,其中創新技術至為重要;培育專業人才亦是關鍵。西門子相當重視人才培育,長期與全球各國政府教育機構緊密合作,增進技術知識並與產業無縫接軌。台灣西門子與台北市政府合作數位職人培育試辦計畫,攜手強化產學鏈結,提高台灣技職人才的國際就業力。 在此之前,台北市亦率先於102年度起超越全國辦理海外技職教育見學團,並與西門子公司合作,連續六年為台北市提供柏林、紐倫堡教學技術中心及西門子自動化工廠的見學機會。藉由海外見學機會,提供學生專業技術學習及多元文化認識,促進台灣技職教育向上提升。 大安高工校長陳貴生認為,工業4.0需要數位化與大數據來推動,當今不論是科技大學或是高職都在往該方向調整課程。內湖高工校長林振雄則指出,目前高職畢業後直接進入職場就業的學生比例不高,因此未來將聚焦於基礎課程,協助學生入門扎根,並以銜接科技大學課程為主要目標。 群集教育理念回歸 跨領域人才培育日趨重要 南港高工電機科教師丁一能於2017年起,親身進入西門子實習10個月,再將設備使用方法帶進校園中。他表示,當初會與西門子合作,主要目的是為了弭平台灣的產學落差。 在過往,台灣產業界與技職學界所使用的設備不同,因此學生畢業後進入產業工作時,將面對產學之間的落差。因此,丁一能親身投入,將工業4.0的基礎設備導入高工課程之中,不但帶領了高工課程轉型數位化,在未來更將提升台灣產業技術實力。 丁一能說明,台灣過去曾有一段時間講求「群集教育」,也就是高工的學生必須要同時學習機械製造、電銲、木工以及電子電機課程;然而後來卻逐步走向專精教育,甚至師資培育也是往專精方向發展,造成學生難以跨領域學習。但是近來台灣技職學界又回過頭來談教學廣度的重要性,希望學生畢業進到產業工作後,就算遇到不是主修科目的難題,也能夠具備跨領域的基礎概念,並與產業接軌。 丁一能進一步舉例,在台灣的高工課程安排中,電控與工具機的相關知識屬不同學科,並沒有結合在一起,但是到產業裡是要一起考量操作的。而西門子的機電技術一體化國際認證教學模式,便是較為符合產業現況的操作架構。 丁一能在完成西門子的實習之後,除了在南港高工持續執教之外,也將以台北市政府教育局的名義到各學校去教導學生操作西門子的設備,估計一年將能培訓240名學生。 西門子台灣總裁暨執行長艾偉表示,升級產業以永續國家競爭力是各國發展首要策略,其中創新技術至為重要,但培育專業人才亦是關鍵。
0

