2020年至今，世界級的頭條新聞事件不外乎就是新冠狀病毒（新冠病毒:SARS-CoV-2）爆發大流行，影響人類安全甚鉅，直至2020年八月全球確診人數達到1990萬人，死亡人數高達73.2萬人，幸運地是台灣地區確診480人，死亡人數7人，相對比例較小，這個事件是自2002年SARS以來，人類社會最嚴重的流行性疾病傳染事件，新冠病毒可能的起因是由世衛組織確認為2019年12月來自中國湖北省武漢市發生集中性肺炎的情況，一個可能的原因為肺炎病例被發現與武漢的一個大型海鮮和動物市場有關，雖然經過中國政府當局迅速採取了衛生和消毒措施，但是因為病毒極為頑強且很容易擴散，此病毒後來還是全世界擴散了，美國疾病控制與預防中心（CDC）和中國衛生部門後來確定並宣布，一種新的冠狀病毒（CoV）（舊稱為武漢CoV）在武漢市引起了肺炎的爆發。 這次的公共衛生突發事件部分類似於2002年在中國南部爆發的SARS疫情，都是具有相同的發生情形，而且這兩次都是在冬季發生的，並且最初的病例與接觸在動物市場上出售的活體動物有關，這些都是由以前未知的冠狀病毒引起的發生的事件。 雖然各國政府的努力防堵下，但在中國香港，日本和泰國都有出口病例發生，目前在美國也仍造成嚴重的傷亡。截至2020年8月，該病毒已蔓延至至少二百多個國家，感染人數直逼2000萬人，CDC甚至懷疑一些新冠病毒的報告，關於COVID-19感染總數是被低估了，這是因為許多輕度或無症狀病例未被全面性的發現，再根據一艘鑽石公主號遊輪的案例，估計有17.9％的無症狀病例，而且無症狀的個體與有症狀的個體一樣具有傳染性，因此能夠進一步傳播此疾病，此種SARS-CoV-2可能是能在人與人之間傳播，這些事件造成人類社會巨大的衝擊，整個地球的公共運輸網造成很大程度的影響。 圖1:新冠病毒結構示意圖，(圖片來自Udugama, B., et al. ACS Nano. 2020 Apr; 14 (4):3822-3835) 新型冠狀病毒SARS-CoV-2屬冠狀病毒科（Coronavirinae）之beta亞科，如圖1所示，冠狀病毒科（Coronavirinae, CoV）是造成人類與動物疾病的重要病原體，因為其外表為圓形，在電子顯微鏡下可看到類似皇冠的突起因此得名，其遺傳物質RNA為單股正鏈，包裹在外套膜中。整個病毒基因體約有三萬個核苷酸，包含了27個蛋白質資訊，而其中專供RNA自身利用的「RNA依賴性RNA聚合酶(RNA-dependent RNA polymerase; RdRP)」是病毒複製所需的主要蛋白，新冠病毒另外還有四個重要的結構蛋白：棘狀蛋白 spike glycoprotein (S)、包膜蛋白envelope protein (E)、基質蛋白matrix protein (M)、與核殼蛋白nucleocapsid protein (N)。其中棘狀蛋白會跟位於人類細胞表面的第二型血管收縮素轉換酶(angiotensin converting enzyme 2; ACE2) 受體進行結合，利用此機制，新冠病毒藉此就可以入侵人類細胞，造成嚴重傷害，因此阻斷棘狀蛋白和ACE2的結合也是一個重要的研究方法之一。 新型冠狀病毒SARS-CoV-2感染後比一般人類冠狀病毒症狀嚴重，部分個案可能出現嚴重的肺炎與呼吸衰竭等，一般冠狀病毒的動物宿主為蝙蝠（最大宗）、豬、牛、火雞、貓、狗、雪貂，而SARS-CoV-2一般普遍猜測是從蝙蝠開始傳染的，由圖2顯示該病毒的直徑範圍為60至140 nm，具有蛋白刺的包膜，並具有遺傳物質，整體結構與冠狀病毒科的其他病毒相似。 圖2. SARS-CoV-2 電子顯微鏡下感染組織情形，藍色顆粒為病毒。圖片來自Udugama, B., et al. ACS Nano. 2020 Apr; 14 (4):3822-3835) 在冠狀病毒中，S基因編碼受體結合性刺突蛋白，使病毒能夠感染細胞，這種刺突蛋白介導受體結合和膜融合，這決定了宿主的向性和傳輸能力，在SARS-CoV-2中，與所有SARS相關冠狀病毒相比，S基因具有小於75％的核苷酸序列相似性，SARS-CoV-2似乎與血管緊張素轉化酶2（ACE2）受體相互作用，從而進入細胞。從一些患者和實驗室調查可知，藉由近距離飛沫、直接或間接接觸帶有病毒的口鼻分泌物、或無呼吸道防護下長時間與確診病人長期在密閉空間接觸，會增加人傳人風險，所以阻斷病毒，可以從這些面向下手處理。 SARS-CoV-2急性感染期之檢驗首選之一為所謂的分子生物學核酸（real-time reverse-transcription polymerase chain reaction，RT-PCR）檢測，另一種血清學檢測（serological test）目前正在發展中，而分子技術比綜合檢查和CT掃描更適合進行準確的診斷，分子技術的發展取決於對病原體的蛋白質組在感染期間和感染後宿主中蛋白質/基因表達變化的誘導，截至2020年3月已經確定了SARS-CoV-2的基因組和蛋白質組組成， SARS-CoV-2的第一個基因組序列於2020年1月10日添加到GenBank序列存儲庫中。 目前有許多治療新冠肺炎的相關研究，而本研究猜想是想利用大腸桿菌(E. Coli) 的small RNA基因調控方法來攻擊SARS-CoV-2在內的多種冠狀病毒。sRNA(small RNA)是種短片段的RNA，長度通常介於20~25個基因序列左右，近年來發現此種RNA可能在病毒醫療上有用處。病毒在人體內要繁殖時會透過核內的蛋白質轉錄出mRNA後再轉譯成蛋白質，而當mRNA釋出時，透過與sRNA結合，可以使mRNA從單鏈結變成雙鏈連結，進而破壞mRNA功能，降解目標mRNA而達到治療作用，而且因為sRNA為單鏈結，因為sRNA的生命期不長，即使沒有貼合到病毒RNA它也會自己降解而不會長時間留在人體內造成影響。我們的猜想是找到能使新冠病毒的mRNA成為標靶(target)的sRNA，利用CDC目前公布的新冠病毒細胞DNA序列和已知的sRNA的基因序列進行比對，找到匹配度最高的基因序列，使sRNA貼上病毒的mRNA干擾其蛋白質生成，以達到可能的抑制的效果。我們目前所知道的E. Coli 的sRNA的種類已超過50機種，例如RyhB、sodB、MicF.等等，將目前CDC裡所公布的Covid-19各種內部DNA基因序列一個個去和sRNA進行鹼基序列比對，尋找blast 之後Score 值較高的幾種，此法因為是一種新的嘗試，所以目前定義為找出可能的高分群，也就是同源相似性較高的一群，最後仍須要進行溼式實驗進行實驗比對方能確認可行性。 將表1的各個序列和新冠病毒的基因序列進行鹼基對，由於新冠病毒的序列長度遠大於sRNA(約10000 : 1)，這樣會使Score值不夠準確，所以我們會進行兩次比對，第一次找出比對較密集處，再將此處基因獨立分割出來重新比對一次。 圖3: sRNA與target mRNA結合之後，基因調控降解速率示意圖，而治療成功與否和降解蛋白質的產生效率有關，由圖3可以看出，要達到完全降解病毒，條件之一為a_s(sRNA轉譯速率)需大於a_m(target mRNA轉譯速度)，圖3的結合常數計算分析如下: 這樣就能計算出我們需要sRNA噴灑的劑量，才有機會可達到有效的目標蛋白質降解的效果，例如攻擊棘狀蛋白( spike glycoprotein)，連結其mRNA，使其失活，而無法製造棘狀蛋白。 關於本次新的想法，這次我們將使用軟體BLAST來進行鹼基序列比對，BLAST是一個生物學上經常用來進行生物比對的軟體，有很多功能，例如蛋白質對蛋白質、蛋白質對核醣體、核醣體對核醣體。BLAST有核GENE BANK 連動功能，所以它不只能進行一對一的生物序列比對，還能幫你從GENE BANK中找到和你的序列相似較高的幾種序列。根據此猜想，筆者進行了下面研究初步成果，附上一些研究結果的計算數據如表2所示。 將表2的各個病毒序列和sRNA進行BLAST比對，選出結合度較高的分數，挑選出可能的候選sRNA。 (2)電腦計算實驗結果2: 病毒 : LC528232_1 length 29902 取25443~25556 sRNA : ffs length 114 (3)電腦計算實驗結果3 病毒 : LC529905_1 length 29903 取14200~14312 sRNA : c0664 length 113 (4)電腦計算實驗結果4 病毒 : LC529905_1 length 29903 取18600~18677 sRNA : c0465 length 78 只看這些數據無法準確的比較出較好的目標物sRNA，所以我們會再將這些sRNA和其他新冠病毒進行鹼基比對。 (5)電腦計算實驗結果5 病毒 : LR757995_1 length 29872 取14000~14112 sRNA : c0664 length 113 (6)電腦計算實驗結果6 病毒 : LR757995_1 length 29872 取14523~14600 sRNA : c0465 length 78 透過這樣的多次比較，我們就有機會能找到最有效的sRNA，最後再透過人造膜的包覆sRNA，將此sRNA送到病毒感染嚴重的部位，例如噴灑試劑，進行sRNA的結合攻擊，但因此法尚未進行溼式實驗，只能稱之為防疫猜想，但基因sRNA的基調控可能性，此法仍有可能是深具價值。 本研究提供了一條sRNA攻擊nCOV病毒的猜想，當然尚須臨床實驗證實，但是基於E.Coli本身長期與病毒奮戰的基因調控故事來看，本法無疑的也提供科學家另一個想像空間，希望倚重E.Coli 的sRNA對於基因調控能力，來開創出另類療法，以期消滅新冠病毒。。

前言 智能製造是從工業4.0演變而來，是用於指製造和連鎖生產管理中的發展過程的術語。 工業4.0一詞旨在提高德國在製造業中的競爭力於2011年首次公開提出的。 德國聯邦政府在其2020年高科技戰略中採納了這一想法。隨後，成立了一個工作小組，以就工業4.0的實施提供進一步諮詢與定義，至此工業4.0在全球開始擴展。智能製造在工業4.0基礎下的技術重點目前主要包含有: 大數據/分析(Big data/analysis)、區塊鏈(Blockchain)、物聯網(Internet of Things)、網絡安全(Cybersecurity)、雲計算(Cloud computing)、移動技術(Mobile technology)、機器對機器(Machine-to-machine)、3D打印(3D printing)、先進的機器人技術(Advanced robotics)、 RFID技術(RFID technology)、認知計算(Cognitive computing)等新科技 (圖1所示) ，其中當然也包含了人工智能技術(AI)。 製造業是台灣經濟發展的重要核心，相關研究也指出2020年整體製造業預測產值將達19.18兆元，而金屬機電業則達到5.3兆元，資訊電子業則為6.57兆元，在在顯示出台灣依賴製造業的重要性(如表1所示) 。就因為如此，智能製造也將引領著台灣製造業再提升與轉型，好的智能製造技術引進，將可大幅提升各製造廠的產品交期、產品組件品質與有效生產控制降低營運成本，這些都是企業營運的重要競爭內涵。 智能製造技術研發焦點分析 智能製造融合了信息技術、先進位造技術、自動化技術和人工智慧技術。 智能製造包括開發智能產品、應用智能裝備等，自底向上建立智能產線，構建智能廠務系統，打造智能工廠，實踐智能研發，形成智能物流和供應鏈體系，開展智能管理，推進智能服務，最終實現智能決策。不過就整體智能技術應用架構與期程在圖2中還是清楚說明，機械/電機基礎技術將左右整個製造廠的基礎設施，在前述前提下，製造廠將進行自動化技術應用，此階段將會大幅提升製造速度、產品品質與降低人事管理等成本，最後則是進入目前最新的智能技術應用階段，此時的各種智能製造技術重點(如大數據/分析、區塊鏈、物聯網、雲計算等)才有發揮空間，也才能讓製造廠能達成加快製造、提升品質、降低成本的經營目標 。 智能製造的規劃主要依據圖3架構進行整合，實際進行製造程序，無論是何種產品(例如半導體、紙尿布、飲品、機械工具等)都是運用各種機械結構(如沖床、車床等)進行產品加工，這些機械結構需要能量源來帶動(如圖4所示)，克服物理慣性來做功，所以在圖3中可見，機械類從運動控制到機器手臂最後結合機器視覺是很重要的智能技術應用範疇，這也是前述的先進的機器人技術(Advanced robotics)開發與研發焦點。另一方面從感測器開始接續馬達，最後結合控制器，在控制器裡則能帶入各種智能演算法，例如比例積分微分控制(Proportional-Integral and Derivative Control, PID)結合模糊演算法(Fuzzy algorithm)、人工神經網路演算法(Artificial Neural Network，ANN)等都是智能製造的技術推展焦點。而在工廠產線端則會有製造執行系統(Manufacturing Execution System, MES)，所有前述製程機械與電氣資訊都會進行彙整掌握，這系統將可利用網路平台與產品生命周期管理系統(Product Lifecycle Management, PLM)及供應鏈管理系統(Supply Chain Management , SCM)整合，如此將可獲得製造廠裡的所有製程有關之產品種類、製造進度、元件產品品質、製造成本等運作數據留存於資料庫中，網路再繼續與雲端平台連結，並配合網絡安全(Cybersecurity) 、雲計算(Cloud computing)及區塊鏈(Blockchain)等技術，就能進行整體製造廠營運最佳化管理與排程，而透過外部網路或是雲端平台將可與顧客關係管理系統(Customer Relationship Management, CRM)及企業資源規劃系統(Enterprise Resource Planning, ERP)結合，如此將可達成從客戶端預期下單，供應商與生產線也開始進行最佳化預測排程，讓智能製造達成完全預測狀態 。 智能製造技術開發分析 在本文以生產線機器視覺為分析例說明，主要開發係從視覺的最初理解通用概念描述開始，接著討論系統設計方法，並提出通用機器視覺模型報告。由於機器包括系統和子系統部件，它們取決於應用程序的類型和所需達成的製造任務。一般而言，視覺機器的預期功能包含對場景的環境約束的利用和施加、圖像的捕獲、對那些捕獲的圖像的分析、對每個圖像中某些對象和特徵的識別以及後續動作的啟動為了接受或拒絕相應的對象等(圖5所示) ，視覺系統執行所有這些階段後，手頭的任務幾乎完成，後續就是將前數動作啟動的控制信號傳遞給機器手臂來進行運動控制，如此達成製程目標。而前述開發必須確認根據高質量圖像的每個系統和子系統的順序和正常運行。而且在操作中，存在一個受某些約束的場景，本生產線機器視覺系統的第一步是圖像採集，圖像預處理，分割，特徵提取，分類，檢查以及最終進行控制作動，這些必須與所研究場景的交互作用，這也是技術開發重要關鍵。對於生產線機器視覺應用，一般包括自動視覺檢查（AVI）、過程控制、零件識別以及在機器人制導和控制中的重要作用，此類型的應用可改善可靠性，提高產品質量並為新的生產流程提供強力支撐(如圖6所示)。另外對於前述機器視覺系統的設計和應用重點必須特別注意六種不同類別的場景，包含如場景限制、圖像獲取、圖像預處理、圖像處理、機器視覺證明、最後是系統性考慮。 幫浦為目前工廠中輸送液體物質不可缺少的設備(如圖7所示)。而針對化工廠耐酸鹼泵浦而言，為高效能泵浦具備完整構造，材質方面則採用多種高等級塑化耐蝕材質，搭配獨特的軸封設計，精確設計的葉輪，能展現出最佳流體的效率，這是實際生產最首要部分。但是何時必須讓前述製程用的幫浦馬達順利動作與停止，卻強烈影響化工產品品質與安全穩定度，這也彰顯出控制系統的重要性。本文主要探討模糊比例積分微分(PID)智能控制器，該控制器可以從PID域到模糊域的調整規則進行調整(架構如圖8所示)。由於非線性控制器可以更有效地控制非線性過程，因此模糊控制器可以在上升時間和較小的過衝方面提供更好的性能。實務設計上會在前述提出的控制器利用軟體模擬進行評估，再由模擬結果進行瞬時性能和穩態性能之判斷，最低智能要求必須優於傳統PID控制器的性能才符合新技術開發思維 。 結論與建議 本文從台灣的整體製造業開始論述，2020年整體製造業預測產值將達19.18兆元，而金屬機電業則達到5.3兆元，資訊電子業則為6.57兆元，在在顯示出台灣依賴製造業的重要性。本文針對生產線機器視覺及化工廠耐酸鹼泵浦模糊比例積分微分(PID)智能控制器為分析例說明智能製造技術開發分析，此外也探討智能製造技術研發焦點應包含大數據/分析(Big data/analysis)、區塊鏈(Blockchain)、物聯網(Internet of Things)、網絡安全(Cybersecurity)、雲計算(Cloud computing)、移動技術(Mobile technology)、機器對機器(Machine-to-machine)、3D打印(3D printing)、先進的機器人技術(Advanced robotics)、 RFID技術(RFID technology)、認知計算(Cognitive computing)等新科技。

前言 第五代行動信訊技術，是由英文The Fifth Generation的中文名稱所翻譯，也是人人口中簡稱的5G，亦是下一代蜂巢式行動網路的名稱。然而，早期行動信訊技術並非如現在一般的人手一機那樣的方便，而且手機還是那樣多功能的智慧型手機。行動通信訊技術最早要從1G說起，進步到現在火紅的5G。本文將針對行動通信訊技術的演進做一簡單的介紹。 第一代行動通信 (1G) 人類自古就有通信的需求。從最期的有線電話進展到了無線通信的時代。而無線通信技術的演進必需從1G網路開始說起。最早期的1G網路帶給我們第一支手機，而說到第一代通信的開創者，就不能不提當代的領導先鋒，摩托羅拉公司 (Motorola)。 一個國家最先進的無線通訊技術，都是由軍方所掌控。等到更新的通信技術被研發出來後，經軍方淘汱，才由民間加以商業化。故通信術最開始時多是主要應用於國家級的航太與國防工業。是故無論是後來高通所掌握的 CMDA 技術、或最近被美國視為眼中釘的華為，皆仰賴軍方扶持起家。 摩托羅拉的第一代通信發展亦是如此。Motorola創辦於 1928 年，是一間總部位於美國紹姆堡的電信裝置製造商。2011年，摩托羅拉拆分成兩家獨立的公司，也就是摩托羅拉移動及摩托羅拉系統。二戰時期，Motorola與美國陸軍部簽訂了合約。合約的內容是Motorola協助美國陸軍研發無線通訊工具。到了1941 年，摩托羅拉研發出了第一款跨時代產品 SCR-300。 SCR-300 重達超過35磅，甚至需要一個專們的通信兵來承載，或安裝在車輛和飛機上。然而，由於 SCR-300 使用了當時先進的 FM 調頻技術，使得無線通信的距離達到了當時前所未有的 12.9 公里。這個距離足以讓炮兵觀察員聯繫到炮兵陣地，也能讓地面部隊跟陸軍航空兵通訊。 無論是二戰期間的通訊設備，之後第一款彩色類比電視機、半導體晶片、DSP 通訊手機晶片，和1980 年發明「蜂窩式行動電話」（大哥大，黑金剛）、建立了AMPS (Advanced Mobile Phone System)電話系統，摩托羅拉作為類比通訊技術的佼佼者，在行動通訊及電腦處理器領域中都是市場先鋒，更在 1989 年被選為世界上最具前瞻力的公司之一。 FM 調頻技術為類比通信的一種，相較AM調頻技術有更好的通信能力。然而，1G 類比通訊的通話品質差，且信號不穩定。此外，對軍方而言，保密性至關重要，但1G 類比通訊的保密性確更是低落。因此，為因應通信需求，科學家們開始著手研發新型的數位行動通信技術。 第二行動通信(2G) 隨著機體電路技術的進步，以及數位訊號的應用，當時的行動電信業者逐漸轉向了數位通信技術，行動通信進入了 2G 時代。 全球行動通訊系統(Global System for Mobile Communications)，即GSM，又稱泛歐數位式行動電話系統，是當前應用最為廣泛的行動電話標準。GSM也是當時第二行行動通信的標準。 GSM是基於分時多工 (TDMA)的無線通信技術。TDMA的特點是將一條訊息通道平均分給八個通話者，一次只能一個人講話、每個人輪流用 1/8 的通道時間。GSM的性能表現相當優異。在當時，不但開放國際漫遊、提供了SIM卡（Subscriber Identity Module）方便用戶在更換手機時仍能儲存個人資料，此外GSM 手機還能傳送 160 字長度的文字簡訊。 1991 年，Ericsson 和 Nokia 率先在歐洲大陸上架設了第一個 GSM 通訊網路。短短十年內， 全世界有 162 個國家建立 GSM 通訊網路，使用人數超過 1 億、市佔率高達 75%。然而，分時多工的一大缺陷就是系統容量有限。當用戶超載時，就必須建立更多的基地台。 第三行動通信(3G) TDMA的通道一次僅供一個人使用、八個用戶得輪流著講，容量有限。在當時，美國的高通成功的研發出基於分碼的多重接取技術，也就是著名的分碼多工技術(CDMA)。而此一技術也高通成了主導了第三行動通信標準的最大贏家。 CDMA從 1950 年代起就是美軍軍方的通訊技術之一。在創辦人艾爾文.雅各比 (Irwin Jacobs)和安德魯.維特比 (Andrew Viterbi) 領軍下，高通在 1989 年成功將 CDMA 應用在行動通訊上。CDMA使用資料加密技術，不同信號傳輸由不同的碼來調變，因此若接受端沒有相同的碼來解調變，接受端不會聽到其他人的聲音。藉此，CDMA系統的容量大幅提升。而從技術上來看，CDMA 系統用戶的乘載量是 GSM 的 10 倍以上。 第三代行動通信共有三個標準，分別是以歐洲為主的W-CDMA、以美國為主的CDMA2000、以及以中國為主的TD-SCDMA。 W-CDMA的發展，是當時愛立信、諾基亞、阿爾卡特等實力雄厚的歐洲廠商深知TDMA難敵CDMA的優勢，更難以作為3G核心技術，然而歐洲廠商誰也不想接受高通霸道的方案，也不願意美國(高通為美國公司)成為第三代行動通信標準的勝者。 於是歐洲與日本等原本推行GSM標準的國家聯合起來成立了3GPP組織 (3rd Generation Partnership Project)，負責制定全球第三代通信標準。而3GPP在參考CDMA技術後，盡量繞過高通的專利，開發出了原理類似的W-CDMA。 高通為因應歐洲廠商的進度，與韓國聯合組成3GPP2 (3rd Generation Partnership Project 2) 與3GPP抗衡，推出了CDMA2000。後來CDMA2000也成了第三代行動通信三個標準的其中之一。另久，中國也制定一套TD-SCDMA。而因為三大通信技術都碰觸到了CDMA的底層專利技術，仍無法避免的必需向高通繳納高額的專利授權金。高通可謂是3G時代最大的贏家。 第四行動通信(4G) 現今最普遍的通信系統莫過於你我目前正在使用的 4G。而4G則是自 2009 年以來就開始部署全球。4G LTE(長期演進)是 4G 的最新版本，允許下載速率高達約 200Mbps。 隨著通信技術的發展，當時是IT產業的巨頭也想進軍無線通訊技術的市場，以期能分食無線通訊市場的大餅。而正交頻分多工 (OFDM)則是IT產業的巨頭進軍無線通訊技術的利器。在當時，由 Intel 領頭的 WiMax 便是當時4G標準的一大競爭者。只可惜WiMax陣營因種種原因敗給了現在的採用的LTE系統。 4G LTE的核心技術亦是正交頻分多工 (OFDM)。OFDM最早並不是各大電信商所發展的技術。事實上，OFDM最早是由電機電子計算機協會 (IEEE) ，在2003年藉由無線通訊界的展頻技術所研發出來。 OFDM使用大量緊鄰的正交子載波（Orthogonal sub-carrier），每個子載波採用傳統的調變方案，進行低符號率調製。OFDM可以視為一調變技術與多工技術的結合。OFDM除具備高速率資料傳輸的能力，更有有效對抗頻率選擇性衰減的能力。此外，OFDM更能支援MIMO(Multiple-Input Multiple-Output)技術。MIMO即為多輸入多輸出，使用多組發射天線與多組接收天線的系統。 第五行動通信(5G) 第五行動通信理論上並無像第三代的CDMA，或是第四代的OFDM那樣有新的技術產出。基本上，第五行動通信是第四代的延伸技術。而第五行動通信在未來能成為物聯網的基礎網路建設技術。 5G的三大特性有高速傳輸、低延遲以及巨量接取。就高速傳輸來說，以目前4G的速度，足夠讓使用者使用手機或平版來觀看影片，瀏覽網站，但未來在5G建置後，高速傳輸的特性能讓影片的下載在幾秒內完成，減少許多等待時間。例如，用4G下載一集影片，5G可能已經下載十集或者更多了。因為，5G速度在標準規格的定義中是是4G的10到100倍。就延遲時間來說，5G的時間延遲比4G少10分之1以上，可達到0.001秒。而就巨量接取而言，5G每平方公里預估可支援上百萬個裝置，未來的應用可更加多元，有望達到萬物聯網的境界。 3GPP 所定義的 5G 三大應用領域，分別是：增強行動寬頻（Enhanced mobile broadband, eMBB）、關鍵任務控制（Mission-critical control） 以及大量物聯網（Massive Internet of Things）。 隨著全球部分國家5G 網路開展，使用者也必須擁有對應的 5G 手機才能接收訊號。5G信號接收的關鍵就在於智慧型手機內部搭載的 5G 數據機晶片。而由於 5G 通信的世代升級長期會推動大規模的換機潮，帶來一年數千萬筆 5G 數據機晶片需求。5G 數據機晶片市場被視為兵家必爭之地，而目前這個市場就有高通、聯發科、三星以及華為等等的競爭者。高通、聯發科、三星以及華為均已經推出 5G 數據晶片產品。 在2019 年 4 月高通與蘋果和解後，此舉迫使Intel放棄 5G 行動業務，高通一口氣囊括絕大多數的 Android 與 iPhone 數據機晶片市場。繼3G GSM以及 4G LTE 時代後，高通在 5G 的地位仍然難以動搖。 另一方面，「5G手機」正以驚人的速度邁入商業化。例如，三星的 Galaxy S10 5G 、小米 MIX 3 5G 等等的智慧型手機宣稱已經支援 5G 通訊，以分離式方案實作對應的通訊功能。其中，絕大多數的 Android 手機均採用高通 2016 年推出的 28 nm 製程 Snapdragon X50 數據機晶片。Snapdragon X50模組目前支援歐洲 8家電信商的毫米波與 Sub- 6 GHz頻段，最高速度可以達到 5Gbps，代表每秒下載速度可以高達 625MB/s。 結語 人類對通信的需求只會隨時間增加。短短的數年之間，人類的通信技術以從最高的簡單語音通信進步到了影像通信。可以想像在未來的數年，通信技術更可能達到我們現在無法想像的水準。第五行動通信的標準都還尚未制定完成，但第六代行動通信系統的相關討論與計劃，也悄悄在進行中了。

