首頁Top區塊

  文 ｜ 萬岳憲 資策會MIC產業躍升事業群總監 我開玩笑的回答，當然是每一個社群媒體都要使用，因為可以觸及不同年齡層的消費群，而且要洗腦式的宣傳自家產品優勢，也不能只請一位小編，至少需要2~3位，然後再請一位老編，來指導管理這些小編們......，我感覺到電話另一頭的靜默，趕快接著說：「剛才講的這些真的都不能照做，約個時間聊聊吧！」。 其實，每一個社群媒體為了創造被使用下載量，在規劃設計時就會考量差異化的問題，同質性高的社群媒體，只會讓消費者產生二擇一的行為，唯有差異性才能創造共存共榮的「手機空間」。很幸運的，差異化設計就成為我們選擇社群媒體的思考點，只要依據你的消費目標群特性，選擇目前最合適的社群媒體，跨出第一步就行了。例如比較Facebook與Instagram的使用者，你會發現FB的文字閱讀量大於IG，而IG的圖像瀏覽方式又優於FB，這不是使用者群聚之後所產生的現象，而是社群媒體平台業者，刻意的差異化設計，所造成的使用特性。 所以，要使用那一個社群媒體，是一個假議題；如何運用社群媒體，散布能創造產品口碑的訊息，才是真議題。 哈佛商業評論(HBR)有一篇專欄文章「為什麼有些影片會被散布(Why Some Videos Go Viral)」，歸納出人們在社群媒體分享資訊的十大社交動機，其中以「意見徵詢(Opinion Seeking)」排名第一，其次是「開啟話題(Conversation Starting)」與「社交功能(Social Utility)」。 人們在群組裡產生「意見徵詢」的行為目的是「我想要知道社群裡的朋友們會怎麼看這件事」，但心理目的卻是「分享有趣的資訊，有助於我與朋友們的連結互動，而且對我在實體聚會的人脈也有加分效果」；「開啟話題」的行為目的是「我想要在網路上與你聊聊天」，心理目的則是「希望有人在社群對話裡提到我的名字，讓我在社群裡找到需要被幫助的人，而且還要讓大家都知道我正在幫助人」；「社交功能」的行為目的是「這個資訊對我的社群朋友很有用處」，心理目的是「我是第一個告訴你，最新時事或事件的人，同時展現或捍衛，我在社群裡的知識領先地位」。 想要運用社群媒體發展病毒式行銷(Viral Marketing)，就要從人們為什麼會停留在社群裡的社交動機著手，提供能夠滿足群組裡，產生社交動機的需求條件，散布的訊息要能夠滿足行為與心理的需要。例如每逢佳節或氣候轉變的時刻，就會有人在群組裡傳遞「祝福」或「關懷」的訊息，反射至心理目的，就是想要讓朋友們接收到「我是個好人」的潛意識資訊。 所有的網路社群都是一個從個體(Me)到群體(We)的過程，個體之間的連結模式類似蜂巢的結構，一旦成為群體之後，就會失去原創個體的中心結構，在We裡面的每一個Me，都能夠變成We的領導者，或是吸引原來的Me，再創造一個全新的We。 許多人想知道，如何成功的讓Me成為有價值的We。研究病毒式傳播的先驅學者伯格(Jonah Berger)認為，能夠維繫產品在市場上持續生存的唯一方法就是「建立口碑」，行銷大師賽斯高汀(Seth Godin)甚至更直截了當的說，想要創造成功的口碑，就要從一個顧客開始，要讓這個顧客，很興奮的變成你的忠實粉絲，興奮到想要告訴十個朋友，因為你的顧客會認為，這個產品對朋友們會很有幫助，然後喜歡這個產品的群體，就會像滾雪球一般的愈來愈大，最後大家都是在為自己宣傳，而不是為產品宣傳。因為，你的產品口碑，已經變成社交動機。 也就是說，不能想要，也沒有必要，選擇使用所有的社群媒體來行銷產品，而是要依據社群媒體的特性，設計適性的內容，置入內容行銷(Content Marketing)的頻率、方向、強度與空間等因子，說服你的核心顧客，創造顧客願意幫你散布產品訊息的社交動機，就可以期待滾雪球效應產生。 日本Innova公司社長宗像淳認為，內容行銷是一種集客式行銷，類似蜘蛛結網的方式，運用內容為重心，逐步引導消費者認識產品核心優勢，這種方式優於過往類似蜜蜂採蜜的推廣式行銷。 集客式行銷有「不推銷商品、提供實用資訊、顧客自動發現、顧客主動接近」等四個核心原則，然後再以原則為起點，運用同理心思考目標群體，就會產生「需要什麼資訊、正在尋找什麼、提供容易找到的服務、創造適性的資訊、給予即時的情報」等五個內容製作方向。 進一步思考內容製作方向，發展迎合群組成員社交動機的行銷內容，可再區分為「圈粉、篩粉、疆粉、鐵粉、金粉」五個階段性戰略目標。 「圈粉」就是要有頻率、有關聯的揭露資訊內容以持續增加社群人數，執行關鍵在於不理不氣；「篩粉」是要分析圈粉過程的內容，篩選出與社群有較高互動頻率的目標顧客群，這是知己之間的相知相守；「疆粉」則是要提升社群成員的互動意願，讓粉絲們固守這塊疆域，彼此不離不棄；「鐵粉」是社群擁護者，高忠誠度促使挺身擁護品牌，如影隨形的跟著你；「金粉」是產品的蒐集者與傳道者，是社群經營者追求的最終極目標粉絲，與你形影不離的抵抗競爭品牌。這五個階段沒有時間軸、時程表、開始和結束的特性，這是一個廻圈(Loop)，每一次的內容傳播，都是在經歷一次這樣的廻圈過程。 數位經濟時代的科技應用是整合式的發展，絕對不會是單線的進展，例如虛擬實境(VR)與擴增實境(AR)在發展應用歷程中，就被逐步整合發展為混合實境(MR)，而結合此三種技術的延展實境(XR)，已經被美國微軟公司(Microsoft)應用在頭戴式顯示器「HoloLens」，宣稱2019年就要進入商用市場，並大量應用在生產製造、營建、醫療、教育訓練與遠端輔助支援等情境。 未來的科技整合發展進程會愈來愈快速，社群媒體的異質性也會因為數位匯流特性而逐漸同質化，唯有掌握內容行銷特性，製作適合平台特性的內容，在不同的平台，設計不同的揭露資訊，傳遞相同的產品核心訊息，才能累積你的口碑能量。

