首頁Top區塊

TrendForce旗下半導體研究處調查2019年全球SSD模組廠自有品牌在通路市場出貨排名，受惠於NAND Flash價格急速下滑，2019年全球通路SSD出貨量約有1億3100萬台水準，較2018年成長近60%，普及度進一步提升，而金士頓(Kingston)、威剛(ADATA)與金泰克(Tigo)仍位居前三大模組廠品牌。 金士頓在NAND Flash均價持續下滑的態勢中逆勢操作，憑藉積極採取搶攻市占的策略，並搭配全球縝密的通路及產品服務體系，以26%市占穩坐龍頭。威剛是台廠中少數專注通路市場SSD產品經營的企業，除了持續耕耘品牌價值，更進一步開拓高階電競市場，透過多元化的產品方案，以及彈性的定價策略，市占表現較前一年提升。 2019年中國SSD模組廠受到價格下滑導致部份廠商退出供應行列，部份陸廠無法穩定供貨SSD產品。然而金泰克早在建立初期，建設完整廠內生產體系與齊全的產品線，為了提升品牌形象及品質，去年也順勢推出工控SSD方案，因此市占仍位居眾陸廠之冠。 本次四至十名反應出中國通路市場持續成長，進而帶動陸廠排名，然幾近無差別的市占反應出中國市場競爭仍激烈，導致更多二、三線廠商因無法獲利選擇退出。而台廠除了受到中國市場出貨量因陸廠興起而擠壓，加上在通路市場的佈局略顯保守，僅威剛與創見上榜，顯示出台廠銷售策略的改變，轉而投注更多資源於工控及OEM市場，此舉恐讓台系品牌總市占在未來持續下滑。  

美光(Micron)與印度塔塔集團旗下的塔塔通訊(Tata Communications)宣布，將聯手推出支援全球行動網路連線的解決方案，以簡化和加速物聯網(IoT)裝置的大規模部署。此方案將由從嵌入式SIM卡(eSIM)技術衍生出的雲端eSIM作為基礎，創造出傳統實體SIM卡所不具備的靈活、可擴充優勢。美光則為此方案提供專為邊緣裝置打造的Authenta金鑰管理服務(KMS)，為雲端 eSIM的安全性增添助力。 雲端eSIM讓IoT電信服務更靈活 憑藉雲端eSIM技術，塔塔通訊推出了名為MOVE的全球IoT解決方案。該公司與全球600多家電信營運商有合作關係，在推出雲端eSIM之後，可在200個國家和地區以零接觸方式將IoT裝置連上雲端服務。對於產品行銷全球的IoT裝置製造商而言，全球覆蓋的特性可以創造許多價值，因為在實體SIM卡或eSIM的時代，產品在出貨前不是要預先搭載個別地區電信業者的SIM卡，就是要預先安裝對應當地電信業者的eSIM，在後勤跟物流管理上十分麻煩。 雲端eSIM則沒有這個問題，因為SIM卡的管理是在雲端上統一進行，所以可以免除預裝實體SIM卡或eSIM所帶來的不便。這對工業用、基礎設施、汽車、航空、運輸和物流業而言尤其有利，因為這些產業要求便攜式裝置不受邊界和Wi-Fi網路的距離限制，即使在偏遠的地方也要能實現長距離的全球連線。該解決方案亦將允許企業引進5G至其IoT部署策略中，藉由5G 達到更低的延遲、更高的容量和更快的資料速度。 這項技術對物聯網電信服務的運作，也會帶來許多重大的變革。由於雲端化管理，因此用戶將無需在需要連線服務之前，就開始每月繳錢訂購電信服務。只要在需要連線服務前透過雲端開通eSIM，再開始繳納電信費用即可。這項特性將明顯降低用戶的資本和營運支出，因為實體SIM卡往往需要在出貨前就啟用服務合約。 另外，雲端eSIM也使隨用隨付(Pay as you go)的彈性模式成為可能，用戶若使用不須長時間連上電信網路的IoT裝置，可以透過塔塔通訊的MOVE平台以這種高度彈性的服務合約，取代按月繳交固定月租費的合約。 KMS提高物聯網安全性 在實現全球連網並提高電信服務彈性的同時，此方案也有助於提高IoT應用的安全性。美光嵌入式業務部門副總裁暨總經理Kris Baxter表示，IoT生態系統正處於一個臨界點，儘管存在尚未發掘的商機，但當前確保硬體安全性的方法不是太過複雜和昂貴，就是缺乏可擴充性和彈性。與塔塔通訊的雲端虛擬 SIM 卡相輔相成，美光的Authenta邊緣安全將彌補這個差距，促進企業IoT的導入和服務的開放創新。 使用實體 SIM 卡時，OEM必須在製造過程中將裝置ID與IoT服務緊密配對，以避免與不安全的裝置和服務互動，但這將導致「供應商鎖定」的現象。Authenta的簡易身分認證允許延遲綁定第三方憑證，進而分離IoT服務安全需求與製造流程。這樣的彈性讓終端使用者得以自由、安全地存取各種與供應商無關的服務，他們能夠將裝置個人化，並利用IoT裝置作為創新平台，就如同現在帶有行動應用程式商店的智慧型手機一般強大。透過開放生態系統，美光和塔塔通訊將使IoT服務市場以更廣闊的裝置覆蓋面來兌現其全部承諾。 隨著生活中面臨威脅的風險愈來愈大，資安成為導入IoT應用時最大的疑慮。從連網魚缸到嬰兒監視器等IoT裝置上，都出現了不法分子和駭客活動。透過晶片信任根(RoT)，Authenta為 IoT軟體的最底層提供了獨特的保護等級。從啟動程序開始，Authenta便使用了原生嵌入快閃記憶體中的強大的加密身分和安全功能。欲使裝置與此全新的SIM卡相容，OEM只需安裝 Authenta快閃記憶體，無需輸入安全金鑰或新增安全元件。 圖　Authenta運作流程圖 美光的雲端服務Authenta KMS將運用此信任根對IoT裝置進行身分驗證，使其能夠在邊緣進行啟用和管理，進而實現從製造到安裝的整個生命週期的平台加固和裝置保護。這種安全即服務解決方案的便捷性，對於那些正在進軍IoT裝置領域的傳統製造商來說尤其有利。有了這項解決方案，缺乏網路安全經驗的OEM將能更專注於自己的核心競爭力，並依靠美光數十年積累的嵌入式專業知識來提供硬體安全保障。