我國國家實驗研究院太空中心是我國唯一的衛星計畫執行單位，歷經30年的發展，我國已成功執行福衛一號、二號、三號(6枚)、五號及七號(6枚)等五項衛星計畫，順利發射 15枚衛星，使得我國目前也是少數的衛星影像及氣象資料輸出國，協助全球環境監控、災害救援、氣象預測、及全球氣候變遷研究。 國家太空中心已經實現台灣自主的衛星上太空，用台灣的國造火箭發射台灣的立方(小)衛星上太空也將是未來幾年會實現的夢想。隨著新太空產業的發展，台灣人上太空旅遊或成為太空人似乎不再是一個遙不可及的夢。 蔡英文總統在就職演說中宣示，要推動台灣發展太空產業，為「太空台灣隊」點燃一個夢想。在蔡英文總統新的任期內，蔡英文總統連任官方網站「2020台灣要贏(https://iing.tw/)」將太空產業設為台灣的重點產業，並明列為下個四年的科技政策 - 接軌國際切入航空與太空產業，相關詳細內容，可參考該網站。其中在相關策略的第3條，明列：接軌國際航太研發社群培育航太人才：爭取我國產學研與國際航太研發社群及國際大廠合作，並厚植基礎技術研發，培育我國航太發展尖兵。而在規劃方向的第4條，明列：培育科研人才：啟動無重力科學研究並發展相關產業應用技術，開發通訊/科學酬載前瞻關鍵技術，長期培養相關研發人才，以奠基太空產業發展實力。而無重力科學研究，需要太空中的無重力科學實驗室，也就是國際太空站。 蔡總統對台灣太空產業及人才培育的高度重視，遠超過歷任的總統，可從前年在總統官邸接見福衛五號的太空中心福五衛星團隊，及去(2019)年前後三次蒞臨視導位在新竹的國研院國家太空中心，參與福衛七號衛星完成整合測試、衛星運送及衛星火箭發射活動中及其數次參與活動的致詞中可以看出。 而前(2018)年8月蔡總統的「同慶之旅」過境美國休士頓，外交部安排蔡總統首度以國家元首身份進入美國聯邦太空機構詹森太空中心，此機構是美國訓練太空人的重要基地，國家航空暨太空總署(NASA)高規格款待，由該中心副主任Vanessa Wyche負責接待蔡總統，並參觀了飛行控制室、國際太空站實體模型訓練中心，以及進入美國、日本以及俄羅斯等太空站訓練模型艙，並在航太總署的太空艙艙門上受邀簽名 (見圖1)。 蔡英文總統在去(2019)年底科技部主辦的未來科技展上時強調：「進軍太空產業，台灣不缺席。」並宣示政府下一階段在科技領域努力的願景和目標。國研院表示一般預期太空領域在未來10年將會快速蓬勃發展，如何在這場國際競爭中取得一定的優勢，掌握人才是非常重要的關鍵。國家太空中心作為國家級的太空科技發展單位表示有義務協助大學及產業界培養太空科技人才，相信以台灣高等教育實力所培育的人才，在國際太空人才市場絕對具有競爭力。國家太空中心與清華大學、交通大學、中央大學、陽明大學組成的台灣聯合大學系統合作，2019年首創「太空科技與工程」學程，有120多名學生修課，未來更將擴大到全國大專院校及國防大學。圖2為為國立交通大學機械工程學系之兼任教授在「太空科技與應用」通識課程中邀請到中央大學葉永烜院士遠距教學授課情形。中大在今年更成立我國第一個太空科學與工程學系，培育台灣第一批「太空人」。 迄今為止，國際太空站已在太空運行屆滿20年，在微重力環境下進行科學研究是運行中的國際太空站的主要功能，其科學研究領域包括: 生物與生物技術(Biology Biotechnology)，地球與太空科學(Earth Space Science)，教育與文化活動(Educational Cultural Activities)，人類研究(Human Research)，物理學(Physical Science)，技術開發與展示(Technology Development and Demonstration)等，參與國際太空站合作運轉的國家或地區包括：美國NASA、俄羅斯聯邦太空總署(Roscosmos)、日本宇宙航空研究開發總署、加拿大太空總署以及歐洲太空總署(ESA)等五個機構共同維運。截至2019-9-26，共計19個國家的239個太空人登上國際太空站執行太空實驗任務，其中包括透過俄羅斯聯邦太空總署協助上去的7名太空旅客(圖3)。圖4為過去20年所執行之微重力太空實驗任務各國統計，可以注意到，日本有將近3/4的實驗重點在生物與生物技術領域。 隨著美國推動太空產業商業化以及太空旅遊業的興起，國際太空站計劃在2024年後結束其官方經營任務，於2025年轉由民間商業太空公司來經營。美國區的太空站實驗艙無重力實驗早已委託Nanoracks民間公司經營。而日本區的太空站KIBO(希望)實驗艙無重力實驗也開始在去(2019)年3月委託SpaceBD日本民間新創公司經營。去(2019)年NASA發佈其低地球軌道（LEO）商業開發行動計畫，規畫自今(2020)年開始，NASA同意每年可向國際太空站執行短期的私人太空人飛行任務，計畫通過此任務來評估私人太空人送往國際太空站的強大新太空經濟商業利益。 執行商業太空站的第一家商業太空公司將是2016年成立的新創公司Axiom Space，於去(2009)年獲選。NASA 計畫聯合Axiom Space 發展了一款能夠連結國際太空站、可做商業營運的豪華客艙模組，預期會在 2024 年由 SpaceX 載人飛龍二號以及波音星際航線(Starliner)進行發射任務，把有能力付費的民眾定期送上國際太空站。2009年SpaceX公司更在NASA的同意下，尋求私人搭載其載人之飛龍號(Crew Dragon) 飛龍2號太空船( 1號是 ISS 運補無人船)，進行相關之國際太空站上之各項私人太空任務。SpaceX計畫跟在美國的新創公司Space Adventures (太空探險公司)合作， 2021年底送四名旅客上太空觀光。 歷史上華裔的太空人(不包括大陸培育的太空人)，依據NASA及維基百科資訊統計，迄今為止共有4位美國華裔太空人，他們是: 王贛駿、焦立中、張福林、林其兒。太空人王贛駿是第一個進入太空的華人，首位登上太空的華裔科學家，他曾經來過台灣。太空人焦立中是首名台裔太空站指揮官，焦立中於1991年成為一名合格的太空人，首次於1994年與日籍太空人向井千秋等6名專家搭乘哥倫比亞號太空梭（Space Shuttle Columbia，編號:STS-65）前往太空站執行任務。之後執行STS-72、STS-92和聯盟TMA-5（Soyuz TMA-5）3次太空任務。後並成為首名進行太空漫步的台裔美國人，及首名華人國際太空站指揮官。去(2019)年5月曾受邀回台灣演講。 除了華裔的太空人來過台灣，早在2009年7月，經由當時美國在台協會(AIT)的中介安排，美國太空人Ms. Marsha S. Ivins受邀來台並蒞臨國家太空中心演講(圖7)。日本太空人山崎直子(Naoko Yamazaki)，是繼向井千秋之後的第二位日本女太空人，目前從事宇宙科普教育活動的推廣。她曾於2016年來台訪問期間。 美國新一波的太空競賽即將鳴笛起跑，美國NASA目前繼續在招募太空人，NASA 希望在 2021 年中期完成太空人徵選程序及開始接受培訓工作。未來可以派遣到國際太空站執行一系列實驗任務，並可能參加阿提米絲計畫飛行任務，於 2024 年將太空人再送上月球。經過培訓的太空人將執行階段任務，包括先到國際太空站進行生活實驗，接著可望搭乘太空梭到月球軌道上的通道(Gateway)，預計2028 年之前建立可持續的月球探測。而美國的月球任務的一切都是為了準備在 2030 年代中期將第一批人類送上火星。 第一屆「KIBO機器人程式設計挑戰賽 (KIBO-RPC)」由日本JAXA以及美國太空總署(NASA)聯合舉辦，亞太地區共有7國舉辦KIBO-RPC預賽，將從各國預賽獲勝隊伍中選出進入決賽。台灣地區預賽由國家太空中心負責主辦(https://www.nspo.narl.org.tw/Kibo_rpc/)，參賽學生隊伍總計隊，預賽時共有23隊以團隊分工合作方式完成太空蜜蜂(Astrobee)控制程式的遞交。Astrobee是NASA的30公分立方體的方塊型機器人，可以自由的在三維空間飛行─就像真的蜜蜂一樣。他們可以飛在太空人身邊，當作助手，例如幫忙監控螢幕。Astrobee 有三台，名字分別為 Honey、Bumble、Queen。這款機器人是作為科學家測試各種機器人科技的平台，日後也可能在探索月球或火星派上關鍵用場。 參賽學生隊伍必須控制機器人的位置和方向，在模擬試驗中發射雷射光以完成任務。預賽獲勝的第一名隊伍將有機會於今年9月前往日本筑波太空中心，與國際太空站連線，有機會用自己的程式，實際操作在國際太空站上的 Astrobee機器人。參賽學生將和專業的科學家與工程師一起工作，學習最先進的科學、工程和數學方面的技能，也能和來自世界各地的參賽者進行互動，擴大國際交流。 圖8「KIBO 機器人程式設計挑戰賽」模擬畫面，左圖為機器人觀景窗，右圖為機器人飛行路徑軌跡圖。 立方衛星(CubeSat)是指重量約為1 公斤，大小為10 厘米立方的小型衛星(按衛星的大小分類又稱為奈米/皮米衛星)，它的起源是在1999 年由美國加州理工學院的喬迪普格-蘇亞里(Jordi Puig Suari)和史丹佛大學的鮑伯推葛斯 (Bob Twiggs)兩位教授共同開發，希望發明一個讓大學及研究生的程度就能設計製造，在太空中運行操作的小型衛星，來獲得更多的發射機會。此一立方衛星標準的定義廣為產學界接受，後來成為編號ISO 17770:2017的國際標準。第一批的6枚衛星於2003年升空並開啟了世界立方衛星發展元年，造就了今日立方衛星的蓬勃發展。今(2020)年將是台灣的立方衛星元年，如果計畫一切順利，太空中心將於今年底將3枚立方衛星分別是1.5U YUSAT(玉山)立方衛星、2U NUTSAT(堅果)立方衛星、以及3U IDEASSAT/ INSPIRESat-2(飛鼠號)立方衛星送入太空(圖9)。 目前全球已有1,300枚立方衛星發射上太空，參與計畫的國家涵蓋美國、日本、德國、加拿大、丹麥、挪威、荷蘭、韓國、哥倫比亞、新加坡、祕魯等66個國家，全球已有近500多家新創衛星公司成立，其中立方衛星成為很多小國進軍太空的首枚衛星。美國政府相當重視立方衛星的發展趨勢與未來潛力，美國NASA規劃未來使用立方衛星進行月球、行星及太陽系等的太空探索任務，提供對大型衛星及太空站發展的先導性研究，至今已有2枚火星立方衛星一號(MarCO-A/B)執行第一個行星際衛星任務。 立方衛星任務以各種方式使地球受益。從幫助氣象學家預測風暴強度和方向的地球成像遙測衛星，到專注於技術展示以幫助定義哪些材料和過程在微重力環境中產生最有用資源和最佳功能的衛星，立方衛星帶來的多種科學成果及發現，不勝枚舉。國家太空中心在今年發展出1.5U的科普教材模組而國際太空站的微重力太空科學實驗儀器亦多以立方衛星為模組而發展，唯一的差別是，立方衛星在太空軌道上獨立運行，而微重力太空科學實驗儀器則在國際太空艙內或外部進行實驗。 很多人從小就有一個太空夢，上太空的夢。名人約翰‧藍儂(John Lennon)說過：「一個人做夢，夢想只是空想。一群人做夢，夢想就會實現。(A dream you dream alone is a dream, a dream you dream together is reality.)」這句話之所以令人感到內心十分鼓舞，是因為這句話告訴我們，如果有一群人說要跟你一起行動，那麼你就會有勇氣參與，並使夢想實現。實現台灣人的太空夢，就待上下一心及你/我來共同決定！

最近科技上的熱烈議題就是人工智慧、物聯網、巨量資料、5G與區塊鏈等新科技的應用，而根據這些科技的數位轉型議題更是火熱，尤其是在疫情來臨時，很多物聯網與人工智慧的疫情應用，以及數位的遠距會議、遠距上班變得火熱。 在這次疫情的驅動下，人們開始看到數位的力量，例如經常性地利用Cisco Webex、Google Meet、微軟 Teams，或是Zoom開遠距會議，或是加上其他工具的遠距協作，一樣可以達成工作的目的，也開始想到是否一定要進辦公室，才能工作。而不出門，用手機就可以叫外賣的日益盛行，讓人們體驗到使用數位的威力，這背後都有人工智慧與物聯網設備的AIoT應用，而其之所以有好的體驗，是因為軟體廠商利用了人工智慧，將得到的巨量資料模型不斷優化，產生最好的效率或效用。 談到數位轉型，在西元2000年就開始這個議題，那時是提到企業一定要有官網，後來又說是企業要有ERP/CRM/SCM軟體才有好的效率，幾年前說要有社群小編，這讓很多廠家覺得自己之前沒做也就這麼過來了，也因此懷疑這次是否真的需要去做，而新冠肺炎疫情反而是促進這次數位轉型力量的引擎。 另外，我跟很多企業主聊到，針對數位轉型，他們想等到確定別人做了有效再做。但是在這樣快速發展的時代，從零到一跟從一到一百花費的時間是一樣的，你如果沒做，你的競爭對手做了，你等到他成功再開始做，之後你可能會遠遠落後他，因此訂單被搶走，後來只好公司規模縮減，最後甚至不堪虧損，退出市場，這在最近這十年有好幾個例子，像是之前的NOKIA手機部門因為錯過了智慧型手機浪潮，而曾經被微軟買下，退出手機市場；或是DVD借閱公司百視達因為錯過串流影片收視的趨勢，最後也破產收場；還有類比相機大廠柯達因為太晚下定決心全力做數位相機，之後也是破產。這些例子說明了一件事，新科技進入市場常常影響到客戶的偏好，讓舊科技產品或服務被新的取代，著重於舊科技產品的公司若不及時轉型就只能退出市場了，而現在影響趨勢的重點科技，就是人工智慧引領，結合物聯網、巨量資料、5G與區塊鏈等科技，因為提供給客戶更好的體驗與服務，或是大大的改善效率，讓有做跟沒做差很多。 數位轉型在公司產品服務上，要做一定會需要研發，研發的焦點方向會是什麼呢？其實，人工智慧跟物聯網是這次數位轉型的基本，研發方向會往如何去結合這樣的科技為焦點才能抓到這個浪潮。因為這次由人工智慧引領各種科技造成的數位轉型，之所以能夠提供更好的體驗與服務，關鍵是由物聯網設備，收集到了巨量資料，透過人工智慧所建的模型，具備非常好的預測能力，可以提升決策成本，另外在很多方面可以最佳化以提高效率、減少成本；或是幫助企業更加瞭解客戶，提供更好體驗。而這樣的資料，需要好好地做資料規劃，依此部署感測器，收取資料透過人工智慧建模，然後針對每家公司狀況做修正，迭代多次才能完成，而這也是差異的原因，很多還沒開始做數位轉型的企業以為現有手邊自家企業的資料已經足夠了。其實這樣的想法並不正確，試想，沒有一開始想清楚要做什麼，而針對自身痛點及想做的事情做好資料規劃，怎麼會收集到好的對應資料？這是很重要的研發焦點，好好的做資料規劃。而且接下來沒有經過幾次迭代，怎麼能達成用夠好的資料，以建好適合的模型？而且，資料不好，對應的機器學習的模型參數就不好，效率效果差，怎麼跟競爭對手競爭？加上先做好數位轉型的競爭對手接下來的規模擴張的動作將會飛快，結果將高下立見。 正因為這樣的資料建模的做法複雜，在研發的實踐上，需要有懂人工智慧的人才，運作高速運算的雲平台；如果不知道如何做的話，就需要好的顧問；正因為這整個服務系統，不是一家公司就可以獨立完成的，所以需要協助完成的供應商生態系才能夠達成。台灣的企業發展人工智慧比起其他國家是幸運的，我們有人工智慧學校，提供AI系統化的學習，讓各領域的人才可以很快的了解AI工具，以協助各企業數位轉型；而AWS、MS Azure、GCP（谷歌雲端平台）三家也紛紛在台積極協助人工智慧人才培育，也提供了好用、可以快速上手，又較買設備可以省錢的雲端人工智慧平台(MLaaS，Machine Learning as a Service)租賃方案與物聯網AIoT的整體解決租賃方案，而透過公有雲的資訊安全解決方案，在物聯網安全設計上會較為簡易，讓研發設計上簡單很多。另外很多企業主困擾在數位轉型升級要做什麼，怎麼才能有效率升級又符合精打細算原則？特別是AIoT升級要同時考慮到終端硬體設備與人工智慧整合，花費成本與進行方式必須細細考慮，如果有好的顧問協助研發專案，協助企業訂出策略，並從資料計畫中知道自己要的是什麼，並依計畫找到好的合作夥伴，成為生態系廠商群，達成數位轉型。 另外，因為物聯網裝置越來越多，現有的網路連線越來越忙碌，頻寬越來越不足，壅塞的狀況是將來可以預見的。為了解決這個問題，在設備端的邊緣運算是很重要的，特別是在iPhone X的使用人工智慧邊緣運算，做臉部辨識以做開機之用後，邊緣運算的重要性就被看到，特別是人工智慧的邊緣運算，將人工智慧的推論引擎在邊緣端完成，大大的加速處理，聯發科、耐能在硬體晶片上有很好的表現，訊連則是在軟體上有傑出的表現，在研發設計時，可能需要思考跟他們合作，把這樣的需求，考慮到整個生態系統的終端產品中。 今年是台灣5G元年，5G無線通訊的牌照釋出之後，相關的基礎建設會逐漸完成，之前提過5G會提供AIoT一些很棒的優點：5G速率可達到1-20Gbps，每平方公里可連結數超過100萬，另外，連結延時僅1毫秒，都比4G無線通訊強了10倍。也就是說，5G不僅速率大幅增加，而且針對AIoT數位轉型將面對的多設備連結與需要低延時提供了不錯的解決方式。這樣影響到了包括使用VR/AR跟大量影像或資料傳輸的穿戴式裝置與智慧照顧/醫療應用、具備眾多設備的智慧家庭、需要低延時的車聯網與自駕車、多設備連接的智慧城市，以及很多工業大廠支持的工廠應用。而研發的焦點，是相關的產業的，可以在接下來的AIoT系統規劃與應用的技術藍圖與產品藍圖中，包含這樣的技術，在對應的產品應用上。 隨著AIoT的產品及服務的普及，也有越來越多的駭客往這樣的系統進攻，資訊安全的發展也很日益重要，首先，自家IT系統是否有足夠的能力防止日益強大的駭客侵入是一個很重要的問題，特別是智慧製造的工廠的解決方案。因為工廠之前是封閉的，不用連上網際網路的，而且很少停機的，所以使用的裝備與軟體，一般都相對老舊，就算要做軟體升級，顧及產能，往往頻率很低，也讓這些系統變成了駭客接下來攻擊的主要目標。還有穿戴式裝置、智慧家庭、智慧車的產品，因為涉及到人身安全，設備上的資訊安全也是很重要的。如果企業的研發是提供這類AIoT的解決方案，就要把資訊安全的考量加諸在自身的產品中，而AWS、微軟都已經將自家的AIoT系統提供相關整合了。 區塊鏈是提供資訊安全，並且即時同步資訊的一種機制。區塊鏈具備難偽造、唯一性、去中心化，以及智慧合約的四大特性，讓區塊鏈成為跨組織訊息交換的好方法，特別是在供應鏈應用上。另外，有些人把它應用在智慧醫療、智慧城市上，如果是往這些方向的廠商，其研發時，必須考量是否結合區塊鏈，如何應用並結合區塊鏈。 到底怎麼樣的研發策略，找怎麼樣的生態系夥伴才適合呢？這的確是大問題，需要好的策略規劃，特別是要清楚自己的產品的未來方向，才知道跟誰的系統匹配，這就是一開始提到需要顧問的原因了，我幫了一些企業上了課，做了輔導，就是在幫他們釐清如何數位轉型，要如何由現在的方向升級，或是轉型。這包含如何利用人工智慧創造更大的價值，系統中需要哪些其他合作的設備商，大家如何收集數據，以創造最佳的效果。去年底我跟幾個朋友成立了「中華亞太智慧物聯發展協會」，其中有一半的成員就是來自人工智慧學校的校友，協會中有很多成員是新創，大家聯合起來，一起幫助台灣的企業數位轉型。我成立這個協會的初衷，就是希望透過這個協會，提供中小企業完整的AIoT策略與建置解決方案，協助想做好數位轉型的中小企業。 我常常在演講中告訴相關朋友，數位轉型並不是每個企業都需要，例如賣牛肉麵的餐館，因為有好手藝，即使沒有做數位轉型，也不會影響他的客戶來吃他的牛肉麵的意願，但是如果有人工智慧跟物聯網做牛肉麵店中的分析人流及客戶喜好的工具，賣的量可能會賣多很多。再強調一次，在你的行業，如果你的競爭對手做了數位轉型，而你動作比他慢得多或沒做，很可能結果會對你很不利，所以一但確定需要數位轉型，就要趕快開始，這樣才是上策，特別是在研發上，一但晚了，再追會要花更多的精力跟金錢，甚至因為趕不上而造成公司變小或倒閉，不可不慎。

