物聯網過去幾年的發展聲勢雖強，不過落地速度緩慢，成功案例也僅是點狀出現，一直讓人有「只聞樓梯響，不見人下來」的感覺，直到2016年底AI再次掀起熱潮，兩者結合而成的AIoT架構，再次強化物聯網的市場推廣力道，各種垂直領域的應用才開始加速，而其中又以製造業的腳步最快，現已有製造業者將AIoT的邊緣運算概念應用於產線上，以產線的局部智慧化，邁開工業4.0的第一步，而由2018年的進展來看，在2019年將會有更多製造業在產線中導入邊緣運算設計，強化市場競爭力。

圖1 : 這次AI的發展已是科技史上第3次，在機器學習演算法與物聯網系統整合下，這次發展十分令人期待。（source：ReadWrite）

就整體系統來看，物聯網可分為感測、通訊、應用等3層架構，由於這一波AI的主流演算法以深度學習（Deep Learning）為主，透過不斷的錯誤更正自我學習，讓指令不斷趨近於完美，這種模式需要大量的運算，因此多建置在物聯網最上層的應用平台，從2017年開始，市場開始推動邊緣運算概念，業界人士就指出，無論是製造業本身或設備供應商，對台灣來說，邊緣運算都是最好的機會。

從雲端到邊緣 物聯網效能更佳

例如工研院IEK之前定調的2018年ICT產業主軸「AI on Earth, AI on Edge；人工智慧 下凡入魂」，就是認為AI焦點將從雲端運算往下落到邊緣運算（Edge Computing），這個趨勢將在2018年開始顯著影響產業、技術與產品的研發與設計方向。

IEK預估全球邊緣運算市場規模，將從2017年的80億美元成長至2022年的133億美元，年平均成長率達到10.7%，IEK指出，AI發展初期主要由雲端運算主導，但在網路頻寬、通訊延遲、資料安全等限制因素下，運算任務需要轉移至終端裝置或就近的網路設備上，邊緣運算因而興起。

現在物聯網主要為集中式運算架構，也就是第1層所擷取的數據全部往上傳，最上層的雲端平台負責儲存與分析，集中式運算與分散式運算各有優缺點，應用也不盡相同，集中式運算會有即時性、處理器工作負擔和傳輸費用等問題，在製造業，設備一旦故障，若仍採用訊息傳回後端再下指令的模式，現場狀況極有可能因為訊息傳遞與後端運算所需的時間而惡化。

另外則是後端處理系統的運算負擔與傳輸費用，未來物聯網的願景是萬物聯網，若所有訊息都連接到後端的運算平台，伺服器的運算能力必須非常強大，若再加上製造現場第一線設備的連網需求，無論是建置或運作成本都會相當高昂，因此在部分應用中，邊緣運算會是較佳選擇。

集中與邊緣各有所長

不過邊緣運算也並非全無缺點，例如若系統應用於小體積設備中，多點部位在狹小空間同時運算，將會產生干擾，此外經過端點預處理過的數據，也會有失真之虞。

當然物聯網的建構並非只能二擇一的極端做法，多數的系統都是兩者並行，在即時性需求較高的部分設計為弱AI，也就是邊緣運算，需要有大量且長期的運算，像是產線最佳化配置或是生產策略，就採集中式運算的強AI做法，透過機器學習、深度學習之類的演算法，運算大量數據，分析並產生出精準建議，提供管理者做為決策參考。

智慧製造系統的邊緣運算，是台灣製造業的重要機會，對台灣來說，強AI的集中式運算向來不是台灣製造廠商可觸及的商機，台灣工業廠商過去在製造領域的產品策略，主要以現場端設備為主，會有上層機房設備需求的製造業，這部分大多會選擇歐美大型製造系統廠商，以整體規畫進行，台灣廠商縱有能力，機會也不多。

圖2 : 檢測環節成為多數製造業者導入智慧化系統的第一步。（Source：Concept Systems）

工業4.0興起後，多數製造設備廠商仍將目光聚焦在第一層的設備端，因此邊緣運算概念的出現，完全符合了台灣製造產業的產品策略與市場條件，首先是運算晶片，過去物聯網終端產品的元件，多被要求低功耗與小體積，讓設備可以在最有限的空間下，盡可能的長時間運作，而由於多只是簡單的狀態數據擷取，因此運算功能不需強大，但在邊緣運算概念中，部分設備需要有一定的運算能力，這對多數台灣IC設計業者來說，都在能力範圍之內。

而在設計工業物聯網時，製造現場的專業非常重要，不同類型的設備需要對應不同模式的運算晶片，台灣廠商特色是快速彈性的客製化設計能力，在這種少量多樣的需求中，其優勢將會延續，不過這類型應用也容易被抄襲。

