深度學習技術應用於智慧型機器人

聆聽李濬屹教授介紹 「深度學習技術應用於智慧型機器人」包括實驗室獲獎成果。深度學習的時代真的來了，高三、大一、大二的學生就可以下載開源的深度學習程式碼，運用  Google 開放的資料庫開始訓練自己的模型。利用現成的運算板以及機器人平台製作自己的機器人。

機器人的組成

機器人的組成有三大部分：

• 機器人平台：有機械結構，可移動，例如，機器手臂、掃地機器人，無人空拍機。
• 感測器融合：Sensor fusion 包含熱、陀螺儀、加速計，或是高價的 LiDAR、景深相機、Beacon 室內定位。
• 大腦：運算板，例如：Jetson Nano、NeuroPilot，包含 CPU 執行通用指令以及 GPU 作為 AI 加速器。
• 
  

和人類挺像，只是機器人通常不是人形，而感測器很精確，例如，人在偵測景深是靠雙眼，而機器人可以配備超音波、景深鏡頭，或是雷射，做很精確地測距。若配備 GPS 可以定位。

人工智慧的進展

人工智慧的重大進展促成各種應用的發達以及研究，例如：機器人和自駕車。進展的原因有三：

• 深度學習在 2012 年開始大大降低錯誤率。
• 大數據的齊備
• GPU 的算力增強

深度學習模仿人類神經網路的神經元。觀測值是 X，權重 W，決策輸出是 Y，F (X1W1, X2W2, X3W3...) = Y，深度學習即是找出 F 模型，可以有多層如下圖。愈多層，運算量需求愈大，以李教授實驗室的機器人為例大約 50 層。

深度學習的神經網路算法有開源程式碼可以下載，運用 Google 大筆的資料，加上容易購買的 GPU 機器，從高三、大一大二的學生，人人都可以自行訓練模型了。

李飛飛教授在史丹福大學的CS231 課程投影片和 PPT 都是開放的，可供進階了解視覺辨識。

電腦視覺

電腦視覺有三個層次：

• 影像分類 (Image Classification)：只做物件分類
• 物件偵測 (Object Detection)：可辨識車輛，物體。
• 語意分割 (Semantic Segmentation)：計算每個像素，可辨識車輛、石頭、道路，等細節。

其中 Object Detection 的重要應用為 You Only Look Once, YOLO。

Semantic Segmentation 可辨識細節，以自駕車為例的影片展示，有必要辨識影像的細節。近年來不斷地提高辨識度並加快速度，開發出幾種算法：

• Pyramid Scene Parsing Network, PSPNet，如：展示影片。
• DeepLab V3
• ICNet, 如：ICNet without blending
• ENet
• Real-Time Semantic Segmentation

Google 宣布開源 DeepLab V3 提供下載，真是語意分割研究者的福音。

實務上為了增加效率，在連續辨識影像時，如果前後影像不變，則不需要啟動辨識。變化很小則只對局部辨識。在自駕車停等紅燈，或是路況筆直單純的道路上可降低運算量。

機器人作業系統

機器人作業系統 (Robot Operating System, ROS) 整合整個系統，例如：負責視覺、語音的各節點，如何傳遞訊號回到運算單元，並輸出訊號給控制單元，驅動輪子，或是無人機的上下左右，都靠 ROS 整合各節點的溝通。

虛擬訓練，讓機器人打電玩

要依靠實境的訓練成本很貴，以自駕車來看就相當明顯，撞車、撞人、自撞護欄、逸出道路，代價很高昂。

而 Google 為了更快地訓練機器手臂，購置 3,000 部的機器手臂，平行訓練再將模型整合，一部手臂大約 20K 美金，訓練過程亂動亂夾也有可能撞壞。

依賴實境的資料來訓練，代價高且訓練速度慢。

所以改為讓機器人打電玩方式訓練模型。現在有許多資源讓人輕易地建構出 3D 空間，例如：道路、辦公室、居家內裝、室外建築。在虛擬空間裡訓練，每一次都只是幾秒鐘的事，大量訓練的速度快，成本低。

3D 空間例子，請看這裡、這裡、還有這裡。

以訓練室內機器人為例，可以創造許許多多不同的房間擺設，確保模型得到充分的訓練，而不是重複在某一場景學習而造成「背答案」即過度擬和 (over fitting)，可避免完美適應單一題型但是以外的皆碰壁。

但是虛擬空間和實境有色差，所以用 Segmentation Model 對實境著色，概念上讓機器人戴上墨鏡，弭平虛擬和實境的差異。就可以將虛擬空間訓練好的模型用在實境上。

NVIDIA 機器人競賽的冠軍成果

由展示影片可以看出機器人可以跟隨人，迴避來車，後面上來的腳踏車、行人。更棒的是攝影鏡頭只用百來元，隨處可以買到的 1080P  鏡頭。影片中的展示效果，沒用不任何其他的感測器，所有的偵測都靠便宜的鏡頭達成。

當然可以加裝更高昂的感測器，譬如雷射測距、超音波、甚至好幾十萬 LiDAR、毫米波雷達，系統可以擴充，和原來的便宜鏡頭沒衝突。

後記

經過介紹，發現網路資源很多，開源的神經網路程式碼、資料庫、以及容易購買的 GPU 計算板，學生、業界人士都可以依照興趣，訓練自己的模型，製作自己的機器人。教授學者則利用這些資源研究驗證更進步的算法。