日前超微半導體(AMD)以350億美元全股票交易收購FPGA廠商賽靈思(Xilinx)，AMD同時宣布第三季的業績高於預期，同時提高對第四季業績的預估。收購賽靈思將協助AMD在資料中心方面與英特爾(Intel)保持競爭關係，同時FPGA在市場上的接受度越來越高。緊接在NVIDIA以400億美元收購Arm之後，此次的收購案也符合晶片產業邁向整合的趨勢。 AMD以350億美元全股票交易收購FPGA廠商賽靈思 收購後，賽靈思股東持有的每股賽靈思股票，將轉換為1.7234股的AMD普通股。雖然AMD的金流大幅少於英特爾，但是Zen/Zen 2架構過去幾年間的市占率佳，因此其股價大漲，自2018年以來上漲兩倍。 目前AMD將在這一季向雲端客戶交貨下一代的伺服器晶片Milan，而賽靈思正在更新可編程晶片產品Versal ACAP，該晶片可望協助資料中心處理人工智慧帶來的大量運算需求。值得一提的是，在超微與賽靈思宣布合併的當天，賽靈思還發表了一款針對5G無線電單元(RU)設計的新一代Zynq RF SoC DFE。藉由將大量RF訊號處理矽智財(IP)硬化，該晶片的性能比先前的產品大幅提升，功耗也明顯降低，更可簡化5G基地台設備的設計複雜度。藉由與賽靈思合併，超微也同時在5G電信設備的晶片市場建立起一定的地位。 據外媒報導，Moor Insights&Strategy分析師Patrick Moorhead認為，AMD的收購行動大膽且合理，也帶來值得期待的前景。相信AMD及賽靈思都會持續成長，尤其長期而言，賽靈思創造了更高的產品多元性，能夠應用在不同的市場與產品。 超微執行長Lisa Su在投資人電話會議中指出，賽靈思與超微不僅產品線高度互補，就連技術、IP跟代工夥伴方面，都有許多可以發揮綜效的地方。因此，在超微與賽靈思合併後，除了能為高性能運算、資料中心市場提供更完整的解決方案外，在產品的設計、生產方面，也可以帶來擴大經濟規模、壓縮學習曲線等好處。 此外，從超微的觀點，賽靈思的嵌入式產品線是非常「美麗」的，這個市場具有產品生命週期長、需求穩定且毛利相當高的特色，且其中不乏某些超微目前還比較少布局，但日後一定要加碼投入的垂直市場，例如汽車電子。因此，不管是從財務、營運或長期趨勢的角度，超微與賽靈思合併後的前景，都是十分值得期待的。

因此，4位元啟動參數和4位元權重參數(4-bit Activations and 4-bit Weights, 4A4W)Hardware-friendly型量化解決方案可實現更優異的精度/資源權衡取捨。本文介紹在Zynq UltraScale+MPSoC和Zynq-7000SoC系列上針對CNN 4位元XDPU實現的低精度加速器，其透過高效映射卷積運算，充分發揮其DSP功能。這種解決方案可提供優於XDPU兩倍的性能。而在ADAS系統中執行2D檢測任務時，這種實現方案能夠在MPSoC ZCU102基板上實現230fps的推論速度，與8位元XDPU相比，性能提高了1.52倍。此外，在用於ADAS系統中的不同任務時，該解決方案可實現媲美全精度模型的結果。 網路結構剖析 企業日益重視使用AI的系統在資料中心、汽車、工業和醫療等領域中的產品化。這帶來了兩大挑戰，如AI推論需要完成的運算量規模增加，同時還要保持價格、功耗、延遲和尺寸大小不變；以及AI科學家繼續日復一日地在演算法和模型上開展創新，也需各種不同的硬體架構提供最佳性能。 針對持續創新的強烈需求則需要使用彈性的領域專用架構(DSA)。優化AI推論性能和降低功耗的主要趨勢之一，是使用較低精度和混合精度。為降低硬體設計複雜性，模型量化被當作應用於各類硬體平台的關鍵技術。大量工作被投入用於大幅降低CNN運算量和儲存成本。本文充分地證明，對於大多數電腦視覺任務，在不嚴重犧牲精度的情況下，權重參數和啟動參數可以用INT8表示。然而對於某些邊緣應用而言，硬體資源仍然不足。在針對邊緣應用使用較低的位元寬度(如1或2位元)時，一些常見的硬體設計解決方案使用簡化的乘法器。儘管這些解決方案延遲低、輸送量大，但它們與全精度模型相比，仍然存在較大的精度差距。因此，在模型精度和硬體性能之間尋求平衡變得至關重要。 本文運用幾種常見的網路結構，在ImageNet分類任務上透過使用幾種不同的量化演算法進行實驗。結果顯示精度隨著位元寬度減少而下降。尤其是在位元寬度低於4時，精度下降幅度顯著。此外，也使用Samuel Williams等人提出的Roofline模型，分析不同位元寬度下的硬體性能，如圖1所示。以賽靈思ZCU102評估板為例，隨著MAC的精度降低、硬體成本降低，性能獲得提升。此外，實驗結果還顯示，低位元量化可透過降低記憶體需求提高性能。這在ResNet-50神經網路的卷積運算強度上獲得證實，該網路分別用4和8位元精度進行了運算。因此，INT4在模型精度和硬體性能之間實現了較佳的平衡。 圖1　ZCU102上以不同位元寬度運行Roofline模型 如何量化全流程Hardware-friendly型CNN 為實現整個量化過程的Hardware-friendly化，INT4量化法可分為三個部分：量化機制、Hardware-friendly型量化設計、量化感知訓練。 ・量化機制 本文使用經訓練的量化臨界值(TQT)將DNN從單精確度浮點(FP32)轉換為INT4。