經(jīng)過多年的發(fā)展，雖然一直未如多數(shù)研究單位預(yù)期出現(xiàn)爆炸性成長，不過物聯(lián)網(wǎng)在市場上的熱度始終未退，尤其是2017年AI再度成為IT產(chǎn)業(yè)的重要議題後，AI加上物聯(lián)網(wǎng)形成的AIoT架構(gòu)，被視為未來各領(lǐng)域智慧化的核心運(yùn)作骨幹。

就整體系統(tǒng)來看，物聯(lián)網(wǎng)可分為感測、通訊、應(yīng)用等3層架構(gòu)，由於這一波AI的主流演算法以深度學(xué)習(xí)（Deep Learning）為主，透過不斷的錯(cuò)誤更正自我學(xué)習(xí)，讓指令不斷趨近於完美，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)，不過近期市場開始推動(dòng)邊緣運(yùn)算概念，業(yè)界人士就指出，這將是臺(tái)灣在AIoT的最佳機(jī)會(huì)。

從雲(yún)端到邊緣 物聯(lián)網(wǎng)效能更佳

工研院IEK之前就定調(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)將從雲(yún)端運(yùn)算，往下落到邊緣運(yùn)算（Edge Computing），這個(gè)趨勢將在2018年開始顯著影響產(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)算市場規(guī)模，將從2017年的80億美元成長至2022年的133億美元，年平均成長率達(dá)到10.7%，IEK指出，AI發(fā)展初期主要由雲(yún)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。

圖1 : 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。（Source: inwinSTACK）

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，最上層的雲(yún)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)用等問題，例如在製造業(yè)，設(shè)備一旦故障，若仍採用訊息傳回後端再下指令的模式，現(xiàn)場狀況極有可能因?yàn)橛嵪鬟f與後端運(yùn)算所需的時(shí)間而惡化。

而在零售業(yè)也會(huì)有同樣問題，現(xiàn)在已有IT廠商嘗試將智慧臉孔分析導(dǎo)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(zhǔn)且更快速的服務(wù)，而臉孔辨識(shí)若還需要透過後端伺服器的運(yùn)算比對，其效益會(huì)大幅降低。

另外則是後端處理系統(tǒng)的運(yùn)算負(fù)擔(dān)與傳輸費(fèi)用，未來物聯(lián)網(wǎng)的願(yuàn)景是萬物聯(lián)網(wǎng)，若所有訊息都連接到後端的運(yùn)算平臺(tái)，則伺服器的運(yùn)算能力必須非常強(qiáng)大，再加上所有第1線設(shè)備的連網(wǎng)需求，無論是建置或運(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)是較佳的選擇。

集中與邊緣各有所長

不過，邊緣運(yùn)算也並非全無缺點(diǎn)，例如系統(tǒng)若應(yīng)用於類似車體中的狹小空間，多點(diǎn)部位同時(shí)運(yùn)算，將會(huì)產(chǎn)生干擾，此外經(jīng)過端點(diǎn)預(yù)處理過的數(shù)據(jù)，也會(huì)有失真之虞，當(dāng)然物聯(lián)網(wǎng)的建構(gòu)並非只能二擇一的極端做法，多數(shù)的系統(tǒng)都是兩者並行，在即時(shí)性需求較高的部分設(shè)計(jì)有邊緣運(yùn)算功能，其他部分則仍為集中式運(yùn)算。

對臺(tái)灣來說，集中式運(yùn)算向來不是臺(tái)灣廠商可觸及的商機(jī)，臺(tái)灣廠商過去在IT領(lǐng)域主要是以消費(fèi)性產(chǎn)品為主，物聯(lián)網(wǎng)興起後，多數(shù)廠商也將目光聚焦在第一層的設(shè)備端，而邊緣運(yùn)算概念的出現(xiàn)，完全符合了臺(tái)灣廠商的產(chǎn)品策略與市場條件。

首先是運(yùn)算晶片，過去物聯(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，盡可能的長時(shí)間運(yùn)作，而由於多只是簡單的狀態(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。

