top of page

【劉建志談 IoT】從今年 Computex 看台灣跟風潮,大家不了解「物聯網是服務,硬體只是工具」

Computex 雖說是六大主軸,不過還是硬體思維

一年一度的台北國際電腦展 (Computex 2017) 熱熱鬧鬧的展開,也佔據了部份這幾天新聞報導的版面。不過,實際到會場逛逛,雖然本次號稱有六大主軸:物聯網、新創企業、人工智慧(AI)、電競、VR/AR,以及為電子供應鏈企業建立全球技術生態系的企業解決方案, 依然是硬體佔絕大多數。

固然許多參展廠商應景地加上一些「物聯網」元素,例如:賣 IP cam 的會說他們的 IP cam 可以遠端監控,甚至可以應用在遠端醫療照護,但細問這樣的方案到底在醫療上的價值是什麼,是根據鏡頭採集到影像做何種分析判斷,從而提供何等有意義的洞見(insight)給哪一類的醫療從業人員後,對話當場就陷入一陣尷尬的沈默。

類似的場景轉到賣 IPC 或 gateway 的廠商,不說點關鍵字像工業物聯網或人工智慧之類的,真的都不好意思來參展了。只是除了強調運算效能強大且成本低廉以外,有沒有提出類似歐美或對岸廠商提倡的邊緣計算(edge computing)理論架構,進而明確指出邊緣計算在整體工業物聯網應用中扮演什麼角色,具體將搭配哪些合作夥伴在哪些產業創新應用,甚至說明這個 gateway 如何讓整體方案效益更加卓著,才是觀察重點。

再用力地說一次 — – 物聯網是服務,硬體只是工具

物聯網從來就不是火箭科學(rocket science),物聯網這個概念的出現只是讓原本幾個獨立存在的既有學科或技術打了一套組合拳,目的是用這個包含複數裝置或軟體的系統(system)達成原本各自獨立的裝置或軟體無法做到的功能。所以一個完整的物聯網方案包含:邊緣層(edge tier)、平台層(platform tier)、企業層(enterprise tier),中間透過各種通訊技術連成物理性網路(proximity network)與服務網路(service network)。

只是這個方案的組成與運行最終是為了服務人類(people),即便是在工廠內的智慧化應用,其目的可能是為了延伸人類的五感,透過感測器不間斷地收集人類無法關注的機台震動或電流強弱。

然而收集這些數據從來就不是目的,真正的目的或許是分析收集的數據可能讓我們了解到經驗老到的老師傅操作工具機對特定工件加工時應該在何時收手,讓新手不用經過老師傅多年的言傳身教才能出師,為了這樣目的組合出來的方案才能真正提供有價值的服務。東施效顰的工業物聯網方案,也可以包含類似的感測器、閘道器(gateway),運用類似的通訊技術,然而沒有結合行業知識(domain knowledge)的智慧化,很難期待這個方案能提供到位的「智慧」,更不要說能夠提供清楚的服務價值。

到底是跟風物聯網,還是真的了解提升服務的所需工具?

Computex 2017 展場上看得到的物聯網應用案例,比如說南部某購物中心新近導入一些智慧停車場、智慧商場的應用。有趣的是,業者也說不出來智慧停車場或智慧商場方案為商場帶來任何「有感」的提升。細究該業者演講內容,未能聽到經由這些物聯網方案收集到哪些數據,從而運用這些數據萃取出什麼洞見,緊接著用什麼方式或商模將洞見轉化為業績或提升客戶滿意度。這個例子是目前在市場上看得到的物聯網方案導入的典型,業主對於智慧零售/智慧商城抱有高度期待,只是在選擇合適的方案時,沒有先從自身的需求確認起,回過頭來選擇與審視提供對應服務功能的物聯網方案,只是為了導入而導入。簡言之,沒有清楚服務目的的物聯網應用方案,只是一個不知所謂的組合,而選擇了一個服務目的不適合(mismatch)或缺乏明確服務目的的物聯網應用方案的業主,最後就只能是砸了大錢但誤會一場的結局。

尤有甚者,在某些 To B 或 To C 的物聯網應用方案中,除了方案提供的服務以外,從各個裝置收集到的資料可以延伸出更深度的服務。舉例來說,針對在宅養老的物聯網服務,不論是鏡頭或其他感測器(例如:motion detector),經過「智慧化」的運算,可以進一步了解長者是否身體狀況變差,進而主動提供照護、送餐、叫車等服務。誠如筆者在另一篇文章「物聯網時代兩種不可或缺的人才:資料科學家、物聯網服務運營商」中所談,這樣的服務背後還需要一個物聯網服務運營商,這個角色將負責解讀這些資料,然後串連適合的外部服務提供者,對長者提供最適切的服務。沒有這樣的服務運營商在背後,所謂的物聯網應用方案服務只會是淺層的服務,不能真正的走進使用者的生活中。

台灣 AI 不是真的沒搞頭,是沒有找到對的方向

回到最近很熱門的論戰,就是李開復先生在演講時指出台灣不適合發展 AI。大數據或是 AI 是近兩年的熱門名詞,想像空間無限寬廣。然而在現實生活中,輔助性質的 AI 不外是起到自動化的作用,亦即根據資料庫內既有或感測器即時收集到的資料,累積並萃取出規則(常模)以及規則之外的例外,甚至當例外也可以被清楚辨識時,在工業上可能就是預防性維護(predictive maintenance)的應用。

在對應消費者的物聯網應用方案中,這些規則與例外,往往代表了亟待被滿足的需求,AI 辨識出使用者需求後還要連結到適切的外部服務供應者完成更深度的服務。台灣或者缺乏有能力與 Google, Facebook, Amazon, Apple 這些公司競爭的軟體巨頭,他們各自都有巨量資料的取得來源,即便台灣有足夠的人工智慧專家,也只能向這些巨頭靠攏。君不見優秀如 Stanford 李飛飛教授,要想發展真正實用的通用型圖像辨識,也必須到擁有 Youtube 的 Google 任職,這與台灣是否及早投入 AI 發展無關。但是,台灣若是能夠深度結合特定的物聯網應用方案,運用這些應用方案收集的資料,透過機器學習累積出相關服務的洞見,仍舊是大有可為的方向。

只是這種從物聯網應用中鍛煉而得的 AI,它的本質還是從服務出發,最終還是歸結到進一步提升服務品質上。Computex 2017 上看到廠商展出的產品,仍舊著墨在個別硬體裝置的功能提升,雖然比起去年有更多軟體的添加,然而見樹不見林的情形仍然存在。什麼時候台灣廠商認識到物聯網是套組合拳,而且是訴求特定服務的組合拳,理解這種組合拳之所有「智慧」,是因為有數據分析、甚至人工智慧在背後解讀及運用前端收集的各種資料,那時候的 Computex 將更加令人期待。

bottom of page