監控系統AI化趨勢日益明顯，其應用也逐漸浮現，如交通管理、智慧零售，或是和屋內或室內監控等。對此，建騰創達董事長暨執行長朱伯倫表示，目前AI智慧監控所要監測的事物不外乎可分成四大類，分別為人、臉、車，以及車牌識別(Automatic License-plate Recognition, ALPR)；也因此，和這四類較為相關的應用領域，像是零售、交通、商業建築等，會是未來智慧監控發展較為快速的領域。 以零售業為例，耐能智慧行銷業務資深經理陳學佑指出，零售業者導入智慧監控系統有兩大方向，首先是打造無人商店，例如7-ELEVEN的「X-STORE」及亞馬遜(Amazon)的「Amazon Go」等；其次便是希望能藉此進行客群分析，進而實現「精準行銷」。也就是運用AI監控系統，除了紀錄來店人數，監看現場狀況之外，同時紀錄客人的相關資訊，不一定需要知道客人的身分，但可透過數據分析得知是否有固定來客，以及這些客人是否有品牌忠誠度；若有的話，店員便可進行技巧性推銷，推薦客人有興趣的產品。 至於交通方面，晶睿通訊研發副總馬士毅表示，指出，AI的出現使得交通監控的需求也開始產生改變。交通監控不再只著重錄到的影像，重點開始轉向背後所獲取的資料。監控系統不僅僅是單純錄到車輛通過的影像就行，於車輛通過時也同時須得知其車牌號碼、車型等，這就是所謂的結構化監控。也就是不單單是看車流數量，或是影像畫質好不好，而是要看懂其背後的數據，才能做出更有效的判斷和決策。 當然，傳統安防領域也仍是AI監控的重要市場。台灣索尼課長葉沛青指出，對於智慧監控需求一般而言，還是以警政系統的安全維護及智慧辨識為主。促成此變化的發展趨勢在於，針對日新月異的犯罪手法，傳統式的監控系統不斷在更新其功能，透過智慧識別，能節省人力，在更短的時間內分析出所需的資訊。這對於某些業主(如零售店、家庭)而言，無疑是更有效的安防監控工具。

隨著人工智慧(AI)、物聯網等技術的發展，使得資料中心的需求也逐漸擴大；其中，依然以超大規模的雲端服務供應商為市場主導。另外，邊緣運算的需求也持續延燒中。以上二趨勢都將帶動低功耗晶片需求，此設計方向也是所有應用場域的大勢所趨。 其中，儘管私有資料中心依然是一個相當重要的市場，但是最大的零組件需求依然是來自全球超大規模雲端的供應商。這樣的市場環境將對於未來的產品設計產生重大的影響，因為未來的晶片設計將會以這些大規模的採購客戶的需求為主要的方向。市場調研機構Ovum分析師 Roy Illsley分析，像這樣的市場方向在短期之內將維持不變，但為了確保互操作性(Interoperability)，本地端與雲端之間的連線將成為關鍵，這之間的產品組合也將反應出目前的市場變化。 值得一提的是，Illsley提到，由於中美貿易戰以及英國脫歐等國際政治情勢變化，目前的資料中心相關供應鏈正受到極大的壓力。中美貿易戰以及英國脫歐不僅是對於股票市場或是製造廠設立地點的改變，也將使得現有的供應鏈不如以往那樣可靠。 由於人工智慧的發展也使得邊緣運算的需求逐漸上升，此趨勢也帶動了低功耗晶片的需求成長。Illsley認為，邊緣運算熱潮將持續延燒，並且首先將落實在基地台以及感測器應用上。當然，晶片在各種不同的設備上應用方式皆有所不同，但是低功耗都是非常重要的考量要素。目前市場已能看見許多針對人工智慧與機器學習需求而設計的新型晶片，如Google所推出的TPU，就是專為高效能運算(HPC)需求設計晶片的典型案例。其中，在推廣時最大的挑戰在於建立晶片運作的相關環境，使得晶片能夠發揮最大效能。

上述這些AI生命週期的步驟若運用NVMe，都可受益於其效能而呈指數型的成長。有鑒於此，本文將深入探討如何善用現代式的NVMe介面儲存方案，從而促進更快速的周轉效率，來實現下一階段的AI突破。 各行各業正在將機器學習技術導入其商業流程，旨在為客戶提供更好的產品，並為股東帶來更好的獲利。不過，若要有效地部署AI，就需要客製化的機器學習模式、大量運算及無法估量的數據。未來從最小的物聯網設備到最大的城市級數據，都驅使我們必須處理PB單位的資料量，而這將對在傳統上以MB單位量及毫秒運算時代所設計的儲存技術帶來很大的挑戰。 機器學習需要消化龐大的數據量，因此需要NVMe，一種專為傳輸速度所設計的全新儲存介面技術。與SATA及SAS不同，NVMe捨棄了以傳統硬碟設計的協議與構造，取而代之的是通用處理器連接技術中速度最快的PCI Express(PCIe)，藉此減少延遲(Latency)，並提供每個裝置強大的頻寬。這種PB單位量以及微秒時間處理能力的特性需求，讓NVMe儲存技術成為最能符合機器學習需求的不二選擇。 實現AI仰賴周全數據管道 機器學習的關鍵在於數據，若要透過處理數據獲得有意義的結果，須要考慮周全的數據管道。每家企業的數據管道因自身業務需求而各有不同，但一般來說，所有的數據管道可被分解成收集、準備、設計及訓練四個階段。經歷四個階段後的輸出結果將建構一個模型，可在邊緣或核心推算新數據。 由於這個過程通常需要大量數據，每一個階段都必須針對數據流進行優化，以避免產生瓶頸。NVMe介面就是專為這種任務而設計，並能夠透過下列四種方式來協助優化AI數據通道： ．更快速、更具成本效益的數據收集 ．更快的數據集準備與運算時間 ．更短的模型設計週期時間 ．