物聯網過去幾年的發展聲勢雖強,不過落地速度緩慢,成功案例也僅是點狀出現,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,兩者結合而成的AIoT架構,再次強化物聯網的市場推廣力道,各種垂直領域的應用才開始加速,而其中又以製造業的腳步最快,現已有製造業者將AIoT的邊緣運算概念應用於產線上,以產線的局部智慧化,邁開工業4.0的第一步,而由2018年的進展來看,在2019年將會有更多製造業在產線中導入邊緣運算設計,強化市場競爭力。
圖1 : 這次AI的發展已是科技史上第3次,在機器學習演算法與物聯網系統整合下,這次發展十分令人期待。(source:ReadWrite) |
|
就整體系統來看,物聯網可分為感測、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,因此多建置在物聯網最上層的應用平台,從2017年開始,市場開始推動邊緣運算概念,業界人士就指出,無論是製造業本身或設備供應商,對台灣來說,邊緣運算都是最好的機會。
從雲端到邊緣 物聯網效能更佳
例如工研院IEK之前定調的2018年ICT產業主軸「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、技術與產品的研發與設計方向。
IEK預估全球邊緣運算市場規模,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發展初期主要由雲端運算主導,但在網路頻寬、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路設備上,邊緣運算因而興起。
現在物聯網主要為集中式運算架構,也就是第1層所擷取的數據全部往上傳,最上層的雲端平台負責儲存與分析,集中式運算與分散式運算各有優缺點,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,在製造業,設備一旦故障,若仍採用訊息傳回後端再下指令的模式,現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。
另外則是後端處理系統的運算負擔與傳輸費用,未來物聯網的願景是萬物聯網,若所有訊息都連接到後端的運算平台,伺服器的運算能力必須非常強大,若再加上製造現場第一線設備的連網需求,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,例如若系統應用於小體積設備中,多點部位在狹小空間同時運算,將會產生干擾,此外經過端點預處理過的數據,也會有失真之虞。
當然物聯網的建構並非只能二擇一的極端做法,多數的系統都是兩者並行,在即時性需求較高的部分設計為弱AI,也就是邊緣運算,需要有大量且長期的運算,像是產線最佳化配置或是生產策略,就採集中式運算的強AI做法,透過機器學習、深度學習之類的演算法,運算大量數據,分析並產生出精準建議,提供管理者做為決策參考。
智慧製造系統的邊緣運算,是台灣製造業的重要機會,對台灣來說,強AI的集中式運算向來不是台灣製造廠商可觸及的商機,台灣工業廠商過去在製造領域的產品策略,主要以現場端設備為主,會有上層機房設備需求的製造業,這部分大多會選擇歐美大型製造系統廠商,以整體規畫進行,台灣廠商縱有能力,機會也不多。
圖2 : 檢測環節成為多數製造業者導入智慧化系統的第一步。(Source:Concept Systems) |
|
工業4.0興起後,多數製造設備廠商仍將目光聚焦在第一層的設備端,因此邊緣運算概念的出現,完全符合了台灣製造產業的產品策略與市場條件,首先是運算晶片,過去物聯網終端產品的元件,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數據擷取,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,這對多數台灣IC設計業者來說,都在能力範圍之內。
而在設計工業物聯網時,製造現場的專業非常重要,不同類型的設備需要對應不同模式的運算晶片,台灣廠商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,其優勢將會延續,不過這類型應用也容易被抄襲。
因此台灣廠商必須先行取得起特定應用領域的專利,IEK認為其中又以影像與視覺的現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。
至於台灣的劣勢則是AI產業化的不足,其實台灣過去在AI領域所培養的人才並不算少,回台成立台灣AI實驗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者大會「Build」中,台灣隊總是缺乏政府的奧援,但即便如此,台灣隊伍每年總能拿下不俗的成績,這說明台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重視。
不過近兩年科技部已開始啟動AI政策,希望透過AI產業化留住台灣軟體人才,而有了軟體人才,台灣的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,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。
局部智慧化 提升中小企業競爭力
除了設備供應商外,邊緣運算也對台灣製造業帶來優勢,尤其是規模不大的中小企業。中小企業是台灣製造業命脈,市場優勢是製造彈性十足、服務佳、產品質高價低,缺點則是資源有限,難有長期的產品規劃,而在過去需要大量投入資源的集中式運算智慧製造架構中,資源不足的缺點無疑會被放大,影響到競爭力。
而邊緣運算則僅將AI設置於系統終端設備,以有限運算能力解決不須太過強大功能的問題,例如在產線的瑕疵檢測環節,過去主要是由檢測員負責檢視產品,自動化時代開始導入機器視覺,解決人眼會因為長時間工作導致品質下滑的缺點。
機器視覺上產線的設定過程繁複,不過由於以往都是少樣多量的生產模式,即便再麻煩,也只需在上線時設定一次,因此製造業者仍可接受。然而現在製造業逐漸產生多樣化生產,製程的換線頻率增高,一再重複繁瑣的設定會降低生產效率,因此現已有製造設備商將GPU卡應用於產品檢測,使其具備邊緣運算功能,透過簡單的深度學習,機器視覺可以大幅降低訓練時間,讓系統快速上線辨識,同時可大幅提升辨識精準度(人眼辨識度為98%,AI機器視覺為99%以上)。
AI與HI才是最佳解答
AI與工業物聯網的整合雖才起步,不過整體趨勢已經確定,2017年6月阿里巴巴創辦人馬雲就指出,現在產業已經從「互聯網+」進展到「AI+」,也就是AI將與各種領域結合,創造出更多加值服務,而這也就是過去物聯網所訴求的垂直應用模式,不過多位業界人士表示,這不代表AI未來會全面取代人類,台灣微軟總經理孫基康在之前微軟的AI活動上指出,AI必須要和HI(Human Intelligence)結合,才會變成SI(Super Intelligence),在製造業尤其是如此。
圖3 : AI必須要和HI結合,才會變成SI,在製造業尤其是如此。(Source:A Medium Corporation) |
|
觀察AIoT的發展趨勢,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,真要提出相關對應策略,還是需要倚靠人類智慧。
在製造業中,工業物聯網與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,例如當現場製造設備出現故障,系統會依據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人員設備故障處與可能故障原因,人員可參考系統將系統建議結合本身專業決定處理方式,而若系統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。
在與AI整合後,物聯網會加快其應用拓展速度,就產業架構來看,台灣廠商過去在消費性產品所建立的優勢,將會延伸到物聯網系統中的終端零組件與連網設備,不過這類型產品將會需要一定程度的客製化設計,對台灣製造廠商來說,這是挑戰也是新契機,台廠必須投入更多資源掌握特定領域的專業知識,但同時也能藉此提升產品價值,強化本身競爭力。
**刊頭圖:(source:A Medium Corporation)