市場分析
- Advertisement -
ACAP平台彈性/智慧高 Xilinx轉型全面擁抱AI
2012年的ImageNet機器學習影像辨識學術競賽,被喻為是正式掀起這一波人工智慧(Artificial Intelligence, AI)浪潮的關鍵活動之一,GPU平行運算架構在圖形辨識上的高效能,讓深度學習網路可以大幅增加層數,以提升影像辨識準確率;也旋即於2015年以3.57%的錯誤率超越人眼,揭開AI產業化與產業AI化的大門,運算平台除了近期超熱門的GPU之外,CPU、FPGA與新興的神經網路處理器(NPU),更亟欲搶占AI深度學習網路運算與推論市場大餅。
人工智慧發展全面展開,可編程邏輯廠商美商賽靈思(Xilinx)認為,未來已經沒有一個架構可以滿足所有的應用需求,因此該公司正式踏上轉型之路,2018年3月啟動策略轉型工作,宣示從元件廠商轉型為平台廠商,提出自行調適運算加速平台(Adaptive Compute Acceleration Platform, ACAP),並舉辦賽靈思開發者大會(XDF),發表未來幾年的技術與產品重點,全面擁抱人工智慧的發展趨勢,以資料中心(Data Center)為發展策略的起點,目標為打造靈活應變、萬物智慧的世界。
自行調適/運算加速/平台化策略
多年來以可編程邏輯元件技術立足產業的Xilinx,為了在AI的創新浪潮中注入下一波成長動能,啟動成立以來最大規模的轉型工程,Xilinx總裁暨執行長Victor Peng(圖1)表示,在AI無所不在的時代,相關應用日新月異,晶片設計週期已經落後創新的速度,FPGA彈性的特點則可以應用在AI的創新上。目前一般新晶片設計週期高達24個月,透過ACAP平台的協助,可將AI模型加以拆解,變成數個不同的發展(Develop)、優化(Optimize)、部署(Deploy)流程,該平台動態範圍廣泛彈性,可針對不同的應用調整需要的加速範圍。
圖1 Xilinx總裁暨執行長Victor Peng表示,該公司自行調適運算加速平台ACAP目標為打造靈活應變、萬物智慧的世界。
因此Xilinx未來不再是元件供應商,而是平台化解決方案開發與供應商。而資料爆炸、AI興起、摩爾定律放緩,顛覆了原有的市場和業務,Peng認為,平台策略在這樣的大環境下中也就顯得更加重要,系統和基礎設施在全球迅速擴張,對於運算能力和頻寬也有了前所未有的要求。同時,也要更加迅速地滿足不斷變化的要求和標準。就像自然界「物競天擇,適者生存」的自然法則一樣,在數位世界,靈活應變的系統也是最具彈性和可持續性的。
Xilinx於10月推出第一款ACAP平台產品Versal,Peng指出,Versal字面上是由Variety與Universal組合而成,希望在技術與應用上可以兼顧多樣性與通用性。Peng強調,ACAP平台是整體軟體的堆疊,不僅僅是晶片,還包括高整合度工具、最佳化函式庫、作業系統等,還有AI框架標準,只須利用符合業界標準設計的流程就能針對其硬體與軟體進行編程與最佳化,針對整體應用的加速,而不僅止於深度學習網路。
Versal架構專為AI應用開發
Versal的架構將發展兩個系列、六個應用區隔,兩個系列以有無AI核心為主要差異,未搭載AI引擎的系列,運算能力由低至高為Prime、Premium以及HBM三個產品線;而搭載AI引擎的系列,主要以應用區隔為AI核心、AI邊緣以及AI RF系列。未搭載AI引擎系列,針對市場上廣泛適用性進行設計,並就作業負載的連結與線上加速進行最佳化。搭載AI核心的系列,針對雲端、網路以及自駕車應用進行最佳化,該系列配有5個元件,並提供128至400個AI引擎。
在架構上,Xilinx FPGA與SoC產品管理暨行銷資深總監Kirk Saban(圖2)解釋,Versal架構中有幾個主要的核心,包括:純量處理引擎(Scalar Processing Engine),搭載Arm Cortex-A72與Arm Cortex R5應用處理器,還有可完全軟體編程的平台管理控制器;自行調適硬體引擎(Adaptable Hardware Engine),可動態重新配置,即時加速能力最高達八倍;DSP引擎可提供高準確性浮點運算與低延遲,針對客製化資料路徑的細微性控制;AI引擎具有高傳輸率、低延遲與高效率,可協助AI推論與高階訊號處理,搭配先進記憶體和介面技術,可提供強大的異質加速能力。
圖2 Xilinx FPGA與SoC產品管理暨行銷資深總監Kirk Saban解釋,自行調適硬體引擎,可動態重新配置,即時加速能力最高達八倍。
而在軟體支援與開發環境部分,Xilinx軟體業務執行副總裁Salil Raje說,AI人工智慧有兩個階段,訓練和推論。在訓練階段,資料科學家將海量的資料放到模型中,然後微調模型、改善模型以減少誤差,之後將訓練模型部署到應用當中。在推論過程當中,資料量相對較少,在推論階段,回應速度與功耗就顯得更加重要,如果部署在搭載電池的邊緣設備當中,要盡量降低功耗。未來幾年,推論需求的成長性將明顯高於訓練(圖3)。
圖3 AI推論需求將持續攀升
資料來源:Barclays Research(05/2018)
AI創新與應用日新月異
而推論帶來的挑戰包括:AI創新的速度,低延遲、高通量和高效能與整體的應用加速。Raje指出,幾年前AI關注圖像的分類以及推薦的引擎,但是AI應用和AI模型的使用數量成長的速度非常快,包括目標識別、分割、語音辨識、異常檢測等,在每個應用當中都有很多的創新發生在AI的模式上。2012年的AlexNet促成AI模型的大爆炸,在過去六年,絕大多數的創新都是為了改善精確度。最近則是想提高AI模型的效率,以應用於行動裝置和IoT終端。
現在AI的應用、AI模型和精度方面有很多的創新,Raje舉例,有一個最先進的深度學習網路,等專為其設計的晶片生產時,技術已經產生了變化,此固定功能晶片,只為了支援一個舊的網路架構。所以固定晶片架構不是好選項,要靈活應變的硬體如賽靈思FPGA和ACAP元件,使得使用者能夠客製資料流程以針對最先進的網路,同時可彈性調整,而不需更換晶片。靈活應變的硬體也能夠客製記憶體的層次結構,可以用更多的On...