訓練模型時，硬體運用更有效率 NVMe助力　收集數據更智慧 部署AI的第一個挑戰就是收集原始資料，並匯入集中式的儲存中心，而這些原始資料的種類多樣性十分繁雜，可說是廣大無邊。例如：物聯網裝置傳來的感測報告、網路日誌、生產品質報告等。在實際運用上，Apache Spark等商用服務工具可處理這些任務，並對匯入的資料加以過濾，最後累積成未經結構化的數據，再存入NoSQL的數據叢集中。NVMe可協助減少這類伺服器占用的實體運算時間，同時提高反應速度。 傳統的NoSQL叢集都經由多個SATA介面硬碟伺服器所組成，而在儲存PB單位量數據時，傳統硬碟確實是一個經濟實惠的方法。不過若要再進一步提供與達到最大頻寬，每個伺服器通常必須再結合數十個SATA或SAS硬碟。這種架構顯然會增加個別伺服器的體積，並很快就會填滿資料中心的機房，但在此情況下，伺服器的CPU卻大多是閒置且未加利用的。 相形之下，單一的NVMe介面，就能夠取代多個SATA或SAS介面並且提供相等的頻寬，而且只須要插入一片AIC板卡(Add-in-card)或是2.5吋外型規格。換言之，以體積更小的NVMe SSD來取代原本NoSQL伺服器的大型硬碟陣列，就能夠縮小NoSQL節點，並大幅減少整個硬碟叢集占用的機架空間。 如今要訓練人工智慧前，先決條件必須有TB或PB單位量的大數據，然而如此大量的數據，其格式結構通常並非立即可用。因此我們必須先將數據轉換為AI更容易處理的格式結構。太極端的異常值和雜散數據須加以濾除；不適合運用或是不符合法律規範的數據，也須在這個階段先剔除。 NVMe提升數據準備效率 面對這樣的處理需求，非專為高流量設計的儲存系統極有可能因負荷過量而當機。傳統的SAS和SATA每個介面的頻寬有限；相比下，以PCIe為基礎的NVMe介面，頻寬可達6.4GB/s或更高，頻寬優勢更為顯著。在數據準備的階段，頻寬並不是儲存系統的唯一要求，並行性也很重要，由於處理的數據量非常大，需要單個伺服器之內的多個核心及多個伺服器同時平行運算。NVMe最高可支援64K的等候中指令集和64K指令，因而讓伺服器內以及跨伺服器的平行運算更為流暢。 具高頻寬/並行性　NVMe讓模型設計更智慧 將數據整理完畢，並轉為單一易處理的格式結構之後，資料科學家才能開始大顯身手。然而資料科學家要解決的每個問題都不一樣，也因此每次都要透過往復的過程，才能開發獨特的機器學習架構。唯有針對小量的數據子集進行不斷的測試驗證，才能得到一個待選的訓練模型，再進入下一階段。所有科學和工程專案的道理都一樣，一開始會走很多冤枉路，才能找到最終解決方案，也就是需要多次嘗試才能有所結果。 在這個反覆試驗的過程中，單一測試週期的速度會影響最終模型的架構以及機器學習模型的品質，若能將設計及測試週期從10小時縮短為8小時，資料科學家的效率就能提高2倍。過去資料科學家可能一早開始工作，須等待至隔天才能看到數據結果；如今卻能在一天之內完成一項測試，也就是早上先設計模型並進行測試、取得結果，並即時調整參數，然後下午離開辦公室前跑另一次測試，在一天之內執行兩個測試週期。 和前幾個階段一樣，NVMe的頻寬和並行性，在此也可發揮作用，協助資料科學家提高效率。資料科學家的個人工作站、在專屬沙盒(Sandbox)中進行的模型測試，都能利用NVMe的低延遲性，讓作業系統和測試數據集更為順暢，同時還能提供快速效能與頻寬，供分析和測試之用。 記憶體轉換效率高　模型訓練負載量再降低 資料工程師將數據轉成機器學習易於讀取的格式結構和設計出對應機器學習的模型架構之後，接下來就要展開訓練「網路」的實際作業。配有加速器的成千上百部機器開始運作，將格式結構化的資料匯入模型，並在過程中微調模型的參數，直到能夠匯聚成為一個可用於實際應用推斷的模型。 以往的加速器技術是以繪圖處理器(GPU)為基礎，因此儲存效能不構成問題。在此情況下，在伺服器上運作的通用中央處理器(CPU)都有綽綽有餘的時間，處理GPU之間的I/O作業，並且替它準備好下一批數據。然而這種情況已不再適用，如今是交由FPGA或客製化的ASIC來負責執行模型的訓練。 現今的機器學習加速器與過往技術相比，其處理資料的速度呈指數級成長，因此通用CPU在伺服器上運作時，必須更有效率的處理呈指數級成長的I/O。傳統的I/O架構(如SATA及SAS)須轉換為舊有協定，耗費CPU週期運作資源，這會增加I/O指令的延遲性，直接影響加速器的利用率。傳統I/O堆疊也會增加CPU主機的負擔，導致每部處理器所能運作的加速器數量受到限制。 由於NVMe從一開始就是以記憶體傳輸速度儲存概念來設計的協議規格，因此不會發生必須轉換協定而大量耗費運算資源的問題，這可將處理器的負擔降到最小，並確保資料能即時匯入以供下一代的加速器使用。更令人興奮的是，目前正在審查中的擴大版NVMe協定，或稱為控制器記憶體緩衝區(CMB)，可透過NVMe處理這些直接記憶體轉換而不需主機的介入，以進一步降低負載量。 NVMe成AI聰明選擇 機器學習與人工智慧應用都圍繞在數據上。收集資料、將其轉換為可用格式結構、再開發學習架構，乃至於最終訓練出一個模型來判讀數據，都需要有效的儲存介面，才能處理PB單位規模的數據量，同時又能將延遲性大幅優化、降至微秒以下。NVMe是專為記憶體速度儲存而設計的技術，可提供最佳儲存介面，供機器學習和更多其他應用使用。 (本文作者為Western Digital企業產品管理部門副總裁)

