封面故事

在當今「綠能環保」的趨勢下，打造能夠節約能源的智慧建築(不論是商業大樓、工廠或住宅)，將是確保節能結構的必要先決條件。對於商業建築而言，使其智慧化十分重要，因為節能建築可降低能源成本，並為工作人員提供高效的工作環境。 然而，為了達到此目的，這些建築物需要各式的基礎設施，以確保有效操作如加熱/冷卻系統、照明控制、空調控制等；這一切將仰賴物聯網(IoT)技術，如透過無線通訊技術或感測器作為監測和控制環境的方式，而半導體業者也趁勢推出相關解決方案。 能源管理入門要素　智慧照明不可或缺 英飛凌(Infineon)電源管理及多元電子事業處資深行銷經理張文貴(圖1)表示，燈光系統可說是人們進入到智慧建築後感受到的第一個環節，其耗電量也和空調系統並列為占建築物總耗能量的最大比重。因此智慧照明在提供舒適性和節能等照明管理上有相當大的發揮空間。 圖1　英飛凌電源管理及多元電子事業處資深行銷經理張文貴表示，照明控制是智慧建築基本要素，也是節能設計的重要關鍵。 除了透過將照明裝置互聯，讓智慧照明提供遠端控制、診斷等照明管理功能外，新的趨勢是照明裝置將整合更多元的感測器，提供更多關於使用者體驗、安全監控的創新功能。例如在會議室的照明裝置中整合CO2感測器，用以偵測室內空氣品質及人數多寡，進而自動控制空調強弱、溫度、乃至於燈光強弱、色溫等，可大幅提升智慧建築的使用者體驗。 如上述，為滿足更多照明管理、使用者體驗與安全監控的需求，照明系統將整合更多的感測器，同時，透過感測融合(Sensor Fusion)多元感測器的搭配使用以提升偵測及事件判斷的準確度，也將推升智慧照明對於整合型感測器的需求。 照明裝置的尺寸空間不變，卻要整合更多感測器，對於其他元件的小型化需求也將日益升高。以往OEM業者多採用離散式電源管理IC，現今則轉為採用特定功能IC。為此，英飛凌也提供三合一調光IC「CDM10VD」，不僅省下10~20%空間，相較於DPAK或D2PAK封裝，採用SOT223封裝的MOSFET亦可縮小30~40%的電路板面積。 英飛凌電源管理及多元化市場(大中華區)人機互動市場部高級經理廖明頌則說明，在過往，照明裝置僅止於提供照明的功能，之後再加入一些感測元件也是圍繞著「照明管理」的主題，例如提供調光、監控光源是否閃爍，增加護眼功能，或是照明的節能控制等。這樣的傳統照明發展已達瓶頸，需要更多的突破性應用。 總而言之，照明是建築內最普遍建置，密度也最高的裝置之一。在過去，照明裝置的商業模式比較偏向銀貨兩訖的買賣方式。未來透過搭載各種感測器收集到大數據，並利用數據提供更多創新的加值服務，照明裝置將成為智慧建築的重要推動力。 同時，在照明控制應用中，不論在技術和材料方面都已取得相當進展，但該如何在高效和成本上取得平衡，將是落實智慧照明應用的最大挑戰。像是複合半導體材料如氮化鎵(GaN)能帶來更佳的電源效率與功率密度，同時縮小設計體積，雖然目前成本仍相對較高，就長遠來看，亦有機會應用於智慧照明，打造更高效的照明控制系統。而在進出人流變化大的建築，例如商場等，則可望藉由智慧人流監控、室內導航、商品優惠訊息推播等服務，以創新功能開創新的商業收益模式，刺激智慧照明需求的成長。 智慧能源管理走入尋常百姓家 構建能夠節約能源的智慧建築已成大勢所趨，不僅商辦大樓、工廠紛紛朝此一方向發展，包含家庭住宅也開始布建智慧能源管理架構，期能達到「淨零耗能住宅(Net Zero Energy House, ZEH)」之目標。 淨零耗能住宅意味著透過提高建築物與設備之節能性，減少空調、照明、換氣、熱水供應等能源消耗量；所謂零耗能並非完全不耗能，而是希望能源可自給自足，而要實現淨零耗能住宅，重點在於隔熱、省能源、創造能源三大要素。 目前各國政府正致力實現此一願景。像是日本政府於2016年公布的「地球溫暖化對策計畫」中，揭示住宅部門的減量目標。希望住宅的能源消耗於2030年度要較2013年度減量約40%，達成此目標的主要對策之一便是推動節能低碳住宅，目標2020年時，新建獨棟住宅有50%以上為淨零耗能住宅。 英國政府則是自2010年起開始推動新建住宅零耗能政策，預計於2016年使所有的新建住宅達到零耗能目標，而住宅以外的建築也要在2019年之前實現零耗能。而美國根據則歐巴馬內閣於2011年提出的「優越建築挑戰計畫(Better Buildings Challenges)」，訂出2040年50%商業建築須達到零耗能，並於2050年前全面達到零耗能的目標。 無線通訊技術扮能源管理要角 然而，要實現智慧住宅能源管理，首要的一步便是運用聯網技術，將安裝在建築物各處的感測器所收集的資訊傳輸至管理系統，再進一步的進行數據分析；也因此，無線通訊技術也是智慧建築不可或缺的關鍵要素之一。 羅姆(ROHM)半導體營業部課長李師誠(圖2)表示，無線通訊技術可說是百家爭鳴，有Zigbee、Wi-SUN、Wi-Fi、NB-IoT和藍牙(Bluetooth)等，而該公司目前主要以Wi-SUN作為主要技術布局智慧住宅能源管理市場。 圖2　羅姆(ROHM)半導體營業部課長李師誠指出，Wi-SUN在日本政府的推動下可望加速普及，而羅姆也致力研發新一代價格更低的模組。 李師誠進一步說明，Wi-SUN是由日本政府規範的Sub-GHz通訊協定，頻段介於922~928GHz，該通訊協定的最大優勢在於傳輸距離遠，若在空曠地區傳輸距離可達一公里之遠；另一方面，Wi-SUN也相當省電，因而相關產品的使用壽命也會較長久，可減少營運、維護成本。 據悉，目前日本政府已將Wi-SUN納入國家智慧電網布建計畫之中。在2017年底，已建置3,000萬台導入Wi-SUN通訊模組的智慧電表，並計畫在2024年換裝完成8,000萬台智慧電表。對此，李師誠認為，除了Wi-SUN本身所具備的優勢之外，日本政府的推動也有助於加速Wi-SUN的普及，Wi-SUN市場未來勢將持續成長。 看好Wi-SUN發展前景，羅姆也致力推出相關解決方案，像是表面安裝小型Wi-SUN模組「BP35C0」，該產品搭配920MHz頻帶無線通訊功能(RF)、微控制器、內建Wi-SUN用最佳大容量記憶體的LAPIS Semiconductor製無線通訊LSI「ML7416N」，可對應Wi-SUN Profile的B路徑和HAN，適合使用於HEMS控制器或各種家電。 李師誠說明，相較於Wi-Fi、NB-IoT、藍牙等，目前Wi-SUN的產品成本較高，這是較為弱勢的地方。不過，隨著日本政府大力推動Wi-SUN技術，並將其導入智慧電表應用，相信未來市場將會加速普及，其價格也會明顯下降。同時，羅姆目前也規畫在2019年推出新一代Wi-SUN模組，而模組中搭載自行研發的微控制器(MCU)和射頻(RF)元件，如此一來價格便可再進一步的調降，期能藉此提高市場接受度。 Silicon Labs Z-Wave IoT產品行銷經理Johan Pedersen則指出，閘道器和雲端數量將持續是智慧住宅的支柱，為此，該公司近期也收購Z-Wave技術。該技術包括可互操作智慧產品生態體系，且可與該公司旗下智慧型無線硬體和軟體產品結合。該產品組合包括Wi-Fi、Zigbee、Thread、藍牙、專有協議以及目前的Z-Wave，使客戶能針對各種不同類別的領域開發智慧家庭產品，應用產品包含集線器和閘道器、感測器、門鎖、智慧照明、恆溫器、警報器、牆壁插座、安全面板等。 然而，除了無線通訊技術之外，感測器也是實現智慧住宅的關鍵元件之一。Pedersen說明，具有機器學習能力的強大IoT「物件(Things)」將承擔更多的數據和分析任務。透過AI支援，這些新感測器將為零散的數據點提供解譯，而使情境感知更具意義。 因應能源管理需求　電源IC效能更精進 智慧建築整合通常將連結HVAC、照明和電表系統，然而，要能最佳化供電效率、減輕熱應力，最重要的是使雜訊和布線與元件間的交互作用達到最小。為了達到這些目的，設計者對於切換開關電源內電流傳導路徑和訊號流動的了解便顯得相當關鍵。 ADI電源產品總監Tony Armstrong(圖3)指出，一個切換開關電源供應電路可被切分成功率級電路和小訊號控制電路，功率級電路包含傳導高電流的元件，一般而言，這些元件應該先被擺入，接著才將小訊號控制電路放入布局中特定位置。大電流布線應短且寬，以最小化PCB電感、電阻和電壓降，此對於流通高di/dt脈衝電流的導線特別關鍵。 圖3　ADI電源產品總監Tony Armstrong透露，設計者需對切換開關電源內電流傳導路徑和訊號流動十分了解，才能降低雜訊和布線與元件間的交互作用，進而最佳化供電效率、減輕熱應力。 舉例而言，在一個無使用外部散熱片的表面黏著功率MOSFET和電感的設計中，必須具有足夠的銅箔面積來進行散熱，對於DC電壓節點，如輸入/輸出電壓和電源地，則最好是能將銅箔面積鋪設的盡可能的大，多重灌孔有助於進一步降低熱應力。