專訪英特爾物聯網事業群總經理Tom Lantzsch Intel新加速器推動邊緣運算發展
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。
為了降低雲端運算工作負載,實現更多的創新應用,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是機器學習導入前端設備,希望使前端裝置也具備人工智慧的能力,而這過程中也有許多挑戰須克服。
英特爾資深副總裁暨物聯網事業群總經理Tom Lantzsch表示,以往企業在導入深度學習技術上遇到許多困難,各種產業都需要專業知識、種類廣泛的多樣化裝置與具擴充性的解決方案,以進一步發展深度學習。而新推出的視覺加速器設計產品可以提供更多的選擇與彈性,加速AI邊緣運算發展,以產出更多即時性資訊。
據悉,新發布的視覺加速器設計產品運作方式,是將AI推論的工作負載轉移至Movidius視覺處理晶片陣列或高效能Intel Arria 10 FPGA的專屬加速卡上;且開發者可透過OpenVINO工具套件,將Intel CPU與Intel內建GPU上的深度學習推論應用與設計成果,輕易延伸至這些全新的加速器設計之中,藉此節省時間與費用。
英特爾透露,相較於Discrete GPU,新推出的視覺加速器產品優勢在於封裝小,可用於體積小的邊緣設備,且功耗更低(約10~20瓦);同時為了因應市場多元的應用,不僅是新發布的Movidius視覺處理器和Arria 10 FPGA以OpenVINO為基礎外,其餘產品線如XEON、CORE i7和ATON等,也都支援OpenVINO,讓開發者依據自身需求選擇合適的晶片,打造具深度學習功能的邊緣裝置。
英特爾資深副總裁暨物聯網事業群總經理Tom Lantzsch表示,新推出的視覺加速器設計產品可加速AI邊緣運算發展。
北科大電資學院院長黃育賢專訪 瞄準需求產學不脫鉤
3C轉4C 車用電子帶動研究主題
北科大電資學院院長黃育賢認為,與學術型大學相比,北科大更重視實習課程規畫,研究主題的設定也會較為務實。老師們所開出的論文題目,多為了解決現下產業遇到的問題,汽車電子便是其中一例。
近年來,科技部與教育部皆積極推動各國家型計畫,期許藉此推動前瞻科技發展。其中,汽車電子被視為傳統3C產業(電腦、通訊、消費性電子)之外,的「第4C(意指Car)」,正積極將汽車電子領域納入各種政府計畫之中。因此,北科大電資學院亦有所投入,並與麻省理工學院合作開發能夠取代共享單車的自駕三輪車。
黃育賢說明,由於早期的半導體產品皆是以消費電子為主,如今若要跨足汽車電子將會面臨相當的轉型門檻,其中,除了汽車電子對於可靠度、穩定性的高要求之外,高電壓、大電流的能源管理也是重要課題。因此,北科大電資學院也將時時針對這樣的產業趨勢調整課程內容。期許能使學生與產業接軌,學以致用。
與時俱進 AIoT中心即將落成
在北科大電資學院,大部分的同學依然是畢業於高工;然而,亦有透過學測成績招收來自普通高中的學生,因此,該學院針對普通高中學生需求,成立電資學士班。不僅如此,北科大更在2018年,由電資學院搶先試辦大學四年不分系的教學方式,期盼學生能培養更扎實的跨領域知識。
在人工智慧(AI)的時代,除了軟硬整合將會日趨重要之外,許多周邊的技術也將出現與以往截然不同的應用。黃育賢舉例,如在大眾印象中與軟體產業關聯較淺的光電領域,在未來也將會在製造過程中有許多的演算法、程式設計需求。更會因光感測、光通訊在人工智慧與物聯網(IoT)的眾多應用,而使得研究學術單位出現與以往不同的樣貌。
有鑑於產業對於人工智慧與物聯網技術的重視,北科大將在2019年初成立AIoT中心,以因應相關的技術開發需求。在北科大電資學院,有三分之一以上教師具備足夠的AIoT軟體知識,期盼藉由該中心的建立使得教學與研究的力道更加聚焦。黃育賢也提到,要發展AIoT,必須加強人才軟硬整合與系統整合的能力。但台灣科技產業長期以代工為主,因此系統整合的概念較為不足,這也是未來必須要從學院教育慢慢補足的。
補足中階人才缺口 五專學制強勢回歸
北科大在過去以「台北工專」名聲為人熟知,在1997年升格成為科技大學之後,睽違20年,五專部在2018年再次成立。
儘管如今高等教育普及,大學錄取率居高不下,然而,黃育賢表示,在科技業界對於中階科技人才的缺口依然非常大。因此,在政府政策推動與校友的支持之下,台北科技大學五專部在2018年8月首度招生。在首屆招募的30名五專部學生中,有9名學生的應試成績可以進入第一志願普通高中就讀,招生成績相當亮眼。
最後一哩課程加持 科大/產業合作積極
正由於北科大電資學院對產學接軌的重視,更針對此需求規畫了「最後一哩」課程,該課程內容中,有高達三分之二課程時數是由產業中的專業人士講授。
黃育賢說明,人工智慧的發展不但牽涉到處理器、記憶體、電源管理的發展,半導體製程也必須跟著進步,人工智慧的發展與半導體製程的關係非常密切。因此,北科大電資學院便與台積電合作,讓產業界的專業人士在「最後一哩」課程中,直接與同學分享業界目前正在使用的製程技術。除了台積電之外,該學院亦與友達光電、研華科技合作,開設不同科技產業領域的「最後一哩」課程。
目前,許多科技大學皆已逐漸降低校外實習的教學時數,轉而偏重理論教學課程。然而,北科大認為與產業充分接軌才是科技大學最大的優勢與特色,該校學生的校外實習依然是全校必修課程。
北科大電資學院院長黃育賢認為,與學術型大學相比,北科大更為重視實習、實驗類型的課程規畫,對於研究主題也會較為務實。
實現高效/節能 馬達邁向驅控一體設計新時代
馬達是將電能轉為動能的重要零部件,不論在消費性、工業甚至當前熱門的電動車中,都可看到馬達的蹤影;而在未來全面電氣化的社會中,馬達應用更將無所不在。對馬達應用的開發者與系統整合商而言,如何降低開發成本、加快開發速度,以滿足更多變的市場需求,是最大的挑戰。
節能/小型化趨勢推動驅控一體設計漸明朗
