市場分析
- Advertisement -
專訪萊迪思亞太區事業發展協理陳英仁 安全/低功耗為AIoT發展關鍵
萊迪思亞太區事業發展協理陳英仁(圖)表示,隨著AI不斷往各種嵌入式裝置推進,應用開發商將在安全跟效能上面對更大的挑戰。安全可靠的硬體設計,是推動AIoT普及的先決條件;更好的推論效能,則可讓應用開發商推出使用者體驗更好的終端應用產品。因此,萊迪思近日宣布推出可於眾多應用中保障系統韌體安全的MachXO3D FPGA,以及推論效能比前一代提升10倍的sensAI解決方案。
萊迪思亞太區事業發展協理陳英仁指出,安全與推論效能,將是AIoT應用能否更加普及的兩大關鍵。
元件的韌體已逐漸成為網路攻擊最為常見的目標。在2018年,超過30億各類系統的晶片由於韌體安全性漏洞問題,面臨資料竊取等威脅。不安全的韌體還會因為分散式阻斷服務攻擊(DDoS)、設備篡改或破壞等隱憂。若不及時處理這些風險,可能會對企業的聲譽以及財務狀況產生不良影響。
sensAI的低功耗AI推理功能則可針對OEM的應用要求進行最佳化,幫助他們與現有設計無縫接軌。由於只需要發送相關資訊即可做進一步處理,使用本地智慧處理能夠降低雲端分析帶來的成本。目前sensAI最主要的終端應用產品為智慧門鈴和安全攝影機等即時線上的IoT設備。藉由在本地端進行AI推論,這些設備的回應時間更快,且因為資料沒有傳輸到雲端,因此更難被竊取。
新版的sensAI解決方案與上一版相比,效能提升10倍,並支援更多新的神經網路和機器學習框架,例如Keras。此外,新版sensAI還提供全新客製化的參考設計,以加快物件計算和人員檢測等常見應用的開發速度。
工業+AI發展潛力大 訓練資料集建置仍為瓶頸
然而,對製造業應用而言,目前以雲端資料中心為基礎的人工智慧,通常是不符合需求的。在生產現場,絕大多數的控制命令跟判斷,都有很強的即時性,如果要把資料上傳到雲端,在雲端進行推論,再從雲端向現場機台下達控制命令,在時效上往往拖延太久。因此,直接在網路邊緣節點進行推論,將是面向工業應用的人工智慧所實行的主流架構,也就是俗稱的邊緣運算或AIoT(AI+IoT)。
這也使得有意進軍工業市場的人工智慧晶片業者,諸如NVIDIA、英特爾(Intel)與賽靈思(Xilinx)等,紛紛推出低功耗、低成本,適合部署於生產現場的晶片解決方案,如NVIDIA的Jetson TX系列、英特爾的Movidius系列、Cyclone/Stratix FPGA,以及賽靈思的Zynq 7000與部分Zynq UltraScale+系列晶片,都可讓部署在現場的嵌入式設備直接進行推論。這三家領導晶片所提供晶片方案,也正好代表了AI運算晶片的三大流派--GPU、ASIC與FPGA,在應用開發上各自有其優勢與限制。
GPU應用開發速度最快 開發工具/IP限制卻不少
對人工智慧應用的開發者來說,GPU是用來快速創建原型跟驗證設計概念的不二選擇。因為開發者只需要撰寫程式碼、甚至直接套用開發工具裡面的現成模型,稍微調整一下參數,就可以讓GPU開始進行訓練跟推理。因此,在應用開發的早期階段,GPU是目前最理想的選擇。
然而,GPU的成本高,功耗也偏高,是許多工業設備製造商在AI軟體發展完成,設備準備量產時,繼續沿用GPU做為系統核心的主要疑慮所在。GPU的散熱對於在工業環境下運作的嵌入式設備,是一個很大的問題。工業環境的溫度變化大,且現場往往沒有空調設備。如果環境的背景溫度本身就偏高,在這個情況下,採用被動式散熱的效果將大打折扣。
採用主動式散熱,例如散熱風扇,則意味著設備的機構設計可能需要保留開口,這會對設備的防水防塵能力造成負面影響。此外,某些工業環境中還有大量粉塵存在,如果設備內有風扇,不僅容易故障,還有引發粉塵爆炸的風險。
也因為上述種種環境條件的限制,GPU若想應用在工業設備上,低功耗是最重要的規格。散熱功耗(Thermal Power Dissapation, TPD)低於10瓦是設備得以採用被動式散熱的基本門檻,但如果能做到更低,工業設備採用GPU的疑慮也會跟著減少。這也是NVIDIA的第一代Jetson TX將功耗定在10瓦,並將新推出的Jetson TX2(圖1)功耗進一步壓低到7.5瓦的主要原因。
圖1 GPU的散熱問題是嵌入式應用開發商在選用GPU時最主要的疑慮之一。
除了功耗跟散熱問題外,GPU廠商的開發工具、參考設計跟協力廠商軟體資源雖然已經相當完整,但如果設備製造商想在這個基礎上進行客製化開發,還有智財(IP)方面的問題必須克服。有業界人士指出,跟NVIDIA合作,會受到很多限制。該公司提供的模型跟演算法資源相當豐富,也有為數眾多的協力廠商夥伴,但這些資源的智財權均控制在NVIDIA及其合作夥伴手上,如果要在產品上使用這些演算法,除了有可能需要額外支付權利金,NVIDIA對晶片的用途管控也相當嚴格。
另外,工業設備所使用的演算法跟模型,如果需要客製化調整,也可能需要跟演算法的開發者或GPU供應商進一步洽談,設備供應商不能自行隨意修改,這也是另一個潛在的成本來源,可能需要額外支付更高的權利金,或是耗費更多時間。