產業研究機構Yole Développement(Yole)表示，新興非揮發性記憶體NVM，包括MRAM、RRAM和PCM等，隨著物聯網、5G、人工智慧(AI)、雲端運算等發展越受注目。認為，DRAM的發展將在未來五年繼續，但速度將放緩。由於3D半導體技術不斷進步，NAND密度不斷增加。新興的NVM不會取代NAND和DRAM，但會以各種記憶體加速的方式出現。此外，SCM(Storage Class Memory)將成為主要的新興NVM市場，並將在未來5年內由3D XPoint主導。 新興記憶體技術未來兩年將進入起飛期，從應用角度來觀察，Yole認為，包括MCU嵌入式NVM、工業/交通/消費性電子、企業SCM、客戶SCM等應用，2017年市場規模約9900萬美元，2018年市場規模約為2.8億美元，2019年將成長至10.8億美元，2017~2019年複合成長率(CAGR)高達230%。 從技術角度來看，MRAM將發展嵌入式MCU應用，因為所有大型代工廠都參與了此領域。獨立的RRAM將嘗試在SCM應用上獲得PCM的市場占有率。由於SCM應用，未來三年新興的NVM銷售量將成長一個數量級以上。 另外，MRAM和RRAM市場領域的晶圓代工廠參與度增加，GlobalFoundries、台積電、聯華電子、中芯國際和三星代工服務等皆積極投入，以提供有吸引力的服務。這一趨勢表明了代工廠對儲存業務的興趣日益成長。例如，也有產業消息傳出台積電宣布可能收購一家記憶體公司。 在獨立業務中，新興的NVM不會取代DRAM和NAND，而是將在記憶體模組中與它們結合使用，例如，SSD、DIMM和NVDIMM。在2023年，由於3D XPoint作為企業和客戶端SCM的日益普及，PCM將在獨立內存市場保持領先地位。值得注意的是，三星和東芝通過開發基於3D NAND的SCM解決方案採取了不同的戰略路線，如Z-NAND(三星)和XL-Flash(東芝，2018年8月展示)。但是，這些技術將用於企業級SSD，並且不會與相容DDR4的Optane DIMM競爭，預計這將占整體3D XPoint銷售額的50%以上。  

人工智慧(AI)無疑是監控產業未來發展的關鍵，其應用也愈加普遍，民間、政府單位皆紛紛導入智慧化的監控系統提升效率及提升安防等級。例如新北市警察局引進「違規停車自動偵測執法系統」，24小時在新北市板橋車站的機慢車優先道進行自動偵測，只要違停屬實，不再勸導、一律舉發，預定2019年1月起正式施行執法。 據新北市警局指出，此一系統是使用雷射偵測及車牌辨識系統，24小時自動偵測違規停車，自動蒐證違規車輛影像，傳送逕行舉發系統，減少人力作業，預定於2019年1月正式施行執法；若成效良好，將擴大在全市違規停車嚴重路段規畫辦理。除了在板橋車站引進違規停車自動偵測執法系統，新北市警局同樣也在萬里區萬里隧道實施區間平均速率科技執法，在進、出口設置偵測設備，記錄車輛進出的時間，換算通過該路段時間及通行速率。 除了政府單位，也有愈來愈多的民間企業開始使用智慧監控系統，以提升安全維護。像是美國流行歌手泰勒絲(Taylor Swift)便於今年5月的洛杉磯Rose Bowl體育館演唱會中導入人臉辨識系統，避免跟蹤狂混進會場中。從這兩個案例可看出，智慧監控愈來愈受各界的重視，其需求也跟著水漲船高。 監控市場續成長　裝置AI化成趨勢 根據市場調查機構Marketsandmarkets調查報告指出，影像監控的市場產值，將以每年13.1%複合成長率的速度成長，從2018年的368.9億美元，成長至2023年的683.4億美元。其主要驅動因素在於政府及公共安全應用方面調查，使得數位網路型攝影機、消費型DIY設備及偵防用攝影機的需求增加。 報告指出，網路影像監控系統的產值成長，主要是因為市場採購趨向從類比(Analog)走向數位網路型(IP)系統。網路影像監控系統的主要優點包括畫質更清晰、系統可高度擴充、容易安裝，以及容易網路連線及整合。 像是連網型的機種，用現有的網路就能連線整合使用，配合設備基本提供的軟體，可做到影像分析、網路管理及雲端儲存。因此，數位網路型監控系統未來會以快速的速率成長，而攝影機內建的功能，以及儲存設備產業的技術都將更進化；而AI，更是提升攝影機效能，使其實現更多應用的最大關鍵。 對此，Western Digital表示，隨著矩陣數學運算和算法的進步，機器學習(ML)與深度學習(Deep Learning)技術逐漸應用於監控市場之中。機器學習可被訓練，以識別模式、形狀、顏色、聲音、振動、溫度以及壓力等細微差別和差異， 這對於即時檢測和識別十分重要，使得臉部辨識應用日益完善，以進行高級識別、驗證、搜索、預防和救援。至於深度學習，透過大量的監控影像和訓練之後，搭載深度學習的監控系統便可有效的進行對象和行為模式分析，進而提供更有效的數據。 Arm市場行銷高級總監Rhonda Dirvin(圖1)也指出，在監控裝置中導入AI將會產生十分巨大的影響，特別是現今越來越多的智慧從雲端移到終端。廣域監控(人群和交通管理、智慧零售、智慧監控)和屋內或室內監控(人員偵測、辨識、存取控制、停車管理)，都將因AI的導入而受益。 圖1　Arm市場行銷高級總監Rhonda Dirvin指出，AI將會對監控裝置帶來十分巨大的影響，同時現在也有越來越多的智慧功能從雲端移到終端。 Rhonda Dirvin進一步說明，例如，在廣域監控中，終端偵測和推論實現了更實用的即時訊息提取，使得這類系統的管理更加強大，且更不易出現人為錯誤，在此類系統拓展終端智慧也更有效率。又或對於家庭或室內使用情境，終端智慧可讓系統更加安全和本地化；像是可以通過在家中本地運作的臉部辨識來打開家中大門，而不是在雲端中運作。 