物聯(lián)網(wǎng)過(guò)去幾年的發(fā)展聲勢(shì)雖強(qiáng)，不過(guò)落地速度緩慢，成功案例也僅是點(diǎn)狀出現(xiàn)，一直讓人有「只聞樓梯響，不見(jiàn)人下來(lái)」的感覺(jué)，直到2016年底AI再次掀起熱潮，兩者結(jié)合而成的AIoT架構(gòu)，再次強(qiáng)化物聯(lián)網(wǎng)的市場(chǎng)推廣力道，各種垂直領(lǐng)域的應(yīng)用才開(kāi)始加速，而其中又以制造業(yè)的腳步最快，現(xiàn)已有制造業(yè)者將AIoT的邊緣運(yùn)算概念應(yīng)用于產(chǎn)線(xiàn)上，以產(chǎn)線(xiàn)的局部智慧化，邁開(kāi)工業(yè)4.0的第一步，而由2018年的進(jìn)展來(lái)看，在2019年將會(huì)有更多制造業(yè)在產(chǎn)線(xiàn)中導(dǎo)入邊緣運(yùn)算設(shè)計(jì)，強(qiáng)化市場(chǎng)競(jìng)爭(zhēng)力。

圖1 : 這次AI的發(fā)展已是科技史上第3次，在機(jī)器學(xué)習(xí)演算法與物聯(lián)網(wǎng)系統(tǒng)整合下，這次發(fā)展十分令人期待。 （source：ReadWrite）

就整體系統(tǒng)來(lái)看，物聯(lián)網(wǎng)可分為感測(cè)、通訊、應(yīng)用等3層架構(gòu)，由于這一波AI的主流演算法以深度學(xué)習(xí)（Deep Learning）為主，透過(guò)不斷的錯(cuò)誤更正自我學(xué)習(xí)，讓指令不斷趨近于完美，這種模式需要大量的運(yùn)算，因此多建置在物聯(lián)網(wǎng)最上層的應(yīng)用平臺(tái)，從2017年開(kāi)始，市場(chǎng)開(kāi)始推動(dòng)邊緣運(yùn)算概念，業(yè)界人士就指出，無(wú)論是制造業(yè)本身或設(shè)備供應(yīng)商，對(duì)臺(tái)灣來(lái)說(shuō)，邊緣運(yùn)算都是最好的機(jī)會(huì)。

從云端到邊緣 物聯(lián)網(wǎng)效能更佳

例如工研院IEK之前定調(diào)的2018年ICT產(chǎn)業(yè)主軸「AI on Earth, AI on Edge；人工智慧 下凡入魂」，就是認(rèn)為AI焦點(diǎn)將從云端運(yùn)算往下落到邊緣運(yùn)算（Edge Computing），這個(gè)趨勢(shì)將在2018年開(kāi)始顯著影響產(chǎn)業(yè)、技術(shù)與產(chǎn)品的研發(fā)與設(shè)計(jì)方向。

IEK預(yù)估全球邊緣運(yùn)算市場(chǎng)規(guī)模，將從2017年的80億美元成長(zhǎng)至2022年的133億美元，年平均成長(zhǎng)率達(dá)到10.7%，IEK指出，AI發(fā)展初期主要由云端運(yùn)算主導(dǎo)，但在網(wǎng)路頻寬、通訊延遲、資料安全等限制因素下，運(yùn)算任務(wù)需要轉(zhuǎn)移至終端裝置或就近的網(wǎng)路設(shè)備上，邊緣運(yùn)算因而興起。

現(xiàn)在物聯(lián)網(wǎng)主要為集中式運(yùn)算架構(gòu)，也就是第1層所擷取的數(shù)據(jù)全部往上傳，最上層的云端平臺(tái)負(fù)責(zé)儲(chǔ)存與分析，集中式運(yùn)算與分散式運(yùn)算各有優(yōu)缺點(diǎn)，應(yīng)用也不盡相同，集中式運(yùn)算會(huì)有即時(shí)性、處理器工作負(fù)擔(dān)和傳輸費(fèi)用等問(wèn)題，在制造業(yè)，設(shè)備一旦故障，若仍采用訊息傳回后端再下指令的模式，現(xiàn)場(chǎng)狀況極有可能因?yàn)橛嵪鬟f與后端運(yùn)算所需的時(shí)間而惡化。

