人形機器人整合了許多子系統，其中包括伺服控制系統，電池管理系統 (BMS) ，感測器系統， AI 系統控制等。將這些系統整合至人員體積中，同時維持複雜系統的平穩運作，要符合尺寸與散熱需求是極富挑戰性的。人形機器人中空間最受限的子系統是伺服控制系統。為了達到與人類類似的運動範圍，機器人中通常部署了約...

在過去十年間，AI人工智慧的發展主軸基本上都是圍繞著「更大、更深、更強」，我們習慣了在雲端使用擁有數億或甚至於數十億參數的巨型模型來處理自然語言或複雜影像應用。 然而，隨著人工智慧物聯網的爆發性成長，目前的戰場已經逐步的轉移。現在的技術焦點，已經不再是誰能在雲端跑出更高的基準測試分數，而是誰能將AI成功植入到資源極度受限(記憶體跟效能較低)的MCU，也就是所謂的邊緣AI。 從工業4.0的預測性維護、智慧家庭的語音辨識甚至到穿戴式裝置的即時健康監測，這些應用場景對即時性、應用成本以及資料隱私的要求，變得更加嚴格。將所有感測器資料上傳雲端分析已不再是唯一解方，在感測器的周邊直接進行運算，成為未來的趨勢。 資料量限制與硬體算力的囚籠 然而，當資料科學家試圖將實驗室中的AI模型移植到嵌入式系統時，往往會撞上一堵厚實的牆，這堵牆就是物理資源上的上限。 典型的深度學習模型如同吞噬算力的巨獸，它們需要大量RAM來儲存中間運算結果，以及龐大的Flash來存放各個模型的權重。但現實世界中，廣泛應用於馬達控制或家電的微控制器(MCU)晶片，其所搭載的記憶體往往都是以KB或MB為計算單位，如果開發者試圖將未經最佳化的神經網路硬塞進MCU，就像是試圖將跑車引擎裝進小型的自行車裡，不僅應用上不可行，更會對團隊的工程資源造成額外的浪費。 這是業界目前正遭遇的矛盾：開發者渴望利用AI來改善應用的本質，增加產能或效率，但是卻無法承擔其的建置及運算成本。 資料分析以及模型的減法 要解決上述矛盾，我們不能依賴硬體的無限制升級，而必須要回歸到資料分析的本質，這就像是一場關於減法的魔術一樣。 在嵌入式AI的開發中，模型裁剪以及特徵萃取的重要性，會遠高於模型架構的堆疊。 首先，我們先針對資料分析的篩選以及模型的瘦身概念進行說明： 資料分析的篩選 Raw...

你的高速產品在GHz時代是否能穩定運作？每一條線路都可能成為潛在風險。訊號延遲10皮秒、阻抗偏差1歐姆，都可能導致產品在量產前夕出現異常。透過訊號完整性與電源完整性模擬(Signal Integrity...

分析師預測，至2050年時，全球能源需求可能較目前的水準成長逾兩倍。要在保持此一成長態勢的同時實現電網去碳化，全球必須將可再生能源的部署規模擴大9倍，並提升電網效率一倍。對能源生產、分配、儲存及消費全流程進行即時整體監測，已不再是可有可無，而是不可或缺的要素。 極待彌補的可視化缺口 電網的現代化絕不僅是增加可再生能源或儲能設施，而是從根本上重塑電網對即時能源需求的感知、分析和回應能力。儘管太陽能、風能和儲能系統(Energy...

在現代高速電子產品開發中，設計複雜度持續提升，無論是PCB布局審查還是電源完整性設計，都面臨時間緊迫、錯誤率高及重複作業繁瑣等挑戰。工程師必須在有限時間內完成大量檢查與模擬任務，以確保產品品質與上市時程。為應對這些挑戰，USI環旭電子開發了前端設計與模擬自動化平台(Front-End...

2025年，AI高速運算的競賽持續升溫。全球AI供應鏈都面臨相同挑戰：電子頻寬已逼近物理極限，光電整合已成為趨勢。在這波升級浪潮中，矽光子技術(Silicon Photonics)與CPO(Co-Packaged...

