首頁Top區塊

本文概述演算法和架構方面的最新發展，並探討FPGA如何適應不斷變化的環境。 DNN加速部署因應環境變化 當今工業革命的核心是推出許多機器學習(ML)的演算法，尤其是深度神經網路(DNNs)(圖1)。其在電腦視覺與語音辨識領域取得令人印象深刻的成果，且越來越廣泛地應用在其他任務中。DNN首先會透過已標記的資料集進行訓練，後續應用的其中之一是將其他資料進行推論，這個推論的過程通常被稱為部署，即是本文的重點。 圖1　卷積神經網路的基本拓撲結構 與DNN部署相關的大量運算和儲存需求需要加速。此外，根據不同的應用實例，可能會對準確度、成本、功耗、模型大小、傳輸量和延遲有不同的限制。擁有即時性且以安全為重點考量的應用，如AR、無人機控制、自動駕駛等，由於低延遲與資料傳輸量的需求，因此不適合使用雲端。 在雲端運算和ML即服務的環境下，資料中心為成功處理大量的資料，面臨不斷成長的傳輸需求，為能源效率與營運成本帶來更多像是如何降低最多營運費用等挑戰。與嵌入式場景相比，雖然雲端服務延遲不那麼重要，但其仍然會直接影響到互動式應用的使用者體驗，例如Jouppi等學者在雲端服務中，將互動式使用者體驗的回應時間限制為7毫秒。 由於上述這些挑戰，過去數年間不同DNN模型與加速器呈現極速的發展。考慮到應用需求的差異，目前DNN推論作業負載與硬體加速器架構領域的一大關鍵趨勢，為多樣性及快速演進發展。本文將概述演算法和架構的最新發展，並探討FPGA如何適應這種不斷變化的環境。 DNN趨向追求高效推論 DNN通常是由一個或多層建構的前饋運算圖，其中大型網路能夠包含數百到數千層；每一層皆由突觸互聯的神經元組成且都與權重相關。每個神經元運算其接受域的加權和，並且使用非線性激勵函數。電腦視覺通常使用卷積層，其接受域擴展到多個典型的二維特徵圖，這些特徵圖與多個典型的二維過濾器進行卷積，產生如圖2所示的運算虛擬碼結果。 圖2　典型DNN運算的虛擬碼 機器學習框架(如PyTorch、TensorFlow和Caffe)都是基於這些運算圖展示，針對訓練與推論將硬體的運算進行排程與配置。 傳統意義上，機器學習研究的重點是如何提高模型精確度，並沒有特別考量推論的成本。這一點在像AlexNet與VGG這類較為陳舊的ImageNet獲獎網路中表現相當明顯，即便這些網路現在看來規模較大且過度參數化。然而，隨著機器學習和DNN進入實際應用，運算和記憶體需求成為其中一個主要的問題。上述問題激發最近一系列有關如何使DNN推論更有效的研究，同時精準度和運算的複雜度也會成為考量。 以下簡述為提高DNN效率而提出的幾種方法。在大多數情況下，這些方法可被認為是相互獨立且可以組合的，儘管部分DNN可能不太適合某些技術。 高效能拓撲結構 DNN的拓撲結構定義了其包含多少層、每層的類型和大小，以及各層之間的連接方式。一些拓撲結構由構造規則進行定義，該構造規則根據拓撲參數定義大小和層數。近期大量研究都提出DNN可透過緊湊的拓撲結構實現高精準度，例如透過少量的參數、少量的乘積累加(MAC)運算或兩者並用。 最近的範例包括MobileNets、 ShiftNet、ShuffleNet，和Deep Expander Networks，其通常具有可控制精準度與運算量之間權衡的拓撲參數。而FPGA在這方面可以提供獨特的優勢，因為新型運算單元(例如移位和隨機排列)幾乎不需要運算資源，可透過重新配置元件中的可編程設計互連來實現。 量化 DNN通常使用浮點運算進行訓練，但可以使用有限的數值，其通常可以直接量化到8位元(參考圖3)，或者重新接受訓練以使用更少位元(訓練量化)，進而得到量化神經網路(QNN)。量化方案可以是均勻或非均勻的，而根據網路的不同部分可以使用不同的量化方案。使用更少位元數需要更少的運算和記憶體，但可能會導致準確度降低。最近大量資料都提出更好的量化訓練技術。近期的方法如LQ-Nets，已經將浮點和4位元QNN之間的精準度差距縮小到1%以下。 