另外則是后端處理系統(tǒng)的運(yùn)算負(fù)擔(dān)與傳輸費(fèi)用，未來(lái)物聯(lián)網(wǎng)的愿景是萬(wàn)物聯(lián)網(wǎng)，若所有訊息都連接到后端的運(yùn)算平臺(tái)，伺服器的運(yùn)算能力必須非常強(qiáng)大，若再加上制造現(xiàn)場(chǎng)第一線(xiàn)設(shè)備的連網(wǎng)需求，無(wú)論是建置或運(yùn)作成本都會(huì)相當(dāng)高昂，因此在部分應(yīng)用中，邊緣運(yùn)算會(huì)是較佳選擇。

集中與邊緣各有所長(zhǎng)

不過(guò)邊緣運(yùn)算也并非全無(wú)缺點(diǎn)，例如若系統(tǒng)應(yīng)用于小體積設(shè)備中，多點(diǎn)部位在狹小空間同時(shí)運(yùn)算，將會(huì)產(chǎn)生干擾，此外經(jīng)過(guò)端點(diǎn)預(yù)處理過(guò)的數(shù)據(jù)，也會(huì)有失真之虞。

當(dāng)然物聯(lián)網(wǎng)的建構(gòu)并非只能二擇一的極端做法，多數(shù)的系統(tǒng)都是兩者并行，在即時(shí)性需求較高的部分設(shè)計(jì)為弱AI，也就是邊緣運(yùn)算，需要有大量且長(zhǎng)期的運(yùn)算，像是產(chǎn)線(xiàn)最佳化配置或是生產(chǎn)策略，就采集中式運(yùn)算的強(qiáng)AI做法，透過(guò)機(jī)器學(xué)習(xí)、深度學(xué)習(xí)之類(lèi)的演算法，運(yùn)算大量數(shù)據(jù)，分析并產(chǎn)生出精準(zhǔn)建議，提供管理者做為決策參考。

智慧制造系統(tǒng)的邊緣運(yùn)算，是臺(tái)灣制造業(yè)的重要機(jī)會(huì)，對(duì)臺(tái)灣來(lái)說(shuō)，強(qiáng)AI的集中式運(yùn)算向來(lái)不是臺(tái)灣制造廠(chǎng)商可觸及的商機(jī)，臺(tái)灣工業(yè)廠(chǎng)商過(guò)去在制造領(lǐng)域的產(chǎn)品策略，主要以現(xiàn)場(chǎng)端設(shè)備為主，會(huì)有上層機(jī)房設(shè)備需求的制造業(yè)，這部分大多會(huì)選擇歐美大型制造系統(tǒng)廠(chǎng)商，以整體規(guī)畫(huà)進(jìn)行，臺(tái)灣廠(chǎng)商縱有能力，機(jī)會(huì)也不多。

圖2 : 檢測(cè)環(huán)節(jié)成為多數(shù)制造業(yè)者導(dǎo)入智慧化系統(tǒng)的第一步。（Source：Concept Systems）

工業(yè)4.0興起后，多數(shù)制造設(shè)備廠(chǎng)商仍將目光聚焦在第一層的設(shè)備端，因此邊緣運(yùn)算概念的出現(xiàn)，完全符合了臺(tái)灣制造產(chǎn)業(yè)的產(chǎn)品策略與市場(chǎng)條件，首先是運(yùn)算晶片，過(guò)去物聯(lián)網(wǎng)終端產(chǎn)品的元件，多被要求低功耗與小體積，讓設(shè)備可以在最有限的空間下，盡可能的長(zhǎng)時(shí)間運(yùn)作，而由于多只是簡(jiǎn)單的狀態(tài)數(shù)據(jù)擷取，因此運(yùn)算功能不需強(qiáng)大，但在邊緣運(yùn)算概念中，部分設(shè)備需要有一定的運(yùn)算能力，這對(duì)多數(shù)臺(tái)灣IC設(shè)計(jì)業(yè)者來(lái)說(shuō)，都在能力范圍之內(nèi)。