人工智慧在台灣 -產業轉型的契機與挑戰

這本書的作者陳昇瑋執行長是入世的學者，從主辦的資料科學年會開始，對講者要求就是要能分享做了甚麼？怎麼做？做了之後有甚麼影響？哪裡可能踩到雷？哪些工具好用？可能有哪些意想不到的場景？

從資料科學年會的經驗累積，台灣產業的互動到台灣人工智慧學校(Taiwan AI Academy, AIA)的創立，陳執行長對於人才培育系統的設立想得相當清楚：

• 經理人與技術人分班受訓，合流互動。
• 向先頭企業募款，企業也可分派問題給學員。
• 為企業培養人才，移地解企業的題目
• 沒有申請政府補助，受訓必須自費

人工智慧的人才永遠不嫌多，就像人人懂 Excel，AI 要變成基本素養，人人都懂人機協作，定義問題解決問題。如果執行順利，AIA 會在生態系統之中生生不息。

適合的讀者

作者分享對台灣產業數位轉型的焦慮，許多有同樣焦慮的讀者也被吸引而來，讀完這本書可以預期有的收穫有五：

• 了解人工智慧學校，明白自己適合技術領袖培訓班或是經理人研修班。
• 看白話版人工智慧的主流模型和問題分類
• 零零星星的傳說聽得太多，看看正統的說法。
• 了解人工智慧應用場景
• 在自己的產業中思考人工智慧的應用
• 思考在人工智慧產業化的價值鏈中，要佔在哪一環節

學習模型

現代人工智慧的學習模型有三：

• 專家系統：領域專家訂好規則，給機器照規則處理現實狀況
• 傳統機器學習：領域專家標註大量資料並且做特徵工程
• 深度學習：自動化的特徵工程，亦即自動發展出衍生變數

深度學習最適合處理非結構化的資料，如人類五官能識別的的文字、聲音、影像。序列資料如：溫度、濕度、亮度。

以人類的五官來看，深度學習最接近人類的學習。

人工智慧的問題分類：

監督式：F(X) = Y，X 為輸入的觀測值，Y 為決策輸出，要找出函數 F(X)。
非監督式：只有觀測值 X，沒有決策輸出 Y，要找出分類規則。
增強式學習：直接和真實環境互動，大量學習試驗。譬如：AlphaGo 和 AlphaZero。

AlphaGo 先透過監督式學習學習歷史棋譜得到早期版本，再由兩個 AlphaGo 在 40 天內對弈 3,000 萬盤棋，歸納出人類從來沒有的棋路。

AlphaZero 則完全不用監督式學習，直接進行增強式學習，在短短三天的輸贏之間成為棋力最強的版本，超越所有人類棋士和其他棋類的人工智慧。

程式已不須人類給的起始知識，直接和環境互動，自行歸納出超過人類的更好決策，沒有情緒，不會因為疲累而判斷失準。

人工智慧的應用場景

和情境低度相關，愈多維度的決策愈適合。例如製造業的應用有四：

1. 瑕疵檢測
2. 自動流程控制
3. 預測性維護
4. 原料組合 

讀者可以一邊讀一邊思考自己所在產業的應用。

利用三個條件，問個好問題交給人工智慧來處理：

1. 決策值 Y 的情境和各種條件，能不能被大量記錄成觀測值 X
2. 成對的觀測值 X 和決策值 Y 有數量夠多而且高品質的資料
3. 觀測值 X 和決策值 Y 的關係是穩定的

人工智慧的導入

定義出問題之後，如何落地的議題有三：

1. 資料的收集和清理
2. 跨部門的合作編組
3. 建立人工智慧團隊

#1 需要花上數個月，因為資料分散在各部門，例如：製造部、品管部、研發部、生產管理部門，各有各的資料，品質也未必佳。需要花上好幾個月的時間重新清理，建立高品質的資料庫。

#2 上述資料清理收集就需要跨部門的合作，互相開放資料，也需要各部門花心力收集重建資料。

#3 內部的人工智慧團隊，才能讓持續根據公司設備或是營運的指標變化，來調整機器學習模型。

由上可見，牽涉到文化的改變，以數據和實驗驅動的決策，組織的協調整合，人工智慧的導入由上而下來進行才有成功的機會。

引入外部顧問，高層不熟悉或是不方便動手的就交給外部顧問來主導，高層只要扮演支持的角色。

人工智慧的落地會造就相關顧問行業的興起。

決策者要先知道的事

人工智慧要發揮作用，首先要補足大數據，並且建立以數據和實驗來驅動決策的文化，決策者在發現人工智慧的結果違反直覺時介入。光是補充數據就要花上數個月甚至一年的時間。

人為依賴圖表或報表做決策，為了強調重點或是因人為的侷限，經常會過於簡化。深度學習能看見人類無法識別的訊號而貢獻出不同的決策。

後記

2012 年深度學習在史丹福大學一舉成名，許多開源碼可以下載，如 Google 開放 DeepLab V3+，Google 上也可找到資料庫，含 GPU 的機器也很容易購買。 人人都可以實作訓練自己的模型，感受 AI 的威力，如果可以延伸到大一高中計算機概論課程，對國家的幫助將很巨大。

