人工智能化的傳感器技術(shù)

工信部正式印發(fā)的《促進(jìn)新一代人工智能產(chǎn)業(yè)發(fā)展三年行動(dòng)計劃》，為人工智能發(fā)展指明了前進(jìn)的方向。計劃中的重點(diǎn)內容是培育八項智能產(chǎn)品和四項核心基礎，而智能傳感器正排在核心基礎的第一位，處于最基礎最重要的地位。

萬(wàn)物相連技術(shù)鏈 

傳感器、大數據、機器學(xué)習、人工智能和機器人是怎樣擰在一起了呢？在人工智能時(shí)代硬件和軟件是共生演化的，彼此影響的呢？

  “物聯(lián)網(wǎng)”、“大數據”和“機器人”等,其實(shí)這些趨勢是相互聯(lián)系在一起的，擰成一個(gè)大趨勢， 在這個(gè)鏈條里，每一環(huán)都會(huì )對下一環(huán)產(chǎn)生影響，如此產(chǎn)生積極的循環(huán)。各種連接的設備里的傳感器會(huì )產(chǎn)生大量數據，海量數據使得機器學(xué)習成為可能，機器學(xué)習的結果就是AI，而AI又指導機器人去更精確地執行任務(wù)，機器人的行動(dòng)又會(huì )觸發(fā)傳感器。這整個(gè)就是一個(gè)完整的循環(huán)。

1.傳感器產(chǎn)生數據

到2014年，連接到互聯(lián)網(wǎng)的設備超過(guò)了世界人口的總和。Cisco預測，到2020年，將有500億個(gè)相互連接的設備。而這些設備中大多都會(huì )安傳感器，可能用Electric Imp內嵌傳感器，或者用Estimote外接一個(gè)傳感器。

設備中的傳感器會(huì )產(chǎn)生前所未有的海量數據。

2.數據支撐機器學(xué)習

在2020年，預計有35ZB的數據產(chǎn)生，也就是2009年數據量的44倍。到時(shí)候，不管是結構化的、或更可能是沒(méi)有結構化的數據都可以通過(guò)機器來(lái)處理，從而獲得大量洞見(jiàn)。

3.機器學(xué)習改善AI

機器學(xué)習依靠數據處理和模式識別，從而讓計算機不需要編程就能去學(xué)習?，F在的海量數據和計算能力都在驅使機器學(xué)習的突破。

機器學(xué)習的十足威力，看看Google就知道了。

Google就是利用機器學(xué)習，把法國每一個(gè)企業(yè)的位置、每一個(gè)住房、每一條街都繪制在地圖上了。整個(gè)過(guò)程只需1個(gè)小時(shí)。

4.人工智能指導機器人行動(dòng)

隨著(zhù)計算機已經(jīng)在象棋和路標方面做得比人類(lèi)好了，我們就有理由對未來(lái)有更多期待。隨著(zhù)更多的傳感器采集到的數據越來(lái)越多，這能優(yōu)化更多的機器學(xué)習算法，從而我們可以合乎邏輯地推斷，與機器人結合的計算機執行任務(wù)的能力會(huì )呈指數級增長(cháng)。

5.機器人采取行動(dòng)

不僅數以百計的公司在制作可以完成各種工作的機器人，機器人本身也會(huì )變得越來(lái)越智能， 而且借助AI的進(jìn)步，還能完成很多我們夢(mèng)寐以求的任務(wù)。

6.行動(dòng)觸發(fā)傳感器

機器采取行動(dòng)觸發(fā)傳感器來(lái)收集數據，從而整個(gè)循環(huán)就完整了。

這就是整個(gè)人工智能生態(tài)的技術(shù)鏈。

人工智能技術(shù)優(yōu)化傳感器系統

人工智能技術(shù)能夠對傳感器系統有所幫助，它們是：基于知識的系統、模糊邏輯、自動(dòng)知識收集、神經(jīng)網(wǎng)絡(luò )、遺傳算法、基于案例推理和環(huán)境智能。這些技術(shù)在傳感器系統中的應用越來(lái)越廣泛，不僅因為它們確實(shí)有效，還因為今天的計算機應用越來(lái)越普及。

這些人工智能技術(shù)具有最低的計算復雜度，可以應用于小型傳感器系統、單一傳感器或者采用低容量微型控制器陣列的系統。正確應用人工智能技術(shù)將會(huì )創(chuàng )造更多富有競爭力的傳感器系統和應用。

