為什麼核四爭議不斷?臺灣真的需要第四座核電廠嗎?(06/23/2021 Greenpeace綠色和平)
2021 年適逢福島核災 10 年、車諾比核災 35 年,再次喚起全球對核能安全的關注,5 月全臺接連停電,更引發公眾對供電吃緊以及能源轉型的疑慮,能源議題在臺灣社會引發洶湧聲浪,隨著「重啟核四」公投即將於 8 月舉行投票,更引發擁核與反核兩方的激烈辯論。究竟核四電廠存在哪些爭議?臺灣是否真的需要這座核電廠?除了核能,臺灣還有哪些能源方案?
臺灣能源現況
在討論核四爭議前,先與您看看臺灣目前的能源現況。以臺灣近十年來的全年發購電量為例,火力發電量約占 80%,核能僅占約 12%,顯見臺灣電力目前仍以火力發電為主要電力來源。在夏季用電尖峰時段,核電亦只佔 6 至 7% 的發電量。
事實上,根據台電公司所公布的歷年發購電量各能源別占比,自民國 105 年(2016年)起,核能占比都低於 15%,在 109 年(2020年)也僅佔 12.7% 。換言之,核能並非臺灣最主要的電力來源,而為了因應日趨嚴重的氣候危機,目前臺灣的能源政策規劃:「2025 年前將再生能源發電占比提升至總體發電量的 20%」,若提高再生能源發展及用電占比是能源政策主要目標,臺灣還需要將資源投注於發展核能嗎?
核能的優缺點
目前世界上的核能發電,主要是利用輻射物質——鈾-235 進行「核分裂」反應來發電,發電前首先須開採鈾礦,鈾礦經過提煉及濃縮程序後,製造成一般核反應爐可用、鈾濃度約為 3% 的燃料棒,再將大量的燃料棒放入反應爐之中,確保足以核分裂達致臨界並持續產生熱力,熱力所產生的蒸氣即可推動發電機發電。
核能發電的整個供應鏈,包括開採、提煉、濃縮、發電,以及燃料棒後續處理,都會產生不同程度的輻射污染以及碳排放,完成發電後的乏燃料棒(spent fuel)最終處置方法也尚未有最佳解方。因此全球主要的國際能源組織對於核能,多以「低碳能源」或「潔淨能源」稱之,但不會稱為綠能(green energy)或永續能源(sustainable energy),顯示核能整體生命週期對環境的破壞力仍大。
換言之,核能支持者認為核電具備低碳與穩定供電等優點,卻忽略了核能在開採、提煉、濃縮過程中產生的廢石、廢泥漿、廢水與輻射均為巨大污染,此外核能發電過程產生大量的核廢料,也成為懸而未解的環境問題。自 1951 年12 月 20 日人類首次用核反應爐產生出電力,至今 70 年過去,仍沒有任何一個國家及地區可以解決「如何安全處置核廢料」的問題。(延伸閱讀:《全球核廢料危機報告》:大量核廢料難以處理)
為什麼臺灣社會聞「核四」色變?
核電廠最具爭議之處,就是「核安」問題。自 1950 年代開始,全球已發生三哩島、車諾比、福島等重大的核災事故,這三場不同類型的核災發生原因包括設計缺陷、人為疏失,以及地震引發海嘯導致的系統故障,造成爐心融解、反應爐爆炸、氫氣爆炸等事故,並且對當地環境造成大規模的輻射污染,即使經歷多年,依然難以復原。(延伸閱讀:福島十年核災處理無期 綠色和平盼望臺灣平安終結核電)
臺灣位處地震帶,板塊運動本就頻繁,存在地震釀災的風險。然而目前的 4 座核電廠,都興建於斷層附近,其中核一、核二與核四皆分布於北海岸,與人口眾多的臺北市直線距離僅不到 30 公里。而核四廠半徑 80 公里海域內有 70 幾座海底火山,其中有 11 座為活火山,2011 年,中央地質調查所也確認,有一條長達 2 公里的 S 斷層位於核四廠的正下方,貫穿整個廠區。《華爾街日報》更在福島核災後,將臺灣 4 座電廠列為最危險等級。
目前討論聲浪最熱烈的「核四」,因預算不足而無法採用大多數核電廠的「統包」方式,轉而將貨就價採「分包」作法,將核四建廠由台電自行進行統籌施工與整合,分拆給美國、日本等跨國公司負責不同部份的施工,最後。因為分包關係造成元件與元件間的介面複雜程度提高,系統不一致且難以整合,而這不穩定的系統整合,最後卻交由過去沒有相關整合經驗的台電處理,讓許多電力專家擔憂核四的安全性。
於 1999 年正式動工的核四電廠,由於建設時間超過二十年,許多系統零件已經老舊不堪使用,原製造商也沒有生產對應零件,如果重啟,需要再進行系統全面的修復跟維護,保守估計須要投入 800 億新台幣以上資金, 10 年以上的時間才能發電,若正式發電後還有營運、核廢料處置的成本。重啟核四不僅曠日費時更所費不貲,也無法回應近期經濟成長的電力需求。將大量資源與金錢投入一座最快 10年後才能發電,而且存在核安疑慮的核電廠,真的是最佳的決定?