相關連結

人工智慧民主化在台灣

孔祥重校長致詞

我讀<<人工智慧>>在台灣搞懂的四件事

如何透過 AI 技術轉型傳統產業 - Landing.Ai

AIoT 智能晶片的演進與設計

為未來而教-新時代的教育新思維

隨著品素養學堂，聆聽葉丙成老師的演講，抱著兩個問題：

1. 為未來而教是甚麼意思？
2. PaGamO 是甚麼玩意兒？

現代教育的兩個議題

現代教育的兩個議題：

1. 數位原住民
2. 城鄉差距，偏鄉弱勢孩子的教育危機

小孩玩 iPad 長大，堅持不玩，首先會影響人際關係，再者，數位工具很多，大神都是從小玩電腦到大，給小孩玩 iPad，筆電，我自己樂觀其成，也在執行。

葉老師提到城鄉差距，都會區的中產階級爸媽可能覺得自己過得去就好，偏鄉孩子，關我們甚麼事？錯也，從前生子較多，光都會取的人才就很多，構成國家競爭力。現在少子化愈來愈明顯，偏鄉人才也要拉上來，才足夠國家發展。

試想，少子化加上老年化，一個小孩要納稅負擔老人福利，偏鄉的孩子不拉，就靠中產階級這些都會孩子長大，負擔加劇。當然，國家發展人才不足，已經是國安問題。

少子化+老年化+偏鄉弱勢 => 國安問題

我每個月固定捐款給均一教育平台，著眼點使用者回饋，同時希望能幫台灣的小孩出點力，老實說，聽葉老師的演講之前，我沒意識到偏鄉問題的嚴重，所幸早就開始固定捐獻，今後將持續。

我也訂閱 PaGamO 品學堂，訂一套，送一套帳號給偏鄉的孩子，國家安全自己來。

線上遊戲社交與學科的結合

PaGamO 是線上遊戲平台，既然要玩線上遊戲，就用 PaGamo 來覆蓋，我國中就玩電玩，雙截龍、1943、快打旋風都全破數次，當然知道電玩禁沒有用，愈禁愈想玩，最好的辦法，就用另一個電玩來覆蓋。至少是另一個類似的活動，如同當年我沉迷的方向往 C、Assembly、以及 Virtual Basic 移動。反而覺得電玩太無聊。

PaGamO 是多人遊戲平台，周末演講後建立帳號給小孩用，沒想到一試上癮，開始攻城掠地，我猜他周一要去學校嚷嚷了，很棒的建立人際關係的話題。

贏在 18  歲，然後...

這段公視紀錄片學習的理由，看起來相當辛酸。父母親的焦慮想讓孩子贏在 18 歲，很容易演變成讀書為父母而讀，考試的為父母而考，而焦慮又造成親子關係的緊張，將快樂拉到不快樂，逐漸失去本來具有的內在動機，也沒有自主學習的能力，贏在  18 歲的大考，而後成為無動力世代。我觀察有的小孩小五小六，或是國中就成為無動力世代了 (好吧，我就是 XD)。我自己由於國中畢業遠離家鄉讀書，將動力找回。

年輕人留在家裡撐到 18 歲的大考贏家，上好大學可能反映在退學率。再撐，無動力就反應在工作上。

葉老師提到，人生如投資，看長不看短，最重要的是保持：

• 內在的動機
• 自主學習的能力

大快樂和小快樂

為什麼以前的教育方式行得通？以前，是為了求生存。我們上一代父母輩的普遍認知，不讀書僅可以勉強餬口，讀書升學才能找到穩定的工作，獲得比較多的收入。

現在這種條件消失了。尤其是一下一代，穩定的工作不再，也沒有求生存的壓力，讀書為了快樂。

但是我們這一輩為人父母的焦慮，看到小孩快樂會覺得過太爽，心理的警報嗡嗡叫，快多派些功課將小孩從快樂拉到不快樂，因為父母親不讓學生快樂，也不知道快樂分兩種：

• 小快樂：大餐、出國玩
• 大快樂：作一個專案，譬如：模型。

小快樂，在大考之後，父母給賞賜，大快樂，小孩想做的事，反而引起擔心。腦袋的形成快樂迴路變成以小快樂為主導迴路。

我們說年輕人長大追求小確幸，其實，那是父母養成的。

後記

當天回家開 PaGamO 帳號給小孩使用，黏著度很高，小孩的習性在一開始題目沒看清楚就急急忙忙地到處點擊，當天能量一下就花光，無法再攻擊新的領土了，回復能量之後，設定好章節，情況改善很多。已經可以穩定複習期末考範圍。真是令人驚豔的平台。

同一天的講座心得

黃國珍的閱讀素養講座

黃國珍的閱讀素養講座

閱讀素養眾多紛紜，聆聽品學堂創辦人黃國珍老師講座，藉由名家的說法，發現自己和閱讀素養的距離。

教育系統

現代學校教育系統來自 19 世紀末到 21 世紀之前，工業化對大量人才的需求。而未來需要的思考、跨領域的全人教育，在歷史上早就有了，可上朔到古希臘時期和春秋時代，但僅限於極少數的菁英。現在跨領域的閱讀素養要普及到國民教育，先從父母自己開始，要從工業化的馴化習慣有意識地掙脫開來。

台灣人共同經歷的閱讀素養考題

過去台灣共同經歷的許多的閱讀素養測驗。講座以公投第七、八案為例，兩案統整的訊息，我們面對的問號，其實是能源政策。先不論節能，純粹只看開源，問題可能是，在減少火力發電，綠能又未及補充缺口時，要不要增加電費，增加綠能建設，在 2025 年達到非核家園？如果，沒有定義問題，那麼公投的結果，只是增加兩方爭吵的論調。