總而言之，安防需求的增加，推升了影像監控市場成長，而要實現更高的監控效率，AI可說是不可或缺的關鍵技術；一旦增添了AI功能，使安防監控系統更加智慧化，不僅效率更佳，也能有效降低人力成本，因此，監控AI化可說是必然的發展趨勢。 技術變遷/消費需求　AI監控趁勢而起 眾所皆知，影像監控系統每天都會產生大量的影像與事件資料，但這資料數據只有20~40%是有意義的，其餘都是無用的影像或誤報的事件資訊，也因此，導入AI針對影像進行自動分析、識別、跟蹤、理解和描述，藉此提升效率並減低人力成本的需求明顯增加。 晶睿通訊研發副總馬士毅(圖2)表示，事實上，監控錄影其實是件很無聊的事情，因為不是常常都有狀況發生。在錄影過程中，大概有八到九成的時間是不會有事的，當有事情發生時，才倚賴人工方式將監視帶子調出，對事件發生時段進行檢視。也因此，如何將監控系統智慧化，使其能有效地在事情發生時能迅速通知、警示，同時也減少人力，是監控產業期望實現的目標。 圖2　晶睿通訊研發副總馬士毅說明，場景、演算法和算力為智慧監控三大要素，科技進步使得演算法和算力不斷提升，因而能導入AI實現智慧監控。 馬士毅進一步指出，過往之所以無法實現智慧監控，最大原因莫過於是演算法能力不夠強。智慧監控共有三個要素，一個是場景，例如停車場、商場、辦公大樓等；第二是演算法，像是如何運用機器學習、深度學習進行數據處理，並有準確的分析結果；第三個要素就是演算能力，也就是這演算法和硬體處理器的運算效能夠不夠強大。 馬士毅說明，如上所述，智慧監控的場景一直存在，但過往礙於演算法和演算能力不夠成熟，因此遲遲無法實現。然而，隨著科技進步，晶片製程不斷提升，加上AI興起，使得不僅是監控產業，其他領域也積極投入，像是汽車、工業等。在各行各業的推波助瀾之下，IC、演算法成熟度加速累積，因而使得智慧監控應用得以實現，且如雨後春筍般冒出，而未來更智慧的監控設備勢將愈加普及。 對此，索思未來科技(Socionext)影像處理事業部應用工程科經理陳哲鋒(圖3)也認為，監控系統於設計上已然改變，不論是居家應用、商場百貨，或是交通等領域，監控設備不再是過往的單純錄影，待事件發生時再回看進行搜索，而是會有更多智慧化的功用在其中，像是臉部辨識、動作偵測等。 圖3　索思未來科技影像處理事業部應用工程科經理陳哲鋒提到，在消費者希望監控產品能有更多附加價值的情況下，智慧化功能便逐漸增多。 陳哲鋒指出，隨著科技進步，消費者的購買需求也會隨之改變。過往消費者對於監控設備的要求多在於高效能(如畫面清晰)；現在則希望這些設備還能有其他的「附加價值」。 陳哲鋒說，試想一下，若家中IP攝影機具有臉部辨識功能，當親朋好友來臨時便會立刻發出通知，通知客人身分；或是當陌生人在家附近徘徊時，能立即發出警示。這對消費者而言，不僅實用，也方便，而這也是所謂消費者對監控系統所期望的「附加價值」。因此，使得越來越多監控系統業者紛紛於產品上增添附加功能，智慧化趨勢便日益明顯。 智慧監控應用增　交通/零售/安防為三大市場 上述提到，監控系統AI化趨勢日益明顯，其應用也逐漸浮現，如交通管理、智慧零售，或是和屋內或室內監控等。對此，建騰創達董事長暨執行長朱伯倫(圖4)表示，目前AI智慧監控所要監測的事物不外乎可分成四大類，分別為人、臉、車，以及車牌識別(Automatic License-plate Recognition, ALPR)；也因此，和這四類較為相關的應用領域，像是零售、交通、商業建築等，會是未來智慧監控發展較為快速的領域。 圖4　建騰創達董事長暨執行長朱伯倫表示，要搶得AI商機，不能再以尋求差異化為主，而是要從應用服務角度出發，滿足客戶需求。 以零售業為例，耐能智慧行銷業務資深經理陳學佑指出，零售業者導入智慧監控系統有兩大方向，首先是打造無人商店，例如7-ELEVEN的「X-STORE」及亞馬遜(Amazon)的「Amazon Go」等；其次便是希望能藉此進行客群分析，進而實現「精準行銷」。也就是運用AI監控系統，除了紀錄來店人數，監看現場狀況之外，同時紀錄客人的相關資訊，不一定需要知道客人的身分，但可透過數據分析得知是否有固定來客，以及這些客人是否有品牌忠誠度；若有的話，店員便可進行技巧性推銷，推薦客人有興趣的產品。 至於交通方面，馬士毅指出，AI的出現使得交通監控的需求也開始產生改變。交通監控不再只著重錄到的影像，重點開始轉向背後所獲取的資料。監控系統不僅僅是單純錄到車輛通過的影像就行，於車輛通過時也同時須得知其車牌號碼、車型等，這就是所謂的結構化監控。也就是不單單是看車流數量，或是影像畫質好不好，而是要看懂其背後的數據，才能做出更有效的判斷和決策。 當然，傳統安防領域也仍是AI監控的重要市場。台灣索尼課長葉沛青指出，對於智慧監控需求一般而言，還是以警政系統的安全維護及智慧辨識為主。促成此變化的發展趨勢在於，針對日新月異的犯罪手法，傳統式的監控系統不斷在更新其功能，透過智慧識別，能節省人力，在更短的時間內分析出所需的資訊。這對於某些業主(如零售店、家庭)而言，無疑是更有效的安防監控工具。 搶占AI監控商機　應用服務為主軸 綜上所述，AI將為監控產業帶來翻天覆地的新變化，其應用需求也逐漸高漲；然而，對於監控業者而言，AI的興起雖帶來了新商機，但也意味著新挑戰隨之而來。 朱伯倫說明，商場、零售店等終端業者之所以會導入AI，其原因不外乎是增加營收、減少成本，以及降低風險，以得到更多的投資回報率(Return On Investment, ROI)。