對於權重和啟動參數，量化函數可正式寫成：   其中n=-2b-1，p=2b-1-1，為有符號資料；n=0，p=2b-1及為無符號資料。   公式1表示輸入值(x)的量化值取決於臨界值(t)、位元寬度(b)和量化比例係數(s)。臨界值t一般初始化為待量化張量的絕對值之最大值。隨後在訓練過程中用log2t的形式進行優化。量化係數是2的冪，具有Hardware-friendly特性。若將上下截斷運算去除部分離群資料，加大權重參數和啟動參數的分布緊密度，更有利於量化。 如上文所述，log2t是一種在訓練過程中可學習的參數，優化它就能確定合適的量化範圍；與之相反，log2t的梯度可透過鏈式法則確定。此外，輸入值的梯度也可透過下方公式運算：   對於(四捨五入)和(正無窮取整數)，不可微函數STE被用於確定梯度，定義如下方公式所示。     TQT證明對數表達能確保臨界值和輸入值的標度不變性。採用對數方式訓練臨界值更容易管理，並且已證明是較高效的。 ・Hardware-friendly型量化設計 要進行量化訓練，必須從全精度網路中構建低位元網路。以流程化Hardware-friendly型量化為基礎，下文介紹部分常用的網路結構，並針對幾種粗細微性模組的量化解決方案總結。對於這些量化模組，INT4量化方法可用於多種類型的網路結構；部分常用模組的量化解決方案如圖2所示。圖2中的虛線表示能根據實際網路結構增添或者刪除。 圖2　模組量化 首個模組為CBR(Conv+BN+ReLU)，其作為CNN中的通用結構，BN層被合併以減少訓練和推論過程中的觸發器數。然而，BN層存在不一致性；大量運算在訓練過程中使用當前批次的平均值和平方差，但在推論過程中移動平均值和平方差。如果量化的是從當前批次的平均值和平方差獲得的合併參數，在推論時就會導致偏差。為消除這種不匹配，應使用下列最佳實踐來量化這種結構。在將BN折疊到ConV後，就對折疊到INT4的參數進行量化。該模組的量化如圖2(b)所示。 再來為BRC(BN+ReLU+Conv)模組，如圖2(c)所示，在緊隨卷積層的BN層被合併後，仍然存在獨立的BN層。然而，在現有的INT4量化方法中，BN層原則上不受重視。為有效部署這個獨立的BN層，有種量化神經網路的簡化方法被用於在訓練過程中保持全精度，並在推論過程中吸收浮點標度和臨界值偏差。這種方法可延伸用於所有線性運算(包括推論中的卷積)，同時有助於保持精度。該模組的量化詳見圖2(d)。 而於加法模組中，其占用硬體資源較少。因此該層一般量化為8位元。此外，為了量化所有輸入和輸出，將使用標度共用規則。共用規則的作用是讓硬體繞過標度運算，消除了浮點乘法的需要。如圖2(b)所示，「ShareQuantize」指這些量化層共用相同標度。 至於其他則為確保卷積運算輸入是4位元，加法運算的8位元輸出需要再次被量化為4位元，如圖2中的「再量化」所示。針對第一層和最後一層，仍然進行INT4量化，整個網路的輸出被量化成8位元，且內積層與卷積層保持一致。 ・量化感知訓練 量化感知訓練通常被作為關鍵技術，用來降低低位元模型與全精度模型之間的精度差。在本文描述的INT4量化方法中，它仍具備不可或缺的作用。量化感知訓練過程都使用以下所示的逐層量化感知訓練演算法。 於輸入方面，其為全精度輸入、權重和偏差：X、W、Bias；針對輸入和權重的可學習對數域臨界值：ax、aw、abias；位元寬度：針對輸入和權重，b=4；針對偏差，b=8。而輸出：Y，初始化ax=log2max(|x|)，aw=log2max(|w|)，abias=log2max(|bias|)，同時根據公式1運算q(x)、q(w)和q(bias)。而Y=Forward(q(x),q(w),q(bias))；運算分類損耗為：Loss，針對所有可學習參數使用正則化方法。可參閱以下公式，並使用Adam更新全精度參數。 於DSP晶片最佳化INT4f 使用DSP硬體資源可實現乘法和加法密集型(Multiply-accumulate, MAC)占用硬體資源較少。經優化後，DSP能夠在16或28nm元件上處理較多的MAC運算。以16nm為例，賽靈思可程式設計元件中UltraScale架構的DSP48E2晶片就屬於專用晶片，其由一個27×18二進位補數乘法器和一個48位累加器構成。如圖3所示，MAC能使用DSP晶片完成。 圖3　MAC模式下的晶片 INT4優化 在低精度MAC運算中，相乘方式是a×b。其中a是4位元無符號啟動參數資料；b則是4位元有符號權重參數資料。該晶片可被配置成4通道乘法運算，如圖4所示。 圖4　4通道封裝晶片的配置模式 該晶片的埠A是27位元寬度、埠B是18位元寬度。iNT4×uiNT4相乘產生的結果至少有8位元寬度。 充分利用DSP資源的前提是在多個相乘被打包在一起時，可確保輸出結果保持正確。為確保這一點，通道之間添加了保護位元。當四個MAC通道被打包在一起時，需要在兩路輸入間布置足夠的保護位元。根據晶片設計，保護位元被設置為3位元：   第一個通道A1×W1被布置在對應埠的4LSB上，下一個通道A2×W1需要移位元至少8位元才能正確運算；第二個通道與第一個通道共用權重參數資料W1。埠B中的A2移位11位。3位元保護位元用於最大化DSP資源的利用；最後一個運算元W2被分配給埠A。最後兩個通道是A1×W2和A2×W2。權重參數是有符號資料。在相乘開始前，使用27位預加法器打包兩個權重參數資料。因為W1需要符號擴展，所以W2不能布置在D埠的四個MSB上。