市場話題

Oculus發展虛擬實境產品的當務之急以視覺為主、聽覺為輔，衍生出當今產品主流型態的穿戴式眼鏡型態，並搭配控制器簡易的震動回饋模擬觸覺，至於五感比重過低的嗅覺與味覺暫不列為Oculus產品規畫藍圖中。 依照外觀型態大致上可分為三大定位類別：配件型、一體型、主機型。 三大類型各有優缺 配件型是以智慧手機為主體搭配相關頭戴組件而成。由於搭配目前最主流的電子資訊產品為智慧手機，相較其他類型產品，其總體擁有成本(Total Cost of Ownership, TCO)最低，因此配件型市占率最高，然而受限於智慧手機的硬體規格，其所能獲得的訊息互動量最低。 關於一體型，不需智慧手機也不需電腦主機，可直接使用，因此具備快速大量普及的潛力。總體擁有成本中等，而受限於必需可攜式的硬體規格大小，因此訊息互動量低於主機型但高於配件型。關於主機型，需要由電腦提供運算，得益於主機的運算力，可提供最高訊息互動量的體驗，但也導致其總體擁有成本最高。 整體而言，Oculus的配件型已成功打入各利基市場，並由Oculus主機型引領整體產業走向。值得觀察的是，2019年第一季即將推出的一體型新品Oculus Quest可望突破全球虛擬實境市場的普及度，對於整體虛擬實境產業而言是一大轉機。 配件型的概念來自於Google的Cardboard專案，由於Cardboard幾乎零成本的設計迅速帶起了虛擬實境的風潮，各大廠商也從Cardboard的雛型改善出更豐富的訊息互動模式。例如增加手把提供訊息輸入、增加陀螺儀提高移動追蹤性、增加外部追蹤器擴大可移動範圍等。其中最具代表性的為Samsung與Oculus合作的Gear VR，由Samsung提供智慧手機搭配Oculus的演算法支援與內容平台導入，兩大廠商合作之下，Gear VR產品的訊息互動量表現在配件型產品中最為優異。 然而智慧手機的硬體運算力不足，造成了虛擬實境最關鍵的痛點：暈動症，背後的主因之一是視覺輻輳調節衝突，而這需要大量的運算與顯示技術才能改善，例如光場(Light Field)。隨著配件型的先天性缺陷導致了產品更新停滯，Samsung與Oculus也就此停止更新Gear VR產品線。整體而言，Gear VR點燃了虛擬實境產業的起頭，但也代表配件型已無繼續發展下去的理由。 面對著受限於智慧手機性能的Gear VR，Oculus開發出專屬虛擬實境產業的產品Oculus Go，並提供比Gear VR的60翻新率還要更高的72表現，但Oculus Go跟Gear VR兩者皆只支援三自由度，也就是即便使用者戴著產品走動，內容變化幅度相當有限，只能上下左右觀察，因此僅適合360度影片觀賞。而面對中國大陸市場，則是與小米品牌合作，以掛牌方式推出產品。 然而，Oculus預計2019年第一季上市的一體型新產品Oculus Quest，使用了精準的內向外追蹤技術Oculus Insight，成功支援完整的六自由度的虛擬實境體驗，使用者可自由走動並可接受全部數位訊息，整體訊息互動量大幅追上主機型產品。而產品定價399美元起，更使得總體擁有成本仍遠低於主機型，也因此被視為虛擬實境產業將成功再度吸引各界關注的一刻，甚至會影響Oculus主機型產品的布局規畫。 為了立下虛擬實境的最高體驗，2016年Oculus推出了Oculus Rift打開了主機型產品市場，並立下六自由度與90翻新率的產業標竿。雖然主機型具備高訊息互動量的優勢，但同時也伴隨著高售價的劣勢，背後的高成本問題，原因包括了須搭配外部追蹤器與本身眼鏡研發成本，而最關鍵的是必須搭配昂貴的電腦與高單價的繪圖處理器(GPU)，造成虛擬實境電腦售價合計至少1,000美元，也導致了主機型總體擁有成本遠高於配件型與一體型，嚴重影響了消費用與商業用市場，拓展步伐仍然緩慢，這也是為何即使Oculus Rift從原本599美元降價至現今449美元後仍無法大幅提升銷量的主因之一。 但是，電腦主機與繪圖處理器成本短時間內無法下降，因此Oculus計畫推出小改版的Oculus Rift S，與現有產品的區隔在於同樣使用了內向外追蹤技術Oculus Insight，並以此取代外向內追蹤技術Constellation，此舉雖可省下外部追蹤器的成本，但精準度是否仍有一定表現仍有待商榷。 值得注意的是，Facebook取消原先預期大改版的Oculus Rift...

USB Type-C可同時支援數據、影音及電力傳輸(Power Delivery, PD)應用，以及連接器正反面皆可插拔等亮眼特性，已吸引許多電子產品製造商趨之若鶩，相關應用產品也愈來愈普遍。就連蘋果(Apple)在最新一代iPad Pro也首度將自家連接器Lightning替換成USB Type-C接口，為Type-C應用發展再添新動能。 其中，USB Type-C結合USB PD的應用尤其受到市場關注，無論智慧手機或平板電腦充電器，抑或是筆記型電腦電源轉換器(Adapter)，都已開始改用USB Type-C+PD的設計，以滿足裝置輕薄與快速充電等要求。 不過，也由於Type-C可實現的功能相當多樣，加上USB PD規格可支援至100瓦電力傳輸，使得應用產品設計考量變得更加複雜；所幸，隨著高整合、保護及訊號一致性等解決方案大舉出籠，相關開發挑戰已可迎刃而解。 滿足輕薄/高速趨勢　USB規格緊跟潮流 輕薄與高速是現今電子產品很重要的兩個設計目標，因此USB傳輸介面規格也不斷朝此方向演進，如今薄型、可正反插拔的USB Type-C連接器的快速風行，即是最佳印證；至於傳輸速率，亦在近10年間由USB 3.1 Gen1的5Gb/s升級至USB 3.1 Gen2的10Gb/s，而利用雙通道方式達到20Gb/s頻寬的USB 3.2規格，也開始擴大滲透至各種PC和周邊應用。 祥碩科技技術行銷部經理張欽俞表示，人工智慧應用潮流下，處理器運算效能愈來愈強大，促使周邊輸出入(I/O)介面也須跟著升級，朝向更高效能、多工、支援豐富應用、向後相容(Backward Compatible)、容易使用且具發展性等方向演進，以免變成發展瓶頸。 張欽俞進一步指出，USB 3.2是基於先前USB 3.1的實體(PHY)層設計，僅須微幅修改鏈結層(Link Layer)規格，即可快速在Type-C連接器上實現頻寬倍增、效能倍增的USB設計，並相容於既有的USB軟硬體生態系，能在短時間內迎合市場對更高速傳輸性能的需求，包括集線器(Hub)和基座(Dock)、4K8K顯示、儲存及更長傳輸距離等皆為目標應用，祥碩因而已積極投入發展。 USB 3.2由於使用了兩個通道，且可支援USB 3.1 Gen1(5Gb/s)和Gen2(10Gb/s)，因而可以有Gen1x1、Gen1x2、Gen2x1和Gen2x2四種模式。至於USB 3.2的印刷電路板設計是採行目前USB...

