在現今專業分工的時代，很多事情不用透過自己動手作就能享受時代進步所帶來的便利。大家不用自己買布作衣服，不用買食材自己下廚，家裡燈不亮了，房子想重新裝潢一下，不用自己買電線、木材，都有專業人士可以幫忙。但是自己作手作，完成一項可以改變自己生活的事，從來就不是特定專業人士才享有的能力，只是隨著時代的演進，那些父母時代才有的動手作能力及樂趣已逐漸被人們淡忘。

早在1956年瑞典知名家俱商IKEA就推出組合式家俱，讓一般人也能自己 DIY (Do It Yourself) 看圖組裝家俱。2005年Make雜誌推出，2006年Maker Faire開始推動 Maker（自造者或稱創客）運動，讓傳統手工製作的精神加入了電子、機械、資通訊（俗稱寫程式）等現代科技，同時許多廠商紛紛推出相應套件、工具及軟體、平台，也有許多樂於分享的人將相關技術無私開源，讓更多人能享受自己動手作的樂趣。

2014年美國總統歐巴馬更在白宮主持了Maker活動，並規畫教育創新十年計畫，編列四億美金，培訓十萬名教師推動 STEM(科學Science、科技Technology、工程Engineering及數學 Mathematics)來讓學生們更具動手作的能力。於是這股風潮引爆更多領域，如平價的3D印表機(3DP)、無人機(Drone)、自走車等，從此開啟跨域Maker新世代。

在這股風潮下台灣Maker也不落人後，尤其在擁有強大的電子硬體及資通訊軟體的能力下，2013年由中研院及LASS社群[1]共同推動下，一個螞蟻雄兵的計畫就此誕生，那就是「PM2.5空氣盒子」。

大家利用很簡單的PM2.5空氣品質感測器加上平價的硬體、通訊模組、開源的軟體及簡單的外殼，最後再一起串接到共同網站就能監看全台灣的空氣品質，而其整體架構剛好就是「物聯網(Internet of Things, IoT)」最基本的核心技術。

由於這項技入門容易，價格不高，具教育意義，更能讓老師、家長及學生一起動手作，不限是否具有電子或資通訊背景都能快速速上手，於是全民Maker的時代正式開啟，陸續引爆各種創意及手作風潮。

圖一 : Maker Faire Taipei [影像來源]

十年過去了，中間發生了很多事，包含知名Maker Faire差點倒掉又易主，很多Maker Space收起來，不禁讓很多人覺得Maker不再是熱點。但從去（2022）年及今年的Maker Faire Taipei活動來看，即便收費仍然有非常多人參加，會場中各種創意及交流，讓人覺得依舊活力十足。

不過仔細觀察了一下，會發現熟面孔似乎越來越少，作品的內容和往年相比似乎也沒有太多變化，是大家創意疲乏了嗎？還是Maker精神已融入生活不再需要多說呢？難道已經沒有新的火花可以重新點燃大家的熱情嗎？

去年11月底OpenAI發表大型語言模型(Large Language Model，LLM)ChatGPT後，短短一年就 讓生成式人工智慧(AIGC) 發生翻天覆地的變化，不僅是文字創作、自然對話、影音生成，甚至直接輸入影音而使用文字查詢也變成不再是困難的事。一般學生及大眾不需有太多操作知識，就能像面對真人一樣的對談、交辦工作，彷彿科幻電影情節降臨。

這一年來有賴像NVIDIA、INTEL、Microsoft、Google等軟硬體公司的大力推動及各學研單位的努力，僅僅一年就讓遠在天邊（雲端）的技術，可以迅速落地（邊緣），讓高階手機(Mobile)、單板微電腦(SBC)甚至高階單晶片(MCU)也有機會玩AIGC相關應用，這也似乎意味著新一波的「AI Maker世代」即將到來，各種新的創意也將遍地開花。

