| Capital 資本平台

博客

腦機接口可實現人類機器融合

2022-12-23

人類在腦後插入一條電線，便可進入虛擬世界；學習知識不需書本亦不花時間，只要將知識輸入大腦便可。這種情景是不少科幻電影的橋段，但原來這些構想並非無稽之談，是建基於已發展多年的「腦機接口」（Brain-Computer Interface, BCI）技術而推想出來的。人類與電腦的交互由最初「鍵盤＋文字顯示」，到PC時代「鍵盤＋滑鼠＋圖形顯示」，智能手機時代的「觸摸屏」，再到VR/AR時代的穿戴式裝置。至於腦機接口，上世纪70年代已出現相關技術研究，上世紀末開始利用猴子進行實驗，成功後更運用到病人身上。進入本世紀，腦機接口處於技術爆發階段。2014年巴西世界盃開幕禮上，一名全身癱瘓的少年穿上「機械戰甲」，利用BCI憑意念開出世界盃的第一球，令全球矚目。2019年更是BCI大放異彩的一年，美國腦機科技公司BrainCo做出全球第一種腦控機械的義肢產品──智能仿生手，馬斯克創立的腦機接口公司Neuralink則公佈已找到高效實現BCI的方法，隨後更在三隻已植入晶片的小豬身上成功讀取腦電信號。腦機接口（BCI）究竟是一種怎樣的技術，竟然令電影情節般的人機交互可在現實發生。BCI其實是指大腦與電腦等外部電子設備之間的直接聯繫，這條新通道繞過周邊神經或肌肉系統等慣常路徑。具體是透過設備從大腦皮層採集腦電波等信號，將之轉成為電腦可識別的信號，經過處理後將信號轉化為指令，達到控制外部設備的目的。易傷大腦侵入式仍非主流一個標準的BCI系統由4部分組成：信號採集、信號處理、控制設備及回饋環節，其中信號處理再分為預處理、特徵提取、特徵分類3個環節。信號採集主要考慮三個標準，包括規模（可記錄多少神經元）、分辨率（信息細緻程度）及侵入程度（要不要手術及其影響），當中侵入程度最受關注。因此，BCI技術分為非侵入式、侵入式和半侵入式三種。所謂侵入即是否要進入大腦，因異物放入大腦會產生風險，可能引發炎症或造成永久傷口。因此，非侵入式仍是主流，佔據市場絕大部份的份額。採集信號之後便要分析信息，進行解碼和再編碼。由於採集過程中，有很多干擾信號，例如由電力系統引起的工頻干擾、參與者的眼動偽跡等都需要處理掉。不同的採集方法便有不同分析模型，如腦電圖（EGG）等，同時亦有不同的特徵提取方法，如腦電波P300信號的分析等。在分析之後便是再編碼，如何編碼取決於要完成甚麼事，例如需要控制機械臂拿取東西，便要編碼成相關的運動信號。醫療健康　最普遍應用場景控制設備部份主要是輸出信號並執行，將處理後的腦電波信號傳輸至已連接的設備器材，作為數據基礎加工內容，或回饋到終端機器形成指令。最後是回饋環節。在信號執行後，設備將產生動作或顯示內容，參與者將通過視覺、觸覺或聽覺，感受到產生的腦電波已被執行，並觸發回饋信號。 BCI系統有5大功能，即監測、替代、改善/恢復、增強及補充。以現時應用BCI最普遍的場景醫療健康為例，監測（BCI可監測人體意識狀態）、替代（BCI系統的輸出可取代因損傷或疾病而喪失的原本輸出）、改善/恢復（針對康復可改善疾病症狀或恢復某種身體功能）、增強（針對健康人士可提升和擴展機能）、補充（可增加腦控方式，補充傳統單一的方法）。除了醫療健康外，BCI的應用場景亦伸延至其他領域，如智能家居、娛樂、軍事、教育等。智能家居主要是「補充」，BCI有如遙控器，人們可用意念開關電燈、大門及窗簾等。娛樂方面亦以「補充」為主，BCI為遊戲玩家提供有別於傳統的操作方式，運用意念控制VR界面的功能表。軍事應用則集中在「替代」和「增強」。BCI可協助操控無人裝備，代替人類執行高危任務；結合腦控和手控，更可發揮士兵最大潛能。教育方面主要用於「改善」或「恢復」，例如BrainCo擅長即時探測和訓練學生注意力，既可協助教師及時掌握情況改善教學，亦可提高學生專注程度。關乎倫理　人機融合要多深隨着技術持續成熟，應用場景不斷開拓，BCI市場規模亦日漸成長。市場調查機構QY Research 預計，2026 年全球BCI市場規模達 27 億美元，年均複合增長率 12.4%。另一家機構 Emergen Research更樂觀，去年市場規模為17.84億美元，預期2030年增至50.71億元，年均複合增長率為12.3%。 Neuralink創辦人馬斯克曾說，人類不能被AI淘汰，要與AI融合，在大腦和電腦之間創建一個接口。隨着人類肢體限制不斷突破，人腦潛能將可釋放。對於人類通過BCI實現與機器融合，成為阿凡達般的超級人類，馬斯克充滿希望。不過，即使BCI克服了各種技術關卡及對人類身體造成的影響，人機融合仍要面對道德倫理問題。BCI這種技術應否被應用？是否要做到人機融合的地步呢？這是科學家及企業家都要負責任地面對的問題，而這問題亦需全社會公開討論。畢竟是關乎人類命運的發展，我們只能謹慎地一步一步前進。作者：香港中國商會常務副會長陳亨達 [...]

