工業5.0強調人機協作，但即時性、安全性與隱私成三大路障。意法半導體提出解方：將決策權從雲端下放至邊緣，透過MCU與感測器的在地端推論能力，建構符合工業安全標準的人機協作環境。
意法半導體（STMicroelectronics）提出了明確的技術路徑：將決策權從雲端下放至邊緣。ST台灣區微控制器產品負責人楊正廉（Jason Yang）指出，唯有透過「分散式運算」架構，讓微控制器（MCU）與感測器具備在地端的即時推論能力，才能真正建構出符合工業安全標準的人機協作環境。
本次專訪除了楊正廉，亦邀請ST微機電及影像感測器產品及應用經理謝景翔、工業自動化策略行銷經理羅至宏，分別從運算核心、感知技術與通訊協定三個維度，剖析ST的工業佈局。
延遲不可接受 邊緣MCU接管決策
過去十年的工業物聯網（IIoT）架構，高度依賴雲端運算來處理數據。但在人機協作的高速場景中，這種中心化的架構顯得左支右絀。「如果要實現真正安全的人機協作，反應速度（Latency）是第一要務。」楊正廉開宗明義地指出，傳統架構將感測器數據傳至雲端、運算後再回傳指令，其延遲在工廠安防場景中是不可接受的。
楊正廉分析，透過Edge AI（邊緣人工智慧）將運算下放至MCU，能顯著縮短反應時間。
以ST最新的STM32N6微控制器為例，由於整合了專屬的神經網路處理單元（NPU），模型推論可直接在本地完成，將延遲壓低至微秒（Microsecond）或毫秒級別。這意味著當感測器偵測到異常震動或人員入侵時，機器能在瞬間觸發停機或降速機制，而非等待網路訊號的回傳。
此外，數據隱私與頻寬成本也是推動邊緣運算的主因。「工廠內有大量的影像與製程數據是機密的，」楊正廉強調，透過Edge AI在本地處理掉敏感資訊（如人臉或參數），僅上傳去識別化的特徵值或決策結果，能有效規避資安風險，同時大幅降低對外部網路頻寬的依賴，確保工廠在網路不穩時仍能穩定運作。
採集即判斷 感測器內建推論能力
在楊正廉構建的運算架構下，前端的「感知品質」決定了系統的判斷準確度。ST微機電及影像感測器產品及應用經理謝景翔指出，目前的技術趨勢正從單純的數據採集，演進為「感測器內處理（In-sensor Processing）」。針對預測性維護（Predictive Maintenance）應用，謝景翔介紹了內建機器學習核心（MLC）與智慧處理單元（ISPU）的感測器方案。例如IIS3DWB高頻寬加速計，能捕捉極微小的振動，並直接在感測器端透過決策樹（Decision Tree）判斷馬達是否異常。
「這解決了高品質數據採集的痛點。」楊正廉補充道，實驗室訓練的模型往往難以適應工廠現場的複雜變數（如負載變動、電磁干擾），而具備學習能力的邊緣裝置能針對個別機台的「正常狀態」進行在地化學習，實現精準的異常偵測。
在人體存在偵測（Presence Detection）方面，ST則採取了與傳統RGB攝影機不同的路徑。謝景翔說明，ST的FlightSense飛行時間（ToF）感測器（如VL53L8）透過發射紅外光測距，具備兩大優勢：其一是抗環境干擾，不受工廠內低光源或高對比光線影響，且能過濾掉背景雜訊（如牆上海報）；其二是隱私保護，僅輸出深度圖（Depth Map）而非彩色影像，在物理層面上確保無法辨識作業員身份，消除了員工對監控的疑慮。
合規是痛點 預認證方案直接套
技術雖已就緒，但在講求絕對安全的工業領域，如何通過繁瑣的安規認證（如IEC 61508 SIL規範）往往是開發者的最大痛點。「客戶是馬達或機構的專家，但未必熟悉如何將系統調整至符合SIL 2或SIL 3的規範。」楊正廉表示，ST的策略是提供預先通過認證的軟體包（X-CUBE-STL）與完整的文件支持（Safety Manual, FMEDA），讓開發者能直接套用經過驗證的自我檢測函式庫，大幅降低合規難度與開發時間。
此外，針對少量多樣（High-Mix Low-Volume）的生產趨勢，連接介面的彈性同樣至關重要。ST工業自動化策略行銷經理羅至宏指出，IO-Link技術正在成為感測器與控制器之間的標準通訊協定。
人型機器人熱 產線落地仍難
訪談最後，針對近期CES上備受矚目的人型機器人（Humanoid Robot）熱潮，楊正廉給出了務實的產業觀察。他認為，雖然人型機器人在技術展示上極具吸引力，但在當前高度自動化的智慧工廠中，其應用場景仍相對受限。「現有的自動化設備（如機械手臂、AMR）在效率與穩定性上已經最佳化，」楊正廉直言，人型機器人的設計更偏向於「模仿人類」，而非追求工業製造的極致效率。