也因此，監控業者不能抱持「尋求差異化」的思維，而是須以「應用服務」的角度出發，協助客戶達到更多營收、更低成本、更易管理風險的目標。 朱伯倫進一步指出，尋求技術差異化偏向製造業的思維，也就是打造一個具獨特性的產品(可能是價錢最低、效能最好等)力抗市場眾多競爭對手，進而讓顧客買單；然而，這種差異化並非是永遠不變的，因為技術每天在進步，或許在短短幾個月內，產品之間的優勢或獨特性便會相差無幾。 也因此，對於監控業者而言，在逐漸攀升的AI監控商機中，要占有一席之地，便該從「應用服務」的角度切入，以客製化的支援與服務滿足客戶的三大主要需求，也就是賺錢、省錢和管理風險。 朱伯倫表示，應用服務和客製化都不是新的概念，對於監控業者而言卻是新的挑戰。原因在於，這考驗業者了不了解終端產業的需求、運作，以及在了解之後有沒有相對應的能力進行服務與技術支援。以該公司為例，除了提供監控系統相關的軟硬體之外，更重要的還包括售後的服務與支援，例如數據分析、伺服器資料管理等。換言之，化繁為簡，不再執著於尋求產品、技術的差異化，而是去思考如何實現更智慧的應用，提供最有效率的解決方案滿足客戶在ROI上的需求，這是目前所有監控設備業者應了解的觀念，同時也是新的挑戰。 對此，Western Digital也認為，AI監控的興起，對於製造商和安裝商而言，雖說有更多的機會可提供和安裝複雜設備和系統，但更重要的是，他們更須了解數據在整個營運過程中所扮演的角色，因為有了數據，才使AI成為可能。所以，要如何獲取數據、又該捕獲哪些數據，且該如何消化、解釋、整合不同數據，還能呈現準確的結果，遂成為監控製造商、安裝商在AI世代脫穎而出的關鍵要素之一。

鴻海可望巧借夏普東風進攻半導體市場。夏普(SHARP)日前宣布將以8K和物聯網(IoT)技術為未來的戰略核心，且分拆旗下電子裝置、雷射事業群，於2019年4月各自成為「夏普福山半導體(簡稱SFS公司)」及「夏普福山雷射(簡稱SFL公司)」兩家子公司，此一布局被視為有利鴻海未來進軍半導體市場。 夏普表示，該公司正積極推動轉型，而在進行結構性改革並提升企業價值的同時，公司也致力實現以8K和AIoT改變世界的願景。為達成此一目標，且能更敏捷、靈活的因應商業環境的變化，該公司決定透過分拆，成立新的子公司，建立更獨立自主的業務系統 據悉，夏普包括半導體和智慧手機攝影鏡頭零部件等産品在內的「物聯網電子設備」業務，其2017財年(截至2018年3月)的銷售額為4,915億日元，占總銷售額約20%，而營業利潤為為51億日元。未來夏普計劃將以福山事業所為中心的「電子設備事業本部」從主體中拆分，成為獨立的業務子公司；而福山事業的員工(約1,000多名)也會轉移至新公司。 夏普透露，經拆分之後，未來夏普福山半導體的主要業務包括半導體和半導體應用元件/模組業務，光電元件業務，高頻元件和高頻應用模組業務，以及半導體代工業務。至於夏普福山雷射的業務則涵蓋雷射和雷射應用設備/模組業務。

對機械手臂業者而言，人口老化、勞動力短缺等大趨勢雖然有利於業務發展，但若要推動機械手臂普遍運用在各種製造業、甚至非製造業，必然要讓機械手臂朝更靈活、更智慧、更能彈性運用的方向發展。在這個思路之下，有些傳統工業機械手臂的設計理念跟技術可以繼續沿用，但有些則有重新檢視、修正的必要。 彈性生產挑戰傳統手臂設計思維 目前的工業用機械手臂絕大多數都是以大量生產單一產品的應用場景為研發思考的起點，因此整個手臂系統的設計方針，不太會把少量多樣或混線生產的需求列入考量。 少量多樣甚至混線生產的生產線配置，跟大量生產的產線相比，有哪些不同需求？最顯而易見的一點就是換線調度所產生的設備移動、定位校正等考量。目前絕大多數工業用機械手臂都必須安裝在牢固的定點上，無法視產線需求快速調度到其他位置。定點安裝有其好處，因為這種安裝方式更容易讓手臂在又快又穩的前提下執行工作，有助於產能極大化，但缺點就是要換線的時候，若機械手臂的位置需要移動，拆卸跟重新安裝、校正的作業會相對麻煩。 除了移動性的問題之外，換線調度往往也意味著工站的來料會跟著改變，工站本身的配置跟布局也可能會跟著調整，這會影響到手臂的運動路徑規劃。如果手臂的控制系統無法聰明地因應這些變化做出調整，自動化工程師撰寫程式或手動教導的負擔會變得很大。 最後，目前機械手臂所使用的夾爪、治具等配件，大多是針對特定產品組裝工序設計的客製化配件，A產品有一套專屬的夾爪、治具，B產品則用另一套的情況相當普遍。這其實也是為了追求量產速度極大化而產生的設計，但缺乏適應性的夾治具，使得機械手臂在換線時，有時必須更換對應的夾治具，若是遇到混線生產，情況則更加棘手。 歸納起來，對於產品種類眾多，需要頻繁換線的製造業者而言，現有機械手臂不能輕鬆移動、對現場環境的變化適應性不足，使得自動化工程師必須頻繁介入、以及夾治具設計的泛用性不足，是三個必須設法克服的問題。 感知/移動/泛用性成關鍵 如果要讓機械手臂適用於講求彈性生產的產線，機械手臂的設計理念必須跟著調整。首先，手臂設備本身必須具備更高的可移動性，才能滿足產線調度的需求。其次，機械手臂必須有能力感知周遭環境跟加工任務的變化，並做出適應性的調整，不管是在軟體或硬體上都要有一定的適應能力。 關於移動性，這個問題最直觀的解答，就是把手臂設備安裝在可移動的平台上，例如自動引導車輛(AGV)或是推車上(圖1)。這種設計對講求高速運動的工業型機械手臂來說，會構成一定的挑戰，因為慣性會影響到手臂運作的穩定性，如果要手臂運作又快又穩，把手臂安裝在牢固、安定的平台上，還是最好的選擇。