中美貿易戰讓台灣製造商開始把製造基地往中國以外的地方搬遷，這次的新冠肺炎疫情，更讓他們了解到必須將製造做分散，而新製造基地人力和場地尋找，一直是製造業要做基地轉移很大的痛，特別是想搬回到台灣的，就算地好不容易找到了，結果沒有足夠的工人可以上線生產的比比皆是。而要跟競爭對手競爭，又要滿足訂單，很是不易。智慧製造的升級方案在這個時候是不錯考量的解決方案。 當遇見這樣的衝擊，卻也是思考商業模式的最佳時機，這次的新冠肺炎疫情讓大家發現了數位化的重要，但是原來公司賺錢的方法，真的是最好的商業模式嗎？要考慮更好的商業模式，我們可以參考全世界的智慧製造的走向。 在工業時代，德美日就已經是世界上的製造強國：其中德國在製造上以工藝與設備見長，其先進設備和自動化的生產線是舉世聞名的，可以說在設備製造業的實力上有著傲視群雄的資格；因為產品優秀的品質和可靠性，使得德國製造擁有非常好的品牌口碑。德國的長處就是擅長把各種創新融合到各種零件、裝置和設備上去，讓設備和生產系統不斷升級。而美國以技術與資料處理見長，所生產的產品產值僅次於中國，是世界第二高的，當然，產值第一高為中國。但是美國一直掌握著關鍵技術，像是手機中的IOS及Android作業系統，還有高通這樣的晶片大廠，透過專利拿走了大部分的利潤；另外之前GE跟Motorola大推六標準差，以統計數據與方法強化製造能力，到現在仍是很多工廠盛行的作法。日本在製造業上以文化與管理方式著稱，透過6S管理、Toyota豐田領軍的精實生產，在日本製造上，強調匠人精神、職人精神，讓「人」成為日本製造的核心，達成持續改善流程。而中國，早年因為人工便宜，基礎設施完善，成為世界上最大的製造地區，產品產值居世界第一。 到了知識經濟的現代，以工業物聯網為主要考慮方向的聯網製造系統，德美中日都依自己的需求與專長發展了相關的標準：德國於2012年喊出工業4.0，以開放標準，整合歐盟的力量，想引領世界的智慧製造的浪潮；美國雖然在2011年就以國家角度推出「先進製造夥伴」（Advanced Manufacture Partnership，簡稱AMP）計畫，而民間則是由通用電氣GE聯合很多企業，在2014年成立了「工業互聯網聯盟」（Industrial Internet consortium，簡稱IIC），而聯合主導了相關的工業標準，這些延續了之前六標準差的數據管理，特別是最近結合大數據的人工智慧的預測能力，大大強化了生產力。日本在2015年開始非官方的「工業4.1J」實驗計畫，同年也成立了「工業價值鏈促進會」（Industrial Value Chain Initiative，簡稱IVI），產生了相關的工業標準，不過直到2017年才將人工智慧以「社會5.0」角度開始完整納入。中國大陸官方在第十三次五年計畫中，制定了十年的智慧製造策略「中國製造2025」，在2015年正式發表，這個計畫為了讓中國從世界製造大國，晉身為製造強國，另外中國大陸也跟德國密切合作，導入工業4.0製造體系，在中國政府在2018年推出最新版的「國家智能製造標準體系建設指南」文件中，可看到與德國密切合作而得的「智能製造架構體系」；另外在此文件中，也可以看到各種強調人工智慧能力的作法，這搭配中國在這方面的強項。而以上這些是世界上各大智慧製造的走向。 而商業模式決定於相關的發展情境，德國工業4.0 官方文件「應用場景中研究路線圖的各個方面 (Aspects of the Research Roadmap in Application Scenarios)」有提到「製造業公司價值創造的流程」，分別對應了10種情境： 訂單驅動模式生產：在給定生產設施的工廠界線之外，自動和自動聯網生產能力，旨在根據客戶和市場的要求優化產品組合。這種應用場景以單個訂單為焦點，描述必要的生產資源如何動態組合以提供給定的訂單，而其商業模式是用優化生產的產品組合，重點是訂單的排程優化，達成高效率。 生產線上的服務跟應用：旨在支持個人團隊成員在生產過程中扮演重要角色：人、技術、人類間互動。數位輔助系統在生產過程中會為個人提供支持，改變工作與組織工作。這個應用場景描述了新技術在將來如何支持生產人員，而其商業模式是透過最佳支援大大強化生產效率，讓生產流程更順暢，也就是賺的是效率/良率的提升財。 基於價值服務：生產和產品使用的流程資料和狀態資料，作為未來商業模式和服務的原材料。此應用場景描述如何通過IT平台提供此類性質的產品訊息和/或流程訊息，從而在服務活動中形成價值創造網路，未來還將發展成「智慧服務世界」的結果。而其對應的商業模式就是用流程資料與狀態資料，形成價值創造網路，而其能創造的價值，要由流程資料與狀態資料來做統計分析，或形成人工智慧機器學習模型的洞察。 客戶視角的價值服務：過往只有單向產品從製造端實體送給客戶，未來產品會加上許多感測器回饋給平台商，讓平台商可以基於資料提供更多更好的服務，並且將資料分析後回饋給製造商改善成為新產品，或將舊產品透過軟體升級達到品質提升。而其對應的商業模式是基於資料回饋分析後，提供的改良的更好服務/產品，獲取客戶的青睞，讓客戶的黏著性更高，更離不開你，因而在客戶終身價值上大大提升。 商業視角的價值服務：過往只有單向機器設備從製造端送給客戶。未來設備會加上許多感測器，資料會回饋給平台商，讓平台商可以基於數據提供更多更好的服務，並且將資料分析回饋給製造商改善成為新設備。而其對應的商業模式是基於資料回饋分析後，提供的改良的更好設備，獲取企業客戶的青睞，讓企業客戶的黏著性更高，更離不開你。 工業信任網路：透過自動記錄提供給客戶產品的使用情況相關資料，以這些資料形成的模型及洞見，優化新業務模型的業務流程，並動態調整產品特徵。這種應用場景使產品成為焦點，聚焦在如何通過IT平台將產品提供給客戶並塑造其透明度和改變能力。而其對應的商業模式是因為新業務模式的業務流程，達成讓訊息透明化好讓使用者可以安心使用，加強客戶的黏著度。 工業4.0即插生產：即插即生產，就是按照需求，在短時間內工廠切換生產配置，也能符合達成生產能力和量產。這個應用場景把重點放在生產資源上，與應用場景訂單驅動生產不同，其著重在生產資源與系統整合之適應性方面結構。而其對應的商業模式是透過調整生產配置，達成最高效率，即使小批量都能彈性生產符合客戶需求的產品量，也就是大量客製化的生產，在這個客戶越來越要求產品/服務個性化的時代，才能滿足客戶的需求。 工業4.0自主物流：在日益變化的生產環境中提供工業系統和物流系統的靈活性與反應速度。這種應用情境與「訂單驅動生產」緊密相關，但其重點在於整體上的跨物流和內部物流。而其對應的商業模式是將物流最佳化，強調物流效率，搭配「訂單驅動生產」的訂單的排程優化，達成最高效率。 工業4.0智造產品：也就是智慧工廠生產智慧產品，此應用情境描述協作開發智慧產品，以智慧產品需求作為起點，使開發成為一個無縫的開始到結束的流程，並向生產部門和服務部門提供必要的訊息。也就是「自主生產技術的自動化」的「智慧工程」。而其對應的商業模式是開發產品的整體智慧化流程（包含研發及工廠緊密的智慧化合作），以及產品可以應用智慧化達成商業模式。 工業4.0創新產品：在適當方法學中藉由相關利益群體的投入工程流程，讓對的產品在對的方法中開發。此應用情景描述了產品開發中的新方法和流程，重點放在產品開發的早期階段。這裡講的比較含糊，其實就是在產品早期就以包含訪談、觀察，以及與客戶共創等各種方式，了解客戶需求，並且找出用何種方法來滿足，甚至超越客戶需求，給予客戶滿意、驚喜，甚至感動。而其對應的商業模式是了解客戶需求，並提供可以解決的產品或服務，這其實不能算是因為工業4.0才有的方式。 接下來，我們看看日本，日本「工業價值鏈促進會」官方文件「智慧製造情境2016」也提到了八大類別情境，分別敘述如下。 生產工程訊息類：根據設計訊息考慮生產線的配置，並管理從原型到批量生產的製造流程技術資訊。對應德國工業4.0情境的「工業4.0智造產品」。 品質管理訊息類：通過有關工廠品質，技術和營運的資料，不斷改進QCD（品質、成本、交貨）。可對應德國工業4.0情境的「生產線上的服務跟應用」。 生產計劃與控制類：通過管理製造進度數據，可以根據計劃，規格或車間條件的變化動態控制生產線。可對應德國工業4.0情境的「訂單驅動模式生產」。 供應鏈管理類：以安全的方式在公司之間交換供應鏈或工程鏈所需的資料。對應德國工業0情境的「基於價值服務」，但是價值服務聚焦於供應鏈。 小型企業訊息類：通過銷售，採購和製造相結合，整合了中小企業生產管理的重要功能。可對應德國工業4.0情境的「基於價值服務」，但是價值服務聚焦於公司內部流程。 預防性維護類：管理超出公司/工廠範圍的設備故障診斷資料，以根據需要採取對策。對應到的商業模式是做好預防性維護，讓機器不會無預警損壞，不旦節省成本，還能降低非預期損壞訂單無法達成的風險。 資產和設備管理類：利用設備運行資料進行生產管理，品質控制和整體設備效率的提高。對應德國工業4.0情境的「商業視角的價值服務」。 維修服務管理類：對售後產品的使用情況進行監控，以提供維修支持和備件準備等服務。對應德國工業4.0情境的「工業信任網路」。 另外，中國的 「工業互聯產業聯盟」在2019年提出的「工業互聯網垂直行業應用報告 2019」中針對八大行業分析，詳述個別的應用情境，整理後包含以下九大類： 用戶交互體驗：利用從客戶端得到的客戶資料，分析後持續了解客戶，以提供客戶的絕佳體驗，提高客戶黏著度。對應到德國工業4.0情境的「客戶視角的價值服務」。 異常的及時響應：建立一種在現場發生任何人、機、料、安全、品質、製造流程等異常的情況都能夠被及時反應，並且反應流程和處理流程能夠被結構化的記錄，以形成知識庫，為下一次發生同類現象提供快速解決方案。可對應到德國工業4.0情境的「生產線上的服務跟應用」，但是聚焦於異常。 互聯工廠：透過端點到端點的訊息化融合，實現資訊科技IT和操作技術OT的融合，通過大規模的高效率、低成本實現了定制的高精度、高品質。可對應到德國工業4.0情境的「基於價值服務」，但是聚焦於整廠智慧化。 設備的全週期物聯生態解決方案：提供全週期物聯生態平台通過提供數位管理模式，實現了設備運行的在線監控，管理，維運，實現了產品全生命週期管理。對應到德國工業0情境的「商業視角的價值服務」。 供應鏈協同創新應用：提供智慧供應鏈管理平台，滿足行業採購管理、物流管理、智能倉儲管理、產業鏈協同、產品可追溯等業務需求。可對應到德國工業4.0情境的「基於價值服務」，但是聚焦於供應鏈。 工業互聯網＋保險創新應用：隨著巨量資料技術的快速發展，獲取設備的運行資料和歷史設備保險業務資料，應用資料採礦分析技術實現智慧定價和個性化定價。這是中國大陸的創新商業模式。 設備健康管理：設備健康管理是通過整合設備管理的規章制度和管理流程，緊密圍繞設備狀態的監測、維修、使用和工廠環境等信息，運用現場智慧系統對涉及設備健康的因素進行全面分析和管控，運用智慧排程系統對維修活動進行優化排程。可對應到日本「智慧製造情境中」的「預防性維護類」。 人機協同一體化：工廠內互聯互通的產品構成了物聯網的基礎，通過邊緣控制幫助客戶連接控制平台，支持客戶進行簡單的設計、調試和監控操作，達成高效人機協同。可對應到德國工業4.0情境的「生產線上的服務與應用」。 知識自動化：基於模型的系統工程方法（MBSE）成為未來工程技術發展的基礎趨勢，進一步達成知識自動化。可對應到德國工業4.0情境的「產品開發商業模式」。 不同於其他的以文件中條列各種可能商業模式，美國的工業互聯網聯盟，強調須用工業物聯網的架構，而其提出的商業模式以官方文件「商業策略與創新框架」中提及的方向來做發展：使用商業及社會驅動力、改變商業模式的方向出發，考量資訊科技IT與操作技術OT的機會與潛力，最後使用BOSCH提出的物聯網商業模式的流程來建立商業模式。透過其四大階段的流程：提出點子、準備、評估，以及引發來達成創建商業模式目標，並強調要在每個階段持續對假設確認是否為真。 「商業策略與創新框架」文件中強調經過整個流程，利用相關的開發工具，可以創造新的商業模式，並沒有限制情境，這樣發展出的商業模式，未來的可能性更大。 針對智慧製造德日中三大體系分析其已經發現的情境，因此可找出對應的商業模式。隨著科技創新，或是發現其他特殊的應用情境，未來可以用美國提到的商業模式建立方式來建立更新的商業模式，而我認為智慧製造商業模式的創新還是有其他可能性。而從這些已揭露的商業模式中，台灣的廠商要做智慧製造，可以思考自身從哪裡切入最為合適，再依照自身需求作修改。

近年來，隨著電子電路的快速發展，現代的所廣泛使用的積體電路(Integrated Circuits, IC)元件，其傳輸速度的發展目前已經接近接近所謂的物理極限，而為了解決此一問題，利用光來傳輸似乎是一個很好的解決辦法之一，由於光以光速傳播，在傳輸效率上比積體電路來的高效率且不會有受到電磁干擾和發熱等問題影響，但是在實務設計上，光學最大的問題是在於其本身的波長所導致的繞射極限(Diffraction Limit)所限制，以可見光的波段(約400-800奈米)來說，當元件光學傳輸時當小於或接近光本身的波長時即會發生繞射現象，最典型的例子即為光學顯微鏡，根據阿貝爾極限方程(Abbes Law)所給出，光學顯微鏡的最高解析度為光線波長的一半，也就是說，在400奈米的光波長下，傳統光學顯微鏡可分辨的最小結構約莫為200奈米；傳統的光學傳輸裝置-光纖(Optical Fiber)，利用簡單的司乃爾定律(Snells Law)即可簡單解釋其傳播原理: 圖1. 光在不同介質的折射定律，紅色代表光的路線，如公式(1)所示，不同的兩種折射率 n1，n2，黑色虛線代表法線。 當光疏介質(n1)進入光密介質(n2)，光線會有偏向法線的現象，這就是所謂的折射，如果光密介質(n2)進入光疏介質(n1)，則有可能產生全反射現象，折射角超過90度，導致沒有透射光產生，如圖2所示。 當光從光密介質傳到光疏介質中，光傳播速度會加快且偏離法線，當折射出去的光線平行於兩介質之介面時，此時的入射角稱為臨界角，而當角度繼續加大，光會發生全反射現象，在低損耗的情況下在介質內傳播。而透過邊界條件的假設，我們可以解得光纖內的電磁場分布情形，進一步將光纖簡單分為單模態(Single Mode)和多重模態(Multiple Mode)兩種形式。一般來說單模態的損耗會較多重模態的光纖來得低，不過由於成本上的考量，市面上常見的光纖根據用途大多都是多模態的。而光纖的缺點在於材料本身的純度不同或是不均勻是不好調控的，且當光纖作太大角度的彎曲時，光會在介質內部發生散射導致能量耗散，也就是因為光纖的彎曲半徑不能太小，這點會產生一個缺點，就是導致利用光纖傳輸之相關元件的體積無法縮小原因。根據此點，近年來新的較新的議題是有關於電漿子(Plasmon Polaritons, PP)的研究，是有可能突破光的繞射極限且可以解決光纖元件體積太大的問題，其中一種方式即利用表面電漿子效應(Surface Plasmon Polaritons, SPP)，能夠產生傳輸型的表面電漿子(Propagating Surface Plasmon Polaritons, PSPP)。 面奈米電漿子效應主要是由光與金屬物質產生交互作用，光隨時間周期性振盪的電場與磁場在金屬表面引起空間上的電荷不均勻分布，當外界的光能夠造成金屬表面電荷分布狀況有週期性的現象時而能傳遞電磁波時，此種情形稱之為耦合，此現象在金屬上受到電磁波激發後，在一維的金屬平面上會發生表面電漿子沿著介電質和金屬之間的表面振盪，並沿著表面產生疏密波的訊號傳遞。在垂直方向上為漸逝波(Evanascent Wave)，由於屏蔽作用(Shielding Effect)會使得電磁場在金屬內部消逝的速度會比在介電質區域來的更快，如圖3所示。 而表面電漿子效應並非只有在一維的金屬平面上可以產生，利用奈米尺寸的金屬顆粒球亦會在金屬球表面產生高侷限性的局域表面電漿子效應(Localized Surface Plasmon)，與金屬平面產生情形類似，金屬奈米球上的自由電子受到外加電磁場的影響，自由電子和晶格上的離子產生具有週期性的相對位移。這些位移累加起來形成侷限在金屬表面上，並使其發生局部性的電場增強現象，振盪頻率取決於電子在金屬中的有效質量、電磁波振盪周期和電子在金屬中的受到的回復力。其中回復力與金屬內部組成、周圍物質與奈米顆粒的形狀與尺寸有關，在表面電場被增強之處即電荷累積處。 圖4.外加電場作用在奈米等級的金屬球上時，週期性變化的電場E0會影響金屬表面的自由電子產生相對於晶格離子的周期性位移，並發生局域性的表面電漿子。 而光由介電質射向金屬時，就有機會在介電質和金屬表面引發表面電漿子效應(SPPs)，當發生此現象時，電磁波在表面的傳播常數kspp: 此關係式取決於金屬相對介電常數(m)和介電質相對介電常數(d)，當，亦即在表面引起的電漿子頻率小於自由空間中的光頻率，這會使得表面的電漿幾乎不會散失而進入介電質，並產生了侷限光場的現象， 圖5(a).奈米電漿子(SPP)在表面傳播的波長(以銀和金為例)小於在自由空間傳播的波長和小於在玻璃中傳播的波長；導致奈米級電漿子在表面出現侷限性。圖5(b).金(Au)和介電質介面的奈米電漿分布情形。圖5(c).表面電漿子在不連續的介面上耦合情形。圖5(d-e).奈米電漿子傳播時在不同模態下的電荷分布情形(紅為負電荷；藍為正電荷)。資料圖片來自文獻 金屬的光學性質可利用簡單的勞倫茲-杜德模型(Lorent-Drude Model)描述，假設導電金屬的電子為自由電子，可以自由移動，且可以忽略粒子與粒子間的交互作用，自由電子在外加電場下會受到勞倫茲力作用而運動。假設導電時，電子的漂流速度為vd，電子濃度為N，電子通過的截面積為A，單位時間內流過的電量Q: 電子在流動的過程中會與晶體中之原子、雜質或在晶格缺陷產生彈性碰撞(elastic collision)，假設在單位時間內與原子核碰撞的機率為，為電子的馳豫時間(relaxation time)，且: ，l 為電子的平均自由路徑，vF為電子的費米速度（Fermi velocity）。外加電場Eext給予電子的作用力為: 另外定義自由電子的電漿頻率p(Plasma Frequency)和碰撞頻率c(Collision Frequency)或稱阻尼常數(Damping Constant): 從上式可知金屬的光學特性通常會與電漿頻率p(Plasma Frequency)和碰撞頻率c(Collision Frequency)有關係，不同的金屬理論上會有不同的載子濃度、碰撞頻率和電漿頻率，以下列出一些常見的金屬相關係數，僅提供部分作參考用。 由於表面電漿產生的電磁場為一漸逝波(Evanascent Wave)，當外來電磁波激發並金屬產生共振時，激發源的電磁場能量會被吸收且侷限在能產生奈米電漿的結構附近，因此在共振處附近，電磁場強度會產生增強的現象。透過表面電漿共振的光學訊號可以反映出物質表面次波長大小的結構，奈米電漿的性質可以用在近場光學的相關檢測上，例如近場光學顯微術(Near-field Optical Microscopy)、表面增強型拉曼光譜(Raman Spectrum)、鈣鈦礦太陽能電池(Perovskite Solar Cell)。 單一（介電質/金屬）界面的表面電漿極化子提供一個維度的場侷限能力，對於傳導訊號而言，仍需要另一個維度的場侷限機制以避免電磁波的自繞射 （Self-diffraction）效應。常見的奈米電漿波導之一為異質波導(金屬/介電質/金屬結構, Metal/Dielectric/Metal, MDM)結構，參考文獻中的所使用的材料為鎳(Ni)與鎳鈦合金(NiTi alloy)，鎳鈦合金相關光學性質如電漿頻率和碰撞頻率皆可利用合金比例決定，鎳和鎳鈦合金的電漿頻率分別為7.421015 rad/s和6.81015(rad/s)，碰撞頻率皆為4.16891014 rad/s，其排列結構如圖5.。 改變激發源的波長和利用瞬時模場分布計算模態折射率(Modal index)，此種MDM的模態折射率對操作波長的關係如圖6所示。 模態折射率與操作波長主要可對應到三種關係，耦合、去耦合、截止三個區域，當在長波長波段時，上層介面(鎳/介電質)和下層(介電質/鎳鈦合金)的傳播常數接近，兩模場耦合在一起形成一疊加式模態；並且越短的操作波長對應到的模態折射率就越大，此特性和單一介面的表面電漿子一致。若操作波長太低，上下兩界面的表面電漿極化子傳播常數差異漸漸變大，導致上下層模場無法成功耦合，這對應到的關係即模態折射率會隨操作波長減短而變小。 而利用奈米電漿子波導所建構之元件通常具有下列特性: 奈米尺寸:不受光繞射極限的限制，能建立超小尺寸的元件。 場侷限性:由於漸逝波的特性，奈米電漿的分布範圍很小，通常在金屬表面，而這導致了奈米電漿的增強效應可以是非線性的。 寬頻帶:以耦合脊型電漿子波導(Coupled rib plasmonic waveguide, CRPW)為例，其低色散的操作頻寬可達350奈米 傳播損耗相對強:此為積體光學在實現上所需克服的最大問題，在近年的研究雖然對於奈米電漿的機制了解已經很透徹，但是對於其損耗的克服與調控一直都是熱門的研究對象。 金屬的傳播損耗是一個不容易克服的問題，尤其是在電漿子波導元件應用於積體光路的最大阻礙，因此如何克服傳播上的損耗將是一個將機體光學實際應用的一個重要課題，在過去，透過幾何形狀的研究或是結構的改變來增加奈米電漿子傳播距離的也不在少數。如: tooth-shaped waveguide filters、branch-shaped filter、tunneling and cavity effect-based filter, metal films., metal slits 。 而對於奈米電漿激發，僅有電場偏振方向垂直於金屬表面時，才有可能引發表面電漿子效應，而利用此特性，可設計將金屬鍍在波導表面，當P極化的光通過此介面時，此極化方向的光引起奈米電漿子效應，部分電場被束縛在金屬表面，只留下無法引起表面電漿子的極化方向之電場通過，可得到類似過濾的篩選效果，一方面為P極化方向的光雖然因為引起表面電漿子而穿不過去金屬表面，但可以利用表面電漿子波導的效應繼續傳遞直到我們利用一個收光的波導，重新把電磁波耦合並收集起來加以利用，另一方面通過金屬表層的S極化方向之光可以由另一波導耦合收光。利用此種結構，可將一束非線偏振之光，透過此種金屬波導製成極化分離元件(Polarization beam splitter, PBS)，且利用此法所得到的極化分離器還具有超寬頻和超小尺寸的優點。下表2為比較各種極化分離器。 表2、各類極化分離器的比較。DC: Directional Coupler；PC: Photonic Crystal；PW: Plasmonic Waveguide. 光子可藉由轉移動量對物體施加作用力，利用光子本身的角動量和動量移動奈米級物體並非不可行，但通常光和物質之間的交互作用非常微弱，而由金屬表面自由電子進行共振引起的表面電漿子效應可以加強光場與物質之間的效應，此技術已常被用在生物偵測與表面增強拉曼光譜學(surface-enhanced Raman spectroscopy, SERS)上,根據文獻記載，2010年時羅倫斯柏克來國家實驗室成功地利用此增強效應所製成之光風車馬達(light mil)，可以轉動比它本身還要大4000倍的微米等級的二氧化矽盤。 利用金屬表面自由電子共振所產生表面電漿子，是一種令人期待的光通訊技術，尤其在近場光學部分，未來如果要將電子元件往這個方向靠攏，甚至將整台電腦有關高科技的關鍵部分都變想要變成透明的或者是類似近場光學操做的，恐怕人類還有一條漫長的路要走，表面增強拉曼光譜學的發展，電漿子訊號的擷取和保存，記憶體的設計等等，再再等著人類技術的突破與奈米科技的創新與發明。

物聯網使我們能夠連接不同的設備進行通信和數據共享。本文的目的是對常用的物聯網通信協議進行調查，並了解物聯網在不同方面的應用，以改變和改善人福祉和標準。物聯網技術促進了真實環境和基於計算機的系統之間的連接。當今的現代社區通過虛擬整合物聯網和人與人之間的通信來促進物聯網技術的重大發展。物聯網由兩個術語組成：互聯網和物。這項技術允許事物進行交流和共享信息以進行決策，以便事物可以思考、看到、聽到、計算和採取行動。但是，他們導入專門的標準和通信協議來應對這一需求挑戰。電力通常被認為是人類必不可少的商品，也是經濟發展和現代經濟可持續性的推動力。由於電能在我們的日常生活中非常重要，因此使用IoT技術來改善配電系統是要考慮和應用的另一個關鍵點。電信事業需要應用IoT技術，以使設備能夠通過IoT通信協議（藍牙，ZigBee，z-wave，WiFi，5G蜂窩，NFC和LoRaWAN）相互通信，以遠程監控和管理電源使用情況。過去有計算機，移動電話和某些選定節點的網絡，但現在它們包括家用電器和車輛等應用程序都可利用無線個人區域網（WPAN），該網絡依賴於藍牙，ZigBee和其他技術。 物聯網生態系統的7層模型如下圖1所示。物聯網生態系統由允許企業連接其設備的組件組成。本文討論了互連級別，其中詳細介紹了一些物聯網無線通信技術。最低層是智能電網、聯網家庭、智慧城市、智慧健康等的市場。下一層是包括傳感器，照相機，GPS，智能電話等的架構。在這一層，第一層的資訊是收集並發送到互連的下一個級別。在互連級別中，數據使用不同的通信協議（例如WiFi，藍牙，NFC，ZigBee等）發送到網絡。由於將不同的數據發送到雲端系統中，因此數據被彙整和分析級別的階段。使用機器學習，數據挖掘等方法，根據數據的類型對數據進行分析和分離。然後將提取的數據用於能源、娛樂、健康、教育、交通等服務。此外，這7層與不同的;每層還需要安全和管理應用程序，因此顯示在圖的側邊。 物聯網通信協議包含Bluetooth LE, ZigBee, Z-wave, WiFi, 5G cellular, LoRaWAN等先進技術，其中又以5G被寄予厚望(如圖2所示)。針對前述各種物聯網通信協議特性探討論述彙整如表1所示。 藍牙低功耗(Bluetooth Low Energy, BLE)是用於監視和使用短期服務的最佳無線技術之一，預計將被集成到數百萬個設備中。與以前的藍牙版本相比，BLE是一種控制功耗的低壓解決方案。其他無線網絡解決方案（例如ZigBee或Z-Wave）也很常見，但是當您輸入需要多跳網絡的應用程序字段時，BLE會是最佳選擇。目前各界研究已認為，BLE是醫療保健、智能能源、消費類電子產品等許多領域的綜合解決方案。預計BLE很快將在數百萬個設備上使用。 應當注意的是，利用藍牙實現低功耗設備使得能夠提高藍牙設備使用重要性。 BLE的可能性越大，則BLE設備越好，以便將來的藍牙芯片組將包含BLE。 它是一種低功耗，短距離，低複雜度，低速率，低成本，雙工無線通信的新興技術，是目前物聯網中最常用的標準之一。 ZigBee是最受歡迎的技術，它是用於傳感器連接，儀器連接和控制系統的無線網狀網絡標準。 ZigBee可能是無線個人局域網（WPAN）中的通信規範，稱為IoT。 ZigBee設計用於低功耗，低速率和低佔空比的設備。 它也可以移動，因為網絡不考慮傳感器、泵或閥門的實際位置。 儘管ZigBee技術的最高傳輸速度為250 kbps，相對於藍牙4.0和BLE而言非常小，但ZigBee適用於需要大量設備和少量數據流量的應用。 Z-Wave可以是一種低功率網狀網絡技術，其中網絡上的任何節點都可以通過牆壁或地板發送和接收控制命令，並使用中間節點繞過家庭或無線電阻塞中的潛在障礙。 Z-Wave使用專門為遠程控制設備應用程序設計的無線技術進行通信。 Z-wave是獲得專利的協議，具有兩個基本設備，即主設備和從設備。 Z-Wave使用面向源的網絡拓撲，並包括控制數據路由和安全性的主控制器（主設備）。從機回覆並執行主機發送的請求，主機可以在網絡內啟動消息。 Z-Wave的工作頻率小於900 MHz。 網絡技術的最新進展通過採用一種發光和波發射技術來使各種設備相互通信。 WiFi可能是這些現代技術的最佳實例，這些現代技術允許計算機之間進行通訊而無需傳統電纜。另外，Wi-Fi連接是最流行的IoT通信協議之一，並且有時對於某些開發人員來說是顯而易見的選擇，同時考慮在鄰域網中的極度家庭環境中提供WiFi。它每秒提供各種兆比特的變化，這可能是文件傳輸的明智選擇，但是對於某些物聯網應用程序來說，可能會消耗過多的功率。 5G網絡每1平方公里大約可處理100萬個設備，而4G每1平方公里最多可處理10萬個設備。當前，無線蜂窩體系結構為移動用戶內部或外部交換，在該單元中間的工作站方便外部通信，因此內部用戶可以與外部用戶站通信，因此信號需要在室內走動。這可能會導致高滲透率擴散，從而降低困擾的網絡效率，數據速率和無線通信的能量效率。 IoT通信協議的改進和發展仍在進行中，因為現有協議似乎不足以實現IoT的能源消耗和覆蓋範圍。低功耗廣域網（LPWAN）成為物聯網市場的一種廉價替代技術。一旦採用了IoT監控系統，LoRaWAN增強型IoT設備將因其使用壽命長，功耗低和距離遠而成為可靠的解決方案。 LoRaWAN是針對WAN的著名的最新物聯網技術。 LoRaWAN旨在為節能WAN提供專用功能，以維護物聯網中低成本，安全的移動通信，尤其是在智能城市，智能電網等中。它專門解決了低能耗的需求並支持大量處理大量網絡的需求數據速率介於0.3 kbps至50 kbps之間的IoT設備的數量。 物聯網技術近年來變得越來越著名，因為它被用於感知環境行為和狀態以構建智能服務和應用程序。 國際上OCF、AllSeen Alliance、IEEE等建立了構建物聯網生物網絡的物聯網標準和規定。主要涉及了包含智能電網、智能城市、智能家居、智能能源、智能交通、智能移動性、智能建築、智能健康、智能工業製造和智能農業等領域的應用。前述各項前瞻應用，彙整論述如表2。 物聯網將推動智能建築、智能能源、智能規劃、智能移動性、ICT、智能治理和智能公民的發展。網絡和寬帶網絡技術是電子服務的推動者，電子服務正日益發展為城市發展，城市在健康，環境，包容性和商業等多個領域中發揮著創新驅動的關鍵作用。建築物道路和智能高速公路結合了警告通知，汽車監控，行人高度監控以及城市內可用的停車位資訊，以改善駕駛員和步行方式以及公眾的安全。監視橋樑和建築物中的振動和物理條件以保護人員，是智慧城市中物聯網的另一個方面。 長期能源發電應主要由可再生資源提供支持，並應結合物聯網技術來監控功耗。預計智能電網的發展將帶來替代性的傳輸網絡概念，該概念將以高安全性和高質量標準將集中式和分佈式發電所產生的能量有效地路由到最終用戶。對需求的響應已考慮通過通過增強的ICT來控制需求側資源來有效交付智能電網監管服務。 5G網絡和基於5G的IoT無疑將為5G傳輸速度，高靈活性，強大的安全性和低能耗提供災難恢復的基礎設施。 汽車與互聯網的互聯帶來了許多新的可能性和應用，通過混合使用物聯網技術，使運輸比以往更輕鬆，更安全。 通過在大範圍內應用IoT通信技術，可以將物品放置在存儲易燃物品的隔間警告發射可能靠近爆炸性材料的地方，並且人無法進入該區域，該技術將是維護情況下的最佳解決方案 或保險目的。 物聯網技術可以通過定位最近的充電站並通知用戶充電站是否在使用中，從而完成運輸和旅行中的許多任務，例如自動車輛診斷，汽車管理，道路定價，車隊跟踪和電動車輛充電站預訂。 WiFi在家庭自動化中電子設備（電視，音頻和視頻接收器，移動設備等）已成為家庭IP網絡的一部分。因此，無線網絡的持續滲透率提高了移動計算的採用率，這些設備可以是平板電腦，手機，電視等。這些傳感器監視各種系統，例如能量產生和測量，閃電，安全性；暖通空調和關鍵環境績效指標。然後，所收集和感測的信息被處理為無論位置在哪裡，用戶都可以使用和訪問。 物聯網將整個組裝過程中的行業或工廠連接到全新的應用範圍。它的範圍包括將工廠和工業連接到智能電網，機器自動診斷和資產控制，將生產設施共享為服務，或者在裝配系統內部實現更大的靈活性，並監控室內或室外的溫度或空氣質量。從這個意義上講，組裝系統被視為許多物聯網的集合，其中定義了物聯網生態系統以提高生產效率。企業利用可用信息，企業移動性，業務分析，雲服務和其他功能來驅動其開展業務的方式。這些技術包括帶有業務分析軟件的大數據，嵌入式技術，雲服務，傳感器網絡/傳感器技術，RFID，NFC，M2M，GPS，移動性等。檢測設備中微機械和微電子部件的集成，通信的通用性，微型機器人的增加和軟件實現的定制化將極大地改變地球。 物聯網使我們能夠連接不同的設備進行通信和數據共享。本文的目的是對常用的物聯網通信協議進行調查，並了解物聯網在不同方面的應用，以改變和改善人福祉和標準。當今的現代社區通過虛擬整合物聯網和人與人之間的通信來促進物聯網技術的重大發展。物聯網生態系統由允許企業連接其設備的組件組成。本文討論了互連級別，其中詳細介紹了一些物聯網無線通信技術。最低層是智能電網、聯網家庭、智慧城市、智慧健康等的市場。 物聯網通信協議包含Bluetooth LE, ZigBee, Z-wave, WiFi, 5G cellular, LoRaWAN等先進技術，其中又以5G被寄予厚望。新技術和互聯網連接設備的潛在發展使物聯網（IoT）成為計算領域的主要關注之一。在本文中，詳細描述了一些重要的通信協議（藍牙，ZigBee，Z-wave，WiFi，5G蜂窩，NFC和LoRaWAN等技術）對於研究時可以給定場景中何種協議。此外，還介紹了一些重要的物聯網應用情境，例如智慧城市，智慧能源，智慧電網，智慧交通，智慧建築，智慧家庭，智慧工業製造等。