因此台灣廠商必須先行取得起特定應用領域的專利，IEK認為其中又以影像與視覺的現場可程式邏輯閘陣列（FPGA）、特殊應用專屬晶片（ASIC）等兩類產品最具競爭力。

至於台灣的劣勢則是AI產業化的不足，其實台灣過去在AI領域所培養的人才並不算少，回台成立台灣AI實驗的的杜奕瑾就曾指出，他在微軟任職期間，微軟每年舉辦的開發者大會「Build」中，台灣隊總是缺乏政府的奧援，但即便如此，台灣隊伍每年總能拿下不俗的成績，這說明台灣的軟體人才其實不遜於其他國家，只是過去一直不被政府與產業重視。

不過近兩年科技部已開始啟動AI政策，希望透過AI產業化留住台灣軟體人才，而有了軟體人才，台灣的AIoT在軟硬體才能齊備，順利啟動，以前面提到的邊緣運算晶片為例，要在小體積與低耗電的條件下，設計出足夠運算能力的晶片，除了硬體技術外，演算法也是重要一環，軟體工程師必須將龐大的演算模型精簡化，讓終端可以在低功耗模式下進行運算。

局部智慧化 提升中小企業競爭力

除了設備供應商外，邊緣運算也對台灣製造業帶來優勢，尤其是規模不大的中小企業。中小企業是台灣製造業命脈，市場優勢是製造彈性十足、服務佳、產品質高價低，缺點則是資源有限，難有長期的產品規劃，而在過去需要大量投入資源的集中式運算智慧製造架構中，資源不足的缺點無疑會被放大，影響到競爭力。

而邊緣運算則僅將AI設置於系統終端設備，以有限運算能力解決不須太過強大功能的問題，例如在產線的瑕疵檢測環節，過去主要是由檢測員負責檢視產品，自動化時代開始導入機器視覺，解決人眼會因為長時間工作導致品質下滑的缺點。

機器視覺上產線的設定過程繁複，不過由於以往都是少樣多量的生產模式，即便再麻煩，也只需在上線時設定一次，因此製造業者仍可接受。然而現在製造業逐漸產生多樣化生產，製程的換線頻率增高，一再重複繁瑣的設定會降低生產效率，因此現已有製造設備商將GPU卡應用於產品檢測，使其具備邊緣運算功能，透過簡單的深度學習，機器視覺可以大幅降低訓練時間，讓系統快速上線辨識，同時可大幅提升辨識精準度（人眼辨識度為98%，AI機器視覺為99%以上）。

AI與HI才是最佳解答

AI與工業物聯網的整合雖才起步，不過整體趨勢已經確定，2017年6月阿里巴巴創辦人馬雲就指出，現在產業已經從「互聯網+」進展到「AI+」，也就是AI將與各種領域結合，創造出更多加值服務，而這也就是過去物聯網所訴求的垂直應用模式，不過多位業界人士表示，這不代表AI未來會全面取代人類，台灣微軟總經理孫基康在之前微軟的AI活動上指出，AI必須要和HI（Human Intelligence）結合，才會變成SI（Super Intelligence），在製造業尤其是如此。

圖3 : AI必須要和HI結合，才會變成SI，在製造業尤其是如此。（Source：A Medium Corporation）

觀察AIoT的發展趨勢，可以看出都是為了提供使用者更直覺、智慧、多元的選擇，但無法做出具有邏輯性的判斷，真要提出相關對應策略，還是需要倚靠人類智慧。

在製造業中，工業物聯網與AI的結合，已進展到感知層面，也就是脫離冷冰冰的人工指令，而改採更具人性的直覺性訊息，例如當現場製造設備出現故障，系統會依據過去深度學習的結果，判斷出問題所在，再依情況直接告訴作業人員設備故障處與可能故障原因，人員可參考系統將系統建議結合本身專業決定處理方式，而若系統察覺到的問題經過判斷必須即時處理，則會先以口語化語音立即指出故障處與緊急處理方式，讓工作人員可在最短時間內解除狀況。

在與AI整合後，物聯網會加快其應用拓展速度，就產業架構來看，台灣廠商過去在消費性產品所建立的優勢，將會延伸到物聯網系統中的終端零組件與連網設備，不過這類型產品將會需要一定程度的客製化設計，對台灣製造廠商來說，這是挑戰也是新契機，台廠必須投入更多資源掌握特定領域的專業知識，但同時也能藉此提升產品價值，強化本身競爭力。

**刊頭圖：（source：A Medium Corporation）