關於 深度學習類神經網路差別 ，我們在網路上蒐集到這些相關的討論、資訊與評價

#每日5分鐘快速添補ai知識與技能
深度學習創造出各種模型，
但會納悶DNN、CNN、RNN這幾個網路有何不同？
作用、差別為何、彼此之間的關係？
⠀⠀
大部分神經網路，可以用深度和連接結構來定義
也可分為有監督、無監督、半監督學習的神經網路
⠀⠀
將介紹4種類型神經網路
1、類神經網路ANN 和 深度神經網路DNN
2、循環神經網路RNN 和 遞歸神經網路RNN
3、卷積神經網路CNN
4、生成式對抗網路GAN
⠀⠀
觀看全文👇
https://blog.tibame.com/?p=19032
⠀⠀
#AI60問 #深度學習 #人工智慧 #神經網路
【AI／資料科學不可不知的60道問題】
每週4篇AI新知識，一次只要5分鐘，
具備AI跨域知識，為職場技能加分💪
#TibaMe #緯育TibaMe #知識 #學習 #科技

德勤發佈2020技術趨勢報告：五個新趨勢可引發顛覆性變革

北京新浪網 10-26 18:12
來源：產業智能官

「2020 年的趨勢將顛覆整個行業，並在未來十年重新定義業務，即使數字創新已成為各種規模企業的常規行為。」德勤管理諮詢新興技術研究總監兼政府及公共服務首席技術官 Scott Buchholz 在一份報告中如是說。

近日，《德勤 2020 技術趨勢報告》（中文版）正式發佈（以下簡稱《報告》），報告指出了五個可能在短期內引發顛覆性變革的關鍵新興趨勢：「數字孿生：連結現實與數字世界」；「架構覺醒」；「技術道德與信任」；「人感體驗平台」；「財務與 IT 的未來」。

值得注意的是，這是德勤第十一年發佈技術趨勢年度報告。今年的技術趨勢報告繼續在開篇回顧了 11 年來的技術趨勢發展，展示了技術趨勢隨時間推移的演進全過程以及最新宏觀科技力量作為業務轉型基礎帶來的共生效益和不久的未來的新興科技力量。與此同時，《報告》還指出，未來三大顛覆性技術（即環境體驗、指數智能和量子技術）正蓄勢待發，我們將在本世紀20年代末開始感受到它們的影響。

一、九大宏觀科技力量

隨著以技術為驅動的創新的空前擴張，一場高風險的「打地鼠」的競爭遊戲由此展開，企業利用技術保持先進的能力將決定其生死存亡。

過去十年內，數字化體驗、分析技術和雲技術為各項技術賦能，展現了他們自身的價值，已然成為眾多企業有效地推進戰略和新商業模式的核心基礎。接下來十年中，數字現實、認知技術和區塊鏈將成為企業變革的顛覆性驅動力。它們的應用範圍將越來越廣，各行各業的案例成倍增加。技術業務、 風險和核心系統現代化是驅動企業變革和創新的基礎技術，它們需要保持穩定、強勁、可持續發展。

基於此框架下討論新興技術，可以簡化技術進步對企業所造成的顛覆性影響。同時，圍繞九大宏觀科技力量衍生更多細分領域和更加細化的技術創新點和趨勢點。

十年前我們首次探索數字化體驗、分析技術和雲技術之時，只能看到其中的可能性，並不能確切地估測 它們的影響。現如今，這些技術已經為大家所熟知，並在對業務、運營模式和市場造成了顛覆性影響之 后，發展勢頭依舊迅猛。

（1）數字化體驗

數字化體驗依然是企業變革的重要驅動因素。實際上，在德勤 2018 年全球 CIO 調查報告 中，64% 的參與者表示接下來的三年裡，數字化技術將對他們的業務造成影響。在去年的超越營銷：體驗重塑中，我們已經審視了這一趨勢，企業正逐漸摒棄傳統意義上以獲客為核心的營銷模式，轉而致力於創造更多以人為本的互動——包括與其員工和商業夥伴的互動。

（2）分析技術

分析技術包括能夠提供深刻洞察的基本技術和工具。數據管理、數據治理以及數據運營體系這些重要因素不僅僅是人工智慧項目的核心基礎。同時，鑒於企業內對數據儲存、數據隱私和數據使用的嚴格要求，這些重要因素也是必須面對和考慮的重大策略點。

60%的首席信息官（CIO）表示，在未來的三年內， 數據和分析技術將對他們業務帶來影響。但這個問題正變得更具挑戰性。「靜止的數據」 和「使用的數據」這兩個久經考驗的概念被「動態數據」所連接，藉助工具和平台動態數據進而支持數據流、數據攝取、數據分類、儲存和訪問。值得欣喜的是，雲技術、核心系統重塑、認知技術和其它技術正在為異常複雜的挑戰帶來全新的解決方案。