STEAM是由美國政府提出的教育理念，旨在加強美國K-12對於於科學、技術、工程、藝術以及數學的能力。介紹何謂STEAM教育之前，必須先介紹這個字的由來。其實，STEAM是由五個單字組成： Science(科學)、Technology(技術)、Engineering(工程)、Arts(藝術)、Mathematics(數學) 在網路時代，跨學科綜合性人才成為主流，未來教育趨勢不再只關注單一學科，而是要求全方位思考，才能適應未來高變動性的創新環境，同時，將智慧機器人的互動性和益智性，提倡新的教育理念，貫徹STEAM教育，讓新一代不再被單一學科束縛，學會跨學科地解決問題、尋找答案。以簡易的圖像式，鍛煉3D空間概念和強化機械工程教育，提升國際競爭力。 STEAM教育強調動手做（hands-on）、問題解決（problem-solving）、專案取向的教學（project-based），藉此培養孩子內在的綜合能力，包括：「探究能力」、「批判思考能力」、「創意思考能力」、「問題解決能力」。而在動手解決問題或進行專案探究的過程，必然會經歷犯錯和失敗，失敗後必須反思其原因，再修正作法，接著再嘗試、再失敗、再檢討、又再摸索嘗試，直到找到成功的方法為止。因此，STEAM教育不僅能培養上述的能力，還能培養孩子的耐心、意志力與挫折忍受力，且學習為自己負責。 具體來說，STEAM教育不僅僅是提倡學習這五個學科知識，更提倡的是一種新的教學方式：讓學生們自己動手完成他們感興趣的、和他們生活相關的項目，從過程中學習各種學科以及跨學科的知識STEAM其實是對基於標準化考試的傳統教育理念的轉型，它代表著一種現代的教育哲學，更注重學習的過程，而不是結果。和考試不同，新哲學敢於讓學生們犯錯，讓他們嘗試不同的想法，讓他們聽到不同的觀點。與考試相反，新哲學推崇孩子們創造能夠應用於真實生活的知識，而非傳統的填鴨教育。所以，STEAM教育不會在桌椅整齊的教室上課，而是在充滿木板、銼刀、電線、電路板、晶片、3D列印機、以及各種奇怪的科技產品的工作坊。 素質教育是在遵循人的自身發展、客觀規律和人與社會需求之間客觀規律的基礎上展開的教育活動。它是一種以提高受教育者諸方面素質為目標的教育模式，它重視人的思想道德素質、能力培養、個性發展、身體健康和心理健康教育。素質教育的核心內涵(如圖1)是依據人的發展和社會發展的實際需要，以全面提高學生的基本素質為根本目的，尊重學生主體性和主動精神，注重開發人的智慧潛能，形成人的健全個性為根本特徵的教育。 1.素質教育的全體性 素質教育必須面向全體學生，使每個學生都具有作為新一代合格公民所應具備的基本素質。素質教育的全體性要求：一方面必須使每個學生在原有基礎上都能得到應有的發展；另一方面必須使每個學生在社會所要求的基本素質方面，達到規定的合格標準，使每個學生都成為合格的畢業生。 2.素質教育的全面性 社會發展對人的素質要求是全面的，而非單一人。因而，人的素質發展也具有整體性。素質教育既不是為升學作準備，也不是為就業作準備，而是為人生作準備，也即為人生打基幢的教育。 3.素質教育的發展性 素質教育的發展性意味著素質教育對學生潛能開發和個性特長髮展的高度重視。教師要相信每個學生的發展潛能，每個人都是有潛能的。教師要創造各種條件，引發學生的這種無限的創造力和潛能，使每個學生都有機會在他天賦所及的一切領域最充分地展示併發展自己的才能。 4.素質教育的主體性 素質教育的主體性，從根本上說，就是教師要尊重學生在教育教學過程中的自覺性。自主性和創造性。教師要把學習的主動權交給學生。在教育教學過程中教師要善於激發和調動學生的學習積極性，要教會學生學習，要讓學生有自主學習的時間和空間。 5.素質教育的開放性 素質教育由於涉及學生的全面發展，教育內容大大拓寬了，也有相應寬廣的教育空間和多樣化的教育管道與之相適應。因而，從素質教育的空間和教育管道看，素質教育不再局限於校內、課內和課本，具有開放性。素質教育的開放性，要求拓寬原有的教育教學空間，真正建立起學校教育、家庭教育和社會教育相結合的教育網路；要求拓寬原有的教育途徑，建立學科課程、活動課程和潛在課程相結合的課程體系。 素質教育在中國的推廣之路其實並不平坦。素質教育在中國剛剛提出時候受到了各方面質疑，在中國傳統應試教育的壓力下，學校考慮著升學率，家人質疑著是否玩物喪志，學生們擔心會不會有額外負擔。素質教育是否會變成一句空口號，這是學校、家長和學生都擔心的問題。隨著素質教育的展開，不但沒有變為形式化、口號化，學校、家長和學生們對它的重視程度也越來越高，許多家長諮詢學校是否能提供綜合素質能力教育，許多學校也主動尋求市場上教育企業謀求校企合作，提升學校綜合實力。素質教育形成剛須，主要有如下幾個原因：國家政策的導向、教育消費升級和教育全球化趨勢[1-2]。 素質教育行業家長用戶最關注的是孩子的興趣培養和身心健康，讓在不同興趣智慧(如圖2)上各有所長的學生，獲得自我肯定與他人的尊重認同。而這正與素質教育的教育理念不謀而合。由於教育效果的展開形式也越來越多，加上教育生態上下游的打通，未來素質教育將成為國內教育主流，培養更多擁有綜合素質能力的學生。 美國哈佛大學-霍華德嘉納博士(Howard Gardner)教授1983年提出多元智能理論(Theory of Multiple Intelligence)，每個人一出生，都與生俱來多種處理特定訊息的能力(即智能)，這些協助人類解決問題的能力，有著各自的排列組合方式，透過協力合作，形成了每一個人獨有的特質。這些天賦能力有多種，大致分別為語文、邏輯數學、空間、肢體動覺、音樂、人際、內省及自然觀察。霍華德嘉納博士(Howard Gardner)的心智架構 (Frames of mind)圖3所示，打破傳統智力的偏頗論調，提出多元智能理論，為人類的心靈教化開啟新的一頁，拓展發展方向，也為教育提供重要的意涵。霍華德嘉納博士提出智力應是在某一特定文化情境或社群中，所展現出的解決問題或製作(fashion)生產的能力。 同時，霍華德嘉納博士提出發表人們擁有八項多元智能理論(如表1)。圖3.多元智能8項理論，圖片來源：https://www.philipchircop.com 多元智能8項理論 語文智能 指口語及書寫文字的運用能力，包括了對語言文字意義（語意能力）、規則（語法能力），以及聲音、節奏、音調、詩韻（音韻學能力）、不同功能（語言的實用能力）的敏感性。 音樂智能 指察覺、辨別、改變和表達音樂的能力，允許人們能對聲音的意義加以創造、溝通與理解，主要包括了對節奏、音調或旋律、音色的敏感性。 邏輯-數學智能 指運用數字和推理的能力，涉及了對抽象關係的使用與瞭解，其核心成份包括了覺察邏輯或數字樣式（pattern）的能力，以及進行廣泛的推理，或巧妙地處理抽象分析的能力。 空間智能 指對視覺性或空間性訊息的知覺能力，以及把所知覺到的加以表現出來的能力。其核心成份包括了精確知覺物體或形狀的能力，對知覺到的物體或形狀進行操作或在心中進行空間旋轉的能力，在腦中形成心像以及轉換心像的能力，對圖像藝術所感受的視覺與空間之張力、平衡與組成等關係的敏感性。 肢體-運作智能 指運用身體來表達想法與感覺，以及運用雙手生產或改造事物的能力，其核心成份包括了巧妙地處理（包括粗略與精緻的身體動作）物體的能力，巧妙地使用不同的身體動作來運作或表達的能力，以及自身感受的、觸覺的和由觸覺引起的能力。 人際智能 指辨識與瞭解他人的感覺、信念與意向的能力，其核心成份包括了注意並區辨他人的心情、性情、動機與意向，並做出適當反應的能力。 內省智能 指能對自我進行省察、區辨自我的感覺，並產生適當行動的能力，此種智慧也扮演著智慧中樞的角色(central intelligence agency)，使得個體能知道自己的能力，並瞭解如何有效發揮這些能力。其核心成份為發展可靠的自我運作模式，以瞭解自已的欲求、目標、焦慮與優缺點，並藉以引導自己的行為之能力。 自然觀察智能 指對周遭環境的動物、植物、人工製品，及其它事物進行有效辨識及分類的能力。自然觀察智慧包括了對動植物的辨識能力、從引擎聲辨識汽車、在科學實驗室中辨識新奇樣式、以及藝術風格與生活模式的察覺等能力。 研究方法 多元智能基因檢測，可以找到孩子的「天賦基因」並解開基因密碼，瞭解孩子的隱藏天賦。可運用【AI智慧雲耳機-自我評量學習導引】系統，根據美國霍華德嘉納博士(Howard Gardner)教授提出的多元智能理論，利用大腦能量探測技術，簡單、迅速，且無侵入性地獲取幼兒多元智能活躍順序，讓父母老師輕鬆掌握孩子當下的天賦興趣所在，充分把握孩童寶貝的0-7歲學習黃金期，讓孩子的潛能有著無限的可能。 先進AI輔助系統平臺測試 研究方法以先進AI輔助系統平臺來測試K 12女童的大腦點位偵測如下圖4.所示： 根據偵測大腦活躍點，【AI智慧雲耳機-自我評量學習導引】系統顯示K12女童的多元智慧排序如下圖5.所示: K12女孩童素質結果評估與建議 以先進AI輔助系統平臺來測試K12女童的大腦點位偵測研究結果顯示，K12女童有兩項較強的優勢能力，第一項是信心成就智慧（100%），代表是當K12女童的信心成就智慧強活躍，可以同時搭配右腦屬性的內省智能時，K12女童會對周遭的情緒反應較佳，也有較高的學習動機。此時，適合帶著K12女童進行較多元的學習，鼓勵她有機會自己選擇，並在她完成一件事情時給予正面的回饋，累積成功的經驗會帶來成就感，同時，訓練她接受自己的優缺點。 而在K12女童第二項較強優勢能力是自我解決能力智能（99.28%），代表是當K12女童在生活中發現問題時，她會啟動內省智能有自我察覺與自我解決的能力的質能，她可以能夠意識到自己的情緒、意向、動機、需求等，自己內心深層的想法。未來K12女童可以透過高內省智慧，將她自己的心理目標具體實踐者，職涯發展可朝向:例如心理學家、神學家或哲學家等。 結論 本研究是以先進AI輔助系統平臺來測試K12女童的大腦點位偵測，對於學齡期孩童教育是高度個別化的工作，必須配合每位學生所具有的獨特智能組合類型（個別差異）不同的學生具有不同的心智組合類型，並必須要以不同的方法來學習、外表徵象與回憶知識，因此不應以相同的方法、相同的教材來教育所有的學生，有效的教師應配合學生個別的需要而使用各種不同的方法來進行教學。 未來孩童教育發展可運用先進AI智慧雲耳機輔助平臺系統，並依照美國霍華德嘉納博士(Howard Gardner)教授提出的多元智能理論的教學來設計三種不同型式的課程:(一)智能本身作為教學的主題：亦以教學之目的是在開發推展學生的多元智能(teaching for multiple intelligences)。(二)智能作為一種獲取知識的方法：每一種智能都可以用來學習某一領域的知識，例如使用身體動作來學習英文字彙，使用音樂來教導數學的概念等(teaching with multiple intelligences)。(三)後設智能(Meta-intelligences)：亦即目的在教導學生認識自己的多元智能，包括如何評估、如何強化，以及如何主動地使用多元智能於學習與生活之中，(teaching about multiple intelligences)。

製造是台灣經濟的關鍵力量，進行中的工業4.0革命，也包含製造平台化和商業模式的轉變，特別是因為大量客製化和智慧生產的彈性，而改變產業生態並縮短供應鏈。供應鏈中段的水平分工是台灣企業最為擅長的，能在激烈競爭中存活的企業，都是賺「管理財」。然而，台商慣用量產的規模報酬效益降低生產成本的模式，必將受到「去中間化」和價值鏈革命性重構的衝擊。台灣企業執行少量多樣生產的彈性決策、供應鏈管理與快速量產效率，大都靠勤奮聰明的「人」而非「電腦」，尤其是許多隱形冠軍和中小企業內部擁有所屬產業的領域專家和老師傅。然而，台灣製造的相對優勢，正快速消失。這些隨著台灣經濟起飛逐步成長的本土人才，以及帶回技術和外商經驗的海歸專家，都已經陸續退休、離職，許多內隱的管理知識和製造智慧，亦逐漸流失。 先進國家擁有精密設備、高端機器人、扎實的工業基礎，具備虛實整合所需的高度整合能力，可以發展虛實整合系統的製造平台。擁有市場和品牌的國際大廠，透過工業4.0推動製造平台化，貫通整個產業供應鏈，並從中積極吸納製造端知識，進而強化產業生態系統的掌控，並汰弱留強而縮短供應鏈。 台灣產業應該升級轉型保持相對競爭優勢，但台灣工業基礎無法與先進國家並駕齊驅，大多數公司只是工業 4.0 軟硬體系統和設備的使用者，既然無法一步到位，何不等到相關系統設備更成熟再導入？台灣當務之急，特別是中小企業，應該先提升可以「操之在我」的核心能耐。 發展「工業3.5」台灣智慧製造戰略，作為目前的「工業3.0」和未來的「工業4.0」之間的混合策略，建立全面資源管理、聰明生產、數位決策、智慧供應鏈與智慧工廠等營運核心能力如圖1；在工業3.0既有的製造系統環境下，把握目前產業結構轉換的空檔，先發展AI、大數據分析和數位決策為破壞性創新技術，培養能善用智慧製造系統的人才和能力，達成或局部達到工業4.0三大願景：大數據分析、價值鏈整合和彈性決策能力。 工業3.5的概念，就像人和智慧機械合作，搭配數位決策大腦的鋼鐵人。工業4.0用虛實整合系統和機器人取代人的工作，工業3.5鋼鐵人強化人的機能和決策管理能力，結合可以作為破壞性創新的各種技術和工具。 台灣地狹人稠，導入更多無人化的系統，反而可能會加速貧富差距和社會不安。長此以往，工廠就會慢慢失去了分析與解決問題的能力，淪為單純的機器代管者，還要承擔設備高資本支出的風險，創造的附加價值甚至比現在更低。工業3.5是另闢蹊徑，協助台灣企業盤點能力打造專屬的「工業3.0 ─工業3.5 ─工業4.0」的策略路徑，發展更符合台灣產業結構和需求的解決方案，實現的速度也比工業4.0快，台灣企業就可以提前「收割」，產業結構升級轉換的利益，並再拉開與新興國家的差距，還可以把台灣產業升級經驗，以及「鋼鐵人」的解決方案，賣給新南向國家地區，擴大台灣製造的影響力。 因應全球化市場的需求，產品和服務愈來愈個人化，如何創造更高的價值是當前多數企業的策略目標。國際大廠推動工業4.0，透過雲、網、端等技術和虛實整合的製造平台，減少供應鏈存貨浪費，提升整個產業鏈的效率，以因應聰明生產的彈性需求；另一方面，增強對供應鏈上下游廠商的數據匯流和資訊穿透，個別供應商對整個製造平台的依賴將越來越大。 因此，台灣企業應先從「操之在我」的數位轉型和改革做起，推動「新五四運動：德先生是公司治理與決策；賽先生是科學管理與分析」！台灣產業高度專業分工，從接觸客戶一直到服務，分屬不同單位、不同層級。企業發展策略，偏重提升內部規模效益和降低成本，而用產業群聚來彌補彈性靈活的優勢。然而，個別企業難以掌握整個供應鏈的供需數據，以及產品生命週期各個階段的需求，也就難以優化營收。因此，必須發展虛擬垂直整合的合作機制，加上配套的資訊系統和數位轉型，去設計並思考進入在不同生命週期階段的各種產業區塊，讓製造系統兼顧前台客製化的彈性，以及後台規模化的效能，並串連設計、製造、銷售、物流、服務與保固的管理流程和大數據。台灣企業若現在不及時將自身的製造優勢及管理經驗，數位化並整合，曾經擁有的核心競爭能力，未來就會落入別人手中。 企業做大數據分析、建立數位大腦，應該先投資在資料擷取和整理的苦功，這些系統整合和資訊匯流的功夫，如同下水道工程，是數位轉型最重要的基礎工程。不同性質和類型的決策問題，各有其最適合的解決策略與工具，台灣許多公司內部的不同事業單位，都有不同資訊系統，各自為政也缺乏整合，即使買了先進的工業4.0 設備和軟硬體系統，恐怕未獲其利先受其害，因為舊的生產模式無法放棄，但新的系統又無法融入發揮應有的功能，反而影響企業營運。為改善決策速度和品質，應該進行企業轉型與組織變革，讓負責定價、行銷、生產、物料等不同業務的相關單位，能夠在一個整合的系統平台，去協調整合有關訂價、分配產能、訂單滿足等決策，並發展具備模擬、分析、修正，以及做短中長期的規劃等功能的數位大腦，讓企業數位大腦指揮，分散在各個單位、不同應用的決策支援系統，以及協助決策速度加快、確保資料品質和資訊安全防護的大數據系統，以達成各項營運目標。 台灣許多企業陸續面臨二代接班或專業經理人交棒的問題，決策若只是依靠內隱在少數主管的心法和智慧，也會讓企業接班變得困難。傳統的觀念認為決策是經營者和高階主管的事，基層員工只負責執行高層主管的決策即可。以前企業還可以勉強靠著企業主的睿智、彈性和老師傅的經驗因應市場的需求。然而大數據時代，層級式的組織架構，已經不符合競爭所需，整個組織裡，必須人人都是決策者，才能夠靈敏、快速回應挑戰。每個人每天都快速接收大量資訊，如果所有人都只能層層上報，然後坐等經營階層做決定，之後才奉命行動，勢必喪失先機、處處挨打。現代決策的複雜度和對速度的要求，沒有大數據的蒐集、運算、分析和運用，以及人工智慧和數位決策科技的應用，很難在決策的品質、彈性和速度上勝出。另一方面，資料不等於資訊更不代表知識，如何要求幕僚，迅速將資料轉化為資訊，再結合決策者的判斷，將其提升為有價值的知識，建立數位大腦，利用它運籌帷幄，再指揮分散各處的相關系統，以快速做出正確決策，這正是企業和國家決勝未來的關鍵。 決策是領導的核心、企業經營管理最具挑戰的工作，也是判斷系統是否具備「智能化」的主要特徵。大數據時代，企業營運環境快速變動，決策過程中的不確定性、時效性、風險、預期結果和執行的變異等因素，組合的複雜程度百倍於以往，企業已難只仰賴領導者和高階主管，憑藉經驗和直覺判斷，即時做出英明的決策。 許多人簡化工業4.0 為自動化或無人化，在生產時用機器人取代人力；觀念不正確的結果，讓許多企業寧願花大錢，投資購置軟硬體資訊設備和自動化環境，卻吝於投資開發應用的軟體和培養分析的人才。未能理解智慧製造的關鍵，在決策數位化、智能化。換言之，在快速變動的環境中，建構數位化的決策模型，可以讓很多資深員工的智慧、隱性的判斷具體化和被留在企業成為核心競爭力。因此，所有企業的決策流程，都有必要再造，讓每個人都成為決策者，借助大數據分析工具，即時判斷，快速競爭，掌握決策契機，並且借助決策分析工具，避開或即時修正快速和彈性一定會帶來的風險。 工業3.5製造戰略提出的企業經營的五大核心能耐：全面資源管理、聰明生產、數位決策、智慧供應鏈與智慧工廠。這些軟實力，都是台廠具備的相對競爭優勢，因此發展核心能耐的數位化和智能化。若沒有好的策略藍圖而只是導入軟硬體系統，很多公司常常徒勞無功。尤其是傳產業，許多事情的溝通和決策是靠人在聯繫協調，以及靠產業群聚、很有默契的供應鏈彼此合作。 台灣各個產業，標準化、系統化、自動化的程度不一，不是一蹴可幾，台灣的傳產和中小企業，特別是那些隱形冠軍，是強在那些老闆和公司裡面一些關鍵的人，他們決策的彈性，以及實作累積的經驗和智慧。圖2用「系統化程度」和「彈性決策能力」為衡量指標，將企業分為四個象限。台灣大部分的企業都擁有不錯的決策彈性，但自動化程度不高，位置處在右下角的第四象限，如何才能達到右上角的第一象限，躋身「智慧製造」行列？ 工業3.5的數位轉型之路，一方面可以從第四象限，往第三、第二象限移動，從合理化、標準化提升系統化程度，再建立智能化；另一方面，則先透過AI和大數據等新科技為破壞性創新，將資深主管和老師傅的彈性決策和經驗，從第四象限直接「外線超車」到第一象限，並根據不同應用，「容易摘的果子先摘」，發展為分散式的決策支援系統，局部朝工業4.0的方向邁進，再慢慢整合。在十倍速的時代，單憑經驗和直覺的決策，已經不足以快速應付不斷的挑戰，要藉由大數據和軟硬體之上，各種應用系統的輔助，才能精準、快速且數位化地，進行複雜的決策。 企業內部常常累積許多不同的資訊系統，沒有持續的整合、精實和流程再造，即使購買先進的設備和軟硬體系統，也難以提升智慧製造的效能。甚至未蒙其利先受其害，舊的生產模式無法放棄，新的系統無法融入。花了大錢想轉型升級反而受挫愈大，原因時常是誤判了公司在圖2所處的座標，以及下一階段該往哪一個座標移動的策略路徑。舉例而言，在蒐集數據上，也不見得一定要具備工業4.0的設備，或加入國外製造平台和大數據庫，透過系統整合，一樣能夠把這些數據撈出來。工業3.5認為不同的設備，都應該找到符合成本效益的方式，把數據讀取出來。譬如在設備裡安裝監控系統，把設備溫度、壓力的變化顯示在外面的碼表上。甚至直接裝一個鏡頭就在機台碼表前面，或是用感測器或視覺機器人來監控機台，取代人去看機台控制介面，一有異常，就會啟動警示，提醒工作人員採取行動，或根據已建立的決策規則直接採取適當的反應。隨著少量多樣生產方式的複雜度愈來愈高，過去靠人腦來因應的生產管理，只能處理到一個程度，須將過去存在領域專家的製造智慧，轉化成為聰明生產的智能化系統，能夠在生產調度時，同時考慮到良率、交期和生產力，以求最大化的獲利。 工業3.5提供一條務實可行的路徑幫助台灣企業升級和數位轉型，台灣企業應先站在既有的基礎上，盤點自身擁有的資源和長短處，善用當前的彈性、整合和製造管理的優勢，建立專屬自己的數位轉型策略，以及智慧製造技術藍圖。一方面強化自己的數位能力，發展客製化的大數據分析，以及智能製造決策系統，再拉開領先後進國家的距離，另一方面先進入工業4.0 的過渡階段，提前創造一部分產業升級的效益，厚植實力，再進入工業4.0，成功機率也能夠大幅提升。 台灣某機能布紡織廠面臨全球化的競爭及客戶需求多樣且交期短，而日益複雜的大量客製化，必須通過流程改善與智慧製造來達到數位轉型的目地。這帶來了生產決策調度的靈活性，在提高生產力的情況下，同時保持產品的質量並能有更短的交貨時間。 對於多樣化產品需求模式和快速變化的生產環境，生產部門應用製造執行系統（Manufacturing Execution System）被用來作為數位轉型的工具，以最佳化機台稼動率和生產產量。使用製造執行系統進行生產的智慧製造帶來了功能和優勢，例如生產資訊的歷史記錄，訂單執行和排程調度的追蹤，製造部門在染色機台的可程式化邏輯控制器(Programmable Logic Controllers)來監控當下在機台內染色的訂單資訊與機台狀況。然而，這當中並沒有整合管理系統可以作為不同系統合併與交換數據的平台。在紡織業中，各部門有不同使用的軟體、獨立的資料庫和紙本文檔。如果沒有一個有效且迅速的整合管理系統則會導致資訊孤島(Information silos)的發生。 為了消除資訊孤島的障礙，該紡織廠與本研究團隊合作研究，發展應用於紡織業染色機台排程調度最佳化的決策支援系統，其架構如圖3，以及配套的決策流程再造，整合製造執行系統、可程式化邏輯控制器及其他相關係統的資料並匯集到模型控制器中。再由控制器將收集的數據輸入到決策支持系統中並開始進行調度。操作的設計包括兩部分：第一部分是針對染色機工作負荷優先順序列表，並優先列出稼動率低或已停機的機器。當機台被辨識為停機時，系統將檢查機台狀態是否為清潔中或正在用於其他操作，第二部分是染色機台產能分類和訂單指派。所有訂單將依照製造執行系統的設定分配到指定的染色機台上，配合機台當前的正在進行染色或前一筆的訂單資訊，以機台的稼動率最大化為考量進行排程，將排程和調度結果用甘特圖等圖示化表單，協助管理者因應聰明生產所需的彈性決策。 資料來源：Ku, Chien, Ma (2020) 該公司導入此系統後，不僅有效的將各部門的資料進行整合，且將蒐集到的資料在透過決策資源系統優化後，以圖示化的介面來增加資料的可讀性來達到數位轉型的目的，而工廠整體稼動率提升了4.5%以上，且有高達89%的派工排程有效準確率，並持續與本研究團隊合作研究開發其他智慧製造解決方案，同時將一部份分析功能外包。因為傳統產業即使招募人工智慧、資訊科技及大數據分析的人才，但主管不知道怎麼管理和考核這些知識工作者。《工業3.5》也提出分析服務（Analytics as a Service）產業化的理念，以彌補台灣傳統產業或中小企業目前不易找到適合的AI和大數據分析人才。類似本案例所推動的工業3.5，都是台灣企業能夠在公司內部推動的智慧製造與彈性決策的能力，而且很快可以在既有基礎上，創造具體價值以增加持續推動變革的信心。 因應世界大國重回製造的全球競爭，以及新冠肺炎對全球產業鏈和經濟的衝擊，未來的國際製造網絡，需要善用人工智慧、大數據、雲端、物聯網等科技，分散生產基地以減少客戶的供應鏈風險，提升彈性決策和聰明生產的智慧製造解決方案更為重要。 台灣製造業大多是中小規模，且專注某個水平分工領域或產品市場，受限於企業資源和決策者的視野格局，以致重視硬體甚於軟體，不重視數據分析和決策的軟實力和相關人才的培養。企業需要數位轉型走向智能化，數位轉型離不開人，而台商、台廠的管理人才和軟實力正是台灣製造的相對競爭優勢，裡面蘊藏累積的智慧是在數位轉型的過程，先進國家沒有的，而大多數企業也不知道如何去善用，所以往往在導入相關系統時，反而自廢武功。企業必須能夠正確辨識自己的優勢和痛點所在，才能對症下藥，先架構對的問題，找到容易摘的果子開始作為解決問題的利基，建立組織變革的信心，結合內外部分析人才，蒐集相關的數據，挖掘有用的資訊，提升員工的決策參與，改善決策品質。 台灣企業必須發展工業3.5製造戰略維持相對競爭優勢，並從「新五四運動」數位轉型做起，推動「德先生是公司治理與決策」和「賽先生是科學管理與分析」企業維新，以軟硬體設備為基礎，垂直整合其上的大數據分析和智慧製造決策能力，透過系統整合商協助串連硬設備，分析所蒐集到的數據，結合領域專家的經驗知識，來發展更深入、更專屬的決策模型和應用軟體。換句話說，虛實整合能力可以一層一層地建構，務實地混搭局部採用的AI 和人的智慧，從小範圍做到設備與設備連線，以及前後製程的協作，並利用大數據分析發展預測保養、良率提升等工具，藉助數位轉型與科技提升決策品質和速度，成為全員共治和卓越經營的決策型企業。

