封面故事

一項針對擴增實境/虛擬實境(AR/VR)業內人士所做的調查報告顯示，蘋果(Apple)智慧眼鏡雖然還未推出，但已有43%的人想選擇該公司的產品，進行相關產業應用，躋身前三大最重要的智慧眼鏡平台之列，僅次於微軟(Microsoft)HoloLens和Magic Leap。 蘋果智慧眼鏡產品雖然還未推出，但已獲得43%業界支持。資料來源：Digi-Capital(5/2019) 這是由矽谷專門進行AR/VR市場研究的顧問公司Digi-Capital，和擴增實境世界博覽會(Augmented World Expo, AWE)主辦單位，在2019年第二季針對AR/VR業內人士所共同進行的一份調查，突顯出蘋果在業內支援方面的競爭優勢。 Digi-Capital董事總經理Tim Merel指出，消費性智慧眼鏡要擴大市場規模，有五大挑戰：包括超強裝置、全天候電力、行動連結力、應用程式生態系，以及價格。從這五項挑戰來看蘋果可能推出的智慧眼鏡產品，就不會對這項調查的結果感到意外。 Merel認為，一款超強裝置能獲得較多市場關注；雖然蘋果近幾年的產品呈現出演進而非革命性的創新，但優良的設計品質仍是表現出眾。而唯有蘋果能推出像蘋果一樣品質的產品，因此其智慧眼鏡若問世，品質勢必一如既往。 至於電力挑戰，則可透過「與智慧手機連結」的產品形式來解決。Merel進一步分析，在電池技術未有重大突破之前，一副輕巧且處理大量AR作業的獨立式AR智慧眼鏡，若沒有額外使用電池包或可熱插拔電池模組，是很難維持全天運作。除非蘋果檯面下擁有秘密的電池技術，否則與智慧手機連結的智慧眼鏡，將會是克服目前電池技術挑戰的務實設計方案。 而如果是採用「與智慧手機連結」的產品形式，則行動連結力就不成問題。另外，5G網路的商用也會對行動連結力帶來正面幫助。 應用程式生態系對蘋果來說，更是一大強項。蘋果iPhone原本就建立起相當完整且龐大的應用程式生態體系，再加上自2017年開始，該公司就已發布ARKit套件供開發人員建立各種AR應用，因此整體生態系至2020年底時，已擁有約3年的ARKit開發經驗，一旦蘋果推出智慧眼鏡，開發者生態系的支援將可隨時就緒。 Digi-Capital調查報告也指出，2019年蘋果ARKit的安裝量預估將接近750萬台，2020更將上看8億台；與Google ARCore相比，後者至今安裝量大約4億台，但ARKit的平均用戶貢獻度(ARPU)是ARCore的一倍。Merel相信，蘋果完整的生態體系可以減少開發者在投入一個新的蘋果周邊平台開發上的擔心。 最後在價格方面，Merel分析，蘋果智慧眼鏡可能會是至今最貴的蘋果周邊(例如比Apple Watch貴，但比iPhone便宜)，因此不會所有人都願意花錢買兩個裝置，這會限制創新者和早期採用者在產品上市後1至1年半的購買量。不過，隨著市場發展，蘋果會採取典型的價格策略來吸引更多早期採用消費者，預估2023年可賣出數千萬副智慧眼鏡。

360度全景攝影機技術規格大躍進。伺服器管理晶片大廠信驊科技跨足360度全景影像處理晶片有成，其所研發的晶片內影像拼接(In-camera Stitching)專利技術，能讓消費性360度全景攝影機實現4K影片即時串流，而毋須透過電腦進行後製轉檔，可望促成消費性360相機的全面升級，擴大4K 360影片即時串流與直播應用新熱潮。 信驊科技360度全景影像處理晶片，採硬體電路方式實作影像拼接演算，讓消費性360相機毋須再透過PC後製，就可即時串流4K 360影片。 看好VR與360度全景攝影機發展前景，信驊自3年多前即開始積極布局，並藉由收購影像相關矽智財(IP)切入360度全景攝影機影像處理晶片市場，歷經2年多潛心研發，2018年成功以專利技術打造出首款以硬體電路方式實作拼接演算法的影像處理晶片Cupola360，為消費性360度全景攝影機實現4K即時影像拼接，帶來新的發展契機。 信驊科技產品開發部經理周辰威表示，今年台北國際電腦展(Computex)，信驊再乘勝追擊，不僅演算法更加精進，晶片規格也提升至可支援6顆500萬畫素鏡頭，讓影片解析度可達5.7K，相片解析度達8K(3,000萬畫素)，並且可支援RTMP/RTSP等即時串流協定，讓合作廠商更容易進行開發。同時，該公司也開發出基於雙鏡頭180度影像處理晶片的居家/公共監控系統；基於4鏡頭360度全景影像處理晶片的視訊會議系統；以及基於6顆鏡頭360度全景影像處理晶片的消費性360度攝影機，展示各種可能的應用情境。 周辰威指出，Cupola360是以硬體電路方式實現晶片內影像拼接，由於演算法設計獨到，因此只須使用一般規格的ARM架構處理器，即可達成即時360影片串流與直播，且同時兼顧效能與耗電量。他進一步強調，市面上360度全景攝影機就算用PC做拼接，一分鐘的影像轉成一分鐘拼接好的影片，至少要花四分鐘以上，而藉由Cupola360方案，能做到即時拼接，讓使用者拍攝完後就可上傳Youtube等平台，而毋須再透過PC轉檔處理。 值得一提的是，信驊Cupola360影像處理晶片，只需6顆鏡頭一般廣角鏡頭(120度)，即可實現4K全景影片串流直播，這意味著，全景攝影機製造商可以用相對便宜的廣角鏡頭來進行開發，而毋須用到魚眼鏡頭，因此整體成本也可以更有競爭力。 據悉，信驊在消費性360度全景攝影機方面，已有成功的合作案，並已開始貢獻營收，很多廠商都已緊鑼密鼓在開發產品，如台灣新創公司dp smart即採用Cupola360開發產品ROGY，並已在Kickstarter成功募資，預計2019年9月開始出貨。 周辰威透露，下一代晶片設計目標，是將即時拼接影像的解析度等級提升至8K，而不透過PC後製，同時增強人工智慧(AI)、防手震等功能；而為達此一目標，除將持續精進演算法外，也會從系統開發的每個環節進行優化。 另外，信驊也相當著力於產業生態的建立。周辰威指出，該公司不僅擁有硬體晶片方案，也提供完整APP行動應用軟體，讓開發商毋須自行投入人力研發，並希望藉此凝聚使用社群。未來，將致力協助客戶實現更多應用，以建立完整的360全景攝影應用生態體系，促進VR產業的蓬勃發展。