馬達設計永遠朝更低功耗、更高效率和更小體積邁進,特別是在節能減碳意識興起之後,對於馬達的功耗和效率也有更嚴格的要求。意法半導體(ST)技術行銷專案經理林進裕(圖1)表示,在消費者節能意識抬頭和各國政府法規的帶動下,電子消費性產品紛紛從原本的直流(DC)馬達轉變成直流無刷(BLDC)馬達。除了節能之外,電子產品也持續朝小型化發展,家電產品如吸塵器、空氣清淨機等體積愈來愈小。因此,隨著半導體技術進步,晶片整合能力增強,馬達系統設計開始朝驅控一體發展,馬達控制IC供應商新一代解決方案也相繼出爐。
圖1 意法半導體技術行銷專案經理林進裕表示,在節能意識和小型化趨勢帶動下,馬達系統設計開始朝驅控一體發展。
例如意法半導體備有STSPIN32F0A可程式設計馬達控制器,該產品採用7mm× 7mm的系統級封裝(SiP),整合STM32F0微控制器(MCU)、3.3V DC-DC切換式轉換器、閘極驅動器和12V LDO低壓差穩壓器,讓設計人員可以依照不同的情況靈活地開發馬達控制系統。
同時,該產品具備6.7V到45V的寬工作電壓,且內建32KB快閃記憶體的48MHz微控制器,能夠運作馬達控制演算法,例如6步無感測器向量控制或位置監測控制演算法,以及使用者應用軟體;滿足電動工具、空氣淨化器和小冰箱、伺服器散熱風扇,以及3D印表機等應用。
林進裕指出,馬達系統的驅動跟控制朝單一晶片整合發展的最大好處在於,可減少終端產品的開發時程。過往終端製造商可能須分別購買MCU、LDO、DC轉換器等元件,加以組裝,且在組裝過程中還須克服走線設計、噪音(Noise)干擾等挑戰。以該公司的STSPIN32F0A控制器為例,當中除了MCU外,還整合了LDO、DC切換轉換器等數個元件。如此一來可大幅減少印刷電路板(PCB)的設計空間(減少30%以上),不僅可實現小型化的設計,還能降低開發成本。總而言之,在節能與電子產品小型化的趨勢帶動之下,以及為了縮減產品研發時間、複雜度及降低成本,馬達系統朝驅控一體發展的趨勢愈加明顯。
安全防護不容忽視 MCU再添各防護功能
松翰科技系統設計一處副處長陳奕儒(圖2)也認為,因應高效率、低成本的市場需求,MCU的設計也須朝高整合化邁進;也就是MCU不能只有單一特性,還須具備寬工作電壓、高抗干擾等功能,否則很容易被取代。像是現在有些MCU供應商,為了使MCU能支援更高的工作電壓,便將MCU與Pre-driver IC透過SiP封裝整合在一起,從原本的5V提升至能支援30V、40V的工作電壓,滿足更多應用。
圖2 松翰科技系統設計一處副處長陳奕儒指出,安全也是馬達設計的其中一個重點,因此MCU也須添加安全防護功能。
陳奕儒指出,MCU設計朝高整合化邁進,除了上述所提的因素外,另一個重點便是提升安全性。現今電子產品對安全性的要求越來越高,法規也越來越嚴格,為避免一瞬間的大電流或大電壓導致馬達短路,因此需要有更高的保護措施,像是過流、過壓防護等。
陳奕儒進一步說明,以往馬達的過流、過壓防護多靠韌體(Firmware)實現,也就是當類比數位轉換器(ADC)偵測到一瞬間的大電流或大電壓時,再通知馬達控制器,讓馬達停止運作,避免短路。此一處理過程由韌體進行控制,然而,採用韌體處理的缺點在於運算需要花上一些時間,即便只有幾毫秒(Millisecond),但對於馬達而言,瞬間過大的電流或電壓都有可能使其短路。為此,目前MCU供應商便將過流、過壓保護改為硬體設計,也就是不仰賴韌體處理,直接研發過流/過壓保護IC,並與MCU整合成單一晶片(SiP或SoC),如此一來便可提高2~3倍以上的處理速度,也因此,MCU的功能便愈來愈多。
陳奕儒透露,因應市場趨勢,該公司目前及日後的產品設計,也會朝著高整合度發展。像是之前推出的SN32F240系列,其內建各種類比與混合訊號元件、多種高速通訊能力元件,具備低功耗、寬工作電壓、高抗干擾等特性,可協助客戶簡化USB外部電路,降低產品成本,適用於PC周邊、數位家電產品、醫療電子產品、電動工具、工業控制系統、可持式裝置等。
至於在開發工具方面,該系列提供內建線上燒錄功能的開發套件,具備ISP(In-System Programming)功能可直接對系統作線上更新,增加生產的靈活度與便利性,能有效縮短開發時間及節省成本,提升產品品質與競爭力。
除此之外,陳奕儒指出,目前BLDC馬達驅動方式多為六步方波(Six Step Square Wave),然而,為提升馬達控制效率,達到節能效果,未來馬達控制將會慢慢轉成弦波(Sine Wave)無霍(也就是無霍爾感測器)的方式。原因在於弦波的控制效果較六步方波佳,而沒有霍爾感測器的話,在走線設計上也會比較簡單,成本也比較低;因此,未來家電產品的BLDC馬達,將會加速朝向弦波無霍技術發展。
實現驅控一體設計 FPGA朝高整合發展
除了MCU之外,FPGA在馬達驅動/控制應用中,也扮演重要的角色。賽靈思工業物聯網策略暨業務經理Chetan Khona(圖3)觀察,馬達的功能、效能及成本與市場需求息息相關,像是在工業方面,對於無刷馬達的高速與精準控制的需求甚高,且在支援功能安全方面的要求也持續攀升;汽車領域則需要高功率與高效率的無刷馬達控制,其中包含單階與多階變流器(Inverter);至於消費型馬達控制應用則較以成本考量,因此所需的效能和功能較低。
圖3 賽靈思工業物聯網策略暨業務經理Chetan Khona認為,提升演算法從原生格式,轉譯成嵌入式系統能使用的格式,是馬達設計的其中一個關鍵。
然而,不論是何種應用市場,共同的發展皆是改善控制效能,使產品具備更好的效率及更長的運轉壽命,並減少維護作業。Khona指出,在馬達控制設計中,其中一項最普遍、但卻最沒有效率的工作,就是將演算法從原生格式,轉譯成嵌入式系統能使用的格式。因此,該公司透過將原生格式的設計移植到旗下FPGA、SoC,以及ACAP等類型的元件,來消除這方面的落差。此外,像SDSoC 或Vivado高階合成(HLS)這類的工具,能接受原生C或C++語言程式碼,並讓其快速部署在採用賽靈思核心的嵌入式系統,這類流程正是賽靈思電機控制開發平台(Electric Drives Demonstration Platform, EDDP)的基礎。
此外,該公司也透過「混合電路設計」或「資訊科技(IT)與操作技術(OT)的整合」,提升馬達控制效能。Khona表示,過往將馬達控制演算法建置在微控制器或CPU上時,元件執行的所有工作會對控制迴路產生漣漪效應,並且因共用資源而產生負面影響,尤其是當在資源緊絀的情況。因此,該公司便強化FPGA的平行處理能力,讓這些控制迴路的決定性與其他活動相互隔離,像是連網及網路安全等。