不過,倘若功耗跟智財都不成問題,對工業設備開發商來說,直接在設備上使用GPU,是最快將產品推向市場的途徑,因為產品從開發到最終量產使用的是同一個平台、同一套源碼,相容性基本上可以保證,不用擔心原本在GPU上開發的軟體,換到FPGA或ASIC之後會出現相容性問題。
ASIC算力/功耗比最優 演算法綁定不利發展多樣化應用
自從人工智慧浪潮興起後,許多IC設計公司都推出神經網路處理器(NPU)或ASIC加速器,想分食人工智慧應用的市場大餅。這些專為某些特定演算法或模型提供加速的晶片,在執行對應演算法的時候,有非常高的能源效率,功耗5瓦、甚至2瓦以下的解決方案都已經出現在市面上,為人工智慧應用的普及做出重要貢獻。
不過,也因為這類NPU或ASIC加速器只專門針對特定演算法或模型做優化,因此其泛用性很低。如果工業設備製造商對演算法或模型的更動幅度較大,甚至想套用自己發展出來的演算法,在這類平台上不是執行效果不佳,就是根本無法執行。
舉例來說,目前這類泛ASIC解決方案,最主要的應用市場是安全監控領域(圖2),例如人流偵測、人臉識別,或是對敏感區域劃設虛擬圍籬等。但對工業應用來說,這些方案除了適用于廠區的安全監控系統之外,像是生產線上的產品檢測、引導機器手臂作業等典型的機器視覺應用,很難採用這類ASIC方案來實現。至於微電子、半導體等級的自動光學檢測,這些ASIC方案就更難派上用場了。
圖2 安全監控的市場規模龐大,吸引眾多ASIC廠商為其開發AI演算法加速器方案。
對IC設計業者而言,針對少量多樣的工業市場開發ASIC產品,成本效益是最大的難題。因此,晶片業者的發展策略必然是利用安防產業所創造的經濟規模,向外拓展出部分工業或產業用嵌入式設備的應用市場。
近期英特爾跟IC設計新創公司耐能(Kneron),都分別與工業電腦業者結盟,試圖將NPU與加速器推進智慧零售應用,因為智慧零售的需求跟安防基本上相通,不需要太大幅度的設計修改。但有工業電腦業者認為,在未來三到五年內,NPU或ASIC加速器方案在產業領域的應用,大概也只會到這裡為止,要進一步跨入變異性更高的工業應用,機會應該不大。
FPGA限制最少 考驗設備商IC設計功力
過去幾年,有鑒於人工智慧需求興起,FPGA業者在自家開發工具跟協力廠商生態系夥伴的建構上投入不少心力,成果也陸續展現。在資料中心端,利用FPGA來加速神經網路或深度學習演算法,已經是很多網路巨擘所實行的作法,因此,FPGA廠商自然也將下一步發展重心放到邊緣運算上。
對工業應用來說,FPGA是個很理想的選擇。由於工業應用向來是個少量多樣的市場,很難期待晶片供應商針對工業設備業者的需求,推出對應的晶片解決方案。也因為這個緣故,某些研發實力較強的工業設備業者,一直都是靠FPGA來實現自己所需要的晶片功能。最典型的例子就是高階的運動控制設備,或是某些需要大量I/O的控制器。
而在人工智慧從雲端走向邊緣的過程中,工業設備製造商自然不會忽視用FPGA來實現人工智慧這個選項。且在FPGA業者陸續推出機器學習開發環境,協力廠商業者的軟體智財也逐漸到位後,利用FPGA在嵌入式裝置上執行人工智慧應用,困難度已經相對降低。不過,就和利用GPU平台上的協力廠商資源一樣,設備開發商如果要使用協力廠商開發的演算法,通常會有額外的授權費用產生。
FPGA最大的優勢在於硬體功能的配置非常彈性,如果工業設備開發商已經有自己的人工智慧演算法,開發團隊可以利用FPGA實現對應的硬體加速器,達到最高程度的系統設計優化。但相對來說,當軟體設計有所更動時,硬體可能也需要做對應的調整,而這個時間是相對耗時的。
事實上,要把FPGA的潛力發揮到淋漓盡致,開發團隊必須相當熟悉積體電路的設計作業,諸如電路合成、時序收斂、繞線佈局等。雖然FPGA供應商的開發工具多半已經可以將相關作業自動化,但要進一步將設計優化,設計人員還是需要具備相關知識,而且為了因應軟體設計反覆運算,硬體也要跟著頻繁反覆運算,這是很花時間的。
因此,比較理想的開發流程還是先從GPU開始,等軟體設計反覆運算到相對穩定的階段,再針對已經穩定的軟體做對應的硬體加速設計。而非直接從一開始就用FPGA平台做軟硬體同步開發。
訓練資料集建置不易 AI走進工業應用還需醞釀
雖然各晶片大廠對於人工智慧走向邊緣的發展趨勢都有很高的期待,並已推出對應的邊緣運算解決方案,但對工業應用來說,最麻煩的問題不是缺乏硬體或演算法,而是缺乏訓練用的資料集。
不像一般針對消費性或安防領域的人工智慧應用開發商,可以用低廉的人力成本找來大量資料標籤員,快速完成訓練資料集的建置。工業用的人工智慧應用處理的是各種專業領域的資料,一般人無法判讀這些資料。
以藉由機器視覺來檢視金屬加工件這項應用為例,工業相機可以輕而易舉地取得成千上萬張金屬加工件的影像,但這些影像對一般人來說看起來都差不多,只有業內專家能夠看出其中的些微差異,進而區別出良品跟不良品。
高品質的訓練資料集才能確保人工智慧判斷的準確性,但工業領域的高品質資料集不容易建置,是目前工業設備業者、乃至有心導入人工智慧的製造業者所共同面臨的問題。而且,由於這些資料往往涉及營業秘密,因此只能用內部有限的專家人力來建置資料集,無法外包給外部專家,這使得資料集的建置工作需要耗費更長的時間。