（3）雲技術

雲技術已經全面深入企業。90% 的企業在使用基於雲技術的服務,並且這一比例有增無減。實際上，就信息技術領域的投資預算來看，接下來三年內對雲技術的投資會翻倍。正如我們 2017 年所預計的那樣，雲技術已經不僅僅只是作為基礎應用，它帶來了 「一切即服務」 的藍海，使任何 IT 能力都可以變成基於雲的服務供企業使用。在眾多企業當中，少數超大規模企業主宰了公有雲和雲技術服務市場,在雲技術的賦能下，為其它宏觀力量的進一步創新提供基礎和平台，例如分析技術、雲技術、區塊鏈、數字現實，以及未來的量子技術。

雲技術還驅動我們思考並重塑一些陳舊的企業管理和業務職能。

當今的顛覆性驅動力（即數字現實、認知技術和區塊鏈）都是由體驗、分析技術和雲技術發展而來。未 來十年，這些新的趨勢雖然不再新鮮，但它們將和過往的重大趨勢一樣，在人們持續深刻的理解和應用 中，推動重要的變革。

（4）數字現實

數字現實技術，包括 AR/VR 、混合現實、語音交互、語音識別、普適計算、360°全方位攝像和沉浸式技術等，幫助用戶突破鍵盤和屏幕的禁錮，與用戶感知無縫銜接，用戶可更加自然地參與互動。數字現實的目的是打破傳統的空間界限，讓人與底層技術進行自然、本能、甚至下意識的互動。

（5）認知技術

機器學習、神經網路、機器人流程自動化、機器人程序、自然語言處理、以及更廣泛的人工智慧領域等認知技術可能推動所有產業變革。這些技術將人機互動個性化、場景化，通過 定製化語言或圖像信息，驅動業務流程，實現無人值守。

企業對認知技術的需求大幅增長一一互聯網數據中心（IDC）預測 2022 年 企業此項支出將達 776 億美元，與此同時，信任和技術道德問題也迫在眉睫。

（6）區塊鏈

德勤 2019 年全球區塊鏈調查報告中，超過半數的參與者表示區塊鏈技術至關重要，較前一 年增長了 10% 。83% 的人能夠明確構思區塊鏈技術的實際應用，較前一年增長了 9% 。調查結果顯示，2019 年，企業已經不再討論「區塊鏈是否可行？」，轉而關注「我們該如何利用區塊鏈？」

金融服務和金融科技公司持續領航區塊鏈技術的發展，但其它領域也開始推行區塊鏈技術， 尤其是政府、生命科學與醫療健康、科技、媒體、通訊等領域。

再提技術業務、風險和核心系統重塑似乎有些枯燥無味，但不可否認，它們是業務的核心所在。企業在這些已經發展很成熟的領域，依然繼續進行著可觀的投資。綜合來看，正是因為它們不僅為數字化轉型、創新與增長提供了可靠的、可規模化的基礎，也是在分析技術、認知技術、區塊鏈等顛覆性技術成功投資的必要條件。

（7） 技術業務

隨著技術應用與業務戰略的融合，技術業務也在不斷發展。隨著企業更多地通過重塑 IT 來實現運營效率提升和與業務部門合作者一起進行價值創造，很多 IT 團隊通過實施促進跨業務協作的開發體系（如敏捷和 DevOps ），逐漸將傳統的項目制交付調整為產品化運營。

強大的技術功能讓企業更敏捷地響應技術驅動的市場和業務的變化。一隻強大的數字化技術運營團隊能夠幫助企業迅速回應技術對市場的影響以及相關業務挑戰。

（8）風險

在以創新為驅動力的時代，企業面臨的風險遠遠超越了傳統的網路風險、監管風險、運營風險及財務威。2019 年的 CEO 和風險管理調查報告指出，企業最大的風險廣泛涉及新顛覆性技術、創新、生態系統合作夥伴、企業品牌及名譽、文化等。對此，很多公司清楚地意識到他們還未對此類風險做好準備，或沒有想法在管理此類風險方面進行投資。

除合規和安全的必要要求，企業還面臨新興技術對產品、服務和商業目標的潛在影響，這些使得企業正在把更為廣泛的信任作為企業戰略。

（9）核心系統現代化

核心系統現代化體現了數字化轉型、用戶期望及數據密集型演算法給核心系統的前台、中台和後台帶來的持續性壓力。無論是在財務數字化、實時供應鏈，還是在客戶關係管理系統，核心系統都承載了關鍵業務流程。

在如今這個即時、持續和定製交互的時代，企業需要降低整體的技術負債。實現核心系統 現代化的成熟舉措，比如重塑現有的遺留系統，更新 ERP 系統及重寫其他系統，這些目前來講尤為重要。

