物聯(lián)網(wǎng)過去幾年的發(fā)展聲勢雖強(qiáng)，不過落地速度緩慢，成功案例也僅是點(diǎn)狀出現(xiàn)，一直讓人有「只聞樓梯響，不見人下來」的感覺，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)的市場推廣力道，各種垂直領(lǐng)域的應(yīng)用才開始加速，而其中又以製造業(yè)的腳步最快，現(xiàn)已有製造業(yè)者將AIoT的邊緣運(yùn)算概念應(yīng)用於產(chǎn)線上，以產(chǎn)線的局部智慧化，邁開工業(yè)4.0的第一步，而由2018年的進(jìn)展來看，在2019年將會有更多製造業(yè)在產(chǎn)線中導(dǎo)入邊緣運(yùn)算設(shè)計(jì)，強(qiáng)化市場競爭力。

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，從2017年開始，市場開始推動邊緣運(yùn)算概念，業(yè)界人士就指出，無論是製造業(yè)本身或設(shè)備供應(yīng)商，對臺灣來說，邊緣運(yùn)算都是最好的機(jī)會。

從雲(yún)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)將從雲(yún)端運(yùn)算往下落到邊緣運(yùn)算（Edge Computing），這個趨勢將在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。

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)端平臺負(fù)責(zé)儲存與分析，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)算會有即時(shí)性、處理器工作負(fù)擔(dān)和傳輸費(fèi)用等問題，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。

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，伺服器的運(yùn)算能力必須非常強(qiáng)大，若再加上製造現(xiàn)場第一線設(shè)備的連網(wǎng)需求，無論是建置或運(yùn)作成本都會相當(dāng)高昂，因此在部分應(yīng)用中，邊緣運(yùn)算會是較佳選擇。

集中與邊緣各有所長

不過邊緣運(yùn)算也並非全無缺點(diǎn)，例如若系統(tǒng)應(yīng)用於小體積設(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)為弱AI，也就是邊緣運(yùn)算，需要有大量且長期的運(yùn)算，像是產(chǎn)線最佳化配置或是生產(chǎn)策略，就採集中式運(yùn)算的強(qiáng)AI做法，透過機(jī)器學(xué)習(xí)、深度學(xué)習(xí)之類的演算法，運(yùn)算大量數(shù)據(jù)，分析並產(chǎn)生出精準(zhǔn)建議，提供管理者做為決策參考。

智慧製造系統(tǒng)的邊緣運(yùn)算，是臺灣製造業(yè)的重要機(jī)會，對臺灣來說，強(qiáng)AI的集中式運(yùn)算向來不是臺灣製造廠商可觸及的商機(jī)，臺灣工業(yè)廠商過去在製造領(lǐng)域的產(chǎn)品策略，主要以現(xiàn)場端設(shè)備為主，會有上層機(jī)房設(shè)備需求的製造業(yè)，這部分大多會選擇歐美大型製造系統(tǒng)廠商，以整體規(guī)畫進(jìn)行，臺灣廠商縱有能力，機(jī)會也不多。

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

工業(yè)4.0興起後，多數(shù)製造設(shè)備廠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)，完全符合了臺灣製造產(chǎn)業(yè)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)臺灣IC設(shè)計(jì)業(yè)者來說，都在能力範(fàn)圍之內(nèi)。

而在設(shè)計(jì)工業(yè)物聯(lián)網(wǎng)時(shí)，製造現(xiàn)場的專業(yè)非常重要，不同類型的設(shè)備需要對應(yīng)不同模式的運(yùn)算晶片，臺灣廠商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)勢將會延續(xù)，不過這類型應(yīng)用也容易被抄襲。

因此臺灣廠商必須先行取得起特定應(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。

至於臺灣的劣勢則是AI產(chǎn)業(yè)化的不足，其實(shí)臺灣過去在AI領(lǐng)域所培養(yǎng)的人才並不算少，回臺成立臺灣AI實(shí)驗(yàn)的的杜奕瑾就曾指出，他在微軟任職期間，微軟每年舉辦的開發(fā)者大會「Build」中，臺灣隊(duì)總是缺乏政府的奧援，但即便如此，臺灣隊(duì)伍每年總能拿下不俗的成績，這說明臺灣的軟體人才其實(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。

不過近兩年科技部已開始啟動AI政策，希望透過AI產(chǎn)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(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。

局部智慧化 提升中小企業(yè)競爭力

除了設(shè)備供應(yīng)商外，邊緣運(yùn)算也對臺灣製造業(yè)帶來優(yōu)勢，尤其是規(guī)模不大的中小企業(yè)。中小企業(yè)是臺灣製造業(yè)命脈，市場優(yōu)勢是製造彈性十足、服務(wù)佳、產(chǎn)品質(zhì)高價(jià)低，缺點(diǎn)則是資源有限，難有長期的產(chǎn)品規(guī)劃，而在過去需要大量投入資源的集中式運(yùn)算智慧製造架構(gòu)中，資源不足的缺點(diǎn)無疑會被放大，影響到競爭力。

而邊緣運(yùn)算則僅將AI設(shè)置於系統(tǒng)終端設(shè)備，以有限運(yùn)算能力解決不須太過強(qiáng)大功能的問題，例如在產(chǎn)線的瑕疵檢測環(huán)節(jié)，過去主要是由檢測員負(fù)責(zé)檢視產(chǎn)品，自動化時(shí)代開始導(dǎo)入機(jī)器視覺，解決人眼會因?yàn)殚L時(shí)間工作導(dǎo)致品質(zhì)下滑的缺點(diǎn)。

機(jī)器視覺上產(chǎn)線的設(shè)定過程繁複，不過由於以往都是少樣多量的生產(chǎn)模式，即便再麻煩，也只需在上線時(shí)設(shè)定一次，因此製造業(yè)者仍可接受。然而現(xiàn)在製造業(yè)逐漸產(chǎn)生多樣化生產(chǎn)，製程的換線頻率增高，一再重複繁瑣的設(shè)定會降低生產(chǎn)效率，因此現(xiàn)已有製造設(shè)備商將GPU卡應(yīng)用於產(chǎn)品檢測，使其具備邊緣運(yùn)算功能，透過簡單的深度學(xué)習(xí)，機(jī)器視覺可以大幅降低訓(xùn)練時(shí)間，讓系統(tǒng)快速上線辨識，同時(shí)可大幅提升辨識精準(zhǔn)度（人眼辨識度為98%，AI機(jī)器視覺為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未來會全面取代人類，臺灣微軟總經(jīng)理孫基康在之前微軟的AI活動上指出，AI必須要和HI（Human Intelligence）結(jié)合，才會變成SI（Super Intelligence），在製造業(yè)尤其是如此。

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

觀察AIoT的發(fā)展趨勢，可以看出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，還是需要倚靠人類智慧。

在製造業(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。

在與AI整合後，物聯(lián)網(wǎng)會加快其應(yīng)用拓展速度，就產(chǎn)業(yè)架構(gòu)來看，臺灣廠商過去在消費(fèi)性產(chǎn)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(shè)備，不過這類型產(chǎn)品將會需要一定程度的客製化設(shè)計(jì)，對臺灣製造廠商來說，這是挑戰(zhàn)也是新契機(jī)，臺廠必須投入更多資源掌握特定領(lǐng)域的專業(yè)知識，但同時(shí)也能藉此提升產(chǎn)品價(jià)值，強(qiáng)化本身競爭力。

**刊頭圖：（source：A Medium Corporation）