COMPUTEX 2024期间，已明显可见到人工智慧（AI）正逐步落实於各行各业，从制造业到医疗保健、交通管理到消费电子的应用范围广泛，对於许多产业来说都是一场革命，其中导入AOI与机器视觉等边缘AI相关技术应用更为关键。

自从1980年代的机器学习（Machine Learning）时期，开始让电脑具备自主学习、改善能力，并延伸至特定领域，便率先导入语音辨识、翻译，或是医疗影像病变、产品瑕疵检测等。到了2016年AlphaGo横空出世，击败围棋界棋王，更被视为近期AI发展最大突破。

待2022年生成式AI问世，持续推动跨界投入商业化等更有生产力效益的场域。根据研调机构Statista Research预估，受惠於AI技术的持续突破，全球电脑视觉市场在理解图片与脸部验证领域应用将於2024年再创新高，并以每年约11%的速度成长。

图一 : 当人工智慧（AI）正逐步落实於各行各业形成一场革命，其中导入AOI与机器视觉等边缘AI相关技术应用更为关键。（摄影：陈念舜）

目前针对机器视觉由取像、分析，到结果的输出，大致可分为「影像撷取」、「影像处理」、「影像分析」3步骤。应用在工业自动化与机器人，例如视觉瑕疵检测、3D视觉定位、分类计数，甚至影像监控/辨识等应用，成为AI视觉系统的技术核心。

研华布局AI规模化 促四角平稳落地

其中依研华产业云暨影像科技??总经理鲍志伟指出，边缘（Edge AI）将是下一波AI的发展趋势，如同过往的产业电脑（Industrial PC；IPC）发展，须先达到规模化经济，才能加速产业AI化落地，建构起立足的优势。目前已在先进大国部署，预估将会在2025~2026年间大量复制及爆发式成长；生成式AI产品则还需要约3~4年验证时间，2029年始显着成长。

至於跃升规模化落地的首要方程式，则包含：场域、平台、协作与AI加速等4大关键要素，产业生态系的构建与协作，更是至关重要！鲍志伟进一步分析，边缘AI首先须经由各国政府补助开发，逐步导入智慧城市场域，以利规模化发展；其次是在影像、医疗等领域，通过认证并获采用，利用各种AMR自主移动机器人来填补产业人力不足的问题；最後则是整体应用更臻成熟之後，预料将出现产品创新期。

图二 : 研华公司推出最新AI边缘运算系统与伺服器系列产品，整合AI软体和预先训练的模型，将能大幅缩短开发与部署时间。（souce：研华）

目前在产业所使用的AI-based检测设备，已能透过深度学习（Deep learning）模型提升比传统型检测设备还高的良率，将在下半年逐渐成长；导入AI技术的AMR/AGV配送机器人，更广泛应用在物流场域，未来在成功案例不断获得复制之下，预估明、後年将进入边缘AI的高速成长期，研华已在IPC客户端看见各种应用百花齐放。

但此类产品欲走向AI化，在硬体规格化、AI模型的部署与管理，以及能够驱动边缘AI运作的高强度运算力方面，仍存在须克服的难题。其中，相较於目前消费市场上AI PC装置约达到40TP以上算力，IPC AI化则至少须1200TP，还应考虑使用算力的规模、情境和方向不同，可能比起前者多出上万倍；并持续创造出过去IPC未曾接触到的不同场景、领域，如工业用有持续自动化、省人力需求。

且基於Edge AI伺服器须因应防水、防尘不同环境等级挑战，不像在Data Center的环境较单纯，必须克服如下挑战：硬体规格选择、AI模型大量部署管理的需求，有必要更新时系统不能停机。边缘生成式AI比起云端须提供更即时的反应、更低的资安风险及网路传输成本，更适用於需要即时反应的智慧城市与安全控制应用，并已成功导入运用在研华自家产线。

目前已经初步释出边缘AI产品，并应用NVIDIA方案的全系列产业AI平台，分别从边缘到云端展示最新且完整的AI边缘运算系统与伺服器，整合AI软体和预先训练的模型，将能大幅缩短开发与部署时间。

偕同笪??打造了AI光学字元辨识（OCR）与AI光学瑕疵检测（AOI）等硬软体与服务的整合方案，适用安装於空间限制的设备中；或於高速流水产线上，执行高速包装喷印检查或是出货检查。