二、未來三大顛覆性技術

隨著三大顛覆性技術（即數字現實、認知技術和區塊鏈）崛起，並準備在未來十年為業務做出重大貢獻 的同時，未來三大技術發展和創新的新星（環境體驗、指數型智能和量子技術）正蓄勢待發。我們將在 本世紀 20 年代末開始感受到它們的影響。

a：環境體驗

環境體驗展望了這樣一個構想：在未來，技術只是環境的一部分。計算設備的功率不斷增加，體積不斷縮小。這些越來越小的設備將我們的輸入從非自然的（指向、點擊和滑動） 演變為自然的（說話、手勢和思考），它們與我們的交互從被動的（回答問題）變成主動的（提出意料之外的建議）。

隨著設備變得無縫和無處不在，它們和我們越來越密不可分。想像未來的世界，一些微小的，已連接的，內容感知的設備被嵌入辦公室、家中或者其他地方，成為背景活動的一部分。例如，你如果在腦海中想「我要在一個小時之內出發去機場」，就能觸發一系列背景活動，包括安排航班值機，準備可供生物特徵識別的虛擬登機牌，將無人駕駛汽車目的地設置為正確的航站樓，將家中的智能系統狀態調為「離開」，以及暫停出差期間的快遞服務等等。

b：指數智能

指數智能建立在當今認知技術能力上。如今，機器智能能夠發現數據中蘊藏的規律，但是無法判斷這些規律是否有內在的意義。同時，它目前還缺乏識別和響應人類互動和情感的細微差別的能力。而且，機器智能的認知能力還非常有限，比如機器能夠打敗國際象棋大師，卻不能理解房間發生了火災需要逃跑。

未來有無限可能。隨著對語義和符號識別的理解，機器逐漸能從假想的相關中梳理出真實的因果關係。藉助來自人感訥驗平台的技術組合，我們的虛擬助手將越來越能夠識別並適應我們的情緒。隨著研究人員開發出更廣義的智能，指數智能將超越統計和計算的層面。我們敢說，最終，這將導致更有能力的人工智慧誕生。

c：量子技術

量子技術利用亞原子微粒的反直覺特性處理信息，進行新型計算，實現「不可非法侵入式」 交流，技術微型化等等。量子計算中，這些量子比特（或量子位）的特殊屬性有可能發生 指數型變化。通過操縱單個粒子，量子計算機將能夠解決某些高度複雜的問題，這些問題 對於目前的超級計算機來說，太大，太雜亂，包括從數據科學到材料科學。

隨著研究者們不斷突破技術限制，量子計算機將逐漸取代傳統的計算機。數據科學家將能 夠處理前所未有宏大的數據量，並從中獲取相關性信息。材料科學家利用量子比特模擬原 子，這是無法在傳統計算機上實現的。同時，在通訊、物流、安全、密碼學、能量等不同領域，我們都能預見無限可能。

為了幫助大家更好的理解各類前沿技術動態，基於宏觀科技力量及其可被預期的時間範圍，報告歸納整理了一張完整的統一化視圖。

三、五大關鍵新興趨勢

一）技術道德與信任

技術變革常態化的同時，贏得全方位的信任變得更具挑戰——但也充滿機遇。

隨著數字技術的出現，企業要用戶以新的更深層次的方式信任他們，過去是獲取用戶個人信息，現在則是通過數字痕迹追蹤用戶的線上行為。同時，技術引起的問題也經常成為新聞頭條，例如安全漏洞、不當或非法監視、個人信息濫用、虛假信息傳播、演算法歧視、缺乏透明度等等。這些事件導致利益相關方之間不信任（包括客戶、僱員、合作 夥伴、投資者和管理者），嚴重損害企業聲譽。的確，消費者對商家的信任正在逐漸下降，人們對公共機構的態度也越來越謹慎，員工則要求企業明確闡述其核心價值觀。

德勤 2020 年全球市場趨勢報告中提到，當今時代，品牌信任對企業來講尤為重要，關係到企業的方方面面。無論是客戶、監管機構，還是媒體，都期望品牌商在其開展業務的各個領域都是開放、誠信和始終如一，從產品生產、促銷活動、到員工文化和合作夥伴關係維護等。

被技術顛覆的企業，它的每一個方面都意味著可以贏得或失去任何一個客戶、員工、合作夥伴、投資者和/或監管機構信任的機會。如果領導者能夠充分貫徹企業價值觀和技術道德觀，努力履行「做好事」的承諾，企業就能夠與利益相關者建立長期牢固的信任關係。在這種情況下，信任就變成了一個全方位的 承諾，並且確保信任是企業的技術，流程，人員都在共同努力維護的基礎。

技術道德這一術語指的是不局限於或側重於任何 一項技術的綜合價值觀，這個價值觀是指導企業對技術使用的整體方法及通過部署這些技術驅動業務戰略和運營企業應考慮主動評估如何以符合公司宗旨和核心價值觀的方式使用技術。

在數字時代，信任是個複雜的議題，企業面臨著無數的生存威脅。雖然顛覆性技術通常會給企業帶來指數型增長，但僅憑技術卻無法建立長期信任。因此，領先企業們正在通過全方位的維持利益相關者所期望的高度信任。領先企業們正在嘗 試通過各種方式，來維持利益相關者所期望的高度信任。