圖3　正弦波3位元量化函數 FPGA內部的可編程邏輯可提供獨特的功能，能夠以非常精細的位元度對運算單元的資源進行客製化，進而提供精確的位數來滿足應用需求。因此，此應用能夠發揮潛力來降低運算與記憶體的硬體成本。 剪枝(Pruning) 神經網路的一部分可以被修剪掉而不會對準確度產生任何重大影響，對於某些層來說，準確度最高可達90%(圖4)。剪枝技術在如何選擇修剪部分(例如透過權值幅度或二階導數)，以及在選擇以何種精度執行修剪(例如單個突觸、相鄰突觸群或用於卷積的整體特徵圖)有所不同。修剪單個突觸會導致不規則的結構，而這些結構只能透過專用硬體來進行有效處理。雖然人們通常選擇較粗精度的修剪方法，但是精細度的修剪方法更進一步提供可與FPGA搭配使用的效能擴展性，進而縮減記憶體子系統，在提供運算引擎所需支援的同時，有效儲存稀疏表示(Sparse Representations)。 圖4　突觸剪枝 層間融合與分解 數學等價或近似可以用來減少DNN層的運算和記憶體需求。例如，批次的標準化操作可以融合到前面的線性轉換層(卷積或全連接層)中。卷積可以用深度可分離濾波器(Filter)來近似表示基於奇異值分解的全連接層。 其他技術則可以使用知識蒸餾(Knowledge Distillation)使高效能模型的訓練變得更加容易。Hoffer 等學者提出將DNN的最終分類層固定到Hadamard矩陣上的方法，該矩陣具有+1/-1的固定模式值，並證明此方法對幾個ImageNet網路的分類精準度沒有影響。 精度/運算之間損益比較實測 神經網路是函數近似器，高品質的近似器(Approximators)比低品質的成本更高。其中，在確定將多少記憶體和運算資源用於執行推論(使用神經網路)，以及所得推論的品質(例如網路對未見輸入影像的類別進行預測時的準確性)之間，需要作出權衡。雖然難以確定資源與精度之間的確切關係，但是透過對具有不同運算要求的神經網路進行訓練並觀察所得準確度，能夠以過往經驗探究其設計空間。 圖5呈現的是設計空間探索的一種結果。(圖中兩軸上的數值越低結果則越理想。)使用不同的量化方案來生成具有不同運算成本(x軸表示為在整體運算中將使用多少FPGA LUT和DSP片的大略數值)和準確度(y軸)的網路。紅線是柏拉圖邊界(Pareto Frontier)與設計點，這些設計點在運算成本和準確度方面都是同類中最好的。在這種情況下，較低準確度的深度網路(ResNet-50，具有2位元權重和8位元激勵)的運算成本與誤率較低，優於較高精度的淺層網路(ResNet-18，具有8位權重和8位激勵)。 圖5　運算成本與使用各種量化網路在ImageNet上排名前5的分類錯誤率 深入推論加速器架構研析發展趨勢 如前所述，神經網路對運算與記憶體的要求可能非常高。例如使用像ResNet-50這類熱門的DNN對每個單獨的輸入影像進行分類需要77億次運算。然而，從優勢來看，本質上DNN的高度平行化，可以加以利用。因此，各種形式的客製硬體架構正在演進發展，以實現這些演算法的部署。 DNN的推論運算包含多個平行級別，如圖6所示。這些平行級別可歸納如下： ・連續層之間的粗精度拓撲平行與平行分支，例如在GoogLeNet或DNN整合中所發現的。 ・層內的神經元和突觸平行，例如多個輸入/輸出特徵圖(IFM/OFM)通道及卷積層中的畫素。 ・當分別查看權重和激勵的各個位元時，運算內部的位元層級平行級別。 圖6　適用於運算DNN推論的平行級別 推論加速器架構前景可期 在為這些運算和記憶體高度密集型演算法優化硬體架構時，會出現以下問題： ・如何進行最佳迴圈轉換和展開，以實現資料重複使用和運算效率最大化與記憶體瓶頸最小化？ ・如何在技術節點縮小導致收益有限的情況下提供效能可擴展性？ ・如何實現即時回應、功耗限制，以便在耗能較高的嵌入式應用場景中進行部署？ 除了標準的CPU以外，特殊應用硬體架構正試圖針對特定的應用限制進行優化，包括GPU、FPGA和AI ASIC。微軟創造了「DNN處理單元」這一術語，也可簡稱為DPU，作為這些客製架構的總稱。