而在設(shè)計(jì)工業(yè)物聯(lián)網(wǎng)時(shí)，制造現(xiàn)場(chǎng)的專(zhuān)業(yè)非常重要，不同類(lèi)型的設(shè)備需要對(duì)應(yīng)不同模式的運(yùn)算晶片，臺(tái)灣廠(chǎng)商特色是快速?gòu)椥缘目椭苹O(shè)計(jì)能力，在這種少量多樣的需求中，其優(yōu)勢(shì)將會(huì)延續(xù)，不過(guò)這類(lèi)型應(yīng)用也容易被抄襲。

因此臺(tái)灣廠(chǎng)商必須先行取得起特定應(yīng)用領(lǐng)域的專(zhuān)利，IEK認(rèn)為其中又以影像與視覺(jué)的現(xiàn)場(chǎng)可程式邏輯閘陣列（FPGA）、特殊應(yīng)用專(zhuān)屬晶片（ASIC）等兩類(lèi)產(chǎn)品最具競(jìng)爭(zhēng)力。

至于臺(tái)灣的劣勢(shì)則是AI產(chǎn)業(yè)化的不足，其實(shí)臺(tái)灣過(guò)去在AI領(lǐng)域所培養(yǎng)的人才并不算少，回臺(tái)成立臺(tái)灣AI實(shí)驗(yàn)的的杜奕瑾就曾指出，他在微軟任職期間，微軟每年舉辦的開(kāi)發(fā)者大會(huì)「Build」中，臺(tái)灣隊(duì)總是缺乏政府的奧援，但即便如此，臺(tái)灣隊(duì)伍每年總能拿下不俗的成績(jī)，這說(shuō)明臺(tái)灣的軟體人才其實(shí)不遜于其他國(guó)家，只是過(guò)去一直不被政府與產(chǎn)業(yè)重視。

不過(guò)近兩年科技部已開(kāi)始啟動(dòng)AI政策，希望透過(guò)AI產(chǎn)業(yè)化留住臺(tái)灣軟體人才，而有了軟體人才，臺(tái)灣的AIoT在軟硬體才能齊備，順利啟動(dòng)，以前面提到的邊緣運(yùn)算晶片為例，要在小體積與低耗電的條件下，設(shè)計(jì)出足夠運(yùn)算能力的晶片，除了硬體技術(shù)外，演算法也是重要一環(huán)，軟體工程師必須將龐大的演算模型精簡(jiǎn)化，讓終端可以在低功耗模式下進(jìn)行運(yùn)算。

局部智慧化 提升中小企業(yè)競(jìng)爭(zhēng)力

除了設(shè)備供應(yīng)商外，邊緣運(yùn)算也對(duì)臺(tái)灣制造業(yè)帶來(lái)優(yōu)勢(shì)，尤其是規(guī)模不大的中小企業(yè)。中小企業(yè)是臺(tái)灣制造業(yè)命脈，市場(chǎng)優(yōu)勢(shì)是制造彈性十足、服務(wù)佳、產(chǎn)品質(zhì)高價(jià)低，缺點(diǎn)則是資源有限，難有長(zhǎng)期的產(chǎn)品規(guī)劃，而在過(guò)去需要大量投入資源的集中式運(yùn)算智慧制造架構(gòu)中，資源不足的缺點(diǎn)無(wú)疑會(huì)被放大，影響到競(jìng)爭(zhēng)力。

而邊緣運(yùn)算則僅將AI設(shè)置于系統(tǒng)終端設(shè)備，以有限運(yùn)算能力解決不須太過(guò)強(qiáng)大功能的問(wèn)題，例如在產(chǎn)線(xiàn)的瑕疵檢測(cè)環(huán)節(jié)，過(guò)去主要是由檢測(cè)員負(fù)責(zé)檢視產(chǎn)品，自動(dòng)化時(shí)代開(kāi)始導(dǎo)入機(jī)器視覺(jué)，解決人眼會(huì)因?yàn)殚L(zhǎng)時(shí)間工作導(dǎo)致品質(zhì)下滑的缺點(diǎn)。