如果W2在MSB中，當W1<0且W2=-8時，預加法器就會溢出。後48位加法器可作為累加器，透過級聯對之前層次的DSP結果進行相加。單個晶片就能在單時序週期內實現四通道MAC。 結果的位元寬度在累加後增大。Hardware-friendly型量化器是一組移位暫存器，它可以透過指令控制移位元的位元數。移位元運算為Hardware-friendly型。在低精度CNN中，卷積能夠使用兩種量化方法之一。一種是逐運算位元輸出8位元；另一種是針對下一卷積輸出4位元。透過優化演算法，兩種量化方法都能量化成2k的步伐長度。差別在於輸出資料的位元寬度以及它們是否是有符號資料。 DSP強化使用 DSP雙數據速率(DDR)技術被用於改進晶片實現的性能。因此需要為DPU提供兩個輸入時序：一個用於通用邏輯，另一個用於DSP晶片。未採用DSPDDR技術的DPU和採用強化使用模式的DPU之間的差異如圖5所示。 圖5　未採用DDR的DSP和DSP強化使用之間的差異 運算圖因應CNN要求 卷積是CNN網路的主要運算要求。卷積的實際運算任務如下： 其中Anf是浮點特徵圖，Wnf是浮點權重。其本質上是MAC運算。根據新量化感知訓練解決方案，浮點的卷積運算按如下方式進行量化：   其中axf、awf和abf是標度。這些浮點參數被轉換成2k×2k。這是一種Hardware-friendly型標度，能夠在FPGA中使用移位運算實現。 DSP模組在一個時序週期中需要兩個權重和兩個特徵，其中彼此都能共用，如圖6所示。 圖6　卷積運算任務和乘法器共用方式 其中Anf是浮點特徵圖，Wnf是浮點權重。其為MAC運算。根據新量化感知訓練解決方案，浮點的卷積運算如以下方式進行量化： 模型量化與性能模擬 下面的篇幅講解量化感知訓練中使用的CV任務。這些任務包括影像分類、姿態估計、2D檢測、3D檢測、語義分割和多工處理。 基準分類模型 在完成ImageNet分類資料叢集上的實驗後，得到以下結果。網路包括ResNet50-V1、ResNet50-V2。在所有實驗中，資料叢集均從浮點模型進行微調。所有偏差參數都量化到8位元，實驗結果如表1所列。 而基準分類模型的結果參見表1。它體現了這種方法的有效性，對ResNet50V1而言，4位元與8位元XDPU解決方案在前1精度上的差距僅有1.4%，在前5精度上的差距則僅有0.9%。 表1　不同位元寬度下類ResNet50的網路精度 即時ADAS模型解析 為進一步驗證量化方法的通用性，也在真實場景下開展了其他CV任務。 ・姿態估計 姿態估計任務使用更加複雜的堆疊Hourglass網路。透過在MPII資料叢集上開展姿態估計實驗，評估逐層模式下兩個網路結構的精度。結果參見表2。 在表2中，hg-s2-b1意謂著堆疊數量是2，模組數量是1；hg-s8-b1意謂著堆疊數量是8，模組數量是1，因此證明INT4量化解決方案實現了可相比浮點模型的精度。 表2　不同位元寬度下的Hourglass網路精度 ・2D檢測 在ADAS系統中，BDD100K數據叢集用於2D檢測。此外，特徵金字塔網路(FPN)結構被添加到ResNet18-SSD中作為檢測網路，而實驗結果如表3所示。 表3所示的是在經過微調後，8位元量化模型實現了高於浮點模型的mAP。透過逐漸從8位元微調到4位元，最終4位元量化模型的mAP損耗小於2%。 表3　不同位元寬度下的檢測精度 ・3D檢測 ADAS系統的3D檢測任務使用KITTI資料叢集，而PointPillars用於開展3D預測任務，實驗結果如表4所示。 如表4所示，採用微調技巧後，4位元量化模型的精度僅比浮點模型低0.16%。 表4　不同位元寬度下的3D檢測結果 ・語義分割 在ADAS系統的語義分割任務中，CityScape的資料叢集以理解城市視覺場景為重點。實驗在以ResNet18為基礎的特徵金字塔網路上開展。結果如表5所示。 表5顯示，8位元模型可實現比浮點模型更高的mIoU，4位元模型的mIoU僅比浮點模型低1.7%。語義分割的示意圖參見圖7。 表5　不同位元寬度下的語義分割精度 圖7　語義分割示意圖 ・多工學習 為增強模型的歸納功能和精度，在多工模型中使用了多個訓練資料集，包括用於檢測的Waymo和BDD100k，以及用於分割的BDD100k和Cityscapes。這些研究在以ResNet18為基礎的特徵金字塔網路(FPN)上開展。結果如表6所示。 表6顯示，8位元量化模型可實現優於浮點模型的mAP和與浮點模型保持同等水準的mIoU。透過逐步微調，與浮點模型相比，最終的4位元量化模型的mAP降低1.66%，mIoU提高1.79%，仍然劣於8位元模型的表現。 表6　不同位元寬度下的多工精度   競爭分析：8位元/4位元對比 4位元XDPU在下列三種評估板上以300MHz頻率運行：Ultra96、Zynq UltraScale+ MPSoC ZCU104和ZCU102。表7所示為4和8位元XDPU的比較情況。在不同的FPGA上，4位元XDPU實現的性能提升1.5倍到2.0倍之間。例如，ZCU102板使用的硬體資源沒有增加，但性能提高2倍。 表7　4和8位元XDPU的性能比較 對於兩個精度不同的加速器，在啟用池化、逐運算單元逐深度卷積和平均池化等全部功能後，針對資源進行比較。如表8中所示，在相同的性能架構下，DSP和RAM的占用顯著下降。有鑑於資源耗用下降，4位元XDPU架構被擴展到B8192的最大規模。使用B8192架構能以單元件實現更高性能。 