圖7描述了通DPU架構，其中典型的「痛點」以黑點標示。 圖7　通用DPU架構中的典型「痛點」 架構可以大致按照運算操作的基本類型、記憶體頻寬、平行級別、專業化程度和既有的準確度支援進行分類。雖然GPU最初是專注於遊戲和繪圖處理，並逐漸應用於高效能運算，但之後也越來越關注AI領域，並且將訓練加速作為其業界標準。 GPU被認為是向量SIMD處理器，如透過NVIDIA Volta系列中引入張量核(Tensor Core)和定點整數運算，為深度學習進行越來越大幅的客製化，尤其是採用NVIDIA最新Turing架構的INT4和INT8。DPU的ASIC解決方案旨在實現硬體成本最小化，並盡可能提升效能，例如Google的張量處理單元(TPU)。如前所述，TPU專門針對張量而不僅只是向量進行運算，並且為了充分發揮量化的優勢，還擁有客製記憶體架構與算數運算。除了TPU以外，越來越多公司正在打造客製硬體，包括Arm、Intel收購的Nervana、MobilEye和Movidius，以及GraphCore、Cerebras、Groq和Wave Computing等眾多新創企業。綜上所述，業界環境正在迅速發生變化。 FPGA在高效DNN的優勢 DNN的多樣性還展現在前面提到的各個平行級別上。因此，對於固定的硬體架構，如果以固定方式傳輸固定數量的平行運算元素，執行DNN的效率就會受到限制。例如，如果為了利用輸入特徵圖和輸出特徵圖(IFM-OFM)平行而建構固定的架構，那麼對於深度可分離卷積來說，可能會降低其利用率。特別是考慮到用來創建高效DNN的技術在快速發展，靈活應變能力是在不斷變化的DNN推斷環境中保持高效率的關鍵。 在這種情況下，業界廠商如賽靈思(Xillinx)FPGA的主要特色在於提供的運算和記憶體資源具有靈活應變能力，並能實現大規模細精度平行。該元件支援多種DPU架構，這些架構能夠充分發揮多個平行級別的優勢，並根據特定DNN拓撲結構的要求和應用根據設計限制進行客製。 在FPGA上運作的Soft DPU可以支援上述配置，並且能為每個特定的神經網路客製顯式記憶體管理及算數運算。 圖8、圖9和圖10提供Soft DPU範例呈現出其架構的多樣性。每種架構的主要特色如下： 對於特定的QNN，FINN可生成客製DPU，其中每一層都有專屬硬體，並採用晶片上通道連接到下一層，但會受到元件尺寸的限制。這樣可以為每一層客製精確度與運算資源，進而實現高效能的設計。層間資料流平行有助於實現低延遲與高傳輸量。FINN是可利用的開源程式碼。 圖8　FINN是一種專用於每層運算資源與層間晶片上資料流Soft DPU 圖9　xDNN是一種具有高度可編程設計與效能優化功能的Soft DPU xDNN是一種具有固定精度的脈動陣列可編程設計堆疊架構。該陣列的規則結構支援高度的效能優化。其提供的工具流能夠將任何DNN應用到該架構，無需生成新的位元流或具備FPGA專業技術，即可將xDNN用於評估。 圖10　BISMO為可支援不同算數運算精度且無需重新配置的Soft DPU BISMO是位元串列矩陣乘法的可編程設計堆疊，其透過序列化位精度維度但平行化其他維度，提供一個固定的架構，不但可以利用運作時的可變精度，同時仍然能夠提供高效能。精度更高的層需要更多的時脈週期(Clock Cycle)來執行，而BISMO為一款開源程式碼。 在摩爾定律終結的驅動下，賽靈思使用的AI架構由具有客製指令集的軟體可編程設計AI引擎組成。此外，基於NoC的互連，在布建資源方面更進一步提升靈活性，這對於提高元件利用率來說至關重要。再者，除了神經網路本身，FPGA還可以提供感測器融合和靈活的I/O；FPGA不僅能夠增加電腦視覺的預處理和後處理，還可以為線上智慧提供整合所需的其他功能，使元件適用於使用者的應用環境。 FPGA架構更迭因應各種挑戰 越來越多的應用採用機器學習演算法，為傳統運算架構帶來巨大的運算負擔。半導體產業透過許多代號為DPU的創新架構來因應挑戰。 其中，FPGA可以發揮關鍵作用，在調整運算架構方面提供高度的靈活性，因此不僅適用於一般的機器學習任務，還適用於特定的神經網路拓撲結構。可編程設計元件可以提供客製演算法，實現儲存和運算資源最小化，進而提供進一步的效能擴展性或針對嚴格的延遲要求進行最佳化。最後，FPGA可以在I/O和感測器融合與電腦視覺的預處理和後方面提供高度的靈活性，有利於滿足客戶需求 (本文由賽靈思提供)