人工智慧、機器學習、區塊鏈、數字現實和其它 新興技術正以前所未有的速度和深度融入我們的 曰常生活。企業該如何通過客戶、合作夥伴和員工使用這些技術來構建信任呢？

解讀企業價值觀。

如今，技術根植於業務，機器學習也驅動著業務決策和行為，因此，必須先了解企業的技術解決方案，才能進一步解讀和評價企業價值觀。數字化系統可以被設計用來減少偏差，讓企業能夠遵循自己的原則運 營。

保障措施可以防止用戶以不健康或不負責任的方式使用技術，從而幫助提高利益相關者的利益。例如，一家公司對可能成癮的遊戲強制限定遊戲時間和遊戲花費一個內容提供商提醒用戶關注信息來源的準確性；雲計算提供商在 戶超出其預算之前自動發出警報。

建立強大的數據基礎。

如果不能系統性地、統一地追蹤數據內容及來源，並確定可訪問數據的人員，就沒有辦法營造良好的信任環境。強大的數據基礎讓利益相關者擁有共同的願景， 為數據負責，採用安全的技術手段實現有效的數據管理。管理者需要讓利益相關者了解他們提供的數據將如何運用，此外，除非為了法律或監管的目的，在利益相關者要求時須刪除相關數據。

強化防護措施。

德勤 2019 年未來網路調查報告顯示，管理者為網路問題花費的時間越來越多，網路防禦體系意味著您要 保護您的客戶、員工和商業合作夥伴，讓他們遠離與他們——或者說你們——的價值觀不同的群體。從最開始就需要建立並實施網路安全風險策略略，並將其貫穿於商業運營和政策制定的全過程，這絕不僅僅是信息技術部門的問題。企業領導者應當與信息技術部門一起制定全面的數字安全風險策略，考慮安全、隱私、 誠信和保密等各方面，增強利益相關者的信任，提高企業競爭力和優勢。因此，需要評估企業的風險容忍度，明確弱點所在，並判斷企業最具價值的數據和系統，制定風險緩解策略和恢復計劃。

二）財務與 IT 的未來

IT 和財務領導者共同努力為創新融資尋找靈活的途徑。

德勤的研究發現，56% 的首席信息官（CIO）期望應用 Agile, DevOps 或類似的靈活 IT 交付模式，來提高 IT 的響應能力並激發更廣泛的創新的雄心。

但目前有些難以克服的障礙阻礙這些努力：資金的來源和分配。IT 的運營和開發流程正變得越來越靈活，更加側重產品，而財務部門仍舊按照過去數十年的方式來制定預算、融資和財報。結果顯而易見：IT 需求與財務流程之間的矛盾。若這個問題得不到解決，那麼它可能會破壞首席信息官（CIO）的創新計劃，乃至整個企業的戰略目標。

IT 對資金的需求與財務的漫長流程之間的矛盾並非形成於一夜之間。而是在過去十年中曰漸累積。雲技術和平台技術一步步地顛覆了傳統運營模式，迫使財務部門不得不重新評估財務管理方法。

《報告》指出這種變革體現在三方面：

從資本支出轉向運營支出

從在現場轉型到基於雲的系統，涉及大量的支出從資本支出轉移到運營支出。事實上，團隊一直都有一些資本支出和運營支出。新的準則是「誰開發誰管理」。從會計的角度而言，短期運營支出增長會影響季度財報。

衡量難以捉摸的投資回報率。

技術創新舉措通常是難以達到內部收益率預期的嘗試，可能產生正回報也可能不會。在財務及短期收益上， 創新投資通常不具備傳統 IT 項目的信心水平， 因此這類投資往往也很難通過標準管理流程獲得有力支持。在某些情況下，這會導致財務部門難以建立精確的流程，來跟蹤長期投資回報率。例如，對於無限期重複使用的平台這類的固定預算投資，跟蹤其投資回報率更是難上加難。

計算交付價值。

根據德勤《 2018 年全球首席信息官(CIO)調查報 告》，65% 的受訪者表示他們在評估 IT 投資時， 通常採用具體案例具體分析的方法，而不是遵循常規財報流程。顯然，在評估 IT 帶來的價值這件事上，首席信息官 (CIO )與首席財務官 (CFO)不在同一立場。

作為財務與未來的T趨勢的一部分，我們預計有更多首席信息官(CIO)、首席財務官(CFO)以及他們各自的團隊，將會積極探索解決這些及其他在融資、會計與財報上所面臨的挑戰的方法。

三）數字孿生技術

利用下一代數字攣生技術助力企業設計、優化和轉型。

當下，企業正以多種方式使用數字彎生技術。在汽車和飛機製造領域，數字彎生技術逐漸成為優化整個製造價值鏈和創新產品的重要工具；在能源領域，油田服務運營商通過獲取和分析大量井內數據，建立數字模型，實時指導鑽井作業在醫療保健領域，心血管研究人員正在為臨床診斷、教育、培訓,創造高模擬的人類心臟的數字彎生體；作為智慧城市管理的典型案例， 新加坡使用詳細的虛擬城市模型，用於城市規劃、維護和災害預警項目。