博客

全屋智能智能家居3.0時代

2022-11-01

物聯網（IoT）是繼電腦及互聯網後，全球資訊科技產業第三次浪潮。在這次大潮之中，智能家居（Smart Home）是物聯網在消費層面重要的應用場景。其實，智能家居這概念已提出多年，遠早於物聯網。1984年，美國聯合科技公司將一幢舊大廈改建成全球首幢智能大廈，智能家居自此受大眾關注。隨着科技發展，越來越多電子設備可在智能家居應用，令智能家居發展更快、更普及。根據終端設備的功能，智能家居產品可分為6大類，包括家電（Appliances）、安防（Security）、娛樂（Entertainment）、連結控制（Control & Connectivity）、光感（Comfort & Lighting）、能源管理（Energy Management）。以家電、娛樂及安防的滲透率較高，尤其是智能電視滲透率已逾半壁江山。智能家居的發展分為三個階段。我們現時處於2.0的智能互聯階段，正在經歷由產品轉向以場景為核心。1.0時代的產品是家電單一品種智能化，主要產品是安全設備，如電子鎖、攝像頭。這些設備利用電腦或智能電話遙控開關或操作，例如通過家中攝像頭觀察嬰兒狀況，又可在回家前遙控開啟冷氣機，這些產品雖然可減少用家工作量，但操作繁複，場景碎片化且兼容性較差。產品已可聯動合作到了2.0階段，智能家居產品的特徵是這6類單品可以聯動一體化。智能家居已出現如智能廚房一類的細分場景及子系統，單品智能化程度提升至各單品之間可協調合作。這個時代以場景為中心，通過網絡通訊及物聯網技術將各項功能整合為系統。隨着物聯網、人工智能及雲計算三大互聯互通技術不斷發展，重塑智能家居的模式，有望進入全面互聯的3.0時代。這個理想的時代以用家為中心，一切圍繞人的需求而非產品或場景而生。大量家居設備AIoT（智能物聯網）化，可感知用戶在家中所有活動，並大量收集用戶的數據，利用AI主動學習的能力開展大數據分析，並提供及時化、個性化、智能化的服務。智能家居的發展歷程是由單品發展到聯動，再向全屋智能進發，市場對其前景樂觀。根據研究機構Allied Market Research的報告，全球智能家居市場規模在2020年為466億美元，預期2030年達到2,398.9億美元，2021至30年年均複合增長率達17.6%。以類別計算，安防產品佔40%市場，娛樂則是未來10年增長最快的類別，年均複合增長率19.2%。 [...]

