Learning Objectives
- 說明物聯網從感測器、閘道、雲端到致動器的架構，以及發布／訂閱的運作方式
- 比較在雲端與在邊緣執行規則的差別
- 說明虛擬實境、擴增實境與混合實境的差別，以及頭戴顯示器怎麼產生立體感
- 說明機器學習如何從資料學出分類規則，並舉例說明訓練資料的偏差會造成什麼問題
新興科技也是由前面學過的東西組成
教室太熱時冷氣自己開啟、用手機鏡頭看見疊在桌上的立體模型、用 AI 助教問課程問題：這些「新興科技」看起來很神奇， 但拆開來，還是前面各課學過的元件：感測器把真實世界變成數字（第 07 課的取樣與量化）、網路把資料送到別處（網路那幾課）、 程式依規則或演算法做出決定。
這一課回答三個問題：
- 物聯網：成千上萬的小裝置怎麼互相傳訊息，又怎麼自動做出反應？
- 虛擬實境：一副頭戴顯示器怎麼讓你覺得「身在另一個地方」？
- 人工智慧：電腦怎麼從資料「學會」分類，又為什麼會學錯？
物聯網：會感測、會連網、會動作的物品
物聯網（Internet of Things，IoT）指的是裝上感測器、能連上網路的日常物品：智慧電表、空氣品質監測站、 穿戴裝置、自動澆水系統。這個名稱一般認為是艾胥頓（Kevin Ashton）在 1999 年向公司主管簡報時開始使用。
一個物聯網系統通常有這幾個角色：
| 角色 | 做什麼 | 例子 |
|---|---|---|
| 感測器（sensor） | 把環境量成數字 | 溫度、濕度、二氧化碳、光照、加速度 |
| 致動器（actuator） | 依指令對真實世界做動作 | 風扇、電燈、門鎖、馬達 |
| 閘道（gateway） | 收集附近裝置的資料，轉送到網際網路 | 教室裡的小型電腦、家用路由器 |
| 雲端平台 | 儲存資料、執行規則、提供手機 App 查看 | 訊息代理伺服器、資料庫、儀表板 |
小裝置的電力與運算能力有限，常用一種很精簡的傳訊方式：發布／訂閱（publish／subscribe）。 最常見的協定是 MQTT，最早由 IBM 的史丹佛克拉克（Andy Stanford-Clark）與 Arcom 公司的尼佩爾（Arlen Nipper）在 1999 年設計，用來監控輸油管線； 3.1.1 版在 2014 年成為 OASIS 標準，5.0 版在 2019 年發布。
- 每則訊息有一個主題（topic），用斜線分層，例如
classroom/101/temp。 - 感測器只管把訊息發布到主題，不需要知道誰會收到。
- 想收資料的裝置向訊息代理（broker）訂閱主題篩選；代理把符合的訊息轉給每一個訂閱者。
- 主題篩選可以用萬用字元：
+代表任意一層（classroom/+/temp收到每間教室的溫度），#代表其下所有層（classroom/101/#收到 101 教室的全部主題）。
這種設計讓裝置之間不必互相認識：多加一個想看溫度的 App，只要多一個訂閱，感測器完全不用改。
雲端與邊緣運算
剛才的練習裡，同一條規則可以放在兩個地方執行：
| 在雲端執行 | 在邊緣（閘道、裝置本身）執行 | |
|---|---|---|
| 反應時間 | 訊息要到雲端再回來，比較久 | 在現場就決定，比較快 |
| 對外網路斷線時 | 規則無法執行 | 仍然可以運作 |
| 適合 | 需要大量資料、跨地點彙整、長期分析 | 需要即時反應、網路不穩、資料不想離開現場 |
邊緣運算（edge computing）就是把一部分運算放在靠近資料來源的地方。實際系統常常兩者並用： 即時控制在邊緣，長期統計與跨教室比較在雲端。
物聯網也帶來新的資訊安全問題：裝置數量多、常常沿用出廠預設密碼、很少更新軟體，容易被入侵後變成攻擊別人的工具； 感測資料（例如有沒有人在家、睡眠時間）也可能洩露隱私。設計時要更改預設密碼、加密傳輸、定期更新，只收集需要的資料。
想一想：發布／訂閱與邊緣運算
App 訂閱主題篩選 campus/+/temp，下列哪一則訊息會被送到這個 App？
工廠的機器手臂要在感測到有人靠近時立刻停止，而且工廠的對外網路偶爾會斷線。這個判斷規則最適合放在哪裡執行？
虛擬實境、擴增實境與混合實境
| 名稱 | 看到的是什麼 | 例子 |
|---|---|---|
| 虛擬實境（Virtual Reality，VR） | 完全由電腦產生的環境，看不到真實世界 | 戴上頭戴顯示器走進虛擬實驗室、模擬駕駛 |
| 擴增實境（Augmented Reality，AR） | 真實世界上疊加電腦產生的資訊 | 手機鏡頭裡的家具擺放預覽、導航箭頭 |
| 混合實境（Mixed Reality，MR） | 虛擬物件能和真實環境互動，例如被真的桌子擋住 | 在真實教室裡操作立體的分子模型 |
頭戴顯示器的歷史可以追溯到 1968 年：蘇澤蘭（Ivan Sutherland）和學生做出一套懸吊在天花板上、能隨頭部轉動改變畫面的頭戴顯示器， 因為又重又掛在頭頂，被戲稱為「達摩克利斯之劍」。
VR 讓人覺得「身在其中」，靠的是幾件電腦要一直重複做的事：