但對於講求彈性生產的生產線來說，因為對產線吞吐量的要求相對較低，手臂的運動速度可以適度放慢，慣性所引發的問題也因而從根本上獲得緩解。 圖1　為滿足彈性生產需求，機器手臂必須具備一定程度的可移動性。 至於在感知能力方面，機器視覺是最重要的技術。除了2D視覺外，3D視覺也非常關鍵。2D視覺可以用來讀取QR碼標籤、感知物件的外觀輪廓等傳統機器視覺可以執行的任務，3D視覺則可讓機械手臂據以判斷其所處場景中，各物件在立體空間內的分布狀況，除了可以更精準地抓取物件外，甚至可以讓機械手臂自動閃避其運動路徑上的障礙物。 力覺感測對於彈性生產來說，也相當關鍵。透過這項技術，手臂可以跟其加工中的工件建立起更深的連結，例如精準地控制加工力道，避免損壞產品，或確保零部件被正確地安裝到位。有了力覺感測的數據，機械手臂還可以實現智慧化的力量自動補償，解決零部件公差的問題，或是當公差過大，超過容許範圍時，自動發出示警。力覺技術有相當大的應用想像空間，端看個別生產線的具體需求為何。 完整的感知能力，對於提高機械手臂控制軟體面的適應性，可以帶來很大的幫助。因為有這些即時的感測數據，機械手臂不再只能靠著預先固定的程式，照本宣科地在不同座標點之間移動，或是只對工件施加固定的力量，而是可以按照環境跟任務的變化，適應性地做出改變。 至於在硬體層面的適應性，則必須以泛用型夾治具取代固定型夾治具來實現。固定型夾治具限制了機械手臂可以執行的作業任務，泛用型夾治具則可以在一定程度內解決這個問題。此外，雙臂協同運作也會是未來的發展方向之一，因為雙臂協作可以讓機械手臂執行更複雜的工作任務。 雙臂機器人滿足彈性生產需求 以愛普生(Epson)發展多年，到2017年底才正式商品化的WorkSense W-01自主性雙臂機器人為例，該機型就是以滿足少量多樣、彈性生產組裝為出發點而設計的產品。 WorkSense W-01整體共有15軸關節，包含單一手臂具有7軸運動關節，雙手共有14軸，再加上腰部可旋轉的1軸，可以提供非常高的自由度，以適應變化多端的生產組裝需求，甚至像人類作業員一樣，正面180度以內都是其可以自由運用的工作空間。 此外，WorkSense W-01是一款可以由作業員推到定點後，踩下固定踏板，接上網路線就能開始工作的雙臂機器人，這也意味著該設備不用大幅更改生產線布局，就能整合進原本以人類作業員為核心而規畫的生產線(圖2)。 圖2　WorkSense W-01可以直接推進原本為人類作業員設計的工站，執行作業任務。 而在機器視覺方面，共配有6顆視覺，該設備除了頭部配有2D跟3D機器視覺外，在兩隻手臂的手肘部位也各有一個2D機器視覺鏡頭。此設計可解決手臂擋住頭部視線的問題，消除機器視覺的死角。無死角的機器視覺，對雙臂機器人的應用而言相當重要，不僅能讓手臂避免碰撞，更有助於提高手臂設備的泛用性。 WorkSense W-01的設計理念是可代替人類作業員進駐工位，而在少量多樣或混線生產的產線上，一個工站往往得做很多事情，因此空間利用相當緊湊，一張工作檯上再切割成多個區塊，放置多種零部件跟對應的加工設備，例如焊槍、螺絲刀等，是很常見的情況。因此，手臂必須清楚知道現在要執行的組裝工作為何，相關工具跟零配件放在工作檯的哪個區塊。在這種情況下，利用QR Code標籤來標記工具、零配件的位置，加上無死角的機器視覺，就能發揮很大的功效。 而在夾治具方面，為提高適應複雜加工作業的能力，手臂必然也要改採泛用型夾爪，並搭配力覺感測技術，讓機械手臂不只在機構設計上更接近人類的雙手，同時也有感測力道的能力。WorkSense W-01出廠時的標準配備就是兩軸的四指夾爪，並且在夾爪的四指中間，還有一個類似手掌的設計，以提供更多夾持力道，讓夾爪可以更穩固地夾持工件跟加工設備(圖3)。 圖3　泛用型夾爪讓機器手臂可以滿足各種作業需求。 要滿足多功能工站的複雜作業需求，除了硬體面之外，軟體面的考慮也要更周延，只有硬體到位是行不通的。WorkSense W-01本身內建的控制器有相當大的儲存容量，因此自動化工程師可以預先把所需要的各種加工模式寫成模組，當機器人在工位上就定位之後，只要呼叫模組即可。 也因為該設備本身有很完善的視覺跟力覺感測機制，因此自動化工程師在寫程式的時候，可以不用把每個動作鉅細靡遺地寫死，藉由感測器提供的資料進行即時補償即可。這使得控制軟體的撰寫變得更簡單，在某些情況下，控制軟體的行數甚至可以減少到原本的三分之一。 實現機器換人願景要有新思維 對機械手臂供應商來說，製造業客戶喊出機器換人、無人工廠等口號，雖然是一大利多，但在技術跟產品開發上，卻是相當大的考驗。跟機械手臂相比，人類作業員有完整的五感，加上會思考的大腦，因此面對複雜的加工任務，有很強的適應性。但現有的工業用機械手臂大多是以追求產能極大化作為設計出發點，而不是從滿足複雜、多元化的加工需求來思考，因此在遇到多元化製造或彈性生產需求時，會遇到很多難題。 要協助製造業客戶實現無人工廠，機械手臂必然要變得更像人類，要有感知跟思考的能力，而且在機構設計上也要更貼近人類，才能適用於原本為人類作業員規劃的生產線。這也是Epson耗費多年時間，研發WorkSense W-01自主性雙臂機器人的原因。跟傳統工業手臂相比，WorkSense W-01的特性更貼近人類，能執行更複雜、多樣化的工作任務(圖4)。 圖4　雙臂設計加上完整的感測能力，讓機器手臂的應用彈性大為提升。 這是未來機械手臂產業的一個新的發展方向。追求產能極大化的工業機械手臂，還會繼續朝高精度、高速度跟低震動的方向發展，針對彈性生產，手臂設備必須具備更全面的感知跟判斷能力。對手臂產業而言，這是一個新的發展方向，也會開拓出新的應用市場，未來成長值得期待。 (本文作者任職於Epson)