博客

萬物互聯物聯網要發展安全兼備

2022-09-29

踏入21世紀，以人聯網為核心的互聯網普及化。最初通過固網寬頻，便可透過桌面電腦接入互聯網，實現第一代人網連結；之後出現3G/4G流動網絡，我們便透過流動電話連接互聯網，實現第二代人網連結。到了現時5G網絡來臨，人工智能、雲計算及大數據等互聯網技術邁向成熟，機器已可取代人類與各種物件連接，萬物互聯的物聯網（Internet of Things, IoT）時代已揭開帷幕。物聯網是指人與物、物與物連接的網絡。任何物件配有傳感器（sensor）、軟件和其他技術，只要連上互聯網，便可與其他裝置傳輸和接收數據，並進行計算、處理和知識挖掘，實現人與物、物與物之間信息交互和無縫連結，形成由物件或設備組成的龐大網絡。物聯網有三大基本特徵：一是全面感知，利用感應器等隨時隨地獲取物件或附近環境的信息；二是可靠傳遞，通過電訊網絡與互聯網融合，將物件的信息準確傳遞；三是智能處理，對大量數據和信息進行分析和處理，對物件實施智能化控制。物聯網能夠透過網絡傳輸數據，無需人工操作，只要有網絡，物聯網裝置便能夠無處不在。在PC互聯網及移動互聯網之後，物聯網被寄予厚望，成為新一輪科技與產業革命的主要驅動力。感知網絡應用三層架構現時物聯網應用範圍廣泛，包括工業、農業、政務、交通、家居等。消費者最熟悉的物聯網裝置應是健身監測器，如 Nike Fuel Band 、 Fitbit等。根據互聯網研究機構IoT Analytics估計，2021年全球已連接的物聯網裝置達到123億個，預測2025年物聯網裝置的數目會倍增至270億個。物聯網的架構，根據歐洲電信標準協會（ ETSI）的定義，按不同工作內容，可劃分為感知層（Device）、網絡層（Network）及應用層（Application）。業界以人體的神經網絡比喻物聯網的運作機制，末梢神經（感知層）感測各種信息後，將信息經由神經網絡（網絡層）滙流至大腦；由大腦滙整信息後，做出反應與決策（應用層）。感知層是物聯網的基礎，主要是具有感測、辨識及通訊能力的裝置，這些裝置根據各自的感測原理（如光、溫濕度、壓力、超音波等）感知和識別物體並採集信息，透過RFID、短距離無線通訊（如ZigBee、WiFi、藍牙等）傳到網絡層。由於現時的流動裝置經常內置各種傳感器（Sensor），因此感知層包括流動電話及智能可穿戴裝置。網絡層是數據處理的集送地。它將感知層收集到的數據進行交換，決定適當的指令或透過3G/4G網絡，往更上方的雲端或伺服器傳送。網絡層一般設有網關（Gateway）將來自不同通信協定網絡的數據及信息，轉化成可被另一通信協定網絡識別的信號，例如感測器透過ZigBee傳遞信號，但一般手機無法接收，這時網關將信號翻譯，透過WiFi轉給手機。製造業應用物聯網最多應用層就是數據、信息的分析與應用。由感知層及網絡層收集到的信息，按照不同領域的不同需求轉化成實際的應用，最終目標是通過將物聯網技術與行業應用場景結合，實現萬物互聯。應用層決定物聯網產品能否滲進一般消費者生活之中，現時經常聽到的智能工廠、智能交通、智能醫療等便是其中的例子。根據IoT [...]

博客

5G ——萬物互聯時代的鑰匙

2022-09-18

早在2020年香港便推出5G服務，現時5G網絡已覆蓋全港逾九成人口。所有港鐵車站、大型商場、核心商業區以及人流密集的地區均可體驗5G。通訊事務管理局5月中公布，截至2022年1月，本港5G用戶數目達到300萬人，用戶滲透率高達41%，居於世界前列。根據流動網絡究機構Opensignal的數據，網絡覆蓋率更是全球第二，只較南韓遜色。一般人認為，5G與4G的分別只是網速更快、覆蓋更廣、連接更穩定，其實5G的優勢不只是速度，還有足以影響世界的能力。自1980年代推出以來，流動通訊技術已經歷五代。1G是模擬移動電話，主要是語音通訊，2G除了語音亦可短信通訊，數據傳輸速度由1G的2.4 kbps提高至64 kbps。在兩代的基礎上，3G及4G進一步解決了快速上網和觀看網頁或視頻的問題。到了5G，除了人與物的聯繫外，更可以物與物聯網，並首次將重點轉向支持垂直行業（通訊以外的產業）的市場需求。可以賦能各行業的5G究竟有什麼特點呢？聯合國負責資訊及通訊科技的專門機構──國際電信聯盟（ITU）根據5G流動服務的特性，界定了三個主要應用範疇：一.增強型流動寬頻（eMBB）、二.超可靠和低時延通訊（URLLC）、三.大規模機器類型通訊（mMTC）。簡單來說，eMBB是高頻寬；URLLC是低延遲；mMT是廣連結。每平方公里可連接100萬設備 eMBB可應付更高數據用量的需求，例如繁忙的街道、商場等。此外，可支持更高數據流量的應用，例如4K甚至8K解像度的影像串流。根據ITU訂定的5G技術標準，最高下載傳輸速度為20Gbps，是4G的20倍。由於1Gbps等於每秒傳輸速度128MB，10秒便可下載一套2小時的4K高清電影。根據設計，URLLC支援流動信號在傳輸過程中少於1毫秒（millisecond）的時延。對需要時延極低的互動通訊服務十分重要，例如自動駕駛、遙距診症及手術、工業互聯網及自動化機器等。mMT的設計可支援連接每平方公里100萬個設備，對物聯網（IoT）的發展極為重要，例如遙距控制電燈、家庭電器等智能家居設備，又或者智能電錶、電網以及利用偵測器、感應器監察環境等的智慧環境應用。流動通訊技術是一種利用電磁波進行的通訊方式。其實，宇宙存在着不同的波，如光波、聲波、微波、電磁波等。在無線通訊的過程中，要通過電磁波進行交換信息，而不同頻率及波長形成了電磁波頻譜。頻譜無法增減，因此極度珍貴。由於頻譜資源是流動通訊的命脈，所有流動應用和服務都靠它。從2G到5G，頻譜分配都是每一代流動通訊轉換的關鍵。毫米波頻段對5G發展很重要根據ITU的定義，人類可識別使用的電磁波頻率由3KHz至300GHz，當中3M至30MHz的高頻是流動通訊的起點，4G LTE常用的頻段是450M至3800MHz，開始進入GHz（1GHz等於1000MHz）的級別。雖然國際公認的5G標準未完全確定，但5G頻譜可分為兩頻段：一.sub 6GHz（即6GHz以下），與4G LTE頻段有重叠；二. 24GHz以上，稱為毫米波，是指波長的單位為毫米的頻段。 [...]