某市長的參選聲明也是個超級閱讀素養測驗。

所謂的喜歡閱讀，甚麼意思？

人都不是單純的喜歡閱讀，而是為了某些目的，例如：

• 黃國珍老師因為喜歡故事，而喜歡閱讀。我家老大應該也是。
• 我家老二，因為喜歡佐羅力的創意惡作劇，而喜歡閱讀。
• 我自己，除了親身聽課以外，從文字學習最有效率，所以喜歡閱讀。這是和視訊、音頻比較出的結論。

閱讀素養不同以往的閱讀

過去鼓勵閱讀，崇尚閱讀的樂趣，讓孩子喜歡上閱讀。現在來說，要讓閱讀素養成為現代人的素質。閱讀的樂趣不是閱讀素養要強調的，過去提倡要喜歡閱讀 ，很容易被不喜歡當理由而不再閱讀。現代人可以不喜歡閱讀嗎？可以的，但這不是推廣閱讀素養最在意的。

過去強調大量閱讀，每個人的心得自己大量腦補，不論前因脈絡、後設思考、訊息統整、上位問題。閱讀素養強調要從文本中展開思考，能更好地處理狀況，「更好地面對未來」。

閱讀素養不是以前所習慣的閱讀，不是讀很多書本，而是：

• 跨領域的理解
• 理解層次豐富，而非簡化成二元化的對與錯
• 針對文本開展思考
• 訊息的萃取能力
• 後設認知之後的統整訊息能力
• 生活即是閱讀

閱讀即生活

黃國珍老師舉例，他的習慣早上起來就看窗外，看看天氣，就這樣，閱讀就開始了。閱讀大自然，閱讀並不在書本上。閱讀不光是學習，而是建立我們與世界的連結。

以京都為例，喜歡看神社的朋友，形容京都是寧靜、清淨、充滿神道教、佛教宗教的氣氛。而國珍老師形容的京都，會是文化與科技，文明與歷史、宗教與人類交會的地方。前者較為片面，後者較為全面。對京都的閱讀，理解的層次廣度就顯出差異了。

未來是當前教育的量尺

甲骨文和 iPad 的大小厚薄差不多，象形和 icon 還挺像，都是圖像化，一個小圖案可以涵蓋多個訊息。閱讀從遠古，沒有現代意義的文字就開始了。

古人用甲骨文來占卜，因為人類生活到很大的困難，譬如天災、戰爭。透過占卜，期待能對未知做更好的準備。

人類文明史，就是不斷面對問題解決問題的歷史。過去人類從歷史中學會教訓，面對未來。但是知識的更新已經 2~3 年一輪，很難再從歷史學習，以前農業社會知識更迭慢，還行。但現代社會，許多人也經驗到自己爸爸媽媽說的許多事有多不準，譬如職業、家庭以及教養策略。

閱讀素養，讓我們以及下一代對未來做更好的準備。

很慶幸堅持抽空參加，能聆聽黃國珍老師的演講真是運氣，若還有機會遇到講座一定要把握。進一步打開閱讀素養這本書，拉近我和閱讀素養的距離。

相關連結

為未來而教-新時代的教育新思維

如何透過 AI 技術轉型傳統產業 - Landing.Ai

來自 Landing.Ai 公司的講者 Dongyang Wang 是 VP, AI transformation，曾經在美的集團負責 AI 轉型，加上後來的顧問經驗，正好適合 Landing.Ai 業務型態。

AI 經過幾波的起落，近來因為深度學習的進展，以及大家對於 AI 的見解成熟，不再要求擬人的強 AI，而轉而關注特殊用途的弱 AI，務實的態度，開啟 AI 產業化的契機，然而 AI 距離落地 (Landing) 還有一大段路要走。所以在傳統產業與 AI 的能力之前形成落差，顧問業應運而生。

Landing.Ai 就是顧問公司，幫傳統產業進行 AI 技術轉型。由著名的科學家吳恩達創立，也象徵 AI 從科學走向產業化的進程。

公開的 AI Transformation Playbook 值得研讀，目前是第 8 版。

簡報架構

報告架構項目：

1. 簡介講者自己，以及 Landing.Ai 公司
2. 輔導的 AI 應用方向分類，輔以實例圖片以及影片
3. 介紹該公司的 AI Acceleration Platform 
4. 輔導的五個步驟
5. 該公司的商業模式

很有說服力，特別的是，一般的顧問公司收費之後多半不聞不問，而 Landing.Ai 聲明收費只用來補償成本，更希望拿到的是輔導對象公司股權。

聽起來相當負責任，真心願意幫助客戶成功。

AI 應用方向

Landing.Ai 輔導的應用有幾個方面：

• 瑕疵檢測，例如汽車管路漏油、漏氣。紡織業的布料脫線，勾毛現象。汽車板金的突起顆粒，以 Tesla 烤漆為例，經過機器手臂旋轉，由電腦視覺識別肉眼很難看到的瑕疵。
• 異常樣貌偵測，例如主機板或家電 PCB 上上少了一個小零件。
• 雜質偵測，例如玻璃瓶以及藥廠製藥過程中的氣泡，
• 人類動作最佳化，例如鎖螺絲的簡單動作，分析優化對上百人的產業來說效率影響很大。
• 零售業，例如：客人進店之後，多久受到招待，看了哪些車。
• 外觀檢測，例如：風力發電機，巨大的葉片，並不期待停機讓人上去檢測，改由無人機飛上去由外觀檢驗有無異常。