對於高dv/dt開關節點，開關節點合適銅箔面積的設計必須在最小化dv/dt相關雜訊和MOSFET良好散熱之間有所取捨。 Armstrong進一步說明，長期以來，線性穩壓器一直得到業界的廣泛採用。在切換開關模式電源於1960年代後成為主流之前，線性穩壓器曾經是電源業界的基礎；即使在今天，線性穩壓器仍然在眾多的應用中廣為使用。 除了簡單易用之外，線性穩壓器還擁有其他的性能優勢。Armstrong指出，電源管理供應商開發了許多整合型線性穩壓器。典型的整合式線性穩壓器只需要VIN、VOUT、FB(反饋)和任選的GND針腳。不過，採用線性穩壓器的一個主要缺點，是其運行於線性模式之串聯電晶體可能會造成過大的功率耗散。因此，非常清楚的是，線性穩壓器(或LDO)僅可提供降壓DC-DC轉換。 也因此，包括ADI在內的許多IC製造商都在不斷設計新的IC，在某些情況下還可以設計模組，其可以簡化電源，無論其轉換拓撲如何；並且同時提供增強熱性能以最小化熱設計應力的特性，還可以顯著降低EMI，使得它們不會與已完成系統內的其他雜訊敏感電路產生干擾。 總而言之，智慧建築將改變人們的生活與工作環境，而物聯網技術的興起，不僅促進智慧建築發展，同時也強化了智慧建築能源管理效率，像是使用感測器進行溫度控制、使用執行器進行HVAC控制、為建築物提供完整的能源自動化等；半導體業者也為此推出相關解決方案，運用更多物聯網技術以有效地管理和控制這些精心設計的智慧建築。

在物聯網(IoT)的浪潮下，商辦與住宅大樓自動化蘊含可觀的商機。物聯網、大數據(Big Data)和雲端運算等科技驅動各智慧科技的發展和應用，加速建築的數位轉型，開啟各領域多元發展。數位化的建築科技革新了建築從規畫、設計、建造到行銷和營運的過程，以及使用者與建築的關係、與空間互動的方式。 另外，數位化時代發展至今，城市中許多建築物已是使用建築資訊模型(BIM)來規畫和建造及營運，傳統電網也加快升級至智慧電網，城市中不同的基礎建設的緊密通訊與互聯，會加速優化城市環境和其運作效率。至2020年，預計會有超過500億個聯網裝置互聯並產生大量數據，導致發展出更多新型態的服務。 總而言之，伴隨物聯網技術的蓬勃發展，智慧建築市場也逐漸成長。根據市調機構Market Research Future研究統計，全球智慧建築市場將大幅成長，2018~2023年的複合年成長率為29.69%，市場產值從2018年的74億美元，成長至2023年的337億美元。為此，半導體業者與工業電腦廠商、系統整合商紛紛推出更加「聰明」的解決方案，例如西門子與其他軟體解決方案廠商在能源管理、發電、建築技術和行動化領域的合作，經由充分利用各自技術和行業專業技能為市場創造新的業務價值，使雙方均可提供完整的解決方案，為各自的客戶帶來效益。  節能減碳風潮起　智慧建築需聰明/省電 隨著商業，住宅和政府部門等建設日益增加，對於發電的需求也快速上揚；也因此，在物聯網技術日漸成熟的帶動之下，建築不僅要變得更智慧，也須變得更加「節能」。 根據市調機構Market Research Future指出，建築物是最主要的能源消耗者之一，依據國際能源署的數據顯示，全球建築行業消耗的能源約占全球總發電量的42%；也因此，在推行智慧建築的同時，如何提升能源管理效率也成各大樓宇控制設備商、系統整合商，甚至是半導體業者的重點目標。 Market Research Future表示，智慧建築市場商機逐漸嶄頭露角，對於提高能源效率的需求也開始高漲。節能的智慧建築十分具吸引力，特別是對工廠、商業建築、政府單位和公共基礎設施等業主而言，這類建築不僅可節省成本且維護成本低。 目前全球各國政府可說越來越支持智慧建築技術，並同時加大智慧城市發展力道；政府相繼制定政策和法律，鼓勵業主或是公共機關打造智慧建築，一方面不僅提高營運效率，同時也能有效減少能源損耗。 以台灣智慧建築標章為例，智慧建築標章評估內容在民國92年訂定之「智慧建築標章評估手冊2003年版」，以資訊通訊、安全防災、健康舒適、設備節能、綜合布線、系統整合及設施管理七項指標作為評估內容。 隨後，「智慧建築標章解說與評估手冊2011年版」，將原始之七項評估指標擴充為八項，增設「貼心便利」指標及將原「設備節能」更名為「節能管理」指標，並參考綠建築之作法，將智慧建築標章分為五等級，分別為：合格級、銅級、銀級、黃金級、鑽石級。之後再於105年訂定「智慧建築評估手冊2016年版」，主要將分級方式由指標數改為總分制、調整指標項目、簡化評估內容、鼓勵智慧創新、明確說明各評估項目應檢附之圖說文件與鼓勵項目之計分標準等(表1)。 軟硬兼施滿足節能/安全核心設計要求   台達電子樓宇自動化解決方案事業處資深處長江文興(圖1)表示，智慧建築其實已談論多年，在這幾年之間也有許多試點案例，但並非全面普及。然而，隨著物聯網技術(聯網、感測技術等)逐漸成熟，為智慧樓宇帶來更多的轉變和發展機會，市場也因而逐漸成長。 圖1　台達電子樓宇自動化解決方案事業處資深處長江文興表示，物聯網技術逐發展加快，為智慧樓宇帶來更多機會。 江文興指出，不同的建築物意味著須搭配不同的物聯網技術和智慧化功能，例如醫院、商辦或高級住宅都各有其智慧化需求。然而，在這麼多因素之中，最主要的核心便是能源與安全，使建築物能提供高效能的營運，進而實現更佳的工作、生活環境與舒適度。因此，設備商和系統整合商也是以這兩大方向發展樓宇控制，台達也備有相關軟硬體解決方案。 首先在硬體控制器方面，該公司推出L‑DALI控制器。該產品為多功能裝置，結合燈光控制、遮陽簾控制與BACnet 和DALI(Digital Addressable Lighting Interface)系統的閘道器功能。搭配AST功能(警報、排程、趨勢紀錄)與E-mail通知，讓L‑DALI控制器成為DALI燈光系統的完美解決方案並且平順的整合到BACnet網路。 另外，L‑DALI控制器功能可以使用BACnet/IP或BACnet MS/TP(L‑DALI ME204)連接BACnet網路。也具備透過全域連線執行資料交換、AST(警報、排程、趨勢紀錄)、e-mail通知與完整的L‑WEB整合功能。此外，L‑DALI控制器具備2個Ethernet 連接埠，並內建Ethernet Switch功能。 江文興說明，晶片業者間的競爭，多是比拼誰的晶片運算速度快、能提供更好的效能，而樓宇控制產品也逐漸朝向此一趨勢發展；控制器不僅要更小、更精緻，且還要多功能。同時，還須具有開放式架構(例如開放的通訊協定)，才可更彈性的進行核心設備改造，避免新舊設備無法相容。而有了開放式架構，意味著具有更大的擴充能力和修正彈性，如此一來可降低風險、節省更多成本，這也是樓宇控制產品、設備紛紛朝開放式架構發展的主要因素。 當然，除了高效能的硬體產品之外，軟體管理系統也是不可或缺。台達指出，未來勢將是資訊主宰一切生意，如何有效的使用、分析資訊，將是呈現競爭差異化的最大要素；因此，該公司也提供台達能源在線(Delta Energy Online)為全球化能源管理系統。 據悉，此一系統為設施管理者和業主提供單建物或多建物之能耗數據，以全球/地區/建物等不同層面呈現，並將複雜龐大的原始數據轉換為有價值的分析資訊，自動計算能源績效指標(Energy Performance Index, EnPI)，協助企業辨別重大能耗、找出最佳節能潛力點，搭配量測與驗證(Measurement & Verification)等進階功能，進一步實踐企業在全球各地的節能策略。 此外，該系統具備靈活的系統架構，可兼容於第三方設備和系統，並支援各式感測器及電表，滿足使用者對於不同場域的架設需求，提升主要能耗設備的營運效率，並兼顧使用者的舒適度。藉由分散式安裝的資料收集服務、網頁伺服器和資料庫，使用者可採用網頁化使用介面，隨手連線，即可達到集中式能源管理，不受時間地點所限，實現有效管理與節能的目標。 數位化X能源管理勢在必行　西門子Desigo CC搶市 西門子樓宇科技事業部解決方案與維護事業協理洪泰隆(圖2)則指出，數位化浪潮大幅改變了建築科技領域，讓建築與不同的系統領域結合，並能智慧互連和進行溝通，建築可傳輸能源消耗和维修等訊息的數據。為此，該公司致力於發展數位化的建築科技，將這些數據蒐集和進行分析，轉化為有價值的資訊，協助建築管理者更精準的作出決策；而這些奠基於物聯網的建築科技和解決方案，就會成為建築的中樞系統，賦予建築智慧。 圖2　西門子樓宇科技事業部解決方案與維護事業協理洪泰隆指出，Navigator雲端能源管理平台以雲端為運作基礎，能有效提升建築能效。 像是該公司旗下的Desigo...