另一方面,隨著創新應用不斷興起,終端產品開發商希望馬達能具備更高的效能和更高的決定性(Determinism),像是在工業物聯網(IIoT)或工業4.0時代,馬達控制系統要做的事遠遠不僅止於控制,還須包括聯網、網路安全、功能安全、數量更多/種類多元的輸入、視覺導引控制以及人機介面(HMI)等;或是需要彈性與擴充性,來因應多軸驅動持續成長的需求。
為此,該公司也致力將各種功能整合到單顆晶片。例如將磁場導向控制(FOC)演算法發展成全硬體式設計,除了傳統採用像VHDL與Verilog這類硬體描述語言(HDL),還採用C/C++語言撰寫程式碼,再用HLS編譯成可編程邏輯。這樣的設計具有模組化特色,意謂FOC演算法的每個構成模組都能對應到一個程式碼模組(HDL或C/C++語言),該模組能完全運行它們的功能。而按FOC演算法所定義的來連結所有模組,就會產生最終設計,再透過簡單的高階指令,配合賽靈思旗下Zynq SoC內的處理系統所採用的預設,便可在可編程硬體上運行,這種作法能有效支援不同組態及演算法。
創新應用推動MCU/DSC規格持續革新
Microchip高效能微控制器部門行銷經理Patrick Heath(圖4)則表示,馬達控制應用範圍廣泛,因此對於MCU和數位訊號控制器(DSC)的性能和功能要求也各不相同,而為提升整體控制效率和降低功耗,MCU和DSC的設計方式和規格也產生新的變化。
圖4 Microchip高效能微控制器部門行銷經理Patrick Heath指出,因應各種市場需求,馬達有各種控制技術,對於MCU和DSC的要求也不盡相同。
在很大程度上,馬達控制挑戰是已知且穩定的。現代DSC和MCU馬達控制器的功耗一般來說已足夠低到處理180nm或更小的製程。但為了保持價格競爭力,新的馬達控制器設備正朝向更先進的製程。
Heath指出,目前新的馬達控制器設計均採用90或40nm製程,與以前的設計相比,可提供更低的成本,更高的CPU速度和更低的功耗。不過,產品總是追求小還要更小,這也導致一些新的封裝開發,例如5×5mm 36接腳uQFN,或是7×7mm 48接腳QFN,這為許多馬達控制應用提供了I/O接腳的最佳位置,並顯著降低PCB板的尺寸。
另一個趨勢則是馬達控制器與MOSFET閘極驅動器元件的整合,汽車引擎蓋應用以及在乎PCB尺寸優勢的電動工具公司尤其重視這一點;此外的一些整合還包括支援汽車協定的LIN收發器。對於功耗極低的馬達,除了閘極驅動器之外,一些整合還包括MOSFETS,進而形成單晶片解決方案。
至於在馬達控制演算法方面,需要32KB或更少的程式快閃儲存空間,所需的I/O可以安裝在28接腳封裝中。當然,其他A/D輸入、定時器輸出、串列通訊等的應用要求差異很大,並且增加了接腳數和快閃儲存要求。總之,最佳馬達控制應用的配備正逐漸朝向64KB程式快閃儲存和36/48/64接腳封裝發展。
當然,MCU和DSC也須具備功能安全(Functional Safety)的特點,才能通過IEC 60137...
專訪安矽思產品管理總監Larry Williams 模擬工具加速5G應用開發
安矽思(Ansys)產品管理總監Larry Williams表示,行動通訊技術以往的應用情境相對單純,不是人與人之間的語音、文字通訊,就是行動寬頻上網。但5G將是一種和蒸汽機、引擎類似的通用技術(General Purpose Technology),除了要繼續支援現有的行動應用外,還要承載V2X通訊、物聯網等新的應用服務。
為了滿足更多樣化的應用情境,5G標準導入了許多新的射頻通訊技術,例如MU-MIMO、更複雜的天線陣列甚至毫米波(mmWave)等。這些新技術不是讓系統設計變得更為複雜,就是要採用全新的設計架構。例如毫米波通訊,由於線路損失太大,因此天線必定要整合到射頻前端的封裝裡,亦即AiP封裝。
因此,要確保5G通訊設備跟相關元件成功開發,周延的模擬必不可少。唯有透過模擬工具,才能在產品設計階段早期發現可能產生的問題,進而提出因應對策。目前Ansys在5G設計模擬方面,已經推出眾多解決方案,從晶片設計、封裝到基地台等級的訊號涵蓋模擬工具,Ansys都能提供。目的是要讓使用者盡可能減少在原型開發跟實地測試上所需投入的資源,並盡可能涵蓋各式各樣的應用情境。
事實上,從整個無線通訊產業的發展軌跡來看,模擬所扮演的角色只會越來越重要。沒有完善的模擬,工程師無法建立精確的模型,後面的應用開發就只能靠嘗試錯誤的方法來摸索,這是非常耗時又昂貴的過程。
RF CMOS就是一個典型案例,在相關元件的行為模型建立起來之前,RF CMOS的應用發展極為緩慢,但隨著模擬工具日趨完善,工程師對RF CMOS的行為特性掌握度更高,才促成今天RF CMOS元件廣泛應用的局面。
安矽思(Ansys)產品管理總監Larry Williams認為,在5G應用發展的過程中,模擬工具會扮演十分關鍵的角色。
半導體封裝產業走向工業4.0 各廠進展快慢不一
對半導體製造產業來說,由於業內領導企業想得夠遠,加上產業協會居中協調,早早就訂立了SECS/GEM這類半導體設備專用的聯網通訊標準,因此工業物聯網對相關業者來說,不僅不是新概念,更已經與日常運作緊密結合。然而,機台互聯只是落實智慧製造的第一步,各廠商在智慧製造上的布局進展,在這條起跑線之後,就呈現天差地遠的局面。
持續改善成本結構 智慧製造勢在必行
據了解,智慧製造進展速度最快的台積電,光是一條產線上平均就有7~8萬個感測單元,讓台積電的製造團隊不只可以即時掌握生產線的一舉一動,還有大量資料可以進一步分析各製程步驟的細部狀況,找出良率問題的成因或產能瓶頸所在,進而謀求改善對策。但對於其他晶圓代工廠,甚至是封測相關供應鏈業者而言,智慧製造的推展進度就存在相當大的落差。
日月光半導體總經理暨執行長吳田玉(圖1)表示,推動智慧製造,甚至進一步導入人工智慧來進行生產調校、找出生產瓶頸所在並予以克服,或進行生產排程等,將是整個封測產業未來必然要走的路。
圖1 日月光半導體總經理暨執行長吳田玉認為,智慧製造是半導體封裝產業未來必然要走的道路。