綜合多家國際工業設備巨擘與大型製造業者的觀點,即便目前人工智慧軟硬體方案已經比過去成熟許多,但相關廠家現階段大多還停留在研發前期或中期階段,僅有少數動作比較快的業者,已經開始在實驗產線上進行測試。因此,工業領域普遍導入人工智慧,可能還需要2~3年時間醞釀。
專訪新思科技設計事業群聯席總經理Deirdre Hanford 萬物智慧化讓EDA工具更吃重
新思科技設計事業群聯席總經理Deirdre Hanford(圖)表示,各種智慧應用的蓬勃發展,是帶動半導體產業成長的主要動力來源,但這個趨勢也使得晶片設計變得更加複雜,晶片開發者必須要有新的設計工具輔助,才能趕得上客戶要求的產品上市時程,進而抓住商機。
新思科技設計事業群聯席總經理Deirdre Hanford表示,萬物智慧化讓IC設計更加複雜,IC設計業者需要更強大的EDA工具。
為此,新思推出了融合設計平台(Fusion Design Platform),並在推出的第一年即達到超過100個產品投片(Tapeout),寫下7奈米製程的重要里程碑。該平台協助客戶提升20%的設計結果品質(Quality-of-Results, QoR),並達到超過2倍的結果效率(Time-to-Results, TTR)。融合設計平台整合新思科技的數位設計工具,並重新定義傳統設計工具的範疇,包括共享引擎、用於邏輯及物理表現(Logical and physical representation)的單一數據模型。
此外,新思也與安謀國際(ARM)擴展合作關係,推出支援新思Fusion Compiler解決方案的QuickStart實作套件(QIK)。這是一個從RTL到GDSII完全整合的實作系統,可讓採用ARM架構的SoC設計達到最快速的結果效率,並改善功耗、效能與晶片面積,能快速實現具備安謀最新核心架構的高度差異化產品。這項合作已讓採用內含Cortex-A76與Neoverse N1處理器的SoC先期用戶,成功實現投片。
而為了協助推動AIoT晶片研發,新思在台灣也已經與台灣大學、清華大學、交通大學、中央大學以及成功大學等五所頂尖大學共同啟動「AIoT設計實驗室」產學合作計劃,捐贈各校晶片開發核心套件與人工智慧/機器學習教材(AI/Machine learning),以誘發學界對於AIoT設計的強大研發能量,並培育先進半導體設計人才。
應用案例成功消息紛傳 LPWAN商用後勢看漲
低功耗廣域網路(Low Power Wide Area Network, LPWAN)建構在Machine-to-machine應用上,其主要特徵要符合廣覆蓋、低成本、低功耗、大連接等特點,主要的技術則包含Sigfox、LoRa、NB-IoT、CAT-M等;若以技術發展角度,也有近10年以上的開發時程。
首先,考慮技術發展最早的Sigfox以及LoRa,皆於2009年由Sigfox與Cycleo兩家公司開始發展,鎖定Unlicensed Band Network的應用場域。
Sigfox訴求在自建Sigfox基地台,目前涵蓋約60個國家,適用於資料傳輸量較小、且有耗電考量的情境,其技術應用的四大特性就是:低功耗的連線裝置、全球的聯網服務、簡易的使用模式及低營運成本。
至於LoRa技術,訴求是透過系統整合商在場域內架設LoRa閘道器(Gateway),並且透過WiFi路由器或是乙太網路連線至後端系統。
其中,LoRa與Sigfox不同的地方在於LoRa開放較多的彈性讓系統整合商做自行開發,這對於創客而言是一項利多,創客在執行各自的場域驗証時,可以在不需要認證前提下快速地導入自創LoRa應用產品,有助於LoRa技術的推廣。然而,此一特性雖有助於LoRa得推廣,但另方面則是衍生出創客對LoRa各自表述,即LoRa產品容易在市場上產生不相容問題。
換言之,在整體LoRa應用上,受惠於較多人投入產品應用開發,使得LoRa在一開始的市占稍具規模。
在2016年6月3GPP R13定義NB-IoT的標準,2017年6月確定R14標準,NB-IoT/CAT-M的解決方案也陸續由Intel、Qualcomm、海思等晶片商在2017提出基於R13的晶片方案。
至於後續的進程,原本規畫在R16,5G NR時會將NB-IoT與CAT-M整併到5G mMTC之中,但是目前的整併時程,將會延至3GPP R17時。
應用場景陸續浮現 LPWAN爆發成長可期
參照TSR 2019年出具的市場分析報告「Cellular Modem Market Update」內容,LPWAN的市場出貨量由2016年的1,580萬,到2023年預估的量能4億2,980萬,其平均年複合成長率達到160%。此部分已包含對LoRa、Sigfox、NB-IoT及CAT-M所有LPWAN產品預估值。市場分析指出,2018年LPWAN產品將由8,300萬,跳升到2019年的1億4,660萬,市場需求將再成長176.7%。
有別於智慧型手機,將由總人口數直接限制手機數量。訴求在萬物聯網的IoT產品,其數量完全由應用場景所決定,不會有產品總數的天花板。雖然在初期的LPWAN的應用場景,不乏晶片模組的價格過高、水表應用的通訊掉包、生態系(Ecosystem)尚待建立、缺乏殺手級的產品應用等負面的聲音出現。