然而該方法與此類便攜、輕巧裝置的其他重要要求矛盾，尤其是對小尺寸的要求。本文將探討三種重要的可攜式應用，證明即使需要多個模組，圍繞單電感多輸出(SIMO)核心轉換器客製化的整合式電源管理方法，也能輕易解決此難題。 圖1　無線連接的IoT設備 傳統電源設計難題多 傳統方案通常會使用多個開關調節器及相關電感或多個線性調節器。對於可攜式電源管理來說，SIMO架構可解決傳統方案電源效率低下和尺寸問題。 相較其他方法，該方案可以更小空間提供更高功率，支援更長的電池壽命和更小的外型尺寸。 雖然SIMO轉換器IC在整合度方面有所進步，但可能需要附加功能滿足更複雜的系統要求。這就帶來難題：有沒有可能將核心SIMO轉換器整合各種不同等級的協助工具，進而將整個電源管理系統在單個IC中實現？ 以下的案例分析將SIMO技術應用到三種截然不同的可攜式應用中，進而解決此疑問。 圖2所示為典型的可充電電池系統。有交流插座頭存在時，交流插頭透過充電器為電池充電，同時透過SW2為負載供電；在無插頭的情況下，電池接管，透過SW1為系統供電。由於空間和成本限制，通常須使用多個LDO，同時利用單個開關調節器(BUCK)為最重的負載供電，且可能還需一個或多個LED驅動器，以支援IR遙控或RGB訊號。 圖2　典型耳戴式設備電源流程圖 以下針對三種不同應用對該系統進行客製化。 可充電電池系統實現高效供電 圖3所示為支援可充電電池系統的全整合SIMO PMIC方案，利用兩個升/降壓開關調節器(BB3、BB2)代替LDO(圖2中的LDO3、LDO2)，實現對兩個負載高效供電；第三個升/降壓調節器(BB1)代替圖2中的BUCK；整合的LDO1用於雜訊敏感的負載；而該方案亦整合LED驅動器。最後，圖2中的充電器和開關也整合到圖3中的充電器和電源通路模組中。 圖3　使用SIMO PMIC1的可充電電池系統 使用SIMO開關調節器相較使用線性調節器的方案，前者的電源效率和尺寸優勢較大，透過使用升/降壓調節器，即使在輸入電壓下降到輸出電壓以下時也能進行調節，進而用盡電池能量。 電視或智慧家居等的可充電遙控器皆需電源管理系統，如充電器和紅外線LED驅動器，而SIMO PMIC為此提供使用者不同選擇。 智慧電源通路供電模式 至於圖4所示為PMIC中充電器和開關的配置。智慧電源通路電路在系統(SYS)和電池之間分配功率。當交流適配器作為電源時，輸入控制環路將系統電壓(SYS)調節至4.5V(VSYS-REG)。在此情況下，充電器(電晶體T2及其相關控制)由SYS接腳供電，並為電池充電；而當交流適配器不提供輸入電源時，電池透過T2為IC電路及系統負載供電。 圖4　智慧型電源通路 相比圖2的配置，由於T2既作為線性充電器(有交流適配器時)的傳輸電晶體，又作為開關(無交流適配器時)，因此此配置具有更高的矽效率。 得益於其SIMO開關調節器和高效偏置LDO，小尺寸PMIC(採用2.15mm×3.15mm×0.5mm WLP封裝)以較小損耗提供電源，PCB空間僅為21mm2，不及普通實現方法的一半。圖5所示的方案布局考量到所有被動和主動元件，圖中的PMIC採用一個線性充電器(375mA)、一個三路輸出SIMO升/降壓調節器(共300mA)、一個LED驅動器(425mA)和一個LDO(50mA)，而雙向I2C介面允許配置和檢查元件狀態。 圖5　SIMO PMIC1方案(21mm2) 此外，PMIC在待機模式的電流消耗僅為300nA，優於其他可用方案2倍以上的效率。此種能力及其較高效率延長寶貴的電池壽命，透過使用較小電池有效降低系統尺寸，同時延長兩次充電間的時間間隔。 非充電電池系統　實現多功能監測 圖6中更小的PMIC2可實現非充電電池系統所需的功能。 