積極發展綠能為導向的能源轉型
臺灣政府目前以太陽光電及離岸風電為再生能源主要發展項目,並預計在 2025 年達到總體發電量的 20%。隨著全球各地政府相繼承諾淨零碳排目標,許多大型企業如 Apple、微軟等紛紛提出潔淨產業鏈的要求,以綠能為導向的能源轉型已是全球共識,也是臺灣在能源政策上應該積極發展的方向,現正站在能源轉型路口的臺灣政府,若能集中資源,加速發展再生能源,儲電及節能,不僅可以比核四更快彌補短期用電缺口,更可減少碳排放與空氣污染。
台電獨立董事許志義教授也於研究報告指出,未來新的能源系統將是綠能為主,電力供需則應以分散式供電,取代以往穩定供電的觀念。除了多元開發再生能源,在電力需求端必須思考更多節能、儲能或調配負載的方案。另外在綠電市場開放的狀況下,企業及公眾能夠成為電力「產銷者」,除了用電外,可以透過公民電廠、自建再生能源發電設備,甚至是儲能系統,成為電力供應者的角色,這些行動都能夠協助減輕臺灣電力系統的負擔,並在電業當中成為貢獻系統的部分力量。
綠色和平因反核運動而誕生,五十年來,始終秉持反對核能、核武的立場。邀請您一起加入呼籲政府落實能源轉型的行列,淘汰高碳排的化石燃料及高風險的核能,轉用更加永續、潔淨、安全的再生能源,使您我及下一代無須再擔憂可能發生的駭人核災,或為艱難的核廢料處理問題苦惱。
綠色和平小教室:
統包(Turnkey):由一個得標的統包商負責整個工程興建的統籌,根據電力公司所需的規格,包辦設計、施工到測試,在建廠過程中從頭到尾把關,再交由電力公司進行運轉與管理。目前全球絕大多數的核電廠(包含臺灣核一、二、三電廠)都是以統包方式建設而成。
完整圖文以及更多參考資料請見:
https://www.greenpeace.org/taiwan/update/25521/
♡
人口 與環境負載力 在 台灣物聯網實驗室 IOT Labs Facebook 的最讚貼文
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
人口 與環境負載力 在 無待堂 Facebook 的最佳貼文
【返校.慾爆政治.死亡率低 | 盧斯達 on Patreon】
所謂跳舞群組搞到全港又再防疫宵禁,但新聞部門大概都被告知要低調處理,於是變成日日被推到鏡頭前的專家總是一邊說非常嚴重,但又對「來源」諱莫如深。肉食者鄙,性慾觸發政治僵局爆破,主要毀滅的是其他人,竟然跟上年的社運電影《返校》一模一樣。
《返校》已經算拍得中規中矩,通常「社會電影」顧著言志就會顧不好劇情和角色描寫。《返校》不只是說國民黨學校控制的恐怖,更難以預防的是反動讀書組因為高中女生戀上男老師,中間隔了一個女老師,被誤當作情敵,起了殺心,最後導致其他同學悲慘全滅。男人死在再多艷諜手下,都有點被騙的天真;女人則是全靠一股頭腦清醒的怨念衝將出去,一樣是不愛江山愛美人。蔣介石的特務可怕,但死於女同學孩子氣的妒忌,可不更加無辜。
這一波的起因似乎是富婆階層的叫鴨群,還有地道的市區叫雞群。有情色與死亡一幣兩面、何其接近的荒誕詩意,又是一幅真正的階級權力流動圖。大疫之中,有些人要萬二分的謹言慎行,看那些爆發屋苑的居民,明明跟他們無關,但還是要強制驗毒,日日擔驚受怕;有些人卻可以開懷放鬆,尋歡作樂,毫無心理負擔,不用想到其他人也在辛苦,自己也不好太過放肆。