以日月光為例,目前該公司一共有超過2.5萬台打線機、9,000台測試設備,只要有些許良率提升或生產成本撙節的效果出現,都能帶來巨大的經濟效益,而且是留在自家口袋裡的真金白銀。因此,日月光對於推動智慧製造跟導入人工智慧的態度一直相當積極。
事實上,吳田玉認為,近年來摩爾定律推進速度越來越慢,不純然是技術問題,更關鍵的是成本下降的執行面出問題。先進製程越來越昂貴,導致越來越多應用晶片負擔不起,是拖累摩爾定律推進速度的關鍵因素之一。因此,如何降低製造成本,對半導體製造業者來說,是十分重要的議題。
據了解,從2008年開始,該公司就已經啟動工業4.0發展計畫,至今一共有400位系統工程師投入相關研發。目前該公司在智慧製造方面,共投入機械手臂、自動搬運、虛實整合、工業物聯網、大數據以及人工智慧這六大領域。並且從2014年開始,就已開始試行關燈工廠,並取得部分成果。目前日月光已經有3座關燈工廠,這些工廠除了巡邏員之外,沒有其他員工。
其實,對製造業而言,人一直是影響生產良率的一個重要因素。除了人為作業疏失是所有製造業都會遇到的問題外,對半導體晶圓製造、封裝等必須在無塵室進行生產的產業來說,人還是主要的汙染源之一。因此,在生產線上,如果能用機器取代人力作業,對生產效率、品質的提升,會帶來相當大的幫助。
由人機協作走向全自動
不過,目前全球封裝產業內,能做到無人工廠的業者其實還非常稀少。專攻晶圓搬運應用的賽思托機器人(Sesto Robotic)執行長梁漢清(圖2)就表示,雖然整體封裝產業的自動化技術運用確實比過去成熟,但整體來說,該公司目前的主力銷售產品仍是不帶機器手臂的純自動導引車(AGV),而非帶有手臂的智慧移動機器人(IMR)。
圖2 賽思托機器人執行長梁漢清指出,目前封裝業者大多還停留在人機協作的階段,要做到全自動化還需要一段時間。
梁漢清分析,這跟客戶生產線的自動化基礎建設進展有關,且事實上目前多數封裝業者的生產線,還是要靠作業員幫機台進行上下料作業,已經達到全自動化的客戶並不多見。
如果要實現無人封裝產線,則封裝機台跟IMR之間的整合,大概需要1~3年的時間。首先,封裝機台本身必須能支援全自動化作業,產線後端的軟體平台,例如派車系統、製造執行系統(MES)等,會需要進行調整跟升級;IMR跟機台之間,也要有直接通訊的能力。這也是該公司目前主力產品仍是AGV的原因,因為半自動化的作業流程,亦即AGV把晶圓搬到機台前,再由作業員協助上下料,是比較容易實現的。
不過,產業的趨勢很明顯,封裝業者對全自動化解決方案的詢問度正在升溫,而這也是該公司選擇在本屆Semicon Taiwan展覽期間主打S200+七軸機器手臂方案(圖3)的原因。該款整合了AGV跟七軸手臂的移動機器人,可以在相當狹小的空間內作業,手臂荷重為20公斤。AGV本身則搭載360機器視覺等多種感應技術,不僅能偵測到平面上的工作人員或機台,就連機台上突出在外的螢幕、鍵盤等配件也能感測得到,讓AGV也具備繞過這些懸空障礙物的能力。
圖3 賽思托在本屆Semicon Taiwan期間展示的S200 AGV與七軸機器手臂整合方案。
事實上,為了適應人機協作的需求,賽思托的AGV有許多安全防護機制,例如當AGV偵測到附近有人員存在時,就會自動減速;若發生碰撞,則是立刻停止。至於手臂本身,雖然不是採用協作型手臂,但因為晶圓盒、晶舟在取放時的速度本來就很慢,以免晶圓承受太大的加速度而破裂,因此該公司在評估之後認為,採用協作型手臂的意義不大。至於AGV本身,在移動時會把加速度控制在晶圓可承受的範圍內,以確保晶圓的安全。而這也意味著AGV在有人環境下很難全速運作,因為隨時都可能要減速甚至緊急剎車。
梁漢清認為,某方面來說,這也是封裝業者為何要走向全自動化的原因--在人機協作的環境裡,移動機器人通常無法將其效率完全發揮。在無人產線上,移動機器人才能發揮其真正的實力。
iNEMI標準化進展值得關注
封裝設備大廠Kulicke& Soffa(K&S)則認為,封裝產業如果要實現工業4.0或智慧製造,最應該優先釐清的問題其實不是怎麼做,而是要做什麼,為什麼做。
K&S資深副總裁張贊彬(圖4)認為,就技術層面來說,透過機台聯網來監控生產參數、機台健康狀況等,是相對很容易做到的;在虛擬環境進行產線規畫、調試,也不是太大的問題。真正困擾封裝業者的,其實是對智慧製造的問題意識不夠清晰。每家封裝業者擁有的資源、遭遇的挑戰跟企業文化都不一樣,因此每家公司營運上面臨的課題也不盡相同,封裝廠必須先釐清自己到底要解決哪些問題,排定優先次序,之後才能評估到底要導入什麼技術方案來解決。換言之,每家封裝業者的智慧製造發展路線圖,都會是獨特的。
圖4 K&S資深副總裁張贊彬表示,對封測業者來說,實踐智慧製造最重要的關鍵在於釐清自己的真正需求。
不過,就設備供應商的角度來觀察,確實有些共通的技術元素是所有封裝業者都需要的,因此K&S提出了智慧打線機(Smart Wirebonder)的概念(圖5),希望讓打線機能夠更輕鬆地融入各家封測廠的智慧製造發展路線規畫中。
圖5 智慧打線機的功能特點
另一方面,封裝業者身居電子產業鏈的中段,前有晶圓生產,後有電子組裝。因此,封裝業者的智慧製造發展路線,要如何和整個電子產業鏈的智慧製造發展進程銜接,也是每家封裝業者必須考慮的問題。
事實上,目前電子業界已有一個匯集產業鏈上中下游,名為iNEMI的產業聯盟,正試圖推動整個電子產業朝向智慧製造邁進。目前該聯盟有意利用IDM業者在馬來西亞所建立的封測基礎,在當地推動OSAT的工業4.0示範案場,預計在2~3年之後就能看到成果。
根據iNEMI的規畫,要實現晶片到終端產品的智慧製造,資料流(Data Flow)、資安與數位建構要素(Digital Building Blocks)的對接,是最重要的環節(圖6)。目前iNEMI正試圖集結產業鏈上下游之力,突破相關障礙。
圖6 iNEMI所提出的智慧製造架構
專訪Maxim資深市場經理Roger Yeung PMIC朝高整合/高效/高靈活發展
Maxim資深市場經理Roger Yeung表示,越來越多消費電子產品採用高效能處理器來滿足虛擬實境(VR)、擴增實境(AR)、深度/機器學習等應用,對提升電源效率和減小外形尺寸的需求也日益增高。因此,PMIC在設計上,須具備高整合、高效率及高靈活特性,還要穩定性高、低功耗、易於設計,以及低成本。