最近遠傳也推出紡織業的應用，但強調 5G + AI 的結合。

因應工廠實務來設計轉型

人工的品質檢驗缺點有五：

• 需仰賴老經驗，難以傳承
• 學不到新技術，年輕人不願加入
• 經年累月，身體以及視力的損耗
• 長時間觀看，疲勞造成漏看
• 肉眼有極限，尤其在充滿雜訊的環境之下要找出雜質瑕疵，很難

因此，Landing.Ai 的方案只需加裝攝影鏡頭，不需大量感測器，品管能力變得很有吸引力。

好處主要在於品牌價值、商品售價的提升，降低人為失誤，品管人員的成本倒是次要。

工廠的營運來說，考量有二：

• 不希望保持對外連線，所以 edge AI 有必要。但因為機台老化，條件變化，需要訓練學習新的模型，所以偶爾必須連線送資料到雲端訓練，下載新的模型。
• 產線要加裝感測器很困難，頂多能加上攝影機。

轉型的挑戰

以 Landing.Ai 的眼光來看，AI 轉型的挑戰有三：

1. 如何確保高層有AI first 的思維
2. AI 人才的缺乏
3. 怎樣產生實際的商業價值

所以 Landing.Ai 訂出輔導的步驟：

1. 與企業一同挑選有商業價值，規模適中的專案，冀望能看到商業價值，建立企業信心。
2. 幫助企業招聘，建立內部團隊，自行造血。
3. 做 AI 培訓，分別對高層、部門負責人，以及工程師。
4. 定出 AI 策略。放在第 4 步是因為大部分的企業無法在一開始訂好 AI 策略，必須透過訓練，才能確定方向做出承諾。所以放在第 4 步驟。
5. 增進市場觀感，推升公司價值、股價。

簡報舉例幾家 AI 轉型的公司股價，譬如 Google 和美的集團，看著股價上升很有說服力。 讓被輔導的對象有了對未來的想像。 (鴻海呢？2017 八月之後大多處於下跌狀態。)

再挑選專案時，特別強調做瑕疵的定義 (defect definition)，要和客戶一起花上數個月的時間。這步做對了，往下進行才有意義。

結語

由許多落地應用案例，看到台灣的產業升級的可能性。AI 的產業化形成顧問行業的機會，吳恩達曾說，『AI 規劃師比 AI 專家還要稀有』。Landing Ai 的商業模式，以股權為主的獲利方式，頗有說服力。

台灣的人工智慧學校經理人班以及清大的 AIMS Fellows 也是很好的培養場域。

面對 AI 進入產業化，每個人從自己的產業來思考目前所在位置，未來要站在哪個位置，缺那些能力要補足。當然，如同 Landing.Ai 所言，訂出 AI 策略必須先有所了解，而且預期策略將持續地改版更新。

Optimized Decision - When Opportunity Comes 心得後記

今天的講者很特別，是 Lockheed Martin 公司的執行副總裁，在台灣的代表 David Wei 先生。演講全程無投影片，談笑風生，人生底蘊深厚，David 七十來歲，我真希望自己到了年紀也能這般機敏、風趣、樂於分享提攜晚輩。

他的英文演講很有韻味，神采智慧來自於長年多采多姿的職場生涯，與各國政要相識把酒言歡，長年和聰明有智慧的人群相處歷練而來。因工作的關係行遍各國，中南美、中東、歐洲、北美。

動態的人生

Up and Down，Win and Lose。人生是動態的，翹翹板一樣 up and down，不會永遠是 up 或是 down。你會 win  和 lose，不會停在一種狀態。如同四季，動態的變化是自然現象。

重點在於當機會來臨時，是否做好準備。

機會的意義

Opportunity = Turning Point and Change。機會代表轉折點，代表變化。花一些時間好好盤點自己的能力，還缺乏哪幾樣，要補足哪幾樣，可以讓自己準備好，在機會來臨有能力承接。

David 在晉升空軍將官之前離開軍隊體系，由於工作上長年和軍火公司接洽，Lockheed Martin 的亞洲負責人知道他異動了，馬上連繫他，提供工作機會。

三圈的同心圓

中間是 Specialty，往外一層是 Secondary，最外圈是 personality，

Specialty 是最簡單的，以開腳踏車店來說，就是會修車會組裝。

Secondary 的一圈能力，是你可以知道哪些材料，哪些配件最佳，性價比最高，可以給客戶最好的建議。自有人幫你打廣告，個人的品牌就打開了。

Personality 在最大的外圈，是社交興趣嗜好，譬如品酒 ，David 打趣說可以研究高粱。讓別人願意交朋友，願意邀你在工作之外的宴會歡聚，職涯之路就開闊了。這屬於 chemistry，而不是 knowledge。

David 每次在新加坡航空展，都能和昔日部屬把酒言歡，和他們的兒子甚至孫子歡聚一堂。

美中台三角關係

美國行政部門對台軍售必須通知國會，因為特殊關係，這個動作有一定的節奏，和美國的軍售國家不同。細節不多談。經過這麼一提，我大概領會最近一年，伴隨中美貿易戰，前所未有頻繁密集的通知國會，背後代表的涵義。