製造業正面臨轉型浪潮，受個性化需求、供應鏈回流及碳排放法規影響。新一代數位化工廠透過資源感知型製造、邊緣人工智慧、分散式控制及感測器融合等技術，提升生產效率、彈性與可擴展性，協助企業應對熟練工人短缺與多樣化產品挑戰。 本文將審視現今製造業面臨的核心挑戰，探索正快速影響產業的變革浪潮。這場變革源自於對資源敏感型製造的全新關注，而人工智慧、分散式控制、混合網路架構及軟體定義自動化等新技術與能力協同驅動，共同為未來數位化工廠的崛起建構了穩固的根基。 製造業面臨的挑戰 製造業正處於一場轉型浪潮之中，消費者對個性化產品需求的成長，加上疫情後供應鏈危機催生的產業回流趨勢等，都成為推動此一變革的主要驅動力。而這些僅是眾多挑戰中的冰山一角。與此同時，全球各國政府也紛紛祭出相關法規以減少製造業的碳排放，進而實現溫室氣體淨零排放目標。因應這些挑戰將為工業製造企業開闢全新的發展賽道，企業可借此契機引入先進技術，在降低碳排放的同時，還能提高製造業的生產效率、可擴展性和彈性。 在既有的製造工廠內，製造設備與自動化設備歷經多年反覆部署與擴展，互通性問題日益突顯。設備間不僅難以順暢協同運作，相互之間的連接也極為有限，導致工廠內部普遍缺乏能貫通所有自動化設備的統一網路。 隨著新產品庫存單位(Stock...

過去幾年，特定應用積體電路(ASIC)的特徵圖形持續縮小，而性能和複雜度不斷升高。結果就是封裝的概念變得越來越重要。有些應用甚至對現有的晶片方案提出更多功能要求，必須靠封裝來滿足，且不能拖累晶片的性能表現。 回顧以往，ASIC封裝不過是漫長線性製造流程中的一道步驟，是設計期之後的一個階段。但為了確保專案能如期交付，現在封裝是和晶片設計同時進行。如果不能馬上在投片(Tape...

與早期技術相比，LED照明具有許多優勢，包括減少碳排放和有害廢棄物、為產品設計師提供全新造型設計機會以及改善用戶體驗。 與傳統額定功率為40W、60W或100W的白熾燈泡相比，LED燈具僅需不到白熾燈泡十分之一的功率，即可達到相同照度，光效大幅提升，每瓦特可提供更多流明，這與全球大方向轉變一致：即改善生活條件的同時保護地球資源。據估計，照明占全球15%的耗電量和5%的碳排放量。據部分研究估計，...

人工智慧正以極快的速度演進，大型語言模型(LLMs)也變得愈加智慧且複雜。對於部署這類模型的企業而言，挑戰往往不再侷限於模型訓練，而是轉向「代理式推論」──如何在最佳化基礎架構的同時，提供快速且具備情境理解能力的回應，並加速token生成效率。其中，一項關鍵解法便是鍵-值快取(Key-Value...

當各種應用廣泛採用機器視覺(Machine Vision)來完成交付的任務後，單純的應用環境與特定情境已不能滿足對機器視覺的期望。尤其近年從工業自動化、汽車自駕到AI的風潮下，對於攝影機的要求也越來越高。因此，除了可見光譜之外，利用各種光譜光源的影像來補足可視範圍的影像訊息越來越重要，甚至需要某些光譜才能達成特定的視覺效果。 其中，超越可見光譜穿透性的短波紅外線(SWIR)，成為未來工業機器視覺與汽車ADAS自駕不可或缺的鏡頭。因為在SWIR的照射下，某些物質會像玻璃一樣透明。因此，SWIR提供給AI訓練的影像內容，超越傳統攝影機的訊息，例如，讓移動裝置能在下雨或煙霧的氣候條件下進行模型訓練，而在工業生產檢測時，則能獲得材料或溫控的更多特徵資料，進行升級學習。 SWIR的定義與特性 SWIR是短波紅外線(Short-Wave...

智慧車輛的快速發展讓車用數位鑰匙逐漸成為現代汽車的重要組成部分，並賦予車主前所未有的便利性。不需傳統的實體鑰匙不論是車輛的解鎖、啟動，還是車內各項功能的控制， 都可以透過數位鑰匙技術與手機或穿戴式裝置來實現。隨著應用技術日趨成熟，數位鑰匙的驗證及安全性測試也變得愈加重要。為讓大家有更進一步的認識，本文將深入探討車用數位鑰匙的核心技術、應用場景、風險挑戰以及如何透過自動化測試來進行相關驗證。 車用數位鑰匙關鍵技術架構 車用數位鑰匙主要依賴近場通訊(Near...

先進駕駛輔助系統(Advanced Driver Assistance Systems, ADAS)與自動駕駛車輛(AV)技術正顯著改變我們的駕駛方式。據估計，2023年間，在14項ADAS功能中，已有10項功能的市場滲透率突破50%。然而，自駕技術的持續落實，仍仰賴於精確且可靠的感測器系統，以及其對弱勢道路使用者(Vulnerable...