Yeung進一步解釋,電子產品體積越來越小,因此,PMIC在設計上的首要考量,便是如何實現高整合性,以縮小整體尺寸,降低消費性電子設備的電路板空間和元件成本。同時消費者又希望電子產品使用壽命能越久越好,也因此,如何達到高效但又低功耗、Low iq以維持Always on的狀態,是PMIC第二個設計關鍵。
對於電子產品製造商來說,除要打造高效、小體積、壽命長的產品滿足消費者需求之外,也希望可進一步降低開發成本並加快上市時程。因此,PMIC不僅要有高整合度、高效率,同時還須具備高靈活度的特點。
Yeung指出,要實現高整合度,代表整個IC會有許多組的Channel,而要控制每一組Channel的時序,基本上會加掛一顆MCU,但這樣也使設計和操作更複雜;因此,該公司使用供電順序管理器(FPS)代替MCU,進行時序控制;如此一來,除降低操作複雜度之外,且由於控制主要是由FPS負責,不太須要再加掛MCU,也因而降低設計難度,加快Time to Market的時間。
Yeung說明,總而言之,電子產品持續朝高運算、小體積、低功耗發展,PMIC也因此須具備更高的整合度、更高效能和高靈活性,而PMIC供應商也致力發展新一代解決方案,像是Maxim近期便推出新一代高效能PMIC「MAX77714」和「MAX77752」,可用於AR/VR、無人機、等領域。
因應AR、VR等創新應用發展,電源管理晶片必須具備更高整合度、更高效能、低成本以及更靈活等特性。
電動/聯網車輛量測挑戰多 儀器商各有法寶搶商機
放眼未來車輛即將面對的轉型,勢必將為汽車電子供應鏈帶來相當程度的變化。其中,不僅是汽車駕駛輔助系統與各類感測設備會帶來更多資訊傳輸的需求,就連動力系統電動化也會為了充電狀態監控、充電樁資訊傳輸等功能,提升通訊需求,儀器廠商無不大舉布局,以滿足市場需求。
另一方面,不僅是汽車內外的通訊將為儀器量測帶來挑戰,為因應動力系統電動化趨勢,儀器商也正布局高功率量測方案,以搶攻商機。
高電壓/精密控制帶來量測挑戰
在精密電子量測領域中,過往只有在特殊領域用電才會有高功率量測需求。然而是德科技(Keysight)資深專案經理蘇千翔(圖1)表示,由於電動車的電力是用以帶動動力,因此對於電力輸出的精準度要求更為嚴苛。
圖1 是德科技資深專案經理蘇千翔表示,由於電動車的電力是用以帶動動力,因此對於電力輸出的精準度要求更為嚴苛。
蘇千翔說明,由於過往的電力量測需求以靜態的用電狀況量測為大宗,然而如今電動車需要以電力轉換為動能,其中的控制必須非常精準;否則,電動車將容易出現加速時爆衝的狀況。不僅如此,還必須要在大電壓的環境下做到精準的控制,這對於量測儀器而言是非常大的挑戰。
然而,多數電子元件沒有辦法在如此高電壓的情況下進行量測,也就是說傳統量測設備本身就沒有辦法負荷汽車電子所須承受的高電壓環境。正因如此,該公司推出了一系列車用方案,針對高電壓控制輸出量測設計特殊的量測儀器。
自放電測試新法 2小時找出電池壞品
正由於車內的特殊環境,使電源/動能系統的量測考量非常多。包含如何緊急救援、氣候環境是否能夠適應等等都是元件模組廠商需要考慮的。其中自放電測試便是重要測試項目之一,而是德科技亦推出了相關解決方案,將過去需要一周才能完成的量測過程縮短至2小時,大大提升生產效率。
在電池相關的量測之中,除了充放電的測試之外,電池自放電時間的量測觀察亦非常重要,藉此能分辨電池效能優劣。蘇千翔強調,由於目前依然有相當多傳統車廠持續沿用舊有的電池相關量測方案,但是面對汽車電動化趨勢,未來複雜的電池量測需求肯定會越來越多,因此也會更需要有效率的量測方案。是德科技提供了一量測方法,透過軟體以及量測儀器的進步,以2小時就能完成傳統量測方式需要一周才能完成的測試流程。
模組化儀器為固態電池過渡量測對策
車輛電動化已成必然趨勢,為求更高續航力與行車安全,固態電池的研發已成大勢。然而,在固態電池大舉導入之前,鋰電池在短時間內依然是主流。在此階段,模組化量測儀器將能符合現階段相關製造廠商之需求。
國家儀器(NI)技術行銷經理吳維翰(圖2)指出,自電動車發展初期至今,皆是以使用鋰電池為主;儘管鋰電池技術成熟並具備足夠蓄電量,然而由於其內含電解液的材料特性,當遇到車禍時,電解液燃燒將會釋放大量有毒物質,因此有非常高的安全風險。
圖2 國家儀器技術行銷經理吳維翰指出,鋰電池的價格將隨著採用率提高而逐漸下降,到了2025年,鋰電池的價格預計將達到2010年價格的十分之一。
有鑑於此,固態電池由於其體積小、較安全、充電量大的特性,可能成為未來趨勢。預計在未來3~5年將會出現顯著的進展。不過目前固態電池的製程還未穩定,尚未進入量產階段,且固態電池檢測規範亦尚未落地。
吳維翰指出,鋰電池的價格將隨著採用率提高而逐漸下降,到了2025年時,鋰電池的價格預計將達到2010年價格的十分之一。因此,在固態電池成熟並量產之後,成本也將逐漸降低,進而帶動在電動車領域的滲透率。
然而,在固態電池正式量產之前,相關供應商依然必須滿足目前的鋰電池量測要求,然而面對3~5年後即將面臨的固態電池大趨勢,也必須要開始布局。吳維翰認為,電池的測試項目不外乎結構相關測試(高溫、低溫、震動等測試項目)與電氣相關測試(高速充放電等測試項目),因此,在此新技術研發階段,便相當適合導入模組化量測儀器。模組化儀器之優點在於能靈活應變不斷變動的測試規範,並能依照不同國家的法規要求調整。
優力(UL)技術研發部研發總監王凱魯表示,鋰電池由於其材料特性的原因,將勢必有一定的安全風險,不能將之視為一般元件使用。在未來,除了固態電解液的導入之外,耐高溫的隔離膜或是其他維護電池安全的設計都可能陸續出現。但是大體而言,目前電動車鋰電池的安全規範已相當成熟,未來將會針對失事後採取更多的程序規範。
由於鋰電池起火後的威力不容小覷,至今依然尚未制定完整的消防安全程序規範,但隨著電動車逐漸普及,這勢必將是未來的關鍵趨勢之一。王凱魯進一步提到,在美國已開始針對電動車消防安全進行訓練,其中包含該如何預防電池芯延燒,以及如何保護消防人員自身安全。
車聯網領域台廠商機多
