物联网过去几年的发展声势虽强，不过落地速度缓慢，成功案例也仅是点状出现，一直让人有「只闻楼梯响，不见人下来」的感觉，直到2016年底AI再次掀起热潮，两者结合而成的AIoT架构，再次强化物联网的市场推广力道，各种垂直领域的应用才开始加速，而其中又以制造业的脚步最快，现已有制造业者将AIoT的边缘运算概念应用于产线上，以产线的局部智慧化，迈开工业4.0的第一步，而由2018年的进展来看，在2019年将会有更多制造业在产线中导入边缘运算设计，强化市场竞争力。

图1 : 这次AI的发展已是科技史上第3次，在机器学习演算法与物联网系统整合下，这次发展十分令人期待。 （source：ReadWrite）

就整体系统来看，物联网可分为感测、通讯、应用等3层架构，由于这一波AI的主流演算法以深度学习（Deep Learning）为主，透过不断的错误更正自我学习，让指令不断趋近于完美，这种模式需要大量的运算，因此多建置在物联网最上层的应用平台，从2017年开始，市场开始推动边缘运算概念，业界人士就指出，无论是制造业本身或设备供应商，对台湾来说，边缘运算都是最好的机会。

从云端到边缘 物联网效能更佳

例如工研院IEK之前定调的2018年ICT产业主轴「AI on Earth, AI on Edge；人工智慧 下凡入魂」，就是认为AI焦点将从云端运算往下落到边缘运算（Edge Computing），这个趋势将在2018年开始显著影响产业、技术与产品的研发与设计方向。

IEK预估全球边缘运算市场规模，将从2017年的80亿美元成长至2022年的133亿美元，年平均成长率达到10.7%，IEK指出，AI发展初期主要由云端运算主导，但在网路频宽、通讯延迟、资料安全等限制因素下，运算任务需要转移至终端装置或就近的网路设备上，边缘运算因而兴起。

现在物联网主要为集中式运算架构，也就是第1层所撷取的数据全部往上传，最上层的云端平台负责储存与分析，集中式运算与分散式运算各有优缺点，应用也不尽相同，集中式运算会有即时性、处理器工作负担和传输费用等问题，在制造业，设备一旦故障，若仍采用讯息传回后端再下指令的模式，现场状况极有可能因为讯息传递与后端运算所需的时间而恶化。

另外则是后端处理系统的运算负担与传输费用，未来物联网的愿景是万物联网，若所有讯息都连接到后端的运算平台，伺服器的运算能力必须非常强大，若再加上制造现场第一线设备的连网需求，无论是建置或运作成本都会相当高昂，因此在部分应用中，边缘运算会是较佳选择。

集中与边缘各有所长

不过边缘运算也并非全无缺点，例如若系统应用于小体积设备中，多点部位在狭小空间同时运算，将会产生干扰，此外经过端点预处理过的数据，也会有失真之虞。

当然物联网的建构并非只能二择一的极端做法，多数的系统都是两者并行，在即时性需求较高的部分设计为弱AI，也就是边缘运算，需要有大量且长期的运算，像是产线最佳化配置或是生产策略，就采集中式运算的强AI做法，透过机器学习、深度学习之类的演算法，运算大量数据，分析并产生出精准建议，提供管理者做为决策参考。

智慧制造系统的边缘运算，是台湾制造业的重要机会，对台湾来说，强AI的集中式运算向来不是台湾制造厂商可触及的商机，台湾工业厂商过去在制造领域的产品策略，主要以现场端设备为主，会有上层机房设备需求的制造业，这部分大多会选择欧美大型制造系统厂商，以整体规画进行，台湾厂商纵有能力，机会也不多。

图2 : 检测环节成为多数制造业者导入智慧化系统的第一步。（Source：Concept Systems）

工业4.0兴起后，多数制造设备厂商仍将目光聚焦在第一层的设备端，因此边缘运算概念的出现，完全符合了台湾制造产业的产品策略与市场条件，首先是运算晶片，过去物联网终端产品的元件，多被要求低功耗与小体积，让设备可以在最有限的空间下，尽可能的长时间运作，而由于多只是简单的状态数据撷取，因此运算功能不需强大，但在边缘运算概念中，部分设备需要有一定的运算能力，这对多数台湾IC设计业者来说，都在能力范围之内。

而在设计工业物联网时，制造现场的专业非常重要，不同类型的设备需要对应不同模式的运算晶片，台湾厂商特色是快速弹性的客制化设计能力，在这种少量多样的需求中，其优势将会延续，不过这类型应用也容易被抄袭。