機(jī)器視覺(jué)上產(chǎn)線(xiàn)的設(shè)定過(guò)程繁復(fù)，不過(guò)由于以往都是少樣多量的生產(chǎn)模式，即便再麻煩，也只需在上線(xiàn)時(shí)設(shè)定一次，因此制造業(yè)者仍可接受。然而現(xiàn)在制造業(yè)逐漸產(chǎn)生多樣化生產(chǎn)，制程的換線(xiàn)頻率增高，一再重復(fù)繁瑣的設(shè)定會(huì)降低生產(chǎn)效率，因此現(xiàn)已有制造設(shè)備商將GPU卡應(yīng)用于產(chǎn)品檢測(cè)，使其具備邊緣運(yùn)算功能，透過(guò)簡(jiǎn)單的深度學(xué)習(xí)，機(jī)器視覺(jué)可以大幅降低訓(xùn)練時(shí)間，讓系統(tǒng)快速上線(xiàn)辨識(shí)，同時(shí)可大幅提升辨識(shí)精準(zhǔn)度（人眼辨識(shí)度為98%，AI機(jī)器視覺(jué)為99%以上）。

AI與HI才是最佳解答

AI與工業(yè)物聯(lián)網(wǎng)的整合雖才起步，不過(guò)整體趨勢(shì)已經(jīng)確定，2017年6月阿里巴巴創(chuàng)辦人馬云就指出，現(xiàn)在產(chǎn)業(yè)已經(jīng)從「互聯(lián)網(wǎng)+」進(jìn)展到「AI+」，也就是AI將與各種領(lǐng)域結(jié)合，創(chuàng)造出更多加值服務(wù)，而這也就是過(guò)去物聯(lián)網(wǎng)所訴求的垂直應(yīng)用模式，不過(guò)多位業(yè)界人士表示，這不代表AI未來(lái)會(huì)全面取代人類(lèi)，臺(tái)灣微軟總經(jīng)理孫基康在之前微軟的AI活動(dòng)上指出，AI必須要和HI（Human Intelligence）結(jié)合，才會(huì)變成SI（Super Intelligence），在制造業(yè)尤其是如此。

圖3 : AI必須要和HI結(jié)合，才會(huì)變成SI，在制造業(yè)尤其是如此。（Source：A Medium Corporation）

觀察AIoT的發(fā)展趨勢(shì)，可以看出都是為了提供使用者更直覺(jué)、智慧、多元的選擇，但無(wú)法做出具有邏輯性的判斷，真要提出相關(guān)對(duì)應(yīng)策略，還是需要倚靠人類(lèi)智慧。

在制造業(yè)中，工業(yè)物聯(lián)網(wǎng)與AI的結(jié)合，已進(jìn)展到感知層面，也就是脫離冷冰冰的人工指令，而改采更具人性的直覺(jué)性訊息，例如當(dāng)現(xiàn)場(chǎng)制造設(shè)備出現(xiàn)故障，系統(tǒng)會(huì)依據(jù)過(guò)去深度學(xué)習(xí)的結(jié)果，判斷出問(wèn)題所在，再依情況直接告訴作業(yè)人員設(shè)備故障處與可能故障原因，人員可參考系統(tǒng)將系統(tǒng)建議結(jié)合本身專(zhuān)業(yè)決定處理方式，而若系統(tǒng)察覺(jué)到的問(wèn)題經(jīng)過(guò)判斷必須即時(shí)處理，則會(huì)先以口語(yǔ)化語(yǔ)音立即指出故障處與緊急處理方式，讓工作人員可在最短時(shí)間內(nèi)解除狀況。

在與AI整合后，物聯(lián)網(wǎng)會(huì)加快其應(yīng)用拓展速度，就產(chǎn)業(yè)架構(gòu)來(lái)看，臺(tái)灣廠(chǎng)商過(guò)去在消費(fèi)性產(chǎn)品所建立的優(yōu)勢(shì)，將會(huì)延伸到物聯(lián)網(wǎng)系統(tǒng)中的終端零組件與連網(wǎng)設(shè)備，不過(guò)這類(lèi)型產(chǎn)品將會(huì)需要一定程度的客制化設(shè)計(jì)，對(duì)臺(tái)灣制造廠(chǎng)商來(lái)說(shuō)，這是挑戰(zhàn)也是新契機(jī)，臺(tái)廠(chǎng)必須投入更多資源掌握特定領(lǐng)域的專(zhuān)業(yè)知識(shí)，但同時(shí)也能借此提升產(chǎn)品價(jià)值，強(qiáng)化本身競(jìng)爭(zhēng)力。

**刊頭圖：（source：A Medium Corporation）