一般人趕著六點之前喝完最後一口堂食咖啡,港島那邊的富婆可能還剛醒不久,宿醉未醒,不知今日如何打發;一般人在輿論上日日受到政府和甩皮甩骨網民的鞭韃。有確診數字,有人說是因為鳩戴口罩、專家說是因為一般人外出購物、低級一點的則說是因為香港人全民驗毒率不足。香港人都是善男信女,默默承受攻擊和指責,但還是會默默抗疫,這不是奴性,而是港英以來培育的公德心。究竟香港人為何會有公德心,我是不明白的,但他們就是有,於是他們也會管理好自己,充滿自治質素;世衛還在說病毒沒有傳染性、不用旅行禁令,他們就自己行動。港人未曾政治自治,但對國際、地區大台的幻想逐一崩潰,香港人個人層面的自治越發強橫,因為不信而得救,沒有其他地方比得上。
武漢肺炎的死亡率不高,經常成為疫情陰謀論者的說詞。單說「死亡率不高」,才是唯醫學論的法西斯。因為處理疫情根本不只是病理學術問題,而是牽涉醫療資源、經濟和社會的複合政治問題。如果死亡率不高而全球大爆發,醫療負載量爆破,就會導致很多人失救而死,連醫其他病的資源都會被扯走,到時經濟會更加崩潰。英國一開始說群體免疫,之後還是要回到傳統防疫。因為不是死不起人,而是資源「傷不起」,要避免上述的連鎖反應。誇張渲染疫情恐怖是過當,誇張渲染死亡率低也是過當。完全沒有集體和公共概念的離地人,至會終日呢喃著「武肺死亡率低」以為自己發現南美洲,這些人和重覆「信政府不拍」的廣東鄉民,一樣是單線思維,卻以為自己手裡的是真理。吹噓死亡率不高,更對社會有負面影響,等於鼓吹雞客和鴨客可以放心。他們每放心一分,其他人的努力就多被抵消一分,現在結果肯定是被抵消了。
最過癮的是,既然死亡率不高,鴨客又有閒錢、又不用工作,中毒就去醫,沒事兒。多點上流鴨客抱著這種想法,香港遲早變疫埠。不談疫苗,只要口袋夠深,中毒之後的後遺症也有輕重之分。後遺不只是肉體的,更是經濟損傷。有些人可以中招,有些人中招就會手停口停,墮入貧困輪迴。大約一年前,疫初起,有些進步青年喜歡的西人學者急不及待地說一些象牙塔的老生常談,例如政府會借加大權力,或者「就算有疫苗都是富人先打,在全球因疫情而排外的氣氛下更要堅持人口自由流動的理想」。政府權力加大在歐洲在美國都是不少人喜愛投票支持的。主張小政府的黨派上台之後,政府支出還是減不下去。民主在退潮當然是定局,你選呀,你選得走谭德塞博士嗎?
但之後個個國家都出入境管、承認疫情存在,要封城封國。排外不能建立天國但可以保你國家不致滅亡,大家都選擇了現實的做法。他們在安全自由的環境談論疫情如何加劇不平等,你懂得發笑,你就現實過了他們。叫鴨播毒無罪、有人有出入境的不檢疫特權。在香港複雜的政治經濟形勢下,一切都變成囚犯困境,首先出賣群體的首先獲得自由;富人出入坐私家車,連罩都可以少戴點,這就是權力和階級。西人沒有過來生活三五七年,都不算是做過全球化陰暗面的田野調查。
訂閱我的 patreon https://www.patreon.com/lewisdada
人口 與環境負載力 在 5. ( )圖5 為甲~丁四國的人口成長率 的推薦與評價
... 環境負載力降低(C)人口. 密度低的國家環境負載力一定低(D)人口密度通常可以作為環境負. 載力的指標. 解答. D. 10. ( )圖10 為人口年齡組成的三角座標圖,根據圖中各點的 ... ... <看更多>
人口 與環境負載力 在 巫師地理- #人口密度#經濟發展#環境負載力#核心邊陲各個 ... 的推薦與評價
人口 密度#經濟發展#環境負載力#核心邊陲各個國家的經濟核心與人口稠密區撰文:巫師1. 加拿大 ,聖羅倫斯河、魁北克、多倫多、渥太華,加國總人口約 ... ... <看更多>
人口 與環境負載力 在 高中地理- L.1人口_part.2環境負載力 - YouTube 的推薦與評價
高中地理_108課綱_龍騰版_高一下_L.1 人口 _part.2 環境負載力. 2.4K views · 1 year ago ...more. 黃柏欽的線上地理教室. 17.9K. Subscribe. ... <看更多>