- 追蹤：用感測器（陀螺儀、加速度計、攝影機）偵測頭部的位置與方向。只偵測轉頭方向的稱為 3 自由度（3DoF）； 連前後、左右、上下移動都偵測的稱為 6 自由度（6DoF）。
- 算出兩張畫面：兩眼的位置相差幾公分，電腦依頭的位置，為左眼、右眼各畫一張角度略有不同的畫面，大腦把兩張合起來就產生立體感。
- 快速更新：每秒要畫很多張畫面，而且從轉頭到畫面跟著改變的延遲要很短。延遲太長時，眼睛看到的和內耳感覺到的動作對不上， 容易頭暈（動暈症）。
所以 VR 同時用到感測、圖學（第 07 課的像素與色彩）、大量的平行運算（顯示卡），以及低延遲的系統設計。
人工智慧與機器學習
「人工智慧」（artificial intelligence，AI）這個名稱出自 1955 年麥卡錫（John McCarthy）、明斯基（Marvin Minsky）、 羅徹斯特（Nathaniel Rochester）與夏農（Claude Shannon，第 08 課提過他）提出的研究計畫書，1956 年夏天在達特茅斯學院舉行的研討會， 一般視為 AI 成為一個研究領域的起點。
讓電腦做出「聰明」判斷有兩大類做法：
| 做法 | 怎麼做 | 例子 |
|---|---|---|
| 規則式 | 人把規則寫成程式 | 「信裡有『中獎』兩個字就當垃圾郵件」 |
| 機器學習（machine learning） | 給電腦大量有答案的例子，讓演算法自己找出規則 | 用一萬封標好「正常／垃圾」的郵件訓練分類器 |
機器學習的基本詞彙：
- 特徵（feature）：描述一筆資料的數字，例如郵件裡的連結數、「免費」這類字眼的數量。
- 標籤（label）：正確答案，例如「垃圾郵件」。有標籤的學習稱為監督式學習。
- 訓練資料用來學；測試資料是模型沒看過的資料，用來檢驗學得好不好。
下面的練習用兩種很早就出現的分類方法：
- k 最近鄰（k-nearest neighbors，k-NN）：要判斷一個新的點，就找訓練資料裡離它最近的 k 個點，看多數是哪一類。不需要事先「訓練」，但要記住所有資料。
- 感知器（perceptron）：羅森布拉特（Frank Rosenblatt）在 1958 年發表。它學一條直線（多個特徵時是一個平面），分錯一個點就把直線往正確的方向移一點，重複到全部分對為止。 1969 年明斯基與派普特（Seymour Papert）在《感知器》一書中指出，單層感知器只能分開「一條直線分得開」的資料，連第 08 課的 XOR 都做不到。 後來把很多層這種單元疊起來的神經網路解決了這個限制，也就是今天深度學習的基礎。
資料決定了模型會學到什麼
剛才「訓練資料有偏差」的例子裡，演算法本身沒有錯：它忠實地學到了訓練資料裡的樣子。 問題出在資料只收集了某一種垃圾郵件，模型在沒看過的區域就只能亂猜。補上那一區的資料，答對率就回來了。
同樣的情況在真實世界很常見，而且後果更嚴重：
- 如果用來訓練的資料只來自某些地區、某些年齡層或某些族群，模型對其他人的判斷就可能比較不準。
- 如果過去的紀錄本身帶有不公平（例如過去的審核標準），模型會把這種不公平學下來，再大量複製。
- 模型的答對率要用它沒看過、而且具代表性的測試資料來檢驗；只看訓練資料的成績會高估模型。
今天的生成式 AI（例如 AI 助教背後的大型語言模型）也是從大量資料學出來的：它依前面的文字，估計下一個字的機率再抽樣產生回答， 所以同樣會受到訓練資料的影響，也可能說出聽起來合理但不正確的內容。使用時要查證重要的資訊，並清楚標示哪些內容由 AI 產生。
科技對社會的影響、誰該為 AI 的決定負責，是下一課「數位倫理」要討論的問題。
想一想：虛擬實境與機器學習
用手機鏡頭看教室，畫面上出現疊在真實桌面上的立體心臟模型，這屬於哪一種技術？
戴 VR 頭戴顯示器時，轉頭之後畫面要過一陣子才跟上，最可能造成什麼問題？
下列哪一組資料，單層感知器一定無法把兩類完全分開？
一個模型在訓練資料上答對 99%，用另一批沒看過、來自不同地區的資料測試，只答對 70%。最可能的原因是什麼？
重點整理
- 物聯網：感測器量測、閘道轉送、雲端儲存與執行規則、致動器動作。MQTT 用發布／訂閱與主題（
+、#萬用字元）傳訊息，發布者不需要知道誰在訂閱。 - 邊緣運算把規則放在靠近資料來源的地方：反應快、斷網也能運作；雲端適合大量資料的彙整與分析。物聯網裝置要注意預設密碼、更新與隱私。
- VR 完全取代視野、AR 在真實世界上疊加資訊、MR 讓虛擬物件和真實環境互動；VR 靠追蹤頭部、為兩眼各畫一張畫面產生立體感，延遲太長會頭暈。
- 機器學習從有標籤的例子學出規則：k 最近鄰看最近的 k 個點投票，感知器學一條直線（單層做不到 XOR）。
- 模型只會學到訓練資料裡的樣子；資料有偏差，模型就有偏差。要用沒看過、具代表性的測試資料檢驗。
下一課：計算的極限（圖靈機與停機問題），以及科技帶來的倫理問題。想深入了解生成式 AI 怎麼產生回答，可以接著上 AI 素養軌。