誘因設定要以獲利為前提

  文 | 萬岳憲 資策會MIC產業躍升事業群總監 有趣的是,為什麼一個在組織內部被層層檢視後,才能執行的促銷活動,最後反而產生負面的形象效應,行銷團隊甚至還會暗自忿忿不平,明明成功的為組織帶進利潤、提升績效,結果還被第一線的服務同仁抱怨到自我否定。 因為,在行銷活動規劃初期,沒有掌握到「行銷規模預測」與「誘因設定偏差」的概念思維,所以才無法有效的降低良善行銷活動變成「之亂」的風險。 所謂行銷規模預測,就是要事先推估行銷活動的影響力,推論找出最大規模的數量級,再根據數量級來訂定組織要事前準備的服務能量與變動成本。例如手機網路499吃到飽的活動,就可以先推估自家用戶的換約數量,以及移轉用戶的換約數量後,再根據換約總數量的地理分布區域,推估全省各門市的換約服務承受量,據以事先調整服務人力,或建立特價活動快速服務機制。 想要得到數量級,一般可採用「大數據」或「費米推論」的方法推估,藉以掌握「量變」的需要。但是,良善的行銷活動,同時還必須瞭解「質變」的需要,所謂質變,就是基層服務人員面對消費者的直接行為。 先來看看美國大聯盟游擊手接球的故事。因為球迷喜歡看見游擊手飛身撲接球的畫面,所以媒體也喜歡鎖定拍攝飛身撲接球的動作,因此經常飛身撲接球的游擊手,就很容易成為大眾注目的焦點,甚至引起球探的注意,飛身撲接球數量愈多的游擊手,就會被認為是傑出的游擊手。 美國大聯盟傳奇游擊手基特(Derek Sanderson Jeter),在他的棒球生涯中,曾經得過五次的金手套獎,但是統計數據顯示,基特面對攔截飛球的反應較慢,所以才經常要飛身撲接,相對於數據顯示,接球防守率更佳的游擊手史密斯(Ozzie Smith),因為他的反應快,很容易就能夠追截到飛球,根本不需要飛身撲接,因此較少引起媒體及球探的注目,因為他讓所有的飛球,都看起來很平凡,反而被人們忽略了他的優秀接球本質能力。 再回頭想想,基層服務人員面對消費者的服務本質是什麼。日常的客戶服務準則,就是要讓消費者感受到親切的服務過程,因為消費者在預期接受服務的心理狀態下,引發與服務人員的主動式互動。但是,當消費者接收促銷訊息而引發被動式互動需求時,心理狀態反而是期望快速得到優惠,此時日常的服務話術及申請流程,可能就會成為引發消費者不耐煩的因子。也就是說,平常待人接物親切的服務人員,或許已經習慣日常的服務模式,當面對促銷活動帶來的人潮壓力,就可能會影響個人的服務品質與效率,而這類「質變」的需要,卻往往是行銷規劃團隊易於忽略或無權管轄因應的關鍵點。 再來是「誘因設定偏差」概念,行銷優惠活動的本質就是設定誘因,我們經常會看到以免費為本質的誘因,例如速食業者的「買一送一」漢堡促銷活動,這類與消費價格連動的誘因設定相對複雜,必須考慮行銷活動執行期間的固定成本與變動成本。許多促銷活動的訂價策略,採用最簡單的「成本加價法」,只要收入能夠超過固定成本與變動成本的總和,就算是有獲利。但是從競爭獲利的角度思考,成功的訂價策略,應該是要找出能夠創造產品「獲利極大值」的精準訂價區間,在這個區間內沒有單一訂價策略,只有最適合消費者,不理性需求的差異化訂價藝術。 德國管理學思想家西蒙(Hermann Simon)的研究發現,成功的單一訂價只能為企業賺到「應該有的獲利」,但是會損失「潛在的獲利」,運用差異化訂價策略找到最適合的價格,往往獲利會是單一訂價的兩倍,而較容易追求獲利空間的銷售方式,通常來自於組合式銷售商品。 我從有限的網路新聞資料找到相關數據,試算「漢堡之亂」的可能獲利,每個漢堡賣69元,賣一個成本是23元,促銷期間總共賣掉40萬個漢堡(包含送出數量)。 假設只考慮變動成本,試算結果並不是個獲利的行銷活動,除非賣一個漢堡的成本率降低至20%,或消費者同時購買其它組合商品的外溢效應,或固定成本率大幅下降等因素而獲利,否則這就是一個讓基層服務人員,瞎忙一場的促銷活動,問題就出在,一切的誘因設定,都不是以獲利為前提。 美國芝加哥大學經濟學教授李斯特(John A. List)將誘因分為兩類,獎賞或優惠屬於正面誘因,處罰或罰款屬於負面誘因,沒有任何法則可以讓人們依循該如何設定誘因,而是要根據你想要達到的效果,再針對目標對象重視的內容來設定誘因,最好的方式是先進行小規模的實驗,否則一旦誘因設定錯誤,反而會促使目標群眾,產生你不樂於見到的行為表現。 他舉例,幼兒園規定父母親必須在下午四點鐘以前接走小孩,一般遲到的父母都會向等待的老師致歉,因為道德感的約束,讓家長自律的準時來接走小孩。結果某日園長貼出公告,因為遲到家長的頻率太高,所以規定以後每遲到15分鐘就要罰三美元。這項規定反而讓所有的家長鬆了一口氣,因為園長很明白的訂定遲到的對價關係,遲到的家長不再充滿道德愧疚感,反而讓自己更輕鬆的遲到,因為只要付點小額的遲到費就行了。 網路流傳一則故事,美國大學女生喜歡在廁所洗手台的鏡子,吻上唇印,清潔人員抱怨唇膏很難清洗,校方也不斷呼籲學生,要愛護公共環境,甚至暗示可能會處罰在鏡子吻唇印的學生,結果引發學生大量吻唇印的抗議行為。後來校方想出一個辦法,安排學生到廁所觀察學習清潔人員的工作流程,當學生們看見清潔人員用拖把沾馬桶內的水,刷洗鏡面上的唇印之後,在鏡子吻唇印的行為就自動消失了。 園長的罰款規定讓家長的道德感約束消失,這是負面誘因引起的不樂見行為;學校的清潔鏡子方式,讓學生的吻唇印行為消失,則是正面誘因的結果。 所以,曾經有人跟我說,要解決大媽們集體蹲坐在無人商店蹭冷氣的最好辦法,就是在刷臉進門的時候,就先扣款十元,再做為購物的扣抵金額。這個辦法正好落入負面誘因設定的偏差,錢扣多了會被罵,錢扣少了,反而讓大媽們取得在無人商店蹲坐吹冷氣的正當對價關係。 我習慣提醒行銷活動規劃團隊:「你怎麼規劃,你就會有多忙,更可能讓別人跟著你瞎忙」。
0