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...

產業融合並非新概念，事實上可能還是最古老的概念之一。市場在彼此互動時，會自然地交換想法、程序與技術，讓不同市場變得更為緊密交織。如今全球社會彼此相連，這只會讓出現融合機會的速度更快，而且規模更大。針對多產業融合所提出的看法，可說是百家爭鳴。 部落格、文章與分析報告皆指出，數位革命帶來的迅速步調，使歷史悠久的產業陷入混亂，但這些意見很少觸及融合會如何擾亂測試組織。無論融合被視為威脅還是潛在機會，在公司的日常營運中，其影響無處不在。這些優秀組織會運用多產業測試平台，並與接觸多產業的其他組織合作、向其學習，藉此直接解決融合帶來的問題。 建立測試創新推動產業融合 在經常受到引用的2014年Gartner報告「產業融合：數位工業革命」(Industry Convergence：The Digital Industrial Revolution)中，其主張：「對組織而言，產業融合代表最基本的成長機會。」而對測試部門來說，這項機會來自學習與運用其他產業並集中資源，藉此加快創新速度；而融合的本質，以分享想法為中心。 為了避免浪費時間與精力建置已存在的事物，在產品創新領域中常常會探討運用與學習其他產業的概念，這項概念也可應用到測試策略上，功能安全就是很好的範例。重型製造業的產品本質以安全為重，在這項本質的促進之下，經過數十年的學習，此產業開發出可證實其嵌入式電子裝置功能安全的程序：IEC 61508。 鐵路與汽車等其他產業已在其架構中加入講究安全性的嵌入式系統，與此同時，重型製造業則利用EN 50126與ISO 26262來延伸IEC 61508的範圍並加以調整，以在所屬產業中發揮效用；若要在測試策略中新增功能安全測試，向這類標準的專家學習可節省時間。 在融合帶來的諸多效益中，多產業資源的集中是其中一項較不顯眼的好處。隨著產業間的關係更緊密，功能需求也會漸趨相近；因此，向這些產業提供服務的廠商也可增加投資，因為對特定需求的市場會變得更大。就測試而言，以平台為基礎的廠商可對處理器或類比數位轉換器(ADC)等項目增加投資，毋須受到所屬產業的局限，藉此以更低價格向所有產業提供更優質的產品。相較於單產業解決方案，若可對測試的軟硬體或服務挹注投資，多產業解決方案就能大幅提高實現技術槓桿的機率。 結合多產業專業知識　克服融合成本/複雜度 在IBM於2016年對公司最高管理層專業人員進行的重新定義界線(Redefining Boundaries)研究中，其指出：「在未來的3~5年，產業融合顯然會讓其他預期將出現的趨勢黯然失色。」雖然融合趨勢可能帶來正面效益，但相較於備受期待之處，令人擔憂的部分可能更多。 對測試管理人員來說，融合會提高複雜度，並需要更易於調整的測試平台與更靈活的組織。隨著各產業採用不同技術，測試管理人員現在不僅需要測試這些新技術領域，也需要相關的專業知識。 例如，當前的汽車油電混合傳動系統，就需要用到可測試控制、機械、熱力學、電子、軟體，甚至電池化學技術的系統。這麼一來，即便是僅在數年前以低靈活度封閉式專利平台所建置的測試系統，也會顯得老舊。 因此，測試系統應改採開放式的模組化軟硬體，不僅能在不同的I/O類型、程式設計語言與廠商環境下作業，同時也能使用完善定義的API與可互通性標準，對無法預測未來情況的組織來說，這會是更艱鉅的挑戰。 此外，在這個融合的時代中，未來變得模糊不清。公司、測試策略與測試平台應設計為可快速配合未來調整，無論未來情況為何。例如，航太公司過去的行動非常保守謹慎，而且仰賴漫長的產品生命週期，但現在其供應鏈與消費性電子裝置供應鏈更為緊密連結，讓航太公司需要提高其靈活性。 因此，航太測試部門需要讓測試設備跟上大幅加快的技術更新速率，而關鍵在於，在設計測試架構時就加入這種適應性，跨產業交流活動與監看其他產業的貿易刊物，有助於讓團隊了解最新趨勢。 若能與具備多產業專業知識的組織合作，會更加理想，如此將有助於公司更有效因應意外情況，並運用其他產業的最佳做法。公司可將最棘手的問題外包給已解決該問題的第三方，或可針對5G與IoT等迫在眉睫的趨勢，在其他產業中建立策略性合夥關係。 例如NVIDIA與奧迪(Audi)即攜手合作以加快技術開發的速度，而Boeing與Embraer則合作以從競爭者手中搶下市占率；這僅是其中兩個例子，其他還有許多例子可說明這類合作如何讓組織超越其產業同儕。重新評估測試應放在供應鏈中的哪一環節，以及審視供應商，也是明智的策略。組織若能積極採取行動，即可做好迎接未來的準備，或許還能進一步影響未來。 (本文作者為NI自動化測試產品管理副總)