人工智能領(lǐng)域的其他技術(shù)進(jìn)步也將會(huì )給傳感器系統帶來(lái)沖擊，包括數據挖掘技術(shù)、多主體系統和分布式自組織系統。環(huán)境傳感技術(shù)能夠將很多微型電子處理器和傳感器集成到日常物品中，使其具有智能。它們可以創(chuàng )造智能環(huán)境，與其他智能設備通訊，并與人類(lèi)實(shí)現交互。給出的建議能夠幫助用戶(hù)更加直觀(guān)地完成任務(wù)，但是這種集成技術(shù)的后果將會(huì )很難預測。使用環(huán)境智能和多種人工智能技術(shù)的組合能夠將這種技術(shù)發(fā)揮到極致。

創(chuàng )建更智能的傳感器系統

可以采用人工智能對傳感器系統進(jìn)行優(yōu)化。人工智能作為計算機科學(xué)的一個(gè)分支出現于20世紀50年代，它繁衍出了很多功能強大的工具，在傳感器系統中具有巨大作用，能夠自動(dòng)解決那些原本需要人類(lèi)智能才能夠解決的問(wèn)題。

雖然人工智能進(jìn)入工業(yè)領(lǐng)域的進(jìn)程較為緩慢，但是它必將帶來(lái)靈活性、可重新配置能力和可靠性方面的進(jìn)步。全新的系統設備在越來(lái)越多的任務(wù)中表現出超過(guò)人類(lèi)的性能。隨著(zhù)它們與人類(lèi)越來(lái)越緊密，我們將人類(lèi)大腦與計算機能力結合起來(lái)，實(shí)現商討、分析、推論、通訊和發(fā)明。 

人工智能結合了多種先進(jìn)技術(shù)，賦予了機器學(xué)習、采納、決策的能力，給予他們全新的功能。這一成就依賴(lài)于神經(jīng)網(wǎng)絡(luò )、專(zhuān)家系統、自組織系統、模糊邏輯和遺傳算法等技術(shù)，人工智能技術(shù)將其應用領(lǐng)域擴展到了很多其他領(lǐng)域，其中一些領(lǐng)域需要對傳感器信息進(jìn)行解析和處理，例如裝配、生物傳感器、建筑建模、計算機視覺(jué)、切割工具診斷、環(huán)境工程、力值傳感、健康監控、人機交互、網(wǎng)絡(luò )應用、激光銑削、維護和檢查、動(dòng)力輔助、機器人、傳感器網(wǎng)絡(luò )和遙控作業(yè)等等。

這些人工智能方面的發(fā)展被引入到了更加復雜的傳感器系統中。點(diǎn)擊鼠標、輕敲開(kāi)關(guān)或者大腦的思考都會(huì )將任何傳感器數據轉化為信息并發(fā)送給你。近期此項研究已經(jīng)有所斬獲， 在如下七個(gè)領(lǐng)域中人工智能可以幫助傳感器系統。

1、基于知識的系統

基于知識的系統也被稱(chēng)為專(zhuān)家系統，它是一種計算機應用程序，整合了大量與某一領(lǐng)域相關(guān)聯(lián)的問(wèn)題解決方案。

專(zhuān)家系統通常有兩個(gè)組成部分，知識數據庫和推斷機制。知識數據庫以“如果-那么”的形式表述了這個(gè)領(lǐng)域內的各種知識，加上各種事實(shí)陳述、框架、對象和案例。推斷機制對存儲的知識進(jìn)行操作，產(chǎn)生針對問(wèn)題的解決方案。知識操作方法包含繼承和約束條件(在基于框架和面向對象的專(zhuān)家系統)、檢索并采納案例(案例系統)和應用推斷規則(規則系統)，具體取決于某些控制程序(前向或反向鏈接)和搜索策略(深度優(yōu)先或者廣度優(yōu)先)。