外商在台角色

David 提到他在台灣角色，部分和我的工作類似：

• 合約擬定，控制風險，在售價中會包含保險以及對台灣的相關產業協助。
• 和政府官員往來，洞悉國內需求，幫助母公司的每個事業部，容易在台進行業務。

由此可見售價的變數很多，一定會和他國的購買單價有很大出入，媒體經常比較台灣的買價和他國不同，其中包含因素很多，單純的數字比較未必有意義。

後記

今天才知道 Lockheed Martin 這家大軍火商 Chairman, President and CEO 是位女性，集三項頭銜於一身。

Marillyn Hewson，學的是企管和經濟。單從背景來看真是很難聯想到目前的位置。先保留紀錄，一定很多啟發的故事。

盤點自己的人生，和 David 今天的分享對照，發現許多要補充的項目，還有要完成的三圈同心圓。

白話 AIoT 數位轉型，一個掌握創新升級商機的故事

拜讀裴有恆老師的最新著作白話 AIoT 數位轉型，裴老師為了台灣眾多企業的數位轉型，以白話文寫成企業個案推動數位轉型的全套劇本。虛擬公司的架構人物角色齊備，故事完整。

作者善於將開放性的數位轉型議題，運用各種公認的工具轉成封閉性問題，產生執行的力量。譬如分析大環境使用的 STEEPLE、工業  4.0 工具箱、雷達圖顯示自己和同類產品在各項指標的差異，很有感覺。縱向的利用一個完整的故事，循序活用各種工具箱，比起橫向的工具介紹更實際。

解惑三個問題

從白話說明應用的角度，更讓我對原先抱持的三個問題有初步了解：

• 終端 AI 和雲端  AI 的搭配以及整體解決方案
• AIoT 生態系統中的邊緣運算晶片
• 識讀眾多 AIoT 解決方案的說明

傳統產業轉型的動機

故事中的少主接班，面對滿朝的文武老臣，數位轉型要成功，必須先有痛點，再來還是要上一代全力支持，才有可能成功。

競爭對手的成功案例，明確的財務模型，明確顯示出轉型的好處，具體的執行步驟，比較容易推動。

四大公有雲

在表格 4.1 有四大公有雲的比較，作者在 DIGITIMES 亦有「數位轉型需求驅動公有雲新商機　AIoT能力將成公有雲服務差異化關鍵」，詳列比較表格，四大公有雲包含：

• Amazon Web Service
• Microsoft Azure
• Google Cloud Platform
• IBM Bluemix

公有雲提供儲存空間，以及機器學習服務 (Machine Learning As A Service, MLaaS)，強大的運算能力，讓使用者運用自己的資料作模型訓練。

硬體加速方案有 AWS 的 Inferentia 晶片、Azure 的 Brainwave、Google 的 TPU。IBM 則使用 NVIDIA 的 GPU 解決方案，包括 Tesla 以及 GRID 系列。

邊緣運算

由於保密性、隱私以及即時回應的要求，邊緣運算是很明確的趨勢，AI 持續從雲端擴展到終端。對 EDA 以及 fabless 公司來說，邊緣運算晶片的成長，應用碎片化，會讓客製化 ASIC 的需求大增。

AWS 和 Azure 和 Google Could Platform 都有提供邊緣運算晶片的方案，包括：Azure Sphere Certified MCU 以及 Google Edge TPU。

Fabless  公司，例如聯發科提供 NeuroPilot 開發平台以及 i300 和 i500 系列處理器晶片，可以賦予終端設備 AI 的生命力。

結語

順著邊緣運算的大勢所趨，EDA 以及 Fabless 公司可以延伸出許多商業機會，利用本書提到的架構，解惑了原先抱持的三個問題，可繼續深入研究，本書的白話對在未來與客戶的溝通相當有幫助。

AIoT 人工智慧在物聯網的應用與商機

這本書的最大的優點有二：

1. 超過六十的商業案例
2. 每個案例都有商業模式圖以及使用情境旅程圖

因此，對比於天馬行空的幻想，這本書的案例顯得相當實際，也見識到 AIoT 在物聯網應用的碎片化。

適合的讀者

有了商業模式圖，看到商業全局，帶入數字，可以得出商業提案 (business case)，誰願意買單，盤點自己的能力，得出 ROI，評估一門生意值不值得。

有了情境旅程圖，想導入 AIoT 在自己應用的產品買家，有了具體的想像。而產品的開發者，有了初步的使用者故事，更有所本，可以發展出規格。

我認為適合的讀者類型有五：

• 想投入 AIoT 終端產品方案，譬如 Maker，或是 ASIC/FPGA 開發者。
• 計算市場規模，形成商業提案。
• 開發產品容易融入客戶情境，依照情境旅程可以有所本，更容易交流。
• 講述 AIoT 相關應用，取出本書案例，輔以商業模式和使用情境，就是有說服力的故事
• 看到一項新的 AIoT 應用，馬上運用本書工具檢測，是美好的想像還是務實的生意。