此AI OCR解决方案使用研华ICAM-520智能相机，并内建NVIDIA Jetson运算模组，整合光源、镜头与多种语言模型，并以其轻巧体积且便利安装之特性，适用安装於空间限制的设备中，或於高速流水产线上，执行高速包装喷印检查或是出货检查。

可应用在高速自动化检测设备，透过AI抓出难以定义之瑕疵或非预期的瑕疵，此将大幅降低人力成本并同时提高生产良率与检测速度，包括台湾半导体代工厂正诚电子，已导入AI AOI方案检测，打造半导体封装检测生产线。

除了叁与智慧城市专案，也与韩系客户深化智慧交通合作，更持续强化人脸辨识技术能量。至於未来生成式AI导入边缘端，将可??延展边缘AI的功能性，如原本经过CNN形成的辨识和判断模式，如今则可由生成式AI在边缘统筹、分析及判断整个场域并产出报告；农业机器人则是负责辨识农作物的成熟度与采集工业，进一步能推算成熟时间与评估种植策略。

宸曜紧随NVIDIA脚步 垂直整合硬软体资源

宸曜科技资深售前工程师李冠毅也预测全球边缘AI市场潜力的驱动因子包含：IoT装置增加，因产品制造品质提高，供应链管理增强需求；5G技术整合，提供更高的资料传输效率并减少延迟，加强边缘AI能力；AI与机器学习的进步，经由演算法提升了边缘AI系统的效率与能力；政府与产业支援，来自智慧城市专案与AI驱动的计划，促进了Edge AI成长。

然而，如果要在严苛环境条件下部署新兴领域应用考验，边缘运算中的电脑设计和稳定性会是关键。该公司於2010年成立之初，便专注打造搭载X-86晶片的宽温无风扇系列强固电脑，以满足各种严苛环境条件下使用。

适逢2013年业界开始发现机器在图像识别上更为精准、快速，从而导入工业智动化、智慧交通，也发表自家车载无风扇宽温电脑；加上2015年Aphgo问世後，开始思考该如何藉强化学习技术、环境，反??自驾车定位。

并顺应在2015~2016年间自驾技术兴起，需要克服车上电压、温度、震动等问题，宸曜最终在2016年打造出首台整合自驾技术的GPU/GUDA运算的Nuvo系列工业电脑，在百度阿波罗自驾车技术平台上担任AI大脑；且具备专利散热技术，可支援250W GPU Card运行。

至今，宸曜的Edge AI产品线越发完整，到了2020年正式加入NVIDIA合作夥伴网路，而能提早叁与前期讨论和测试验证阶段、更快推出边缘运算平台产品，并利用生成式AI来刺激应用创新，带动软硬体新商机。

同时推出世界首款兼具工业电脑和车载应用设计、支援双GPU的AI电脑，甚至因应目前各国皆看好Edge AI在制造业的发展，占比约3~4成，尤其是在制程中对品质要求越来越高，而须加强供应链管理，如AOI+AMR需求的功能。

图三 : 目前任何LLMs的创新突破，都有赖於巨量资料累积与庞杂强大的神经网路，加以训练，也让AIoT贴近感测器，更快速做出最好决策、同时确保资安。（摄影：陈念舜）

适逢2023年Chat GPT问世，包含智慧城市、物流与运输、工业制造、农业、零售、食品加工业等，也盼藉此提高生产力，对Edge Computing装置、Data Center AI Platform硬软体需求大增，从云端到边缘重新思考AI所面临的挑战，须支援多种扩充以满足严苛环境，效能又不打折，

宸耀也成为受NVIDIA肯定的Edge Computing供应商，锁定垂直市场、强固型产品设计，容易部署等优点，提供最优效能功耗比。透过无风扇/平头哥等强固散热良好的设计、有效散热的PCBA，具备-25~70℃宽温适应能力，确保GPU/CPU运行100%效能时不会降频；冲击和震动专利设计，可调节GPU固定支架和阻尼减震支架；满足工业及车载环境的8V to 48V宽电压输入设计，可承受车载环境电压波动；支援多种GPU（RTX、Quadro、Tesla、Jetson）及弹性扩充介面，符合IP66防水及防尘、防盐规范，满足客户端预算的需求。