中國大陸目前投入人工智慧晶片的業者大致可分為三個類別，第一為既有晶片廠商發展人工智慧晶片，如華為海思於2018年推出自行研發的人工智慧晶片架構Da Vinci；第二種則為網路服務大廠投入研發人工智慧晶片，如中國大陸三大網路服務業者百度、阿里巴巴、騰訊皆針對人工智慧晶片有所布局，百度以合作及自主研發為主，2018年7月發布了自主研發的人工智慧晶片「昆侖」；而阿里巴巴在併購中天微、並大舉投資多家人工智慧晶片業者後，於2018年9月宣布成立半導體公司，投入人工智慧晶片的研發；騰訊在人工智慧晶片的布局雖不若百度、阿里巴巴積極，但亦投資比特大陸、Barefoot Networks等業者。 第三種則為人工智慧晶片新創業者，其創辦人有來自國家的研究院、頂尖大學的畢業生，或者是從網路服務業者離開後自行創業。雖然不像大廠擁有豐富資金，但卻具備技術基礎，因此多間新創業者成立後備受關注，憑藉技術優勢獲得大量的資金投資，成為人工智慧晶片領域的獨角獸，亦讓全球關注中國大陸在人工智慧晶片的發展動向。 華為三大產品線力攻AI市場 華為為中國大陸重要的通訊設備廠商，旗下的海思半導體亦為中國大陸重要IC設計廠商之一，產品包含手機、有線網路、無線網路、數位多媒體等IC應用領域。 目前華為海思與人工智慧晶片相關的主要有三個產品線，一個為整合寒武紀神經網路晶片IP的手機處理器Kirin系列，2017年華為海思與寒武紀合作，推出整合人工智慧加速器的手機處理器Kirin 970，2018年再度推出Kirin 980；第二個則為海思針對影像SoC推出的Hi 3599A，整合雙核心的NNIE運算引擎，用於物件分類與屬性辨識等功能；最後則是自主研發的人工智慧晶片架構「Da Vinci」，為華為2018年10月發布的人工智慧戰略的一環，華為的人工智慧戰略中除了晶片外，華為更將提供從晶片到應用的開發工具，透過更完善的開發支援，推動人工智慧在全場景的實現。 寒武紀主攻NPU 2016年於北京成立，為人工智慧晶片IP業者，創辦人陳天石及陳雲霽為中科院計算所研究員，2012年兩人與法國研究所教授合作人工智慧加速器研發項目DianNao，並以此為基礎在中科院計算所的支持下成立中科寒武紀科技(後簡稱寒武紀)，於成立同年推出深度神經網路處理器(NPU)1A，奠定了其在人工智慧晶片的發展基礎。 寒武紀在獲得了中科院的天使輪投資成立，而後在2016年8月pre-A輪募資時獲得了科大訊飛、元禾原點、湧鏵投資的投資。2017年8月的A輪投資除了上述的業者持續投資之外，再獲得了阿里巴巴、聯想、國科投資、中科圖靈等業者共1億美元的投資，成為人工智慧晶片領域的獨角獸企業，2018年6月再度進行B輪募資，強大的資金吸引能力讓寒武紀的發展受到關注。 地平線演算法/晶片並行 2015年於北京成立，為人工智慧晶片及演算法業者，目前在北京、南京、深圳、上海設有研發中心，創立之初團隊成員皆為互聯網的背景，創辦人余凱為前百度研究院執行院長，曾領導團隊進行多媒體技術、影像搜尋技術的開發，因此地平線機器人科技(後簡稱地平線)是以演算法結合晶片的角度出發，發展從晶片、演算法等一體整合的嵌入式方案供應商，提供的是「應用場景的平台」，而並非僅是硬體運算平台，希望透過自身的技術實力，協助系統整合商、設備廠商發展智慧化的解決方案，實現智慧城市、智慧零售、智慧駕駛等應用情境。 地平線在成立後三個月即完成了首輪融資，獲得了晨星資本、高瓴資本、紅杉資本、金沙江創投、線性資本、創新工廠以及真格基金等單位的投資；於2016年4月完成數千萬美元的Pre-A輪募資、2016年7月完成A輪募資、2017年10月完成A+輪的募資。 深鑒科技著力AI模型 2016年於北京成立，創辦團隊皆為北京清華大學出身，擁有深厚的技術基礎，不同於寒武紀以晶片IP、地平線以晶片整合演算法的解決方案，深鑒科技的核心技術為人工智慧模型壓縮、編譯器平台，透過深鑒科技的壓縮軟體、編譯器等開發工具，讓客戶的演算法經過優化後能在深鑒科技的DPU平台(FPGA)上運算。除了軟體開發工具之外，深鑒科技亦陸續發布視覺分析模組、人工智慧ASIC等產品。 深鑒科技成立之後亦獲得投資市場的關注，成立後獲得來自高榕資本、金沙江創投的天使輪投資，2017年5月獲得來自Xilinx、聯發科、清華控股、方和資本的A輪投資，同年7月獲得來自螞蟻金服、Samsung的A+輪投資，可以觀察到科技大廠Xilinx、聯發科、Samsung都曾投資深鑒科技，其發展備受關注。2018年7月深鑒科技被FPGA大廠Xilinx收購，收購後仍在其北京辦公室繼續營運，成為Xilinx大中華區的一部分。 視應用出發　AI晶片功能/規格大不同 華為海思、寒武紀、地平線機器人、深鑒科技雖然都被稱為人工智慧晶片的業者，也都各自發表了其晶片產品，但在產品型態上卻大不相同。華為海思將人工智慧晶片作為其人工智慧戰略的一環，提供從雲端到終端的人工智慧開發平台，晶片為其方案的一部分，透過服務或解決方案的形式向客戶銷售。 寒武紀以人工智慧晶片及IP為主，客戶為IC設計業者或是設備廠商，提供的是人工智慧的硬體運算平台，本身並不開發人工智慧的應用，因此其平台能夠廣泛通用於影像、語音辨識的應用，助力中國大陸人工智慧演算法的業者。 而地平線機器人以視覺應用為出發點，發展整合人工智慧演算法晶片的解決方案，其產品在晶片之外亦整合了影像辨識的演算法，透過自身訂製的晶片提升硬體平台的運算效能，而能以較低的功耗實現終端人工智慧應用，從解決方案的角度切入也讓其直接與垂直應用客戶進行合作。 深鑒科技的技術核心為演算法及編譯器，整合FPGA提供解決方案，演算法業者能利用深鑒科技的開發工具能將其模型優化，在深鑒科技的DPU平台(Xilinx FPGA)上實現運算，而後深鑒科技亦發展影像辨識的演算法，整合成解決方案拓展無人機、安全監控市場。 觀察四個業者的產品，除了華為海思因集團本身有手機產品，因此投入發展手機SoC之外，其他人工智慧晶片新創業者的產品以視覺應用為大宗。其中又以安全監控及自駕車應用為業者主要投入方向，包含地平線機器人以智慧城市(安全監控)、智慧零售、智慧駕駛為主要的應用，深鑒科技亦從無人機轉向往安全監控市場發展。 而業者皆投入安全監控應用的原因不外乎中國大陸有龐大的國內市場，終端設備廠商對於人臉辨識、車牌辨識等需求明確，吸引廠商投入。然而雖然大量的影像成為廠商練兵的基礎，但在城市監控、零售商業分析等不同的應用目的下，在環境、須要辨識的項目亦會有所不同，然而觀察目前廠商所提出來的功能大同小異，其所提出來的解決方案是否真的能符合終端應用的需求仍有待觀察。 不論是寒武紀、地平線機器人或是深鑒科技，在成立之初即募得了大量的資金，讓中國大陸的人工智慧晶片業者備受關注。然而在產品發布之後，後續在產品的推廣上仍備受挑戰，包含寒武紀未來和華為合作關係不明、深鑒科技一開始在無人機的客戶推廣上亦不順利，促使兩者轉往其他的應用發展，寒武紀開始拓展伺服器市場、深鑒科技在被併購前也轉往安全監控市場發展。 觀察目前主要人工智慧應用的產品，包含手機、攝影機、伺服器等，這些終端設備的廠商亦自行投入資源研發人工智慧晶片，如華為發布了自己的人工智慧晶片架構；網路服務廠商百度、阿里巴巴、騰訊也都有各自的晶片研發計畫；攝影機業者海康威視、浙江大華也投入晶片的研發，新創業者如何在前有設備業者的挑戰、後有晶片業者的競爭下生存，未來發展性仍有待觀察。 (本文作者為資策會MIC產業分析師)