由於台灣許多設備廠、模組廠、元件廠、系統廠皆是以網通產品起家,台灣具備扎實的ICT產業基礎是眾所皆知的事情。因此面對未來的車輛轉型,相較於能源相關的零組件而言,在車聯網相關的產品是較有優勢的。是德科技資深行銷專案經理吳哲樂(圖3)指出,目前甚至已經有一些台灣模組廠打進汽車Tier1供應鏈之中。
圖3 是德科技資深行銷專案經理吳哲樂指出,目前已經有一些台灣模組廠打進汽車Tier1供應鏈之中。
吳哲樂進一步說明,對於零組件廠商而言,要打入汽車供應鏈之中非常的困難,一項產品要通過車規驗證也可能會需要將近五年的時間;但是一旦打入其中也將很難被汰換。台灣在通訊方面相當在行,未來在車聯網、V2X領域,將會看到不少台灣的廠商搶下商機。
影音娛樂需求帶動車用Ethernet量測方案
無論是車聯網或是車輛電動化趨勢都大大提升了車內資訊傳輸的需求,尤其是資訊娛樂系統所帶來的資料傳輸量更是呈倍數的提升。時至今日,車內的影音通訊傳輸速度可上看100Mbps,因此將會需要車用乙太網路(Automotive Ethernet)來滿足通訊需求。
吳哲樂指出,在以往,車內的有線通訊以CAN(Controller Area Network)為大宗,但是隨著來自影音娛樂設備的畫質要求越來越高,CAN通訊已不符合需求,因此,在車內影音的通訊上,現已逐漸轉為使用車用乙太網路通訊。車用乙太網路傳輸速度快,布線也相對較為簡單、輕巧,將成為車內影音傳輸的介面主流。是德科技也因看好此需求將成長,因此也祭出了相對應的量測解決方案。
然而,由於車用乙太網路建置成本相對CAN較高,因此,由於在電子控制器(Electronic Control Unit, ECU)與中控台之間的車體控制通訊傳輸量並不大,在未來依然將會以CAN通訊為主。
傳輸需求日漸提升 光纖車內應用即將引爆
不僅是自用車輛,各類交通載具上的資訊娛樂系統傳輸資料皆逐漸提升,因此近來民航客機、火車等較為大型的交通工具皆開始導入光纖,用以滿足乘客的高畫質影音需求。在未來,光纖網路也將逐漸導入至客運巴士中,各類車內的光通訊商機即將引爆。
安立知(Anritsu)業務暨技術支援部門專案經理杜建一(圖4)指出,由於交通工具上資訊娛樂系統產生的資料量以及對畫質的要求越來越高,因此有許多廠商已經開始將民航客機、火車等大眾運輸交通工具上的傳輸介面光纖化。在未來,客運巴士中所使用的傳輸介面將是下一波導入的應用領域。
圖4 安立知業務暨技術支援部門專案經理杜建一指出,有許多廠商已經開始將民航客機、火車等大眾運輸交通工具上的傳輸介面光纖化。
由於自用車體積小,車內資訊傳輸距離不會太長,故較難展現光纖傳輸速度快、資料量大的優勢。因此,目前的應用多是以大型的交通載具為主。更由於光纖系統在車內傳輸的應用普及率較低,若要導入自用車的價格恐將過高。然而,光纖通訊不但具備傳輸速度快的優勢,光纜的重量與成本也皆優於銅線,因此未來電動車依然有望成為光纖通訊的重要應用領域。
不僅是光纜的重量與成本優勢將成為導入電動車通訊介面的重要推力。杜建一也提到,在現今電信機房之中,換用光纜之後的電費開銷將是使用銅纜的十分之一。可以想見,光纜的節能特性也將成為電動車導入的一大誘因。
杜建一說明,近年來由於車聯網趨勢興起,許多在以往只會運用在手機設備、電信機房的通訊技術皆漸漸導入汽車應用之中,光通訊技術便是其中一例。更由於近年來車內的資料傳輸量逐漸增加,因此,對於提供量測解決方案的廠商而言,部門之前的分工已難如以往清楚分割;時至今日,車內引擎量測、電子系統量測,也同樣有許多監測訊號、感測器訊號、管理訊號必須回傳。正因如此,需要整合各類通訊模組在其中,該趨勢也大幅提升了量測儀器的挑戰。
性別/年齡AI看手就知道
各位以為用人臉識別性別年齡就很厲害了嗎?這篇文章要來讓各位瞧瞧深度學習的黑科技可以黑到甚麼程度。只要透過手的照片,就能夠知道性別與年齡,透過卷積神經網路就能做到這麼神奇的效果。
本文將從數據到模型,透過微軟的深度學習框架CNTK以及臉書的深度學習框架Pytorch,來實作根據手的照片來判斷人的性別與年齡。以下解說部分張貼的皆為CNTK代碼,並附上兩個框架代碼。
首先關於使用的數據來自Google,他提供了一組數據包含了11,000張手部的照片(圖1),同時包含手的主人的性別年齡與種族。我們將會擷取裡面的性別(類別)與年齡(連續)數據來作為輸出變數,手部圖片作為輸入特徵。
圖1 Google提供了一組數據包含了11,000張手部的照片。
由於下載後還要自己整理圖片有些許麻煩,因此我也已做好圖片的懶人包,將圖片數據向量化,以及比對好標籤檔的結果,並以Pickle檔案格式儲存。
圖2為解析完的結果,清單內的每個項目也是一個子清單,裡面分別包含兩個Ndarray,第一個是形狀3×64×64的向量代表圖檔。請注意,CNTK與Pytorch都是CHW格式:通道×高×寬。另一個則是形狀為3的向量,裡面三個數值分別為id(數值相同代表是同一個人的不同角度的手)、年齡(介於0~100)以及性別(0是表示女性,1是表示男性)。
圖2 Google手部圖片分析後的結果
CNTK與Pytorch的圖片格式要求是一樣的,在各家深度學習框架中,僅有Tensorflow的排列順序相反。向量維度的排列是CHW(通道×高×寬),顏色的排列順序是BGR(藍綠紅),也就都是依照字母順序排列。
關於圖片與向量的轉換方法如下:
def img2array(img: Image):
arr=np.array(img).astype(np.float32)
arr=arr.transpose(2, 0, 1)#轉成CHW
arr=arr #顏色排序為BGR
return np.ascontiguousarray(arr)
def array2img(arr: np.ndarray):
sanitized_img=arr#轉成RGB
sanitized_img=np.maximum(0, np.minimum(255, np.transpose(arr, (1, 2, 0))))#轉成HWC
img=Image.fromarray(sanitized_img.astype(np.uint8))
return img