表8　4和8位元XDPU的資源消耗比較   若以表3中13.6FLOP的2D檢測模型為例，兩個高精度模型4/4和8/8分別使用4和8位元XDPU進行測試。該網路的運算要求是13.6GOP。2D檢測網路的訊框率如表9所示，測試不包含預處理和後處理。有鑑於效率和網路類型的差異，性能和訊框率之間不存在線性關係。如表9所示，4位元XDPU的訊框率在所有平台上均優於8位元XDPU。 表9　4和8位元DPU之間的訊框率比較 本文介紹了一種運行在Zynq UltraScale+ MPSoC和Zynq-7000 SoC系列元件上的完整流程、Hardware-friendly型量化解決方案，可作為CNN的低精度加速器。此外，本文也介紹如何在DSP晶片上優化INT4，進而在一個時序週期內完成4通道INT4相乘。卷積運算要求可透過打包DSP予以滿足。與INT8 XDPU解決方案相比，使用DSP實現的INT4優化在真實硬體上可將處理峰值GOPS提升最高2倍，並將性能提升至最高1.77倍。 (本文作者皆任職於賽靈思Xilinx)

各領域產業及消費市場對於科技的需求，皆是型塑科技新面貌的推手。以工業環境來說，機器人的出現有利於工廠將人力花費在更具難度的設備調度上。而隨著工業自動化逐步落地，以人工智慧(AI)驅動的協作機器人(Cobot)亦已出現在工業製造環境—其挾多項優勢的導入，將可望為工業生產模式及效益帶來革新。 Universal Robots通路開發經理盧彥亨表示，工業自動化發展至今面臨的主要瓶頸有兩項，其一為靈巧/複雜度，也就是說，雖然產品組裝現已高度自動化，但有些程序如備料(Kitting)環節仍需仰賴人力協助才能完成；另一困境則體現於視覺與非視覺性的回饋，意即工業裝配作業流程中仍需人力或是機器人根據視覺/觸覺等訊號，憑經驗或「感覺」加以調整動作的力道及角度如組裝來料位置判定便為一例。 Universal Robots通路開發經理盧彥亨表示，相較傳統機器人，協作機器人具有多項優勢，可助工業製造更有效率 審視現階段台灣工業流程，以汽車產業的焊裝及組裝產線與電子製造業，為工業手臂的最大應用市場，市占率占了60%。而根據2018年機器人協會統計，目前約有300萬台機器人，其中多安裝於金屬加工、電子業等產業，因投入門檻較低，因此企業較有意願導入；其餘的產業類別則大多還未開始使用機械手臂，原因在於傳統機器人及電腦視覺技術等局限。因此協作機器人的出現，可望化為推升工業自動化的即時雨。 盧彥亨認為相較傳統機器人，協作機器人具有多項優勢，從安裝/保養方式及占地面積來看，皆具有較多彈性，且其安裝難度及操作門檻也相對較低；還有很重要的關鍵是，傳統機器人實務上到不了的地方，協作機器人則可正負360度旋轉，降低操作死角。 他進一步補充，協作機器人導入的突破口在於傳統技藝，如金屬焊接等人力嚴重外流、就業人口出現斷層的產業，他以傳統工藝技能的傳承為例，老師傅們面臨技藝無法傳承的困境，且因其勞動力的衰退，接連導致產品品質的良率降低。因此他認為協作機器人的優勢是將老師傅的經驗轉換為程式語言呈現；同時，傳統機器人因需具備專業知識因此於操作上較不便，協作機器人則可以較簡單的方式操作，技術門檻相對較低。 不過，盧彥亨坦言，面對現階段企業不願導入協作機器人的原因，可歸納為成本考量，因為初期投入成本相對於傳統機器人較高，且傳統機器人的技術發展也處於成熟穩定的階段，即使是元老級的協作型機器人製造商也僅成立近20年。他表示，以協作型機器人於半導體製程的角色來看，由於初期架設成本較高，因此主要技術門檻將不會落於設備的連線與操作，而是追求系統層面最佳化的部分。

富比庫(Footprintku Inc.)近日推出雲端服務平台FPK Showcase，運用既有電子零件資源結合「共享服務」及「隨取即用」概念，消弭電子產業存在已久的零件數位資料格式供需斷層，重新連結電子產業市場供應鏈，創造資源運用最大化，以實現研發創新的無限可能。 整合全球電子零件市場供需 富比庫自成立以來持續以推動電子產業數位轉型為目標，積極投入發展智慧化與自動化的電子零件資料數位轉換技術，幫助企業降低轉換成本，進而將有限資源運用於產品創新研發。以此為基礎，甫正式上線的FPK Showcase提供滿足電子產品設計所需並可相容於多種EDA工具及版本的數位檔案，包含用於電路設計的Schematic Symbol、電路板設計的PCB Footprint和機構設計的3D Model，以打造電子產業首見的一站式供需整合服務平台為發展目標。 富比庫除了將電子零件供應商提供的規格書(PDF Format)，透過自行研發的智動化數位技術(AI & Auto-digitization technology，AADT)轉換為電子產品設計所需的數位資料檔案格式，並將其整合至FPK Showcase，以增加供應商品牌及產品曝光機會。FPK Showcase為電子產業提供一個針對資源耗損、效率不佳與零件參數資訊不足等問題的整體解決方案，有效降低系統整合商與供應商資料確認溝通往返所耗費的人力時間成本。 實現電子零件數位化資料共享 隨著共享經濟(Sharing Economy)的發展日趨成熟並逐漸導入各大產業，資源重覆運用的概念儼然成為企業拓展市場的嶄新商業模式。今年受疫情影響，電子業界陷入人力嚴重短缺的困境，此時，有助於加速產業轉型的電子零件數位資料結合隨取即用服務模式，便成為推動電子產業創新發展不可或缺的重要角色。 為解決傳統電子零件建置過程中因人工作業所產生的資源耗損及品質不一等問題，富比庫所搭建的一站式平台FPK Showcase運用電子零件數位資料與共享經濟的概念，以提供業界豐富多元的電子零件資源為平台營運目標，打造全球唯一提供擁有完整製程設計規則(Design for Manufacturing，DFM)的電子零件數位檔案資料庫。所有參數資料皆經由供應商與富比庫認證與驗證，確保可立即用於電子產品設計，真正發揮隨取即用的特色及優勢，有效提升產品設計效率與縮短時程，降低企業人力及時間成本。

