關於 電腦螢幕無訊號原因 ，我們在網路上蒐集到這些相關的討論、資訊與評價

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

Magic Leap 夢醒時分，創始人辭 CEO 後再創業，押注 AI 虛擬人

作者 雷鋒網 | 發布日期 2021 年 02 月 01 日 14:16 |

2016 年，一段 7D 影像走紅，畫面令人驚奇：一隻鯨魚從體育館地面一躍而起，落回地面時濺起水花，一旁的觀眾發出陣陣驚呼，似乎沒有穿戴任何裝置就可裸眼看戲。

這段影像出自 Magic Leap，神祕無比又估值奇高、數次身處負面風波甚至陷入出售境地的擴增實境裝置新創公司。

2020 年 5 月，Magic Leap 創始人 Rony Abovitz（首圖）宣布辭去 CEO，直到最近，他的新公司浮出水面──這次，Rony Abovitz 要打造「虛擬人」（synthetic beings），專注 AI 角色和互動式故事。

看來，Magic Leap 十年 AR 夢結束之際，新嘗試開始了。

15 年實現雄心壯志

美國時間 17 日，外媒 VentureBeat 獨家報導，Rony Abovitz 的新公司名為 Sun and Thunder──實際上官網顯示，公司於 2020 年秋季成立。

Rony Abovitz 受訪時表示：

Sun and Thunder 要做的是技術、智力、藝術的融合，旨在設計虛擬人，要在空間運算（spatial computing）的技術之下，或是在 Magic Leap 試圖創造的 MR（混合實境）體驗下講故事。

據他透露，虛擬人的靈感源於動畫工作室和遊戲（如 Inklings）一些神話概念，以及 Island Records 等音樂廠牌的自由創作精神。

據了解，Sun and Thunder 團隊還不到 10 人，未來一段時間內可能一直保持如此規模。Rony Abovitz 認為，約需 15 年才能實現雄心壯志：

我意識到至少需要 15 年製作和打造潛在技術、有創意的頂級產品。我得到的教訓是要保持謙虛、低調、豁達，把事情做好真的很重要。

目前公司還在進行不少實驗性工作，主要是為了「放大人類的智慧和創造力」，Rony Abovitz 將 Sun and Thunder 所處的發展階段稱為是「超新星」（supernova）階段。

Sun and Thunder 的第一個 AI 角色、第一位虛擬藝人是 Jako Vega（又稱 Yellow Dove），人設是穿越時空的流浪歌手，電影正在製作。

按計畫，今年 Sun and Thunder 將嘗試推出短片，向人們展示嘗試的東西，其中有些概念聽起來可能更像是科幻小說才有的東西（例如創造具「真正智慧」的 AI 角色），似乎與 Magic Leap 當年發表體育館鯨魚影片如出一轍。

Rony Abovitz 強調，雖然 Sun and Thunder 的業務涉及上述技術，但新公司與 Magic Leap 無關。

話雖如此，我們還是很難不想到 Magic Leap。

2017 年 12 月，Magic Leap 第一款黑科技產品揭開面紗，名為 Magic Leap One Creator Edition。

Magic Leap One 主要針對 C 端市場，應用場景包括購物、娛樂及效率三類。硬體方面，Magic Leap One 包含三部分：一個 AR 眼鏡 Lightwear，一個手把和一個處理器 Lightpack。

發表半年多後的 2018 年 8 月，Magic Leap One 才開始透過 Magic Leap 官網和 AT&T 門市販售。

一般而言，一款智慧硬體正式發售後，就會有媒體和科技圈人士拆解、評測。就在第三方紛紛評論之時，Magic Leap 於 2018 年 8 月 27 日發文，重點解釋產品背後的技術──不是別的，正是空間運算。

Magic Leap 表示：

Magic Leap 將數位光場訊號與人眼、腦結合，人腦視覺皮層為 Magic Leap One 的螢幕，Lightwear 和 Lightpack 則是為繼續開發環境辨識、背景感測的 AI 技術提供平台。

總體來說，空間運算可得出結合數位光場、感測和運算的仿生系統。

既然 Sun and Thunder 要在空間運算技術下、混合實境體驗打造虛擬人，那 Rony Abovitz 的新專案其實離 Magic Leap 並不遠。

Magic Leap 的興與衰

2011 年，Magic Leap 成立，發行名叫 Hour Blue 的 AR App，跨出
AR 領域的一大步。

之後幾年 Magic Leap 遲遲不發表產品，只透過 Demo、專利申請等吊眾人胃口。人們對產品的預期持續提升，公司估值也不斷上漲，一度成為史上最貴「概念」公司，前後融資 26 億美元，估值早在 2017 年就達 60 億美元。

Magic Leap 創立後的主要融資情況：

2014 年 10 月，B 輪 5.42 億美元，Google 領投，高通、KKR、KPCB 等跟投。
2016 年 2 月，C 輪 7.935 億美元，阿里巴巴領投，投資方還包括 Google、摩根大通。
2017 年 10 月，D 輪 5.02 億美元，新加坡政府旗下淡馬錫控股領投，參投方包括 EDBI、巴西 Grupo Blobo 及 Janus Henderson Investors。
2019 年 4 月，獲得 2.8 億美元融資，投資者為日本最大的行動營運商 NTT DoCoMo。
Magic Leap 首款產品問世後，眾人卻覺得很失望，主要原因包括但不限於：

