邊緣運算是AIoT最重要的設計概念之一，終端設備也是臺灣廠商的重要利基處，因此臺灣廠商，除了在投入前要做足功課外，也應該改變產品策略，強化特定領域的專業(yè)，方能在邊緣運算浪潮中站穩(wěn)腳步，找到自己的市場地位。
物聯(lián)網(wǎng)被視為智慧化時代的骨干運作網(wǎng)路，是繼PC、網(wǎng)際網(wǎng)路、智慧手機之后的第4波革命，各大研究機構也出現(xiàn)各種預估，例如麥肯錫(McKinsey & Company)就認為，2025年物聯(lián)網(wǎng)相關應用的產值將高達3.9兆到11.1兆美元。在物聯(lián)網(wǎng)快速發(fā)展的同時，科技產業(yè)迎來另一波新變革，2016年底，AlphaGo陸續(xù)擊敗職業(yè)棋士后，這項技術再次吸引了全球目光，之后AI迅速與物聯(lián)網(wǎng)結合，形成智慧物聯(lián)網(wǎng)(AIoT)架構，此架構再加上早已成熟的云端運算、2019年開始商轉的5G，讓新世代智慧化系統(tǒng)正式成形。
三次發(fā)展累積AI技術能量
就歷史軌跡來看，AI迄今已有三次大型發(fā)展，1956年知名的語言學家與電腦科學家約翰·麥卡錫(John MaCarthy)首次提出此「人工智慧(Artificial Intelligence；AI )」一詞，并在當年匯集各方學者，希望找出能讓電腦與人腦一樣聰明的方法，不過把人類知識與思想置入電腦的構想并不可行，尤其是人類連自己的思考過程都不甚了解，更不可能將邏輯脈絡寫成電腦程式，因此后來以失敗告終。
第二次發(fā)展在1970年代，當時的科學家改采另一模式，希望透過知識庫與推理方式，讓電腦可以推算出人類思考的結果，這次科學家使用了多層次感知器與反向傳播演算法，這次的演算法相對成熟，與現(xiàn)在的神經(jīng)網(wǎng)路演算法已相當接近，不過此一思維邏輯仍不適用于電腦，因為多數(shù)問題連人類自身也難以解答，就算能解答，也不容易厘清規(guī)則，更何況是化為程式碼？也因此在結果未竟如人意的狀況下，這波AI浪潮很快消退，從1990～2010年間，AI一度被邊緣化。
這次的AI發(fā)展之所以會受到產官學界的高度重視，主要原因有三，包括演算法、硬體、資料量等3大部分都已然齊備，演算法部分延續(xù)之前的類神經(jīng)網(wǎng)路，尤其是2006年，多倫多大學的Geoffrey Hinton教授解決了類神經(jīng)網(wǎng)路的問題、讓類神經(jīng)網(wǎng)路重新?lián)Q上「深度學習」的名字卷土重來，成為現(xiàn)在AI領域廣為人知的演算法，硬體方面則是處理器運算能力的大幅提升，現(xiàn)在的GPU已可在短時間內處理大量數(shù)據(jù)建出模型，加速AI系統(tǒng)的效能，最后則是資料量的增加，在網(wǎng)際網(wǎng)路的加持下，現(xiàn)在系統(tǒng)要搜集資料的難度降低，龐大數(shù)據(jù)量為AI演算法提供了充足的支援。
卷土重來的AI聲勢驚人，并被IT業(yè)者視為物聯(lián)網(wǎng)智慧化的最后一塊拼圖，AI在物聯(lián)網(wǎng)的應用，將會在上層的云端與底層的設備端，上層云端系統(tǒng)的處理器以平行運算為主，其架構大致是GPU+CPU或GPU+FPGA，在伺服器領域，Intel的運算晶片仍是市場大宗，臺灣IC設計廠商在這部分難有作為，因此未來最佳的位置會是終端設備。
邊緣運算加速AIoT普及
| 圖1 : 物聯(lián)網(wǎng)終端產品的元件，多被要求低功耗與小體積，讓設備可以在最有限的空間下，盡可能的長時間運作。 （source：EclipseCon 2020） |
|