在資料中心內部，各種設備/裝置使用Ethernet100G/200G/400GbE作為外部連結介面，PCIe則是被廣泛用作內部數據傳輸的介面。PCIe主要做為電腦系統內部的通用傳輸介面。剛開始PCIe Gen1傳輸速率為2.5GTps，可相容PCI介面，隨著傳輸需求的發展PCIe Gen2的速度為5GTps，PCIe Gen3的速度為8GTps；目前PCI SIG最新的規格PCIe Gen4速率提升到16GTps。此外，PCIe Gen5傳輸速率預計提升到32GTps，PCI-SIG正在制定相關的規格。 PCIe Gen4傳輸速率高達16GTps，不僅僅是使用在一般的電腦裝置中，更是被廣泛地運用到各種設備的內部傳輸介面，例如傳輸設備、伺服器、儲存裝置等。 傳輸速率越高，訊號的傳輸衰減越大，使得從訊號發射端(Tx)到接收端(Rx)傳輸過程所產生的衰減也跟著增加，過大的衰減將導致訊號劣化，使得接收端無法做訊號判別接收。也因此，PCIe Gen4的Tx和Rx端均使用了等化器(Equalization)，以補償高速訊號傳輸的衰減，接收端的誤碼率(BER)測試驗證是必要的。 Link EQ為Gen3/Gen4測試新需求 PCIe裝置在連接時，會進行LinkEQ溝通，將TRx EQ做最佳化設定，如此一來也使得Tx和Rx間的Link Equalization(Link EQ)成為PCIe Gen3/Gen4 TxRx新測試需求。接收端測試設備誤碼儀(BERTs)這時候須具備Protocol溝通能力，在執行TRx LinkEQ測試時，扮演與待測物溝通的角色，讓待測物與儀器進行溝通設定好最佳TRx EQ後，進行後續誤碼(BER)驗證(圖1)。 圖1　Anritsu MP1900A PCIe Rx測試架構 隨著各種傳輸介面如TBT3、USB、PCIe傳輸速率越來越快，接收測試變成是必須的驗證項目。工程師須藉由誤碼儀提供協會規範的Stress訊號來進行接收端品質驗證。而Rx LinkEQ壓力測試在PCIe Gen3後變成是Certification必要項目。在整個測試流程中包含的訊號校正(Calibration)，Link Training與BER測試。 PCIe裝置主要分為兩種類型：System(或Root Complex)，如作為主設備的CPU和主機板；以及作為連接到主設備的附加裝置AIC(Add-in...

近幾年，由於線上遊戲、隨選視訊、社群網路、雲端計算等需要大頻寬需求的應用不斷的推陳出新，讓全球網路的流量呈現爆炸性的成長。另外，為了支援雲端服務、高速運算等高網路流量的應用，資料中心(Data Center)建置的數量與規模也有非常明顯的成長。 根據Cisco的報告指出，在2015年資料中心的傳輸總流量約為4.7 Zetabytes，並預估到2020年將達到15.3 Zetabytes，將有超過三倍的成長。資料中心的訊息傳輸約有70%流量是發生在資料中心內部的傳輸，約有15%的流量是發生在資料中心之間的傳輸。由此可知大部分的傳輸流量是出現在資料中心內部，所以資料中心內部需要提高資料傳輸速率，同時還需要能夠具備低成本與低功率消耗的特性，而光訊號傳輸是目前唯一可以滿足這些需求的技術。因此，未來在資料中心內部的高速光收發器模組，也將持續有大量的需求；而且光收發器模組的技術發展，也將持續提高傳輸速率。 400G光收發器將成主流 為了實現高速光訊號傳輸，高速小型光收發器模組的開發是其中的關鍵技術，目前資料中心以40Gbps與100Gbps的光收發器模組為主要配備，而目前光收發器模組的生命週期約為三至四年，且有漸漸縮短的趨勢；所以市場預計200Gbps與400Gbps的光收發器模組將很快取代現有的傳輸模組。而隨著未來資料中心之間與內部互連越來越大的傳輸流量需求，估計在不久的將來800Gbps和1.6Tbps的傳輸系統也將會有所需求。 100Gbps光收發器模組的開發最早從2010年開始，當時IEEE 802.3標準提出SR10、LR4和ER4三種標準，分別應用在100m OM3多模光纖、10km單模光纖和40km單模光纖的傳輸；在2015年，提出SR4的標準，應用在100m OM4多模光纖的傳輸。SR10使用10個光發射器與光接收器，每個通道的傳輸速率是10Gbps；LR4、ER4和SR4則使用4個光發射器與光接收器，每個通道傳輸速率為25Gbps。多源協議(Multi-Source Agreement, MSA)也在2014年提出PSM4和CWDM4兩個標準，也是使用四個光發射器與光接收器，每個通道傳輸速率為25Gbps；PSM4應用在500m單模光纖的傳輸，而CWDM4則應用在2km單模光纖的傳輸。表1彙整了目前常用100Gbps光收發器模組的標準與相關特性。 100Gbps光收發器模組的封裝類型常見的有CFP、CFP2、CFP4和QSFP28。CFP-MSA定義熱插拔收發器應用在40Gbps與100Gbps網路傳輸的需求，可以支援在單模與多模光纖上傳輸多種速率，在電氣介面可以支援10×10Gbps高速資料訊號的發射與接收，具有較大的模組尺寸，以及較高的功率消耗約為24W，不適合需要高密度傳輸的資料中心之需求。CFP2光收發器模組的體積是CFP的一半，功率消耗低於9W。CFP4光收發器模組的體積又是CFP2的一半，功率消耗也大約下降一半。CFP、CFP2、CFP4是較早期的型式，而QSFP28延續QSFP的外觀結構，但每個通道傳輸速率達28Gbps，具有比CFP4更小的模組尺寸與更低的功率消耗，所以目前已經成為資料中心100Gbps光收發器模組封裝的主流型式。 在光收發器的訊號調變技術中，若採用四階脈波振幅調變(Four-level Pulse Amplitude Modulation, PAM4)的資料格式，每階振幅可以表示兩個位元的資料，相較於以往採用非歸零(Non-Return Zero, NRZ)的資料格式，每階振幅只能表示位元0或1的資料。因此，PAM4資料格式在相同的頻寬下大約可以提高一倍的資料傳輸速率。因此，在已發布400Gbps光收發器的標準中，PAM4資料格式已被採用，並成為資料傳輸的主要調變格式。從2014年開始，IEEE 802.3便開始研議400Gbps光收發器的標準，一直到2017年12月正式公布標準，提出SR16、DR4、FR8和LR8四種標準。SR16仍使用25Gbps NRZ的資料訊號，以32道並列(16道做為發射，16道做為接收)多模光纖進行傳輸，使用OM4多模光纖可傳輸100m。DR4、FR8和LR8都採用PAM4的資料調變格式，但DR4採用的是100Gbps(50Gbaud)PAM4，而FR8和LR8則採用50Gbps(25Gbaud)PAM4；DR4使用8道並列的500m單模光纖進行傳輸，而FR8和LR8則使用WDM技術分別在2km與10km的單模光纖中傳輸。100G Lambda MSA也在2018年1月提出400G-FR4的標準，採用100Gbps PAM4資料格式，並使用WDM技術在2km單模光纖中傳輸。考量目前技術成熟的光電元件與相關積體電路的操作頻寬，預計400Gbps光收發器模組以8×50Gbps的解決方案將比4×100Gbps更快可以被實現達成。表2彙整了目前400Gbps光收發器模組的標準與相關特性。 資料中心內的光收發器模組技術朝向400Gbps速率發展的方向已是主流趨勢，而對於400Gbps光收發器模組要採用何種封裝型式，成本的考量會是技術轉型的思考重點，需要考量向下的兼容性與向上的發展性。目前400Gbps光收發器模組的封裝類型主要發展有三種，CFP8、QSFP-DD、OSFP。CFP8規範的外觀尺寸比CFP4大，可以支援16×25Gbps NRZ或8×50Gbps PAM4的傳輸介面，最高功耗為24W；由於CFP8的尺寸較大且功率消耗較高，因此資料中心較不考慮採用此類型收發器模組。QSFP-DD模組結構在標準的QSFP四通道電氣介面，多增加一排四通道介面，成為具有八通道的光收發器；QSFP-DD模組可以支援QSFP+和QSFP28標準，所以使用QSFP-DD模組所設計的系統可以向下兼容；功率消耗規範為12W；目前受到Amazon、Facebook和系統設備廠商Cisco的支持。OSFP模組封裝是比較新的外型，尺寸比QSFP-DD略大一些，所以可支援較高的功率消耗達到16W，較容易達成長距離傳輸的設計，但缺少與QSFP28向下兼相性；目前受到Google與Arista Networks等公司支持。如圖1，為CFP8、QSFP-DD、OSFP三種400Gbps光收發器模組封裝型式。 圖1　400Gbps光收發器模組封裝類型 除了前述三種400Gbps光收發器模組封裝型式外，COBO(Consortium of...