所謂高熵合金，就是指五元以上的金屬固溶而成，2004年起已經捲起千堆雪，研究如風起雲湧的在世界上發光發熱，毫無疑問，這種多元素或高熵合金（MCA或HEAs）的發明便是合金歷史發展的一個重要里程碑。在過去的十年中HEA的物理和化學性質已經被廣泛研究，目前已經知道高熵合金具有許多優秀的性能，如果將HEA傳統合金相比，因為它們具有更好的性能，這是因為HEAs具有簡單的多元素固溶體微觀結構，具有形成納米沉澱物的能力，高熱穩定性，優越的壓縮力學性能，高硬度，良好防腐，並具有熱電。有關配置熵對HEAs中焓的影響，可以形成的納米結構和特殊的近零電阻率係數，這些性質使得高熵合金在材料選擇和應用中提供了巨大的潛力。那麼HEAs與能量關係如何?吸氫能力如何呢? 筆者與陳瑞凱教授等在2018年，Materials Chemistry and Physics發表了一篇長篇的研究，有關於高熵合金吸氫的研究，標題為 Hydrogen storage of C14-CruFevMnwTixVyZrz alloys，這篇研究徹底使用高熵合金為基底，研究了一種用於吸氫和放氫的創新型多元素CoFeMnTiVZr合金系統，根據壓力-成分-等溫線（PCIs）的測試結果，發現CouFeMnTiVZ，CoFevMnTiVZr，CoFeMnwTiVZr，CoFeMnTixVZr，CoFeMnTiVyZr和CoFeMnTiVZrz可以吸氫和放氫，當 0.5u3.0 ; 0.5v2.0; 0.5w3.0; 0.5x2.5; 0.4y3.0; 0.4z3.0，X光繞射（XRD）顯示出CouFevMnwTixVyZrz合金具有簡單的C14 Laves相，在PCI測試之前和之後具有同種的晶格參數，並且高熵效應促進單個C14 Laves相的形成，在這眾多組合中，我們還發現最大儲氫能力的合金系統，並且發現了吸氫的氫化物形成焓密切相關。 回到遠古時代，神劍兵器之所以非常難以煉成，其實是有原因的，干將莫邪為了煉製寶刀，仍然無法克服爐內溫度問題，金屬互溶比例問題，傳說中莫邪起身跳入爐中，寶劍才終於煉成，所以可以想像2-3元以上金屬熔煉之困難程度。 圖1: CuxAu1-x電阻率對混和比例關係圖，x為混和比例，紅色線為無序混和，藍色線為有序混和 直到2004年，這個問題才被清華大學葉均蔚教授、陳瑞凱與金重勳教授等研究群解決，就是所謂的材料界的一個明日之星高熵合金(high-entropy alloys: HEA)，在2004年誕生了，葉均蔚教授等科學家在Advanced Engineering Materials期刊上發表了一篇論文 Nanostructured high-entropy alloys with multiple principal elements: novel alloy design concepts and outcomes，這篇目前公認為第一篇理論與實驗確認高熵合金可行性的論文，因此葉均蔚教授因而獲得高熵合金之父的美譽，古代練劍難以煉成，實在是因為合金無序相的生成有關，翻開Kittel固態材料的經典的教科書來看看二元金屬互溶的問題便可一窺端倪，以二元合金而言，電阻率的大小常取決於合金的有序度，來看看CuxAu1-x這個例子，如圖1所示，當合金出現無序相時，電阻率會因為無序度而產生高電阻率，最大電阻率約為純金屬的7倍，但是如果互溶出現了「有序相」時，如圖1所示，如混和比例為25% (Cu3Au)及50% (CuAu)，則會出現電阻率大幅度下降現象，這個顯著的電阻率下降，代表著有序相的出現，有時候等比例互溶的狀況，甚至能夠接近純金屬元素之電阻率，這意味著原子世界在達到熔點與一定的比例時，出現了有序相的晶格排列，所以干將莫邪難以煉製寶刀的瓶頸，實在是因為無序相的問題難以克服。 當人類面對2種金屬以上合金燒熔固化的過程中，最常遇到的問題就是最後會遇到燒裂狀況，無法降溫後以簡單固溶相存在，所以面對此一困境，很多科學家後來就放棄繼續往上加入等摩爾金屬研究，一直到2004年清華大學葉均蔚教授等科學家才一舉突破此問題的限制，如圖2所示。 圖2: 以AlCoCr FeNiTi六元等莫耳比例混和，代號C-(6) 高熵合金，其中Al CoCr FeNiTi亂數排列在有序的晶體結構，有序度最後可以由XRD繞射圖來確認，因此合金燒熔固化存在，如左圖金屬種類越多，熵值越來越大，能夠幫助降溫後以簡單固溶相存在，這個多元的想法，終於解決了傳統合金融煉的困境。 事後來看，我們就知道合金燒熔的問題出在熱力學的吉布斯自由能(Gibbs Free Energy)G=H-TS中，H為系統的焓，T為溫度，S為結構熵，當合金燒熔固化的過程，整體而言，是與系統的焓有關，這點在客觀上是無法改變的，所以勢必要尋找另一個可調參數，結果另一項可調參數就是提高S為結構熵，如果考慮到T如果降到室溫是方便的工作溫度，那一般而言T就是個無法調控的參數，所以如何提高結構熵，便是合金互溶的關鍵因素，這個關鍵突破就是增加合金數目，提高S為結構熵，問題變得如此簡單，所以一個觀念的突破，常常跟隨著物理公式的變化原則，於是高熵合金(HEA)就是一個劃時代的貢獻的開始。筆者們在 (2017年) 物理評論季刊(Quarterly Physics Review)發表了一篇研究， AlCoCrFeNiTi and its equal-molar five-component alloys in a metal mixological enthalpy-entropy plane，是關於AlCoCrFeNiTi及其等摩爾五成分合金在金屬混合焓-熵平面的研究，如圖3所示，簡單的以此AlCoCrFeNiTi金屬成分當例子來設計說明這個世界級的尖端材料概念 高熵合金(High Entropy Alloy)，文章中提出了合金設計和應用中是因為提供了較大的自由度，被定義為含有至少有五個要素，每個元素都有一個濃度範圍在5至35 at％之間，這個熵其實就是熱力學中所定義的熵(entropy)。 圖3: AlCoCrFeNiTi金屬成分當例子，黃色點為理論值，而其它彩色為實際七種五元以上的高熵合金的實驗數據分布，右上方在紅線區為固溶區，左下方在藍線區為介金屬區，意味著有金屬合金出偏析。 簡單來說，高熵合金的核心作用原理是和高熵合金的傑出的特性與核心效應直接相關。在任何反應的H=TS的可逆條件（即，G= 0）的假設下，以及小|H|通常意味著合金元素的高溶解度，可以繪製H-TS平面，以闡明在TS的作用下H對於高溶解度的延伸。組成原子溶解度的延伸使HEAs形成單一的簡單的單一晶格（UL），就像在元素中發生的一樣。 UL是任何高熵合金（HEA）的特徵晶格，具有高的晶格失真效應，緩慢的擴散效應，以及混合效應1以及單個UL中的高緻密點缺陷。高晶格畸變效應起源於UL中原子尺寸的較大的範圍。組成原子的擴散作為整個UL的擴散給出緩慢的擴散效應。因此，UL是HEAs的DNA;結果，他們顯示雞尾酒效果。 如果考慮到環境的因素，HEAs與環境的關係如何呢?，這便是要由環境的能量循環系統出發，由於人類二氧化碳氣體排放導致的氣候的變化，所以科學家試圖通過氫能源使用，太陽能，風能和生物能，地熱，潮汐和海洋熱轉換等綠色能源技術來減少二氧化碳氣體排放。在這些技術中，氫能源使用是一種有效且方便的技術。氫氣可以儲存為高壓氣體，或者是液化，形成碳水化合物和金屬氫化物。一些研究例如ThH2，HfH，稀土氫化物MH2（M = La，Ce，Pr，Nd和Sm），金屬氫，LaNi5，FeTi， Ti-Fe-V-Mn，LaNi4.7A10.3 ，Mg2Ni，FeTi和LaNi5，MgH2，Ti0.95Zr0.05Cr1.2Mn0.8，點缺陷NbCr2，TiVMn，Mg2Ni，TiVFe，有機氫，金屬和合金氫化物已被廣泛探索及研究，最近由於金屬和合金氫化物由於其安全性，低成本，無毒排放以及高儲存量和良好的吸收和解吸性能，合金氫化物被認為是儲氫的良好方式之一。例如，LaNi5是一種很好的商業存儲材料。最近研究金屬氫化物系統逐漸成為一種發展趨勢。 H吸收和放出的動力學以及循環週期也吸引了眾多的研究者，令人驚訝的是HEA滿足了存儲H的大多數要求條件，一些傑出的研究已經指出了CoFeMnTixVyZrz，其他如TiVFeZr ，ZrTiVCrFeNi ，TiZrNiMoV 和TiVZrNbHf 可以吸氫，這類研究中的合金與Zr密切相關，本文將詳細介紹最新HEA吸氫的研究，C14-CruFevMnwTixVyZrz 合金吸氫。 關於吸氫的效率研究，有一個很鮮明的比喻，如圖4，高壓儲氫是最有效率，然而必須冒著高壓瓶儲存的風險，相較下金屬吸氫安全多了，然而面對的問題則是那一種金屬容易吸氫和放氫。 檢驗吸氫的能力，可以利用壓力-濃度-溫度PCI曲線和vant Hoff曲線（LaNi5）來判斷，如果固體金屬吸氫，是將氫原子儲存在金屬原子之間的空隙中，如圖5所示，容易吸氫並不代表容易放氫，所以仍要經過各種測試曲線。 圖5:金屬結構（固體），在金屬原子之間的空隙中具有H原子，壓力-濃度-溫度PCI曲線和vant Hoff曲線（LaNi5） 圖6說明各種儲存氫原子的方法，和純金屬vant Hoff曲線，對人類而言1~10大氣壓，與0~100℃才是合金適合儲存氫原子的範圍，如紅色方框所示，Van t Hoff equation是一個用於計算在不同溫度下某反應的平衡常數的方程，方便分析吸氫能力，而圖7說明氫儲存和PCI 曲線，(固溶)和(化合)相的生成，圖8說明AB2合金的vant Hoff線，如紅色方框所示才是合理工作範圍，適合的AB2合金也是不多。 在本研究C14-CruFevMnwTixVyZrz alloys中，我們設計實驗檢查對H儲存性能的影響，其中體積膨脹率 的研究，也是檢視的項目之一，如公式(1)所示，如果變化過大會容易造成化合物粉化，體積膨脹率 定義如下: 其中V，V0，a，c，a0和c0分別是H吸收前後的體積變化，吸收前的體積，（a和c）之後和（a0和c0）代表H吸收之前的晶格參數數值。 我們的PCI儀器，是Sieverts的H型吸收和放出測試儀，用於測試PCI曲線，如圖9所示，實驗過程是將鑄造態樣品粉碎成粉末，用於PCI和動力學測試。在測試之前，樣品粉末在400℃下活化2小時。在25℃，80℃和150℃下測試H-吸收動力學。 LaNi5H6作為PCI測試中的校準參考。在恆定溫度下以9.73 atm H2的起始施加壓力記錄動力學測試103秒。記錄wt％(重量百分率)， H吸收作為時間的函數。達到最大H吸收量的90％的時間定義為t0.9作為比較H吸收速率的參數。 將約40g的樣品放入0.2 atm Ar氣下的水冷坩堝中，並以420A DC電流在電弧熔煉爐中電弧熔化。每片樣品熔化三次，在相鄰的熔融過程之中，將樣品翻轉一次，以確保合金組分的完全混合。固化後，就可以得到鑄造態的樣品。所有合金樣品在1100℃均勻℃化過程24小時，並再進行水淬火。樣品的均質化溫度為900℃（在Ar氣體保護下，在真空電弧熔煉爐中製備鑄態樣品，均質化樣品在石英管中在1100℃製造24小時並進行水冷）。 將具有0.152nm波長的K1線的銅靶的Rigaku ME510-FM2 X繞射儀用於X射線繞射。對於20度至100度的2角，操作條件為30kV和20mA，掃描速度為4o / min。根據標準教科書中描述的方法從XRD圖案，計算獲得晶格參數，從XRD獲得的晶格參數用於檢查晶格的體積膨脹，如公式（1）所示。製備鑄態CruFeMnTiVZr，CrFevMnTiVZr，CrFeMnwTixVZr，CrFeMnTixVZr，CrFeMnTiVyZr和CrFeMnTiVZrz（分別指定為Cru，Fev，Mnw，Tix，Vy和Zrz，其中0u，v，w，x，y，z2）在真空電弧熔煉爐中的水冷Cu模具中。設計和樣品之間的成分偏差在2％以內。 因為實驗結果非常多，有興趣的讀者可以參考論文，本文只列出幾項研究結果當作示範說明，透過XRD測試在（鑄造態和壓碎）之前和之後（as-H-吸收和-吸附）氫吸收之前的晶格結構和晶格參數。圖10顯示了用於鑄造態和吸收H的CrFeMnTiVZr的C14 Laves的XRD圖案。在圖案中可以看到較少量沉澱物的BCC較弱的圖案。圖形的峰值偏移可能是由於吸H與放H後保留氫的晶格畸變。從H吸收後的體積變化分析，塑性變形並不是峰值位移的主要因素，晶格保留部分H原子才是峰值變化的主要原因。 圖10: XRD測試結果，之前和之後的晶體結構沒有改變。例如，Cr = 0, Cr= 0.5就像相同C14 Laves 而圖11顯示了用於鑄造態和吸收H的CruFeMnwTiVZr的C14 Laves的XRD圖案。在圖案中可以看到較少量沉澱物的BCC較弱圖案。圖案的峰值偏移可能是由於吸H與放H後保留氫的晶格畸變。從H吸收後的體積變化分析，塑性變形並不是峰值位移的主要因素，晶格保留H原子，才是峰值變化的主要原因。 圖11: CruFeMnwTiVZr 的XRD測試，之前和之後的結構不會改變。例如，Cr = 0, Cr= 0.5就像相同C14 Laves 其中（H / M）eff分別表示每單位氫化物配方中H的儲存和有效的氫吸收，其定義為在PCI測試後最大H吸收減去保留的H。減少吸收比（DAR）定義為（H / M）eff /（H / M）max。 PCI結果表明隨著溫度升高（H / M）max減小，DAR增加，最大平衡壓力增加。隨著溫度升高，DAR增加是因為H原子放出反應是屬於吸熱反應。當溫度升高時，合金的H吸收等溫線似乎向左上方移動，表明隨著溫度升高，最大H吸收下降並且平台壓力升高。動力學曲線表明，隨著晶格參數的增加，t0.9和平台壓力均下降。由於Zr，Ti和V的原子尺寸分別為1.60，1.47和1.34，並且對於化學計量CrFeMnTiVZr計算的平均半徑為1.37，因此添加更多的Zr和Ti會增加合金晶格的間隙，使得t0.9和平台壓力隨著Zrz中的z和Tix中的x的增加而減小。 圖12: CruFevMnwTixVyZrz合金，顯示了Hcal以kJ /摩爾對（H / M）max的原子比的曲線圖。為了比較中的數據也顯示在該圖中。值得注意的是，本研究中的數據點位於AB2合金的相同區域。從該結果可以看出（H / M）max與這些高熵合金的氫化物形成焓有緊密的關係。 圖13列出了CruFevMnwTixVyZrz合金，V/V0氫吸收後的體積膨脹與x比率關係圖，透過不同的比例，我們能精確量出V/V0，這對合金吸氫壽命能有更清楚的掌握。本研究中的合金及其氫化物具有相同的C14，使合金的循環壽命更長，這個研究表示Ti和Zr是吸收H的元素，而其他四種元素是AB2中的H-放出B元素。 Ti和Zr升高（H / M）max，而Cr，Fe和Mn降低（H / M）max。儘管V是AB2中的B元素，但合金中的V含量對（H / M）max沒有顯著影響。（H / M）max（Fe0,5, 0 ℃）等於2.23wt％，而（H / M）max（Zr2, 5 ℃）等於2.17wt％。 （H / M）eff（Fe1.5, 80℃）與（H / M）eff（Zr0.5, 5℃）相似，為1.14 wt％。高熵合金（H / M）max的主要控制因素是氫化物形成焓，而不是形成合金本身的熵，如傳統合金中的情況。本研究顯示了從TiVFe開始將合金從四元素到七元素的合金生成圖，說明Zr是這類高熵合金H吸收的最重要元素。而PCI中的平台壓力和t0.9都取決於合金晶格的晶格參數大小。晶格參數越大，間隙空間越大，平台壓力越低，t0.9越小。 在這個CruFevMnwTixVyZrz高熵合金儲氫的研究中，毫無疑問地多元素或高熵合金（MCA或HEAs）的發明是合金歷史發展的里程碑，而且所使用的CruFevMnwTixVyZrz合金在H儲存之前後均為C14 Laves相，合金C14 Laves的相結構並沒有改變，而且經過XRD量測，還得到了體積變化率V/V20.3％的事實，這意味著CruFevMnwTixVyZrz合金比LaNi5能夠更有效地抗粉化，使用上能夠有較長的週期，最大H儲存量是取決於H存儲期間的焓變化，晶格空間越大，H吸收和放出速度越快，Fe0具有最佳的有效H吸收能力，在5oC時H吸收為2.23wt％，Fe1.5具有最佳的有效H-放出能力，在80℃時為1.14wt％，所以高熵合金除了具有許多優秀的電性，優秀的微觀結構性質，而對於能源的利用，本研究證實如果將HEA合金在H儲存依然有傑出的表現。

DIGITIMES Research分析師吳伯軒表示，隨著AI影像辨識應用發展漸趨成熟，近年已逐步落地至商用市場，例如亞馬遜（Amazon）的Amazon Go無人商店、美國沃爾瑪（Walmart）近期開張的未來商店等，都大量運用到AI影像辨識技術來創造智慧零售的新體驗。吳伯軒指出，在應用場景更複雜、辨識物件更多元的物聯網大趨勢下，AI晶片將降低過去高度依賴硬體堆疊運算力的方式，而朝多元的異構平台及強化AI演算法的方向發展。 2019年4月底於美國紐約近郊開張的Walmart智慧零售商店，裝置上千支AI影像監視器，能即時監控3萬多種類別的商品，一旦某項商品在貨架上無存貨，則會立即通知相關人員進行補貨。此外，AI監視器也兼負降低商品失竊率及減少人為疏失（如商品條碼未被掃描）功能。換言之，Walmart應用AI影像辨識動機是著眼提高營運效率，而非如Amazon Go創造的無人商店體驗。 值得注意的是，過去數十年半導體製程工藝持續演進，以撐起應用端不斷倍增的運算力需求，然基於物理性方式提升電晶體數量的摩爾定律終究會面臨發展瓶頸，再者，先進製程需要龐大的研發資金支撐，新興應用如AI影像辨識在變現能力尚未穩定之際，導入先進製程並不實際。 因此，要降低實際應用可能面臨運算力與經濟效益之間的落差，可能的方法之一是針對應用場景的不同，採取如GPU、FPGA、ASIC等不同的晶片架構。從短期發展觀察，GPU在AI深度學習與推理上較具有規模化商用優勢，然從長期演進而論，多種架構並存才是趨勢所在，這也是部分晶片大廠近年透過購併方式擴大產品線布局的主因之一。 另外，利用AI演算法如CNN（Convolutional Neural Network）先截取卷積層內的圖像特徵，以加快圖像辨識的運算效能，或是利用精簡指數運算來壓縮卷積，以降低對硬體的依賴，都是另一種「跨越摩爾定律障礙」的方式。再者，在智慧城市影像監控場景中，辨識的物件相對多且雜，利用堆疊AI演算法（利用OTA更新）要遠比堆疊硬體（架設更多監視器）的方式，更具經濟效率。

因網路高度普及與科技進步下，傳統的診療模式需要醫生與病患直接面對面的方式也隨之產生變化。新科技提供的醫療服務平台與感測連結設備，遠距醫療讓「家庭醫生」成為線上在宅看診的個人醫師，而病患未來也不再侷限於單一定點（如醫療機構）求診，醫療業務未來可望由實體的醫療機構朝向虛擬醫院發展。 台灣目前已開放失能或外出不便族群的居家醫療服務，但從醫院角度來看，現有門診量多已達到飽和階段，而到府診療需從有限的醫療人力分配到新設立的醫療團隊外出訪診，目前僅有少數大規模醫院有人力可協作此一服務，因此受惠病患有限。 DIGITIMES Research分析師杜爭璟表示，未來如能擴大遠距醫療服務範圍，將非急重症疾病或慢性疾病的醫療需求移轉到線上醫療服務平台，應可滿足該族群的就醫需求、紓解醫療人力缺口。 杜爭璟指出，遠距醫療服務是將虛擬醫療與現實大數據資料庫結合，產生新的服務／運作模式，提高醫療可近性、降低醫療成本，而這些效益在開發中國家與弱勢族群的影響更為顯著。目前中國大陸、印度市場對於遠距醫療服務的接受度與服務提供也相對多元，而在醫療體系成熟國家的智慧醫療起步雖早，但因保險給付未能納入遠距醫療及隱私疑慮未能釐清下，新服務的推廣相對較為緩慢。 此外，遠距醫療所建立的新模式，在成長茁壯之際也需搭配明確的規範，才能夠讓產業蓬勃發展，例如明確的醫療法規、特種個資的交換安全性規範，諸多政策需要政府相關單位以專責單位統一負責，才能鼓勵相關廠商的創新開發與產品推廣。

