The Fourth Industrial Revolution. How Industry 4.0 is going to impact Human Life?
 |
來源：syscom 作者：张宝敏
前言
近年來隨著網路的快速發展，無所不在的終端設備與傳感器，進入我們的生活，加上雲端運算虛擬化技術，與服務型商業模式的興起，讓電腦運算資源改以服務形式，經由互聯網直接取得，重新塑造資訊產業供應鏈。
在這個潮流下，物聯網(Internet of Things，IoT)無疑是眼下最熱門的話題之一，隨著傳感器的迅速普及，透過傳感器收集的巨量資料(Big Data)，經過雲端服務儲存及巨量數據的分析，以數據驅動服務價值，將是未來採用的技術創新，更是將引領下一個產業革命的典範轉移，成為未來企業新的商業模式。
在這個潮流下，物聯網(Internet of Things，IoT)無疑是眼下最熱門的話題之一，隨著傳感器的迅速普及，透過傳感器收集的巨量資料(Big Data)，經過雲端服務儲存及巨量數據的分析，以數據驅動服務價值，將是未來採用的技術創新，更是將引領下一個產業革命的典範轉移，成為未來企業新的商業模式。
物聯網與人工智慧
物聯網是一個基於互聯網、傳統電信網等資訊承載體，讓所有能夠被獨立尋址的普通物理對象，實現互聯互通的網路。物聯網一般為無線網，而由於每個人周圍的設備，可以達到一千至五千個，所以物聯網可能要包含500兆至一千兆個物體。
在物聯網上，每個人都可以應用電子卷標，將真實的物體上網聯結，所以從物聯網的定義來看，智慧電話、可穿戴設備、汽車、住房、消費類電子產品、醫療設備、工廠設備等，城市基礎設施，都可成為一個端點 (Thing)，因此物聯網會產生巨量的數據。
另一方面自從IBM 的超級電腦 Watson 在 2011 年於在美國著名的知識答題節目「危險邊緣」，力挫兩位頂尖人類選手，成為當時冠軍，人工智慧再度受到各方的關注。Watson 具備自然語言理解能力，還具有語義分析的能力，能分清反諷，雙關等特定語言現象。
而這是構築人工智慧的重要技術，「機器學習」的進化應用。「機器學習」是從巨量的數據庫數據，中探勘構造一個模型，定義不同的參數，而學習這件事就是讓這個模型，以程序的方式執行，利用測試數據(Training Data)來調整優化這些參數，等到訓練樣本到一定的程度後，參數的定義也成熟了，這支程序就可以做預測。
而隨著取得的數據愈來愈龐大，傳統的機器學習算法行不通，必需要能夠自行學習知識而無須人工干預，這就是後來大家所熟知的深度學習領域。
對於物聯網領域來說，首先要做的事情，就是讓設備可以連接，但是在設備連接上之後，人工智慧就變得很重要，因此單純使用網路，將人和裝置鏈接是不夠的，關鍵是要擁有足夠的人工智慧，解析鏈接後帶來的巨量數據，才能不需要太多人力介入，就能產生具高附加價值的應用。
《圖一》IOT x Machine Learn (圖片來源 Microsoft)
物聯網與人工智慧應用
先舉兩個生活化的例子，來看目前物聯網和人工智慧的應用。
首先來看Google的無人車，它控制駕駛原理，是透過車子四周安裝的諸多傳感器，持續不斷地收集車輛本身，以及四周的各種精確數據，由車內的處理器進行分析和運算，再根據計算結果來控制車子行駛，並將所收集到的數據，傳送到中央數據庫，提供給所有的無人車，因此每台無人車能不斷的從雲端更新數據庫，學習各種突發狀況，進而做出最佳的反應動作。
《圖二》Google 無人車(圖片來源 Google)
另一個例子是日本SoftBank 的智慧機器人Pepper，它除了機器本身的傳感器、語音辨識之外，還搭載了Emotion Engine的情緒辨別系統，和SoftBank 為了此 Engine 所建立的雲端運算服務Cocoro SB，因此可以感知使用者的情緒，並作出適合的舉動，並借助此雲端運算自行學習情緒能力，未來計劃能夠作為醫療照護人員、兒童保姆、老人照護或是商家店員等方面的運用。
《圖三》SoftBank Pepper (圖片來源 SoftBank)
除了實驗性質的測試外，在目前產業方面的運用，有在工廠設備的預測性維護和快速遠端診斷、商店、營運場所資料收集運用、農業結合氣候和地理等數據的運用等。
例如ThyssenKrupp Elevator 負責維護全球110萬部以上的電梯，他們使用物聯網服務，將 ThyssenKrupp 的電梯內數以千計的傳感器和系統 (這些傳感器和系統會監控從馬達溫度到樞軸對準、車廂速度和電梯門運作的一切事項) 連接到雲端。
透過Microsoft Azure 機器學習服務，電梯所提供的數據，會送到動態預測性模型中，並將這些訊息匯至到電腦，和行動裝置上的可用儀表板上，以便實時檢視關鍵效能指標，透過預測性維護和快速遠端診斷功能提高可靠性，現在，電梯本身可以教導技術人員如何進行修理作業，因此可以大幅提高現場的效率，電梯的運行時間也會大幅增加。