數字彎生可以模擬物理對象或流程的各個方面。它們可以展現新 產品的工程圖和尺寸，也可以展現從設計到消費者整個供應鏈中 所有子部件和相應環節——即」已建成「數字彎生，也可採用 「即維護」模式——生產車間設備的實物展現。模擬模型可以捕獲 設備如何操作，工程師如何維護，甚至該設備生產的產品如何與客戶關聯。數字彎生可以有多種形式，但它們無一例外都在捕獲和利用現實世界的數據。

數字孿生髮展勢頭迅猛，得益於快速發展的模擬和建模能力、更好的互操作性和物聯網感測器， 以及更多可用的工具和計算的基礎架構等。因此， 各領域內的大小型企業都可以更多地接觸到數字孿生技術。IDC 預測，到 2022 年，40% 的物聯網平台供應商將集成模擬平台、系統和功能來創建數字孿生，70% 的製造商將使用該技術進行流程模擬和場景評估。

與此同時，通過訪問大量數據，使得創建比以往更為詳細、更為動態化的模擬成為可能。對於數字孿生的長期用戶而言，這就好比從模糊的黑白快照過渡到彩色高清數碼照片一樣，從數字源中獲取的信息越多，最後呈現的照片就越生動逼真。

長期來看，若想要實現數字孿生技術的全部潛力， 可能需要集成整個生態圈內的系統和數據。創建 一個完整的客戶生命周期或供應鏈(囊括了一線供應商和其自身的供應商)的數字化模擬，可以提供富有洞察力的宏觀運營觀點，但仍然需要將外部實體整合到內部數字化生態系統內。直至今曰，大多數企業仍對點對點連接之外的外部集成感到不滿意。克服這種猶豫可能是一個長期挑戰, 但最終，所有的付出都將是值得的。未來，期望企業會利用區塊鏈打破信息孤島，繼而驗證信息並將其輸入數字孿生體中。這可以釋放先前無法訪問的大量數據，從而使模擬更加細節化、動態化、更具潛在價值。

四）人感體驗平台

通過Al、神經科學、人本設計重塑人機聯接。

人感體驗平台趨勢顛覆了傳統的設計方法，它首先確定我們想要實現的人性化和情感體驗，而後決定使用何種情感和 AI 技術組合能夠達成這一效果。企業將面臨的一大挑戰是，如何針對不同的客戶群體、員工群體和其它利益相關者，確定能引起他們共鳴和引發他們情緒的具體響應或行為，並進一步開發情感技術，使其能夠識別和複製某一段體驗中的特質。

在不久的未來，我們將會看到人們對人性化的技術需求曰益增長。在數字化革命進程中，我們目前進入到一個階段，就是每個人之間未必有 接，但每個人一定都與技術有聯結。我們正在消除流程和交互，直接與機器互動。因此，我們渴望我們正在迅速失去的東西：有意義的聯結。為此，我們期望技術能夠用更 加人性化，更人道化的方式跟我們互動。設計能夠滿足這一期望的技術需要對人的行為有更深刻的洞察，並不斷創新，以提高我們預測和響應人們需求的能力。不久的將來，人感體驗很有可能會帶來長久的、可持續的競爭優勢。

五）架構覺醒

演進架構師角色，從而轉變系統架構並支持業務 發展的速度。

越來越多的技術領導層和高管們逐漸意識到，如今，技術架構領域的科學在戰略上比以往任何時候都更加重要。事實上，為了在技術創新顛覆的市場中保持競爭力，已成立的企業需要不斷演 他們的架構一一這一過程可以從改變技術架構師在企業內扮演的角色開始。

這種轉變的目的非常明確：把經驗最豐富的架構師安排到最需要他們的地方——即加入到設計複雜技術的軟體開發團隊中。一旦這些架構師被重新部署和賦能，他們便可幫助簡化技術棧， 提升技術敏捷性，從而為新興企業獲得市場優勢。另外，他們還可以直接負責實現業務成果，解決架構難題。

此外，擁抱架構覺醒這一趨勢的企業將開始重新定義架構師角色，使其更具協作性、創新性，並能對利益相關者的需求做出回應。具有全局觀的架構師可能會發現，自己正在多部 門混合的項目團隊中，與專注於應用程序的架構師 以及來自 1T 和業務部門的同事共同作戰。未來，他們的使命將不僅是利用傳統的架構組件，還要利用顛覆性力量（如區塊鏈、AI、及機器學習）大胆創新。

資料來源：https://m.news.sina.com.tw/article/20201026/36690918.html

把AI導入邊緣裝置就對了！

作者 : Duncan Stewart、Jeff Loucks，Deloitte科技/媒體/電信中心
2020-06-04

邊緣AI晶片可能會嵌入越來越多的消費性裝置，例如高階智慧型手機、平板電腦、智慧揚聲器和可穿戴裝置等。它們還將在多個企業市場中得到應用，例如機器人、攝影機、感測器和其他物聯網裝置...