雲端應用帶動了資料中心傳輸需求的成長，不僅是伺服器內部匯流排規格需要提升，伺服器之間的連線需求也必須同時兼顧，才能夠滿足高速傳輸與運算需求。 在資料中心內伺服器互連傳輸需求方面，以乙太網路(Ethernet)連線為主。由於人工智慧(AI)、物聯網(IoT)、高畫質影音等等應用持續發展之下，市場對於400GbE(400G Ethernet)的需求日益上升；正因如此，要看到市場規格由當今主流的100GbE進化到400GbE也指日可待。同時，訊號調變機制也必須從目前主流的不歸零編碼(NRZ)過度至四階脈衝振幅調變(PAM4)訊號傳輸。此技術進展縱然充滿挑戰，但也同時蘊藏龐大的商機。 高速傳輸勢不可擋　400GbE建設今年到位 安立知(Anritsu)業務暨技術支援部門專案副理王榆淙(圖1)指出，儘管目前已有模組廠商可以提供400GbE相關樣品，因應主要客戶驗證400GbE小型實驗性資料中心的建設需求，但是目前資料中心應用市場依然是以100GbE NRZ為主；400GbE相關建設預計將在2019年建置完成。由於市場需求的帶動，近年來傳輸介面的發展相當快速，除了當今市場正在朝400GbE全速前進之外，目前IEEE也已經開始討論800GbE的可行性。 圖1　安立知業務暨技術支援部門專案副理王榆淙指出，當今市場除了正在朝400GbE全速前進之外，目前IEEE也已經開始討論800GbE的可行性。 根據調研單位Ovum的數據指出，200GbE與400GbE的光學元件皆正在穩定成長中，年複合成長率(CAGR)約90%。另外，具有雙倍傳輸容量的PAM4傳輸技術，將逐漸成為主流(圖2)。 圖2　光通訊模組與零組件成長趨勢 Ovum分析師Ian Redpath表示，長距離的資料中心互連將持續發展，以支援資料中心內部的升級週期，市場主力也將逐漸由100GbE晉升為200GbE與400GbE。受此趨勢影響，市場也正在發生變化。賽靈思(Xilinx)有線IP行銷部門經理Amy Chang(圖3)也指出，目前業界正處於過渡時期，不僅是PCIe Gen5、CCIX將帶動產業變化，400GbE以及FlexE等各項關鍵介面技術的標準，也將在未來扮演重要角色，推動資料中心的轉型。 圖3　賽靈思有線IP行銷部門經理Amy Chang指出，目前業界正處於過渡時期，不僅是PCIe Gen5、CCIX、400GbE以及FlexE等介面技術，將在未來扮演重要角色，推動資料中心的轉型。 成本/功耗成400GbE推廣最大挑戰 Chang認為，市場若要採納400GbE主要將面臨三大挑戰：更低成本、更低耗電以及採用更高速的SerDes，這三者之間也將彼此相互影響。 資料中心不停的追求更高效能，促使業界發展出更快的介面速度。Chang指出，SerDes的高速序列介面是促成介面技術快速進展的關鍵，目前使用的SerDes技術為32GTps。賽靈思以及少數幾家供應商現在能透過三公尺以上的銅導線與光纖支援56 GTps的傳輸速度。 在未來三至五年，SerDes技術的鏈路速度將翻倍至112GTps，而賽靈思未來推出的Versal系列產品也將皆支援此速度。目前業界主流的SerDes世代支援25G NRZ，並需要16鏈路的25G通道來支援400GbE乙太網路解決方案。隨著業界開始廣泛採納56G PAM4收發器，400GbE技術的成本與耗電需求將逐漸下滑，而112G PAM4在幾年內也會跟進。 賽靈思是採用16×25G的介面及軟體矽閘極(Soft Silicon Gates)技術來展示400GbE方案的半導體廠商。並已於近期開始出貨新款可支援8×53G 400GbE IP的UltraScale+ 58G系列元件，而預計在2020年將隨後推出112G。 Chang進一步指出，由於各界需要更高的資料傳輸率，FlexE將透過現有的低成本實體層，承載這些更高的資料傳輸率。賽靈思已採用標準型低成本100GbE技術，在4×100GbE FlexE上達到400GbE的傳輸率。在未來，該公司目標是透過N×400Gb實體層運行更高的資料傳輸率(Terabit等級)。賽靈思將採用低成本的技術，來提供軟體IP促成更高的資料傳輸率。 資料中心互連　成光纖元件銷售最強驅動力 受到產業轉型、智慧型終端裝置、雲端服務及物聯網普及率增加影響，全球網路資料中心流量近年來一直保持高速成長。此趨勢也使得不同資料中心之間的互連需求增加，該趨勢同時將成為未來推動光纖元件市場的最強驅動力。 研究機構IHS Markit指出，資料中心互連(Data Center Interconnect, DCI)的應用需求，將會是推動光纖市場的重要驅動力，近年來，該應用領域是光通訊設備成長最快的。IHS Markit運輸網路高級研究總監Heidi Adams認為，資料中心互連領域已成為光纖最熱門的應用領域；有越來越多雲端服務供應商開始投資DCI市場，除了實現自有資料中心之間的互連之外，也能為企業提供DCI服務。 根據IHS...

受到產業轉型、智慧型終端裝置、雲端服務及物聯網(IoT)普及率增加影響，全球網路資料中心流量近年來一直保持高速成長。在2018年，更能看到許多國際大廠如火如荼規畫興建新廠房，此一趨勢帶動了伺服器周邊零組件需求大增，其中，高速傳輸介面的發展更是備受注目。 雲端/邊緣同時驅動　資料中心蓬勃發展中 近年來，各大網路業者皆投入大量資金在建設超大型資料中心(Hyperscale Data Center)，市調機構IDC估計2015年~2020年期間，資料中心市場將以每年5~10%的速度擴張。 拓墣產業研究院表示，數據資料的重要性已帶動企業對於數位轉型的龐大需求，但大量數據卻為既有資訊系統架構帶來沉重負擔。從雲端儲存、傳輸到運算，全面翻新企業的營運思維，造就了雲端廠商在近幾年的亮眼成績，以亞馬遜(Amazon)、微軟(Microsoft)、谷哥(Google)、IBM、阿里雲表現最為突出。 然而，不僅是超大型資料中心的發展引人注目，5G、人工智慧(AI)、物聯網等新興技術受到重視，以及各種終端應用全面智慧化的趨勢，邊緣運算概念所牽涉到的小型資料中心市場同樣不容小覷。DRAMeXchange資深分析師劉家豪便指出，未來隨著資料中心建置的普及，以及2020年之後5G的落實，針對邊緣運算的微型伺服器應用(Micro Server)將會在未來3~5年顯著成長，帶動相關零組件與記憶體的使用量明顯增加。 PCIe Gen5 Base Spec測試規範將就位 PCI-SIG在2010年發布PCI Express(PCIe) Gen3版本，並在市場上應用多年後，在2017年才終於推出了PCIe Gen4版本；並且，預計將在2019年8月完成PCIe Gen4 1.0版本制定。與此同時，PCI-SIG已開始積極投入PCIe Gen5的規範制定，並預計在2019年完成Gen5 Base Spec測試規範，滿足晶片層的量測需求。 PCIe Gen3傳輸效率為8GTps，PCIe Gen4則提高到16GTps，能滿足大量資料的傳輸需求，將於2019年制定完成的PCIe Gen5則會將傳輸速率進一步拉升，到達32GTps。而帶動這波介面速率升級的關鍵驅動力，就是資料中心廣泛建置所帶來的高速傳輸需求。Cadence亞太區資深應用工程經理李志勇(圖1)認為，目前PCIe Gen4甫起步，要再過一段時間才會漸漸看到商用產品出現，設備的汰舊換新亦是一漫長的過程，因此短期之內在伺服器市場將會看到PCIe Gen3與Gen4規格並存。 圖1　Cadence亞太區資深應用工程經理李志勇認為，由於設備更新需要相當的時間，PCIe Gen3與Gen4規格並存將成為短期內的狀況。 PCIe Gen5晶片2021量產 在未來PCIe介面的進化過程將會比以往更為快速。賽靈思PCIe與儲存解決方案資深產品經理Rakesh Cheerla(圖2)認為，由於處理器、PCIe交換器、繪圖處理器、張量處理器、乙太網路(Ethernet)NIC網卡以及FPGA等各大產品供應商都將推出PCIe Gen4晶片，因此估計資料中心的各種高效能應用將於2019年到2020年快速轉移至PCIe...