水平視場角只有 40 度。

並沒有採用之前宣稱的光纖掃描技術，而是與 HoloLens 相同的光波導技術。

互動設計類似 ARKit。

之前 Rony Abovitz 表示核心技術是一塊類似鏡片的玻璃，他稱之為「光學晶片」，但並沒有用在產品。

《Wired》雜誌記者 Jessi Hempel 體驗 Magice Leap One 時發現，這款產品有不少問題，比如說手把失靈、畫面卡頓等。最終他的評價是：

說實話，這些體驗與我之前玩過的 AR 和 VR 裝置同水準，行銷話術的「秒殺一切對手」確實有點誇張。

據了解，Magic Leap One 發售 6 個月後僅售出約 6,000 套，之前目標是10 萬套，於是一條條負面新聞也隨之而來。

不僅融資受阻、銷量慘淡、庫存積壓，2019 年 8 月 22 日，Rony Abovitz 與摩根大通抵押代理人 Eleftherios Karsos 簽署的「轉讓協議」曝光，涉及抵押專利約 1,903 項。

2019 年 11 月，CFO 和創意策略部高級副總裁 SVP 高層都離職，多部門員工遭裁減。

不過 Magic Leap 也進行了「自救運動」：在 C 端產品銷售無力的情況下，Magic Leap 針對企業，推出 Magic Leap 1 Enterprise Suite。

但就結果來看，效果並不顯著。

2020 年 3 月就有消息傳出，Magic Leap 正在評估 Facebook、嬌生等巨頭的購買興趣。

2020 年 5 月末，Rony Abovitz 宣布卸任 CEO（仍是董事會成員），並開始物色接班人選。

2020 年 9 月，Magic Leap 聘請前微軟資深技術執行長兼業務開發執行副總裁 Peggy Johnson 執掌公司，Magic Leap 開始向 B 端 MR 軟硬體過渡。

最新採訪中，Rony Abovitz 表示，很高興看到 Peggy Johnson 繼續帶領Magic Leap 發展──他承認 Magic Leap 過於誇大、最終令人失望的事實，但表示依然對 Peggy Johnson 很有信心。

Rony Abovitz 要講一個新故事

出身正統猶太家庭的 Rony Abovitz，父親是房地產從業者，母親則為藝術家。或許很大程度受母親影響，他玩雅達利（Atari）電子遊戲長大，8 歲那年得到第一台電腦。高中畢業時，希望成為科學家的他就讀邁阿密大學，獲得生物醫學工程碩士學位──在校期間，他還是漫畫家。

後來 Rony Abovitz 未能成為科學家，而是踏上創業之路：

2004 年，創立了 MAKO Surgical Corp.，即製造手術機械臂輔助平台的公司，2013 年以 16.5 億美元被骨科醫療裝置巨頭 Stryker Corporation 收購。

2010 年，Rony Abovitz 還有一家發行唱片的工作室。
2011 年，於佛羅里達州創立 Magic Leap。
2020 年，Sun and Thunder 的故事開始。

如今 Rony Abovitz 年過半百，雖然 Magic Leap 的 AR 夢該醒了，但新嘗試也開始了。或許擁有藝術細胞、擴增實境領域技術基礎、能唬過巨頭的畫大餅能力的 Rony Abovitz，也能帶領小團隊再闖出一番成就。

資料來源：https://technews.tw/2021/02/01/magic-leap-rony-abovitz/

#古早科技中的冷知識 錄影帶那不為人知的高智商設計

大家晚安。你知道嗎，每日一冷的小編們也都是 就算知道了也對人生沒有幫助的日本小知識 梅用知世 大的粉絲。

提起這個不為別的，是要坦承今天的知識超級沒用 XD。也許會勾起不少人 80、90 年代的暖暖回憶吧。我們開始。

講到老科技，科宅其實不夠老也不夠宅，因此本文會設定在「和朋友在吃飯聊天一席話」的程度，快速帶到妙處，更多海量細節就不裝懂了，待強者補充。

說到錄影帶，首先想到的三個字母就是 VCR，古早台灣綜藝節目中都用 VCR 代稱「一段影片」。例如：讓我們看一段 VCR。但其實 VCR 應該是指 videocasette recorder——「影像卡帶 的 錄放機」是也，應該是指那台機器啦，拿來代稱一段影片恐怕有誤會。

另外也是三字母的 VHS 指 Video Home System 是一整套標準化的商用 VCR 硬體規格。由於它商業成功一統惹江湖，一般說到錄放影機，八成指的就是 VHS 系統。

