物聯網

撰文／Alison Bruzek｜譯者／

撰文／David Pogue｜譯者／鍾樹

2025年台灣將要邁入老年化社會，AI將能夠協助醫療服務及長期照護，就像是迪士尼動畫電影大英雄天團中的醫療機器人「杯麵」，未來將會真正出現在現實生活中，成為大家的健康守護神。

人是群居的動物，但每個人都有自己的想法，所幸我們仍有共通的目標，例如，環境是否能更清潔？我們是否能更富有、更快樂？生活更容易？這些問題牽涉到很多系統的整合，不容易解決，智慧城市就是要用數位化的方式來解決這些問題。

講者／黃能富（清大電機資訊學院院長）│彙

講者／施吉昇 （台大資工系教授）│彙整／

■「In-Situ AI」這套運算架構，因應物聯網資料的特性與使用情境，在資料收集處就地進行大部分的運算工作。不同於以往將資料全部傳到「中央」的雲端，再接收「中央」決策完回傳的指令，In-Situ AI 發揮了「地方自治」的精神，善用地方資源、產生因地制宜的策略。其架構分為兩大部分：運算中樞（Node）與雲端。雲端有較高的運算能力，負責從大量的物聯網資料進行非監督式學習，汲取重要的特徵。接著藉由遷移學習（transfer learning），讓運算中樞的推理網路（inference network）認識這些特徵。如此在有限的標記資料下，推理網路也能對周遭世界具有一定程度的判讀能力。實驗結果顯示，遷移學習學到的特徵，讓推理網路預測的準確率提升30 %（達到近60 %），彌補標記資料不足的限制。

隨著物聯網（Internet of Things, IoT）的普及，我們周遭佈滿各式各樣的感測器與攝影機，帶來生活便利之餘也收集了大量資料，成為電腦探索物理世界的素材。如潮水般湧入的資料，更是深度學習發展的重要基礎。以往這些資料會被傳到雲端，在雲端進行分析處理。然而愈來愈大量的資料，使傳輸耗費的能源急遽增加，其中更伴隨著隱私上的顧慮。此外，傳統在伺服器進行的監督式學習模型，在應付型態各異的原始IoT資料上也顯得笨拙。因此，若能在裝置上進行初步的資料處理，從源頭解決問題，除了能降低傳輸到雲端的資料量，也能更有彈性地處理不同類型的資料。