從網路上可看到一則小故事，晉朝時有一位叫王質的樵夫，有一天他到信安郡的石室山(今浙江衢縣)去打柴。看到一童一叟在溪邊大石上下圍棋，於是把砍柴用的斧子放在溪邊地上，駐足觀看。看了多時，童子說：「你該回家了。」王質起身去拿斧子時，一看斧柄已經腐朽了，磨得鋒利的斧頭也鏽得凹凸不平了。王質感到非常奇怪，回到家裡後，發現家鄉已經大變樣。無人認得他。提起的事，有幾位老者都說是幾百年前的事了。原來，王質誤入仙境，遇到了神仙，仙界一日，人間已百年。 這個故事本來是說凡人的壽命短暫，需要多做好事修煉成仙，才能達到世人渴望長生不死的願望。不過換個角度想，圍棋這種遊戲讓連神仙來下也要思考這麼久，可見得圍棋是多麼難的一種遊戲。網路上還說到北宋科學家沈括在「夢溪筆談」中曾粗略估算過棋局的變數，稱「盡三百六十一路，大約連書萬字四十三，即是局之大數」，也就是指3的361次方，這實在是一個天文數字。 這是什麼一個概念，天上的星星總數大約是10的23次方，而3的361次方相當於10的170次方再乘上2，這可是比天上星星的總數後面還要乘上好幾百個零的倍數。所以說圍棋要下得好，不僅僅要會算，還要有策略，更需要有大局觀的視野。就是因為圍棋這麼難，所以電腦棋藝遊戲裡，圍棋這種遊戲很難達到高手的境界，不是棋藝太差，就是速度太慢，但AlphaGo的橫空出世，改變了電腦在整個圍棋遊戲的地位。 AlphaGo展露深度學習效能震驚圍棋界 在圍棋上AlphaGo用三個步驟贏遍人類，第一步驟是規則學習(Policy Network)，學習人類所有頂尖的棋譜，用以模仿高手的招式。第二步驟是招數學習(Value Network)，評估所有招數優劣，用以判斷不同招數在這個棋局的獲勝機率，第三步驟是布局學習(Tree Search)，用來分析棋局的各種可能變化，並推演棋局未來的可能演變，用以決定落子的位置。 AlphaGo這個做法可說是第一次讓電腦模擬人類神經網路(Neural Network)，並用深度學習(Deep Learning)的方法來學習下棋的頂尖招數，這個做法就好像武俠小說中的東方不敗，學會了葵花寶典的武功，成為了天下第一的武林高手。不過進一步的想，東方不敗只是一時的高手，卻不能列為頂尖的武林宗師，原因就是他的武功是學來的而不是自己創的。 AlphaGo的強大也是看人類棋譜深度學習的結果，如果棋譜有錯，它也會出錯，如果人類故意輸入錯誤的棋譜，它就會錯得離譜。而且AlphaGo雖然下棋厲害，但除了下棋，其他都不會，只能算初級的人工智慧不會威脅到一般人的生活。但是，開發AlphaGo的DeepMind團隊，緊接著推出AlphaGo Zero，那可不是同一個技術水平的創作。 原本的AlphaGo事先需要人工輸入大量的資料來學習，就像有些模擬人類神經網路的電腦如果要來判斷圖片中那些是貓那些是狗，需要匯入大量的圖片，並且需要人工事先定義圖片內容再輸入關鍵字，萬一將獅子Key成貓，電腦就埋下Bug種子，而且這種工作量實在太大了，變成了勞力密集工作，讓人感覺這種人工智慧(Artificial Intelligence, AI)有點Low。 AlphaGo Zero採用機器自我學習(Machine Learning)的方式來開發下棋應對方式與布局招數，只要講好遊戲的規則，它可以自我模擬對弈，以電子的速度短時間內自我對戰5,000萬次並學習出最佳的策略，進而開創出人類無法想像的對應招數與布局方式。DeepMind團隊在網路上化名試著與人類60位圍棋高手下棋，AI完勝人類。 到了後來，再拿新的AlphaGo Zero與原本的AlphaGo對奕，結果100：0，打得曾經戰勝人類棋王李世乭的AlphaGo毫無招架之力，到這個時候，AlphaGo Zero的棋奕能力與人類的差距，就好像猴子看不懂人下什麼棋一樣，AlphaGo Zero棋力已經自我演化到人類無法想像的境界了。 AI應用紛問世　監控領域為大宗 以模擬人類神經網路來深度學習(Deep Learning)，再加上機器自我學習，這就是進階的AI人工智慧。目前一般市場上所說的AI，大都是指這種有自我學習能力的人工智能，而這樣的技術已經不只是用在下圍棋這件事上。 在2018年Google I/O的盛會上，Google就發表了幾個AI運用的例子，一個有意思的技術是關於如何利用AI在影片中將雜亂的「吵架聲」區分開來。這個技術如果用在通話，那麼不論講話的人在吵雜的工廠內還是喧鬧的演唱會上，雙方都可以聽到對方乾淨的聲音。 如果用在監控領域裡，那麼可以隨意點選錄影檔中講話的人物，不論當時錄影的背環境多麼喧譁嘈雜，都可進一步還原並聽清楚講話的內容，這對警方辦案將會是一個偉大的助力。 另外，Google I/O還展現了利用AI人工智慧技術發展而來的語音助理，在Google所公布的影片中可以看到Google I/O利用新的連續對話(Continue Conversation)與多工回應(Multiple Action)技術，不但能記住你以前講話的內容，還能分析談話的邏輯與可能想表達的意思，就算要理解人類說話中不容易瞭解的複合句也不是問題，甚至Google I/O還能模擬人類說話的語調與心機策略，幫忙使用者與理髮店服務人員談判預約最佳的理髮時間，這個技術對於需要有大量客服人員服務的公司來說，無疑是未來服務模式的最佳選擇。 美國輝達公司(NVIDA)近期也發表了如何利用AI人工智慧，在錄影影片中補上新圖像的技術。只要給它一組24個連貫畫面，就可以在每個畫面間隔之間補上10個新的畫面，原本的24FPS影像，就變成了240FPS影像，在慢動作播放的時候看起來依然流暢。 同樣的AI人工智慧技術也用在低畫質影片的補強上，美國聯邦調查局(FBI)就經常使用AI人工智慧的影像補強技術來分析監視錄影系統所收錄到的影像，從中找到犯罪的線索，進一步協助辦案人員偵破犯罪的罪行。 在日本，東京都的警察機關(東京警視廳)2002年開始導入自動車牌辨識系統(ALPR)，這個做法大幅度下降了原本居高不下的竊車問題，而現在最新的AI人工智慧技術，讓原本的ALPR系統除了辨識度更加準確以外，還增加了大數據分析功能，針對偵查鎖定的車輛不但能繪製出過去的行動軌跡，還能預測未來可能行經的路線，對於犯罪的偵防擁有莫大的幫助。 最近火紅的人臉辨識技術(Face Recognition)也是炙手可熱的話題，在很多影片中都可看到中國大陸的公安部門，例用人臉辨識技術抓到隱藏群眾之中的通緝要犯，甚至還可以在群眾之中找出以往帶頭鬧場的問題人員，事先壓制囂張的氣焰。在商業上，利用人臉辨識技術來做門禁管理，甚至是購物記帳、寄物領貨、提錢轉帳等，更是如過江之鯽不勝枚舉。 CPU效能大增驅動AI發展 其實模擬人類神經網路來深度學習的技術並不是新的發明，早在上個世紀，1960年代美國麻省理工學院電子工程與計算機科學教授Marvin Minsky就創立了人工智慧研究室，後來還因為在人工智慧領域的卓越貢獻，獲得電腦界最負盛名的獎項，有「電腦界諾貝爾獎」之稱的圖靈獎(ACM A.M....