研華與承業生醫旗下久和醫療日前宣布攜手合作，共同布局智慧醫院市場。首波以久和醫療的台灣經銷通路，搭配研華醫規手術螢幕、手術室影像串流系統，以及行動醫療護理車AMiS，搶攻台灣手術醫療與醫療推車市場。 根據市調機構Frost & Sullivan研究，目前有60%的醫療院所已採用物聯網技術，因此傳統醫院邁進醫療物聯網(Internet of Medical Things；IoMT)已是全球醫療業者有目共睹一致的目標。而智慧醫療跟智慧製造要解決的問題，有一部分是十分相似的。 舉例來說，目前醫院手術室裡的各種儀器設備，其實就跟未聯網的工業機台一樣，是一座座無法互通的資料孤島，導致醫生在為病人動刀時，常常需要移動到不同設備前，才能獲得病人的檢查資料或生理資訊，不僅十分不便，也不容易對病人的狀況有全盤掌握。如果能把跨種類、跨廠牌醫療設備上的資訊集中在一個大型醫療面板上顯示，就像智慧工廠的戰情室一樣，不管是對病人或醫護來說，都是有好處的。在不同醫療設備之間搭起資訊互通的橋樑，正是手術室影像串流系統所扮演的角色。 但要搭起這座橋，需要投入相當多研發資源。研華IoT智能服務事業群副總經理江明志指出，研華早在數十年前便已觀察到醫療物聯網發展趨勢，因此早將智慧醫療相關解決方案，從最初純硬體調整為軟硬整合的一站式解決方案。近幾年，更針對醫療專科，以物聯網雲平台WISE-PaaS為中心架構，提供以數據驅動數位轉型的智慧醫療解決方案。 為加速在台灣實踐智慧醫療乃至智慧醫院之落地，研華與國內醫療技術服務領導者承業生醫旗下久和醫療合作，並選定手術影像市場與醫療推車作為首波切入之領域。江明志對此說明，承業深耕台灣醫療市場超過四十年，相當瞭解整體市場需求及未來發展趨勢，近年該集團更積極網羅精準醫療、智慧醫療相關產品，此策略恰與研華於智慧醫療布局不謀而合，研華因此與其簽定台灣區域之經銷夥伴關係。 研華與承業生醫旗下久和醫療簽訂經銷夥伴關係，首波以久和醫療的台灣經銷通路，搭配研華醫規手術螢幕PAX、手術室影像串流系統AVAS，以及行動醫療護理車AMiS搶攻台灣手術醫療與醫療推車市場。 承業生醫業務事業群副總經理李明倫表示，集團一直以來不斷引進尖端醫療設備與解決方案，進而提升整體醫療服務品質，達到醫療院所、患者與廠商的三贏。研華是全球工業電腦領導廠商，在智慧醫療領域已耕耘逾十年，成功推出手術室影像串流解決方案、行動醫護工作站等產品，可優化作業流程。藉由集團旗下子公司經銷豐富的醫療產品線，透過縝密的經銷策略及完善的售後服務，搭配產品組合來接觸不同醫療專科，可有效提升醫療院所管理效率，展望智慧醫療市場，進一步打造以病患為中心的醫療環境，讓醫療回歸醫者的初心。

國際半導體產業協會(SEMI)公布最新出貨報告(Billing Report），2020年9月北美半導體設備製造商出貨金額為27.5億美元，較2020年8月最終數據的26.5億美元相比上升3.6%，相較於去年同期19.6億美元則上升了40.3%。 SEMI全球行銷長暨台灣區總裁曹世綸表示，九月份北美設備製造商銷售額表現再創新高。儘管COVID-19與地緣政治緊張情勢帶來了挑戰，半導體產業仍然保持彈性。 SEMI所公布的出貨報告乃根據北美半導體設備製造商過去三個月的平均全球出貨金額之數值。  

    所以本文想要利用電致變色薄膜的特性打造一個室內自動調光系統，以下會將電致變色薄膜貼在玻璃上，讓人們能夠控制玻璃的透光度，進而讓室內的光源永遠都能保持在舒服且適合的亮度，若太陽太亮的時候，就讓電致變色薄膜變成不透光，反之則相反，再利用Wi-Fi模組讓手機可以控制是否要讓電致變色薄膜全透光或不透光，也可以直接呼叫手機語音功能來加以控制。全透光則像一般玻璃一樣可以看風景，不透光能達到不被打擾兼防曬的功用，而在不透光的情況下，還有一個自動調整的LED光源，以防不透光的情況下光源不足，而且旁邊還裝有觸控模組，可以直接控制電致變色薄膜的透光度及LED的亮度，讓不想拿手機出來的人也能直接調控。 光線控制講究人性化 現代社會越來越講究科技跟智慧化，都可以做到偵測人在的時候開燈；人離開時關燈，所以筆者想到人們在室內時，常常會遇到太陽太刺眼，必須去把窗簾拉起來，但有的時候拉起窗簾又覺得光線不足，導致今天如果要看資料或電腦時，眼睛會很吃力。 為了解決這個問題，筆者想到可以利用微控制器控制電致變色薄膜，達到自動調整室內光源的效果，不僅能讓室內的人處在舒適的光源下，還能讓眼睛不會因為光源漸弱或漸強而更加疲勞，畢竟眼睛是一個很敏感的視覺器官，若周圍光源強弱一直改變，會導致眼睛為了適應光源而更加疲勞，所以為了讓大家有個更舒適的生活環境，才想要設計一款能夠自動調光的系統。 目前室內擁有可調光的電致變色薄膜並不普及，而能夠自動調節光源的幾乎沒有，而本文示例的特色除了能夠自動調節光源外，還可以透過Wi-Fi模組讓手機可以控制，要讓電致變色薄膜全透光或是不透光都可以(圖1)。 