基于規則的系統將系統的知識描述為“如果-那么-否則”的形式。特殊的知識可以用于據側。這些系統善于以人類(lèi)稔熟的形式呈現知識并作出決策。

由于使用嚴格的規則限制，它們并不擅長(cháng)于應對不確定的任務(wù)和不精確的場(chǎng)景。典型的規則系統具有四個(gè)組成部分：規則列表或者規則數據庫(知識數據庫的一種特殊形式)、推斷引擎或者解析器(根據輸入和規則數據庫推斷信息或者采取行動(dòng))、臨時(shí)工作存儲器、用戶(hù)接口或者其他與外部世界的互通方法，將輸入和輸出信號接收進(jìn)來(lái)和發(fā)送出去。

基于案例推理方法是基于過(guò)往問(wèn)題的經(jīng)驗解決現有問(wèn)題。這種解決方案被存儲于數據庫之中，作為人類(lèi)專(zhuān)家的經(jīng)驗總結。當系統發(fā)生了前所未有的問(wèn)題，它會(huì )將問(wèn)題與過(guò)往問(wèn)題對比，找到一個(gè)與現有問(wèn)題最為相近的案例。然后按照過(guò)往的解決方案解決問(wèn)題，并按照成功和失敗與否更新數據庫?；诎咐评硐到y通常被認為是規則系統的一種擴展，他們善于以人類(lèi)稔熟的形式呈現知識，具有從過(guò)往案例學(xué)習并產(chǎn)生新案例的能力。

2、基于案例推理

基于案例推理針對計算機應用形成了四個(gè)步驟：

1、檢索：給出目標問(wèn)題，從內存檢索相關(guān)案例以解決這個(gè)問(wèn)題。案例包括問(wèn)題、解決方案以及關(guān)于這個(gè)解決方案是如何得到的注釋。

2、重用：將解決方案從過(guò)往案例映射到目標問(wèn)題上。這一過(guò)程包括對新場(chǎng)景適應性變更。

3、修改：在將解決方案從過(guò)往案例映射到目標場(chǎng)景之后，測試新的解決方案在真實(shí)世界(或者仿真場(chǎng)景)中是否奏效，如果必要，進(jìn)行修改。

4、保留：如果解決方案成功地解決了目標問(wèn)題，那么將解決方案作為全新案例存儲于內存中。

這一方法的爭論點(diǎn)在于它采納了一些未經(jīng)證實(shí)的證據作為主要作業(yè)準則。沒(méi)有統計相關(guān)數據作為支撐，很難確保結論的準確性。所有根據少量數據做出的推理都被認為是未經(jīng)證實(shí)的證據。

基于案例推理這一概念的宗旨就是將過(guò)往問(wèn)題的解決方案應用在當前問(wèn)題上。這種解決方案被存儲于數據庫之中，作為人類(lèi)專(zhuān)家的經(jīng)驗總結。當系統發(fā)生了前所未有的問(wèn)題，它會(huì )將問(wèn)題與過(guò)往問(wèn)題對比，找到一個(gè)與現有問(wèn)題最為相近的案例。然后按照過(guò)往的解決方案解決問(wèn)題，并按照成功和失敗與否更新數據庫。

基于案例推理系統通常被認為是規則系統的擴展。和規則系統類(lèi)似，基于案例推理系統善于以人類(lèi)稔熟的方式呈現知識，不但如此，基于案例推理系統還具有從過(guò)往案例學(xué)習并產(chǎn)生新案例的能力。圖1所示為基于案例推理系統。

圖示1是基于案例推理系統，和基于規則的系統一樣，基于案例推理系統的擅長(cháng)之處在于以人類(lèi)稔熟的方式呈現信息；同時(shí)，基于案例推理系統也具有從過(guò)去案例學(xué)習進(jìn)而創(chuàng )建新增案例的能力。

很多專(zhuān)家系統再開(kāi)發(fā)時(shí)都采用了一種被稱(chēng)為“殼”的程序，它是一種配備了完整的推斷和知識存儲設備但是并不具備相關(guān)領(lǐng)域內知識的專(zhuān)家系統。一些復雜的專(zhuān)家系統的構建依賴(lài)于“開(kāi)發(fā)環(huán)境”，后者比殼的應用更加靈活，為用戶(hù)提供了構建自定義判斷和知識呈現方法的機會(huì )。