圖1　人工智慧的第三波熱潮。 資料來源：http://www.technologystories.org/ai-evolution/ 人工智慧的運用分成兩個階段，一是學習訓練階段，二是推論(或稱推算、推理)階段，此與應用程式相類似，程式開發階段即為學習訓練階段，程式正式上線執行運作則為推論階段。開發即是船艦在船塢內打造或維修，執行則為船艦出海航行作業執勤(圖2)。 圖2　人工智慧訓練與推論的差別。 資料來源：https://blogs.nvidia.com/blog/2016/08/22/difference-deep-learning-training-inference-ai/ 訓練與推論階段對運算的要求有所不同，訓練階段需要大量繁複的運算，且為了讓人工智慧模型獲得更佳的參數調整數據，運算的精準細膩度較高，而推論階段則相反，模型已經訓練完成，不再需要龐大運算量，且為了儘快獲得推論結果，允許以較低的精度運算。 例如一個貓臉辨識應用，訓練階段要先提供成千上萬張各種帶有貓臉的照片來訓練，並從中抓出各種細膩辨識特點，但真正設置在前端負責辨識來者是否為貓的推論運算，只是辨識單張臉，運算量小，且可能已簡化特徵，只要簡單快速運算即可得到結果(是貓或不是)。 推論專用晶片需求顯現 對於人工智慧的訓練、推論運算，近年來已普遍使用CPU之外的晶片來加速，例如GPGPU、FPGA、ASIC等，特別是GPGPU為多，原因在於GPGPU的高階軟體生態較為完備、可支援多種人工智慧框架(Framework)，相對的FPGA需要熟悉低階硬體電路者方能開發，而ASIC通常只針對限定的軟體或框架最佳化(表1)。雖然FPGA與ASIC較有難度與限制，但仍有科技大廠願意投入，如Microsoft即主張用FPGA執行人工智慧運算，Google則針對TensorFlow人工智慧框架開發ASIC，即Cloud TPU晶片。 人工智慧模型的開發(訓練)與執行(推論)過往多使用同一晶片，用該晶片執行訓練運算後也用該晶片執行推論運算。但近1、2年來隨著訓練成果逐漸增多，成熟的人工智慧模型逐漸普及，以相同晶片負責推論運算的缺點逐漸浮現。以GPGPU而言，晶片內具備大量的平行運算單元是針對遊戲繪圖、專業繪圖或高效能運算而設計，可運算32、64位元浮點數，這在人工智慧模型訓練階段亦適用，但到推論階段，可能只需16位元浮點、16位元整數、8位元整數等運算即可求出推論結果，甚至是4位元整數便足夠。如此過往的高精度大量平行運算單元便大材小用，電路與功耗均有所浪費，所以需要人工智慧的推論專用處理晶片。 半導體廠紛發展推論晶片 推論晶片的需求在人工智慧重新倡議後的2年開始浮現，但在此之前已有若干產品，如2014年Google對外揭露的探戈專案(Project Tango)即使用Movidius公司的Myriad晶片(圖3)。 圖3　Intel Movidius Myriad X晶片 資料來源：Intel Movidius之後於2016年推出Myriad 2晶片，同樣也在2016年，Intel購併Movidius取得Myriad 1/2系列晶片，並接續推出Myriad X晶片。Google除探戈專案外其他硬體也採用Intel/Movidius晶片，如2017年的Google Clips人工智慧攝影機、2018年Google AIY Vision人工智慧視覺應用開發套件等。 不過真正受業界矚目的仍在2018年，包含NVIDIA推出T4晶片(嚴格而論是已帶晶片的加速介面卡)(圖4)、Google推出Edge TPU晶片(圖5)，以及Amazon Web Services在2018年11月宣告將在2019年推出Inferentia晶片，均為推論型晶片。 圖4　NVIDIA展示T4介面卡 資料來源：NVIDIA 圖5　Google Edge TPU小於一美分銅板。 圖片來源：Google 另外，臉書(Facebook)也已經意識到各形各色的推論型晶片將會在未來幾年內紛紛出籠，為了避免硬體的多元分歧使軟體支援困難，因此提出Glow編譯器構想，期望各人工智慧晶片商能一致支援該編譯標準，目前Intel、Cadence、Marvell、Qualcomm、Esperanto Technologies(人工智慧晶片新創業者)均表態支持。 與此同時，臉書也坦承開發自有人工智慧晶片中，並且將與Intel技術合作；目前臉書技術高層已經表示其晶片與Google TPU不相同，但是無法透露更多相關的技術細節。而Intel除了在2016年購併Movidius之外，在同一年也購併了另一家人工智慧技術業者Nervana System，Intel也將以Nervana的技術發展推論晶片。 推論晶片不單大廠受吸引投入新創業者也一樣積極，Habana Labs在2018年9月對特定客戶提供其推論晶片HL-1000的工程樣品，後續將以該晶片為基礎產製PCIe介面的推論加速卡，代號Goya。Habana Labs宣稱HL-1000是目前業界最快速的推論晶片(圖6)。 圖6　Habana Labs除推出HL-1000推論晶片Goya外也推出訓練晶片Gaudi。 資料來源：https://www.convergedigest.com/2018/09/interview-habana-labs-targets-ai.html 雲端機房/快速反應　推論晶片可分兩種取向 透過前述可了解諸多業者均已投入發展推論晶片，然嚴格而論推論晶片可分成兩種取向，一是追求更佳的雲端機房效率，另一是更快速即時反應。前者是將推論晶片安置於雲端機房，以全職專精方式執行推論運算，與訓練、推論雙用型的晶片相比，更省機房空間、電能與成本，如NVIDIA T4。 後者則是將推論晶片設置於現場，例如配置於物聯網閘道器、門禁攝影機內、車用電腦上，進行即時的影像物件辨識，如Intel...