人口老化是世界各國面臨的共同問題，預測2020 年將有13 個國家步入「超高齡」社會，也就是65 歲以上的人口，占20%的老年人，雅稱銀髮族。而台灣依107年3月內政部統計65歲以上人口約14.05%，正式進入高齡社會，8年後將為20%，進入超高齡社會，且人口不再成長，並逐年減少。預估2025年為2,330萬人，但全台有75％的老年人至少罹患一種慢性病，50%以上的老年人同時罹患兩種或多種的慢性病，而從高齡人口組成來看，台灣失能老人約占高齡人口的16.5％，83.5％的多數老人是健康或亞健康狀況，大部分依然身體健康、活力十足，然大多數待在家中的，少數外出，其所發生跌倒或其他意外屢見不鮮，此在在顯示高齡需要服務與照護的需求。 台灣自殺死亡率卻逐年上升。全國自殺防治中心，65歲年長者自殺死亡率更高於一般人2倍，去年自殺身亡者，有1/4都是老人。老人自殺族群特性包含自殺意圖強、很少透露出自殺想法或計畫，且很多都是獨居者，加上可能原本就有身體疾病及身體脆弱，導致老人時不易存活。一旦老年人嘗試自殺，身亡的比例很高。衛生福利部心理及口腔健康司表示，老年人可能因身體狀況不好、獨居、沒有親人陪伴、缺少社交生活、經濟狀況不好萌生自殺念頭。老年人罹患憂鬱症風險也高，症狀可能包含不願意走出家門、話變少、活動力變差、睡眠不好，但可能被誤認為是正常的老化或身體不舒服，忽略是憂鬱的警訊，沒來得及介入就可能發生自殺憾事。可否依智慧型居家照護裝置設計，是讓銀髮族能有平安愉快的每一天。但每個家庭裡的銀髮族情況不一樣，健康與亞健康的日常生活可以自主，且可自己外出；有些需陪伴，如沒人幫助就無法自行外出，故應開發養老服務與照顧型機器人，以彌補人力不足。 現今老人的問題是工業社會變遷下的議題，其主要源自於家庭照顧功能的式微，因自古以來國人講求孝道，現今要侍奉父母已逐漸消失。因現在工商業社會的結構，子女隨著工作遷移，子女與父母相離太遠，互為照顧就打破傳統的孝道理念。所以現在子女在處理老人照顧的問題，較傾向採取聘請專業人員照顧的方式。但請人照顧，費用對一般領薪家庭恐負擔不起。 由於銀髮族在生理上如聽覺、視覺、運動能力等下降；認知行為也產生變化，如記憶力衰退、空間認知能力下降和持續注意時間縮短。因此，對應的產品開發需同時考量高齡族群在生理影響和認知影響的因素，進行產品開發。基於此,，徐震(2007)研究指出「需要被照顧的老人」依健康狀況分為三類： 指退休後無工作者，他(她)們可以自行照顧本身的飲食起居，但依其行動上可分下列三種情況， 行動自如，上下公車不用別人攙扶者；使用手杖，上下車輛有些勉強者；使用雙手推車，行動顯出困難， 但言談仍可應付者。 失智不單純只有記憶力減退的狀況，還會出現語言能力、空間判斷、計算能力、注意力、抽象思考能力等各方面的認知功能退化，還可能有情緒上的改變，甚至出現幻覺、妄想等症狀。照護失智症患者應拿捏照護患者的尺度，多鼓勵患者參加喜歡的活動，多一點陪伴增加人際互動的機會，才能延緩失智症的退化。 失能情況不一，一般依照顧實務工作分為輕、中、重度三類，照顧工作仍以飲食、起居等為主，輕度者仍可下床，靠輪椅推行；中度者處處須人扶身；重度者臥床不起，翻身為難。 基於上述三種需服務與照顧的老人，日常生活活動與技術性活動失能比重高，發展支援產品，協助老人生活所需的機器人，因此，須有多樣化的發展，除了幫忙取物、搬運，也提供遠距照護、影音娛樂等功能。另外，服務行動不便者的醫療照護也是主題之一，如可協助患者上下輪椅、行走復健等。除此之外，也有提供生活陪伴的機器人，可減輕照顧者與病患壓力，也提供心理慰藉、協助病患更加放鬆。「照顧」是一個複雜的動態過程，不僅是一個強調生理與身體需求滿足的勞動密集工作；情緒支持、提供友誼，甚至是人際溝通等面向， 亦屬照顧的重要內涵，而「理想型照顧（good care）」須有五個特質，如交談、愛、特殊化、耐心以及陪伴關係，此為設計服務與照顧老人的基本要求。 因此，各國研發生活服務與照顧機器人大致方向，為智慧科技政策與執行方法、智能科技在醫學、復健醫療領域的應用、智慧科技在日常保健、運動檢測的運用、助老與助残機器人研究等研發。日本是一個積極投入照顧機器人開發的國家，2012至2014年制定「照顧機器人利用重點領域」，如轉移位、行動、排泄、失智症照顧及沐浴。 照顧機器人，在世界衛生組織（WHO）2001 年 頒布的「國際健康功能與身心障礙分類系統將它分三種類型的照顧機器人： 提供行動相關與自我照顧相關服務。例如Robear協助高齡者行動相關的日常活動，如轉移位或步行，但無法協助進食。 一般來說，監測型機器人主要用以監測高齡者健康資訊與安全狀態，但一些具有臨場遠端功能的監測型機器人，不僅可監測高齡者安全狀況，子女或照顧者亦能藉由影像的即時傳送，表達寒暄問候與關懷，螢幕也能播放相關健康復健活動，增進高齡者生活趣味性。 另也可依服務與照顧型角度劃分為智慧機具和機器人兩類，第一類智慧機具分為(一)自助型為健康銀髮族輕度失能者，可直接使用而，不需要他人幫助的機具，如智慧輪椅掃地機器人等；(二)他助型為中度、重度失能老人，而需要他人協助才能使用的機具，如智慧型床墊、智慧喂飯機等。第二類機器人分為(一)單功能機器人，係指為銀髮族比較常見而需求、量比较大的，研發的機器人 ；(二)多功能機器人，係指對銀髮族多項需求項目研發的，其兼具多種功能的機器人；(三)全功能機器人，係指能满足銀髮族生活照料、醫療護理、文化娛樂、精神慰藉等全方位需求的機器人。 未來的服務與照顧型機器人產品一定要運用具有電腦視覺、語音識別、統計運算、人臉與物體辨識、能陪伴人類生活、提供事務服務等功能的人工智慧，載入到資通訊裝置，以解決因人力不足、耗時、全天候照護等問題，設計出人機互動的銀髮族居家安全環境。觀察銀髮族居家行動，可將導入依智慧型照護概念。因此，家用服務與照顧型機器人應有監功能，不僅從事家政服務，也能進行智慧的人工對談，提供情感關懷交流，獲得心靈慰藉紀錄生活關鍵的事，並可經互聯網與相關人進行聯繫，一旦發現生活或行為異常，就能主動向監管相關人員發出訊息，以確保安全。另也應具有提醒功能，如提醒慢性病患按時服藥。研發銀髮族服務與照顧型機器人，代替人照顧，可以有效减輕家庭和社會負擔，有效化解養老護理人員嚴重匮乏的壓力，才能，真正實現老有所養，此方面具有很好的潛在市場。但須每個家庭都能負擔得起，是此類型機器人普及的重要指標，日本將會率先實現「人手一台機器人」的生活。 1. 必須安全人機互動須有四個安全標準如監控停止、控制速度、分離距離及力量和力量限制，除了在機械和電氣性能及遙控不受干擾、也須防個資外洩。 要具有較長使用年限可比照家電使用年限至少十年以上，因銀髮族接受新的事物及機具比年輕人慢，一旦熟悉機具要更換往往會出現情緒問題，如以餘命為85歲，銀髮族65歲開始使用服務與照顧型機器人，機器壽命應在20年較佳。 最後應關注，人類關切的未來機器人對人的安全倫理問題，依循以科幻小說家以撒艾西莫夫（Isaac Asimov）在他的小說中，為機器人設定的行為三個法則，第一法則機器人不得傷害人類，或坐視人類受到傷害；第二法則除非違背第一法則，否則機器人必須服從人類命令；第三法則除非違背第一或第二法則，否則機器人必須保護自己。基於此1967年日本召開了首屆機器人學術會議，將第一法則定義了機器人的特性，如移動性個體智能性、、通用性、半機械半人性、自動化奴隸姓等是機器人的基本特徵；第二法則定義了機器人的基本結構，其認為機器人首先要具備腦、手、脚三個要素，感測器具有人眼與、耳收發傳送近距離與遠距離訊號，且具有，平衡感、自在感的功能。提供進行研發服務與照顧型機器人參考。

自從中本聰提出比特幣(bitcoin)之概念後，區塊鏈應用於不同領域中，包括金融服務、政府服務、供應鏈、農業、製造業、能源及數位版權保護等，不少新創公司或技術也隨之產生，應用區塊鏈的安全特性，確保並驗證資料的完整性。在2008年，中本聰應用密碼學(cryptography)技術提出產生電子加密貨幣(crypto currency)之協定，並於隔年在位於芬蘭赫爾辛基的電腦上產生第個區塊(genesis block)。在在中本聰所提出之協定中，主要之概念為去中心化(decenterized)、工作量證明(proof of work)等。其中，去中心化的概念在於點對點現金交易方式，可以讓使用者直接傳送給另外一方，不必經由可信賴第三方機構，且可以防止雙重花費(double spending)。將網路時間戳記(timestamp)交易計算之雜湊值(hashing value)成為基於雜湊的工作證明鏈中，形成在不重做工作量證明之情況下無法更改的記錄。自從中本聰提出比特幣的概念之後，電子加密貨幣迅速發展，已有將近5,500種電子加密貨幣，其中包括比特幣[BC]、以太幣[Eth]、瑞波幣、比特現金、萊特幣等[CK]。其中，以比特幣[BC]與以太幣[Eth]的總值佔前兩名，然而從圖1與圖2中顯示，比特幣從2018年12月18日最高點價格以一個比特幣兌換19,188元(美金)，一路下降至2019年8月19日一個比特幣兌換10,315元(美金)；而以太幣也從2018年1月13日最高點價格以一個以太幣兌換1,448元(美金)，一路下降至2019年8月19日一個比特幣兌換193元(美金)。電子加密貨幣變成過度炒作的金融商品，比幣特從高點下跌將近一半，而以太幣更是下跌將近1/7。 雖然電子貨幣被過度炒作，造成暴漲暴跌，造成許多人的投資損失。然而區塊鏈技術對於不同領域之創新應用仍具廣大的影響，目前關於區塊鏈技術的研究可以在很多領域找到，以下我們將探討區塊鏈主題與相關應用，包括區塊鏈技術的屬性與機制。 區塊鏈是一個鏈接的區塊，其中當前區塊儲存前一個區塊的雜湊值，依此類推。再者，這些區塊按時間順序排序(ordered)，而且區塊鏈本質上是不可改變的，如果要對先前記錄的區塊進行任何更改，必須更改該點開始的區塊鏈中的所有區塊。 因為區塊鏈具有這種不可改變的屬性，使得區塊鏈可成為數位帳本。區塊鏈有幾個基本性質，且不需要第三方服務。區塊鏈使用公開的分散式資料庫，每個使用者都可以存取該資料庫。資料庫中的資料與歷史記錄儲存在公開帳本中，且此帳本不受個人或組織控制。換言之，使用者可以自行驗證交易或提交到資料庫的項目。 區塊鏈可以提供的安全性，包括資料的完整性(Integrity)與可用性(Availability)。 (1) 完整性：區塊鍊是一系列鏈接的記錄(log)，按照某種時間順序排列，且具有不可改變的屬性。 (2) 可用性：區塊鏈提供一個分散式計算環境，可以大規模複製料，每個節點通常儲存相同的資料，避免單點故障。 隨著區塊鏈技術的廣泛用，新的商業模式陸續被提出，帶動企業與政府的轉型，顛覆現行的運作體制。 (1) 政府服務：區塊鏈的潛在用途為政府提出許多問題，包括如何實施實際的政府服務，各國政府正在研究並評與估區塊鏈對治理、信任及透明度的影響。區塊鏈應用帶給政府一個重大問題，在這個技術時代的作用，區塊鏈是否可以在某種程度上取代政府權力與法律的執行。目前，多國政府正在探索利用區塊鏈提高公共服務質量與速度。然而，這些服務大多數涉及公共性質的交易與資料，如奧地利出現世界第一份在區塊鏈上的結婚證書，但根據奧地利法律，必須使用實體文件規範法律地位與財產分割。另外，根據2018年的統計，在美國內華達州里諾的瓦肖郡(Washoe)，有超過950件登記在以太坊(Ethereum)區塊鏈上的婚姻紀錄。製作傳統的結婚證書通常需要10個工作日，而基於區塊鏈技術的證書只需不到24小時，因此使用區塊鏈技術縮短大量的時間。而內華達州另一個郡埃爾科(Elko)，也一直在測試將區塊鏈技術應用於記錄出生證明。臺灣政府在2018年宣布智慧政府計畫，其中一項要透過區塊鏈技術介接各個政府機關的資料庫，也包含數位身分識別的建立。雖然區塊鏈技術為政府服務帶來一些革新，可能會降低人事成本，或時間成本，進而提升政府服務品質。雖然相對也可能帶來一些法律或道德層的議題，可能造成無法可管，或是法律已經不適用。 (2) 金融服務應用：目前大部份金融業務仍仰賴人工處理，造成效率不彰與提昇成本。如果是涉及跨行或跨地域的交易時，更需要中間機構處理相關資料。應用區塊鏈技術，不僅可以維持交易可靠性，更能縮短作業流程。以目前金融交易或金融商品的交易，如匯款、轉帳、買賣股票、買賣債券等，皆必須經過第三方金融機構的認證才能進行交易，金融交易或金融商品的交易受限於金融機構的作業時間。因此，如有採用區塊鏈的交易平台可降低交易時間，不需要配合金融機構的作業時間，交易雙方可以隨時進行金融交易或金融商品的交易。日本全國銀行協會(Japanese Bankers Association，簡稱JBA) 致力於開發通用區塊鏈平台，主要目的在於日本銀行以區塊鏈進行匯款等銀行主要業務，也獲得日本金融監管機構金融廳(Financial Services Agency，簡稱FSA) 與日本央行(Bank Of Japan，簡稱BOJ)的支持。該協會料將負擔各家銀行在其平台上進行區塊鏈系統測試的成本，讓小型銀行和金融機構亦能探索區塊鏈方案。與現有即時轉帳成本相比，採用區塊鏈系統可節省高達90%的轉帳成本。2019年，發卡組織Visa[Visa, 陳端武19]推出基於區塊鏈分散布帳本Visa B2B Connect的企業跨境匯款服務，協助金融機構能快速且安全地處理全球各地之間的大額跨境支付，鎖定1.5萬美元以上高額B2B轉帳。區塊鏈保險交易所的新創公司ChainThat[Chain, 陳碧芬19]運用R3 Corda區塊鏈技術發展保險交易平台，預計於2019年7月開始進行試營運，而瑞典區塊鏈新創公司ChromaWay[CW]也宣布與台灣Anue鉅亨[Anu]及區塊科技[區塊]合作開發數位身分識別，進而推廣智慧合約應用。 (3) 供應鏈應用(supply chain)：由於區塊鏈技術具有提供來源與過去持有之證明的能力，對於供應鏈數位化應用有相當大的影響，可以允許所有利益相關者，例如供應商、運輸商或客戶等，從開始生產、運輸及最終消費，能夠提供處理的記錄。2017年8月，Walmart與其它8家全球零售業與食品業與IBM合作共同開發區塊鏈技術於食品供應鏈上的應用，在供應鏈上之每個節點處理過程皆記錄在區塊鏈上，如農夫可以使用手持裝置在生產地輸入資訊。Walmart規劃應用區塊鏈技術加速食品安全的辨識，要求其所有供應商都要備妥相關應用系統。估計在導入區塊鏈應用之後，追蹤產品源頭的時間只需要2.2秒，皆具有不可改變的屬性。艾旺科技董事長陳立武在擔任物流協會理事長期間，發現臺灣傳統物流業許多痛點後，開始投入智慧物流區塊鏈平台建置，並跟昶捷物流[昶捷]、洪福通運[洪福]合作。德國知名的豪華汽車品牌梅賽德斯 - 賓士 (Mercedes-Benz) 與美國提供合約管理的軟體公司Icertis 合作開發出基於區塊鏈技術的平台，旨在提高複雜供應鏈的透明度和可持續性。 (4) 物聯網應用(Internet of Things)：城市化已成為各國人口發展的趨勢，隨著人口的日益集中於大城市，將帶給大城市帶來額外的壓力與需求，並使得管理基礎設施與政府服務方面需要變得更加智能，以降低成本並提高效率。因此，全世界各地方政府首長莫不花費心思將物聯網應用管理基礎設施與政府服務方面，希冀能為民眾提供更有效率與品質的服務。然而，確保物聯網中傳送之資料與通信的安全為發展其應用的重要關鍵。在2019年與 COMPUTEX Taipei（台北國際電腦展）同期舉辦的亞洲指標新創展會-InnoVEX會議中，荷蘭恩荷芬市（Eindhoven）市長 John Jorritsma，分享智慧城市施行與科技導入的實務經驗，而IOTA 基金會共同創辦人 Dominik Schiener 分享區塊鏈分散式帳本 Tangle 技術，在物聯網、車聯網及智慧城市的應用進行。許多企業也紛紛針對物聯網發展不同區塊鏈技術與成立產業協會，思科(Cisco)[Cis]成立信任物聯網聯盟(Trusted IoT Alliance)，利用區塊鏈基礎設施保障並擴展物聯網生態系，應用於不同的產業中，包含物流、保險及製造等。另一個很早就應用區塊鏈技術於物聯網發展的大型企業為IBM，提供與物聯網裝置結合的私人區塊鏈解決方案，初期目標鎖定在供應鏈物聯網解決方案。在通訊服務供應商中，ATT於2018年底推出一套ATT IoT區塊鏈服務，提供一套專門為產業而作的物聯網解決方案，將ATT的連接網路與物聯網解決方案結其他合作夥伴的區塊鏈解決方案。此外，根據趨勢科技全球技術支援與研發中心研究指出，在物聯網安全事件中，分散式阻斷服務(Distributed Denial of Service，DDoS) 攻擊會同時影響多台物聯網，使用區塊鏈確保與其他裝置通訊的安全。 (5) 智能合約(smart contract)：智能合約的概念由密碼學專家Szabo 提出，使用電腦化的交易協議執行合約條款。換言之，將合約條款轉換為程式邏輯，當合約條件成立時，便自動履行合約。而智能合約為區塊鏈 2.0 的核心，以太坊協議引入使用底層區塊鏈技術執行智能合約的能力。智能合約是數位合協，由於使用區塊鏈技術，無需第三方協助。PROPY應用智能合約驅動，據地區法規執行房地產交易，允許經紀人、買家、賣家及代理人/公證人在現有的法律框架下使用私人密鑰簽署交易，爲全球房地產行業創建新的房產交易與資產轉讓平臺，解決全球化房地產交易所面臨的問題。另外，中國大陸優租房應用乙太幣區塊鏈的智能合約來保障房東房客雙方。另外，要考慮的是法律層面，要思考智能合約是否具有法律效力。依據我國電子簽章法第 4條的規定，「經相對人同意者，得以電子文件為表示方法。」，契約內容透過智能合約內建的程式碼呈現時，可以依據現行的傳統契約法原則。 目前區塊鏈技術已應用於不同產業中，如政府服務、金融服務及供應用鏈應用等。未來，區塊鏈應用之演變將分成不同階的發展，包括信息共享、數據解決方案、關鍵基礎設施及完全分散的系統。然而，有時候法律也應隨著技術發展適時調整，以符合新的應用。

常言道：「人有悲歡離合，月有陰晴圓缺，此事古難全。」四季有春夏秋冬的更迭，人有生老病死的過程，這是大自然的定律，無可改變的，話雖如此，自古以來，人們仍都在追求長命百歲，透過不斷的發展醫療科技、提倡養生飲食與生活作息，人的壽命確實有顯著的提高，但延壽不一定能健康，因此能活得「健康快樂」已是目前現代人追求的目標。 「預防勝於治療」這句話相信許多人都耳熟能詳，但是大部分的民眾對於「預防醫學」的概念仍一知半解，常忽略許多疾病是可預防的，因而導致無法即時診治，進而賠上了自己的健康，尤其是在心血管方面，導致心肌梗塞近四年間又增逾萬人，而且每八名患者就有一人是未滿五十歲。因心肌梗塞猝死時有所聞，宛如「無形殺手」。根據衛福部統計，2015年心肌梗塞就醫人數3萬7718人，成長到去年的4萬8639人，增幅超過三成。 台灣的前十大死因中，「心臟疾病」與「腦血管疾病」皆位居前三名，世界衛生組織（WHO）日前宣布，2020年全球的死亡頭號殺手就是心血管疾病，主要發生原因都是由血管壁變厚或血管內發生阻塞所引起的動脈硬化。動脈硬化是個人隨著年齡增長都會產生的現象，但發生的個別差異非常大，它的發展和每個人的生活習慣息息相關，例如飲食習慣、肥胖、運動不足、壓力、煩惱等等，也和高血壓、糖尿病、高脂血症、高尿酸血症等疾病有關，為了避免演變成重大疾病，早期發現早期治療是有必要的。 為了健康到醫院，生病看醫生是我們常有的習慣，但我們想想，了解自己身體的健康狀況一定要去掛號看醫生嗎? 為我們健康把關一定也要去醫院嗎?，拜現代資訊與科技之賜，在健康照護方面，我們將有另一種選擇，這也將改變生活型態的一種。 有鑒於此，本文將基於預防醫學方法提出一套可比擬醫院等級的「心血管AI量測儀」(如圖1) 作為智慧居家照護之需求，其運用物聯網科技結合先進科技之心血管AI量測技術運用於雲端健康照護服務與模式，讓消費者能夠於居家環境以最人性化的操作使用方式，做好心血管之預防保健，使用者只需經兩分鐘量測，「心血管AI量測儀」即能提供12項最專業而全面的心血管健康管理解決方案，並讓一般遠距健康照護機制有了另一種服務型態，將可提供遠距智慧醫療規劃與方案選用之參考。 預防醫學的概念主要含蓋了促進健康、減少疾病、早期治療與避免失能，並從健康飲食、運動觀念的推廣，以及施打疫苗、健康篩檢與追蹤等方式著手，這些都是預防醫學的範疇，其目的是希望平日良好的自我健康管理，在早期以相對較少的成本，可幫助來減少未來許多更嚴重疾病的發生或惡化，在科技的進步下，讓醫療與科技的結合可以應用在平時的生活保健，使得「智慧居家照護」近年來逐漸被重視，在預防重於醫療的普遍觀念，藉由整合醫療照護與科技技術，讓智能家居可應用於照護領域。 中風與心肌梗塞是現代社會的一種常見疾病，它是大腦血管的栓塞或出血產生，導致腦功能障礙的血凝塊，而引起生命危險。其中急性心肌梗塞可說是奪命殺手，即使血管只有20%、30%的狹窄，也可能在某個時間突然瘢塊破裂、血栓形成而阻斷血流，一旦心臟因缺血或缺氧壞死，就會造成致命性的心肌梗塞。要預防這突如其來的殺手，最好定期做健康檢查了解自己的心血管健康情形，並遠離危險因子。而心血管的疾病的發生，與年紀有很大的關係，年紀愈大，發生的機率愈高，尤其是天氣一變冷，很多老人家的身體來不及適應，心血管疾病就容易發作，若能透過平時量測紀錄，使用者可以更了解自己的心血管健康狀態，發現身體異常狀況如心律不整等，也能及早就醫檢查生理狀況。 當面臨中風的風險時，大多數人傾向於首先測量他們的血壓;然而除高血壓外，血管動脈粥樣硬化和彈性喪失也是導致血管狹窄或破裂的原因。另外，在血液透析患者中​​，長時間的針刺也會降低血管彈性，從而導致血液透析的血管通路狹窄增加和血液透析無效。 如果放任動脈硬化不管，則發生腦出血、腦梗塞、狹心症、心肌梗塞或阻塞性動脈硬化症的機會，比正常人高出數十倍，因此凡高血壓、高血脂、糖尿病，以及抽菸、肥胖者或是四十歲以上等動脈硬化的高危險群，最好定期做動脈檢測，及早預防、治療，也可多做運動降低硬化指數。 透過各項檢查篩檢疾病，絕對是建立身體健康防護的第一防線，就預防醫學的角度來說，醫生的主要工作就是看這個人可不可能生病，而檢查就是科學化的透過儀器檢測，幫民眾評估生病的可能性，或是否已有心血管疾病的跡象。其檢查項目包含：心臟超音波、靜態心電圖、運動心電圖、24小時心電圖。 不必先跑醫院！在家用手機就能做心血管初歩篩檢是未來居家照護的情境，這些檢查除了花費大筆金錢外，也耗費時間排隊進行各項檢查，如今拜物聯網與資訊科技進步之賜，加上雲端大數據演算應用的普，使用者可以佩戴穿戴式裝置，輕鬆達到自主健康管理與預知可能的風險，協助使用者達到居家照護、自主治療，以降低醫院的人力負荷，提升醫療品質。 除此之外，因忙碌而無瑕就醫或就醫不便之患者、或是心臟症狀發生的頻率間隔太久，為了抓住心臟捉摸不定、臨時發作的即時心臟狀況，在患者不舒服的第一時刻，記錄心電圖的數據及當下的狀態，透過穿戴式量測裝置及AI雲端智能分析將量測結果下載、分享等方式傳送給醫護人員或家人，不受時間及場所之限制，隨時量測隨時記錄生理資訊，讓居家照顧的可能變更大，實現在地老人化與智慧化服務。 「COMGO 心血管AI量測儀」乃是基於預防醫學理念，結合AI人工智慧與雲端物聯網科技，並融入醫學原理與電子資訊所發展的成熟產品，以夾測手指的方式採集「人體訊號」，測量出血流動力學及心電圖等數據，經由藍芽發送至手機，手機再經由4G或WiFi連結到COMGO雲端AI(人工智慧超級電腦運算工作站)，平台進行演算判讀，透過AI分析人工智慧將判讀結果快速回送到量測者的手機APP，讓原本複雜的線圖和數據，用親民的語言，告訴測量者的生理和心血管狀況，內容包括血管彈性、血管年齡、血管疲勞、血液濃稠、心律不整、生理壓力、生理疲勞等多元數據，並提醒使用者是否需要到醫院做進一步檢查治療，是目前針對心血管最先進的個人隨身型健康量測裝置，可讓使用者可提早掌握自己心臟與血管的健康狀態，讓異常者可及早就醫，以達到預防醫學目標；其整體運行架構圖(如圖2,3)。 「COMGO 心血管AI量測儀」是能讓穿戴式裝置與預防醫學接軌，甚至達到醫學級的量測，提供更大的醫學參考價值，其原理乃是以一種先進創新的方法來整合和分析從高解析SpO2和ECG傳感器測量的信號，透過指動脈的血流動力學的血管血液波動以檢測血管彈性和狹窄與硬化，以便推展各項分析相關心血管所呈現的狀況(如圖4)。因此「COMGO 心血管AI量測儀」是能同時採集指動脈(PWV脈波傳播速率)與第一導程ECG心電圖訊號，即時進行記錄與雲端AI分析(如圖5)。 備註：PWV(Pulse Wave Velocity)---稱為脈波傳播速率：指心臟打出的血液所產生的脈搏波動，通過血管傳到手與腳的速度，血管越硬則脈波的速度越快越沒有切跡點。故透過PWV的測定可以得知血管硬化的情形。 憑藉不必先跑醫院！在家用手機就能做心血管初歩篩檢的理念，「COMGO心血管AI量測儀」是把「手機」變成「雲端醫師診療室」的創新方案，是一種透過智慧型手機搭配COMGO心血管AI量測儀 就能檢測出心血管健康狀態，提供心律不整、血管阻塞程度等健康趨勢分析的新型檢測方式。 「COMGO心血管AI量測儀」係以迷你的攜帶型夾具型態呈現在尺寸和成本方面具有優勢，只有拇指大小、重量僅有24公克，輕巧可隨身攜帶並且允許患者記錄實時和長期血管健康狀態，相當便利與準確。可偵測心血管健康狀況與心律不整及自律神經狀況等生理資訊，更結合AI雲端演算，並同步連結雲端進行AI精準趨勢分析，分析ABI+PWV血管硬化狹窄狀況與心律不整等數據，在提早發現與預防醫學上與過去有很大的進步，達到每日隨時都能做預防醫學與預防保健的便利。 「COMGO心血管AI量測儀」內崁入四個感測功能裝置： ABI（Ankle Brachial Index）PWV（Pulse Wave Velocity）Detection Arteriosclerosis ABI：（踝臂指數）PWV（脈搏波速度）檢測動脈硬化 ECG Detection Arrhythmia ：心電圖檢測心律失常 Oximeter Detection SpO2：血氧計檢測SpO2 Heart rate variability (HRV) Detection Autonomic Nerve System：心率變異性（HRV）檢測自主神經系統 其量測的方法是對生理信號進行無創測量，可以快速分析血管的狹窄與硬化與心電圖異常檢測及自律神經平衡偵測，並進行長期記錄，量測者只要將一指放在夾具裡，另一指放在感測晶片上，放鬆安靜地等待短短2分半鐘，量測與分析資訊在手機APP呈現(如圖6)，便可立即看到生理資訊（血壓趨勢、心率、血氧等），以及心血管狀態（血管彈性、血管疲勞度、血液濃稠度、血管年齡、自律神經的壓力與元氣指數）等報告分析並提供使用者建議。收集的數據可由醫生分析，用於精準預防醫學與預防保健，如有異常可及早至醫院做檢查治療；也能將健康分析報告下載與分享給醫師得到更詳細的診斷，不必再大費周章開車出門，等待結果出爐或者醫師分析，以往在這些繁瑣的過程中使用者可能因為得要跑好幾趟醫院，降低進行檢測的意願而錯過治療的黃金時間。 「COMGO心血管AI量測儀」可量測分析與產出心血管相關的狀態資訊(如圖6)，包含： 2.「COMGO心血管AI量測儀」AI之智慧分析：其原理為透過指動脈檢測出血流動力學的血管血液波動的彈性： (1). 血管彈性：當人體熬夜或睡眂品質不好時，心臟與血管就無法得到充足休息，因此會造成血管彈性疲乏、血管阻塞及血管狹窄。 (2). 血液濃稠：人體血液中有70%以上是水份，水流失掉沒有及時補充水份或水份補充不足時，血液會變濃稠，血液傳送至五臟六腑的速度相對就會變慢也容易造成血管粥狀硬化與腎臟代謝失調，導致腎臟發炎，長期容易導致腎功能變差需要洗腎(血液透析)。 (3). 血管年齡：透過血管彈性+血管疲勞+血液濃稠，來計算出當下血管年齡，年齡越輕代表血管傳播的蠕動彈性越好。 (4). 心電訊號：透過單導層心電圖ECG(EKG)訊號紀錄後由雲端AI分析出：心律不整，早發性心房收縮、早發性心室收縮、心房顫動、心室顫動、心跳過快、心跳過緩、右束支傳導阻滯、左束支傳導阻滯、竇心性心律不整、心室性節律、心室性頻脈、竇心性節律暫停、陣發性心房性頻脈、左心室肥大、心房心室傳導阻滯、雙聯律心律不整、三聯律心律不整、電極導致等。 3.COMGO心血管AI量測儀」透過單導層心電圖ECG(EKG)訊號，可經雲端AI分析出HRV心律變異量測出： (1). 壓力指數：壓力是心血管的隱形殺手，當人緊張時肌肉也會跟著緊繃，造成血管蠕動彈性被擠壓，心跳也跟著出現異常變化，因此適當釋壓是有其必要的。 (2). 元氣指數：當人體正交感及副交感之自律神經失調或是因前晚睡眠不足或睡眠品質不良時，容易感到疲累進而加重心臟與血管的負擔。 (3). 心律：指心臟跳動的頻率，心臟每分鐘跳動的次數。正常人平靜時每分鐘60到100次，運動時心跳會加速，心肺功能較好的運動員會比正常人的心跳要慢。 (4). 有氧量O2：體內之血氧飽和度SpO2應在97%至99%之間。如血氧飽和度低90%，代表該人患有低血氧症，患者通常皮膚發紫。 伍、「COMGO心血管AI量測儀」之實際案例說明與專利獲獎 血管阻塞75%的患者，在執行心導管手術前後使用COMGO APG分析出手術前血管的動脈硬化進展為Type6，手術後血管恢復到Type5(亞健康族群)指標，如圖7。 2. COMGO心血管AI量測儀在醫院臨床試驗，所偵測出的心律不整(多發複雜性心室早期收縮)與醫院大型昂貴儀器檢測結果相同，醫院臨床直接出據診斷證明書，如圖8。 心血管的問題非一定發生在年紀大的長者，年輕人也會發生，一般人都是安排到醫院健康檢查才能被發現，以「COMGO心血管AI量測儀」來自我檢測提早發現，以才31歲年輕人為例，剛準備升官擔任企業副理，妻子懷孕雙喜時，不知道自己心血管有問題，原本還要跟同事去跑馬拉松，經過COMGO心血管AI量測後，發現在ECG實測中發現異常(如圖9)，隔日立即到醫院做檢查確認，如今開始要先吃藥抑制觀察，不行的話就要做心臟手術，因此早期發現早期治療才不會遺憾終生。 有關核心技術，如血壓、心律、血管彈性、血管趨勢、血管疲勞與血液濃稠..等的演算技術，已申請並已取得的國內外專利共計以下12項。 表1.「COMGO心血管AI量測儀」專利一覽表(資料來源：昌泰科醫) 表2.「COMGO心血管AI量測儀」獲獎紀錄表(資料來源：昌泰科醫) 「COMGO心血管AI量測儀」專攻心血管自我健康管理，並提倡用大數據以及雲端分析提供醫療養生照護，提升國人自我預防保健，主要針對心血管疾病的高危險族群，例如高血壓患者、有心臟疾病患者與老年人、壓力大、熬夜或睡眠品質不良等族群，可幫助使用者直觀且明確的了解自身心血管健康狀況，它是完美結合健康、人工智慧AI與雲端三大領域，為全球第一只AI心血管個人隨身裝置，在預防醫學上開創一個先機。 「COMGO心血管AI量測儀」將持續在醫院進行臨床研究，未來持續發展量測具有讓中醫科學化的血流動力學特徵，也讓中醫所述的氣虛(手腳冰冷)能有科學數據做為中醫師看診時的參考資訊，深化整合『雲端AI健康管理平台』的服務領域發展，目標將朝向個人、家庭、企業的健康管理，乃至於醫療、照護機構的臨床照護輔助應用，若未來能普及化，能有效防止心血管疾病而造成猝死的遺憾，相信未來在科技技術的推動下，還會有更多的發現提供改善人類生活品質的應用方案，在預防醫學上有更突破的發展。