專(zhuān)家系統恐怕是這些技術(shù)中最為成熟的一種，有很多商業(yè)殼系統和開(kāi)發(fā)工具可供使用。一旦某一領(lǐng)域內的知識被導入了專(zhuān)家系統，構建整個(gè)系統的過(guò)程就相對簡(jiǎn)單了。由于專(zhuān)家系統便于使用，所以應用廣泛。在傳感器系統中，有很多應用領(lǐng)域，包括選擇傳感器輸入、解析信號、狀態(tài)監控、故障診斷、機器和過(guò)程控制、機器設計、過(guò)程規劃、生產(chǎn)規劃和系統配置。專(zhuān)家系統的應用還包括裝配、自動(dòng)編程、復雜智能車(chē)輛的控制、檢查規劃、預測危險、選擇工具和加工策略、工序規劃和工廠(chǎng)擴建的控制。

3、模糊邏輯

普通規則專(zhuān)家系統有一個(gè)劣勢，就是它無(wú)法應對超出知識數據庫范圍的情況。當這種情況出現時(shí)，這些規則系統無(wú)法給出結果。這些情況發(fā)生時(shí)系統就會(huì )“當機”，而不似人類(lèi)專(zhuān)家在面對全新問(wèn)題的時(shí)候表現出來(lái)的是性能降低。

模糊邏輯的使用，引入了人類(lèi)判斷所具有的定型判斷和不精確的特性，可以提升專(zhuān)家系統的適應性。模糊邏輯將變量值變?yōu)橐环N語(yǔ)言上的描述，這些描述的含義就是模糊集合，而判斷正是依據這些表述所做出。

模糊專(zhuān)家系統使用模糊邏輯來(lái)應對不完全數據或者被部分損壞的數據所帶來(lái)的不確定性。這種技術(shù)使用模糊集合的數學(xué)理論來(lái)仿真人類(lèi)判斷的過(guò)程。人類(lèi)可以很輕松地在決策過(guò)程中應對語(yǔ)意不明的情況(灰色地帶)，而機器認為這很難。圖2所示為模糊邏輯控制器的架構。

圖2所示為模糊邏輯控制器的架構。

模糊邏輯有在傳感器系統中有很多應用，因為這一范疇的知識并不精確。模糊邏輯非常適用于那些在結構和對象無(wú)法精確匹配的領(lǐng)域、解析度受限的場(chǎng)合、數字重構方法和圖像處理領(lǐng)域。在結構對象識別領(lǐng)域和場(chǎng)景解析領(lǐng)域都有模糊集合的應用。模糊專(zhuān)家系統適用于要求處理不確定性和不精確性的場(chǎng)合。它們不具備學(xué)習的能力，因為系統的關(guān)鍵參數都已經(jīng)預設好了，無(wú)法改變。

模糊邏輯在協(xié)同作業(yè)機器人領(lǐng)域、汽車(chē)機器人、感知預測、供應鏈管理和焊接領(lǐng)域獲得了成功。

4、自動(dòng)知識獲取

收集某一領(lǐng)域內的知識以構建知識數據庫是非常復雜且耗時(shí)的，它往往是搭建專(zhuān)家系統的瓶頸所在。自動(dòng)知識收集技術(shù)被開(kāi)發(fā)出來(lái)以解決這一問(wèn)題。這種學(xué)習程序通常要求采用多個(gè)案例作為學(xué)習的輸入。每一個(gè)案例都具有多種屬性參數，并按類(lèi)型歸類(lèi)。一種方法就是采用“分治策略”，根據某一策略對各種屬性進(jìn)行篩選，將原有的案例集合劃分為子集合，然后歸納學(xué)習程序建立決策樹(shù)并將給定的案例集合正確分類(lèi)。決策樹(shù)能夠表述從集合中的特定案例產(chǎn)生出什么知識。這一方法還可以后續應用于處理那些沒(méi)有被案例集合覆蓋的情況。

另一種方法被稱(chēng)為“覆蓋法”，歸納學(xué)習程序的目標是找到一組被某一類(lèi)型的案例所共同持有的屬性，并將這一共同屬性作為“如果”的部分，將類(lèi)型做為“然后”的部分。程序將集合中符合規則的案例移除直至沒(méi)有共同屬性。

還有一種使用邏輯程序代替命題邏輯的方法就是對案例進(jìn)行描述然后表述全新的概念。這種方法使用了更加強大的預測邏輯來(lái)描述訓練案例和背景知識，然后表述全新概念。預測邏輯允許使用不同型式的訓練案例和背景知識，它允許歸納過(guò)程的結果(歸納概念)以帶有變量的一階子句的形式描述，而不僅限于由屬性-值對組成的零階命題子句。這種系統主要有兩種類(lèi)型，第一種是由上自下的歸納/總結方法，第二種是反向解析原理。