人工智慧(AI)已逐漸走入大眾生活。AI應用正逐漸滲透到各種領域，例如農漁業、金融、工業還有各式消費性電子產品中。 AI結合物聯網(IoT)時代已然到來，然而AI應用種類各異，各有千秋，不同的應用領域要求的AI技術也不盡相同。為了搶攻龐大的AIoT商機，並實現各種AI創新應用，各大AI晶片供應商不僅持續提供可實現高效運算的解決方案，同時也朝更靈活、彈性的架構發展。 滿足多元應用　AI晶片朝靈活架構發展 AI快速成長，生活智慧化的變遷顯而易見，而要如何在變化多端AI市場中搶占商機。面對AI的迅速發展，未來已不能倚靠單一架構滿足所有應用需求；在傳統的硬體設計方式及設計週期漸漸趕不上AI演算法的推陳出新之時，靈活、彈性的平台架構便應運而生，以滿足AI應用需求。 AI應用推陳出新　賽靈思力轉靈活彈性平台 賽靈思(Xilinx)大中華區業務副總裁唐曉蕾表示，AI應用相當多樣化，且屬性多不相同。也因此，在資料、記憶體結構、效能和精度上等方面都會出現客製化需求。以精度為例，有些應用需要99%甚至是99.9999%的精度，但有些應用則需97%的精度便已足夠。然而，97%和99%的精度雖然只差2%，但在運算資源需求上卻有著相當大的差異，因為要提升精度，須花費相當大的人力、物力和時間。也因此，在AI應用朝多元發展的態勢之下，為使運算時間、資源更有效率，應用業者不再只朝「最好」、「最強」發展，而是朝「最適合」，客製化需求由此而來，也因此，需要更彈性、靈活的設計平台。 賽靈思全球人工智慧市場資深技術專家張帆也指出，AI商業應用迅速增加，資料量以指數型成長，現有的運算架構已不敷使用。另外，由於各式AI創新應用不斷展露，也因此AI相關的訓練與推論呈現百花齊放的狀況，可說平均兩個星期到一個月就有一個全新的演算法提出，因此，更需要新一代具高效能、且彈性靈活的架構來因應此一狀況，滿足AI演算法和應用。 為此，賽靈思便積極轉型，將自身定位成靈活、彈性的系統平台供應及服務業者，而不再只是單純的可編程技術/硬體供應商，例如之前所發布的Versal ACAP平台便是其中一個例子。 賽靈思工業、視覺、醫療與科學市場總監Chetan Khona(圖1)說明，Versal ACAP結合許多創新成果，讓軟體開發者、資料科學家及硬體開發者都能自行加以編程與最佳化，以跟上AI的快速演進；且能讓開發者創建專用領域架構(DSA)，在不使用新晶片的狀況下就能自行著手開發客製化演算法。 圖1　賽靈思工業、視覺、醫療與科學市場總監Chetan Khona說明，AI晶片開發商未來面臨的挑戰為適應AI創新速度。 Khona認為，網路邊緣的AI需要在效能、功耗及售價等因素之間取得理想的平衡點；而該公司的Edge AI解決方案能透過先進的量化以及剪枝(Pruning)技術克服此一挑戰。將網路量化為INT8與更低的單元，再搭靈活應變的架構，能讓系統層級效能提高約2倍，或發展出更具競爭力的技術；而剪枝技術則能將網路最佳化，在不犧牲精準度下達到更理想的效能、延遲、能源效率以及成本。 CEVA確保硬體/軟體編程彈性 CEVA客戶行銷及AI策略資深總監Yair Siegel(圖2)則表示，當今的AI應用市場相當分散，沒有一種設備可以滿足所有需求。不過，雖然說各種產品和應用對處理器性能要求都不盡相同，但相似之處皆在於希望能夠利用演算法上的簡單更新，來因應市場變化。所以AI解決方案要保持一定的靈活性，且還須要關注軟體的可編程性，才能使AI產品從研究、設計時期就能平穩地進入量產階段。 圖2　CEVA客戶行銷及AI策略資深總監Yair Siegel表示，2019年將開始看到更多帶有AI功能的攝影機出現。 因此，AI處理器的研究重點在於，演算法精確度與侷限於電池及成本因素的硬體最佳化。換言之，便是能否僅利用設備電池的小量電量，在有限的硬體區塊上執行最新技術。 Siegel指出，為此，CEVA備有用於邊緣深度學習的專用低功耗AI處理器「NeuPro」，可實現高效的硬體加速性能，同時仍保持可編程解決方案的靈活性，且憑藉軟體即可輕鬆升級，以滿足廣泛的終端市場需求，包括物聯網、智慧手機、監控、汽車、機器人、醫療和工業等。除此之外，CEVA還與演算法開發人員合作，讓後者專注於針對網路最佳化，利用設備本身來進行處理。期能讓設備製造商獲得性能更佳的硬體，且還可以快速、多次進行軟體更新。 Siegel透露，簡而言之，該公司的AI解決方案可實現相應的調整，採用全面性的解決方法，不僅能為不同的案例提供可擴展性，並能提供工具和函數庫的自動化以縮短開發時程，同時也兼顧靈活性和效率。 高效晶片仍占一席之地 上述提到，AI應用多元，驅使邊緣運算需求與日俱增，應用開發商與半導體業者皆積極將深度學習或機器學習導入前端設備，希望使前端裝置也有人工智慧的能力；而要滿足多樣化的AI產品，除了靈活多變的架構外，高效的運算也是不可或缺。 英特爾齊備邊緣運算方案 英特爾(Intel)業務暨行銷事業群商用業務總監Alex Cheng(圖3)表示，AI+AIoT是目前相當熱門的話題。在AI興起之後，前幾年產業多是發展「AI Training」；然而，當模型Training好之後，下一步便是導入實際應用，而IoT裝置即是個很好的應用目標，像是監控攝影機、視覺檢測裝置等，都已陸續引進AI。也因此，AI+IoT必將是日後的發展方向，同時也具備很大的潛在商機，成為兵家必爭之地，為此，英特爾也積極布局，備有各式解決方案。 圖3　英特爾業務暨行銷事業群商用業務總監Alex Cheng認為，AIoT已成為各大晶片商兵家必爭之地。 例如不久前所發布的全新視覺加速器設計產品(Intel Vision Accelerator Design Products)，強化邊緣裝置AI推論與分析能力。此一解決方案包含Intel Movidius視覺處理器與Intel Arria 10 FPGA，皆以OpenVINO軟體工具套件為基礎，提供開發者在多種Intel產品中使用進階的神經網路效能，在物聯網裝置中運行更具成本效益的即時影像分析和智慧化功能。 英特爾指出，用此一視覺解決方案的企業，不論是在資料中心、現場部署伺服器或於邊緣裝置內採用深度學習人工智慧應用，深度學習推論加速器皆可擴充至其需求程度。 除此之外，為更進一步擴展AI終端市場，英特爾近期也再度推出用於智慧邊緣的高密度系統單晶片處理器「Intel Xeon D-1600」。此一處理器是高度整合的系統單晶片(SoC)處理器，專為功耗和空間有限的密集環境而設計，其結合內建的Intel QuickAssist技術和Intel虛擬化技術，可為虛擬化網路功能(VNF)，控制平面和中階儲存解決方案提供更上一層樓的工作負載優化效能和硬體增強安全優勢。Intel Xeon D-1600處理器最多可支援8個核心。 添加DSP指令集　RISC-V處理器效能大增 搶攻AIoT市場，晶心科技則是推出其32位元A25MP和64位元AX25MP...