然而,在各概念驗證(Proof Of Concept, POC)產品應用在市場上接收到的回饋、更多的成功應用、模組價格大幅下降、政府的公共資源投入,2019年已開始在市場上締造許多成功的案例,如水表、電表與瓦斯表等三表布建、中國大陸鄭州的電動車專案、資產物流老人小孩的追蹤需求、消防感知的需求法制化。智慧建築、智慧農業、智慧商店、智慧醫療、智慧交通等,環繞在智慧城市下環環相扣的應用場景,已成為目前科技發展的顯學,在2019年下半年,需求有機會大爆發。
NB-IoT實現資料傳輸最後一哩路
物聯網的應用面,包含端、管、雲,才能成就其完整的智慧應用場景。負責資料收集的感測器、負責傳輸的通訊技術、提供管理平台的PaaS(Platform As A Service)、提供資訊分析的Cloud環境。
在物聯網的應用中,端點的關鍵在於如何正確的萃取環境或生物等訊息,這些訊息的組成除了巨觀的參數以外,更包含微觀的數值,再利用相互間的特殊關係,產生一個具有意義且可被量化的演算法,種種問題需要多元的產業達人和技術人員共同開發討論,並且在場域環境下可以穩定的、低功耗、高效率、價格合理的無線技術下傳輸。
可以相信的是,讓所有的資料能送至後台是最為關鍵的一環,唯有訊息開始回傳至後台,才是開啟物聯網的重要里程碑。目前各路英雄好漢,均已就定位,提出各自的服務方案,試圖占據市場有利位置。
市場上,也不斷有加速物聯網應用的好消息,著實振奮市場信心。中國鐵塔公司與阿里巴巴簽署戰略合作協議,雙方將在雲計算、邊緣運算、大數據等展開深度合作。
2019年,搭配各家NB-IoT的R14版本的開發完備,運營商也計畫在2019年Q2、Q3完成NB-IoT R14基地台的升級,此3GPP R14的部署,將加速Tracker在移動性、低耗能、軔體更新的應用需求。截至2018年底,中國已陸續布置超過百萬座NB-IoT的基地台,NB-IoT的訊號涵蓋率,已被大幅提昇至全面商用化階段。
迎接IoT應用商機 通訊模組業者蓄勢以待
展望未來科技應用的場景,無論是訴求智慧生產的工業4.0、AI與大數據分析,或是5G的巨量連結,都是建立在物聯網的架構下擴大其應用面。目前工業4.0則成為通訊模組廠商重點推行的技術,例如光寶科技不但讓旗下各規模的工廠逐漸升級成為智慧工廠,更利用大數據分析和AI技術提升製程能力,藉由高端技術的引進,在零組件製造業創造更高價值,產生高毛利的產品,進而成為物聯網時代的重要推手之一。
另外,物聯網的應用,重點在各項技術的整合,在相關技術蓬勃發展下,說明各個技術已開始產生化學反應,代表物聯網的商用年代逐漸來臨。通訊模組供應商也積極布局智慧製造、物聯網網通與智慧應用三大市場。像是光寶便積極投入LPWAN的通訊模組開發,成為具Sigfox、LoRa、NB-IoT量產能力的模組開發商,以完整的通訊產品線布局,營運範圍涵蓋網路通訊模組、網通設備、智慧監控攝影、戶外照明路燈與工業自動化等,迎接需求即將爆發的LPWAN市場。
同時,未來在面對少量多樣化的模組生產需求,光寶也早已導入高度自動化的生產線,利用機械手臂協助模組產品測試,並投入研發人員在製程設備開發,持續展現高彈性的生產優勢,為LPWAN進入大規模商用時代做好準備。
(本文作者為光寶科技通訊模組事業部研發二處處長)
專訪耐能科技創始人兼執行長劉峻誠 耐能新款晶片開啟更多AI應用
耐能創始人兼執行長劉峻誠於發布會上提出「Edge AI Net」的概念,他表示,透過新推出的KL520晶片,期能夠將生命賦予終端設備,實現去中心化、離線本地處理、主動智慧等目標;而耐能也因此成功實現AI在雲端及離線終端上的互補,完成從提供IP到AI晶片的新里程碑,開啟AI應用於不同層面的更多可能性。
據悉,新推出的KL520晶片,具備「可重組式人工智慧神經網路技術」,會根據不同任務進行重組,減少運算複雜度,保證在不同的卷積神經網路(CNN)模型上的使用,無論是模型內核(Kernel)大小的變化、模型規模的變化,還是影像輸入大小的變化,都能保持高效率使用運算(MAC)單元。
此外,該產品也可滿足高效運算需求,其數據格式按運算需求靈活調整,致使在計算過程中實現更高的「數據計算vs.數據讀寫」比例,減少記憶體數據搬運的能量耗損。同時,透過耐能模型壓縮技術可有效減小模型大小,大幅降低在終端部署時的儲存成本,也大幅降低了記憶體頻寬的需求,並可提供較為通用,可同時支持語音及2D、3D影像的AI需求。
KL520晶片其餘特色還包括:低功耗(平均功耗僅300~500mW)、體積小;算力最高可達350GOPS,可作為協處理器使用,增加系統端的AI運算能力,毋須更換主晶片,即可快速於系統端導入智慧應用;適用於結構光、雙目視覺、ToF及耐能自主開發的輕量級3D感測技術等。
目前該晶片甫推出便獲得多家合作夥伴採用,包含鈺創科技、鈺立微電子、奇景光電、研揚科技、全科科技、和碩科技等。劉峻誠透露,未來將持續與戰略伙伴合作,落實產業應用,而2019年第四季還會推出用於智慧安防市場的第二款AI晶片。
耐能創始人兼執行長劉峻誠提出「Edge AI Net」的概念,期能藉此開啟AI應用於不同層面的更多可能性。
以物聯網為基礎 預測性維護效率再提升
採用智慧方式部署的聯網感測器可以在影響流程或生產之前檢測到故障,藉此節省維護成本並避免發生停機的情況。為了避免低效率的維護流程和伴隨而來的成本,製造商和網路營運商可以使用智慧感測器和資料科學原理來最佳化維護的流程。