已經(jīng)出現了不少的學(xué)習程序，例如ID3，它是一種分治策略程序;AQ程序采用了覆蓋法；FOIL程序是采用了歸納/總結方法的ILP系統;GOLEM程序是采用反向解析方法的ILP系統。雖然大多數程序產(chǎn)生的都是明確的決策規則，但是也有一些算法能夠產(chǎn)生模糊規則。要求以嚴格的格式提供案例集合(明確的屬性和明確的分類(lèi))在傳感器系統和傳感器網(wǎng)絡(luò )中很容易滿(mǎn)足，因此自動(dòng)學(xué)習技術(shù)在傳感器系統中應用頗為廣泛。這種類(lèi)型的學(xué)習適合于那些屬性是以離散的或者符號的形式所表示，而并非適用于具有連續屬性值的傳感器系統案例。一些推斷學(xué)習應用的例子包括激光切割、礦石檢測和機器人應用。

圖3所示為一個(gè)虛擬系統流程圖，顯示了系統如何從圖像傳感器收集數據。視覺(jué)數據和CAD模型數據被搭配使用，用來(lái)確定對象列表，對象列表隨后被發(fā)送給焊接識別模塊，然后采用人工智能技術(shù)明確焊接要求。

5、神經(jīng)網(wǎng)絡(luò )

神經(jīng)網(wǎng)絡(luò )也可以從案例中提取領(lǐng)域知識，它們提取的領(lǐng)域知識并非以表征的方式描述，例如規則或者決策樹(shù)，而且它們可以同時(shí)應對連續數據和離散數據。它們也具有與模糊專(zhuān)家系統類(lèi)似的不錯的歸納能力。神經(jīng)網(wǎng)絡(luò )是大腦的計算機模型，神經(jīng)網(wǎng)絡(luò )模型通常假設計算過(guò)程可以使用多個(gè)簡(jiǎn)單的被稱(chēng)為神經(jīng)元的單元所描述，神經(jīng)元可以相互連接并行作業(yè)。

最常見(jiàn)的神經(jīng)網(wǎng)絡(luò )是多層感知器，它是一種前饋網(wǎng)絡(luò )：所有信號以一種方向傳輸，從輸入到輸出。前饋網(wǎng)絡(luò )能夠在輸入空間和輸出空間進(jìn)行靜態(tài)映射：在某一時(shí)刻的輸出僅與這一時(shí)刻的輸入構成函數關(guān)系。周期型網(wǎng)絡(luò )中，某些神經(jīng)元的輸出反饋會(huì )同一個(gè)神經(jīng)元或者反饋回之前層級的神經(jīng)元，可以認為具有動(dòng)態(tài)內存：這種網(wǎng)絡(luò )在某一時(shí)刻的輸出受當前輸入和之前輸入和輸出的影響。

不顯性表述的“知識”通過(guò)對神經(jīng)網(wǎng)絡(luò )進(jìn)行訓練而內置于神經(jīng)網(wǎng)絡(luò )內。某些神經(jīng)網(wǎng)絡(luò )能夠使用預先定義的特定輸入模式進(jìn)行訓練，進(jìn)而產(chǎn)生預期的輸出模式。實(shí)際輸出和預期輸出之間的差異用來(lái)對神經(jīng)元之間連接的強度和權值進(jìn)行修正。這種方法被稱(chēng)為監督訓練。在多層感知器中，監督訓練的反向傳播算法通常用來(lái)傳播來(lái)自于輸出神經(jīng)元的誤差，然后計算出隱含層神經(jīng)元的修正權值。

人工神經(jīng)網(wǎng)絡(luò )通常具有輸入和輸出，在輸入和輸出之間的隱藏層完成處理任務(wù)。輸入是獨立的變量，而輸出是相互關(guān)聯(lián)的。人工神經(jīng)網(wǎng)絡(luò )是具有可配置內部參數的靈活的數學(xué)方程。為了精確地展現復雜的關(guān)系，通過(guò)訓練算法來(lái)調整這些參數。在簡(jiǎn)單訓練模式下，輸入案例和相應的預期輸出同時(shí)展現給網(wǎng)絡(luò )，通過(guò)盡可能多的案例進(jìn)行重復進(jìn)行自調整過(guò)程。一旦訓練結束，人工神經(jīng)網(wǎng)絡(luò )就能夠接受全新的輸入，預測正確的輸出。

