徐宏民专栏

Microchip

ST Microsite

徐宏民

台大资工系教授

徐宏民(Winston Hsu)现任富智捷(MobileDrive)技术长暨副总经理以及台大信息工程学系教授。哥伦比亚大学电机博士，专精于机器学习、大规模影像视讯查找与识别。为讯连科技研发团队创始成员，慧景科技(thingnario)共同创始人，NVIDIA AI Lab计划主持人；曾任IBM华生研究中心客座研究员、美国微软研究院客座研究员。习惯从学术及产业界的角度检验技术发展的机会；十余年产学合作及新创经验。曾获2018 IBM Research Pat Goldberg Memorial Best Paper Award 、2018伪装人脸识别冠军、杰出信息人才奖、吴大猷先生纪念奖等国内外研究奖项。

智能驾驶产品开发？先解决数据问题(上)

先进驾驶辅助系统(ADAS)或是未来大家期盼的全自驾(两者统称为「智能驾驶」)，都是接下来新兴造车产业关键性的产品，DIGITIMES的研究也显示相关产品如感应器、镜头、线材、MCU、AI芯片、软件、服务等的营业额以及成长性都相当可观。

电动车时代　还是秤斤论两卖电子零件？

汽车产业进入典范转移，电动车以及自驾车商机涌现。业界预估，以每年全球汽车产量9,000万台换算，所需的半导体与被动元件消耗量，等同于20亿支智能手机(过去几年智能手机的最高年度销售量还不到15亿支)，可以想像背后可能的庞大商机。

Tesla为何自己设计芯片？

Tesla前些日子召开AI Day，揭露他们在自驾车未来的AI软件以及芯片布局。目前市值最高的汽车品牌，在乎的技术是AI软件以及运算芯片上的突破。前几年还不清楚为何Tesla抱怨车用芯片供应商提供的芯片不敷需求，要自己设计，几年之后他们推出自己的车用芯片，包含了12个CPU，一颗GPU，2颗NPU (每颗算力36.86 TOPS)。而原因日益明朗：深度软硬整合。

降低自驾技术数据成本

前面的文章提到Tesla之所以能抛弃雷达(Radar)或是激光雷达(LiDAR)而使用全视觉的技术，其中一个要素是使用大量的训练质料来提升「感知」以及「预测」能力。另一个自驾团队Lyft Level 5近期研究也发现足够的训练数据可以大大提升自驾品质：在预测的工作上如果训练数据由10小时提升为1,000小时，每1,000英里自驾出错机率会降为11分之1。训练数据在自驾上扮演了关键的角色，特别是目前的演算法都采用了以深度学习为基础的架构。

软件吃掉硬件的自驾技术

随着自驾技术的发展，许多的团队把技术的眼光专注在可扩展性(scalability)上，希望将技术转换为自驾产品时，能具有合理成本，如硬件稳定度高、价格可以被市场接受、在可见的时间内获利，以及能以低人力或时间成本，转移到不一样的场域或国家。如为无人出租车(robotaxi)开发的自驾技术可以使用在个人自驾车，或是在旧金山通行的自驾能力，也可以无痛在台北使用。

自驾技术让行车更安全？

根据WHO的研究，每年全球约有130万人死于交通事故，这样的数目高于每年因HIV/AIDS致死人数，或是等同于每30秒就有一人因车祸受难。肇事的原因可能因为机械问题，或是其他车辆的失误。常见的是行车时没有察觉路况(疲累、捡掉下的手机等)、预估失准、或是在关键时刻无法适时反应而造成意外。

人机互动研究洞察新契机

疫情严峻，学生被迫在家上课，大量企业决定分流或是全数在家上班，许多人工作型态转为接连不断的在线会议，措手不及。还好疫情线上工作在欧美已经进行了一年多，有许多经验值得我们参考。例如，微软(Microsoft)的研究团队最近在人机互动顶尖会议CHI 2021发表一篇学术研究，从公司内部715人的行为，建议有效的线上工作会议应当：避免早上举行重要会议、减少不必要会议、缩短会议时间、鼓励与会者参与讨论、允许会议中多工处理其他工作等。

20年镜头技术更迭教我们的事

第一次使用数码镜头是2001年到尼泊尔爬山时，也一起带了使用正片与负片的传统镜头。虽然分辨率不高(640x480)，却频于分享数码相片，因为方便在电脑上观看、聚会时投影出来解说旅程的故事、或是透过电子邮件分享。所以「数码化」、「便于分享」弥补了早期数码镜头品质的不足。

产品化物件侦测技术(二)

前面的文章概略描述物件侦测技术对推动产业智能化至关重要，近年核心技术也由传统做法提升为深度学习，带来更多突破。

产品化物件侦测技术(一)

在深度学习影像研究中，最时常被拿来展示的，应是「物件侦测」(object detection)技术，其目的为在给定的影像中标定出有兴趣的(目标)物件，提供物件位置边框以及类别(如人、车、单车、巴士、号志等)。

1
2
3
4
5
>>