圖1　電致變色薄膜解釋圖 透過觸控模組啟動系統後，有三種模式可以選擇(表1)。首先，於自動模式，會先偵測現在光照度是否超過設定值，若超過設定值則讓玻璃變霧態，然後再依環境光源適度調整，反之沒超過設定值，則直接依照環境光源調整；其次為手動模式，在該模式下可以自由選擇玻璃及LED的狀態，玻璃能夠遠則霧態或透明，LED則是亮度大小；最後為語音模式，於該模式下只要打開手機使用內建的語音助手(Android-Google Assistant/Apple-Siri)，直接對著手機說打開或是關閉，就能夠直接操控，專門設計於不想使用App或是去按觸控板的人。 表1　模式功能比較表格 電致變色薄膜最大的特點就是能夠更改它的透光度，而本文就是利用這個特性來設計一個自動調光的系統，而自動調光最大特色的點就是能讓室內的環境光源永遠保持一致，再加上有三種模式可以選擇，可以讓使用者選擇自動、手動或是語音，打造出智慧家庭的雛型。 其實大家對於電致變色薄膜最大的疑問應該就是它耗電的問題，而筆者已經研究過了，電致變色薄膜的功率約為1W/sft(每平方英尺)，而電致變色薄膜就算全裝上，其實每小時平均消耗最多也只會有5瓦，相對於室內其他會用電的東西，已算是非常省電，只要花少許的錢，卻能享受到更好更優質的生活品質。 調光系統運作原理 微控制器主要核心功能 本作品使用盛群(Holtek)HT66F70A作為MCU，利用光照度感測器來判斷現在環境光源是否要開啟電致變色薄膜：光源若不足電致變色薄膜則變全透明；光源若足夠則讓電致變色薄膜變不透明。同時也能透過觸控模組來選擇模式，有自動、手動和語音，手動跟語音都可以直接控制電致變色薄膜的透光度，也能控制LED的亮度。 電致變色薄膜玻璃基板 電致變色薄膜玻璃是一種可藉由通電來切換的玻璃，當通電時，液晶分子規則排列，入射光線可通過，使電控液晶膜/玻璃從乳白不透明狀態轉為透明。相反地，當斷電時，液晶分子呈現隨機排列，入射光被散色，使電控液晶膜/玻璃呈現不透明狀(圖2)。 圖2　透光度與電壓關係圖 MCU架構分層工作 NodeMCU是基於ESP8266的開發版，其架構主要分為硬體層(Hardware)、韌體層(Firmware)和軟體層(Software)三個部分，而其支援無線802.11 b/g/n標STA/AP/STA+AP三種工作型態，內建TCP/IP協定堆疊；支援多路TCP Client連線、支援豐富的Socket AT指令。 HTTP協定 HyperText Transfer Protocol(HTTP)是一種用戶端瀏覽器和伺服端伺服器之間溝通的標準協定，他是屬於OSI七層模型中的應用層。HTTP協定中，每個物件從伺服器中獲取都需建立一個TCP連接，通訊埠(Port)號80來傳輸網頁的HTTP服務。 基本上，HTTP是一種Client/Server的應用，Client端透過網址、超連結向Server下達HTTP請求(Request)，請求Web Server的虛擬目錄(Virtual Directory)的資源(html、Image or Backend的執行結果)，處理完畢後，使用MIME格式回應(Respond)回Client端，目前主要版本有HTTP/1.0、HTTP/1.1、HTTP/2.0(表2)。 表2　HTTP請求代碼與回應代碼表格表 滑條型電容式觸控模組 電容式觸控感測模組適合用來作為直覺式的調整數值應用，當手指觸摸PCB上的滑條型銅箔區域時，銅箔區域的電容量會產生變化，藉由偵測電容的變化量及產生變化量的位置，可以做到類似滑動控制的效果。 而圖3中8顆LED的位置分別代表一個Byte，由右至左分別為0×00~0×07，而本文利用這八個位置將產品做了不同的功能選擇(表3)。 圖3　滑條型電容式觸控模組 表3　滑條型觸控模組各位置功能 四鍵電容式觸控感測模組 四鍵電容式觸控感測模組則適合用來作為按鍵的替代品，當手指觸摸PCB上的銅箔區域時，銅箔區域的電容量會產生變化，藉由偵測電容的變化量而產生類似按鍵的效果(圖4)。 圖4　四鍵電容式觸控感測模組 而本文利用觸控的KEY1~KEY4做了4個不同的功能選擇，如表4所示。 表4　觸控感測模組各位置功能 光照度感測器 採用ROHM原裝晶片，供電電源：3~5V，光照度範圍：0~65535 lx，感測器內建16Bit AD轉換器，直接數位輸出，省略複雜的運算，不區分環境光源。 而透過實際測量後設好如表5的對應動作。 表5　GY-30光照度對應狀態表格 I2C I2C(Inter-Integrated Circuit)，唸做I-square-C，它是恩智浦(NXP)開發的通訊協定，主要用來作為IC之間的通訊。由於I2C只用兩條線通訊SDA(Data)/SCL(Clock)，因此較省空間。I2C是序列式的傳輸，一個叫做SDA專門用來傳送資料，另一個叫SCL是用來傳Clock。資料格式依序是由Start Condition所開始，然後開始傳資料，最後Stop Condition結束。 繼電器模組 繼電器是一種電子控制元件，它具有控制系統(又稱輸入迴路)和被控制系統(又稱輸出迴路)，通常應用於自動控制電路中，它實際上是用較小的電流去控制較大電流的一種「自動開關」。故在電路中具有自動調節、安全保護、轉換電路等功能(圖5)。 圖5　繼電器常開/閉示意圖 最終成品結構剖析 系統方塊圖 圖6為系統方塊圖，有三種模式可以選擇：自動模式會透過光照度感測器自動判別環境光源，並適當調整；而手動模式則可以透過滑動觸控模組調整；語音模式則是透過Wi-Fi模組與手機Siri連線。 