AI人工智慧的浪潮一波波襲來，帶動雲端儲存、大數據分析等新商機崛起，但隨著更大量、即時的資料吞吐量，傳統雲端架構已逐漸無法負荷如此龐大的運算需求。邊緣運算(Edge Computing)有助於降低傳統雲端架構的運算負荷、提升邊緣端的數據與資料處理能力，大幅改善運算效率以及數據應用。根據研究機構預估，2018~2022年全球邊緣運算相關市場規模的年複合成長率將超過30%，吸引許多廠商競相投入布局。 與雲端運算相較，邊緣運算更加無所不在，不僅應用領域廣泛，產業投資較小，也與台灣產業型態更加契合，邊緣運算將因為物聯網(IoT)蓬勃發展，扮演更明確、更高價值的角色，該技術可以處理複雜的工作，也可以負擔簡化的運算，端視它配置的運算資源和分析軟體，如果邊緣裝置無法立即處理，還是可以透過雲端來接手。本次活動邀請相關技術領域的研究單位與廠商擔任講師，剖析邊緣運算架構、專用加速硬體、產業發展趨勢與應用前景。 從集中到分散式的運算結構 物聯網發展與成長迅速，相關裝置更是高度成長，產業研究機構資策會MIC研究指出，全球具自主反應功能的IoT主動式裝置(Active Device)在2015年時共有129億個，其後一路成長至2020年將突破212億個，2025年時預計進一步成長至342億個。資策會MIC資深產業分析師兼專案經理施柏榮(圖1)說，以具備IoT功能來加以區分，預計2021年，具有IoT功能的主動式裝置已達50%，2025年預計達到62%，顯示全球有愈來愈多的裝置具備數據感測、資料蒐集、資料互聯的功能。 圖1　資策會MIC資深產業分析師兼專案經理施柏榮說，邊緣運算發展之下，AIoT裝置將具備數據感測、資料蒐集、資料互聯的功能。 再者，全球主動式IoT裝置數量2015年，約有28億個，2019年為IoT裝置數量首次超過全球人口總數的年份，2020年更將挑戰100億個大關，2025年則預計達到215億個，是2020年的兩倍之多(圖2)。施柏榮認為，全球人均IoT數量(全球平均每人所擁有的IoT裝置)，2020年為1.3個、2025年將達2.69個，意味著當年全球每人將有近三個能夠蒐集環境數據的裝置或設備，與人類的日常生活更加密不可分。 圖2　全球人口與主動式IoT裝置數量發展趨勢 資料來源：資策會MIC整理(12/2018) 物聯網的發展將產生資料的洪流，數據的處理與使用成為未來幾年亟需解決的問題，施柏榮指出，終端設備所處的位置，將產生不同類型的數據使用情境。而邊緣人工智慧(Edge AI)是在物聯網邊緣位置上，執行機器學習推論(ML Inference)並處理來自終端的數據與資訊的運算服務，達到降低雲端負載、終端立即回應的效果。 邊緣運算的重點在調整過去雲端運算的集中式(Centralized)結構，轉變為以分散式(Distributed)運算為核心，賦予近終端的節點，也可以進行運算、分析、決策等功能，施柏榮強調，除了解決網路壅塞，資料處理延遲等問題，邊緣運算並非是要取代雲端運算的功能，而是重新定義、優化雲的架構。Edge AI的運作在Cloud、Edge、Thing之間皆產生非常緊密的交換與連繫，彈性化架構是運作的重點。 邊霧運算強化雲端彈性 若以技術發展的角度來觀察，邊際情境智慧(Edge Intelligence via Ambient Computing)，定義上就是遠離雲端而靠近面對消費者的裝置那一端，須具備一定的運算與智慧產生能力，能就近處理感測所產生的資料。資策會物聯應用系統中心副主任王秉豐表示，既有雲端架構無法滿足物聯網離線處理、資料隱私、即時回應等需求，導入邊霧運算架構可解決雲端運算面臨的問題，增加使用彈性，解決不同系統間資源共享與再利用的需求。 邊霧運算的技術架構有幾個特色，包括：多樣性與異質性的挑戰，可以通過服務和設備的抽象層來解決；應用程序和資源管理緊密合作，提供複雜的互聯網服務，並自適應地分配邊緣/霧端資源；邊緣資源註冊、識別和控制介面，將是改善網路和服務可擴展性的方法。 而邊霧系統架構未來幾年的發展將遭遇挑戰，王秉豐說明，包括可擴展性(Scalability)、複雜的互連網(Complex Inter-networking)、動態和適應(Dynamics and Adaptation)、多樣性與異構性(Diversity and Heterogeneity)等，邊霧運算將建構更彈性化的IaaS基礎架構，改變既有數據傳輸、儲存模式甚至網路運算計價模式。 邊緣運算應用多樣廣泛 而從應用的角度來觀察，AI將深入各行各業、各個角落，根據產業研究機構資策會MIC研究指出，AI將成為基盤性技術，全球人工智慧的科技支出，2016年約為4.5億美元，但預計於2020年達到192.8億美元、2021年更將突破達到289.6億美元，顯示全球公私領域皆將人工智慧視為科技研發投入的重點，並將逐漸導入應用以強化自身競爭力。 資策會董一志提到，AI應用無遠弗屆，穿戴式裝置就是典型的邊緣裝置，智慧手環與手表的功能有：健身計步、睡眠偵測、心律測量、精準定位等，隨著消費者需求的成長，最新的Apple Watch已經導入跌倒偵測，類似的個人健康與保健功能將持續出現在各式智慧穿戴裝置，並結合更多AI邊緣運算的技術，達成隱私、即時與智慧化的需求。 邊緣運算專用晶片引發卡位戰 AI的熱潮在過去幾年帶動雲端運算的高度成長，同時也帶動資料中心用的記憶體、處理器(High Performance Computing)、高頻寬傳輸介面等的發展，而方興未艾的邊緣運算，也促使晶片廠商大舉投入相關的專用加速硬體的開發，安馳科技專案副理謝秉志(圖3)表示，嵌入式的機器學習(Machine Learning)解決方案有幾個特性，透過軟/硬體可配置特性因應快速變化的深度學習網路，而且可以針對高效能與低功耗彈性調整，支援深度學習網路任意精度的調整，並以即時運算創造低延遲，在不同的應用上可以彈性的進行差異化。 圖3　安馳科技專案副理謝秉志指出，使用深度壓縮(Deep Compression)工具可以有效提升深度學習網路的效率，改善效能。 