為什麼物聯網的市場沒起色

圓桌論壇常會討論的議題。物聯網的前景美好，為什麼沒看到巨大的商機發生？

其一答案是看誰會買單，以智慧城市而言，從商業模式來看，政府必須買單，也就是納稅人。以安防來說，依國情需要會投資，而以環保抓汙染源來說，相信不見得是最高優先。

而以工業物聯網來說，產品的檢測，機台的預先保養，和企業的獲利相關，ROI 如果容易計算，企業相對容易買單。

誰會買單，可以簡單的測試一個美好的想象，能不能通過真金白銀的相挺試煉。

而二，只具備 MCU 和感測器的 IoT 終端元件的缺陷在於，缺乏隱私和即時回應的能力。

舉例而言，醫療的 IoT 終端裝置、語音聊天、家庭安防的電腦視覺，需要傳到雲端用大量的計算機資源學習，就有連線隱私的問題。

而輔助駕駛遇到各種路況、車況都必須其實回應，任何的延遲甚至斷線都會造成危險。

所以邊緣運算，或是將 AI  由雲端擴展到終端 (AI on edge)，設計特殊應用下計算強大的 Custom ASIC 或是 FPGA 放到終端，賦予終端設備 AI 的生命力，可以克服隱私和即時回應的問題，IoT 有了 AIoT 終端元件，可以啟動更多商機。

人工智慧來了

李開復這本書算早期大家對 AI 還很陌生，被 AlphaGo 擊敗李世石嚇得驚魂未定時，在熱點上出版的書，引起很大回響。時隔兩年，大家對 AI 的想像落實到應用，有比較務實的商業模式，AI 的神秘面紗揭開，業內人士很清楚，AI 其實就是工具。

台灣 AI 翻成「人工智慧」，在中國翻成「人工智能」，「慧」多了幾分底蘊，「能」強調實際能做到的事。折射出兩邊的思考不同。

強 AI 與弱 AI

強 AI 是通用型，是人類對 AI 的想像，以及 AI 威脅論的恐慌所在，科幻片的素材。歷史上幾次 AI 的寒冬，原因有二：

• 人類對 AI 有不切實際的想像和需求
• 威脅論，導致過度擔心

弱 AI 是特殊應用，有明確的界線和應用領域。譬如，Amazon Echo 限定某些對話，每周都會更新增加的特定對話語句，以 e-mail 通知使用者，還有銀行的線上聊天機器人 chatbot，我用過的經驗，也得先選擇外匯、存款，境外轉帳...等，類別，chatbot 才能提供有效的回應。再來是音樂推薦、購物推薦，都是很明確的特殊應用，而且有明確的商業模式。

弱 AI 正是值得著墨的方向，是近兩年來談 AI 收斂到的成熟結果。

即便在以 AI 為名的工程研討會發表，內文多以直接工程名詞為主，譬如，深度學習、電腦視覺、機器翻譯、 智慧推薦，很少直接提到 AI 以免造成過度想像。AI 就是工具，就在口袋中，天天使用的手機裡。

AI 的商業化進程

根據創新工場的汪華總結， AI 商業化的進程階段有三：

1. 線上服務：如音樂、購物推薦，銀行的 chatbot。
2. 工商業服務：安防保全、機器視覺檢測、工業機器人、無人機搬運、飛機及汽車狀態檢測。
3. 個人服務：智慧家庭，延伸到個人場景全面進入人類生活。

誰來買單，是能否商業化的關鍵。階段 1 和 2，可以找到明確的商業模式，階段 3 只存在高檔住宅，高端用戶，有些在想像之中。對我的產業而言著力點在 2。

感測器的重要

以創新工場的投資來看，感測器佔了大宗，而且是智能感測器，要發揮五官感知的能力，必須要有判斷回應的能力，在傳統  MEMS 感測器加上 MCU 甚至客製化的 ASIC 做邊緣運算，必須需求很大。

自駕車的倫理問題

撞了人誰負責，是車上的人、汽車製造商、還是雲端服務的提供者？ 以工程的眼光來看，如何設計橋樑，當然是設計怎麼樣才能不垮下來壓到人。工程有驗收標準，出了事在甚麼情況下要國家賠償，或是承包商賠償，責任比例怎麼鑑定。AI 的特殊應用回歸到工程問題，討論起來其實就不糾結。

AI 時代該學甚麼

書裡提到密涅瓦大學 (Minerva Schools at KGI)，有台灣學生分享就學心得。教學以線上為主，第一學期在美國舊金山就讀，之後前往世界上另外六個國家度過其餘的學期。在知乎也有分享。

大一的四個方向：

我自己還在摸索，目前總結 AI 時代應該學這些：

• 抽象思考：深度學習仰賴大量數據，簡單的例子，Google 在 2012 年用了上 16,000 個 CPU，自己「看」一千萬部 youtube 影片，學會了辨識貓的能力。一個 2~3 歲的普通小孩不需要看麼多影片，就能辨識貓。物理學家的例子，是人可以歸納出物理公式，譬如兩個輕重不同的物體，往下墜落同時到達地面，可以推出自由落體公式。
• 後設認知：了解自己知道什麼及不知道什麼，總結「心得」或「教訓」的能力，我的經驗是聰明人總是能在生活中不斷總結心得和規律，能力比 AI 更佳。
• 人機協作：善用 3C，將 3C 作為自己的工具。
• 與人的互動：撰寫新聞稿甚至程式碼的工作可以被 AI 取代。像優秀的美髮師、健身教練、教師、善於教學的領域專家，就是與人相處互動的能力很強，難以被取代。

