經過多年的發(fā)展，雖然一直未如多數(shù)研究單位預期出現(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產業(yè)的重要議題後，AI加上物聯(lián)網(wǎng)形成的AIoT架構，被視為未來各領域智慧化的核心運作骨幹。

就整體系統(tǒng)來看，物聯(lián)網(wǎng)可分為感測、通訊、應用等3層架構，由於這一波AI的主流演算法以深度學習（Deep Learning）為主，透過不斷的錯誤更正自我學習，讓指令不斷趨近於完美，這種模式需要大量的運算，因此多建置在物聯(lián)網(wǎng)最上層的應用平臺，不過近期市場開始推動邊緣運算概念，業(yè)界人士就指出，這將是臺灣在AIoT的最佳機會。

從雲(yún)端到邊緣 物聯(lián)網(wǎng)效能更佳

工研院IEK之前就定調的2018年ICT產業(yè)主軸「AI on Earth, AI on Edge；人工智慧 下凡入魂」，就是認為AI焦點將從雲(yún)端運算，往下落到邊緣運算（Edge Computing），這個趨勢將在2018年開始顯著影響產業(yè)、技術與產品的研發(fā)與設計方向。IEK預估全球邊緣運算市場規(guī)模，將從2017年的80億美元成長至2022年的133億美元，年平均成長率達到10.7%，IEK指出，AI發(fā)展初期主要由雲(yún)端運算主導，但在網(wǎng)路頻寬、通訊延遲、資料安全等限制因素下，運算任務需要轉移至終端裝置或就近的網(wǎng)路設備上，邊緣運算因而興起。

圖1 : 在網(wǎng)路頻寬、通訊延遲、資料安全等限制因素下，運算任務需要轉移至終端裝置或就近的網(wǎng)路設備上，邊緣運算因而興起。（Source: inwinSTACK）

現(xiàn)在物聯(lián)網(wǎng)主要為集中式運算架構，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，例如在製造業(yè)，設備一旦故障，若仍採用訊息傳回後端再下指令的模式，現(xiàn)場狀況極有可能因為訊息傳遞與後端運算所需的時間而惡化。

而在零售業(yè)也會有同樣問題，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，而臉孔辨識若還需要透過後端伺服器的運算比對，其效益會大幅降低。

另外則是後端處理系統(tǒng)的運算負擔與傳輸費用，未來物聯(lián)網(wǎng)的願景是萬物聯(lián)網(wǎng)，若所有訊息都連接到後端的運算平臺，則伺服器的運算能力必須非常強大，再加上所有第1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，邊緣運算會是較佳的選擇。

集中與邊緣各有所長

不過，邊緣運算也並非全無缺點，例如系統(tǒng)若應用於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，在即時性需求較高的部分設計有邊緣運算功能，其他部分則仍為集中式運算。

對臺灣來說，集中式運算向來不是臺灣廠商可觸及的商機，臺灣廠商過去在IT領域主要是以消費性產品為主，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備端，而邊緣運算概念的出現(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，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，而由於多只是簡單的狀態(tài)數(shù)據(jù)擷取，因此運算功能不需強大，但在邊緣運算概念中，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，都在能力範圍之內，而臺灣廠商的優(yōu)勢則在於，未來的物聯(lián)網(wǎng)系統(tǒng)多會是垂直產業(yè)所應用，例如製造、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，其中位於現(xiàn)場第1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，臺灣廠商的特色是快速彈性的客製化設計能力，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，IEK認為其中又以影像與視覺的現(xiàn)場可程式邏輯閘陣列（FPGA）、特殊應用專屬晶片（ASIC）等兩類產品最具競爭力。

圖2 : 在邊緣運算概念中，部分設備需要有一定的運算能力。（Source: ERE）

至於臺灣的劣勢則是AI產業(yè)化的不足，其實臺灣過去在AI領域所培養(yǎng)的人才並不算少，回臺成立臺灣AI實驗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「Build」中，臺灣隊總是缺乏政府的奧援，但即便如此，臺灣隊伍每年總能拿下不俗的成績，這說明臺灣的軟體人才其實不遜於其他國家，只是過去一直不被政府與產業(yè)重視。

不過2017年開始，科技部已開始啟動AI政策，希望透過AI產業(yè)化留住臺灣軟體人才，而有了軟體人才，臺灣的AIoT在軟硬體才能齊備，順利啟動，以前面提到的邊緣運算晶片為例，要在小體積與低耗電的條件下，設計出足夠運算能力的晶片，除了硬體技術外，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行運算。

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確定，2017年6月阿里巴巴創(chuàng)辦人馬雲(yún)就指出，現(xiàn)在產業(yè)已經從「互聯(lián)網(wǎng)+」進展到「AI+」，也就是AI將與各種領域結合，創(chuàng)造出更多加值服務，而這也就是過去物聯(lián)網(wǎng)所訴求的垂直應用模式，不過多位業(yè)界人士表示，這不代表AI未來會全面取代人類，臺灣微軟總經理孫基康在之前微軟的AI活動上就指出，AI必須要和HI（Human Intelligence）結合，才會變成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，真要提出相關對應策略，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的結合，已進展到感知層面，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，例如當現(xiàn)場製造設備出現(xiàn)故障，系統(tǒng)會依據(jù)過去深度學習的結果，判斷出問題所在，再依情況直接告訴作業(yè)人員設備故障處與可能故障原因，人員可參考系統(tǒng)將系統(tǒng)建議結合本身專業(yè)決定處理方式，而若系統(tǒng)察覺到的問題經過判斷必須即時處理，則會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間內解除狀況，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結合的方式。

在與AI整合後，物聯(lián)網(wǎng)會加快其應用拓展速度，就產業(yè)架構來看，臺灣廠商過去在消費性產品所建立的優(yōu)勢，將會延伸到物聯(lián)網(wǎng)系統(tǒng)中的終端零組件與連網(wǎng)設備，不過這類型產品將會需要一定程度的客製化設計，對臺灣廠商來說，這是挑戰(zhàn)也是新契機，臺廠必須投入更多資源掌握特定領域的專業(yè)知識，但同時也能藉此提升產品價值，擺脫過去價值有限的OEM宿命。

**刊頭圖（Source: AIO Systems）