根據國際研究調查機構IDC預測，2019年全球物聯網(IoT)衍生的商機逼近1兆美元，其中，扮演關鍵角色的是人工智慧(AI)結合IoT所形成的AIoT新趨勢。2015~2017年，全球物聯網市場規模年均複合成長率為3.8%，但隨著AI興起，2017~2020年，估計全球物聯網商機每年將有24.2%的成長幅度，2019年市值逼近1兆美元，2020年則上看1.29兆美元。 AIoT商機蓬勃發展，加上AI技術逐漸成熟及相關應用服務持續興起，各大AI晶片國際大廠除了持續布局雲端運算之外，也致力發展AI邊緣運算，以實現智慧音箱、無人機、機器人、AR/VR與智慧監控等新興應用；AI邊緣運算晶片也因而開始走向分眾專用化，同時其架構也變得更加彈性、靈活，如此一來才可以滿足多元、少量多樣的AI應用市場。 應用場景陸續浮現　AI視覺占大宗 AI應用快速發展，賽靈思(Xilinx)工業、視覺、醫療與科學市場總監Chetan Khona表示，2019年人工智慧將會加速往邊緣(類比/數位邊界)應用轉移，讓AI能廣泛運用在各種低延遲且安全關鍵(Safety Critical)的應用。 CEVA客戶行銷及AI策略資深總監Yair Siegel則指出，AI結合視覺將會是2019年的主要應用。在2019年，可期待開始看到更多帶有AI功能的攝影機出現，它們的主要功能在於物體偵測和辨識，以降低當今產品的錯誤警報，並減少發送到雲端處理的數據(僅發送事件數據，不必發送所有數據)。 Siegel說明，這類應用的主要推動力是現有的產品逐步增進改良，例如門鈴攝影機、安全攝影機、邊境巡邏攝影機等產品，只要為它們增添更多一點智慧功能，就能在機器本身實現(On-device)偵測，提升設備的反應速度(在設備本身進行近端分析)，從而發送較少的數據到雲端處理，或是改善錯誤警報的情況；而此一改變也可提升用戶體驗。 Siegel補充，臉部偵測和辨識由於受限於設備的處理能力，現今還有很多設備仍然是透過雲端處理或以NVR執行。OEM廠商因為成本和工作量方面的考量，升級硬體SoC對他們而言是一項挑戰。因此，只要更低成本的SoC出現，能協助他們以非常低的額外成本來實現更多的AI功能，這類型的應用很快就會發展起來。 資策會產業情報研究所(MIC)創新應用暨智慧服務研究中心資深產業分析師韓揚銘(圖1)則說明，在語音助理逐漸被消費者接受之後，已慢慢成為智慧家庭中樞，進而提升消費者對IoT+AI的使用體驗。如今，AI漸漸擴大至其他家電產品，像是冰箱、烤箱等，而除了消費者所熟悉的語音之外，也陸續有影像辨識方案，像是掃地機器人已開始搭載影像感測器，提升其對家庭環境的辨識能力，使其在清掃過程中不再遇到家具或是死角就「卡卡的」。 圖1　資策會MIC創新應用暨智慧服務研究中心資深產業分析師韓揚銘表示，在語音助理逐漸普及之後，AI應用開始朝向視覺化發展。 總結來說，AI在視覺相關的應用於2019年將持續成長。Khona認為，視覺應用加入AI後不僅能同時處理多部攝影機的輸入資料，還具備將其智慧化的功能。此外，2019年也將出現更多非視覺的AI應用，非視覺感測器產生的資料與視覺感測器的資料比例將逐漸走向40比60，不過目前的視覺感測器(如監控攝影機)仍然是資料的主要產生來源。 應用分眾化　AI晶片朝專用領域架構發展 AI應用如雨後春筍般冒出，邊緣運算的趨勢顯而易見，晶心科技總經理林志明(圖2)透露，AI+IoT兩者結合已是必然，且陸陸續續有許多應用已經實現，小從家庭生活中的智慧音箱、智慧家電、掃地機器人、門禁監控；大至無人機、自動駕駛車輛等，都是AIoT的概念，而這些應用都有著邊緣運算的概念。 圖2　晶心科技總經理林志明認為，AI+IoT已是大勢所趨，RISC-V需求也因而增加。 韓揚銘表示，硬體、軟體技術日新月異，在軟硬體效能持續提升之下，AI功能越來越容易在終端產品上實現；也因此，對於想要創造新應用，做出差異化的業者而言，會開始想方設法的將AI整合至現有和未來的系統與產品上。所以，AI的應用場景越來越分眾。 而AI分眾化的趨勢，也連帶影響運算晶片的發展。對此，工研院IEK曾指出，邊緣端運算晶片的發展將走向分眾專用化，未來不論是智慧音箱、無人機、機器人、AR/VR、智慧監控等新興應用，都將走向分眾專用晶片。例如在智慧手機市場，蘋果(Apple)所發表的A11 Bionic晶片、海思半導體的麒麟970晶片，三星及聯發科也預計推出相關Neural Engine SoC。 簡而言之，AI分眾化已然成為不可逆的趨勢，而AI晶片設計也有所變化，不再如過往一直探究的，究竟是CPU、GPU、FPGA或是ASIC哪種晶片適合AI應用，因應各種不同的應用場景，AI晶片的設計開始走向了所謂「領域專用架構(Domain Specific Architecture, DSA)」的概念。 DSA意指針對特定領域的需求屬性，打造客製化的運算架構。此一概念是由圖靈獎(Turing Award)得主John Hennessy與David Patterson提出。在摩爾定律(Moore's Law)逐漸面臨瓶頸的情況下，通用型處理器未來的效能發展，勢必會面臨困境。僅依靠製程的演進，越來越難大幅強化晶片的性能、功耗或面積。而未來晶片業者要如何提出效能更強的產品？John Hennessy與David Patterson認為要從架構上著手，而DSA將成為未來發展機會最大的方向。 例如RISC-V便是基於DSA概念而生，其發展在AI的推波助瀾之下持續攀升。林志明表示，RISC-V開放架構可以讓IC設計業者依照需要，進行「深入淺出」的設計。若要實現較複雜的應用，可以增加特用指令集，設計性能較高的模組；當然，也可以憑藉原有的指令集因應較為簡易的應用。簡單來說，RISC-V具備靈活、開放的特性，可讓設計者依照自身的需求，針對消費電子、IoT、工業、影像監控等應用，推出具AI運算的CPU；對於想要開發專有領域架構用CPU的廠商而言，也能縮短開發時程，並降低授權所需成本。 林志明透露，RISC-V的成長與AI息息相關，該公司旗下的RISC-V授權案件數也高速成長，包含中國、台灣等亞太市場及美國市場均廣為採用。從2018年到現在，RISC-V授權合約大約有30件，其中AI相關應用的案子約有13、14件(像是語音辨識、人臉辨識等)，將近一半的比例。由此可見，在過去幾年IC設計業者認為，即便無法像NVIDIA或其他大廠成為AI領先者，但也會盡量將些許的AI技術融入到原本的應用之中，RISC-V需求因而明顯上揚。 靈活/多變架構隨之興起 另外像FPGA供應商賽靈思，也在這波AI分眾化的浪潮中積極轉型，致力於提供更靈活、開放的平台，從原本的元件供應商轉變成平台化解決方案開發與供應商。 賽靈思總裁暨執行長Victor Peng也曾於2018年的北京開發者大會上表示，AI應用和AI模型的使用數量成長的速度非常快，未來已經沒有一個架構可以滿足所有的應用需求；為此，該公司積極轉型，朝靈活、彈性的平台架構發展，並提出自行調適運算加速平台(Adaptive Compute Acceleration Platform, ACAP)，運用FPGA彈性的特點滿足AI創新需求，期能打造靈活應變、萬物智慧的世界。 Khona則認為，AI晶片開發商未來面臨的主要難題在於適應AI領域的創新速度。業界於過去三年間累積可觀的創新成果，進步幅度超越之前五年的總和，而這五年間的進展更超過之前40年。由此能觀察出創新持續加速，但晶片的研發卻是個費時且耗費可觀資源的任務；因此，賽靈思藉由提供靈活應變的架構來解決此一挑戰。 韓揚銘進一步補充，簡單來說，現今AI晶片的規格發展主要由應用驅動。終端應用業者會依照自身應用場景開出所需的晶片規格。例如，目前智慧手機幾乎都有美肌功能，但要「美到何種程度」，各大手機製造商標準大不相同，因此對所需晶片的運算效能、規格也不一樣。所以，終端業者在AI晶片的選擇上，開始朝向「適合、適用」，而非一定要「最好、最強」。 總結來說，AI應用已朝分眾化發展，其晶片設計也不能依循過往思維，也就是一顆晶片適用所有應用場景的方式進行。AI處理器需保有彈性、靈活性與開放性架構，以滿足不同應用場景與終端產品；而處理器開發商跟軟體業者必須針對其鎖定的應用發展出最佳化的架構。 讓大眾買單AI　結合領域知識為當務之急 上述提到，AI應用開始走向多元化，各式創新應用逐漸興起，對於晶片設計製造商而言，除了要保持其產品靈活性、開放性之外，尋求各式合作夥伴，獲取更多領域知識(Domain Know-how)也成當務之急。 林志明說明，AI應用領域繁多，像是漁業、農業、金融、照護等。然而，要打造出符合市場需求的產品，硬體、軟體的技術發展固然重要，但同時也需這些應用領域的Domain Know-how協助，才能將獲得的資訊、數據資料發揮最大效用，研發出符合應用市場的產品/解決方案。晶片製造商或系統業者若只懂AI技術，沒有結合領域知識，自然無法讓所收集到的數據產生意義，也解決不了客戶的問題，其所設計、研發的產品當然沒辦法獲得市場青睞。 韓揚銘也認為，終端設備製造商導入AI不外乎是想做出市場差異化和提升消費者使用體驗。不過，現在販售AI產品，不能一昧強調其具有的「AI功能」，而是要結合「使用場景」。每個消費者的購買需求是很難用言語去描述的，與其不斷強調AI功能，不如從使用場景著手，好讓消費者感受到這是他們真正「會有需求」的產品或是應用，增加購買意願。 