可編程元件一向以彈性化的配置見長，在AI應用上，依然延續這類特點，而為了節省運算資源，可以支援最小1bit的資料寬度INT 1運算，跟32位元的運算比起來，可以大幅節省硬體資源。而在深度學習網路中，剪枝(Pruning)也成為邊緣運算的發展重點，透過演算法簡化網路的複雜度，將影響學習準確性較小的節點刪除，讓深度學習網路模型可以被裁剪為結構精簡的模型，且網路修剪前與修剪後維持相似效率。 使用深度壓縮(Deep Compression)工具可以有效提升深度學習網路的效率，謝秉志進一步說明，深度學習網路整體效能將獲得改善，大致說來，可將網路節點縮減成1/3，資料傳輸的頻寬需求剩下1/10，網路模型規模剩下1/10，運算效能提升3倍。 而目前在AI領域領先的GPU大廠NVIDIA，同樣看好邊緣運算的發展，也提出轉移式學習(Transfer Learning)工具，該公司技術行銷經理蘇家興(圖4)指出，這是一個將整體網路優化的工具，流程上是先提出已訓練過的模型，加入新的資料，透過轉移式學習的流程，包括剪枝、場景改編(Scene Adaptation)、重新編碼，最後可以產生一個高精度符合應用場景的模型。網路剪枝不是只有縮減模型的複雜度，而是優化整個深度學習網路，經過轉移式學習流程後，模型可縮小6.5倍，但網路效率可以提升2倍。 圖4　NVIDIA技術行銷經理蘇家興說明，網路剪枝不是只有縮減模型的複雜度，而是優化整個深度學習網路，縮小模型並提升網路效率。 深度學習優化有撇步 目前網路上開放共享的深度學習網路模型很多，如何利用別人已經訓練好的模型來達成自己的目標，逢甲大學電子工程系副教授陳冠宏(圖5)建議，可以先看這些模型跟自己的訓練目標有沒有一致，如果差距不大就可以透過剪枝、截斷(Truncation)、權重分類(Quantization)這些方法，加入自身的情境，讓這些網路經過壓縮之後，可以更加符合自身的應用情境，節省訓練的步驟。若是這些訓練好的模型分類與應用不符，則深度學習網路模型就需要重新訓練。 圖5　逢甲大學電子工程系副教授陳冠宏建議，透過剪枝、截斷(Truncation)、權重分類(Quantization)可以讓AI訓練更有效率。 AI的訓練與推論耗費許多運算資源，因此將AI放在邊緣如何提升效能，且不犧牲太多準確率，成為邊緣運算的發展重心，陳冠宏認為，模型壓縮、高平行性(High...

聯發科技通訊系統設計本部總經理黃合淇表示，5G在全球各國即將商轉，相關的技術與服務應用需要成熟且完整的生態系共同合作，而非一家公司能夠主導。為因應此趨勢，聯發科致力於參與3GPP國際標準的會議討論以及終端晶片的開發，致力於為客戶提供方案，達到在2020年5G商轉的目標。 黃合淇認為，傳統基礎建設業者在建置大型基地台的同時，也築起了一些技術高牆，小基站(Small Cell)若要與核心網路連結將面對較高門檻；基地台之間的互通性尚有疑慮。另外，民眾普遍排斥在自家住宅附近搭設基地台，也將使得建置小基站的地點難尋。因此，儘管小基站倡議多年，但商業模式仍不明確。 另一方面，Sub-6GHz頻段的特色在於傳輸距離長、蜂巢覆蓋範圍較廣，因此相對於毫米波(mmWave)頻段而言，使用Sub-6GHz頻段對於基地台數量的需求較少。同時，Sub-6GHz頻段所使用的技術多可沿用4G時期開發的技術，因此Sub-6GHz頻段相關的射頻元件產業鏈也相對成熟。 但也由於5G的終端市場非常多樣化，因此儘管聯發科技會先由Sub-6GHz頻段優先切入，但也依然會持續在毫米波頻段上持續開發。同時，也由於終端晶片是聯發科技最為熟悉的市場，因此面對5G革命，聯發科技也將持續往該方向投入研發。 目前聯發科技在5G技術的研發實力，也獲得國際標準組織的高度肯定。根據德國市場調查單位IPlytics GmbH調研報導指出，在全球已提交3GPP 5G標準技術貢獻的前20大公司中，相對於4G標準制定時期，聯發科技的5G提案參與度大幅增加了將近四倍，且聯發科技以43%的5G提案審核通過率高居全球第三。 聯發科技通訊系統設計本部總經理黃合淇表示，5G術與服務應用需要成熟且完整的生態系共同合作，而非一家公司能夠主導。  

美商應用材料副總裁暨台灣區總裁余定陸認為，科技業正面臨有史以來最大的AI大戰。在電腦運算處理器部分，人工智慧需要大量、快速的記憶體存取及平行運算，這時繪圖處理器(GPU)及張量處理器(TPU)會比傳統運算架構更適合處理人工智慧的應用。為使人工智慧潛力完全開發，其效能/功耗比需比目前方案提高1,000倍。 另一方面，為了應對大量資料跟高速運算需求，儲存資料用的記憶體、用來傳輸資料的高速介面技術等，也有許多可以發揮跟探索的空間。先進封裝技術的推陳出新，讓異質整合成為可能，不僅讓晶片業者可以在單一封裝內整合更多功能，同時也讓資料傳輸的速度大為提升。 隨著晶片的結構越來越複雜，半導體製程發展的挑戰變得更為艱鉅。但如果在材料科學方面能有新的突破，將可協助半導體製造商解決不少問題。例如在晶片內數量越來越多的矽穿孔(TSV)，必須精準地打在正確的位置上，否則會形成短路。但以現在的製程方法，要確保TSV的位置正確，是一大挑戰。為此，應材已發展出可以自動對位的新材料跟對應製程方法。 最後，為了應對未來的挑戰，半導體產業的運作模式也必須跟著改變。當今的半導體產業上下游都是以直線型的方式來運作，但未來必須以網路的思維進行平行發展與學習，運用互連加速創新。每家廠商不只要面對客戶，以後還要跟客戶的客戶、客戶的夥伴攜手合作，才能發展出符合客戶需求的產品跟解決方案。 美商應用材料副總裁暨台灣區總裁余定陸認為，AI為半導體產業帶來巨大商機的同時，也帶來許多新的挑戰。  