在人工智慧的協助下，臉部辨識技術於不同環境中的辨識能力都已大幅提升，包括隨機(Wild)影像，以及使用者為了身分驗證而刻意捕捉的影像。根據Gartner發布的2019年企業IT與消費者十大預測，在人工智慧臉部辨識功能的協助下，2023年成熟市場裡的失蹤人口，將比2018年減少80%。 美國情報高級研究計畫署(IARPA)在2017年的IARPA臉部辨識準確度獎金挑戰賽(FRPC)即指出臉部辨識技術確實有所提升，該競賽首獎由上海新創公司「依圖(YITU Technology)」抱走。依圖的辨識技術與微軟Azure雲端運算平台進行整合，其領先業界的資料庫配對系統可以在3秒內搜尋超過10億筆紀錄。 除了應用於辨識人臉外，非洲國家也已開始試用臉部辨識技術來尋找走失的動物。舉例來說，阿里巴巴正和肯亞共和國的觀光與野生動物部合作，使用臉部辨識技術搭配物聯網(IoT)來保護園區裡瀕臨絕種的大象、犀牛和獅子。 臉部辨識實際應用結果顯示，即使樣本數量大，一對多比對的辨識速度仍然表現突出(低於600微秒)，且誤漏和誤認比例都在可以接受的範圍內。不過這樣的測試仍無法立即用於多數應用，因為模型的開發相當耗時，而影像比對也必須先擁有影像辨識集才能做到，這跟「現場」辨識是不一樣的產品架構；但至少對於從影像庫中辨識失蹤的人口依然有用，因此百度等臉部辨識技術供應商，正在開發預測準確度更高的技術。 此外，臉部辨識技術也能拿多年前拍攝的照片進行比對，根據父母長相來評估此人是否就是當年失蹤兒童的可能性；2017年，中國大陸即有個孩子在失蹤27年後，因臉部辨識技術而被尋獲。 臉部識別應用增　比對/分析技術持續革新　 我們預測未來幾年將有更多影像辨識被應用於協尋失蹤人口，尤其是尋找那些非自願性失蹤，但因為年幼無知，或年事已高、身心障礙等原因而回不了家的人。不過這項預測並不包括遭逢災禍(例如建築物傾倒和天然災害)，或因組織犯罪被害而喪命的失蹤人口。 企業組織將採取更積極的行動來提升臉部比對與分析技術，比如設點讓人成排走過公共及私人攝影機，為的是蒐集資料以利即時辨識人群，並於稍後進行後製處理，或未來在人們失蹤時予以協助。臉部比對和3D臉部成像技術將成為上述弱勢人口(包括兒童、老人或其他殘障人士)資料蒐集裡十分重要的選項，能減少失蹤人口，且毋須針對數量龐大的群眾進行大規模搜尋。 而在未來，當有了更穩健的影像擷取能力、影像圖庫開發、影像分析策略和更高的公眾接受度，臉部辨識技術最重要的突破也將隨之而生。此外，隨著攝影機裝置內部和邊緣人工智慧功能提升，公部門和私人組織將可以預先過濾必要的影像資料，而不必將所有影像串流傳送到雲端才能進行處理。 邊緣運算興起　隱私權挑戰逐漸克服 企業組織可將臉部辨識視為比散布式編碼(Scatter Code)、條碼和RFID標籤更具流動性和可靠的一個步驟，以定位這類系統的同樣方式來管理各個臉部辨識應用的場域，藉此增加可靠的臉部判讀數量。由於演算法和資料會因為年齡、種族和性別而大不相同，所以建議根據所在城市或國家裡失蹤人口的族群特質，來排定演算法和資料收集的優先順序；同時將臉部辨識視為一種生物辨識手段，以深入了解公民和員工在不同環境下的應用洞察。 當然，人們對於臉部辨識涉及的隱私權議題仍存在疑慮。但攝影機技術的發展正使邊緣運算模型的數量增加，進而減少不當蒐集資料的狀況。若法規要求，甚至可以定期清除資料。企業也必須部署邊緣運算方法並強化管理，以便根據在地文化來保障隱私權。不過由於失蹤人口在全球都是個嚴重問題，即使當事人並非因為犯罪事件而失蹤，都會耗費執法資源。臉部辨識只是解決失蹤人口問題這整個大拼圖的一部分，仍需其他如兒童專用智慧手表以及老人用GPS追蹤器等技術共同協助。 (本文作者CK Lu為Gartner資深研究總監；Whit Andrews為Gartner副總裁暨傑出分析師)

長久以來，人臉驗證一直被認為是電腦視覺領域中最大的挑戰之一，但現已設計出一套準確度高達98.36%的人臉驗證系統，而且是此一概念的即時驗證。本系統選擇的管線設計結合典型與現代的機器學習(深度學習)技巧，支援包括多用戶驗證以及反詐騙階段等關鍵功能，以解決利用照片或影片進行詐騙的關鍵安全議題。本文的目標是針對使用機器學習所產生的問題，以及終端用戶使用平台遭遇的問題，進一步瞭解打造更完整解決方案的程序。也因此，此一使用案例主要在探討如何在多IP上部署機器學習，以提升使用者體驗。為了達成概念驗證，本文使用Arm NN軟體以及已生產的硬體IP，展示一套Always-on的人臉解鎖(人臉驗證)系統。 人臉驗證演算法設計總覽 資訊流的來源，來自耗電量非常低的低解析度照相機檢測到的場景顯著變化，並對隨後階段進行閘控，以保持低電力使用量。當場景變化達到預先定義的水準時，高解析度的RGBD相機會啟動，並且開始針對每一幀(Frame)進行掃瞄，以找出人臉(圖1)。 圖1　當場景變化達到預先定義的水準，為找出人臉，高解析度RGBD相機會開始針對每一幀(Frame)進行掃瞄。 依據RGB資訊，倘若檢測出人臉，相對應的景深影像會傳送至負責辨識真實人臉的詐騙偵測器。在初期便放置反詐騙偵測器的作法，在出現的人臉若是列印的臉或是螢幕影像，得以馬上中止管線執行，並進一步降低電力消耗。 倘若人臉經過驗證後確認是真的，經裁切的RGB人臉會送至特徵點偵測器。追蹤可信之人臉部分，以及更精確的眼睛座標，可以協助我們對準人臉，並讓特徵提取器更易派上用場。在這個階段，我們使用卷積神經網路(Convolutional Neural Network, CNN)，替每位用戶將每張臉轉換成一套特徵集。 最後，驗證階段使用一個分類器，它負責透過比對輸入特徵與用戶儲存的特徵來驗證用戶的身份，以決定是否讓用戶進行系統存取。 此一解決方案使用Python做為開發語言達成，每一個資料段都可依據任務的不同，部署於最合適的Arm IP，讓管線更加節能，同時也能保持低推論延遲。 系統的啟動，靠在Arm Cortex-M處理器上處理的低解析度影像達成，可以提供最大的效能與最小的記憶體使用量。為了觸發高解析度相機，人臉偵測與反詐騙階段在Arm Cortex-A CPU上運作，並使用Compute Library運算函式庫支援的低階且高度優化的軟體功能。同樣地，特徵提取神經網路透過Arm NN可以進行高效剖析，然後匯入NEON或GPU，這讓我們針對所有的關鍵階段，都能達成高效的平行執行(圖2)。 圖2　人臉辨識執行步驟 Always-on階段使用一顆Arm Cortex-M處理器執行，處理來自低解析度感測器的輸入訊號，並在偵測到場景變化時，把系統喚醒；此一場景變化的偵測，會對在Cortex-A73上運行的RGBD相機資料處理，進行閘控。 更高品質的人臉偵測可移除偽陽性，且詐騙偵測使用深度資訊，確保人臉不會只是一張照片。人臉經偵測後，資料將饋入身份辨識階段，其為設計用來針對每個身份擷取獨特特徵的先進神經網路。驗證階段確認人臉是裝置中已登錄的人臉之一，並確認用戶的身份；而使用Arm NN，自然地把各階段移至正確的IP。我們不妨仔細檢視每個階段的功能，以及它們對整個解決方案有何貢獻。 喚醒階段 大多數現有的喚醒方式，都需要與裝置進行實體互動。為了讓行動使用更加無縫順暢，此一方式可以用其它感測器的低電力分析加以取代，以偵測用戶是否有意開始使用裝置。 運動感測器是選項之一，但是當裝置放在口袋裡或袋子中，可能會因為錯誤的喚醒而產生電力消耗的風險。因此，本文選擇使用低解析度相機來偵測顯著的場景變化，原因是手機上鎖後的前置相機，在使用前的一刻，通常只會看到一片黑暗，或是靜止不動的天花板。 使用低解析度感測器來進行影像擷取，並用Cortex-M處理器進行影像分析，可以讓喚醒階段偵測出有趣的特徵，同時在Always-on耗電水平內進行運作。這些特徵可以靠執行背景減法，並依背景擷取強度值的直方圖差異，輕易地進行辨識。