根據麥肯錫所發表的報告,建基於物聯網的預測性維護可協助降低多達40%的工廠設備維護成本。它還可以延長機器的使用壽命,減少50%的設備停機時間及減少3~5%的設備資本投資。
善用IoT/資料科學 避免無效流程/高成本
多年來,製造商所採用的設備維護方法一直都是以時間作為根據。規劃任何維護流程時所考慮的主要因素僅僅是機器的使用年限。設備越老舊,維護程序就越頻繁。
ARC集團的一項全球性研究指出,只有18%的設備是因老化而失效的,其餘82%的失效是隨機發生的。這些研究結果顯示,以年限為根據的維護方法並不具成本效益。為了避免無效的維護流程和伴隨而來的高成本,製造商可以充分利用工業物聯網和資料科學。
電網故障可能導致配電中斷,對受影響地區中幾乎所有的人員、企業和服務機構的日常運作帶來很大的麻煩。這種情形使得預測性維護對這一類關鍵基礎設施尤為重要。芬蘭的輸電系統營運商Fingrid舉辦過多次的創新競賽,希望能找到最佳的合作夥伴來將其營運設施的維護和監控運作數位化。
Haltian的Thingsee無線感測器產品被應用在芬蘭的變電站中,用以測量其中的連接元件的溫度。這一點很重要,因為溫度升高是電阻增加的徵兆,而這可能是由污垢或腐蝕所引起的。
此外,該感測器還可用來測量濕度、氣壓、環境光、存在(Presence)和距離等方面的資料。雖然這樣的感測器並不能完全消除對手動檢查的需要,但它們確實使得監控操作更加有效率並降低了出現問題的風險。
聯網工具減半維護工作
除了顯而易見的電網使用案例以外,建基於感測器的監控也可用於各種工業應用中。位於南京的愛立信熊貓製造工廠使用蜂巢式IoT連接數千台設備,包括高精度螺絲刀。這些模組每八小時傳送大約100位元組資料以顯示最近的使用情況。
這些資料會被一款雲端解決方案收集起來,再進行分析。操作經理可以監控使用資料來準確地掌握工具何時需要重新校準,而不是依據效率差的預定時間表工作。
根據這個案例研究,愛立信預估該解決方案的每單位成本僅為20美元,但可減少一半的維護工作,每年節省10,000美元,並在短短兩年內達到損益兩平。
工具和機械也須預測性維護
工業環境中常會用到安全和遙測系統,它們通常需要自己特定的網路。除此之外,可以使用新的無線技術收集許多不太重要的參數,以形成預測性維護的基礎。
主要的兩類資料是:
用法:使用工具的頻率和時間長度?最常用的功能是什麼?是那位員工從事這項工作?
狀態:隨著時間推移,機器的溫度和變異數(Variance)是多少?系統中是否有任何不規則的振動?
使用資料執行完整的根本原因分析(Root Cause Analysis),有助於預防將來出現故障的情形。
連接技術提升可靠性
物聯網已經為全球供應鏈的運作提供了有價值的幫助,包括使用蜂巢式物聯網進行資產追蹤。不過,透過預測關鍵資產的失效,連接技術可以進一步強化經銷鏈的可靠性。
冷鏈(Cold Chain)就是一個典型的例子,多年來,人們一直致力於尋找一種可測量運輸貨物溫度的低成本解決方案。這有助於瞭解貨物是否保持在適當的溫度以及哪些貨物可能需要銷毀。
雖然這是物聯網運行的好例子,但其實可以再進一步,在一開始時就可以預測和避免失效。將預測性維護應用到製冷系統,以便對何時即將發生故障有更好的掌握,這將可節省寶貴的時間和金錢,並避免浪費食品和藥品等寶貴資源。
預測性維護確保設施壽命
道路、橋樑和鐵路是社會的重要基礎設施,它們的維護工作對於確保其在整個使用壽命週期中的安全性而言,是非常重要的。在這種情況下,物聯網就可派上用場。
可以持續監控振動等機械參數,在已記錄模式中的任何異常都指出須要維護,或者可以通知存在緊急情況。例如,杜塞道夫機場安裝了50個路內(In-road)NB-IoT感測器,以監控唯一可以進入機場油箱儲存地點的橋樑的狀態。
擴大規模是最大挑戰
預測性維護並不是一個新概念,例如我們都很熟悉可以透過不規則的聲音或振動來預測汽車何時將會發生故障。
物聯網所帶來的新功能是收集來自數千或數百萬台設備的資料的能力。我們可以從經驗中學習,建立和更新模型及建議所要採取的行動,所有這些都能夠以自動化的方式實現,並且將會規模空前。
很明顯,如要成功,企業須要利用大數據分析和人工智慧方面的所有最新技術來提升效能。然而,即使在此之前,所有的「物品」也要先連接起來。
(本文作者為Nordic Semiconductor事業開發經理)
專訪東瑞電子行銷業務事業部副理陳則名 東瑞/Ricoh攜手深耕車電市場
東瑞電子協助供應商推廣產品,是深耕車用市場的專業代理商,而理光微電子憑藉自身的工藝技術和電路技術,實現了高耐壓、低消耗、高精度,可開發適應市場需求的產品。東瑞電子行銷業務事業部副理陳則名表示,汽車電子系統越來越多,車用電源通常來自電池加發電機,發電機供電不穩定,平常電壓雖然只有12~14伏(V)左右,啟動瞬間可能產生高電壓,透過電壓檢測IC可以保護元件與系統的穩定,避免車用IC裝置被高電壓擊穿。
未來車用電子電力傳輸將從12V往48V發展,理光微電子台北代表人辦事處總經理小川貴裕說明,該公司的電壓檢測IC不僅能即時偵測,針對輕油電的48V系統發展趨勢,相關產品也可以支援到60V的電壓範圍。隨著汽車導入越來越多電子系統,這類電壓檢測元件的需求也會越來越高。