SiC提高功率轉換效能 眾半導體商因應此趨勢推出各種方案，例如英飛凌便展示了CoolSiC MOSFET系列的相應功能集以及搭配的驅動器IC，其支援入門級應用。例如，光電變頻器、不斷電系統(UPS)、驅動器、電池充電基礎設施以及能源儲存解決方案。 在未來，將有越來越多的功率電子應用無法僅倚賴矽(Si)裝置滿足目標需求。由於矽裝置的高動態損耗，因此藉由矽裝置提高功率密度、減少電路板空間、降低元件數量及系統成本，同時提高功率轉換效能，即成為一個相互矛盾的挑戰。為解決此問題，工程師們逐漸開始採用以碳化矽材料為基礎的功率半導體來部署解決方案。 SiC蕭特基二極體長期以來持續創新，像是英飛凌於2001年推出首批600V產品，並持續擴大包括650V與1200V電壓等級的產品組合，同時也開發並發表新世代產品，其單位晶片面積具有更高的電流處理能力，同時降低了功率損耗，目前已生產數億個SiC二極體晶片並供應至市場。 在這十多年來，諸如太陽能變頻器中的MPP追蹤或開關式電源供應器中的功率因數校正等應用中，使用Si IGBT加上SiC二極體或具有SiC二極體的超接面Si MOSFET已成為最先進的解決方案，可實現高轉換效率及高可靠度的系統。市場報告甚至強調SiC二極體正進入生產率的平原期。SiC技術中的量產技術、生產品質監控以及具有優異FIT率的現場追蹤記錄，為採用包含SiC MOSFET之產品策略奠定了下一步基礎。 SiC MOSFET/Si IGBT　效能大有優勢 SiC半導體材料中的電晶體功能，為整體電力供應鏈(從能源產生、傳輸及分配給消費者)的能源效率(以較少能源獲得更多能源)提供了更大的潛力。 讓我們仔細研究一下SiC MOSFET與Si IGBT的效能優勢。圖1顯示了先進的矽解決方案範例：如果目標為高效率與高功率密度，具有650V與1200V Si IGBT的3-Level T類拓撲的一個相位腳通常會用於三相系統，例如光電變頻器與UPS。採用此種解決方案，效率最高可達到20~25kHz的切換頻率。由於裝置電容較低、部分負載導通損耗較低，以及沒有關斷尾電流，因此1200V SiC MOSFET的電流損耗比1200V Si IGBT低約80%。在外部切換位置使用1200V SiC MOSFET可大幅提升效率，並在指定的框架尺寸中達到更高的輸出功率。 圖1　先進的矽解決方案範例 進一步提高切換頻率會導致矽基解決方案效率與最大輸出功率迅速降低，但SiC MOSFET的低切換損耗不會有此問題。透過此範例的證明，工作頻率高達72kHz的三倍仍帶來比24kHz運作之矽解決方案更高的效率。因此可縮減被動元件實體尺寸、減少冷卻作業，並達到更低的系統重量與成本。 另一個三相電力轉換範例是電動車的充電基礎設施。1200V SiC MOSFET可為DC-DC轉換級建構一個LLC全橋級，其中典型的矽解決方案倚賴650V Si超接面MOSFET，需要兩個串聯的LLC全橋來支援800V的DC鏈路。而四組SiC MOSFET加上驅動器IC即可取代八組Si超接面MOSFET加上驅動器IC，如圖2所示。除了零件數量減少及電路板空間縮減之外，還可以使效率達到最佳化。在每個導通狀態下，相較於Si解決方案中的四個切換位置，SiC MOSFET解決方案僅打開兩個切換位置。在快速電池充電中使用SiC...

近日研究單位IDC發布了「 2018年上半年全球物聯網支出指南」，其中小幅下調了對中國物聯網市場支出的預測；IDC預計，到2022年中國物聯網市場支出預計將達2552.3億美元，占全球同期總支出的24.3%，僅次於美國(占比25.2%)，位列全球第二。該報告同時預期，中國物聯網的硬體設備支出比重將逐漸下降，在未來，該如何轉型為服務供應商將是硬體設備製造商的重大考驗。 IDC中國物聯網研究經理盧春生預期，未來5年中國物聯網市場將從規模建設期，轉為進入優化提升期；也就是說大規模的設備部署即將結束。因此硬體支出的比重將逐步下降，而服務支出將進入高速成長期。對於物聯網相關業者而言，該如何從硬體製造商轉型為服務供應商，將成為未來的主要挑戰。 與2017年下半年的預測相比，IDC小幅上調了硬體支出，降低了軟體支出，儘管總體支出小幅下降，但年復合增長率仍然高達13.2%。硬體支出上調的主要原因，在於物聯網基礎設施相關支出略高於此前預期，軟體支出下降主要在於越來越多的企業開始基於開源軟體平台進行定制化開發，軟體採購支出轉化為軟體開發服務支出。 IDC提到，儘管目前硬體設備仍然是中國物聯網市場最大的支出，但是服務支出的成長更為迅速。預計到2021年，服務支出將超過硬體，成為物聯網市場第一大支出。服務支出的成長主要源於物聯網運維服務支出，以及軟體定制化開發服務支出的持續增加。 另一方面，IDC透過對20個產業的持續追蹤研究，並分析指出製造業的升級轉型，依舊是決定中國物聯網市場發展的最關鍵因素。在未來5年主流應用場景中，車聯網場景的成長速度最快，然而支出最大的依然是製造業。 物聯網不僅是智慧製造的關鍵技術，也是製造業企業實現數位轉型的重要途徑；借助物聯網技術實現產品數據的高效採集和整合分析，企業可以為產品提供遠程故障診斷、預測性運維等加值服務，並通過數據價值深度發掘實現數據變現新的收入成長，變產品製造商為綜合服務提供商。在中國政府產業升級政策和企業數位轉型浪潮的推動下，工業物聯網支出將持續高速成長。