這對多數(shù)Fabless或IC設(shè)計(jì)業(yè)者來說，都在能力範(fàn)圍之內(nèi)，而臺(tái)灣廠商的優(yōu)勢則在於，未來的物聯(lián)網(wǎng)系統(tǒng)多會(huì)是垂直產(chǎn)業(yè)所應(yīng)用，例如製造、醫(yī)療、交通…等，這些產(chǎn)業(yè)的物聯(lián)網(wǎng)系統(tǒng)都需要與其專業(yè)結(jié)合，其中位於現(xiàn)場第1線的設(shè)備更是如此，而不同類型的設(shè)備需要對應(yīng)不同模式的運(yùn)算晶片，臺(tái)灣廠商的特色是快速彈性的客製化設(shè)計(jì)能力，在這種少量多樣的需求中，其優(yōu)勢將會(huì)延續(xù)，不過這類型應(yīng)用也容易被抄襲，因此臺(tái)灣廠商必須先行取得特定應(yīng)用領(lǐng)域的專利，IEK認(rèn)為其中又以影像與視覺的現(xiàn)場可程式邏輯閘陣列（FPGA）、特殊應(yīng)用專屬晶片（ASIC）等兩類產(chǎn)品最具競爭力。

圖2 : 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。（Source: ERE）

至於臺(tái)灣的劣勢則是AI產(chǎn)業(yè)化的不足，其實(shí)臺(tái)灣過去在AI領(lǐng)域所培養(yǎng)的人才並不算少，回臺(tái)成立臺(tái)灣AI實(shí)驗(yàn)室的杜奕瑾就曾指出，他在微軟任職期間，微軟每年舉辦的開發(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，這說明臺(tái)灣的軟體人才其實(shí)不遜於其他國家，只是過去一直不被政府與產(chǎn)業(yè)重視。

不過2017年開始，科技部已開始啟動(dòng)AI政策，希望透過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化，讓終端可以在低功耗模式下進(jìn)行運(yùn)算。

AI與HI才是最佳解答

AI與物聯(lián)網(wǎng)的整合雖未開始，不過就整體趨勢已經(jīng)確定，2017年6月阿里巴巴創(chuàng)辦人馬雲(yún)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)，而這也就是過去物聯(lián)網(wǎng)所訴求的垂直應(yīng)用模式，不過多位業(yè)界人士表示，這不代表AI未來會(huì)全面取代人類，臺(tái)灣微軟總經(jīng)理孫基康在之前微軟的AI活動(dòng)上就指出，AI必須要和HI（Human Intelligence）結(jié)合，才會(huì)變成SI（Super Intelligence）。

AIoT現(xiàn)在的發(fā)展，都是為了提供使用者更直覺、智慧、多元的選擇，但無法做出具有邏輯性的判斷，真要提出相關(guān)對應(yīng)策略，還是需要倚靠人類的智慧，以製造業(yè)和醫(yī)療業(yè)為例，工業(yè)物聯(lián)網(wǎng)現(xiàn)在與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，而改採更具人性的直覺性訊息，例如當(dāng)現(xiàn)場製造設(shè)備出現(xiàn)故障，系統(tǒng)會(huì)依據(jù)過去深度學(xué)習(xí)的結(jié)果，判斷出問題所在，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)合本身專業(yè)決定處理方式，而若系統(tǒng)察覺到的問題經(jīng)過判斷必須即時(shí)處理，則會(huì)先以口語化語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，醫(yī)療部分則是以AI判讀醫(yī)療數(shù)據(jù)或影像，但是真正的病理判斷與醫(yī)療行為，還是需要透過專業(yè)的醫(yī)師，這也就是AI與HI結(jié)合的方式。

在與AI整合後，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)來看，臺(tái)灣廠商過去在消費(fèi)性產(chǎn)品所建立的優(yōu)勢，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，不過這類型產(chǎn)品將會(huì)需要一定程度的客製化設(shè)計(jì)，對臺(tái)灣廠商來說，這是挑戰(zhàn)也是新契機(jī)，臺(tái)廠必須投入更多資源掌握特定領(lǐng)域的專業(yè)知識(shí)，但同時(shí)也能藉此提升產(chǎn)品價(jià)值，擺脫過去價(jià)值有限的OEM宿命。

**刊頭圖（Source: AIO Systems）