此一階段設計用意為低延遲，並藉由使用低成本的Cortex-M處理器，來觸發解析度較高的光學感測器，並開啟人臉檢測階段。 人臉檢測 針對此一階段，我們選擇執行經過訓練的支援向量機(Support Vector Machine, SVM)分類器，並用梯度直方圖(Histogram of Gradients, HOG)當成特徵提取器。與另一種Viola&Jones方法相比，這種方式經證實可產生較少的偽陽性偵測，同時仍可在Cortex-A上進行即時運作。 每張梯度直方圖都是從使用16×16像素的資料段所擷取的8×8像素儲存格，且資料段的間隔為8個像素。每個儲存格的直方圖大小，可以支稱9個bin(0~180度)，而且最後的特徵向量在每個視窗大小內，將可支撐數個序連特徵。 最後，每個視窗的特徵資訊會傳送至SVM分類器，而它也將檢測人臉是否出現在此一視窗內。分類器經過LFW影像訓練過，而且藉由提供可以接受數量的真實反例，如此一來便可證實已經能顯著減少偽陽性偵測(圖3)。 圖3　執行經過訓練的SVM分類器可顯著減少偽陽性偵測 此一方式在使用NEON的Compute Library已經主要執行，而這也是降低這個階段整體延遲的一個好選項。正常來說，特徵擷取會進行多次運行，每一次都會讀取視窗內相對應的強度值，ACL則以更有效率的方式處理，透過預先定義HOG參數，每個儲存格都會計算一次特徵向量，並儲存在裝置上。 隨後，大小不同的數個視窗，每個都可以用來讀取相對應的記憶資料段，而且藉由平行運行多個SVM分類器，可以更快速地預測人臉座標，要辦到這點，需要訓練數個SVM分類器，且每個分類器都對應特定的特徵長度。 當然，要訓練分類器，必須相對應地調整訓練資料的大小，原因是每個SVM(總共有六個)是針對特定的特徵向量長度接受訓練，且視視窗的大小而定。不過，由於不必再重覆從像素值擷取特徵，使用上述的方法可降低運行時間的延遲。此外，依據輸入影像的解析度選擇所要的視窗大小，可以免除整合金字塔表示法的需要。最後一步我們則透過非極大值的抑制，來排除多重檢測。 拿ACL人臉偵測的延遲，與針對256×256影像以Dlib在4個Arm Cortex-A73、時脈調為2.36Ghz的處理器運作兩相比較，結果只花了一半的時間，就可以達成類似的結果(ACL：15毫秒對比Dlib：30毫秒)。最後，在ACL人臉監測執行的前端，建立了Python綁定(Binding)，讓它可以輕鬆與管線進行整合。 反詐騙步驟極為關鍵 在把人臉影像匯入生物特徵提取器之前，反詐騙是極為重要的安全步驟。在這個階段，我們把應付兩個關鍵安全議題的詐騙偵測資料段整合進去；利用照片或影片詐騙用戶身份。 四個最受歡迎的詐騙檢測演算法類別，分別是運動分析、紋理分析、影像品質分析，以及如紅外線感測器等主動方式。不過，由於此次使用的是RGBD輸入感測器，於是採取使用深度資訊的方式來辨識真臉與假臉。帶出反詐騙模型最大的挑戰，在於缺乏公共資料庫，因此我們搜集了自有的真臉與假臉反詐騙資料庫，並對系統進行訓練。 真實的人臉利用各種變數進行擷取，如不同的採光環境與姿勢，以及戴上或不戴眼鏡的情況；假臉則從各種不同的顯示監視器與照片進行擷取，以模擬2D的人臉詐騙攻擊。 為了辨識出詐騙攻擊，透過RGB偵測出的人臉座標會從人臉偵測資料段，饋入反詐騙資料段。依據這些座標，我們裁切從深度空間(2D距離的矩陣)偵測到的人臉，並跟之前一樣，利用同樣的HOG參數提取特徵。 最後，已經在我們客製化資料集中接受訓練的SVM分類器，會利用區別真實與虛假的人臉，防止非法的系統存取。倘若人臉被判定為假臉，我們會拒絕該用戶，並避免管線剩下的運行；如果判定是真臉，人臉會饋入2D仿射轉型資料段。針對反詐騙階段，再次執行HOG與SVM ACL，因為此一解決方案提供加速運行與結果(圖4)。 圖4　反詐騙是執行人臉辨識十分重要的步驟。 對準人臉 倘若用來訓練與測試的臉部影像修補，可以對準成常見的角度，人臉辨識與驗證系統的效果會更好。此一對準動作，可以讓生物特徵系統專注在人臉的外表，而不用特別應付不同的姿勢。 雖然我們預期用戶在人臉驗證過程中會直視相機，但藉由人臉對準的變換，我們提升了生物特徵提取器的堅固性，並排除了資料集內的姿勢變異。在對準人臉的作業中，深度學習技術顯現出大有可為的結果。不過，我們最後選擇了一個有效且運算成本較低的解決方案，以將管線的延遲降至最低；先用特徵點偵測器來提取特徵點，隨後依據這些點，用2D仿射變換(Affine Transformation)對準輸入的人臉。 在無限制的環境下，要把人臉特徵點局部化是件極具挑戰的任務，原因是它會出現許多令人混淆的因素，如姿勢、堵塞、表情與照明；特別是這些因素會對人臉的外表以及人臉局部特徵狀態，產生顯著的影響。 在我們的情況中，針對五個特徵點進行追蹤，並依集成迴歸樹(Ensemble of...

監控分析市場已出現了明顯的轉變，過往監控的模式較為「被動」，也就是單純錄影，發生事件時再去調錄影帶。然而，現在監控的重點在於「即時反應」，也就是發現異常時可立即發布警示，進而省下人力通知或是事後影像提取檢視的時間。 也因此，監控系統不斷朝AI智慧化發展，增添如人臉識別、車牌辨識等功能；與此同時，為了能有迅速的反應時間及工作效率，智慧監控也逐漸從「雲」走到「端」。 換言之，過往AI功能多在雲端進行，然而，對於監控產業而言，最大的重點便是「反應速度要快」，事情發生時能立刻警示；而將資料送到雲端進行分析、運算後再送到終端裝置，即便時間再快，多少還是會有所延遲。倘若資料量太大，網路傳輸速度和頻寬無法支援，甚至資料還會停滯在雲端而無法傳輸。也因此，智慧監控便開始從雲端轉向終端裝置。 總結來說，為了加快監控裝置反應速度以及提升效率，開始有許多AI功能從雲端移至終端裝置；而要在終端裝置進行邊緣運算，實現更多AI智慧應用，監控裝置的軟硬體設計勢將有所提升，為此，監控元件/設備供應商也紛紛推出新一代解決方案。 滿足視訊/音訊監控　完善IP方案不可少 Arm市場行銷高級總監Rhonda Dirvin表示，現今擁有音訊或視訊輸入的裝置數量大幅增加，並可用於各種監控功能，例如行車紀錄器、盲點警示、家庭網路攝影機、防盜系統、門鈴、智慧照明、防盜警報等。 Rhonda Dirvin指出，由於現在已能在終端進行推論功能，因此製造商將特別關注智慧家庭裝置。智慧裝置能具有視覺處理功能以監控屋內，辨識家庭成員，並利用視訊在所有物件中提供安全或是與人類的連結。 然而，視覺辨識最大的挑戰之一是大量的使用情境和AI效能需求。從偵測和提取人群中的數百張面孔到辨識停車場中的人臉或車牌，這些用途和效能需求大不相同。除此之外，有各式各樣不同的AI網路，用於解決同樣的問題，因此，完整的IP組合(而非單一解決方案便適用所有情境)十分重要。為此，Arm備有相關CPU、GPU、專用的NPU，以及可擴展的Arm NN平台，協助設備製造商加速進入新的AI監控世界，並更進一步的提高AI和訊號處理能力。 另一方面，Rhonda Dirvin提到，除了視覺，音訊(例如關鍵字萃取或振動感測)也是推動先進監測技術需求的關鍵因素。例如，關鍵字萃取(Keyword Spotting)在2018年受到廣泛討論，而到2019年，簡單的關鍵字萃取將升級到語音辨識。例如家中的智慧音箱，可以辨識誰在提供語音命令，不論是使用者本身或是家人，身份辨識有助於提高智慧家庭裝置的安全性和隱私。 然而，語音辨識的最大挑戰便在於要如何在最低功耗的情況下實現「Always-on」功能。對此，Arm具備多款處理器、CMSIS-DSP及CMSIS-NN軟體核心中DSP擴充套件的超低功耗感測器和運算引擎，可啟動Always-on的環境感測，包含語音、振動、視訊。 Rhonda Dirvin指出，Arm擁有各式不同運算規模優勢，從利用CMSIS-NN軟體函式庫提高效率的Cortex-M處理器；到具有ML擴展能力的Cortex-A處理器，以及ML處理器等，以便支援所有的功耗選項。 