圖1　北科大學生方程式賽車隊 學生方程式賽車日本站(Formula SAE Japan, FSJ)是由國際汽車工程師協會(SAE)所舉辦，學生必須要在特定條件之下，從無到有親手打造賽車參賽。該比賽集結了來自世界各地的學生車隊，在籌備過程中，不僅牽涉到學生們對於車輛生產製造流程的技術知識，同時也考驗著學生在企畫提案、成本掌控以及與贊助廠商溝通、合作的能力。 學生方程式賽車日本站比賽中，動態賽程項目包含了直線加速、八字繞錐、高速避障、燃油消耗率等等；在此之前也需要繳交設計報告、成本報告等等文件。因此，學生在打造比賽車輛時，不僅需要考慮車體的穩定性、速度，同時更要在成本、安全性上滿足比賽的要求。 產業界支援前線 　車體輕量化達陣 據了解，由學生方程式各站的隊伍排名也能看出，日本、德國等汽車產業發展較為蓬勃的國家，學生隊的名次也普遍較好。因此在比賽的籌備期之中，不僅需要學生隊員們的齊心投入，來自產業界的技術與資金支援更是學生隊比賽的重要軍火來源。 北科大車輛工程系系主任黃秀英表示，車隊學生會藉由寒暑假的實習時間與相關製造商接洽製作工具、場地的贊助。像是在2019年比賽中，學生與贊助廠商協力完成碳纖維車殼，進而做到車體輕量化的目標。 黃秀英進一步說明，由2015年參賽至今，北科大學生車隊的參賽車輛設計皆以傳統油車的架構為主，車體以扎實耐操為特色，然而卻也同時具有重量較重的問題。因此，在本年度的比賽籌備上，做到車體輕量化是一個重要的指標。 北科大學生方程式賽車隊副隊長黎力維指出，2019年參賽車輛的進氣歧管、方向盤、駕駛座椅便是由車隊成員完成電腦繪圖設計後，由贊助廠商提供模具與材料製作而成。本年度的車體除了將在贊助廠商的支持之下，以碳纖維材料達到更輕量化的設計之外，車體也加上了空力套件。期待能夠在廠商在支持之下，在2019年比賽中再創佳績。 黎力維認為，在車隊經營的過程之中，除了與學院教授進行理論上的分析之外，在與業界贊助商的互動之中，能夠得到更專業實務的建議。目前，2019年的參賽車輛已經完成設計、研發，正在加工階段(圖2)。 圖2　2019年的參賽車輛已經完成設計、研發，正在加工階段。 沉潛兩年再出發　油車/電車雙項參賽 北科大學生方程式賽車隊自2014年成軍以來，已數次參與FSJ學生方程式賽車日本站，累積了相當的經驗值。然而，自2016年比賽結束後，北科大學生方程式賽車隊便決定要投入兩年時間，執行一個比往常更大型的籌備計畫，在2019年以燃油車與電動車兩項目參賽。 除了車體逐漸朝向輕量優化之外，在經過數年的投入之後，北科大學生方程式賽車隊也逐漸累積比賽經驗與相關數據。在籌備2019年的賽事時，如何妥善利用往年的數據，以優化改善2019年的參賽戰略，也是一大考驗。 北科大長年在車輛技職教育的投入，已扎下穩健基礎，學生的實力已能夠打造出傳統車輛架構的燃油車。然而在經過數年的參賽經驗累積之後，對於賽道路況、賽制比重都有更深的了解，因此透過經驗加以分析，便能得到更多的數據作為改善下一次設計的依規，進而能夠更有效、更具策略性的設計參賽車輛。 黃秀英表示，為籌備2019年的學生方程式日本站比賽，在完成2016年比賽後，便開始堆動籌備2019年度比賽的兩年計畫。因此，對於今年度的比賽，無論師生皆抱有相當高的期望。 在今年度，北科大學生方程式車隊將同時參加燃油車組與電動車組的競賽；這也是車隊首次參加電動車組的競賽。 由於經費的考量同時也尚未熟悉參賽規範，因此北科大學生賽車隊在往年的參賽經驗中，皆僅以燃油車參賽。 除了電動車的製作成本將相對燃油車更為昂貴之外，該比賽對於電動車的許多設計規範皆是商用汽車等級，其中包含電磁干擾(EMI)、電磁相容性(EMC)、漏電測試等等皆必須考量，該比賽全然以車規等級要求。因此，電動車在賽前檢驗所需要通過的安全檢測規格與參賽門檻皆較高。 電動車機電整合　培育車輛未來人才 目前在台灣的技職教育體系中，車輛相關科系依然是以燃油車為主要的課程內容。尤其是在高職汽修科課程中，由於目前市場上依然是以燃油車為大宗，因此汽車維護的教學也以該市場現況為主要考量。 然而，黃秀英認為，電動車是未來的趨勢，科技人才的培育除了要因應市場現況之外，同時也必須要為未來的產業規畫。而在傳統汽車維修領域，有甲級、乙級、丙級證照，可用以認證人才的能力；但是在電動車機電整合領域，則還沒有這樣的認證機制。 正因如此，經濟部工業局產業人才能力鑑定(iPAS)計畫也於近期開始推動「電動車機電整合人才培育」，將推動一個與電動車能力鑑定相關的證照。 黃秀英進一步說明，該人才培訓認證計畫將由2019年開始推動考照，北科大也將與經濟部該計畫合作，提供相關課程與考照場地。除了北科大本校學生能夠參予該課程與計畫之外，他校學生若是對此領域有興趣也可以跨校參與，也將與他校的種子教師培育計畫合作；期待能夠與其他技術學院合作，共同推動未來電動車人才養成。

