徐宏民專欄

MongoDB

ADI

徐宏民

台大資工系教授

徐宏民(Winston Hsu)現任富智捷(MobileDrive)技術長暨副總經理以及台大資訊工程學系教授。哥倫比亞大學電機博士，專精於機器學習、大規模影像視訊搜尋與辨識。為訊連科技研發團隊創始成員，慧景科技(thingnario)共同創辦人，NVIDIA AI Lab計畫主持人；曾任IBM華生研究中心客座研究員、美國微軟研究院客座研究員。習慣從學術及產業界的角度檢驗技術發展的機會；十餘年產學合作及新創經驗。曾獲2018 IBM Research Pat Goldberg Memorial Best Paper Award 、2018偽裝人臉辨識冠軍、傑出資訊人才獎、吳大猷先生紀念獎等國內外研究獎項。

智慧駕駛產品開發？先解決資料問題(上)

先進駕駛輔助系統(ADAS)或是未來大家期盼的全自駕(兩者統稱為「智慧駕駛」)，都是接下來新興造車產業關鍵性的產品，DIGITIMES的研究也顯示相關產品如感應器、鏡頭、線材、MCU、AI晶片、軟體、服務等的營業額以及成長性都相當可觀。

電動車時代　還是秤斤論兩賣電子零件？

汽車產業進入典範轉移，電動車以及自駕車商機湧現。業界預估，以每年全球汽車產量9,000萬台換算，所需的半導體與被動元件消耗量，等同於20億支智慧型手機(過去幾年智慧型手機的最高年度銷售量還不到15億支)，可以想像背後可能的龐大商機。

Tesla為何自己設計晶片？

Tesla前些日子召開AI Day，揭露他們在自駕車未來的AI軟體以及晶片布局。目前市值最高的汽車品牌，在乎的技術是AI軟體以及運算晶片上的突破。前幾年還不清楚為何Tesla抱怨車用晶片供應商提供的晶片不敷需求，要自己設計，幾年之後他們推出自己的車用晶片，包含了12個CPU，一顆GPU，2顆NPU (每顆算力36.86 TOPS)。而原因日益明朗：深度軟硬整合。

降低自駕技術資料成本

前面的文章提到Tesla之所以能拋棄雷達(Radar)或是光達(LiDAR)而使用全視覺的技術，其中一個要素是使用大量的訓練質料來提升「感知」以及「預測」能力。另一個自駕團隊Lyft Level 5近期研究也發現足夠的訓練資料可以大大提升自駕品質：在預測的工作上如果訓練資料由10小時提升為1,000小時，每1,000英里自駕出錯機率會降為11分之1。訓練資料在自駕上扮演了關鍵的角色，特別是目前的演算法都採用了以深度學習為基礎的架構。

軟體吃掉硬體的自駕技術

隨著自駕技術的發展，許多的團隊把技術的眼光專注在可擴展性(scalability)上，希望將技術轉換為自駕產品時，能具有合理成本，如硬體穩定度高、價格可以被市場接受、在可見的時間內獲利，以及能以低人力或時間成本，轉移到不一樣的場域或國家。如為無人計程車(robotaxi)開發的自駕技術可以使用在個人自駕車，或是在舊金山通行的自駕能力，也可以無痛在台北使用。

自駕技術讓行車更安全？

根據WHO的研究，每年全球約有130萬人死於交通事故，這樣的數目高於每年因HIV/AIDS致死人數，或是等同於每30秒就有一人因車禍受難。肇事的原因可能因為機械問題，或是其他車輛的失誤。常見的是行車時沒有察覺路況(疲累、撿掉下的手機等)、預估失準、或是在關鍵時刻無法適時反應而造成意外。

人機互動研究洞察新契機

疫情嚴峻，學生被迫在家上課，大量企業決定分流或是全數在家上班，許多人工作型態轉為接連不斷的線上會議，措手不及。還好疫情遠距工作在歐美已經進行了一年多，有許多經驗值得我們參考。例如，微軟(Microsoft)的研究團隊最近在人機互動頂尖會議CHI 2021發表一篇學術研究，從公司內部715人的行為，建議有效的遠距工作會議應當：避免早上舉行重要會議、減少不必要會議、縮短會議時間、鼓勵與會者參與討論、允許會議中多工處理其他工作等。

20年相機技術更迭教我們的事

第一次使用數位相機是2001年到尼泊爾爬山時，也一起帶了使用正片與負片的傳統相機。雖然解析度不高(640x480)，卻頻於分享數位相片，因為方便在電腦上觀看、聚會時投影出來解說旅程的故事、或是透過電子郵件分享。所以「數位化」、「便於分享」彌補了早期數位相機品質的不足。

產品化物件偵測技術(二)

前面的文章概略描述物件偵測技術對推動產業智能化至關重要，近年核心技術也由傳統做法提升為深度學習，帶來更多突破。

產品化物件偵測技術(一)

在深度學習影像研究中，最時常被拿來展示的，應是「物件偵測」(object detection)技術，其目的為在給定的影像中標定出有興趣的(目標)物件，提供物件位置邊框以及類別(如人、車、單車、巴士、號誌等)。

1
2
3
4
5
>>