德勤(Deloitte)預測，2020年，邊緣AI晶片出貨量將超過7.5億顆，銷售金額將達到26億美元，而且邊緣AI晶片的成長速度將遠高於整體晶片市場，估計到到2024年邊緣AI晶片出貨量可能超過15億顆，代表其複合年成長率(CAGR)至少達20%，是整體半導體產業(長期CAGR預測為9%)的兩倍多。

這些邊緣AI晶片可能會嵌入越來越多的消費性裝置，例如高階智慧型手機、平板電腦、智慧揚聲器和可穿戴裝置等。它們還將在多個企業市場中得到應用，例如機器人、攝影機、感測器和其他物聯網裝置。消費性應用邊緣AI晶片市場將遠大於企業應用市場，但成長速度可能會較慢，預計2020年至2024年之間，其CAGR為18%；企業應用邊緣AI晶片市場的成長速度更快，同期CAGR預計為50%。

儘管如此，無論從出貨量還是銷售金額來看，今年消費性裝置應用都將佔據整體邊緣AI晶片市場的90%以上。這些邊緣AI晶片中的絕大部分將應用於高階智慧型手機，佔據目前所有使用中的消費性邊緣AI晶片70%以上。實際上不僅是2020年，在未來幾年，AI晶片的成長將主要由智慧型手機推動。我們相信在今年預期出售的15.6億支智慧型手機中，超過三分之一都可能內含邊緣AI晶片。

由於對處理器的要求非常高，AI運算向來幾乎都在資料中心、企業核心設備或電信邊緣處理器上遠端執行，而不是在終端裝置本地執行；現在，邊緣AI晶片正在改變這一切。它們的實體尺寸更小、相對便宜、功耗更小、產生的熱量也更少，因而可以整合到手持裝置以及非消費性裝置(如機器人)中。

邊緣AI晶片可讓終端裝置能夠在本地執行密集型AI計算，減少甚至消除了將大量資料發送到遠端位置的需求，因此在可用性、速度、資料安全性和隱私性方面益處良多。從隱私和安全性方面來看，在邊緣裝置處理資料顯然更安全；個人資訊不離開手機就不會被攔截或濫用。而當邊緣AI晶片安裝在手機上時，即使未連結網路，它也可以完成所有處理。

當然，並非所有AI運算都必須在本地進行。針對某些應用，例如當裝置上的邊緣AI晶片無法處理太多資料時，將資料發送至遠端AI陣列來處理是適當的、甚至是首選方案。實際上，在大多數情況下，AI將以混合模式完成：一部分在裝置端實現，一部分在雲端實現。具體情況下應該選擇什麼樣的混合方式，要看需要完成的AI處理類型。

智慧型手機邊緣AI經濟學

並非只有智慧型手機使用邊緣AI晶片；其他裝置諸如平板電腦、可穿戴裝置、智慧揚聲器等也會採用AI晶片。短期內，其他裝置對邊緣AI晶片銷售的影響力可能會比智慧型手機小得多，原因若非這類市場沒有什麼成長(如平板電腦)，就是這類市場規模太小、無法產生實質性的影響；例如，2020年智慧揚聲器和可穿戴裝置市場總銷售量預計僅1.25億部。不過許多可穿戴裝置和智慧揚聲器都依賴邊緣AI晶片，因此其普及率已經很高。

目前，只有價格最昂貴的智慧型手機(處於價格區間頂部)才可能內置邊緣AI晶片。但是，帶有AI晶片的智慧型手機並不一定要價格昂貴到讓消費者望而卻步。

我們可以對智慧型手機的邊緣AI晶片比例進行合理的估算。目前三星(Samsung)、蘋果(Apple)和華為(Huawei)的手機處理器圖片均顯示出裸片及所有功能特性，因此可以識別出晶片的哪些部分用於哪些功能。例如，三星Exynos 9820晶片的照片顯示，其晶片總面積的大約5%專用於AI處理器，整個應用處理器SoC的成本估計為70.50美元，僅次於顯示器，是手機中第二昂貴的元件，約佔據裝置總物料成本的17%。假設AI部分的成本與裸片上的其他部分一樣，即與所佔裸片面積成正比，那麼Exynos的邊緣AI神經處理單元(NPU)大約佔裸片總成本的5%，相當於每個NPU約3.50美元。

相同的，在蘋果的A12仿生晶片上，專用於機器學習的部分約佔裸片總面積的7%。如果整顆處理器的成本為72美元，邊緣AI部分的成本大約5.10美元。華為麒麟970晶片的成本估計為52.50美元，其中2.1%用於NPU，則這部分成本應為1.10美元(當然，裸片面積並不是衡量晶片總成本中有多少比例屬於AI的唯一方法。據華為表示，麒麟970的NPU包含1.5億個電晶體，佔整體晶片55億個電晶體總數的2.7%；按這樣計算，NPU的成本較高，約1.42美元)。