但在智慧製造的浪潮下，負責收集真實世界各種物理資訊的感測設備，地位將比以往更為關鍵。資料將是下一個世代的石油，而第一手資料的來源，就是生產線與廠房內的各種感測設備，加上大數據分析技術趨於成熟，現在的分析工具可以處理比以往更大的資料量，並從中找出趨勢變化的脈絡，進而創造價值。這也使得感測設備朝多合一與聯網化的發展趨勢更為明確。 工業用感測器走向多合一 從自動化走向智慧製造，對感測器而言，最明顯的差別在於使用者想監測的物理量種類明顯增加了。在過去，為監控機台運作所設計的工業感測器，通常都只能量測少數幾種物理量。這跟元件供應商的產品整合度有關，以往加速度計、陀螺儀跟氣壓感測器都是各自獨立的元件，如果感測器製造商想實現多合一設計，必須要花很大的功夫來進行設計整合，而且成本高昂。 但隨著MEMS感測器的整合度不斷提升，現在跟運動有關的物理量測，基本上已經可以用單晶片搞定。例如整合了三軸加速度計跟三軸陀螺儀的六軸感測器，基本上就已經把跟運動有關的所有物理量都涵蓋在內。少數應用可能還需要再額外採用電子羅盤，以判斷系統正在朝哪個方向移動。這種應用需求多半出現在會在工廠中到處移動的設備上，例如自動搬運車(AGV)。而這種需求，就可以使用更高階的九軸感測器(六軸感測器加上電子羅盤)來滿足。 許多國際知名的IDM業者，都有完整的運動感測解決方案，例如亞德諾(ADI)、博世集團(Bosch)旗下的Bosch Sensortec、英飛凌(Infineon)、意法(ST)等，都有這類晶片產品。但對工業感測器來說，這些只是核心零組件，距離真正可以運用在生產現場的感測器，還有一大段差距。 博世力士樂(Bosch Rexroth)工廠自動化協理陳俊隆(圖1)指出，從電子元件到可以部署在生產線上的感測器，機構設計是最關鍵因素。工業現場對電子元件來說，是很惡劣工作環境，像溫溼度變化、粉塵、機械衝擊等因素，都會讓元件失效。如果機構設計不佳，感測器部署到現場後很快就會故障，而這也是工業感測器廠商的核心價值所在。Bosch Sensortec幾乎可以提供所有基於MEMS的感測器元件，但真正向工業用戶提供產品的是集團內另一個負責研發聯網裝置與解決方案的事業部門。 圖1　博世力士樂工廠自動化協理陳俊隆認為，在智慧製造的浪潮下，工業用感測器未來將加速朝多合一感測方向發展。 整體來看，由於半導體的功能整合度越來越高，因此工業感測器也必然朝多功能整合發展。但對於工業用戶來說，為進一步提高設備的整體運作效率(OEE)，導入預防性維護機制將是必然趨勢，而這會使感測器必須能量測更多元的物理量。 除了前面提到的運動感測外，博世相信，未來的工業感測器將會進一步整合麥克風、溫溼度感測、氣壓計甚至照度計等功能，因為要做到預防性維護，或是找出產線運作的瓶頸，需要很多種資料交叉比對分析，才能得到精確的結果。以旋轉機械的故障預警來說，現在的做法不外乎是將電流數值、轉軸的轉速、溫度等參數做交叉比對，未來則可以從聲音的頻譜分析。 這也是博世的八合一工業感測器CISS整合了MEMS麥克風的原因。聲音這個面向以往比較少有人用科學方法去分析，但其實聲音可以提供很多跟機械運作有關的資訊。很多機械廠的老師傅都知道，當機器出現異音的時候，故障很快就會隨之而來。藉由MEMS麥克風跟音訊分析，可以把老師傅的經驗用科學化的方法傳承下去。 環境氣體偵測攸關性命　物聯網概念落實已久 除了機台的監測外，對許多製造業來說，廠區的環境監測也會使用到大量工業感測器，特別是生產過程中會使用或產生有毒氣體的行業，氣體監測系統更是法規強制要求必須加裝的設備。而在工業4.0世代，這些存在已久的環境感測系統，又會朝什麼方向演進？ 在台灣某半導體廠擔任環安經理的業界人士表示，對半導體製造業而言，氣體偵測是環境偵測中最重要的環節之一，因為半導體製造過程中會使用到許多帶有毒性的氣體，而且這些氣體在參與製程反應的時候，有時要先與氫氣混合至適當比例，才會進入腔體內。這使得半導體廠內往往存放著大量有毒或是易燃氣體，而且在製程中還會產生新的有毒化合物。因此，為了保護廠區工作人員的安全，氣體檢測系統一直是半導體廠內的標準配備，而且有法規強制要求。 另一方面，對人體有害的氣體，如果控制不當，通常也會對晶圓或生產設備造成損害。因此，半導體業者為了確保產品良率，對氣體檢測的精確度要求只會越來越嚴格，而且監控系統網路化的程度只增不減。舉例來說，隨著半導體線寬越來越細，氣體性分子污染物(Airborne Molecular Contamination, AMC)的管制標準已比以往更為嚴格。另外，為了避免化學汙染物腐蝕機台或造成曝光機的鏡面霧化，現在半導體業者都會對酸鹼物質或有機氣體進行線上分析，以便即時監控生產環境的狀況。 目前半導體廠的氣體偵測技術大致可分成三大類，分別是紙帶式、電化學式與紅外線偵測，但各自有其優勢跟限制。 漢威聯合(Honeywell)工業安全事業處業務經理李其能(圖2)分析，紙帶式氣體偵測技術最大的優勢在於可以留下實體證據，而且偵測精確度可達到十億分之一(ppb)，也比較不用擔心干擾訊號。但紙帶屬於耗材，必須定時更換，因此會造成短暫的停機時間。電化學式感測技術則無法像紙帶式系統留下實體證據，而且也比較容易被干擾，因此精確度只能做到百萬分之一(ppm)。但整體來說，電化學式氣體感測的成本比紙帶式來得低廉，是其主要優勢。 圖2　漢威聯合工業安全事業處業務經理李其能認為，與工業安全相關的系統跟設備，未來會朝預防性維護發展，進一步提升其可靠度。 紅外線氣體偵測跟電化學式檢測方法一樣，也無法保留實體證據，而且也會有干擾的疑慮存在。