接下來就幫大家整理了一下有哪些硬體、軟體相關技術資源可用，還有哪些創意、應用可能成為AI Maker的新寵。

1.微型AI硬體及適用範圍

圖二 : 微型AI常見硬體組合。

目前依運行模型大小，需選用不同算力及記憶體大小的硬體，才能滿足不同的邊緣型AI應用，大致可分為筆電(AI PC)、手機(SoC)、單板微電腦(MPU)及單晶片(MCU)，而為了順利運行通常這些硬體都會搭配神經網路加速單元(Neural Network Processing Unit, NPU, 俗稱AI晶片)，否則很難滿足即時反應需求。

一般來說在邊緣端裝置要直接跑大型語言模型(LLM)還要馬上有反應且不能太胡言亂語，那就要使用較大模型(1300億或700億個參數, 130B或70B)，透過網路連線到雲端，使用業者提供的API服務（部份免費），而邊緣裝置僅負責處理人機界面，輸入文字、語音、影像等資料，待收到回覆後再顯示文字、影像，播放聲音或影片，很適合用於各種文字、影像、音樂生成等應用。這樣的作法，對硬體要求不高，也不需要有NPU存在，甚至高階MCU也都有機會能完成。常見的API服務如下所示。

‧ OpenAI：GPT-3.5/4, DallE2/E3

‧ Google：Vertex AI

‧ Microsoft Azure：Cognitive Service(DialoGPT)

‧ Amzon Web Services(AWS)：Lex

如果想要離線就能運行LLM，那模型就不能太大，通常是130億或70億或13億個參數（13B或7B或1.3B），以一個參數1 Byte(8 bit)來看，就要有13GB或7GB的記憶體及儲存空間才夠用，所以有時還要透過模型優化工具將其量化、剪枝、壓縮來縮小模型，才能放的進裝置中運行。

但缺點就是模型越小，生成能力及正確性也會隨之下降，較適合特定場域中有限回答，如智慧家庭、智慧交通、智慧健康、電商客服等。以下列舉一些常見硬體。當然這些硬體算力較好，也很適合用於影像分類、物件偵測、影像分割等應用。

‧ AI PC：Intel Meteor Lake(14代CPU+iGPU+NPU), AMD Ryzen 8040(CPU+GPU+NPU), Apple M2(CPU+GPU+NPU), Qualcomm Snapdragon X Elite(CPU+GPU+DSP+NPU) …

‧ 手機平板(SoC)：Qualcomm Snapdragon 8 Gen 3, 聯發科天磯9300 …

‧ 單板微電腦(MPU)：Nvidia Jetson Orin(CPU+GPU), Raspberry Pi 5(CPU), Rockchip RK3588(CPU+NPU), ALIF Ensemble(MPU+MCU+NPU), NXP i.MX93 (MPU+MCU+NPU), TI AM6xA(MPU+MCU+DSP+NPU) …

常見7B LLM模型：

‧ Meta Llama2 7B

‧ Taiwan-LLM-7B

‧ Mistral 7B

‧ Intel Neural-Chat-7b

‧ Zepyr-7B-beta

‧ MosaicML MPT-7B

‧ TAIDE 7B (國科會，台灣可信任AI對話引擎，模型尚未正式開放，現僅提供特定單位內測中)

一般Maker常用的Arduino及PRO系列，前者多半為低階單晶片，算力及記憶體極少，較不適用微型AI，而PRO系列雖然沒有NPU加持，但Arm Cortex-M4/M7/M33的內核時脈頻率高，運算速度快，記憶體(Flash & SRAM)較多，已能完成簡單的語音，甚至低解析度的AI影像應用。

而最近一年高階MCU+NPU已陸續亮相，雖然算力通常不到0.5TOPS，但對於較複雜的AI視覺模型及應用（如物件偵測、追蹤）還是沒問題的，以下就簡單列出一些已公開的產品。

‧ ST STM32N6(MCU+NPU)

‧ NXP MCX-N(MCU+NPU)

‧ Himax WE2(MCU+NPU)

‧ Espressif ESP32-S3(CPU+DSP)

‧ Realtek RTL8735B(MCU+NPU)

‧ Infineon PSoC Edge(MCU+NPU)

‧ SiFive X390(64bit RISC-V+VLEN)