為了產(chǎn)生輸出，網(wǎng)絡(luò )只需要按方程計算即可。唯一的假設就是在輸入數據和輸出數據之間存在某種連續的函數關(guān)系。神經(jīng)網(wǎng)絡(luò )適用于映射設備、模式歸類(lèi)或者模式補全(自動(dòng)聯(lián)想內容尋址內存和模式關(guān)聯(lián)器)。

圖4所示為傳感器系統針對焊接識別模塊做出焊接要求建議。這一模塊評估建議并決定最佳的焊接軌跡。建議隨后被發(fā)送給實(shí)際的機器人程序生成器。

近期的應用包括特征識別、熱交換器、焊點(diǎn)檢查、點(diǎn)焊參數優(yōu)化、電力、觸覺(jué)顯示和車(chē)輛傳感系統。

6、遺傳算法

遺傳算法是一種隨機最優(yōu)化過(guò)程，其靈感來(lái)自于自然演化。遺傳算法能夠在復雜的多向搜索中產(chǎn)生全局最優(yōu)解決方案，無(wú)需針對問(wèn)題本身的特定知識。遺傳算法已經(jīng)在傳感器系統中找到了用武之地，包括復雜組合或者多參數優(yōu)化，包括裝配、裝配流水線(xiàn)平衡、故障診斷、健康監控和動(dòng)力方向盤(pán)。

7、環(huán)境智能

環(huán)境智能在最近幾十年獲得了長(cháng)足的發(fā)展，見(jiàn)證了人類(lèi)在數字控制環(huán)境中便利的工作過(guò)程，電子設備可以預測他們的行為并做出響應。環(huán)境智能的概念用于實(shí)現人類(lèi)和傳感器系統之間的無(wú)縫匹配，滿(mǎn)足實(shí)際的預期的需求。工業(yè)領(lǐng)域內的應用尚有局限，但是新型的更加智能且具有更高交互性的系統已經(jīng)處在研究階段。

擴展系統

人工智能能夠增加通訊的有效性、減少故障、最小化誤差并延長(cháng)傳感器的壽命。在過(guò)去40年間，人工智能技術(shù)帶來(lái)了一系列功能強大的工具，如前文所列。這些工具在傳感器系統中的應用越來(lái)越廣泛。合理地采用新型人工智能技術(shù)方法將會(huì )有助于構建更加具有競爭力的傳感器系統。由于工程師對這種技術(shù)的陌生以及使用這些工具仍舊存在的技術(shù)壁壘，也許還需要另一個(gè)10年工程師們才能夠接納它們。然而，這一領(lǐng)域的研究不會(huì )停歇，很多新型傳感器應用正在出現，這些技術(shù)的搭配使用將會(huì )發(fā)揮出更大的作用。

從智能工廠(chǎng)的應用，對電網(wǎng)、空氣、公路等監測網(wǎng)絡(luò )的實(shí)施，傳感器的發(fā)展領(lǐng)域一直在不斷的擴大。計劃落地后，現在又提出人工智能飛進(jìn)千家萬(wàn)戶(hù)，家用產(chǎn)品會(huì )變得越來(lái)越智能，萬(wàn)物互聯(lián)時(shí)代正在飛速的發(fā)展，未來(lái)人們的生活可能方方面面都離不開(kāi)最基礎的傳感器。這對于傳感器行業(yè)來(lái)說(shuō)，是莫大的機遇。

機遇往往伴隨著(zhù)挑戰，傳感器行業(yè)也面臨著(zhù)很多問(wèn)題，如何研發(fā)出符合市場(chǎng)潮流和計劃中要求的傳感器？如何讓傳感器在同類(lèi)傳感器中脫穎而出？只有跟隨時(shí)代發(fā)展的潮流，才能有正確的方向，掌握了核心技術(shù)，才能立于不敗之地，對于傳感器行業(yè)來(lái)說(shuō)，只有抓住這個(gè)機遇，注重研發(fā)和市場(chǎng)需求，才能更上一層樓。