透過Microsoft Azure 機器學習服務，電梯所提供的數據，會送到動態預測性模型中，並將這些訊息匯至到電腦，和行動裝置上的可用儀表板上，以便實時檢視關鍵效能指標，透過預測性維護和快速遠端診斷功能提高可靠性，現在，電梯本身可以教導技術人員如何進行修理作業，因此可以大幅提高現場的效率，電梯的運行時間也會大幅增加。
或在醫療方面Kaiser Permanente使用行動技術，為居家的病患提供遠端監控選擇，藉此提高病患的參與和便利性，同時為臨床醫生啓用更有效率的工具。
他們正在測試將醫療設備 (例如血壓計、血糖儀和可穿戴的「手環」監控器) 連接到智慧手機。智慧手機會當做網管裝置來運作，負責傳送數據給安全的雲端，以便與現有的分析，以及可在 Kaiser Permanente 數據中心，執行的數據可視化程序整合在一起。
臨床醫生可以透過中央儀表板存取這些數據，以獲得有關病患健康和活動狀況的全盤，且幾近即時的瞭解，透過幾乎即時遠端監控重大生命跡象和自動警示，增強對病患的照護及提高他們的安全。
他們正在測試將醫療設備 (例如血壓計、血糖儀和可穿戴的「手環」監控器) 連接到智慧手機。智慧手機會當做網管裝置來運作，負責傳送數據給安全的雲端，以便與現有的分析，以及可在 Kaiser Permanente 數據中心，執行的數據可視化程序整合在一起。
臨床醫生可以透過中央儀表板存取這些數據，以獲得有關病患健康和活動狀況的全盤，且幾近即時的瞭解，透過幾乎即時遠端監控重大生命跡象和自動警示，增強對病患的照護及提高他們的安全。
未來的趨勢
早期的人工慧能研究人員，直接模仿人類進行逐步的推理，就像是玩棋盤遊戲，或進行邏輯推理時，人類的思考模式。
到了1980和1990年代，利用機率和經濟學上的概念，人工智慧研究還發展了，處理不確定或不完整的訊息，對於困難的問題，有可能需要大量的運算資源，也就是發生了「可能組合爆增」：當問題超過一定的規模時，電腦會需要天文數量級的內存或是運算時間，這些硬體設備的投資，不僅成本昂貴且對於使用者有著較高的技術門坎。
到了1980和1990年代，利用機率和經濟學上的概念，人工智慧研究還發展了，處理不確定或不完整的訊息，對於困難的問題，有可能需要大量的運算資源，也就是發生了「可能組合爆增」：當問題超過一定的規模時，電腦會需要天文數量級的內存或是運算時間，這些硬體設備的投資，不僅成本昂貴且對於使用者有著較高的技術門坎。
不過雲端、巨量資料、物聯網的發展，讓人工智慧研究，得以進一步商品化，近年來我們不僅看到了，用於精密檢測的機器視覺系統、用於裝配作業的初級智慧機器人系統，和用於微型電腦的自然語言接口，以及各種專家系統，還在智慧家庭、智慧大樓、車用系統等設備中，得到了廣泛的應用。
在一定程度上，這些項目利用到了物聯網、巨量數據分析、人工智慧上的機器學習，和自然語言理解等技術，但它又不像那些傳統人工智慧一樣，看了就讓人敬而遠之，似乎只是在實驗室中的產品，現在這些技術將普遍應用於生活家居、醫療照護、會計，預測疫情和犯罪等，都能透過IOT x 人工智慧幫忙。
在一定程度上，這些項目利用到了物聯網、巨量數據分析、人工智慧上的機器學習，和自然語言理解等技術，但它又不像那些傳統人工智慧一樣，看了就讓人敬而遠之，似乎只是在實驗室中的產品，現在這些技術將普遍應用於生活家居、醫療照護、會計，預測疫情和犯罪等，都能透過IOT x 人工智慧幫忙。
企業的機會
很多人認為個人或中小型的企業，要運用人工智慧技術發展業務是困難且昂貴的，但愈來愈多的業者像Microsoft Azure、Amazon AWS、IBM Watson Analytics等，都己經提供雲端機器學習的相關服務，讓開發團隊可以專注在資料的蒐集、要解決的問題、判斷要「學習」什麼問題，其它運算的工作就讓機器學習這個平台來完成。
因此機器學習技術變的更易於使用、更便宜，因此經濟部工業局也提出了工業4.0，一來透過物聯網與人工智慧，避免因為缺工問題而造成的產業危機，二來則是改善所有產業的生產力，如此，最困難昂貴的部份如網路、儲存器、機器學習等資源由雲端業者提供，我們不需投入昂貴的硬設備，只要專注於IoT x人工智慧的應用，發展核心新事業，發現新的商業機會。
因此機器學習技術變的更易於使用、更便宜，因此經濟部工業局也提出了工業4.0，一來透過物聯網與人工智慧，避免因為缺工問題而造成的產業危機，二來則是改善所有產業的生產力，如此，最困難昂貴的部份如網路、儲存器、機器學習等資源由雲端業者提供，我們不需投入昂貴的硬設備，只要專注於IoT x人工智慧的應用，發展核心新事業，發現新的商業機會。
沒有留言:
張貼留言