但電化學式偵測跟紅外線偵測適用的氣體種類不同，因此兩者無法互相取代，例如紅外線在偵測氟化物氣體時，就有很優異的表現。不過，紅外線氣體偵測所使用的感測元件成本比電化學式偵測器昂貴許多，因此在成本上，電化學式偵測設備會比紅外線來得低廉。 不過，量測設備的成本也跟量測的點數有關係，目前Honeywell的電化學式檢測設備Midas為單點偵測，紅外線偵測設備ACM150則可支援40個採樣點，而紙帶式設備Vertex則最多可支援72個採樣點。高採樣點對環安廠務人員來說，是很具吸引力的特性，因為現在的晶圓廠越蓋越大，單一感測設備能支援的取樣點越多，越容易覆蓋更大的廠區。 值得一提的是，由於氣體偵測跟工廠的人員與財物安全密切相關，因此很早就已經落實物聯網概念，只是當時還沒有物聯網這個名詞。舉例來說，氣體偵測系統不單只是提供資料，還會與警報系統、閥門系統連動。當氣體外洩事件發生時，偵測系統會觸發警報系統，並自動關閉閥門。把資料拋轉到工廠的資訊後台，也早就是基本功能。 因此，李其能認為，對氣體偵測系統來說，下一個發展方向是利用大數據分析來實現預防性維護，而非聯網化。這也是Honeywell針對半導體客戶進行意見調查時，多數半導體業者最想要的功能之一。其實，高階氣體偵測設備因為肩負關鍵任務，很多重要的子系統，例如進氣的風泵、電源等，都有冗餘設計，當一套子系統故障時，備援系統會快速接手，因此無預警故障停擺的機率已經很低。但客戶總是希望能做得更好，而這也是Honeywell未來會努力的方向。 廠內人員偵測需求興起　雷達/ToF技術正面對決 除了既有感測設備/系統必須隨著工業4.0的腳步升級外，由於工業4.0會讓廠區運作更加自動化，人員與自動化設備接觸的機會將只增不減，甚至會並肩工作。在人跟機器的距離如此靠近的情況下，如何確保人員不會被機器手臂、自動搬運車撞傷，會是一個新的議題。與距離量測有關的技術，如毫米波雷達跟ToF感測，可望在更高度自動化的工業環境中找到新的舞台。 德州儀器(TI)嵌入式系統總監詹勳琪(圖3)指出，提到雷達，業界通常會把這項技術跟軍事或汽車聯想在一起，但雷達在工業領域的應用，其實也已經存在一段時間，只是目前的工廠環境對於距離偵測的需求量不大，因此比較少有人探討。舉例來說，中心頻率為6GHz的毫米波雷達，就已經少量運用在自動搬運車上。從TI的觀點，汽車跟工業是相似度很高的兩個市場，因此，只要能解決幾個瓶頸，雷達在工業領域的應用有機會明顯成長。 圖3　德州儀器嵌入式系統總監詹勳琪表示，單晶片毫米波雷達將為雷達技術在工業應用市場上創造新的突破口。 詹勳琪分析，一項新技術要打入市場，不外有兩種發展策略，一種是創造出既有技術做不到的新應用，另一個方法則是要比現有技術的性能更好、成本更低。TI在工業市場上推廣毫米波雷達的策略也是如此。在創造新應用方面，因為TI的工業用毫米波雷達中心頻率為60GHz，因此解析度非常高，可偵測到只有數毫米的位移。這種解析度可以創造出許多新的應用可能性，例如隔空手勢操作、甚至是人員的生命跡象偵測。這些應用是以往的低頻雷達或超音波所無法實現的。 至於在成本面，以往的毫米波雷達是相當複雜的系統，除了要有數位訊號處理器(DSP)或高性能微控制器(MCU)作為主處理器之外，其射頻前端為了做到這麼高頻率，必須採用矽鍺製程，因此無法整合成單晶片。另外，毫米波訊號在印刷電路板(PCB)上的衰退非常嚴重，如果雷達的天線跟收發器分開，應用開發商必須使用很昂貴的電路板材料，才能解決訊號衰退的問題。 為了徹底解決成本面的問題，TI從十多年前就開始研發CMOS毫米波雷達技術，以便為雷達應用的普及鋪路。採用CMOS最大的優勢在於可以實現SoC整合，不僅簡化應用開發的複雜度，也能帶來更有優勢的成本結構。而針對工業用毫米波雷達，TI提供的解決方案還進一步把天線整合到晶片封裝中，讓應用開發商不必使用昂貴的高頻電路板材。因此，只要市場需求量達到經濟規模，這種高整合度的毫米波雷達方案在價格上會非常有競爭力。 無獨有偶，亞德諾(ADI)近期也推出基於不可見雷射光的ToF量測方案。亞德諾亞太應用工程總監李財旺表示，目前市場上有多種ToF量測方案，各自有其優缺點，例如手機臉部辨識使用的結構光ToF，有很優秀的解析度，但不適用於戶外環境；基於CMOS影像感測器的ToF，則有解析度偏低的缺點，而且相對耗電。 亞德諾的ToF技術具備640×480 VGA解析度，而且是打脈衝光而非連續波，因此功耗很小，其深度資料可有效地增加影像辨識度，達到物件判斷的精準度。就工業應用來說，人流偵測、障礙物偵測、虛擬圍欄等，都很適合採用這種ToF技術。 除了提供晶片外，為協助客戶縮短設計週期，該公司正與第三方一起合作開發ToF模組，在ToF模組中並整合了包括類比前端(Analog Front End, AFE)、雷射二極體(Laser Diode)、ToF與CMOS影像感測器，相關演算法也包含在內。目前晶片本身已可量產，但因為工業應用開發者通常需要參考設計或模組方案，因此產品正式推出的時間會稍微延後，預計2019年1月開始供貨(圖4)。 圖4　即將進入量產階段的亞德諾ToF參考設計。 因為亞德諾的ToF技術非常省電，因此ToF攝影機開發商只需在攝影機上整合乙太網供電(PoE)技術，就不需要另外插電，還有多餘的電力可以供給其他應用。 工業感測蓬勃發展可期 工業感測面對的物理量五花八門，且隨著智慧製造所帶來的生產環境、流程改變，許多原本派不上用場的感測技術，未來都有可能在工業市場上找到應用商機。另一方面，工業感測設備本身也很明顯受到智慧製造趨勢的影響，除了聯網已經是最基本的功能要求外，感測設備和預防性維護、大數據分析等資訊應用連結，將是未來工業感測市場發展的重頭戲。