Xilinx AI轉型拉攏資料中心 劍指Intel、NVIDIA

自行調適與智慧運算廠商賽靈思(Xilinx),多年來以可編程邏輯元件技術立足產業,為了在人工智慧(AI)的創新浪潮中注入下一波成長動能,啟動成立以來最大規模的轉型工程,並在日前的北京賽靈思開發者大會(XDF)中,積極與大陸雲端服務業者華為、阿里巴巴、浪潮等公司合作,搶占AI運算/推論市場,與布局較早的GPU、CPU競逐雲端AI應用大餅。 FPGA最大的特點就是靈活的可程式化與高運算能力,過去常被用在需要高運算效能或創新應用尚未發展出適合的ASIC時,面對AI浪潮席捲,AI無所不在的時代即將來臨,為搶占廣大的深度學習網路運算市場,各類運算平台積極布局AI運算,包括Intel為首的CPU、NVIDIA為主的GPU,FPGA龍頭Xilinx也投入,雲端AI運算市場競爭激烈,各家廠商積極合縱連橫布局產業生態系(ecosystem)。 以投入較早的NVIDIA為例,目前在AI競爭當中取得暫時的領先,該公司目前已經發展一系列的硬體晶片與板卡,搭配完善的開發環境、AI深度學習框架、軟體函式庫等,產業鏈初具型態;而昔日資訊運算霸主Intel,近年則是透過許多投資與併購,希望能扭轉CPU不適合深度學習運算的劣勢。相較之下起步較晚的Xilinx今年大動作投入,走向平台化並創建自行調適運算加速平台(Adaptive Compute Acceleration Platform, ACAP),Xilinx總裁暨執行長Victor Peng表示,首款產品Versal就採用最先進的台積電7奈米FinFET製程。 在北京XDF Peng強調,ACAP可以透過彈性化的調整,協助整體應用的加速,縮短執行時間,而不是只最佳化機器學習流程。Versal將發展成一系列的產品解決方案,包括應用廣泛的Prime、強化推論功能的AI Core、低功耗的AI Edge、高速傳輸的Premium、整合RF功能的AI RF、整合記憶體堆疊,應用在高階資料中心的HBM。 而在這個階段,Xilinx也以資料中心為其發展的優先戰略,XDF中並與中國大型雲端服務業者華為、阿里巴巴、浪潮結盟。華為智能計算業務副總裁張小華說明,採用華為雲技術,華為硬體以及Xilinx FPGA,建構一套統一的線上線下協同平台,採用相同的生態系統、環境資料、共同的安全協議以及管理協議。 阿里巴巴FPGA異構計算研發總監張振祥則說,阿里雲FPGA已經發展到第三代產品與架構服務,隨著未來新架構上市,當能提供更迅速更確實並安全的運算服務。浪潮集團副總裁李金指出,該公司致力於打造AI全面性的產品布局,從運算平台高效的管理系統套件到深度學習框架的最佳化、終端解決方案四個層次為客戶提供迅速、高效、最佳化的AI運算基礎設施。
0

強攻雲端/邊緣運算商機 Arm新一代Neoverse處理器亮相

Arm積極布局雲端/邊緣運算市場,於近日公布針對5G網路與次世代雲端至終端基礎設施的全新IP品牌「Arm Neoverse」以及其發展藍圖。此一解決方案從微架構設計到晶片、軟體及系統等方面皆有進一步的革新,提供更高的性能、安全性和可擴展性,因應所有領域運算產品多樣化且持續演變的需求。 Arm基礎設施事業部總經理Drew Henry表示,現今的聯網傳輸數據中有70%是影像,從Facebook、YouTube上的視訊影片,到Netflix和Hulu的串流電影等。未來當物聯網世代到來,有著成千上萬的聯網設備時,不僅數據傳輸模式將跟著改變,流量和資料規模也會顯著成長,而截取、分析資料訊息的運算也漸漸從雲端延伸至邊緣。 Henry進一步說明,也因此,基礎設施產品的開發難度逐漸增高,從高性能伺服器到高效的邊緣運算平台,或是閘道器、WAN路由器等,對於高性能、安全且可擴展的產品需求越來越高,且只有廣泛的生態系統才能滿足各種不同且嚴苛的運算要求;因此,Arm致力於實現Neoverse生態系統。 在宣布Neoverse處理器IP產品後,Arm也一併揭露其日後的發展藍圖,率先推出的將是2019年初的7奈米「Ares」IP平台,一直到2021年期間,將提供每一世代達30%的效能提升幅度。 據悉,Arm Neoverse瞄準新型基礎設施以及多樣的使用情境,其中包括超大規模(Hyperscale)雲端資料中心、儲存解決方案,以及5G網路,其依據的設計指導原則主要圍繞在針對雲端原生與網路作業負載量身打造的世界級高效能安全IP與架構;針對尖端製程節點進行最佳化的高擴充性IP組合,包含Ares(7奈米)、Zeus(7奈米+)及Poseidon(5奈米),讓系統能支援跨世代的基礎架構;最後則是健全的產業生態系統,促成廠商研發各種獨特且類型多元的解決方案,利用在標準化軟體、工具、以及晶片平台上的投資,開發出能支援各種使用情境的產品。 Henry指出,Neoverse IP產品特別設計用來滿足包括效能、效率、以及擴充性方面的特別需求,以因應持續變化的資料模式、新型作業負載、以及對於基礎設施演化持續增加的需求,進而支援數量將達一兆台的智慧裝置。
0
- Advertisement -
- Advertisement -

最新文章

- Advertisement -

熱門文章

- Advertisement -

編輯推薦

- Advertisement -