圖6　採用SIMO PMIC2的非充電電池系統 實際例子如活動監測儀和胰島素筆採用LED實現各種功能，通常由AA型或AAA型圓柱電池供電。 小尺寸PMIC供電適用於活動監測 智慧胰島素計量裝置有助於為胰島素筆加注正確數量的胰島素，並在加注結束時點亮LED，諸如身體活動、癲癇發作和睡眠監測儀等活動監測儀都同手錶般戴在手腕上，將LED發出的光調諧到各種不同頻率，穿透皮膚。 光電檢測器則檢測血液和身體組織反射的調變訊號，提供關於病人物理活動的資訊，如心率、運動和呼吸。 而SIMO PMIC是此類系統的選擇之一。圖7中的PMIC採用1個三路輸出SIMO升/降壓調節器(共300mA)、3個LED驅動器(每個3.2mA)和1個LDO(150mA)，而雙向I2C介面允許配置和檢查元件狀態。 圖7　SIMO PMIC2方案(16mm2) 該PMIC(採用2.15mm×2.75mm×0.7mmWLP封裝)以較小PCB面積(16mm2)實現供電。而圖7所示的方案布局考量到所有被動和主動元件。此外，PMIC在待機模式下的電流消耗僅為300nA，有效模式下僅為5.6µA。 非充電電池系統設計精簡化 圖8中精簡型PMIC3整合3個升/降壓調節器，形成最簡單、較小尺寸的非充電系統實現方法。 圖8　採用SIMO PMIC3的非充電電池系統 最小PIMC適用於鈕扣電池/感測器 考量濕度以及其他IoT感測器要求小尺寸及可靠的電源管理系統，以實現較小尺寸及最長工作時間和保存期限，具低靜態電流的SIMO PMIC是此類應用的良好選擇。如圖9所示的PMIC採用三路輸出SIMO升/降壓轉換器(共300mA)，而雙向I2C介面允許配置和檢查元件的狀態。 該PMIC(1.77mm×1.77mm×0.5mm WLP封裝)以較小PCB面積(14mm2)實現供電。而圖9所示的方案布局考量到所有被動和主動元件。此外，PMIC在待機模式下的耗流僅為330nA，有效模式下僅為1.5µA。 圖9　SIMO PMIC3方案(14mm2) PMIC設計解決電源管理挑戰 本文討論實現電池供電設備的小尺寸和高效率電源管理系統面臨的挑戰，並提出客製化的整合方案，透過將支援既定的複雜電路選擇性整合到單晶片PMIC，可發揮SIMO架構空間及電源效率優勢，並將SIMO技術應用到三種不同的可攜式應用。對於每種情況，該SIMO PMIC皆根據應用客製化，獲得的最佳結果實現較小PCB尺寸和較長電池壽命： ．第一款PMIC(MAX77278) 整合線性充電器、智慧電源通路、三路輸出SIMO升/降壓轉換器、LED驅動器和LDO，是可充電應用的良好選擇之一。 ．第二款PMIC(MAX77640) 整合三路輸出SIMO升/降壓轉換器、3個LED驅動器和1個LDO，為非充電應用提供客製化的方案。 ．第三款PMIC(MAX17271) 整合三路輸出SIMO升/降壓轉換器，專門為小尺寸、精簡型應用客製化。 上述客製化的電源管理實現方案，較大程度發揮SIMO架構空間和電源效率優勢，為可攜式應用提供較小尺寸、較高效率的電源管理方案。 (本文作者皆任職於Maxim)

由於真實世界的物理現象往往互相連動，調整任何一個參數，都會對其他參數造成連帶影響，因此使用者必須針對多重物理量進行耦合分析，才能掌握全局。這類需求在電子設計領域特別強勁，為滿足電子設計產業的需求，Ansys已推出可整合多種物理模擬工具的Ansys Electronics Desktop(AEDT)。AEDT是用於電磁、電路和系統模擬的高階整合平台，可在本地構建ANSYS HFSS、Maxwell、Q3D Extractor和Twin Builder等工具，並作為這些工具的通用前處理器和後處理器。 AEDT在統一框架中提供通用使用者介面、模型輸入和設置、模擬控制以及後處理等功能。ANSYS黃金標準電磁場模擬器HFSS、Maxwell和Q3D Extractor可共用桌面環境，將所有分析共同嵌入到單一設計中。