儘管這裡所提到的成本差別很大，但可以合理假設，NPU的平均成本約為每晶片3.50美元。雖然每顆晶片的價格不高，但考量達到5億支的智慧型手機出貨量(還不包括平板電腦、智慧揚聲器和可穿戴裝置)，這仍然是一個很大的市場。

製造商的平均成本為3.50美元，最低可能僅1美元，因此在智慧型手機晶片中添加專用的邊緣AI NPU是很自然的事。按照正常的利潤加價幅度，製造成本增加1美元，對終端消費者而言也僅增加2美元。這意味著即使是價格低於250美元的智慧型手機，也可以享受NPU及其帶來的好處，如更好的攝影機、離線語音助理等，而價格漲幅不到1%。

AI晶片來源：自家生產還是找外部供應商？

生產智慧型手機和其他裝置的廠商取得邊緣AI晶片的方式各不相同，這主要取決於手機機型、甚至是區域市場等因素。有些公司向高通(Qualcomm)和聯發科(MediaTek)等第三方供應商採購應用處理器/數據機晶片，這兩家公司在2018年合計佔據了智慧型手機SoC市場約60%的比例。高通和聯發科提供了一系列不同價位的SoC；儘管並非都包含邊緣AI晶片，高階型號通常都會有，例如高通的Snapdragon 845和855，以及聯發科的Helio P60。

在另一方面，蘋果則完全不使用外部供應商的應用處理器晶片，而是設計並使用自己的處理器SoC，如A11、A12和A13 仿生晶片，所有這些晶片都支援邊緣AI。其他手機製造商如三星和華為則採用混合策略，也就是會從市場上的晶片供應商採購一部分SoC，其餘則使用自家研發的晶片，例如三星的Exynos 9820和華為的麒麟970/980。

兵家必爭的企業與工業應用領域邊緣AI市場

如果在智慧型手機和其他裝置中採用邊緣AI處理器好處多多，那為何不將之導入企業應用呢？事實上邊緣AI處理器已經有一些企業應用案例了，例如某些自主無人機；配備了智慧型手機應用處理器SoC的無人機，能完全在裝置端執行即時導航和避障，無需連結網路。

但是，針對智慧型手機或平板電腦最佳化的晶片並非許多企業或工業應用的正確選擇。如前面所述，智慧型手機SoC的邊緣AI部分僅佔總面積的5%，在總成本中佔據約3.50美元，功耗比整個SoC少大約95%。所以若開發出只有邊緣AI功能(加上其他一些必要功能，例如記憶體)的晶片，它的成本會更低、功耗更少且體積更小，豈不更好？

事實上，已經有這樣的晶片了。據說，有多達50家不同的公司正在開發各種各樣的AI加速晶片。在2019年就已經有獨立的邊緣AI晶片鎖定開發工程師，單價約80美元。而如果達到成千上百萬顆的量產，裝置製造商的採購成本會大幅降低，有些甚至可低至1美元(或是更少)，而有些則需要幾十美元。現在，我們以智慧型手機邊緣AI晶片作為參考標準，假設邊緣AI晶片的平均成本約為3.50美元。

除了相對便宜之外，獨立的邊緣AI處理器還具有體積小的優勢，功耗也相對較低，僅為1W到10W之間。相比之下，一個由16顆GPU和兩顆CPU組成的資料中心叢集，雖然性能非常強大，成本將高達40萬美元，而且重量達到350磅、耗電達到10萬W。

利用這類已經問世的晶片，邊緣 AI可以為企業帶來更多新的可能性，尤其是在物聯網應用方面。透過使用邊緣AI晶片，企業可以大幅提升在連網裝置端進行資料分析的能力──不僅是收集資料──並將分析結果轉化為行動，從而避免了將大量資料傳送到雲端帶來的成本、複雜性和安全性挑戰。AI晶片可以幫助解決的問題包括：

資料安全和隱私

無論企業如何謹慎小心地保護資料，只要是收集、儲存並將資料傳送到雲端，都會不可避免地使企業面臨網路安全和隱私威脅；隨著時間推移，因應此一風險變得至關重要。世界各國紛紛訂定個資保護相關法規，消費者也逐漸意識到企業正在收集他們的各種資料，而有80%的消費者表示，他們認為企業沒有盡力保護消費者隱私。諸如智慧揚聲器之類的裝置開始在醫院等場合廣泛使用，這些場合對患者隱私的管理十分嚴格。

邊緣AI晶片可在本地處理大量資料，降低個人或企業資料被攔截或濫用的可能性。例如，具有機器學習處理能力的保全攝影機可以透過分析視訊來確定其中哪些部分相關，並只將這部分視訊傳送至雲端，從而降低隱私權洩露的風險。機器學習晶片還可以識別更廣泛的語音指令，從而減少需要在雲端進行分析的音訊。準確的語音辨識功能則有助於智慧揚聲器更精準識別「喚醒詞」，以避免聽到不相關的對話。