資策會MIC資訊電子產業研究中心資深產業分析師兼產品經理葉貞秀(圖3)則指出，不論是軟體業者、硬體供應商，或是新創廠商，都開始嘗試將AI結合各種不同的應用領域中。然而，這些業者無可避免的都會遇到系統、元件和應用場景該如何結合的挑戰，因為AI應用情景不斷推陳出新，且需求各不相同。可能不再像以往寫個程式，挑選通用的硬體元件(MCU、DSP等)，簡單整合後就能滿足多數應用。因此，對於想要發展AI的業者而言，需找許多合作夥伴，經過不斷的溝通後，才可將產品AI化，提供客戶加值概念。 圖3　資策會MIC資深產業分析師兼產品經理葉貞秀說明，應用情景不斷推陳出新，系統/晶片業者需更多合作。 總歸來說，終端設備業者和系統業者開始將AI整合至旗下產品之中。然而，要實現AI應用，並非軟硬體技術齊備就行，結合領域知識也是其中一項關鍵，要想辦法「挖出」各領域的Domain Know-how，將這些知識收攏到AI科技當中，才不至於打造出「知其然，不知其所以然」的AI解決方案。 AI分眾態勢成台灣IC設計產業新契機 AI熱潮發展席捲全球，在AI應用呈現分散化的時代，台灣該如何搶搭此波AI浪潮？對此，資策會MIC副所長洪春暉指出，建議產業以點、線、面的方式進行布局，發展AI首重「資料」，而台灣科技產業聚落密集的特性正是台灣發展AI的優勢，應建立涵蓋不同領域的高品質、標籤化資料聚落，加速產業內人才、技術與資金流動。另外，可以運用「平台」或「開題解題」方式，匯集不同技術利基的成果，並以解決方案產品發展為目標，避免研發成果停留在實驗室或專案化階段。 葉貞秀則表示，AI已經擴散至消費性產品，包括家電、家用物聯網產品、通訊產品等，而未來的AI消費產品，必須聽得懂人類更複雜的語言與語意、看得懂更複雜的影像辨識，最後還要會判斷人類提出的需求。為此，AI晶片的規格也隨著各種應用不斷推陳出新，「異質多核架構(Heterogeneous...

隨著聯網裝置與數位服務的爆炸性成長產生了巨量的資料傳輸需求，如自駕車、機器人，皆有大量的、低時間延遲的、不失真的高速傳輸需求，因此帶動了第五代行動通訊系統(5G)快速的成長，而以相位陣列技術組成之巨量天線即是達成上述需求的關鍵。但在毫米波段，5G巨量天線之相位陣列系統設計上將面臨兩個主要問題： 其一，為增加波束整合天線的隔離度以及避免柵波瓣(Grating Lobe)問題，天線之間需有一定的空間距離(如40GHz需要0.375cm的距離，3.5GHz需要4.3cm的距離)。在相同空間下選用越高的頻率，擺放的天線數量越多(以長寬皆為20cm的範圍為例：毫米波段40GHz可放約2,900根天線；3.5GHz可放約25根天線)，連帶相同面積下主被動元件需求量劇增，在毫米波段下單一天線射頻單元容許之置放空間將極為狹小。 其二，儘管可以透過波束成形(Beamforming)將電磁波能量集中在特定方向，增加訊號發射強度，有效降低訊號在高頻傳輸損耗過大的影響(可讓訊號傳更遠)，然而波束成形技術使用的天線數量與波束整合的角度成反比，在相同的傳輸距離之下(即相同的輸出功率)，使用的天線越多則目標因為波束整合的角度越小而不容易被搜索。 因此，必須提高功率放大器的線性功率來緩解此問題，使得相位陣列的天線數量可以被減少而增加波束整合的角度。綜合上述兩個議題，設計一個高線性功率、高效率及面積精簡符合5G的功率放大器是不可或缺的。 為設計能符合5G毫米波段之巨量相位陣列需求之功率放大器，其高線性功率、高整合度等特性是必要的。如圖1為5G天線射頻單元之前端高整合度IC架構示意圖，包含功率放大器、低雜訊放大器、開關及相移器等元件。 圖1　天線單位元5G 高整合積體電路示意圖 解決訊號失真　線性化技術持續精進 為了使頻譜有效地被使用，使用較為複雜的數位調變機制是必要的。然而，複雜的數位調變機制伴隨著較高的波峰及平均值比(Peak to Average Power Ratio, PAPR)，這會造成訊號經過高功率放大器後扭曲失真，使訊號不容易被解調。為了解決訊號失真問題，各種線性化技術如下： ．自動偏壓調整式(Adaptive Bias) 將功率放大器操作在中低功率區來維持訊號的正確性，稱為功率退回(Power Back-off, PBO)。以文獻、為例，儘管它們有著傑出的最大輸出功率，但是功率退回後之最大效率與最大輸出功率下的效率有著很大的落差。自動偏壓調整式功率放大器可以改善功率退回後，功率放大器效率不佳的情況，其機制為低功率操作時將電路偏壓在AB類放大器，可以降低靜態電流並且降低功耗，當操作功率增加時，可以調整偏壓至A類放大器使功率放大器正常操作，因此，這個技術可以增加功率放大器的整體效率。 ．訊號前授(Feed-forward) 訊號前授的技術主要是將訊號分成主路徑及副路徑，主路徑為訊號主要操作的路徑，副路徑則是用來消除主路徑的非線性訊號，像是三階交互調變項來增加線性度。適當的調整副路徑的相位即可有效消除三階交互調變訊號以增加線性度。以文獻為例，能有效消除三階交互調變失真藉由輸入反射訊號來當作副路徑的前授訊號。 ．預失真技術(Pre-distortion) 預失真技術能補償功率放大器之增益壓縮(Gain Compression)特性，使最大輸出功率提升進而提升效率及線性度。然而，預失真線性化技術實現上較為複雜，容易受製程、偏壓以及溫度(PVT)變異的影響而使特性不如預期。同時因為需占用較大面積，運用在5G毫米波相位陣列中相對困難。 ．相位補償(Amplitude Margin to Phase Margin Compensation) 為了符合面積及高線性輸出功率需求，相位補償技術是一個有效增加線性輸出功率的方法。文獻利用P-type電晶體相位增加的特性來補償N-type電晶體相位壓縮的問題，達到相位補償以增加線性輸出功率，此技術具低複雜度與占用面積小之優勢。因此，適用於高線性功率、高效率及面積精簡的5G功率放大器。 砷化鎵製程之相位補償技術 採用砷化鎵(Gallium Arsenide, GaAs)製程優點為崩潰電壓高(高電壓擺幅)及基板損耗小，有利於高功率放大器的設計。然而砷化鎵製程僅有N-type的高電子遷移率電晶體，所以上述的線性化補償技術並不適合於此製程。有鑑於此，工研院資通所提出一個適用砷化鎵製程的相位補償技術，可用於毫米波頻段的高功率放大器。 一般而言，相位失真源自於電晶體的閘極至源極的寄生電容Cgs，隨著功率放大器輸入訊號增加，會使寄生電容產生變化。當高頻訊號路徑上的電容產生變化，會使輸出訊號產生相位差異，進而導致輸入調變訊號時，輸出訊號的誤差向量幅度(Error Vector Magnitude, EVM)會隨之增加，造成解調訊號失真。 為了緩解此問題，工研院資通所團隊提出使用反向變化的電容元件來補償此寄生電容效應。圖2模擬砷化鎵製程電晶體操作在截止區(VGS偏壓<-1.5V)時，寄生電容Cgs隨輸入功率增加呈現反向的電容性變化，可用來補償操作在飽和區(VGS偏壓=-0.5V)的功率電晶體。又5G由圖3可觀察到電晶體尺寸變化時，寄生電容Cgs之變化與電晶體尺寸大小呈正比。因此適當調整砷化鎵製程電晶體尺寸及工作偏壓，其相位差異可以被補償進而改善EVM。 圖2　砷化鎵製程電晶體在偏壓(VGS)從-0.5變化至-2V時，寄生電容Cgs隨輸入功率的變化(電晶體尺寸為μm)。 圖3　砷化鎵製程電晶體尺寸從μm變大至μm時，寄生電容Cgs隨輸入功率的變化。 工研院資通所團隊已成功製作一示範晶片(圖4)，面積為0.7×1.2mm2，其中包含所有的電路測試接點。圖5為此晶片經電腦模擬與實際量測的小訊號參數比較圖，量測到的小訊號增益在40GHz頻率下為15.7dB。 圖6為此晶片之大訊號功率特性圖，量測到之OP1dB及PAE參數分別為17.5dBm及17%。圖7顯示在OFDM 64-QAM500 MHz的調變訊號測試下，EVM小於-25dBc之高線性度測試條件下，此晶片具有13.7dBm的最大輸出功率及7.4%之功率轉換效率。 圖4　實現之砷化鎵晶片圖 圖5　量測之小訊號參數 圖6　量測之大訊號功率特性 圖7　OFDM...