圖6　系統方塊圖 自動模式程式流程圖 圖7為自動模式之系統流程圖，先透過四鍵觸控模組開啟系統後，選擇自動模式，接下來透過光照度感測器判別環境光源，讓玻璃與LED做出對應的狀態。 圖7　自動模式程式流程圖 手動模式程式流程圖 圖8為手動模式之系統流程圖，先透過四鍵觸控模組開啟系統後，選擇手動模式，接下來開啟滑動觸控模組，再透過手滑動的位置做出對應狀態。 圖8　手動模式程式流程圖 語音模式程式流程圖 圖9則為語音模式之系統流程圖，先透過四鍵觸控模組開啟系統後，選擇語音模式，接下來使用手機之Siri功能喊出對應指令，MCU收到指令後會做出其對應動作。 圖9　語音模式程式流程圖 Siri功能介紹 透過向手機Siri說出指令，手機會傳送對應動作訊息給MCU。 系統測試方法 如何測試，可先透過KEY1開啟系統，再選擇KEY4手動模式，接下來使用旁邊的滑動觸控模組，即可調控玻璃及LED狀態；若選擇KEY3自動模式，系統會自動依環境光源對玻璃及LED狀態調整；至於選擇KEY2語音模式，拿出手機說出指令，即可透過手機語音控制產品。 而測試條件，需要有光照度感測器、滑動觸控模組、四件觸控模組、NodeMCU模組、電控變色玻璃、繼電器。 至於測試結果，則是將燒錄好程式的作品開啟後，先測試手動模式，滑動觸控模組是否能夠控制玻璃及LED狀態，再測試自動模式，程式是否會依環境光源自動變化，最後測試語音模式，先看區域網路是否有連接到，連接到同個區域網路後即可拿出手機對其做出指令，再看產品是否有做出其指令。 (本文作者謝振榆為國立虎尾科技大學教授，賴英傑為學生)

2020年7月14日記憶體技術標準的領導組織JEDEC正式發布新一代的記憶體標準DDR5 SDRAM，標準編號JESD79-5，並收取369美元的下載費用。DDR記憶體自1998年開始倡議與運用至今已來到了第五代，每一代約在產業使用4至7年時間，在DDR4技術逐漸難以提升、難以滿足更高要求下，產業將迎向使用DDR5(表1)。 DDR5期望運用於兩個領域，一是用戶端系統(Client System)，即個人電腦；另一是資料中心(Data Center)，即伺服器。其他領域與裝置尚非其運用目標。DDR5運用何種技術提升而能滿足更高要求，本文以下將對此探討。 降低運作電壓/提高資料傳輸率 DDR記憶體每次改朝換代，均會因應更先進縮密的半導體製程而降低運作電壓，DDR5確定使用1.1V，較DDR4低0.1V。若檢視歷代的DDR記憶體運作電壓可發現，運作電壓的降幅愈來愈小，從0.8V、0.7V降至0.3V，而今僅降0.1V，此並非是記憶體所獨有，而是整體半導體產業均面臨的技術課題。更低的電壓也意謂著在電晶體漏電受控制下可以更省電，不過也意謂著電壓準位更難精準控制，對此一挑戰後頭將再敘述。 同時DDR5預估以4.8GT/s(T為Transfer)傳輸率起跳，較DDR4發展至最後段的3.2GT/s快上50%，未來也將持續提升，預計將能比DDR4快一倍，達6.4GT/s，甚至是8.4GT/s。DDR5能夠提升傳輸率的原因在於使用決策回授等化器(Decision Feedback Equalization, DFE)，可以使傳輸訊號少受干擾、更清晰。 晶片內實現ECC DDR4與更之前的記憶體均採行資料記憶體、錯誤糾正碼(Error-Correcting Code, ECC)記憶體各自分離的設計，如此等於在記憶體模組(Dual In Line Memory Module, DIMM)的板卡上多占據一點印刷電路板(Printed Circuit Board, PCB)面積，進而排擠可放的DRAM記憶體顆數。 新的DDR5主張直接運用更先進縮密的製程技術，把ECC的功效電路直接做進DRAM裸晶內，每顆DDR5記憶體晶片內都帶有ECC功效，如此有機會增加每一條DIMM模組上的晶片與容量，此一新特點也稱為On-die ECC。 單顆晶片加大容量/延長爆發長度 Rambus的相關文章認為DDR4每一個記憶體顆粒最高容量為16Gb，實務上美光(Micron)、三星(Samsung)已有32Gb容量，海力士(Hynix)則為16Gb。不過DDR5被寄予單顆更高容量的厚望，目前預估單顆最大容量達64Gb，意謂著能在不增加DIMM上的記憶體顆數下直接讓容量倍增。 DDR5也增加爆發(Burst)長度，DDR4為BC4、BL8，DDR5將為BC8、BL16，此一強化提升同樣著眼在提升記憶體系統的整體存取效率。爆發長度提升使DDR5一次就可以傳遞64Bytes的資料，這剛好是典型CPU裡一條快取線(Cache Line)的資料量，此意謂著一次爆發週期剛好滿足CPU的資料需求，省去再次存取，同時也沒有無效傳遞。 管理匯流排升級 自DDR3開始至今DDR系列的記憶體在系統管理上均採行Serial Presence Detect(SPD)介面，主機板上的記憶體控制器(即晶片組或已整合至CPU內的晶片組電路)透過SPD介面與DIMM記憶體模組溝通聯繫，DIMM上有一專設的Electrically-Erasable Programmable Read-Only Memory(EERPOM)記憶體，在此應用情境下稱為SPD記憶體，該記憶體內存放著該條DIMM上的各種組態配置資訊、參數資訊，如容量、傳輸延遲(Latency)等。 不過DDR5不再使用SPD介面，而是改用I3C介面。I3C介面是由Mobile...