另外,抬頭顯示器(Head Up Display, HUD)應用越見普遍,利用光學反射原理將重要的行車資訊投射在擋風玻璃,早期反射式的HUD駕駛閱讀須將視線移開,容易造成分心;新式的HUD將訊息投射到與駕駛視線一致的位置,不用像舊式的解決方案須要變換視覺焦距,降低駕駛分心的情況,而且從單色到全彩顯示,訊息更加一目了然。
理光的RGB雷射二極體(Laser Diode, LD)驅動晶片解決方案,針對大畫面和高畫質的HUD產品開發需求提出,小川貴裕指出,此舉可以減輕駕駛員負擔,降低危險駕駛情況。晶片透過各保護特性,實現高安全性,達到Full-HD(1080P)高解析度,大驅動電流實現六公尺外呈現虛像,並自動檢測LD溫度特性並補償保持高對比度和高精度調光,2019年第三季前完成量產,並由客戶設計、導入,預計2021年後正式上市。
東瑞電子行銷業務事業部副理陳則名(右);理光微電子台北代表人辦事處總經理小川貴裕(左二)。
併購Mellanox NVIDIA再掀資料產業變革
2018年底,美國晶片製造商Xilinx曾與英國第二大銀行巴克萊銀行合作,向Mellanox提出50億美元的收購報價。同時,Microsoft則是聘請了高盛集團進行收購談判,提出55億美元。此外,Intel為併購Mellanox,更是提高價格到55至60億美元。Intel欲收購的原因是,2012年Intel收購了QLogic的無限頻寬技術部門(InfiniBand, IB)和CRAY物聯網部門,成立了Intel的高速互聯部門。Mellanox的InfiniBand技術對於Intel高速互聯部門正在發展的Omni-Path架構(OPA)將能產生顯著效益。
NVIDIA資料中心業務從2016年營收8.3億美元占比12.0%,持續成長至2017年的19.3億美元占比19.9%,直到2018年的29.3億美元占比25.0%。然而,NVIDIA資料中心業務營收表現放緩,特別是2018 Q4資料中心業務營收6.79億美元,低於預期的8.39億美元。
NVIDIA資料中心業務低於預期的原因之一,是旗下最新的高階GPU銷售業績不及預期,加上近期資料中心的預算支出減緩,導致庫存過剩。其中,導致銷售業績不如預期的原因是,雖然NVIDIA在GPU架構中加入了人工智慧應用的張量核心(Tensor Core),針對深度學習操作的數學運算進行了優化,但是特殊應用積體電路(Application-Specific Integrated Circuit, ASIC)在部分人工智慧方面確實要比GPU要更有優勢,因此越來越多廠商決定自行設計人工智慧ASIC處理器。
例如Google的張量處理器(Tensor Processing Unit, TPU)、Fujitsu的深度學習處理器(Deep Learning Unit, DLU)、Intel的神經網絡處理器(Neural Network Processor, NNP)、阿里巴巴的阿里神經處理器(Ali-Neuronal Processing Unit, Ali-NPU)等等,而這也正是NVIDIA資料中心業務未來的一個危機。
Mellanox總部位於以色列和美國,成立於1999年,現有員工約3,000人,主要業務為生產資料中心的通訊晶片及硬體設備,包括網路晶片、網路介面卡、網路交換器以及網路電纜等。
Mellanox的主要業務有積體電路、主機板、交換器系統、電纜與其他。其中。對應於網路介面卡的主機板業務在收入比重和年成長率都是最重要的業務,從2016年營收3.3億美元占比39.3%,持續成長到2018年營收4.9億美元占比45.5%。
此外,Mellanox是InfiniBand的先驅之一,更是InfiniBand貿易聯盟(InfiniBand Trade Association, IBTA)9大主要董事會其中一員,IBTA成員包括了CRAY、Emulex、HP、IBM、Intel、Mellanox、Microsoft、Oracle、Qlogic。起初IBTA聯盟中只有Mellanox和Emulex專門生產製造InfiniBand產品,然而2012年Intel併購Qlogic InfiniBand部門,2015年Emulex也已經被Avago收購。如今,InfiniBand技術大廠只剩Mellanox與Intel。
InfiniBand是高性能聯網的產業標準架構之一,與高速乙太網路(Ethernet)、光纖通道和其他專有技術競爭,例如克雷公司(Clay)的SeaStar技術等。關鍵的是,無論是InfiniBand或乙太網路等領域,相較競爭大廠Intel、Broadcom、Marvell,Mellanox皆有相當完整的專利與技術布局,而成為本次眾多廠商積極併購的原因。
NVLink結合Mellanox技術推升資料處理效能
面對資料中心市場,NVIDIA本身已具有關鍵的GPU高速通訊互聯技術NVLink,可支援用於CPU與GPU之間的連接等,甚至推出NVSwitch交換器晶片組來加速大量GPU之間的通訊連接。重點是,NVLink技術相較主流的快捷外設互聯標準(Peripheral Component...