連網困難

裝置必須連網才能在雲端處理資料，但是在某些情況下，裝置連網是不切實際的。無人機就是一個例子，其運作位置可能使得維持其連網很困難，而且連網功能本身以及將資料上傳到雲端都會縮短電池壽命。在澳洲新南威爾斯(New South Wales, Australia)以配備嵌入式機器學習功能的無人機巡邏海灘，確保泳客安全；這些無人機不必連結網路就可以識別出被海浪捲走的泳客，或者警告泳客有鯊魚和鱷魚襲擊危險。

(太)大數據

物聯網裝置會生成大量數據。舉例來說，一架Airbus A-350噴射機配備6,000多個感測器，每日飛行航程會產生的數據量達到2.5 TB。在全球範圍內，保全攝影機每天生成的數據約2,500PB。將所有這些數據資料發送到雲端儲存和分析的成本高昂且複雜，將機器學習處理器放置於感測器或攝影機等終端裝置就可以解決這個難題。例如，可以在攝影機中配備視覺處理單元(VPU)，也就是一種專用於分析或預處理數位影像的低功耗處理器SoC。借助嵌入式邊緣AI晶片，裝置可以即時分析資料，只有當相關資料需要傳送到雲端進一步分析時才會需要進行傳輸，這可大幅降低儲存和頻寬成本。

功耗限制

低功耗的機器學習晶片甚至可以讓AI運算在透過小型電池供電的裝置上執行，不會消耗過多電力。例如，Arm晶片可以嵌入呼吸器來分析資料，包括吸入肺活量和進入肺部的藥物流量。在呼吸器上完成的AI分析結果將傳送至智慧型手機應用程式，協助醫事專業人員為哮喘患者提供個人化醫療照護。

除了現在已有的低功耗邊緣AI NPU外，很多公司還致力於開發「微型機器學習」方案，也就是在微控制器單元之類的元件上實現深度學習。例如Google正在開發能讓微控制器分析資料的專用版本TensorFlow Lite，將需要發送到晶片外的資料壓縮為只有幾個位元組大小。

低延遲需求

無論是透過有線網路還是無線網路，在遠端資料中心執行AI運算都意味著往返延遲的存在，最佳情況下為1到2 毫秒(ms)，最差情況則達到幾十甚至幾百毫秒。使用邊緣AI晶片在裝置端執行AI，可以將延遲降低到奈秒(nanoseconds)等級──這對於需要收集、處理資料並即刻採取行動的應用場景至關重要。

例如自動駕駛車輛必須透過電腦視覺系統收集並處理大量資料以識別物體，同時收集和處理來自感測器的資料以控制車輛各種功能；然後它們必須立即根據這些資料做出決策，像是何時轉彎、煞車或加速，以實現安全行車。為此，自動駕駛車輛必須自己處理在車輛中收集的大量數據。低延遲對機器人應用也很重要；隨著機器人逐漸出現在工廠環境並開始與人類協同工作，低延遲將變得越來越重要。

邊緣AI在大量數據應用至關重要

邊緣AI晶片的普及可能會為消費者和企業帶來重大變化。對消費者而言，邊緣AI晶片可以實現多種功能，從解鎖手機到與語音助理對話，甚至在極端困難的條件下拍攝出令人驚歎的照片，而這些應用都不需要連結網際網路。

但從長遠來看，邊緣AI晶片對企業應用的影響可能更大，它們將把企業的物聯網應用提升到一個全新的境界。由AI晶片驅動的智慧裝置將有助於擴展現有市場，衝擊現有企業，同時改變製造、建築、物流、農業和能源等產業的利潤分配。

收集、詮釋並立即根據大量數據資料採取行動的能力，對於那些仰賴大數據的應用至關重要；未來學家們預測，這類應用將被廣泛佈署，包括視訊監控、虛擬實境、自動駕駛無人機和車輛等等，而邊緣AI晶片就是讓各種裝置取得更高智慧的主角。

附圖：圖1：AI運算技術能佈署在不同位置。

（圖片來源：Deloitte Insights）

圖2：邊緣AI晶片市場規模預測。

(圖片來源: Deloitte Insights)

圖3：三星Exynos 9820的裸晶照片顯示，其中約有5%的面積為AI處理器。

（圖片來源：ChipRebel；注釋：AnandTech）

圖4：蘋果的A12仿生晶片約有7%的面積屬於機器學習的部分。

（圖片來源：TechInsights / AnandTech）

資料來源：https://www.eettaiwan.com/20200604putting-ai-into-the-edge-is-a-no-brainer-heres-why/?fbclid=IwAR3hRYuquNfTq5VzcEWYfqyJotBLBSp4PzLNyMackrs6V43r9NEMhRZ3Ap8