2.小型AI開發軟體及平台

有了這些硬體還不夠，因為大家對AI可能還不太懂，一下子難以跨越算法的鴻溝，因此就像開車一樣，大家只要到駕訓班學一些基本操作就能上路，不用懂汽車是如何被設計出來的，所以一個容易上手的AI開發軟體工具及平台就變得很重要。

一般AI應用開發分為訓練(Training)及推論(Inference)，在邊緣端只需推論就夠了。而很多常用的AI應用多半都已開源，不需重新訓練就能使用，只要適當將模型優化處理就能塞進邊緣裝置中。常見開發工具及平台簡單介紹如下。

● AI PC / 單板微電腦端工具

‧ Google：TensorFlow Lite, Teachable Machine,MediaPipe

‧ Nvidia： TensorRT

‧ Intel： OpenVINO

‧ Microsoft： Lobe

●單晶片專用型AI函式庫及編譯器

‧ ST： CubeAI (local, cloud) , NanoEdge

‧ NXP： eIQ

‧ Renesas： Reality AI

‧ Infineon： Imagimob

‧ Nordic： Atlazo

‧ TDK： Qeexo

‧ Google： TensorFlow Lite for Microcontroller

‧ Arm： CMSIS-NN, Android NN SDK, Compute Library, Vela Compiler

‧ Nuvoton： Skymizer ONNC Compiler

●通用型單晶片TinyML開發平台

‧ Edge Impulse Studio

‧ Quick Logic SensiML

‧ Neuton

‧ AI Tech. Cainvas

‧ OctoML

3.AI小幫手及創意發想

圖三 : 微型AI常見應用例。

在Maker眼中，創意、靈感從不缺乏，只是在有沒有動手去作，而不是只存在嘴上和心中。當你又學習到一項新工具或新技術時，如何落實到生活中才是Maker精神。回到100年前，1920年代福特汽車開始大量生產上市時，大多數人想到的是好快的車速，人類真的有辦法操控嗎？馬車真的會被取代嗎？它會不會很危險，很容易撞傷人？這些問題是否和AI世代降臨很像呢？如今大家享受著自動化生產的成果及便捷的交通工具，都是前人努力的結果。只要大家善用工具，相信AI也能成為日常不可或缺的一部份。

為了讓大家更有想像空間，這裡簡單整理了聲音、影像、環境感測、視覺及生成五大領域，不同硬體平台，數十種微型AI應用的實作案例，希望大家能舉一反三，創作出更多有趣的案例並分享給大家，那麼一起成為「AI Maker」就不再是難事了。

‧ 【Intel DevCup 2021作品集】- 實作組、概念組

‧ 【Intel OpenVINO Notebooks】(含AIGC)

‧ 【Nvidia Jetson Community Projects】

‧ 【TinyML應用大全（30組案例分享）】

‧ 【Hackster.io LLM Projects】

從以上軟硬體技術及實作案例的介紹，大致可了解到完全離網，在裝置上獨立運行微型AI推論是沒有問題，以下就簡單列出幾項考慮的重點，方便大家未來設計時的參考。

‧ 感測器類型（聲音、振動、影像、環境…）

‧ 模型大小及複雜度（模型優化工具、Flash儲存參數量、SRAM計算過程變數量）

‧ 推論效能（精度、速度…）

‧ 資料傳輸方式（有線I2C/SPI/MIPI…，無線BLE/WiFi/5G…）

‧ 耗能（電池、充放電管理、睡眠…）

‧ 晶片及開發板價格

小結

2023年即將結束，各種「AI Maker世代」所需的軟硬體及開發工具也陸續到位，以上簡介只是拋磚引玉，相信這將可以再次點燃大家心中的Maker精神，重新把創意具現化，讓AI變成大家生活的小幫手，而不再是遙不可及的技術。

（本文由VMAKER授權轉載；連結原文網址）

參考文獻

[1] LASS環境感測器網路系統

https：//lass-net.org/

[2] 許哲豪，“TinyML應用大全（30組案例分享）”

https：//hackmd.io/@OmniXRI-Jack/tinyML_30_porjects

[3] 許哲豪，“如何結合Google Colab及Intel OpenVINO來玩轉AIGC”

https：//omnixri.blogspot.com/2023/12/20231209devfest-taichunggoogle.html