放棄知識傲慢的本質思考
文 | 萬岳憲
資策會MIC產業躍升事業群總監
有一次,我想要描寫一對帶著幼童的年輕夫妻,在餐廳用餐時的彼此互動情形,最好的方法,當然就是去坐在餐廳裡,鎖定對象默默的觀察紀錄互動細節,描寫的內容會比想像的,更細膩動人。但是我突然好奇的想要試試看,用本身經驗值所想像的情境描述,與實際觀察紀錄的結果,會不會產生很大的差異?所以我就先寫了一段想像中的互動情境,然後再外出找個餐廳觀察對象。
猜猜看,結果如何?你猜的沒錯,果然和我預先想像的情境描述有差異,但讓我驚訝異的是,竟然會出現風馬牛不相及的差異。雖然這個結果讓我有點兒沮喪,但是也再次提醒自己,想要避免受到框架思考的束縛,最有效的方法就是要練習跳脫習慣性思考,重新回到本質思考,從問題的本質尋找答案。
《本質思考》一書作者,日本早稻田大學教授平井孝志認為,本質思考就是要不受限於現象或事物的表層,從容易被「黑箱化」的本質,進行思考的態度。平井孝志教授將思考慣性分為九大類,人們只要瞭解跳脫習慣性思考的方法,關注形成問題模式的因素與關係,就不會掉入慣性思考的陷阱。隨著我們對思考慣性依賴程度的深淺,反而可能讓我們走入進退兩難的思考情境,或完全無法思考的症狀。
這個理論可以解釋,為什麼在長時間的會議之後,往往會無法得到具體的結論,或是事後檢視會覺得有點粗糙的結論,因為討論時間愈冗長,我們就會愈依賴慣性思考,而距離創新思維就會愈來愈遠。平井孝志教授認為,被習慣性思考忽略或忽視的現象,就是一個將本質給予「黑箱化」的過程,在這個過程中,我們習慣很有自信的使用經驗值,嘗試推論目前已知人事物的未來發展,這就是《黑天鵝效應》(The Black Swan)作者塔雷伯(Taleb)提出的「知識傲慢」(Epistemic Arrogance)現象。
塔雷伯指出,人們天生就有傾向於,對獲得的知識範疇產生驕傲的態度,認為自己比實際狀況還要多懂一點點,而這個態度會影響我們觀察人事物的視野。一點點的傲慢,影響一點點的視野,往往這一點點就會讓我們不小心陷入困境,傲慢會隨著知識成長,當知識在增加的時候,自大也同時伴隨著茁壯,就愈容易引導我們將問題「本質」黑箱化。
唯有瞭解知識極限的人,才會謙虛的對待知識,並時時刻刻對自己的知識產生懷疑。義大利文學家安伯托艾可(Umberto Eco)擁有三萬本的藏書,當訪客看到成堆的藏書時,都會驚訝的問:「這些書您都讀過了嗎?」,艾可教授風趣的回答,卻讓訪客更驚訝,他說:「沒有,這些都是我還沒讀過的書!」。原來這浩瀚的書架,不是要展示擁有者的博學,而是在提醒擁有者,世界上還有許多應該要學習的知識。
時尚品牌香奈兒創辦人卡爾拉格斐(Karl Lagerfeld),個人也擁有超過30萬本的藏書,我不知道他是不是全部都讀過,但是巨量的藏書,展現出他對知識的尊重與謙虛。塔雷伯(Taleb)認為,擺滿「等待閱讀」的書籍,是一個「反圖書館」(Antilibrary)的概念,使用「反」(Anti)字的用意,就是要提醒世人,隨著年歲增長,閱讀過許多的書,學習許多的知識,就要更明白自己還有更多的不了解與無知,要時時刻刻的將自己圍繞在大量「等待閱讀」的書堆裡,持續提醒有限的生命,在面對無限的知識時,應該展現的謙卑態度,其實這也是《禮記-學記篇》裡所闡述的「學然後知不足」的道理。
也許,創意就是來自於放棄知識的傲慢。
我發現許多的「滿意度問卷調查」,就是掉入「本質黑箱化」的陷阱,這個現象在服務業特別明顯。許多連鎖餐飲業,將實體問卷改為數位問卷,完全忽視隱藏在事件背後的本質,直接將現象的反面或對立面視為問題的答案,然後再根據這個答案的脈絡,構思推展許多的附加作業流程。
其實,只要重新檢視「滿意度問卷調查」與「顧客」之間的因果關係,就會觀察到顧客使用「數位問卷」的過程,這個過程很容易形成「回收率」的障礙,而「回收率」是滿意度問卷調查的本質。也就是說,顧客意見要回收得愈多愈好,從統計的觀點來看,愈多的樣本數,才能愈有信心的推論母體,然後再將分析的結果,作為日後改善精進的參考依據。
問卷回收率的稀少,易導致顧客回饋意見的代表性不夠堅強,就會影響一點點企業營運的視野,然後企業就會一點一點的認為,顧客都沒有回饋負面意見,所以慣性的接受反向的結果,就是「顧客都很滿意」。有時候,企業會偶發性的放棄知識的傲慢,突然發現問卷回收率不足的問題,然後內部就會引發一連串的「刺激問卷回收率」行動方案,投入更多的人力物力之後,可能得到的是「十分耕耘,二分收穫」的問卷回收率,因為所有的行動方案,都還是在忽略本質的錯誤方向進行。
想要瞭解人事物的本質,就要確實探討彼此的因果關係,但是我們經常誤認人事物之間的相關形態,就是因果關係。在學術領域,要找出因果關係的最好方法是隨機實驗研究,需要一段時間的資料蒐集與驗證,但是一般企業講求時效性,較難凡事都透過實驗研究,最簡單又快速的方法就是實地觀察。
韓系品牌LG新設計的冰箱,輕敲兩下冰箱門,內部的就會亮起,讓你一眼就能看到冰箱裡面,有沒有你想要拿的物品,不需要打開冰箱門就能確認,讓使用者又方便又環保省電;日本物流業者大福集團(DAIFUKU)在為企業顧客運送新購電腦的過程中,會依顧客的需要提供安裝軟體的服務,讓顧客在收到電腦之後,就能立刻開機使用,而且還能跟目前的工作內容及環境無縫接軌,完全沒有更換新電腦所帶來一連串更新設定值的困擾。
我透過實地觀察,才瞭解自己對年輕夫妻互動描述的盲點,我認為LG和DAIFUKU提供與人性需求本質貼近的魅力服務,應該也是透過深刻觀察「人事物」三者互動的因果關係,所發想的新設計、新服務,有人稱為是創新創意,但是我卻比較喜歡稱它是「放棄知識傲慢的本質思考」。
最近,我就親身體驗了第一線服務人員的魅力服務。因為我想更換家用WiFi的無線分享器,可是我對分享器的設定實在不在行,心想不如就問問店員有沒有更好的辦法,結果店員立刻反問我的家用網路環境,然後很親切的問我要不要幫忙設定,我點點頭說:「太好了!謝謝」,店員又很專業的問我:「可以現在幫你打開包裝盒嗎?」,我知道他是要我當場監視安裝過程的意思,再次點頭說謝謝後,店員就開始一連串很俐落的動作,期間只要求我協助輸入網路名稱及密碼,我選擇使用目前已經在使用的網路名稱及密碼。然後我只記得自己看了幾封電子郵件,回覆幾個Line訊息後,就聽見店員跟我說設定好了,我一抬頭,看到店員正準備著要在我眼前重新包裝這台產品,眼神示意要我再次監視包裝過程。
果然我回到家裡,插上電源與寬頻網路線,所有的設定都沒有改變,家中成員也沒有重新設定的困擾。我不知道這樣的服務,是個人臨時起意,還是公司的政策,但我認為這就是從使用者需求提供服務的本質思考,3C賣場不應該再要求顧客講出完整精確的規格需求,而是要根據顧客的使用情境,提供最符合顧客需要的產品及無困擾服務,這樣就會形成差異化服務的魅力品質。
這家3C賣場以讓顧客「足感心」為經營理念,我這次的體驗,真的是「足感心」啊!