一頭牛燒肉崇德店，食後札記

麻葉餐飲集團旗下的一頭牛日式燒肉和八豆食府精緻鍋物是我們全家在台中很習慣用餐的老地方，食材等級好，品質穩定令人放心，服務細心周到，和我做事習性很契合，偶爾有高級秘密菜單，令人驚喜。

端午節，炎熱的 38 度高溫，環境涼爽的一頭牛燒肉是個好選擇，消暑的冰鎮烏梅和補充元氣的蔥花雞湯都可以無限延續，一週工作的張力馬上緩解下來。

昨天受到許多一頭牛夥伴的照顧，我將名字記起來，特別謝謝他們。我比預約時間早 15 分鐘到，店長認出我來，溫暖地在入口問候，準備炭火的同時，兒子熟門熟路地在前庭花園看鯉魚 (?)，這幾條形貌優雅在水中，折射出了餐廳的品味。

一開始有點意外插曲，七歲兒子看到食材簡直像餓了好幾天，狼吞虎嚥剛烤好的山藥配上烤豬五花，沒想到吐了，我嚇一跳，店長趕忙帶著夥伴來清理還附上一盤濕紙巾，我一邊對店家覺得非常抱歉一邊納悶原因。

店員為大家燒烤服務著，聊到可能是山藥滑黏的口感加上豬五花的油脂。我想也是因為小男孩看到美食當前，食指大動狼吞虎嚥一口吞下，喉嚨不太順而催吐。

解惑了，我學到了烤山藥配上豬五花，遇上垂涎三尺的小孩的後果。這位店員叫 Audi，果然是專業老手。

繼續享用著，突然上了兩杯意外的氣泡果汁，小孩一陣驚喜，我訝異抬頭看看原來是 Eason 來了，真是好久不見，他還問起山藥事件，我覺得店裡夥伴真的很關心照顧小孩子。

後來幫忙的海龜哥哥風格有點搞笑，烤得很好吃，兒子看他烤，明明已經吃很多還說要吃。

Eason 拿出南屯林金生香的糕餅和排隊名店的抹茶餅，真是驚訝，燒烤餐廳怎麼有這些，Eason 說餐廳常舉辦讀書會/分享會的外帶點心，魏姐 (麻葉的美麗女主人) 有要求就是準備到位啊！

「準備到位」就是麻葉餐飲集團的核心思想，我個人感覺。

我也觀察到餐廳團隊夥伴的配置組成：

• 店長或是副店長：都是現場摸爬滾打出身，有實務經驗，能動手協助，心態成熟正面。
• 老中青三代：鎮店老手熟悉食材怎麼烤最好吃，能處理各式狀況，年輕店員以及實習生搭配學習。
• 經理：機動指導，也透過行動將最好的工作態度因材施教，因地制宜現場傳達給團隊。
• 主管都能隨時遞補服務人員缺口。
• 各店之間互相流動支援。

我也留意到，一頭牛燒肉和八豆食府的餐廳的主管級人物都是能動手做事的，哪裡需要就往哪裡去協助，能上能下，正面積極。

能上能下，我想起三國演義裡這麼形容英雄：「龍能大能小，能升能隱；大則興雲吐霧，小則隱介藏形；升則飛騰於宇宙之間，隱則潛伏于波濤之內。」

職場上的人中龍鳳，大概就像現場的幾位這樣。

物聯網核心技術與應用研討會 - 後記

承 MIITEC 熱情邀請，給了一場演講，題目：「智能晶片設計，從機器學習、晶片設計實現，到感測器的整合』，主辦方的效率相當高，在會議後的當天新聞稿已經發出。

演講成果

由會後的外溢效果來看，演講是相當成功的，獲得後續培訓的邀約。我的前一位講者是鼎鼎大名的 Patrick Yue 教授，年輕時讀了不少他的 on chip inductor 論文，學到很多，也實現應用在公司的 RF 晶片上，甚至因此獲得美國專利。

成功因素

中心思想是國內需求、國內設計、國內製造，形成自給自足的生態系統，先練好內功再打世界盃，也解決國內需求卡脖子的問題。

特別挑選技術熱點，AI on edge，舉出聽眾的國內成功案例，應用本平台的北美更先進的成功案例，建立聽眾信心，刺激對技術藍圖的想像。

從演算法的實現，到快速的晶片設計，自動化的布局實現，運用聽眾群的強項，以平台的強項補足他們的弱項。如果換個場合再 IC 設計大國，譬如台灣，或是印度的科技園區，要談高階合成的高效率和自動化設計流程，就比這次更加強調傳統團隊的重要性。

內容都是個人體驗，包括終端產品以及設計經驗。

幾點察覺

一開始先猛攻，打中痛點，提供解方。分享產業困境，為何叫好不叫座？正確的產業思考應借鏡工業物聯網，應該怎麼獲利。痛點包括卡脖子，以及製造業外移。解方為建立國內的晶片生態系統以及工業物聯網，提供深入而具體作法。

在流通的 PDF 檔案可以加上簡報者的照片以及簡介，強化講者的品牌。下次在 AI on edge 的演講中可以分享 TensorFlow，設計數位 IC 的流程與布局實現的經驗，和競爭對手產品的比較以突出優勢。基礎觀念，包括 GPU 與 CPU 的不同，深度學習的訓練與推論，可以各以一頁 PPT 來說明。

先釐清聽眾程度，設計深淺版本。都能具體，兩者經過設計都能引起觀眾熱情，增加外溢效果。

簡報總結為 take away、call to action 以及勉勵加油打氣。