李冠毅认为，其实任何LLMs的创新突破，都有赖於巨量资料累积与庞杂强大的神经网路，加以训练，布署到从云端到地端服务应用。另有业者会希??，将之布署到更接近边缘场域，藉以摊提节省硬体成本、更快Fine tune训练模型，也让AIoT贴近感测器，更快速做出最好决策、同时确保资安。

生成式AI当道 非监督式学习成主流

肯定资讯工程部经理曹志宇进一步表示，该公司身为专业机器视觉设备Zebra代理商，产品包括相机镜头、光源、系统等，与宸曜合作多年来，协助解决客户在电脑处理、高速存取资讯等相关课题。随着Zebra在2~3年前并购AI软硬体公司Matrox及其图像资料库之後，纳入旗下Zebra Aurora软体产品，打造Code-based开发环境，并经由Aurora image library SDK提供完整的影像开发环境，依序进入影像前处理等工作流程，包括可行性评估、原型设计，配合使用者开发API部署到电脑，具备互动式、直观便利的使用环境，加速评估使用流程；进而监控各API执行时间、次数等效能，建立4大Deep learning功能模组。

图四 : 肯定资讯工程部经理曹志宇（摄影：陈念舜）

其中前3项属於进行监督训练者，包含：Image classification用来识别影像并分类，使用预期类别的样本影像；Image segmentation用来搜寻特徵（缺陷），并针对影像邻域像素分类、标记影像中的特徵，使用其分段预期特徵样本；Object detection用於寻找和计数物体，同样针对影像邻域定位预训练物件或特徵类别、提供侦测分数，并将影像中的物件或特徵包围在产出的边界框中，使用其封闭的预期物件样本来进行。

Anomaly detection则属於非监督式学习，用来检测与正常影像间差异，可捕获如影像或其邻域分类为缺陷等异常，并指示影像中的异常情况，仅使用无异常图像训练，所以毋须标注或注释，减少用来标注的大量人力；仅标示发现的异常状况和粗略位置；可设定分数??值来控制侦测灵敏度，利用（integrated）GPU来进行卸载或加速。

进而投入发展Zebra AI OCR技术，不必指定或学习字体即可读取，分别支援拉丁字元、数字、标点符号，可处理印刷、雕刻或浮雕的点状或实心文本；提供字串模型和限制以提高稳健性和相关性。因此，不必担心数以百计的化妆品的透明玻璃瓶，和不同反光及曲度、包装标签字元太小。

形塑机器视觉生态系 为应用服务加值

随着近年来AI技术扩大规模落地，已逐步渗入AOI、机器视觉应用领域。因为受惠於NIVIDIA执行长黄仁勋点将而声名大噪的所罗门公司，则从早期代理FA工厂自动化设备、工业机器人等产品，再投入开发3D视觉影像辨识平台已默默耕耘许久。

面对传统视觉系统具有许多环境上的限制，像是环境光线光影一变化可能会影响，或者物件复杂度高，辨识率就会下降等，都是工厂实际上会面临的考验，已在近年来导入AI技术後取得飞速进步，如过去AOI光学检测设备往往造成过杀（overkill）的问题，在导入AI之後，总算可以解决，但新的课题也随之而生。

所罗门公司董事长陈政隆便举例，过去他常遇到客户想要导入AI视觉或3D视觉进行AI检监测应用时都会问一个问题，就是：「到底要收集多少图片才能产生出AI模型？」一旦我们回覆至少需要1,000张图片以上，收集成千上万笔资料，并需要大量人力去贴标签、训练，客户听完之後就不太想做。

因此，所罗门团队当时便思考如何去创造一个软体平台，让客户以最少量的样本去做客制化的AI模型，以提高客户导入的意愿，解决客户不便之处。陈政隆说：「要做到这样的程度，我们必须串联与整合大量的硬体！」

如今所罗门建立的平台不只已经串联20~30个不同品牌机器人，还包括3~4种不同的2D、3D影像格式、各家品牌IP CAM等。并将现有的开源神经网路模型进行优化，整合各种软硬体，降低客户训练AI模型训练成本过高的问题。

甚至因为半导体客户良率高达99%，还会建议利用「瑕疵」来训练AI，即透过生成式AI去生成看样本起来像真的瑕疵的资料让AI学习。让客户甚至不需要写程式，只要以no code/low code方式就能创建自己所需要的应用模式来满足客户需求，也能让所罗门的软体能快速切入不同行业别市场。