促進EV/HEV發展 車廠/電池業者各擁對策
全球市場研究機構TrendForce在最新「第一季全球汽車市場解析」報告中指出,2019年全球汽車市場規模預估為9,440萬台,相較於2018年衰退了0.8%。儘管全球汽車市場規模有下滑的趨勢,但車廠轉為搶攻電動車市場,驅動市場發展,預估2019年電動車出貨量為515萬台,年成長率達28%,若僅計算新能源車(不含油電混合車),年增率預估將高達51%。
TrendForce分析師陳虹燕指出,2019年汽車市場受到中美貿易戰的衝擊,預估在五大主要區域市場中,中國與美國的汽車銷售持續下滑,西歐和日本持平至小幅衰退,僅印度在經濟成長力道仍強勁的條件下維持正成長。
陳虹燕進一步分析,中美貿易談判持續進行,雙方目前皆宣布暫停實施懲罰性關稅。然而,貿易戰拖得越久,對2019年的汽車市場就越不利,受影響的國家也將增多。原因在於汽車銷售與國家經濟的連動性高,消費者若對未來的就業、收入成長與整體經濟成長持悲觀態度,對汽車的新購和汰換將出現遲疑和推延消費等現象。
反觀全球電動車市場發展,在全球對於節能減排的期待以及各國相關政策推動的情況下,各車廠積極發展電動車,加快電動車款推出的速度,策略發展朝向將電動車列為全系列新車的選項,穩固在電動車市場的地位。此外,電池廠產能擴充、價格持續下降、電池在地化生產等都為電動車的發展加分。
陳虹燕指出,今年的電動車發展變數多來自於政府政策,尤其中、美兩國有志一同希望將電動車的發展推向市場自由競爭機制,開始縮減補貼額度以及調高門檻,該舉措雖會為電動車車市帶來波動,但對於市場的去蕪存菁有正向幫助。另一電動車產業發展的指標則在於充電站的鋪設速度與普及程度,以及電網負荷程度與供電穩定性,綜合以上考量因素,TrendForce預測,2019年電動車滲透率為5.5%,至2023年將提升至13%~15%。
推動EV/HEV市場 豐田宣布免版稅專利
為促進電動汽車市場發展,並鞏固其在油電混合車的市場優勢,豐田汽車(Toyota)宣布提供免版稅的專利和電動汽車技術支援,藉此把握電動汽車市場開發與推廣的機會。首先,豐田宣布開放其24,000項車輛電氣化相關技術專利。其次則將為其他開發和銷售電動汽車的製造商提供收費技術支援,包括馬達、電池、PCU、控制ECU以及其他車輛電氣化系統技術。
豐田汽車公司執行副總裁Shigeki Terashi表示,由於感受到大量推廣動力混合的需求並接收了許多電動汽車公司電氣化系統相關技術的詢問,豐田認為現在正是合作的時機。藉由授予免版稅專利並為其他開發和銷售電動汽車的製造商車輛電氣化系統提供技術支援,豐田致力於促進電動汽車的普及,進而幫助政府、汽車製造商和整個社會向更環保的目標邁進。
豐田將提供約24,000項專利,授權期立即開始,將持續到2030年底。這些免版稅專利都是電動汽車中的先進技術,特別是用於油電混合車的技術,這些技術幫助豐田增強汽車性能,縮小尺寸和降低成本。更具體地,所包括的專利涉及零件和系統,例如電動機、動力控制單元(PCU)和系統控制。這些是可以應用於各種類型的電動車輛,包括HEV、插電式混合動力車(Plug-in Hybrid Electric Vehicle, PHEV)和燃料電池電動車(Fuel Cell Electric Vehicle, FCEV)等等的開發核心技術。
電動車上路 電池續航里程是關鍵
電動車電池續航的里程長短是影響購買意願的重要因素,為促進電動車發展,瑞士電池製造商Innolith AG近日也宣布其位於德國的實驗室正在開發世界上第一個1000Wh/kg可充電電池。新的Innolith Energy Battery只須充電一次,就能為電動汽車供電超過1,000公里。為了降低成本,Innolith AG避免了必須跨國取得或昂貴的材料,同時也降低了系統的功耗。
Innolith AG在電池的化學過程中採用了創新的轉換方法,以提升每一顆電池的效能。轉化反應材料(Conversion Reaction materials)為高能量密度(High-energy-density)電池提供了新的發展,因為它們可以克服傳統嵌入式(Intercalation-based)材料的缺點,進而提高電池的續航里程。
另外,Innolith Energy Battery將可能成為第一款用於電動汽車的非易燃鋰電池。Innolith AG電池使用不易燃的無機電解質,與使用易燃有機電解質的電池相比安全性較高。
Innolith AG執行長Sergey Buchin表示,目前電動車的發展受到電池限制的阻礙,消費者通常會希望一次充電即可獲得足夠的續航里程,並且具備安全性。Innolith Energy Battery將會是一項突破性技術,可以滿足這些需求。Innolith將在德國初步測試生產,隨後將與主要電池和汽車公司建立合作夥伴關係。Innolith...