科宅小時候對 VHS 錄放影機內部印象最深刻的，是那顆亮閃閃的，大家稱為「磁頭」的像一顆銀色車輪餅的物體。

我真正好奇的點，不意外有點怪：

為什麼不管去哪個朋友家，不管哪個牌子的錄放影機，裡面磁頭都是歪的阿？看了強迫症發作，好想把它掰正喔 （住手XD）。

直到最近看了一些 YouTube 上講解復古科技，比我更老也更宅的大大的頻道，才破解了這個伏筆，感到舒暢。斗膽與大家說說其中巧思。

是這樣，有在接觸科幻劇集 Doctor Who 《誰博士》的朋友 🎀 可能聽過，最早在該節目的經典版 Classic Who 所播出的 60 年代，有好多集節目的影像資料至今已經丟失，只留下了聲音檔。

其中的時代科技背景是，說來奇怪，那個時代已經有廣播電視，但卻缺乏【能把電視的影像訊號紀錄下來】的器材。（精確說是便宜實惠的錄下來。要是不計成本還是能用極大量磁帶，或是昂貴的膠卷翻拍。總之實務上無法錄下每一檔節目。）

癥結在於：那些年，電視信號是類比 analogue 的，換句話說，影像是編寫紀錄在電磁的波動之中（調頻編碼）的。要在一眨眼之間便覆蓋半個電視螢幕（掃描線每次更新一半畫面），所需的電磁訊號份量相當大，搭載其波動的頻率也就必須極高——比錄音帶高太多了。

比較一下，錄音帶：約２萬赫茲。廣播電視信號：約５００萬赫茲！這使得工程師無法直接套用磁帶錄音的邏輯來錄製影像。

磁帶錄音是這樣，磁頭不動，捲動的磁帶滑過磁頭表面，依序讀取磁性顆粒記錄下的極性，轉為音訊。

簡單來說，想把頻率遠遠更高的影像訊號塞進類似錄音帶的磁帶系統的話，磁帶就必須用瘋狂的高速捲動。且不論那樣機器所需的精細度高，容錯度就低 → 驚心膽顫的。而且，所需用的磁帶相應也會驚人的長。

但工程師可沒放棄，還想出了超雅致的解法：

欸嘿 (推眼鏡)～～我們都太拘泥陳規了。如果磁帶高速轉動不實際，我們還可以【讓磁頭高速轉動】啊！

這就說到科宅小時看那顆「銀色車輪餅」的由來了：裡面其實有四個磁頭貼在輪子的東西南北，輪子會以每秒 60 轉（3600 rpm）的高速，讓磁頭接連不斷地接力掃過磁帶表面。因為有四個，所以酷炫的命名為 quadruplex（四路多工）。

而為了讓磁帶表面的空間能有效得到利用，最後採用的掃描方向是斜斜的（如插圖，credit: IEEE Spectrum）那就是它一定歪了一個角度的原因了。甚至可以說那是整個系統的精神所在。

在磁帶以普通慢速捲動的同時，磁頭傾斜著高速轉動，對角線方向快速讀取磁帶面積之中一列列磁性的編碼。這方法就稱為螺旋丸(x) 螺旋掃描(o) = helical scan。把大量的資料塞在緊緻的空間中，雅致到都令本科宅想到另一個稱為 DNA 的螺旋了。

現代影像大多早已數位化，那群高智商工程師設計出的精湛技術的積累與結晶，也隨著類比系統謝幕退至後台。嘆息之餘，稍微了解一下那份巧思與設計智慧，說不定別的地方能派上用場的吧。

結論：所謂山不轉路轉，磁帶不轉磁頭可以快快轉。
↑ 寫這整篇就是要鋪這個冷笑話

但說真的，扯離開原主題一點點，科技還真有些東西遙相呼應似曾相識的。各位現在若 google 螺旋掃描 'helical scan' 有可能找到的不是 VHS 科技，而是「電腦斷層掃描」相關的醫學資訊喔。

電腦斷層機器是用 X 光用各種角度照射人體，由無數條不同角度 X 光被人體內部吸收的比例，用數學（別怕，說穿了只是解解聯立方程式）算出人體的內在構造。

關鍵字是「需要各種角度照射」。而最後採取的是病人躺在移動的平台上慢慢滑行，由 X 光機和偵測器快速旋轉（俗稱「切」）......顯然是不能讓病人快速轉動 😂 因此電腦斷層機器永遠都是甜甜圈形狀的。病人慢慢動機器快快轉，和錄影帶和磁頭之間關係真是有點相似不是嗎。

最後是坦誠，剛才不是說 VHS = Video Home System 嗎？就很奇怪為何不按文法，寫成 Home Video System 啊 —— 其實 VHS 原本代表的是「垂直螺旋掃描」= vertical helical scan，便是這整篇文在講的那最關鍵之技術。而「家庭錄影系統」其實是後來附會上去的，畢竟商標還是越好記、越淺白越好吧。

本文完。by 科宅

_
主要參考資料：
圖一 26 Jul 2016
IEEE Spectrum - Revisiting the VCR’s Origins By Tekla S. Perry
圖二（VHS 磁帶與磁頭自動貼合的聰明機制）
Oona Räisänen - Inside a VHS VCR, 2014年1月5日
https://youtu.be/N1Hcoxqr9Bg
圖三 Technology Connections 頻道的解說
The Impossible Feat inside Your VCR, 2017年1月25日
https://youtu.be/KfuARMCyTvg