儘管GaN與GaAs的競爭趨於白熱化，但GaN仍在SWaP-C需求(尺寸、重量、功率、成本)日漸嚴苛的局面下持續勝出，在寬頻和窄頻應用的全頻譜範圍內都是如此。 隨著功率與頻率不斷提高，GaN明顯從眾多競爭技術當中脫穎而出。以X頻段為基準，通訊晶片業者的目標是在輸出功率、增益、功率增進效率上實現卓越效能，同時運用其專為商業、軍事用途雷達和通訊系統、電子作戰等應用所設計的功率放大器產品組合，將產品尺寸縮到最小。圖1顯示這些應用支援的功率等級範圍。 圖1　支援的功率等級 GaN提升設計彈性和效益 GaAs在X頻段功率的基準測試達到25W，具備多級增益和30%左右的功率增進效率，較低功率的選項則可達到40%的效率。達到此效能的條件為改採高電壓pHEMT技術，在最高15V的汲極電壓下作業。這項技術關聯的功率密度略高於1W/mm。雖然優於標準的0.25μm pHEMT技術，卻未如預期帶動系統設計的改變。 但GaN的確帶來了變化和更多選項，讓系統設計人員能靈活達到新一代的效能、縮小外型尺寸，或同時實現這些優點。這項技術一開始將重點放在縮小外型尺寸，同時維持或提高功率效能。但在X頻段市場轉移至GaN後，使用者開始注意到它的效率並未優於先前的GaAs解決方案。雖然這並非GaN技術的缺點，而是產品本身的開發重點所導致。若以高功率和最小尺寸為目標，勢必無法達到最佳效率。表1比較使用GaAs和GaN的基準X頻段功率放大器。 如表1所示，在特定的功率等級下，PAE大致上不變，GaN稍微勝出。不過，選用GaN的解決方案尺寸縮小大約70%。能縮小如此高比例的尺寸，是因GaN擁有更高的功率密度，加上更好的熱管理能力。因為GaN在接面(Tj)溫度提高時，具有較佳的可靠度。GaAs在1E6 MTTF下的Tj基準測試為150℃，GaN的溫度結果則延伸到200℃。這能為系統設計帶來更多彈性和成本效益，是舊型GaAs解決方案無法達到的水準。 GaN有效縮小晶片面積 另一項市場趨勢則是改變高功率放大器的封裝，從大尺寸凸緣式封裝轉為表面黏著技術(SMT)。對大尺寸的GaAs放大器來說，這項轉型的難度更高。晶片尺寸變大，會導致熱膨脹係數(CTE)不匹配敏感度、出現孔洞及其他機械耐用度等問題，從而提高品質風險。使用GaN則能縮小晶片面積，進而改用尺寸較小的SMT封裝，因此更能支援高功率。但是，將更高的功率密度納入更小的尺寸中，會大幅提高散熱系統所需管理的熱通量，連帶影響系統層級的熱管理效能。 因此，在X頻段效率大致不變的情況下，為了實現目標效能，系統層級的熱設計變得越來越重要。在不同的程度上，氣冷和水冷系統搭配各種專有技術，都能有效達到上述效果。更加瞭解系統設計的限制後，還必須調整元件開發的重心，才能滿足系統需求。 降低汲極電壓，或調整放大器設計的效率負載目標，都可以逐漸改善PAE。不幸的是，這會減損功率密度的效益，有違GaN的開發宗旨。依此方向發展，終將提高晶片尺寸，並進而減弱GaN所帶來的優勢。降低汲極電壓，也可能因I2R耗損提高而使系統效率下降，但這卻可能是最好的妥協方案。 藉由降低汲極電壓，放大器設計人員可以設定更高的效率負載目標。為了滿足目標的功率等級，將需要更多FET周緣，因而加大晶片尺寸。加大晶片尺寸以達到特定功率等級，將可減少散熱系統需要管理的熱通量，但缺點是會增加元件尺寸和成本。為了更有效管理系統熱負載並達成預期的射頻效能，顯然放大器開發人員需要在輸出功率、PAE和外型尺寸間找出適當平衡。牽涉到的設計因素則因應用的頻率及頻寬，以及目標輸出功率而有所不同。 不只是X頻段的問題，當系統開發人員更深入瞭解其設計限制時，為了在整個頻譜內達成系統效能與成本目標，元件效率對於功率和增益規格也即將變得同等重要。事實證明，高效率的GaN解決方案可為整個系統帶來顯著的成本效益。除了縮小系統設計，也能降低散熱系統的複雜度，這一點有利於熱管理選項有限的應用，例如航空系統。 GaN逐漸成為整個頻率範圍和各市場最佳技術選擇。最初GaN產品開發重點在提高輸出功率和縮小外型尺寸。但隨著出現系統層級的熱限制後，重心轉移到改善效率平衡，這有助整個系統降低功耗和減輕熱負載。在GaN引領下，新一代的系統逐漸實現。 (本文作者任職於Qorvo)

・LG Chem、JOLED、友達，近期紛紛投入印刷式OLED技術布局，引發關注。 ・折疊手機是OLED應用新美地，但能成功跨入大尺寸才是OLED問鼎主流地位的關鍵。 ・目前大尺寸OLED量產最大瓶頸在於蒸鍍段生產成本高昂，而印刷式OLED製造技術則具成本優勢，惟亦有挑戰待解。 ・印刷式OLED是OLED技術能夠真正擴大應用，甚至將來取代LCD成敗的里程碑。 圖片來源：Kateeva 近日，外電報導，LG Chem收購美國杜邦(DuPont)公司「可溶性OLED」材料技術，此次的收購範圍包括杜邦的可溶性OLED材料技術與工程專利等無形資產，以及研發與生產設備等有形資產；日本「JOLED」近日也宣布籌得了 255 億日圓資金，於千葉事業所內開始構築全球首見採用「印刷式OLED」技術製作面板生產線；報載國內面板大廠友達已在林口架設印刷式OLED實驗線，一時間，似乎又有新的顯示技術興起，引起大家的關注。 折疊手機的應用使OLED找的一個可以擺脫LCD競爭的產品空間，不過手機面板的面積畢竟有限，無法支撐一個顯示產業，因此，OLED從小尺寸的應用在技術成熟後進入中大尺寸的市場是必然的趨勢，也是主流顯示器技術能夠存活的必然途徑。然而，以目前OLED的蒸鍍製程工藝推演可以發現，未來中大尺寸OLED與LCD的競爭，成本是一個難以跨越的瓶頸。 目前主流的OLED製程需要非常昂貴的精密真空蒸鍍設備，在大面積的高世代，除了可以預期精密真空蒸鍍設備的昂貴天價以外，在技術上，大面積高精度遮罩技術是否能夠突破仍不確定；此外、遮罩蒸鍍製程的發光有機材料使用率非常低，致使OLED蒸鍍段的生產成本非常的高。 採用溶液型的噴墨圖案化技術是克服材料使用率低落問題最直接有效的解決方案；噴墨印刷不必在真空進行，高世代大型噴墨設備價格比真空設備低廉，採用按需供給(Drop on Demand)的圖案化方式，材料使用率可超過90%。