因此台湾厂商必须先行取得起特定应用领域的专利，IEK认为其中又以影像与视觉的现场可程式逻辑闸阵列（FPGA）、特殊应用专属晶片（ASIC）等两类产品最具竞争力。

至于台湾的劣势则是AI产业化的不足，其实台湾过去在AI领域所培养的人才并不算少，回台成立台湾AI实验的的杜奕瑾就曾指出，他在微软任职期间，微软每年举办的开发者大会「Build」中，台湾队总是缺乏政府的奥援，但即便如此，台湾队伍每年总能拿下不俗的成绩，这说明台湾的软体人才其实不逊于其他国家，只是过去一直不被政府与产业重视。

不过近两年科技部已开始启动AI政策，希望透过AI产业化留住台湾软体人才，而有了软体人才，台湾的AIoT在软硬体才能齐备，顺利启动，以前面提到的边缘运算晶片为例，要在小体积与低耗电的条件下，设计出足够运算能力的晶片，除了硬体技术外，演算法也是重要一环，软体工程师必须将庞大的演算模型精简化，让终端可以在低功耗模式下进行运算。

局部智慧化 提升中小企业竞争力

除了设备供应商外，边缘运算也对台湾制造业带来优势，尤其是规模不大的中小企业。中小企业是台湾制造业命脉，市场优势是制造弹性十足、服务佳、产品质高价低，缺点则是资源有限，难有长期的产品规划，而在过去需要大量投入资源的集中式运算智慧制造架构中，资源不足的缺点无疑会被放大，影响到竞争力。

而边缘运算则仅将AI设置于系统终端设备，以有限运算能力解决不须太过强大功能的问题，例如在产线的瑕疵检测环节，过去主要是由检测员负责检视产品，自动化时代开始导入机器视觉，解决人眼会因为长时间工作导致品质下滑的缺点。

机器视觉上产线的设定过程繁复，不过由于以往都是少样多量的生产模式，即便再麻烦，也只需在上线时设定一次，因此制造业者仍可接受。然而现在制造业逐渐产生多样化生产，制程的换线频率增高，一再重复繁琐的设定会降低生产效率，因此现已有制造设备商将GPU卡应用于产品检测，使其具备边缘运算功能，透过简单的深度学习，机器视觉可以大幅降低训练时间，让系统快速上线辨识，同时可大幅提升辨识精准度（人眼辨识度为98%，AI机器视觉为99%以上）。

AI与HI才是最佳解答

AI与工业物联网的整合虽才起步，不过整体趋势已经确定，2017年6月阿里巴巴创办人马云就指出，现在产业已经从「互联网+」进展到「AI+」，也就是AI将与各种领域结合，创造出更多加值服务，而这也就是过去物联网所诉求的垂直应用模式，不过多位业界人士表示，这不代表AI未来会全面取代人类，台湾微软总经理孙基康在之前微软的AI活动上指出，AI必须要和HI（Human Intelligence）结合，才会变成SI（Super Intelligence），在制造业尤其是如此。

图3 : AI必须要和HI结合，才会变成SI，在制造业尤其是如此。（Source：A Medium Corporation）

观察AIoT的发展趋势，可以看出都是为了提供使用者更直觉、智慧、多元的选择，但无法做出具有逻辑性的判断，真要提出相关对应策略，还是需要倚靠人类智慧。

在制造业中，工业物联网与AI的结合，已进展到感知层面，也就是脱离冷冰冰的人工指令，而改采更具人性的直觉性讯息，例如当现场制造设备出现故障，系统会依据过去深度学习的结果，判断出问题所在，再依情况直接告诉作业人员设备故障处与可能故障原因，人员可参考系统将系统建议结合本身专业决定处理方式，而若系统察觉到的问题经过判断必须即时处理，则会先以口语化语音立即指出故障处与紧急处理方式，让工作人员可在最短时间内解除状况。

在与AI整合后，物联网会加快其应用拓展速度，就产业架构来看，台湾厂商过去在消费性产品所建立的优势，将会延伸到物联网系统中的终端零组件与连网设备，不过这类型产品将会需要一定程度的客制化设计，对台湾制造厂商来说，这是挑战也是新契机，台厂必须投入更多资源掌握特定领域的专业知识，但同时也能借此提升产品价值，强化本身竞争力。

**刊头图：（source：A Medium Corporation）