在AI熱潮從雲端朝向邊緣端延伸的當下，能夠在感測器層進行AI運算的微控制器(MCU)，以及相對應的微型人工智慧(TinyAI)技術也正迅速發展，並在智慧製造領域大放異彩。
製造場域「智慧微型化」時代來臨
從雲端運算到邊緣運算的過渡與整合，為智慧製造帶來了更低延遲、低成本以及更高安全的應用場景，以求在更接近感測器數據源之處進行分析與整廠調控，並強化機器運作、物流及庫存管理的效益。
然而，邊緣運算實際上包含多個運算層級，從距離製造場域較遠的邊緣雲、放置於機房的邊緣伺服器、到產線旁應用或廠區內移動的邊緣嵌入系統、用於協調設備控制或通訊的MPU邊緣單板，再到感測器端的MCU邊緣晶片等。
近年隨著軟硬體技術發展，使MCU也能具備一定AI運算能力，大廠紛紛研發可整合進MCU的NPU，以進行類神經運算任務，並已在智慧製造領域創造出多元應用案例，如預測性維護、能源管理、視覺任務，且以其低能耗達到接近常時開啟(Always-On)的使用需求，可以說「製造智慧微型化」最重要的一哩路，來自近年MCU硬體效能的突破，以及TinyAI軟體框架的出現及革新。
MCU結合TinyAI於智慧製造應用剖析
AI MCU結合TinyAI，能夠有效的在低能耗狀態下，執行基本的AI運算任務，上述特性使其主要能應用於智慧製造的感測、機械與設備層級，且由於MCU是第一線感知並控制工業數據，在搭載AI加速能力後，可用於如機台的預測性維護、能源管理、視覺任務、品質檢測以及物流，以及庫存追蹤等領域。
預測性維護與品質檢測
MCU結合TinyAI用於預測性維護，為智慧製造的新興焦點應用之一，藉由與主流批次AI運算不同，針對序列數據的時間序列機器學習(Time-series Machine Learning)技術，可在較早期檢測出可能的器械異常，以進行備援、降轉或停機維護，對於諸如馬達、機電系統等智慧製造的「心臟」系統尤為重要。
在智慧製造中，品質檢測是確保產品符合標準和客戶需求的重要環節。MCU結合微型AI亦可以應用於自動化的品質檢測系統中。由於搭載AI機能的MCU成本較高，且單一設備或產線可能就需要搭載多個MCU進行感測或運算，考量到導入成本與導入效益，MCU結合AI多用於廠區關鍵設備或流程，例如大型工業馬達、高精度加工設備、自動化生產線等應用情境。
人員移動及物件偵測
視覺相關任務，例如人員偵測，移動物件偵測等，是機器學習領域中有大量需求的應用，在智慧製造場域也不例外。近年MCU的硬體突破，以及與TinyAI的結合亦能有效因應視覺任務。
在實際製造應用上，搭載視覺AI的MCU可布建於較廣域的廠區，以用於人員出入數量管理、危險物質區域的人員偵測，以及違規操作、穿著等廠務應用需求，並以相對於GPU的極低能耗優勢，大幅降低電源供應需求，或以電池方式供電以進行更彈性的設備部署，此外，也能針對如AMR等移動異常狀況、故障導致的停滯狀況進行回報，從而提高廠區安全性和生產效率。
以人員、物件等常見的影像偵測任務來說，傳統大多需要搭載輕量級的GPU來進行辨識，然單顆GPU的功耗與成本，平均皆高於MCU五倍至十倍以上，對平常本就敏感以及對能耗要求的工業場域來說，MCU的微型智慧化將帶來新的應用場景和契機。
設備語音控制
在實際的工業應用中，關鍵詞檢測、基本語音辨識技術可以用於機器操作人員的語音命令控制，提高操作的便捷性和安全性，而語音應用也是MLPerf的TinyML測試基準的關鍵應用之一。
語音命令控制在工業場域有很多應用情境，例如在自動化的生產線上，操作員可以通過語音命令來控制機器設備的啟動、停止或參數調整，而無需直接接觸機器，從而減少操作複雜性和潛在的安全風險。此外，語音辨識技術還可以用於維護人員對AMR的控制，透過語音指令快速定位搬運點，提高維護和移動效率。
而MCU與AI的整合，在實現智慧製造場域語音辨識功能中也發揮關鍵作用。相較於影像偵測，語音與音訊相關的AI任務，其數據量和演算法的相對複雜度較低，然而卻高度要求低回應速度及低延遲。傳統MCU大多能完成一般語音任務，然而MCU結合AI能夠使設備在本地端以較低能耗，執行低延遲的語音AI運算，強化人機控制的流暢性。
機器手臂行為最佳化、機器人移動導航
此外，在高度影響運作效率的機械手臂運動路徑中，MCU也扮演著關鍵角色。MCU不僅可執行基本的運動控制，還能即時以AI處理複雜的運動學運算和路徑規劃演算法，藉由整合各種感測器的輸入(如編碼器、加速度計和力矩感測器)，即時調整運動軌跡，避免碰撞並最佳化運動效率，進而達到節能。此外，MCU還能完成自適應控制和機器學習功能，使機械手臂能夠根據不同工作環境和任務需求自主調整其運動策略，藉由分析歷史數據和當前工作狀態，MCU可以預測可能的故障和性能下降，實現預防性維護。
物流追蹤與庫存管理
物流追蹤在智慧製造領域，對於達成高效供應鏈管理也至關重要，MCU及AI通常整合RFID或其他無線通訊技術，用於追蹤物料和產品的路線流動，並進行最佳化分析。由於物流任務特性，MCU經常使用電池驅動，並利用AI進行自身的電力管理功能，例如深度休眠模式(僅消耗μA級電力)，或根據歷史數據預測最佳的休眠時間等，並隨著數據量的累積，針對能耗預測進行機器學習與調控。
MCU結合微型AI 智慧應用深入製造現場(1)