現(xiàn)在物聯(lián)網(wǎng)主要為集中式運算架構，也就是第一層所擷取的數(shù)據(jù)全部往上傳，最上層的云端平臺負責儲存與分析，集中式運算與分散式運算各有優(yōu)缺點，應用也不盡相同。
集中式運算會有即時性、處理器工作負擔和傳輸費用等問題，例如在制造業(yè)，設備一旦故障，若仍采用訊息傳回后端再下指令的模式，現(xiàn)場狀況極有可能因為訊息傳遞與后端運算所需的時間而惡化，另外在零售業(yè)也會有同樣的問題，現(xiàn)在已有IT廠商嘗試將智慧臉孔分析導入至零售業(yè)系統(tǒng)，透過人臉分析與CRM的整合，提供更精準且更快速的服務，而人臉辨識若還需要透過后端伺服器的運算比對，其效益會大幅降低。
另外則是后端處理系統(tǒng)的運算負擔與傳輸費用，未來物聯(lián)網(wǎng)的愿景是萬物聯(lián)網(wǎng)，若所有的訊息都連接到后端的運算平臺，則伺服器的運算能力必須非常強大，再加上所有第一線設備的連網(wǎng)需求，無論是建置或運作成本都會相當高昂，因此在部分應用中，邊際運算會是較佳選擇。
不過，邊際運算也并非全無缺點，例如若系統(tǒng)應用于類似車體中的狹小空間，多點部位同時運算，將會產生干擾，此外經(jīng)過端點預處理過的數(shù)據(jù)，也會有失真之虞，當然物聯(lián)網(wǎng)的建構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，在即時性需求較高的部分設計有邊際運算功能，其他部分則仍為集中式運算。
| 圖2 : 物聯(lián)網(wǎng)系統(tǒng)多會是垂直產業(yè)所應用，制造業(yè)就是其中最重要之一，這些產業(yè)物聯(lián)網(wǎng)系統(tǒng)都需要與其專業(yè)結合。（source：The Times of Israel） |
|
對臺灣來說，集中式運算向來是臺灣廠商無力觸及的商機，臺灣廠商過去在IT領域主要以消費性產品為主，物聯(lián)網(wǎng)興起后，多數(shù)廠商也將目光聚焦在第一層的設備端，而邊際運算概念的出現(xiàn)，完全符合了臺灣廠商的產品策略與市場條件。
首先是運算晶片，過去物聯(lián)網(wǎng)終端產品的元件，大多被要求低功耗與小體積，讓設備可以在最有限的空間下，盡可能的長時間運作，而由于多只是簡單的狀態(tài)數(shù)據(jù)擷取，因此運算功能不需強大，但在邊際運算概念中，部分設備需要有一定的運算能力。
這對多數(shù)Fabless或IC設計業(yè)者來說，都在能力范圍之內，而臺灣廠商的優(yōu)勢則在于未來的物聯(lián)網(wǎng)系統(tǒng)多會是垂直產業(yè)所應用，例如制造、醫(yī)療、交通…等，這些產業(yè)的物聯(lián)網(wǎng)系統(tǒng)都需要與其專業(yè)結合，其中位于現(xiàn)場第一線的設備更是如此，而不同類型的設備需要對應不同模式的運算晶片，臺灣廠商特色是快速彈性的客制化設計能力，在這種少量多樣的需求中，其優(yōu)勢將會延續(xù)，不過這類型應用也容易被抄襲，因此臺灣廠商必須先行取得特定應用領域的專利，方能順利站穩(wěn)市場。
臺商應找出市場定位
不管是集中式運算或邊緣運算，未來都會走向垂直市場，垂直市場的設備都需要該領域的專業(yè)知識，而且這部分市場屬于少量多樣，初期的開發(fā)成本攤提時間較長，若投入發(fā)展的成果不佳，開發(fā)成本將有可能無發(fā)回收，這對同為競爭對手的大陸廠商來說或許尚可容忍，但對資源有限的臺灣廠商來說，就會是難以承受之重。
不過，終端設備市場仍是臺灣廠商的重要利基處，因此臺灣廠商除了在投入前要做足功課外，也應該改變產品策略，強化特定領域的專業(yè)，方能在邊緣運算浪潮中站穩(wěn)腳步，找到自己的定位。
**刊頭圖（source：WittySparks）
