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...

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。 AI結合智慧製造　三大重點發展方向浮現 MCU和TinyAI技術的發展，正在不斷推進智慧製造導入AI應用的進程。MCU以其高度整合及低功耗特性，在工業應用場景中扮演著關鍵角色，能夠直接與外部感測器和電子元件進行交互控制。而在MCU具備執行AI運算的能力後，未來智慧製造領域將有以下三個重點發展方向值得關注。 GPU替代方案浮現 隨著MCU性能的提升和能耗的降低，其在各垂直領域中的應用日益廣泛，尤其在智慧製造領域中，MCU的應用滲透率逐漸提升，並能夠在如設備異常檢測、影像任務、音訊任務等AI領域，取代或成為邊緣GPU的另一選項。近年來，業者也相繼開發搭載NPU的相關MCU...

相對於ChatGPT等基於雲端運算的AI服務，架設於邊緣、地端的AI應用，因其低延遲、低流量成本、低能耗以及高隱私之特性，正逐漸在產業應用端快速興起，同時各家大廠也積極投入邊緣AI技術及商業布局。國際大廠在邊緣AI的布局上，多利用既有技術優勢，朝各自相異的產品領域進行布局。 NVIDIA以CUDA優勢進軍邊緣AI NVIDIA主要的邊緣AI產品線為Jetson平台。Jetson是專為邊緣AI及機器學習應用特化的硬體平台，主要搭載NVIDIA的Tegra...

相對於ChatGPT等基於雲端運算的AI服務，架設於邊緣、地端的AI應用，因其低延遲、低流量成本、低能耗以及高隱私之特性，正逐漸在產業應用端快速興起，同時各家大廠也積極投入邊緣AI技術及商業布局。國際大廠在邊緣AI的布局上，多利用既有技術優勢，朝各自相異的產品領域進行布局。 Arm鎖定「邊緣的邊緣」　主攻物聯網AI 安謀(Arm)在邊緣AI領域的布局策略，來自於其核心競爭優勢—基於RISC(Reduced...

數位AI需要在資料儲存與運算單元之間搬移大量資料，讓馮紐曼運算架構的局限顯露無遺。類比AI則另闢蹊徑，利用歐姆定律突破馮紐曼架構的限制。不過，類比AI目前尚無法像數位AI般，支援動輒數億個權重，使其無法運用在生成式AI上。 在AI於各產業應用快速發展的背景下，邊緣端的推論需求增加，讓低能耗、低延遲逐漸成為邊緣AI應用的關鍵。近日類比AI(Analog...

數位AI需要在資料儲存與運算單元之間搬移大量資料，讓馮紐曼運算架構的局限顯露無遺。類比AI則另闢蹊徑，利用歐姆定律突破馮紐曼架構的限制。不過，類比AI目前尚無法像數位AI般，支援動輒數億個權重，使其無法運用在生成式AI上。 產學界積極投入類比AI技術開發 在邊緣AI算力需求的驅動下，眾家大廠也相續發布類比AI研究成果。如上述的IBM在2023年8月發布的類比AI晶片架構Hermes，其PCM是與台廠合作研發。PCM具備非揮發、低耗能的特性，讀寫速度也超過目前主流的NAND...

由於涉及異質技術整合應用，數位分身(Digital Twin)為智慧製造發展的關鍵挑戰之一。然挑戰之所在，也就是商機之所在，數位分身所蘊含的龐大商機，已吸引來自不同IT、OT、軟體甚至晶片領域的大廠競相展開布局。 數位分身系統層級繁複，涉及上層IT系統的數位模擬、數據分析、數據管理，以及下層OT系統的數據感測、擷取、狀態偵測等工作，近年IT與OT業者各以不同的布局角度、產品特化以及合作策略，切入數位分身的應用領域。 IT大廠布局數位分身 NVIDIA積極邁向雲端一站式解決方案 近年NVIDIA持續投注於於數位分身領域，2022年3月推出大規模數位分身的運算系統-NVIDIA...

針對智慧製造情境中易產生延遲之環節，5G及邊緣運算定義了新的應用標準，除降低延遲，也兼顧了服務品質(QoS)的確保，以及可靠性的提升。下列將聚焦討論相關標準的低延遲特性，並應用於數據前處理、數據傳輸、以及數據運算三大環節。 影像編解碼為數據前處理重點 在實際工業場景中，智慧製造終端設備產出的數據源十分異質且多樣，例如產線設備的Log檔、AMR移動的位置數據、類比機台波形數據、視覺檢測的串流影像數據等，其數據格式與最低延遲需求亦有不同。本處以智慧應用(如AOI瑕疵檢測、MR遠距維修、遠端機器操作)中占頻寬最大，即時處理需求也較高的連續影像編碼為例，說明新型態低延遲影像數據壓縮技術發展。 綜觀影像編碼格式的沿革，2003年由第三代合作夥伴計畫(3GPP)所發布的H.264仍為目前應用主流，並為大量終端設備用於無線傳輸環境中。然而在頻寬成本逐日提高，處理大量低延遲影像數據的需求日益迫切，H.264視訊編碼已不足因應巨量影像低延遲編碼的任務需求。2020年7月，由制定5G標準的國際電信聯盟(ITU-T)、國際標準化組織(ISO)以及國際電工委員會(IEC)組織共同審定的影像編碼標準VVC(Versatile...

