科學(xué)家和工程師能藉由專業(yè)領(lǐng)域知識(shí)在AI專案取得某種程度的成果；然而，若利用如自動(dòng)標(biāo)記等工具來快速地處理龐大、高品質(zhì)的資料集，將是進(jìn)一步成功的關(guān)鍵。

隨著取得了現(xiàn)有深度學(xué)習(xí)模型與研究並加以持續(xù)改進(jìn)，科學(xué)家與工程師得以在人工智慧（AI）專案得到更大範(fàn)圍的成果。傳統(tǒng)上，AI模型大多數(shù)以影像為基礎(chǔ)，不過接下來這一年，AI模型將涵蓋更多樣化的資料類型結(jié)合，從感測(cè)器到時(shí)間序列，再到文字和雷達(dá)資料等等。

圖1 : 傳統(tǒng)上，AI模型大多數(shù)以影像為基礎(chǔ)，未來AI模型將涵蓋更多樣化的資料類型結(jié)合。

科學(xué)家和工程師固然可藉由自身具備的專業(yè)領(lǐng)域知識(shí)在AI專案取得某種程度的成果；然而，若還可以利用某些工具如自動(dòng)標(biāo)記等來快速地處理龐大、高品質(zhì)的資料集，將是進(jìn)一步成功的關(guān)鍵。資料品質(zhì)愈高、資料量愈大，愈能增加AI模型的精確性，成功機(jī)會(huì)也愈大。

豐富的模型化基礎(chǔ)設(shè)計(jì)工具

更多複雜設(shè)計(jì)、以AI為驅(qū)動(dòng)的系統(tǒng)正不斷增加，因此AI模型的行為對(duì)於整個(gè)系統(tǒng)性能將帶來重大影響，帶動(dòng)了更多嚴(yán)格測(cè)試流程的需求。因此，在2020年，我們將看到更多能提供模擬、整合與持續(xù)測(cè)試的模型化基礎(chǔ)設(shè)計(jì)工具被大量地採(cǎi)用。

模擬可讓設(shè)計(jì)者測(cè)試人工智慧與系統(tǒng)之間如何進(jìn)行互動(dòng)，整合則可幫助設(shè)計(jì)者在完整的系統(tǒng)情境下試驗(yàn)他們的設(shè)計(jì)，持續(xù)測(cè)試有助於更容易地找出AI訓(xùn)練資料中的弱點(diǎn)和其他元件的設(shè)計(jì)缺陷。

透過協(xié)作機(jī)器人與AI使生產(chǎn)線更靈活

透過AI來進(jìn)行的參數(shù)化和調(diào)整的Cobots—在人類身邊運(yùn)作的協(xié)作機(jī)器人（由collaborative robots合併縮寫而成）—將是2020年後實(shí)現(xiàn)真正靈活生產(chǎn)線的關(guān)鍵。在過去五年，關(guān)於工廠廠房生產(chǎn)線自動(dòng)化的新願(yuàn)景被大量地談?wù)摗复笈a(chǎn)品客製化（sample size one）」，也就是生產(chǎn)線如何藉由逐一生產(chǎn)每個(gè)單項(xiàng)產(chǎn)品，以避免缺乏效率和轉(zhuǎn)換時(shí)間長(zhǎng)的問題。

要實(shí)現(xiàn)工業(yè)4.0願(yuàn)景之一的生產(chǎn)完全個(gè)別化，生產(chǎn)線必須具備靈活性，並設(shè)有多個(gè)可以在生產(chǎn)過程中即時(shí)重新調(diào)配的機(jī)械電子模組，也需要配置更多協(xié)作機(jī)器人，這些皆由AI依據(jù)下一個(gè)要製造的個(gè)別化產(chǎn)品進(jìn)行調(diào)整。

圖2 : 由AI驅(qū)動(dòng)生產(chǎn)線的靈活性是實(shí)現(xiàn)工業(yè)4.0生產(chǎn)個(gè)別化的關(guān)鍵

邊緣運(yùn)算與預(yù)測(cè)性維護(hù)持續(xù)演進(jìn)

雲(yún)端系統(tǒng)的使用，再加上更強(qiáng)大的工業(yè)控制器和邊緣運(yùn)算裝置的運(yùn)算能力，將為新的功能性生產(chǎn)系統(tǒng)軟體鋪路。預(yù)測(cè)性維護(hù)技術(shù)將持續(xù)改進(jìn)，隨著資料來源不只來自單一個(gè)別機(jī)器，也包括了跨越多個(gè)地點(diǎn)及不同供應(yīng)商設(shè)備間的資料。除此之外，以AI為基礎(chǔ)的演算法將可動(dòng)態(tài)地優(yōu)化整個(gè)生產(chǎn)線及生產(chǎn)量，並將耗能維持在最低，持續(xù)提升工廠效率。

圖3 : 預(yù)測(cè)性維護(hù)技術(shù)將隨著感測(cè)資料的多元化而持續(xù)精進(jìn)

強(qiáng)化學(xué)習(xí)之工業(yè)應(yīng)用

強(qiáng)化學(xué)習(xí)（reinforcement learning），指電腦反覆跟一個(gè)動(dòng)態(tài)環(huán)境間不斷地互動(dòng)、透過嘗試-錯(cuò)誤（trial-and-error）來學(xué)習(xí)執(zhí)行一項(xiàng)任務(wù)。應(yīng)用範(fàn)圍從在Go和下棋等桌上遊戲裡打敗人類玩家，到變成提供工程師一系列的支援。在工業(yè)應(yīng)用上，它可以被用來實(shí)現(xiàn)控制器及複雜系統(tǒng)的決策演算法，像是機(jī)器人和無人自主系統(tǒng)等。

提供工程師們更容易使用的工具來建立與訓(xùn)練強(qiáng)化學(xué)習(xí)策略，並訓(xùn)練所開發(fā)出的模擬資料，是驅(qū)動(dòng)未來強(qiáng)化學(xué)習(xí)（reinforcement learning；RL）改善大型工業(yè)系統(tǒng)的重要關(guān)鍵。

其他驅(qū)動(dòng)強(qiáng)化學(xué)習(xí)應(yīng)用的因素，還包括了能將強(qiáng)化學(xué)習(xí)主體（agents）與系統(tǒng)模擬工具整合，以及讓嵌入式硬體的程式碼生成變得更加容易的工具。舉例來說，將一個(gè)強(qiáng)化學(xué)習(xí)主體加入自主駕駛系統(tǒng)可以改善及優(yōu)化駕駛的表現(xiàn)、提升速度、降低燃料消耗及回應(yīng)時(shí)間等等。

圖4 : 強(qiáng)化學(xué)習(xí)－由電腦所代表的主體與動(dòng)態(tài)環(huán)境不斷地互動(dòng)，以嘗試錯(cuò)誤的方式來學(xué)習(xí)如何執(zhí)行任務(wù)

隨著科技的進(jìn)步，科學(xué)家與工程師將享受大量的好處，不過工具的使用、增加學(xué)習(xí)與採(cǎi)用工具來處理更大資料集工作任務(wù)的意願(yuàn)、以及建立新模型與測(cè)試AI驅(qū)動(dòng)系統(tǒng)等，將是實(shí)現(xiàn)所有工業(yè)4.0願(yuàn)景功能勢(shì)在必行的工作。

（本文由鈦思科技提供；作者Jos Martin任職於MathWorks公司）