在高世代設備價格與提高材料使用率的考量下，大尺寸OLED的製造採用溶液式的噴墨印刷製程是最佳的選擇。據此，一直都以大尺寸OLED為產品的LG，自然要布局溶液型的製程技術，而日本面板廠商為擺脫中國大陸廠商在顯示產業的纏鬥，自然也選擇開始踏入中國業者著力未深的下世代技術。 溶液型的噴墨OLED圖案化技術發展已經超過15年，台達電投資的翰立光電在2004年即與英國CDT合作，引進噴墨印刷彩色OLED技術，惟當時LCD發展正興盛，彩色OLED成本高，技術不成熟，無法在市場上與LCD相抗衡而黯然退場。然而，噴墨印刷OLED相關的研發並沒有停止，在材料上，有DuPont、Sumitomo、Merck等，在設備上，包括ULVAC、TEL、Kateeva等國際大廠持續投入，致使噴墨印刷OLED技術逐漸產業化。友達在2014年即以噴墨印刷技術展示65吋彩色面板；2017年中JOLED就交予華碩21.6吋噴墨印刷4K OLED的樣機；2018年包括華星光電展示31吋UHD面板、京東方展示55吋面板，這些跡象都顯示，面板廠已開始布局下世代的製程技術以解決未來OLED在大尺寸將面臨的瓶頸。 噴墨印刷OLED製程技術對設備、材料依存度非常高，噴墨印刷雖然已經發展很久，但是應用到具有光電特性需求的薄膜製造仍有許多技術需要克服。過去發展最大的瓶頸在於OLED材料與噴墨設備的搭配無法優化，導致噴墨印刷OLED的量產進展緩慢。近年來，由於面板廠受到未來需求的驅動，加上國際間材料與設備廠的合作，使噴墨印刷OLED的相關技術發展逐漸加快，估計在面板廠積極帶動下，印刷OLED的產品上市時程指日可待。 OLED在折疊手機的應用是OLED技術存活下來的關鍵，而印刷式OLED是OLED技術能夠真正擴大應用，甚至將來取代LCD成敗的里程碑。 (本文作者陳來成博士為艾圖雅科技總經理，專長為柔性光電與柔性顯示技術，在台灣光電業界有數十年資歷) 本文作者其他文章推薦： ・折疊手機引爆新話題 ・軟性基板/薄膜漸成熟　折疊顯示器喜迎新商機 ・(更新)折疊手機是OLED與LCD的分水嶺 ・技術瓶頸逐步攻克　奈米銀線應用路更寬 ・軟性電子產品崛起　軟性透明導電膜躍居關鍵材料 ・奈米壓印技術助力　捲對捲軟性基板製程前景可期 ・軟性電子前景可期　新興材料群雄並起 ・相關計畫/資金前仆後繼投入　軟性電子四大應用商機可期

能源的議題是一直以來被討論的話題，在現今節能減碳的需求下，提高轉換效率是新電源轉換器努力的方向。以往所使用的矽功率開關元件；在以矽為材料所開發的金屬氧化物半導體場效應電晶體(Metal-Oxide-Semiconductor Field-Effect Transistor, MOSFET)，其發展已接近物理極限，期待以矽材料的功率晶體來進行電源轉換器的效率改善效果有限，而寬能隙材料所開發的新型功率晶體，如氮化鎵(GaN)高速電子遷移率場效電晶體(High Electron Mobility Transistor, HEMT)可以讓電源轉換器達到更高的效率及更高功率密度。 對矽功率開關元件而言，設計人員對其應用和驅動已經相當熟悉，但對於GaN HEMT的應用和驅動方式的資訊相對比較少，本文針對GaN HEMT的應用和驅動方式作介紹，提供設計人員在使用GaN HEMT上的參考。 氮化鎵功率元件應用要點 如圖1所示，粗略將幾種材料如矽、碳化矽及氮化鎵等功率開關的適用範圍依功率及切換頻率進行劃分，矽功率開關涵蓋目前大部分的應用，適用於切換頻率在500kHz以下的中小功率應用或低頻的大功率應用；大功率的應用且操作於略高的切換頻率的電源轉換系統會選擇SiC MOSFET；而中低功率需要更高切換頻率如200kHz以上，GaN HEMT會是合適的功率開關元件，目前適合GaN HEMT的應用條件在10kW以下，高於250kHz以上的切換頻率，但實際應用還是以設計者的需求為主，可以選擇GaN HEMT取代MOSFET以相同的切換頻率達到較高的效率，或增加切換頻率來達到較高的功率密度需求。 圖1　不同材料功率晶體開關的應用範圍 目前GaN HEMT的應用領域在電信和資料中心使用的伺服器電源是主要目標市場，採用超高效率電源可以降低能源成本而產生回報。於伺服器電源的電路中，目前發展相對成熟的電路之一為無橋式PFC，採用無橋式PFC可以改善傳統升壓型PFC的效率，現在更可以透過GaN HEMT的特性搭配圖騰柱(Totem Pole)PFC電路來進一步提升效率。 一般電源轉換器的功率因數校正(PFC)線路採用升壓型轉換器架構，如圖2所示。輸入電壓範圍從AC 85V~265V，超過三倍的電壓變化，因此電流也是超過三倍的變化，在相同負載條件下，導通損失有十倍的差異，在這麼大的變化下，要最佳化MOSFET和Diode是一個挑戰。操作頻率一般是低於70kHz，使得兩倍頻限制在低於150kHz，因為頻率的增加會增加切換損失且主頻會落入EMI的測試範圍內，控制模式採用連續傳導模式(CCM)可以減少漣波電流、導通損耗和切換損耗。操作在不連續導通模式(DCM)或是邊界模式(CRM)會有較高的漣波電流，但可以達到ZCS導通，因此可以降低切換損失，無論採用哪一種控制模式，橋式整流器占了一定比例的損耗，約占全機1~2%的效率損失，即使PFC開關採用理想的零切換損耗技術也無法彌補橋式整流器的損耗。 圖2　標準升壓型轉換器架構 PFC電路開關降低損耗 將PFC電路中進行功率損耗分析如圖3所示，可以明顯發現橋式整流器所占的功率損耗最大，其中在輸入電壓為85Vac時占總功率損耗的34%，而在輸入電壓為230Vac時占總功率損耗的37%。正因如此，許多無橋式線路被採用在電源轉換器上來改善效率，但整體線路卻變得複雜許多。另一種降低橋式整流器損耗的選擇是採用主動式橋式整流器(Active Bridge)，將較低導通電阻RDS(on)的MOSFET並聯在原有的橋式二極體上，利用Irsm2 X RDS(on)降低原本的Iavg X Vf損耗，保留原本的橋式整流器是需要其協助旁路衝擊電流，避免在異常操作時損壞並聯在橋式整流器上的MOSFET。 圖3　升壓型PFC功率損耗分析 在眾多無橋式PFC的電路架構中，Totem...