博客

AI成為社會發展的「必然選項」

2022-08-15

數碼世界依靠數據驅動，其運作的三大支柱是數據、算力和算法。大數據（Big Data）及雲計算（Cloud Computing）技術對應前兩者，至於代表算法的技術便是人工智能（Artificial Intelligence），三者形成數碼世界的ABC三大基礎設備，三個要素缺一不可，相互促進、相互支撐。以美食作為比喻，大數據相當於食材；雲計算是烹煮必須的煤氣或電力；人工智能的演算法便是烹飪方法，三者俱備才能炮製出美味佳餚。人工智能的概念早在70年前已有科學家提出。1956年夏天在美國達特矛斯（Dartmouth）舉行了一個關於人工智能研討會，正式提出人工智能（AI）的定義。隨着電腦出現，當時的科學家便構想將人類智能赋予電腦，讓電腦模仿人類思考，進而模擬人類的能力或行為。AI作為一門學科便在這時起步，人們普遍將這一年稱為AI元年。時至今天，AI已進入了人類生活。我們日常接觸到的智能手機、叫車軟件、社交媒體、導航、搜尋引擎等都運用了AI技術。不過，這種在特定範圍執行具體任務的AI只屬於「狹義人工智能」（Narrow AI）。至於能夠模仿人類思維、決策，有自我意識、自主行為的「通用人工智能」（General AI）現時仍只能在科幻小說或電影找到，未能成為現實。在AI發展初期，利用以法則為主（Rule Based）的程式，將人類專家的知識和經驗變成數據形式，通過數據讓電腦進行推理，這種系統擁有多條法則，可進行簡單的推理，稱為專家系統。這些法則要明確，數量要少，例外的情況不能多，所以適用處理結構化的數據，但面對大範圍、數量多、非結構化的數據便難以應付。機器學習數據為本着重學習除了法則為本的程式外，AI另一重要分支是機器學習（Machine Learning）。與法則為本的方向相反，機器學習從下至上，着重AI模型的學習，盡可能提供大量數據，經由人類知識從數據提取一些具有特徵的數據（feature data），讓AI模型學習，然後用學習好的模型去判斷數據，並得出問題的答案。機器學習將複雜的智能問題換成相對簡單的統計問題，而電腦正是處理統計數據的能手。經過大量數據的訓練後，AI便能總結出規律，應用到新的樣本。如果在缺乏足夠數據的全新場景，AI只能瞎猜，無用武之地。現時學術界普遍相信，讓電腦獲得智能的關鍵是大數據，因此機器學習已成為AI的主流方式。雖然「餵飼」AI越多數據，便越有智慧，但只要仍需人類參與特徵工程（把原始數據轉變成特徵的過程），效率便難以提升。科學家便模仿人類的生物神經網絡（Biological Neural [...]