為了供給建模使用的資料讀取器,同時也因為我想要畢其功於一役,讓兩種框架都可以一次適用,所以我寫了一個通用的讀取器來供應每個Minibatch所需要的數據。其中讀取圖片時,我將圖片向量除以255,而且讀取年齡時,我將數值除以100,都是為了確保數據可以介於0~1之間,以方便收斂。在這個範例中因為篇幅關係暫時不放數據增強(Data Augmentation)。利用函數,每次調用都可以回傳圖片以及所需要標籤。此外,要注意的是打亂圖片順序這個步驟很重要,Google的數據是有按照性別排序的。
在這裡要示範的卷積神經網路骨幹網路用的是我最近很推崇的一篇文章所介紹的新架構「DenseNet」,原始論文出處為「Densely Connected Convolutional Networks」。
傳統的卷積網路都是線性的,但當層數越多時,就有可能發生梯度彌散的問題,造成模型無法收斂。正因如此,微軟亞洲院2015年發展出的殘差神經網路(ResNet)就使用了跳轉連接(Skip Connection),以有效的將梯度挹注到後面神經層,這樣模型就可以做出超深的架構,也不用擔心難以收斂。
微軟2015年就以152層的ResNet獲得了當年的imageNet冠軍。但是深度學習在訓練的過程中,當卷積神經網路將梯度傳送到後層的時候,都會發生特徵被隨機遺失,這樣這個特徵就再也傳不下去而無用了。為了解決這個問題,DenseNet的基本概念就是,每一層的特徵都會傳送到後面的「每」一層,這樣就可以有效的確保訊號不被丟失。
圖3 ResNet架構
DenseNet的基本結構稱之為稠密單元(Dense Block),它有幾個重要的超參數:
·k:稠密單元層數
·n_channel_start:初始通道數
·glowth_rate:通道成長數
以圖4為例,假設下圖是一個k=4(向下傳遞4次,所以共5層),初始通道數32,成長數為16的Dense Block,分別計算每一層的輸入通道數(從前面傳進來):
圖4 5層架構的Dense Block
X1:32+16(來自於X0)=48
X2:48+16(來自於X1)=64
X3:64+16(來自於X0)+16(來自於X1)=96
X4:96+16(來自於X0)+16(來自於X1)+16(來自於X2)=144
Growth Rate有就是每次會傳遞多少通道到後面的層數,以上面說明案例固定數值為16,但該卷積層的通道數比這數字更大,因此等於是強迫每個卷積層要做一次特徵選取,將特徵精選之後傳至後方。這種「Save...
西門子攜手北市府 技職課程導入工業自動化
五大高工導入西門子方案 盼有效拉近產學落差
近日台北市政府教育局與台灣西門子共同簽署合作備忘錄,為台北市擘劃未來合作藍圖努力,希望專業人才能夠在社會上得到尊重與認同,國家的技職教育得以蓬勃發展。
台北市自107學年度起辦理數位職人培育試辦計畫,採用西門子自動化教育合作方案(Siemens Automation Cooperates with Education, SCE),導入西門子機電技術一體化國際認證教學模式(Siemens Mechatronic Systems Certificate Program, SMSCP)為主,針對台北市技職學生做國際化數位製造的職人培訓。
該計畫將針對台北市大安高工、松山工農、內湖高工、南港高工及木柵高工五所學校實施。該課程結束後,即安排學生至西門子合作的相關企業見習,將理論與產業實務結合從做中學習。透過此試辦計畫,預期能有效縮短台灣目前的學用落差;並協助技職學校建構國際化教材,紮實累積自動化領域的實務經驗。不僅對學校未來在數位製造課程的規畫和執行有相當大的助益,更強化台灣工業數位人才技術實力和競爭力。
西門子台灣總裁暨執行長艾偉表示,升級產業以永續國家競爭力是各國發展首要策略,其中創新技術至為重要;培育專業人才亦是關鍵。西門子相當重視人才培育,長期與全球各國政府教育機構緊密合作,增進技術知識並與產業無縫接軌。台灣西門子與台北市政府合作數位職人培育試辦計畫,攜手強化產學鏈結,提高台灣技職人才的國際就業力。
在此之前,台北市亦率先於102年度起超越全國辦理海外技職教育見學團,並與西門子公司合作,連續六年為台北市提供柏林、紐倫堡教學技術中心及西門子自動化工廠的見學機會。藉由海外見學機會,提供學生專業技術學習及多元文化認識,促進台灣技職教育向上提升。
大安高工校長陳貴生認為,工業4.0需要數位化與大數據來推動,當今不論是科技大學或是高職都在往該方向調整課程。內湖高工校長林振雄則指出,目前高職畢業後直接進入職場就業的學生比例不高,因此未來將聚焦於基礎課程,協助學生入門扎根,並以銜接科技大學課程為主要目標。
群集教育理念回歸 跨領域人才培育日趨重要
南港高工電機科教師丁一能於2017年起,親身進入西門子實習10個月,再將設備使用方法帶進校園中。他表示,當初會與西門子合作,主要目的是為了弭平台灣的產學落差。
在過往,台灣產業界與技職學界所使用的設備不同,因此學生畢業後進入產業工作時,將面對產學之間的落差。因此,丁一能親身投入,將工業4.0的基礎設備導入高工課程之中,不但帶領了高工課程轉型數位化,在未來更將提升台灣產業技術實力。
丁一能說明,台灣過去曾有一段時間講求「群集教育」,也就是高工的學生必須要同時學習機械製造、電銲、木工以及電子電機課程;然而後來卻逐步走向專精教育,甚至師資培育也是往專精方向發展,造成學生難以跨領域學習。但是近來台灣技職學界又回過頭來談教學廣度的重要性,希望學生畢業進到產業工作後,就算遇到不是主修科目的難題,也能夠具備跨領域的基礎概念,並與產業接軌。
丁一能進一步舉例,在台灣的高工課程安排中,電控與工具機的相關知識屬不同學科,並沒有結合在一起,但是到產業裡是要一起考量操作的。而西門子的機電技術一體化國際認證教學模式,便是較為符合產業現況的操作架構。
丁一能在完成西門子的實習之後,除了在南港高工持續執教之外,也將以台北市政府教育局的名義到各學校去教導學生操作西門子的設備,估計一年將能培訓240名學生。
西門子台灣總裁暨執行長艾偉表示,升級產業以永續國家競爭力是各國發展首要策略,其中創新技術至為重要,但培育專業人才亦是關鍵。