根據現行人口之推估：2020年平均每4.4人負擔1名老人，20年後，平均每2人就要扶養1名老人，並於45年後，平均每1.2人就要扶養1名老人，如下圖 1。此人口結構的快速變遷帶來的高齡化社會長照問題，是未來將一起面臨的問題。除了預防、延緩慢性疾病發生，更可以善加運用資通訊科技整合，促進高齡者健康與生活品質，並結合智慧科技以強化服務，供應長者的需求。 2018年4月，內政部正式宣布台灣老年人口突破14%，進入高齡社會，預計2026年將邁入超高齡社會，老年人口更超過20%，我們更可發現2015年平均5.9名青壯年負擔1名老人至2065年後提升至每1.2名青壯年負擔1名老人，如下圖 1所示為國發會依我國現行人口推估得到之數字，世界各國已正視此現象造成的重大問題，並提出對應的解決方法，例如： 2013年6月日本首相安倍晉三將「照護機器人開發5年計畫」列入「日本再興策略」， 並編列預算將照護機器人發展作為重點補貼的對象，也將移動照護及移動支援等照護機器人納入進行開發。在這高齡化的時代，勞動人力的減少，將對提高銀髮養生、長期照顧、醫療照護的需求。然而各領域相關人力提供持續萎縮中，而我們未來也將分身乏術。在這樣的人口結構改變趨勢，為智慧照護產品帶來龐大商機，更吸引許多廠商與先進投入智慧照護領域。 高齡加上少子化，是全球共同的現況，台灣也不例外。在人力不足的現況，若能善用機器人，進行危險、耗體力、重複性或具規律性之工作或輔助人進行相關工作，就可以提升整體服務品質，並且讓人從事有溫度且專業的相關性工作，則是現今大家對機器人的期待。然而，小孩很喜歡機器人，所以利用機器人陪伴小孩教育小孩是很有機會成功；長輩陪伴目前用寵物是為了給長輩陪伴溫暖感，但是否有一個物品的表徵是適合長輩的，讓它成為智慧陪伴的一個載具，避免讓長輩認為機器人將要取代人的工作，而讓長輩產生排斥與恐懼感，這是目前相關技術致力開發的其中部分。 「機器人」一詞常讓人以為機器人是具有人的外型，可自動或受程式控制的機械。但其實機器人並不一定是人的外型。根據日本政府的定義，只要具有以下三種要件：感測裝置、處理裝置與動力裝置，就可以稱為機器人。例如：工廠中常見的機械手臂、Google的無人車、自主天空或水下載具。根據國際機器人聯盟(International Federation of Robotics；IFR)採用國際標準局（International Organization for Standardization, ISO）定義的分類與定義，機器人可分「工業機器人(Industrial Robots)」與「服務機器人(Service Robots)」兩大類。工業機器人主要運用在汽車、面板、晶圓等各種製造業廠房中，負責焊接、組裝、搬運以及包裝等；而服務機器人則比較偏向保全、伴侶、教育以及醫療照顧等方面。 根據國際機器人聯盟（IFR）對服務型機器人(Service Robots)分類，可分成家用型與商用型，家用型包含掃地機器人、照護、居家安全等；商用型則有農牧養殖、醫療照護、物流搬運、導覽等應用。 「機器人」源自於Robot 這名詞，最早出現在1920年捷克科幻作家卡雷爾．恰佩克（Karel Čapek）的著作「羅梭的萬能工人(Rossums Universal Robots）」中，原文是「Robota」，後來成為通行的「Robot」，是用來形容故事中虛構的機器人角色。Robota在捷克語中，是工人或僕人的意思。 現今我們認為機器人應為可程式化、像人一樣、具人工智慧。其可進行資料搜集、推理與決策、控制，並且透過感測器，例如：使用鏡頭的影像辨識來看（彙集資料），再透過大腦來進行判斷推理，最後做出控制，也就是採取各種行動或與人/機器人互動等。 高齡化狀況日益嚴重、人力匱乏的現況，亟需科技提供解決方案，因此其發展勢必將機器人能夠更普及於世界各地的家庭或環境中。 對大家來說，人工智慧早已逐步地落實在日常生活中。例如：機器人理財專員提供24小時的專屬服務、機場裡的自動通關服務、結合穿戴式裝置收集相關訊號，開發可偵測使用者壓力狀況，進而提供壓力管理的指導。 因此，在人工智慧科技日新月異下，機器人的應用也越來越多元化。近年來，機器人技術於醫療及健康照護領域之應用逐漸受到重視，例如：在醫療領域，外科醫師利用「達文西機器人手術系統」來協助開刀，讓醫師更精確地控制下刀，同時切口更小、失血更少，病患的恢復期更短；在健康照護領域，引進衛教機器人「Pepper」，於乳房醫學門診中心與其他科別進行衛教諮詢與復健教學，提供患者更專業和友善的醫療品質就醫環境；海豹型的Paro身上有許多感測器，會隨著與人聲及撫摸而擺動身體、張閉眼或發出聲音，以及可愛的臉部表情。 健康照護機器人(Healthcare Robot)是為健康監測或促進高齡者之身心健康及社會心理問題之機器人，依據功能可分為復健型機器人(RehabilitationRobot)及社交機器人(Social Robot)兩大類型[1][2]。復健型機器人為身體協助的輔助裝置，提供協助、讓使用者更容易執行物理任務，例如：外骨骼(exoskeletons)；社交機器人與人互動並且提供陪伴與改善日常生活，可再分為服務型(Service type)與陪伴型(Companionship)。 服務型機器人，主要以支持獨立生活有關，例如：協助飲食、沐浴、如廁或穿衣等，也提供家事服務協助與健康及安全監測功能等，服務型機器人產品的生態系不只有硬體製造，更包括了「平台與服務」；陪伴型機器人，主要為透過陪伴來促進生、心理健康並提高生活品質，例如：在日本照護中心常使用海豹型機器人Paro和機器狗Aibo來陪伴長者。 扮演著協助病患能夠康復的重要角色。復健機器人可以減輕復健師工作量，例如：其主要的功能為藉由機械的重複性與可靠度，來協助患者的肢體完成精確且重複的往返動作。透過外部動力透過機械結構與人體互動，達到強化訓練患者的局部肢體能力，並協助或輔助患者完成各指定動作進行復健。 提供肌力訓練與神經修復治療、多樣可擴充的歩態軌跡、遠端監控復健平台與虛擬實境回饋系統，操作簡易且價格合理的治療、非懸吊系統的專利型行走訓練設備、密集而安全的訓練、視覺回饋升級復健療程與遠端監控復健平台。 中風、不完全脊髓損傷、多發性硬化症、肌肉萎縮、神經病變所導致的行走障礙患者 醫療用下肢外骨骼機器人HAL(Hybrid Assistive Limb) HAL是靠電極感測神經脈衝，判斷人類想對手腳下達的運動指令，藉此驅動電動馬達帶動行動的一種穿戴式機器人，有全身型與下肢型，另有針對負重人員需要的腰部型，以機器輔助人類受力能力最弱的腰腿部位，可以讓人負重能力提高5 ~ 6倍。 它能輔助用戶行走，亦可幫助他們強化肌肉、提升行動力和平衡感。此款產品不是用來輔助搬運工作，而是針對行動不便者、傷患復健、運動訓練等訴求打造，依照使用需求區分為GEMS-H、GEMS-A、GEMS-K三種規格。 GEMS-H是輔助大腿以上肢體動作，協助使用者從坐姿站起，或是坐下；GEMS-A則是穿戴於腳踝，避免走路不穩的老人摔倒；穿戴在下半身的GEMS-K則用於進行身體訓練、復健等日常生活輔助。 與康復主機相連的手套充氣之後，手套內的感測器能夠感測病患手部細微動作後，直接根據螢幕上所選擇的治療運動處方移動，這樣一來，即便復健病患的手部無力自主運動，也能跟著機器一起復健，進而提升病患的復健參與度和成就感。目前復健系統分為兩個部分：循環訓練，提供患者抓取、多指分工點按、大拇指與各指之間互動、單指復健的訓練課程；分5個等級的功能性任務訓練，像是抓球、舉杯、倒水、拿筆點圖、拿取方塊小物等任務。 提供中風長者可自行使用，練習走路。老人可以扶著扶手，看著平板電腦畫面，循著畫面中的腳印一步步跨出，機器人會喊「開始」、「左腳」、「右腳」等，讓聲音和畫面慢慢引導老人向前走。 有機器人的陪伴與鼓勵，可愉快地練習步行。機器人會依每個患者的體重、步伐大小等設定復健課程(或由復健師)，管理每次練習的記錄。 針對行動不便者特別打造的Resyone照護床，可將床面直接拉出、分離，電動調整成坐椅狀態，患者完全不必移動身體，就可行動。亦可減輕照服員的工作壓力。 社交機器人因為具有社交互動的自主性，可以透過感測裝置進行觀察，透過處理裝置進行運算或尋找合適的回應對使用者進行互動。目前應用於非常多的領域，包括健康照護、零售業、飯店業、展場引導、飯店接待、教育業與銀行業等。 外型可愛，具有人性化的互動模式，專長是迎賓接待、產品解說、資料蒐集、集客與導購等。需要透過雲端更新與傳送相對應所需資料。 Aeolus機器人有兩大主要功能，「分別是fetch and deliver（拿取與遞送）、monitor and alert（監看與示警）」。舉例來說，Aeolus機器人可自動辨識架子上的物品，如麥片、毛巾、牙膏等等，並依照用戶從手機發送的指令，將物品放入籃子內，並拿到指定的房間去。 如果看到有人倒在地上，Aeolus機器人會自動判斷可能是老人跌倒或健康發生狀況，並向看護主動發出提醒簡訊。 依據企業需求，量身客製專屬各場域的Zenbo應用，例如：教育、醫療與商務等。透過SDK、程式玩家、語音編輯器和多樣應用程式，賦予高彈性的企業客製空間。我們另設計Zenbo商務管理系統，供企業自由搭配與選擇，創造各式各樣的場域應用。 凱比同學有雙手，目的是透過肢體表現、搭配豐富表情和 AI 人工智慧，與孩童拉近距離增加互動趣味性。凱比全身上下採用 12 個自主研發的 AI 伺服馬達，雙手加起來 8 個，頸部和底部輪子各有 2 個，另搭配 3D 動畫轉肢體動作技術，高度還原人類肢體表現，而其精細的控制速度、加速度、角度和扭力，也使凱比肢體動作豐富也更靈活流暢，實現多角度關節動作。 AROBOT INNOVATION CO., LTD. 隆宸星股份有限公司 「萌啵啵」，內搭有一個顯示螢幕，會即時顯示不同表情，輪子和小手可移動或是大秀舞技，透過螢幕也可呈現AR互動體驗。 「萌咘咘」，主軸在幼教陪伴，讓孩子能夠從小練習開口「說」，透過最佳中文化語音並搭載雲端資料庫，讓萌咘咘問題都可以得到解決，吵雜環境下的語音互動威剛科技同時配置降噪麥克風來做優化。 Palro 主要有互動溝通、娛樂活動、照相等功能。當 Palro 辨識到前方的物體為人臉時，Palro 會主動與其交談，並且能記憶 100 張不同的人臉，根據過去的聊天紀錄選擇話題，提供新聞、天氣預報等最新資訊。此外，Palro 會唱歌跳舞，帶領一群老年人進行團康遊戲、跳健身操。 PaPeRo Petit全長24公分，重量1.3公斤，並附有攝影鏡頭、麥克風及感測器。為了方便使用於家中或商店內等較狹窄的空間，NEC特地將機器人的外型縮小為測試機的一半。另外，由於把部分功能移轉到雲端，僅挑選必要功能放在機器人本體。是 2 項金氏紀錄的保持者。第一項紀錄，PaPeRo R500 是世界首創具備與孩童同樂兼具學習效果的保姆機器人。而第二項紀錄則是世界首創能使用紅外線糖度測定器來品嘗紅酒的侍酒師機器人。 隨著時代的進步，一般經常利用自然的口語來下達指令給設備，協助我們執行相關工作或任務。語音已成為人機互動最自然的介面，藉由螢幕顯示內容，並且透過自然語言理解進行聲控互動。當然機器人也不例外，開發者善用機器人可愛的外型、形體動作與人溝通，並且透過其螢幕顯示需要的資訊，更結合行動裝置可以達到社交且活化自己的社交圈。因此，許多研究已著手在機器人於高齡者的應用研究，但多數研究的對象為第一型糖尿病患者等較為年輕的族群，較少針對第二型糖尿病患者等，其主要原因考量到科技接受度以及教育程度等。 高齡化社會的到來，讓銀髮族的長期照護問題，成為現代社會及家庭最關心的議題之一。居家型機器人與人工智慧交互推動的快速發展下，能提供的服務也越來越多元化，業者也陸續推出居家健康照護與陪伴機器人，經由高齡照護科技化協助高齡者與其陪伴者「提升健康知能與增進生活便利性」並且串聯社區藥局與診所，讓專業的藥師與營養師等與長者進行專業的互動。 成大AI生醫長照團隊使用華碩Zenbo機器人進行機器人智慧雲端大腦之研發，目前研發的應用程式/服務類型有：健康類與生活類。主要提供給銀髮族及慢性疾病患者使用。讓機器人像管家一樣的關心使用者的健康，並且定時提醒服藥與監測血壓或血糖、進行互動式健康狀態評估、提供健康問答、測驗適性衛教測驗與提供智慧型推薦服務等功能。 透過雲端中心(照護單位)與長者的居家端進行串聯，透過長者的授權讓雲端中心協助管理其相關日常健康資料，並且由雲端中心提供合適建議內容給長者，系統自動偵測是否有異常資訊？當異常發生時，提供給使用者端進行自我健康管理。生活相關資訊，例如：天氣、新聞、餐廳、音樂和電影等也可透過機器人進行詢問與推薦。 透過人體偵測判斷長者是否有離開臥室，出來活動以及可判斷長者的行為(坐、走路)等。 透過適性化組卷機制架構，將收集到的作答集分為未達基礎、基礎、精熟與進階，並使用深度學習方法組卷。 透過已收集之健康知識資料集，提供使用者利用自然語言進行提問，系統將依相關性將候選答案依序排列，提供使用者觀看。 讓長者與機器人透過趣味性競賽，學習更多健康相關知識，並提供相對應的獎勵。 「i健康管家」目前已研發多款應用程式，其主要應用有：1) 提醒服藥與監測血壓或血糖等；2).進行互動式健康狀態評估；3)提供健康問答；4)測驗適性衛教與；5).提供智慧型推薦服務等。 透過人臉辨識技術，設定一見到人臉的時候就主動問候/對話。並且透過電腦視覺影像資訊進行健康相關的評估與判別。 透過照護端協助制訂重要事件並且透過機器人提醒被照護者，一來可以讓被照護者和照護者感到安心，不會因為忙碌而忘記重要事件，例如：早晚的血壓或血糖量測。 本團隊採用項目反應理論(Item Response Theory, IRT) 用來分析測驗成績或者問卷調查數據的數學模型。這模型的目標是來確定的潛在特徵（latent trait）是否可以通過測試題被反應出來，以及測試題目和被測試者之間的互動關係。本團隊由專業人員設計相關慢性病衛教相關測驗試題，透過大量高齡受試者答題後，系統訓練出參數後，提供後續系統實際測試使用，讓使用者可以在較短的時間內，了解自己的健康知識哪裡不足，搭配系統回饋的衛教影片進行補救學習，在日常生活中可以與機器人進行互動式學習、提升健康知能，進而提高自己控制病情的能力。 主要透過專業人員協助制訂相關流程，並且讓機器人於每日陪伴被照護者時，在適當的時機點自然地進行相對應的問候與根據被照護者的回答進行相關的健康評估，例如：量化的健康數值或中風症狀的風險評估，讓被照顧者有異常發生的時候，可透過機器人通知照顧者，以達到早期發現早期控制或治療的最終目標。 本團隊透過大量醫學相關問答網站內，訓練問與答之間的對應模型，並將該模型實作於健康問答的功能裡，被照護者或照護者，可以透過系統進行提問，系統會根據先前模型，找出現今資料集內較合適的答案，給被照護者或照護者進行參考閱讀。健康問答的系統架構如下： 推薦系統最經典的案例是在1990年代美國零售龍頭業者沃爾瑪(Wal-Mart)的資訊工程師在分析結帳巨量資料時發現，每到星期五晚上，尿布和啤酒的銷售量有正向關聯性。現今日常生活中，推薦系統是我們生活中重要的一部分，無論是在網路上消費或看電影及聽音樂等，推薦系統都融入其中，並為使用者帶來更好的體驗。 因此，本團隊長期研究從大量使用者紀錄及社群資訊中，進行預測與捕捉使用者的行為與喜好，來實現物品的推薦。此外，為了更精準描述使用者的喜好，我們專注於利用深度學習及時序性神經網路等模型，描述使用者長期喜好(Long-term Preference)與短期喜好(Short-term Preference)，藉此來達到更精準的物品推薦。透過該技術之應用，可增進長者生活便利性，協助其在如此資料量龐大的趨勢裡，如何快速或個人化的提供合適內容或服務給長者並協助進行決策，則是是一大挑戰。 照護人員是不會被機器人取代的，但是若有機器人與高齡照護科技化的協助，可以讓照護人員有更多的資訊，進一步提供更合適的照護計畫，並且可更即時的修正照護計畫，並在過程中有更多的用心與關懷來提供給被照顧者。 未來，成大AI生醫長照團隊將朝向提供有溫度以人為本的人工智慧服務，讓機器人結合AI科技內涵並且創造人類與智慧科技共融共存社會。其中所面臨到的挑戰將有：個資授權機制、將本服務導入場域收集真實回饋並進而修正與改善、需結合相關領域創造新的生態圈讓成本是可被接受的，最後提供更多元化的服務以協助長者。