兼具低成本/低功耗　NPU成市場新選擇 智慧監控商機起，除了Arm這傳統IP大廠積極備戰之外，新創業者也磨刀霍霍。瞄準終端AI應用需求，耐能智慧(Kneron)於近期發布新一代終端AI處理器系列NPU IP，其分為超低功耗版KDP 320、標準版KDP 520，以及高效能版KDP 720；整體運算效能相較上一代產品提升3倍，運算能力(Peak Throughput)最高可達5.8 TOPS(每秒萬億次運算)。 據悉，新系列產品特色包括交錯式運算架構，讓神經網路架構中主要的卷積(Convolution)與池化(Pooling)運算可平行進行，提升整體運算效率；深度壓縮技術，可執行模型和運行中的資料和參數(Coefficient)進行壓縮，減少記憶體使用；動態儲存資源配置，讓共享記憶體(Shared Memory)和運作記憶體(Operating Memory)之間可以進行更有效的資源配置，提升儲存資源利用率且不影響運算效能；以及支援更廣泛的CNN模型。 耐能智慧產品行銷暨應用協理史亞倫(圖1)表示，智慧監控從雲端走向終端的趨勢十分明確，然而，要如何打造具有高運算能力可實施AI應用，卻又符合業者功耗與成本考量的監控裝置，是一大挑戰。 圖1　耐能智慧產品行銷暨應用協理史亞倫表示，智慧監控開始從雲端走向終端，裝置中的處理器除須有高效能外，同時也須符合功耗和成本考量。 史亞倫指出，監控應用十分多元，不論是零售、交通、商業建築、安防等都會用到，且在各個領域中又細分無數個應用場景；有的可能需要超精準的人臉辨識，而有的可能只須進行簡單的車牌識別。因此，並非每個應用場景都須採用頂級、具超高運算能力的CPU、GPU或是DSP，否則會不符成本需求。 史亞倫進一步說明，因此，該公司便決定打造低功耗的NPU處理器，一來是NPU處理器十分適合AI神經網路運算，有著更多的設計更新彈性；二來是目前監控裝置較少採用NPU晶片，而有了低功耗、成本相對較低，同時還能進行邊緣AI應用的NPU晶片後，可讓市場有更多選擇，滿足對成本有較多考量的監控設備商及終端業者。 因應邊緣運算　SoC效能節節高升 另一方面，不僅IP業者，晶片商也趁勢推出解決方案搶占市場商機。索思未來科技(Socionext)影像處理事業部應用工程科經理陳哲鋒表示，為紓緩雲端運算工作量，降低資料延遲，使監控反應時間更快、效率更高，邊緣運算開始走進各種監控裝置當中，晶片也因而須具備更強大的運算能力，而這也是影像元件供應商於產品上的重點設計方向。 為此，索思未來科技也備有相關的解決方案，像是SC2002/SC2000影像處理器。SC2002配備ARM Cortex-A9 Dual 600MHz CPU以及智慧化的高效數位訊號處理器(DSP)；並且搭載三維降噪(3DNR)和寬動態範圍(WDR)功能，可以在低光照條件下捕捉高品質影像，同時在一般運作環境下僅需1.5瓦的超低功耗，適用於各種影像和監控安全攝影機系統。 至於SC2000系列，同樣配置經優化過的DSP，並透過Socionext獨家的Milbeaut影像處理算法，以及影像穩定技術，不須使用機械平衡環及滾動快門校正，可滿足電腦視覺應用。 陳哲鋒進一步說明，提升運算效能，是未來不變的目標。以該公司為例，除該公司本身的SoC就具備高效能可實現臉部辨識、物體偵測等智慧監控應用外，若要達到更高的運算效能，該公司也會結合加速器(如ASIC)，以實現更多的AI應用。另外，該公司也計畫於2019年新推出的影像處理器當中，直接結合AI功能(如深度學習、機器學習等)。當然，除了高效能之外，也須兼具低功耗，而該公司的晶片經過測試，在4K 60fps的條件下，與同級產品比較可降低30%的功耗。 實現智慧監控　演算法舉足輕重 因應AI監控風潮，不僅元件/IP業者積極備陣迎戰，監控業者也致力打造更「智慧化」的產品。例如晶睿科技便自行開發深度學習演算法，且將其導入監控產品之中，像是360度智慧魚眼攝影機，使其可分析上千種場景，辨別人類共同特徵，進而衍伸出人群偵測的功能。又或是打造3D人流計數立體攝影機，透過三維定位的景深技術以身高辨別成人與小孩，進而得知哪些人具有消費能力，以及哪個入口處人流最多等具有高度商業價值的資訊。 晶睿科技品牌事業研發副總經理馬仕毅指出，未來廣域監控(如人群、交通、零售等)的需求勢將明顯增加，如何在終端監控裝置上進行運算，降低資料流量，進一步做出即時的判斷將是日後主要發展目標，也因此，該公司致力打造更「聰明」的產品。 馬仕毅進一步說明，提升硬體規格，選用更強大的運算處理器，這是監控設備將來必然的發展方向。然而，AI應用的重點在於「數據分析」，也就是要能將所收集到的數值化為有效的資訊；要如何處理、分析這些數據，是實現智慧監控的重要關鍵。也因此，自行開發演算法可說勢在必行，這也是該公司進行嵌入式系統深度學習網路架構與引擎開發、AI監控系統技術開發(偵測+辨識人/車)以及AI廣域監控系統技術開發(魚眼+多鏡頭)的主要因素。 另一方面，隨著AI應用逐漸興起，相關資安疑慮也跟著浮現。馬仕毅表示，現在監控設備中的處理器(SoC、CPU等)效能越來越高，若被駭客入侵，除了被竊取資料外，甚至有可能成為另一個攻擊節點；因此，如何提高監控設備的安全防護等級，也是未來不容忽視的設計重點。 為此，晶睿與趨勢科技合作，打造「內外兼顧，軟硬防護」安控攝影機解決方案，讓網路攝影機具備預防、隔離、再控制三大功能，杜絕潛在資安危機。當偵測到相關威脅時，通訊攝影機會自動啟動預防功能，避免惡意程式的入侵。而針對已被入侵的攝影機，也會啟動自我隔離機制進行防禦；一旦偵測到惡意程式的入侵，系統將可即時透過雲端更新病毒碼，快速隔離並預防病毒的擴散，將惡意程式的傷害控制到最低，確保其它在同樣架構下的網路攝影機安全。 智慧監控風潮起　顯示/感測需求與時俱進 另一方面，智慧監控風潮除了推動處理器效能持續攀升外，對於顯示器、感測器的要求也有著明顯的轉變。台灣索尼課長葉沛青表示，目前的市場對於720P或是4K影像皆有一定的需求，不過，4K影像應用從2018年開始有逐漸加溫的趨勢。 上敦企業副總經理林光遠則指出，據資料顯示，全球安防行業超高清(4百萬畫素以上)的市場到2018年增長為前期的五倍左右，主因在於智慧分析及高畫質的即時監控對於影像素材的要求更嚴格，希望能更清晰。而4K解析度是1080P的四倍，能夠看出更多的細節與物件特徵，清晰地呈現監控現場原貌，同時能快速實現對於車牌辨識、人臉辨識及行為偵測等的智慧分析應用。 葉沛青進一步說明，2019年從現有Full HD系統升級至4K的數量相信會更進一步的提高，因為如上所述，監控設備開始結合智慧辨識系統的分析，其所要求的影像都會相對提高，驅使企業用戶開始考量監視顯示器的畫質是否需要提升。比如說，4K攝影機能夠處理大場景的監控問題，只要架設1台4K攝影機，就可利用廣角特性涵蓋某個主要的轉運站，藉由細膩的解析度看清行人的面貌與更多圖像細節，像是服飾細節、車牌、人臉等，這些細節於安全監視的實際跟判定應用中極為重要。   因應此一趨勢，目前Sony的攝影機發展以著重於4K以及全天候監控攝影機為主，採用End to End 4K方案增加監控的效率性，當然，未來也會導入智慧分析功能。 至於在感測器方面，艾邁斯半導體(ams)台灣區總經理李定翰(圖2)則指出，監控應用愈來愈廣泛，像是人臉辨識、步態監控等；而為了使後端演算法分析更精確，並降低處理時間與功耗，感測器效能也須跟著提升。 圖2　艾邁斯半導體(ams)台灣區總經理李定翰指出，因應智慧監控，感測器效能也需提升，才能使演算法分析更精確。 李定翰說明，監控的目標眾多，並不只是人而已，還有器材設備、動物，或是快速移動的車輛等；另外，不論監控目標為何，最終都會遇到一個實際的物理現象，也就是在夜晚的時候要如何確保監控品質，鏡頭在晚上如何能拍的清晰，這些對於影像感測器而言，都是挑戰。為此，ams便於CMOS影像感測器中導入全局式快門(Global...