從半導體、電子系統到工業4.0核心所在的智慧型機台等，物聯網(IoT)裝置與工業物聯網(IIoT)系統的複雜度與日俱增。在這段產品鏈內，測試是不為人知的關鍵作業，而更複雜的IoT裝置則使測試更加繁複。不過，IoT概念也可大幅改善自動化測試作業，利用系統管理、資料管理、呈現與分析等IoT功能，再加上應用強化項目，為測試工程師提供更有用的工具，以克服IoT的挑戰。 管理測試系統為IoT/IIoT基礎 對IoT與IIoT而言，受管理的連線裝置是根本所在；但是許多測試系統即使比以往更為分散，卻未連線或受到妥善管理。一般而言，測試工程師若想追蹤在特定硬體上執行的軟體，或甚至只是想了解系統的大致情況，都相當不容易，更不用說要追蹤效能、使用率與狀態了。 幸運的是，大多數現代測試系統皆以電腦或PXI為基礎，並可直接連線至企業，如此即可享有管理軟硬體元件、追蹤使用與執行預知維護等額外功能，進而讓測試投資發揮最高價值。   收集/處理/管理資料為三大IoT商業價值 IoT的商業價值，源自連線系統所產生的大量資料。處理測試資料十分困難，因為有許多不同的資料格式與來源，例如包含時間與頻率的原始類比與數位波形或參數量測結果等；進行這類收集作業時，取樣速率與資料量通常會遠高於從消費性裝置或工業裝置收集的資料。讓情況更棘手的是測試資料一般為獨立儲存，且標準化程度極低。因此對公司來說，這類資料是「看不見」的資料，造成易於在產品生命週期的其他階段錯失重要的深入分析。 在實作運用IoT的全方位資料管理解決方案前，Jaguar Land Rover(JLR)僅能分析10%的汽車測試資料。JLR傳動系統經理 Simon Foster曾經指出，根據估計，我們現在可分析高達95%的資料，且因為毋須重複執行測試，所以測試成本與年度測試數量皆得以減少。由此可得知，對自動化測試資料應用IoT功能時，首先是從使用現成軟體轉接器收集並處理標準資料格式開始。 這些轉接器必須使用開放式記錄架構建置，以收集並處理獨特的新資料，包含設計與生產作業中的非測試資料等。測試系統必須可與標準IoT以及IIoT平台分享資料，以在企業層級充分發揮資料的價值。 善用工具呈現/分析資料 將一般商業分析軟體用於測試資料上可能並不容易，因為這類資料通常較為複雜且為多維度。 此外，典型的商業製表功能未包含測試與量測作業的常用呈現方式，例如類比與數位訊號的綜合圖形、眼圖、史密斯圖與星座圖等。內含適當詮釋資料的測試導向資料架構，讓工具能呈現測試資料並提供分析結果，還可將測試資料與設計與生產資料進行比對。 簡而言之，妥善整理的測試資料，讓工程師可將基本統計資料的分析結果應用至人工智慧與機器學習上，如此即可進行整合與運用常見工具的工作流程，例如Python、R與The MathWorks, Inc.、MATLAB軟體等工具，同時利用資料產生更多深入分析結果。 模組化架構有效開發/部署/管理測試軟體 目前的主流做法，正從原本僅限於桌上型應用的情況，轉為利用網路與行動應用程式加以補強。就測試而言，這種轉型可能難以實現。這需要在受測裝置(DUT)進行運算以處理大量資料，並即時做出合格/不合格判斷，而現場操作人員則需要與測試器以及DUT互動。 同時，公司希望能從遠端存取測試設備，藉此檢視結果與使用率等運作狀態。為了因應前述需求，部分公司建置了一次性的架構以集中管理軟體，並將軟體下載至測試設備(視DUT而定)。但也因為如此，這些公司必須維護其客制化架構，所以必須使用額外資源；而這些資源原本可用於商業價值更高的活動上。較高階的測試管理會是理想選擇，也就是從本地測試設備轉移至雲端部署。 網路架構工具可以供檢視測試設備狀態、進行測試排程，以及驗證推送至雲端或伺服器的測試資料。較高階的測試管理功能，可以與使用NI LabVIEW、Microsoft.NET語言、NI TestStand與Python等常用工具建置的現有測試系統相輔相成。 模組化測試軟體架構(測試管理、測試程式碼、量測IP、儀器驅動程式、硬體抽象層)，讓公司可評估將不同軟體功能從本地轉移至伺服器或雲端架構之間的利弊得失。隨著更多測試軟體堆疊轉為雲端部署，在資料儲存、可調整的運算，以及易於從各地存取軟體與資料等方面，公司將會發現雲端運算所具有的優勢。 導入IoT技術成趨勢 將IoT用於測試已不再是未來的想望，能否辦到這一點，端視其現有自動化測試基礎架構與最迫切的業務需求而定。一般需考量的領域包含改善測試系統管理、提升測試設備使用率、從測試資料獲得更佳的深入分析結果，以及從遠端存取共用測試系統。高度模組式的軟體定義方式，讓公司能專注在價值最高的領域中，毋須做出取捨。 「很快地，我們的客戶將需要從全球各地管理與維護測試資產，這會成為標準做法。我們必須重新建置測試架構以整合IoT技術，特別是應藉此改善設定管理與資料分析，並支援業務數位化以因應工業4.0。」Thales數位產業總監Franck Choplain如是說。 (本文作者為NI商務與科技研究員)