這幾年人工智慧的發展，隨著深度學習技術一日千里的進展，從以往只在紙上談兵階段的想像進展到實際深入生活發揮功能，並對人類的各種活動產生影響的時代。從數據分析能力、影像識別能力進而到機器人控制與自動駕駛汽車應用，這些都顯示人工智慧的實際應用價值時代已經來臨。根據國際調研機構PwC近日發布的報告顯示，人工智慧的發展將在 2030 年時為全球產業帶來 14% GDP 成長，相當於15.7兆美元。AI 現已成為各領域優化現有的服務、產品的重要技術。 盡管近年來人工智慧發展迅速，除了戰勝了多位圍棋世界冠軍，並在其他許多領域展現出驚人的能力，但在人類語言的閲讀理解能力上，人工智慧的表現一直很不如人意。從2013年開始，NII的團隊就與其他機構合作，讓其開發的機器人Torobo-kun參加模擬高考。2016年，Torobo-kun第一次在模擬考試中獲得了成功，顯示它有80%的幾率通過關東難關私大（非常難考的私立大學，包括明治大學、青山大學學院、立教大學、中央大學和法政大學，縮寫為MARCH）和關關同立四所著名私立大學（關西大學、關西學院大學、同志社大學和立命館大學）的入學考試。然而，NII的研究者在2016年秋季放棄了讓Torobo-kun考入東京大學的遠大目標。NII的Noriko Arai教授解釋道：人工智慧無法理解必要的資訊，閲讀和理解句子含義的能力相當有限。現在還沒有辦法使這一系統獲得足夠的分數，使它通過東京大學的入學考試。從一開始，Torobo-kun在每個科目的閲讀理解測試中就表現得十分糟糕。例如，當它嘗試回答一個世界歷史問題誰是曹丕的父親？誰成為了中國三國時代魏國的第一位皇帝？並無法給出正確的答案。盡管Torobo-kun已經知道曹丕是曹操的兒子，但它無法想到曹操就是曹丕的父親，因為它不理解父子關係。這在目前看來我們確實可以利用人工建構的知識庫來讓系統推論這一層面的關係，如同IBM Watson所建構的系統一樣，但參與該項目的NTT通訊科學實驗室首席研究科學家Ryuichiro Higashinaka當年表示為了通過東大的入學考試，最低要求是學習100萬套問題陳述和正確答案。就像是得準備歷年的考古題般的訓練資料，且新命題的理解能力仍然是個未知數。 智慧應用中自然語言理解是相當重要也是在以往學術研究中相當困難的一個領域，現在大家的智慧手機上都有所謂的智慧語音助理，如:Siri，在以前智慧語音助理僅能將偵測指令關鍵字來回應使用者並執行相關動作，例如你可以撥打電話給電話簿中的人名，而現今的語音助理功能更是五花八門，可以幫你查詢天氣、路況與查詢行事曆等，還能再輸入介面上更跳脫以往關鍵字模式，例如你問天氣可以問台南明天天氣也可以問明天出門需不需要帶傘，這裡面的自然語言理解進展是顯著的，智慧系統需了解傘與天氣與下雨的關係，這當然可以用規則式的方式建構判斷邏輯做到，但今日的智慧助理的確是可以靠訓練而真正理解這些問句的意義。 但智慧系統真的理解這自然語言層面的意義嗎？你如果問Siri明天的口試還未準備好真讓人緊張，Siri會回覆你行事曆中找不到明天的口試這項活動，而不是簡單地回你一句加油 。從這簡單的例子可以看出，目前這些自然語言相關的智慧系統，大多必須設定在特殊目的與限制場景的使用情境下才能發揮作用，如手機上的使用情境等，也可以說僅做到一知半解的程度。 今日深度學習在大數據與高運算能力的助攻下確實展現了跳脫以往我們對智慧系統的想像程度，如IBM Watson與Debater等大型系統，前者可以精確地回復資訊類的問題，後者甚至可以跟人類的辯論冠軍唇槍舌戰一番，更如同香港漢森機器人技術公司索菲亞（Sophia）的類人機器人一樣，可以在世界各地接受採訪，並成為沙烏地阿拉伯公民，這也是世界上第一個獲得國籍的機器人。但這些技術都有預先知識範圍設定的先天限制，如：辯論的題目與採訪的議題等，靠者預先準備的大量預先知識的大數據，現今的深度學習發展確實能夠展現一種進趨自然語言理解的能力。 Google臺灣董事簡立峰也指出，現階段自然語言理解尚未成熟，因為類神經網路仍無法藉由抽取輸入值元素，來找出彼此間的邏輯關係。且由於類神經網路的不可解釋性，對產業歸責有著極大影響。甚至到今天，雖然目前有新方法可加強AI解釋性，但演算法黑盒子依然是道難題，讓特定AI應用難以通過如GDPR等法規的要求，甚至一些與生命相關的智慧應用，如自動駕駛等，也無法套用一個無法解釋的智慧系統。 但這幾年的人工智慧與機器學習在自然語言處理上的發展，也是有相當大的進展，2013年時，目前任職於Google的電腦科學家Tomas Mikolov帶領團隊開發一套文字向量化的模型Word2vec，透過大量非監督的訓練資料將文字映射到向量空間，用一種word embedding來表示字與字之間的關係，這技術也打開了自然語言處理應用的大門。以往我們對文字都採用一種詞彙空間表示的方式，也就是語言中有多少詞彙，你的句子就是一個跟詞彙數量相當維度的向量，也就是一個簡單處理十萬個詞的系統，每一個詞就是這十萬維度空間的一個維度，這種作法會有很大的向量稀疏性與概念難以比較性的問題，簡單來說，就是無法區分貓與狗和貓與卡車哪一個關係是比較接近。但在word embedding的概念下，雖然每個字詞使用固定且小的向量維度，如300維度，來表示，但我們卻可以理解貓跟狗是比較接近的向量，而與卡車是差異比較大的向量。而在這個基礎上，2016年，Google首次在訓練機器翻譯的傳統統計方法中，加入類神經網路，大幅提高機器翻譯的表現。就中翻英來說，類神經網路表現已與人類相差不遠。 如同在影像處理領域一般，透過大量影像標示訓練出來的影像識別模型，被當成預訓練模型廣泛使用在不同影像識別任務。在2018年底，Google在NLP領域創下另一個里程碑，打造並開源一套預訓練新技術BERT，如同同一時期被提出的ELMO模型技術一般，都是芝麻街裡面的角色名稱。BERT是第一個深度雙向、非監督式的語言表示方法。BERT的開源，更加速自然語言應用開發者打造模型的時間，不需要從頭開始訓練模型。這一年來自然語言研究領域的論文幾乎都會利用BERT當成是基礎架構來延伸更複雜的模型，甚至沒有做太多的延伸就能在原先的應用中有優異的表現。 BERT的名稱含義爲來自 Transformer 的雙向編碼器表徵（Bidirectional Encoder Representations from Transformers）。BERT 旨在基於所有層的左、右語境來預訓練深度雙向表徵。因此，預訓練的BERT表徵可以僅用一個額外的輸出層進行微調，進而爲很多任務（如問答和語言推斷任務）創建當前最優模型，無需對任務特定架構做出大量修改。BERT 的概念很簡單，但實驗效果很強大。它刷新了 11 個 NLP 任務的當前最優結果，包括將 GLUE 基準提升至 80.4%（7.6% 的絕對改進）、將 MultiNLI 的準確率提高到 86.7%（5.6% 的絕對改進），以及將 SQuAD v1.1 的問答測試 F1 得分提高至 93.2 分（提高 1.5 分）甚至比人類表現還高出 2 分。而就在2019年中，Google Brain團隊改善了BERT模型，進一步釋出更強大的NLP預訓練技術XLNet。XLNet是一套自迴歸訓練方法， XLNet的自迴歸公式克服了BERT的不足，不只在20項測試中勝過BERT，比如上述GLUE語言理解測試、SQuAD閱讀理解測試、情感分析和文字分類評比等，其中更有18項達到目前最佳分數等級。 但這些進展某種角度看來是一種靠著大量數據與高效能運算量強力映射初的一種成果。類神經網路方法在某種程度上，可算是映射（Mapping）方法，只要有足夠的輸入與輸出的關係，就能夠靠著深層的模型訓練出一個最佳映射，簡單的來說就是訓練出一個最好的資料解釋邏輯，只是多半這個邏輯是我們看不到與無法解釋的。如同我們在ACL 2019所發表的論文中指出，這些複雜的預訓練模型雖然在各種NLP任務都表現相當優異，但這些模型真的有理解自然語言嗎？又或是只是靠著大量數據的映射方法找到一個訓練資料中的最適解。我們利用了理解推論的資料集(ARCT, Argument Reasoning Comprehension Task)來進行此研究，這對電腦來說是個相當困難的自然語言理解任務，簡單的推論例子如：今天會下雨，所以要帶傘，理由是淋濕是不好的，在資料集中每一筆資料都有四段文字，推論(Claim), 原因(Reason)與兩個正反理由(Warrant, Alternative)。BERT在這任務中的確又是打敗其他模型得到最好的表現，甚至只比訓練過的人類低三個百分點的表現，相當厲害。但這模型真的理解這資料中的推理關係嗎？當我們把訓練資料中的推論換成否定的論述，理論上本來選擇理由A的推論應該要輸出理由B，我們就利用這個改變後的訓練資料集來重新測試模型，結果BERT卻只有跟亂數猜測一樣的效能表現。我們可以想像，如果這模型真的能夠理解這推論中的精神與關係，那修改後的資料集應該也有類似的表現，雖然那些推論資料有些的確與事實不合。但模型表現卻有很顯著地弱化差異，所以我們可以想像這些大型的預訓練模型是利用大數據的幫助下，靠著運算能力所達到的一種最佳人類知識的映射能力，離真正理解應該還有很大一段距離。 且這僅是單句或是對話間的理解，若是要真正在人類語言或是對話串中理解整個對話涵義與多項目的，這更是困難的任務。自然語言中常會有跨句子間的參照，如同下圖所示，單句子中的代名詞就會跟隨句子描述的內容不同而表示不同的概念，下面兩句僅僅差別在最後一個字tried與wide不同，其中代名詞it指的部分就會是animal與street的差距。雖然現在已經有技術，如：注意力機制(attention)可以做到這樣的關聯參照，但可以想像當句子更複雜，參照的關係跨得更長更模糊時，現有的模型絕對是束手無策。也就是說，同樣的問題如同聊天機器人無法應付長時距回應一樣，客戶先打電話到銀行客服提出帳戶問題，掛斷後再致電時，聊天機器人無法主動追問處理狀況，一個句子問好幾個動作後，模型更沒有預測的能力了。 雖然機器學習在自然語言理解能力上有其侷限，但因為現在機器學習的發展確實可以在數據量爆炸性成長的年代產生一些有商業價值的應用。如同在現今資訊爆炸的年代能夠快速閱讀、篩選資訊的工具是相當重要的，特別是醫學資訊領域。醫學資訊量快速成長，每天發表的生物醫學領域論文相當多，但研究學者或是醫療人員時間有限，要是有個能能夠閱讀醫學文獻並從資料中作出摘要的智慧系統，並從中給醫療人員建議與輔助，就是個很有價值的應用。另外如同一般工程公司會需要有經驗的技術人員從大量規格書中讀取與工程要求相關的細節，但這項工作目前僅能靠人工很費時地完成，如果有一個能夠理解資深工程師的想法，並從規格書中自動擷取相關資訊或是推薦重點內容，這便能省下相當多的人力成本。而全球知名的律師事務所Baker McKenzie也利用類自然語言理解技術做到根據客戶需求與條件做到法律合約的快速擬稿。摩根大通（JPMorgan Chase）與來自紐約的 AI 新創公司Persado，簽訂一份為期五年的協議協助摩根大通撰寫廣告文案，摩根大通發現，Persado 採用機器學習技術，其所製作出的廣告文本品質相當好，其點擊率比真人撰寫的高出一倍以上。舉例來說，真人創作的文案為「用手機就能完成股票交易」，而Persado的版本則是「天啊！不用踏出門，用手機就能輕鬆完成股票交易」。後者確實能吸引更多人點擊。另外即使在Torobo-kun放棄參加東京大學入學考試之后，許多研究者依然對人工智慧的開發保持樂觀。公立函館未來大學的Hitoshi Matsubara教授及其團隊一直在開發一個能夠寫小說的人工智慧系統，並希望藉此贏得一個文學獎項。他的項目還有另一個目標：通過學習已逝科幻小说家小松左京的文風和用詞，完成後者未寫完的小说《虛無迴廊》。 最後，當年微軟小冰在記者詢問你這輩子最幸福的事是什麼，這個目前擁有最常對話串長度紀錄保持者的聊天機器人回答了一句頗有寓意的一句話 活者，不論這聊天機器人是否真的理解活著的意義，但這充滿想像的答案似乎也表達了現今自然語言理解的發展也相當讓人期待。

在中華民國內政部消防署統計中，107年火災起火原因以遺留火種9,845次占第1位，其次分別為爐火烹調3,591次及電氣因素2,971次(如圖1所示)。其中107年建築物火災以集合住宅火災3,614次為第1位(占41.2%)，與106年相較減少37次；獨立住宅火災3,057次居第2位(占34.9%)，與106年相較減少308次，如表4、圖4；107年建築火災依用途類別分除複合建築火災及倉庫火災有增加趨勢外，其他類別則有減少，且多集中集合住宅與獨立住宅，共計6,671次(占76.1%) 然而，在火災事故中看似原因都很清楚，但是雖然火災起源就是完整可燃物、助燃物、熱能及連鎖反應的供應(如圖3)，但是就算火災發生起火，在可以滅火的初期也經常因為消防安全設備無法正常動作而導致火勢一發不可收拾，最後一路從火源著火，歷經局部燃燒，最後持續火焰延燒而進入人員嚴重傷亡的閃燃階段(如圖4)，在在點出消防安全設備管理的重要性。 此發明涉及一種消防安全設備，特別是涉及一種消防安全設備自動化管理系統。其主要思維目的是因為現有的消防滅火器，往往只有具備簡易的顯示燈號，因此必須由檢查人員目測檢查，以確認是否仍為能夠安全使用的狀態，然而，消防滅火器為了能充分發揮救火的功能，會分散配置於建築物的各處，導致檢查人員必須逐一檢查，非常耗費人力。此發明的目的是在提供一種能減少人力使用的消防安全設備自動化管理系統。 在各類場所消防安全設備設置標準中，規範了滅火器的設置條件，彙整如表1。又同設置標準中第31條亦規定了滅火器的設置要求，彙整如表2。從我國的滅火器規範可發現，對於消防安全設備的管理並未有充分的要求，就是因為這樣，才會經常發生無法及時救災，進而演變成嚴重事故的情況，這是此發明更深層的價值。 此發明專利內容係消防安全設備自動化管理系統，包含至少一個滅火裝置，至少一個維修伺服器，及一個管理伺服器。該滅火裝置包括一個鋼瓶、一設置於該鋼瓶內的滅火材、一個設置於該鋼瓶以量測該鋼瓶內的壓力的壓力表頭、及一個受該壓力表頭連動並於該鋼瓶內的壓力超出一個預設壓力區間時發出一個警示訊號的無線發信模組，該維修伺服器對應該滅火裝置設置，且包括一個連接網絡的網絡模組，及一個電連接該網絡模組的維修控制模組，該維修控制模組儲存有一個待維修表單，該管理伺服器包括一個用來接收該警示訊號的無線收信模組、一個電連接該無線收信模組的管理控制模組，及一個電連接該管理控制模組並連接網絡的網絡模組，該管理控制模組儲存有一個設備數據庫，該設備數據庫具有至少一個對應該滅火裝置及該維修伺服器的設備資料集合，該管理伺服器於接收該警示訊號後通過網絡將該設備資料集合內的資訊更新於該維修伺服器內的該待維修表單。 此發明所述消防安全設備自動化管理系統，該滅火材為粉末、藥劑及二氧化碳的其中一種。此發明所述消防安全設備自動化管理系統，該無線發信模組於該鋼瓶內的壓力高於該預設壓力區間時發出對應高壓的該警示訊號。此發明所述消防安全設備自動化管理系統，該無線發信模組與該鋼瓶內的壓力低於該預設壓力區間時發區對應低壓的該警示訊號。此發明的有益效果在於通過該滅火裝置內的該壓力表頭及該無線發信模組設置，以及該維修伺服器及相對應的該管理伺服器的設置，而能管理該滅火裝置隨時保持能正常使用的狀態。 此發明專利技術細節包含圖5是本發明消防安全設備自動化管理系統的一個實施例的一個系統方塊圖。圖6是該實施例的一個滅火裝置的示意圖。 此發明之具體實施方式在結合前述附圖及實施例對本發明進行詳細說明。參閱圖5與圖6，此發明消防安全設備自動化管理系統的一個實施例，包含多個滅火裝置2、多個維修伺服器3，及一個管理伺服器4。每一個滅火裝置2包括一個鋼瓶21、一設置於該鋼瓶21內的滅火材、一個設置於該鋼瓶21以量測該鋼瓶21內的壓力的壓力表頭22，及一個受該壓力表頭22連動並於該鋼瓶21內的壓力超出一個預設壓力區間時發出一個警示訊號的無線發信模組23。於本實施例中，每一個滅火裝置2為現有的滅火器，但是也能夠是大型的輪架式滅火器。每一個滅火裝置2內的該滅火材能夠為粉末、藥劑及二氧化的其中一種。 該無線發信模組23於該鋼瓶21內的壓力高於該預設壓力區間時發出對應高壓的該警示訊號，並於該鋼瓶21內的壓力低於該預設壓力區間時發出對應低壓的該警示訊號。於本實施例中，該無線發信模組23是以一個蓄電池提供電力，但是也能夠通過一個充電電池提供電力。 每一個維修伺服器3至少對應其中一個滅火裝置2設置，且包括一個連接網絡的網絡模組31，及一個電連接該網絡模組31的維修控制模組32。該維修控制模組32儲存有一個待維修表單321。該管理伺服器4包括一個用來接收該警示訊號的無線收信模組41、一個電連接該無線收信模組41的管理控制模組42，及一個電連接該管理控制模組42並連接網絡的網絡模組43。該管理控制模組42儲存有一個設備數據庫44，該設備數據庫44具有多個對應所述滅火裝置2及所述維修伺服器3的設備資料集合441。該管理伺服器4於接收該警示訊號後通過網絡將相對應的該設備資料集合441內的資訊更新於相對應的該維修伺服器3內的該待維修表單321中。 在一種實施態樣中，所述滅火裝置2能夠依所填充不同的該滅火材區分為不同的類別，使用同一種滅火材的所述滅火裝置2是對應於其中一個維修伺服器3，更具體來說，就是使用同一種滅火材的所述滅火裝置2是由同一個維修廠商進行維修，而該維修廠商是根據對應的該維修伺服器3內的該待維修表單321的資訊進行派工維修。 於本實施例中，每一個待維修控制模組32的該待維修表單321內是紀錄待維修的該滅火裝置2的資料及待維修事項，所指待維修的該滅火裝置2的資料能夠是對應該滅火裝置2的序號及所在位置，所指待維修的該滅火裝置2的待維修是向能夠是壓力過低需補充壓力或是壓力過高須釋放壓力等資訊。 當其中一個滅火裝置2的該鋼瓶21內的壓力超過該預設壓力區間時，相對應的該無線發信模組23發出該警示訊號置該管理伺服器4，此時該管理伺服器4根據該警示訊號的來源而於該設備數據庫44中，搜尋相對應的該設備資料集合441，進而得出對應該滅火裝置2的該維修伺服器3，接著將該警示訊號的形式通過網絡傳送至該維修伺服器3，並更新於相對應的該待維修表單321內，而使廠商能依照該待維修表單321內的資訊而派工隊相對應的該滅火裝置2進行維修工作。 由於每一個滅火裝置2能夠隨時對各自的該鋼瓶內21的壓力進行檢測，並於壓力超過該預設壓力區間時對該管理伺服器4發出該警示訊號，並通知使相對應的維修人員進行維修，而能使該滅火裝置2隨時保持能正常使用的狀態，而確保消防安，此外，自動化檢測及管理還能避免需人力進行檢查之人力支出及錯誤，因此還能減少人力使用。要說明的是，若是在只有一個滅火裝置2及一個維修伺服器3的環境下，該消防安全設備自動化管理系統仍然能正常使用。綜上所述，通過每一個滅火裝置2內的該壓力表頭22及該無線發信模組23的設置，以及該維修伺服器3及相對應的該管理伺服器4的設置，而能管理使該滅火裝置2隨時保持能正常使用的狀態，所以確實能達成本發明目的。 在人類活動的場所中，因為存在大量可燃物，並且人類使用許多火源與電氣設備，十分容易產生火災事故。火災對國人的安全影相傷害甚大，並且經研究發現，多數火災都發生在睡夢中，這時段人類難以警覺火災發生，並且正確的進行避難逃生，深夜惡火經常導致嚴重傷亡。此發明涉及一種管理系統，特別是涉及一種安全防災管理系統。其背景技術係近年來，由於工商業發達，人口密度上升，大樓式建築逐年增加，然而，當災害發生時，目前大樓式建築的逃生指示皆只能告知民眾建築原本設計時的逃生出口的位置或逃生路徑，但並非所有逃生出口或逃生路徑在災害發生時都仍然具有安全性，若是逃生路徑中正好遇到災害發生地點(例如火警起火點)，則當民眾發現此逃生路徑不安全時，可能已經喪失再次逃生的機會。 此發明未來如果能再結合更完整之人工智能最佳化方案，例如人臉辨識演算系統，更可積極確認是否進入建築物內之全體人員均有效經由安全指示出口進行避難逃生完成，除了人命得以確保外，更可提供消防搶救人員進行戰略部屬及判斷使用，更能大大提升整體系統綜效。 在火災事故中看似原因都很清楚，但是雖然火災起源就是完整可燃物、助燃物、熱能及連鎖反應的供應，但是就算火災發生起火，在可以滅火的初期也經常因為消防安全設備無法正常動作而導致火勢一發不可收拾，最後一路從火源著火，歷經局部燃燒，最後持續火焰延燒而進入人員嚴重傷亡的閃燃階段，在在點出消防安全設備管理的重要性。在各類場所消防安全設備設置標準中，規範了滅火器的設置條件。又同設置標準中第31條亦規定了滅火器的設置要求。從我國的滅火器規範可發現，對於消防安全設備的管理並未有充分的要求，就是因為這樣，才會經常發生無法及時救災，進而演變成嚴重事故的情況，這是此發明更深層的價值。此發明涉及一種消防安全設備，特別是涉及一種消防安全設備自動化管理系統。其主要思維目的是因為現有的消防滅火器，往往只有具備簡易的顯示燈號，因此必須由檢查人員目測檢查，以確認是否仍為能夠安全使用的狀態，然而，消防滅火器為了能充分發揮救火的功能，會分散配置於建築物的各處，導致檢查人員必須逐一檢查，非常耗費人力。此發明的目的是在提供一種能減少人力使用的消防安全設備自動化管理系統。 對於未來發展，此發明更可加入人工智能化方案，並且延伸至其他包含如室內消防栓、室外消防栓、自動撒水系統、泡沫滅火設備、二氧化碳滅火設備等各種消防安全設備上，利用機器學習的最佳化演算，讓整體自動化管理系統，提升為智能化消防安全設備管理系統，更能大幅提升可靠性，降低火災事故於無形。

類風濕性關節炎為慢性病的一種，雖然不至於導致病患死亡，但卻能讓患者非常不舒服且飽受疼痛折磨，造成動作不方便。目前為止，對於類風溼性關節炎的症狀仍然無法根治與完全康復，因此病患不僅得長期服用相關藥品，且還得搭配復健療程來控制病情。然而，患者就必須時常往返醫療場所進行復健的療程行為，但對於行動不便的病患來說，往返的過程極為不便，但若病患自行在家實施復健行為，又可能礙於沒有專業人士從旁協助，病患也無從得知復健療程執行中，姿勢的正確與否。有鑑於此，本研究為規劃與設計一利用深度學習機制探討類風溼性關節炎手部復健姿勢與其關聯模式(Exploring the Association Pattern of Rheumatoid Arthritis Hand Rehabilitation Posture Using Deep Learning Mechanism)，針對類風濕性關節炎病患的手部復健運動進行偵測與判斷，並評估病患狀況惡化與否。其為利用六軸感測器、RealSense 3D感測器蒐集病患復健時的動作與行為數據以及病患個人的情境因子，將蒐集到的數據利用倒傳遞類神經網路建構出具權重之大眾本體論模型，並利用深度學習網路建立深度學習導向之類風溼性關節炎診斷因子分析模型(Deep Learning-Oriented Rheumatoid Arthritis Criteria Factor Analysis Model, DRAM)，最後考量到每一病患的復健姿勢與病情評估標準不同，因此將深度學習網路所推論出的診斷因子整合至大眾本體論模型，再由病患每一次的復健的狀況，進而調整大眾本體論模型上的權重值，使其成為個人化本體論，其架構圖如圖1所示。 由上圖得知本研究主要目的為驗證病患的手部復健姿勢是否正確，而驗證資料主要來自於具輕量化本體論與深度感知互動性之使用者端感測病患於手部復健運動時，配戴在手腕及手指上的三軸數據、三軸數據所計算出之歐拉角角度以及RealSense 3D感測器偵測到的22個手部關節點資料，並同時將驗證結果視為一分析因子，輔助本體論推論模型的建構。本研究規劃與設計六種手部復健姿勢，分別為(i) 手腕伸展、(ii) 手指外擴、(iii) 握拳運動、(iv) 手腕關節旋轉、(v) 手腕外旋與(vi) 手腕關節擺動，如圖2所示。 在智慧推論模式部份為利用倒傳遞類神經訓練各個因子之間的關聯權重，設計出權重模型作為大眾本體論中各個概念的關聯權重值，建置起大眾本體論推論模型。圖3為本研究所建置的倒傳遞類神經網路訓練模型，輸入層的因子包含：三軸手環、三軸戒指感測資料、病患年齡層、病症、復健部位，輸出層的因子包含:錯誤姿勢。其因子關聯權重訓練過程主要分為(i) 前向傳遞階段、(ii) 誤差計算階段、(iii) 誤差遞迴階段，以下分別說明各階段之運作流程。 將各因子資料傳遞至輸入層的每一個神經元(neti)，再透過各個輸入層神經元中的關聯權重值(wij)以及活化函數(sigmoid function)計算出隱藏層(netj)神經元的值，再將隱藏層 (netj) 神經元所獲得的值透過隱藏層與輸出層的關聯權重值以及活化函數計算出輸出層神經元(netk)的值，其公式如下所示。 其中dk為期望輸出值，Ok為原始值。計算原先誤差，並將誤差值訂定於一定範圍區間，使所獲得值與結論均為高度相關性。 於此階段若誤差未滿足終止條件，則使用梯度下降法(Gradient Descent)更新單元傳遞權重，為梯度下降係數。更新從隱藏層至輸出層之權重再更新連結輸入層至隱藏層間的權重，其公式如下所示，重覆此過程達到中止條件，即網路輸出值與期望輸出間誤差最小化。 若要推論類風溼性關節炎手部復健動作錯誤與否以及病情狀況的評估，須考量到病患的個人情境以及復建時的情境來做為推論的依據，因此本研究規劃下列情境因子，作為大眾本體論的資料模型，主要分為(i) 長期事件，包含了病患的年齡層、病症、復健時間、復健部位，(ii) 短期事件，包含了穿戴式三軸數據、錯誤姿勢、診斷因子。圖4即為所設計之本體論模型架構。在此階段下主要是將倒傳遞類神經網路學習階段產生的關聯權重值，將其轉置到大眾本體論各個概念間的關聯上，作為各個概念間的關聯權重(Concept Weighted)值，如圖5所示，其主要分為以下步驟(i) 權重轉置階段與(ii) 權重分享階段。 為使推論結果能夠更符合病患個人情境，會透過調整大眾本體論的關聯權重值，使推論結果能夠更符合病患復健時的事件偏好。主要考量到每一位病患情境的不同，即使有多位病患需要做相同的復健運動，但可能因為病患的種種狀況或影響因子不同，而造成判斷的標準無法適用同一評估條件，因此需為每一位病患建立個人化本體論模型，以符合每位病患復健動作推論的情境需求。其中權重調整法則主要是根據病患復健時觸發的事件頻率以及距離上一次觸發的時間作為大眾本體論權重調整的依據，更新與該概念有關連的權重值，如圖6所示。 圖7所示之紅色斜線節點為復健者觸發的事件，其節點間的關聯權重值則會根據觸發事件頻率更新。透過接收到的因子傳遞至大數據伺服器進行診斷因子比例的推論，並將此推論出的診斷因子比例結果與病患的情境資料作為大眾本體論模型的推論依據，如此，在推論病患的復健姿勢錯誤與否以及病患的手部狀況評估時，推論過程中觸發的事件權重關聯，透過遞增或遞減的方式更新，最終建立出個人的復建評估模型。 故本計劃所規劃與提出之深度學習訓練單元將由卷積神經網路(Convolutional Neural Networks, CNNs)與深度信念網路(Deep Belief Networks, DBNs)兩個類神經網路組成，運算起始先採用CNNs做手部深度影像辨識[3, 7, 14]。因為CNNs其設計的架構非常適合用於影像辨識，藉由其運算特徵比對的方式，可以對於影像上的特徵點有較好的篩選結果，故使用CNNs對手部深度影像做特徵擷取，先利用手部影像運算出類風溼性關節炎的特徵，當作下一階段的特徵輸入。而接下來將使用DBNs做使用者擁有類風溼性關節炎診斷因子機率的分析辨識，利用先前的透過CNNs影像辨識的特徵結果，並配合其使用者的穿戴式六軸加速規感應設備做數據分析。而其中各別輸入的數值分別為，CNNs利用手部深度影像辨識的手部特徵，如：手指關節腫脹數、類風濕結節數、對稱性關節炎等；在穿戴式六軸加速規感應設備的輸入數值為，使用者在各姿勢的連續運動座標及角度數據； 藉由上述所提供的所有資料輸入至DBNs中，透過DBNs運算出使用者擁有類風溼性關節炎的診斷因子機率，其診斷因子分別為晨僵超過1小時、3個或以上的關節發炎、掌指或手腕和近端指間等關節出現關節炎、對稱性的關節炎和類風濕結節共五種，讓前端可以依照其診斷因子比例來推論出使用者目前狀態。故本研究收集相關資料並透過異質資料整合單元進行資料分類，以減少後續運算成本，再利用深度學習訓練單元使用大量數據訓練本研究所規劃的深度學習網路，最終利用其學習成果產生一辨識診斷因子的深度學習模式DRAM，並將其Model傳輸給前端深度學習網路辨識使用。 本研究規劃與設計一利用深度學習機制探討類風溼性關節炎手部復健姿勢與其關聯模式(Exploring the Association Pattern of Rheumatoid Arthritis Hand Rehabilitation Posture Using Deep Learning Mechanism)，針對類風濕性關節炎病患的手部復健運動進行偵測與判斷，並評估病患的狀況惡化與否。利用所提出之深度學習導向之類風溼性關節炎診斷因子分析模型(Deep Learning-Oriented Rheumatoid Arthritis Criteria Factor Analysis Model, DRAM)配合卷積神經網路(Convolutional Neural Networks)與深度信念網路(Deep Belief Networks, DBNs)進行深度學習，建立起病況評估模型。將產出之診斷因子傳遞至大眾推論模型建置法則單元，運用倒傳遞類神經(Back Propagation Neural Network)整合本體論(Ontology)技術，建構一大眾本體論推論模式(Mass Behavior Model)。而DRAM將依照患者數次的復健狀況與相關攝取資訊反覆進行深度學習訓練與推導，讓使用者端具有適合個人的輕量化本體論(Ontology-lite)法則，並以規劃出的六種手部復健姿勢驗證模組來判斷病患復健姿勢是否需要調整。最後，將病患復健數據重新建模，提供醫生觀察復建情形，以此作為診斷依據並給予病患建議。