受疫情、地緣政治動盪衝擊及淨零碳排時程迫近等因素影響，製造業對導入遠距生產、自動化管理的智慧化需求日漸增加，對供應鏈上下游訊息掌握度的要求，也逐漸提升。有些製造業者主動擁抱，然有些業者也被迫調整營運策略，例如疫情造成的封城、人員居家隔離、異地工作普及等狀況，導致遠距管理、遠距生產需求增加，使得企業必須更快速掌握、整合不同設備及不同生產流程的關鍵訊息及數據。 為此，製造業者除加速設備連網化、雲端化布局，全球也有近四分之一業者開始進行工廠不同功能區域、設備、生產部門的即時數據擷取與串聯，以提供遠距監控與整合決策所需。 另一方面，戰爭、斷航、貿易保護帶來的產業聚落重組等外部事件，也讓企業供應鏈的穩定性備受挑戰。企業要達成準確的零件交期、物流、庫存控管，就必須充分掌握、整合上下游業者的相關數據，以作即時性的綜整判斷。同時，各國政府及各大品牌商也開始要求製造業(及其供應鏈)進行碳減量、碳盤查，迫使企業必須加速掌握供應鏈上下游的碳排關鍵數據。 數據治理面臨三大痛點 全球有超過七成業者有意願與供應鏈上下游業者(如原料供應商、庫存端)進行數據共享，而到2024年，則將有四成業者完成數據共享。然而，在數據做為企業重要資產的觀念逐漸普及，多數企業也更加重視自身數據價值，而因害怕高價值、機敏數據外流至競業手中，影響數據共享意願。另外，資料隱私法規以及跨國數據共享限制，也使企業必須在數據共享的好處，與數據流通的限制間，尋覓新的折衷方案。 進一步檢視單一製造業者的生產環節，就會發現無論內部營運、外部合作，皆與數據處理息息相關。「人、機、料、法、環」的各個環節都涉及數據生產、數據擷取、數據儲存、數據應用、數據整合、數據交換與加值。在「數據即資產」的智慧製造觀念下，數據治理逐漸成為企業轉型為智慧製造的重中之重。 想要發揮數據的最大價值，製造業必須充分掌握即時、關鍵的內外部數據流。然而，多數業者亦面對不同環節數據應用的痛點及挑戰。以設備端數據來說，目前雖已有不少製造現場進行初步數位化、智慧化(如AOI視覺檢測、IoT感測器布建)，然而智慧化設備多為單點導入建置，各生產設備間系統孤立，數據無法互通，難以進行整合串聯應用與分析，此為第一個痛點。 第二個痛點則是企業內的不同部門(例如研發、倉儲、製造)、不同生產流程，大多使用不同管理系統，系統間數據格式往往難以進行串聯，而形成資料孤島情形，僅能提供固定部門取用方式，無法進行交叉分析，致使企業無法進行如預測性維護、產線效率最佳化、或發現跨部門資料的隱藏關聯價值等整合性應用。 第三個痛點，基於近年製造業者逐漸意識到「數據」乃是企業重要資產，在企業間的數據共享上，往往呈現互信不足，不願進行真實、即時的數據交換的情形。而缺乏透明、安全的數據共享架構，害怕數據隱私外流，以及國際間數據管制法規趨嚴等因素，皆是影響企業數據交換意願的主要原因。 綜上所述，製造業者面臨的數據治理痛點，主要為「對內數據流通性不足」，以及「對外數據共享安全性不夠」。針對這些痛點，以下將分析三種新興的數據治理技術，即數據發布服務、數據湖以及聯邦學習數據治理架構與技術，分別解決設備間數據串流、跨部門數據整合，以及跨企業數據共享的數據治理問題。 跨設備數據串流：數據發布服務 在製造場域中，同一廠區內的機械手臂、送料帶、AMR、感測器等，皆有各自廠牌封閉的作業系統與數據格式，若要進行數據統合，需藉由製造執行系統，或利用統一的標準、框架或協定(例如物聯網的MQTT數據協定)，進行數據串聯。 然而，目前主要的系統或框架，皆無法進行設備數據間的即時串聯與自動協作，而多用於事後分析。資料即時串聯不易，跟許多工業設備不斷產生即時且龐大的數據量有關。例如類比機台產生的連續波形數據，就是一種極端龐大的資料，而且這類資料的規模，甚至大到讓批次數據儲存都變得不切實際。此外，事後批次分析也無法滿足諸如故障預警、預測性維護等需求，導致整廠自動化程度有所不足。 為此，作為設備數據即時交換、設備協作解決方案之一的數據交換框架，DDS(Distributed...

氣動馬達使用空氣取代電力來產生動力，因此適用於含有化學、易燃性或揮發性等物質、易爆之工業場所；此外相較於其它馬達，其體積小、重量輕，但轉速、扭力高，適用於機械人系統、倍力機械與救難設備等。目前氣壓馬達...