統一的桌面環境可用來創建電子和電動機械設計，提供動態連結電磁、電路和系統模擬的全面模擬功能。 AEDT還提供高性能3-D布局介面，配合傳統的任意3D CAD建模介面。HFSS 3D布局介面顯著提高了IC封裝和PCB設計人員的生產力，能幫助他們打造完全參數化的布局模型，由ANSYS HFSS進行求解。印刷電路板(PCB)、電子封裝和IC的模型可從常用電子設計自動化(EDA)工具中導入桌面。此外，3-D布局連接專業的HFSS網格剖分引擎，也能加速求解。 而在建模跟元件庫方面，由於互聯電子設備的爆炸性增長，單一產品中RF/微波元件、天線和嵌入式無源元件的設計，為設計組織機構帶來了新的挑戰。AEDT支援廠商元件庫和各種建模技術。ANSYS HFSS的新功能幫助用戶充分發揮高度整合的組件IP作用，從而在不同工程部門以及整個供應鏈上設計、優化和共用高頻組件。

半導體廠商恩智浦(NXP)日前宣布，該公司董事會已提名Kurt Sievers為新任總裁暨執行長，接替2009年開始任職的Richard (Rick) Clemmer。董事會預定於2020年5月27日在公司的年度股東大會上提出任命Kurt Sievers作為下任總裁暨執行長的建議，並在過渡期間由Clemmer擔任策略顧問。 恩智浦(NXP)日前宣布董事會提名Kurt Sievers為新任總裁暨執行長，接替2009年開始任職的Richard (Rick) Clemmer。圖片來源：恩智浦 恩智浦半導體總裁Kurt Sievers表示，恩智浦正面臨巨大轉變，有幸領導公司邁向下一個階段，我深感責任重大亦充滿期待。過去十年很非常榮幸能與Rick共事，在我的職業生涯發展中，Rick既是一位鼓舞人心的領導者，也是我的導師。在恩智浦獨立之初，Rick和管理團隊就確立恩智浦的策略，開發市場領先且具高度差異化的業務並獲取盈利。 Sievers於1995年加入恩智浦，並迅速晉升管理職位。從2018年9月起Sievers擔任恩智浦總裁，負責恩智浦所有的業務工作，更在2015年恩智浦和飛思卡爾半導體的合併中發揮關鍵影響力，協助恩智浦成為國際上具代表性的半導體公司之一。而2020年他將接下執行長一職，推動恩智浦接下來的發展策略。

半導體供應商如亞德諾半導體(ADI)便提供磁阻(MR)位置感測器產品和基於分流器的電流感測放大器產品，可使EPS和電子煞車系統中使用的無刷馬達實現高性能換相和安全運作。 自駕趨勢使安全更被重視 近年來隨著人們對於車輛安全性的要求越來越高，先進駕駛輔助系統(ADAS)也相應獲得進一步發展及推廣，其依賴安全氣囊保護駕駛及乘客安全之傳統被動系統輔助。這些新出現的系統，最初是為輔助駕駛在安全危急情況下作出正確決策，長期而言，則能替代駕駛作出決策。這些技術的進步亦引領汽車朝向半自動和全自動駕駛遞進，使電子控制單元(ECU)代替駕駛作出決策，以及讓執行器負責進行車輛轉向和煞車操控，皆為將駕駛車輛的任務移交給感測器、ECU和電力傳動裝置。此趨勢促使廠商開發更可靠、更智慧、性能更高的額外的電力傳動裝置解決方案，而這些解決方案皆須符合ISO 26262功能安全標準。考量風險的安全標準，其需對危險操作情況的風險進行定性評估，並在元件和系統設計中融入安全措施以避免或管控系統故障、並檢測或控制隨機出現的硬體故障或減輕影響。 這些執行器系統通常使用無刷直流(BLDC)馬達驅動，由於這些系統對安全性相當重要，因此設計人員在設計解決方案的硬體和軟體時，須保證系統能滿足汽車安全完整性等級(ASIL)D級的高標準。 MPS確保馬達控制 無刷直流馬達無電刷觸點，因此需使用馬達位置感測器(MPS)測量定子與轉子間的相對位置，以確保定子線圈按正確順序通電。馬達位置感測器在啟動時扮演重要角色，因為此時微控制器無可用的反電動勢確定轉子和定子的相對位置。 傳統上阻塞換相(見圖1a)由三個霍爾開關組成，其用於指示無刷直流馬達中轉子的位置。由於人們要求提高BLDC馬達驅動器(包括EPS系統)的性能，尤其是降低其噪音、振動和聲振粗糙度等級(NVH)，以及提高其運作效率，因此阻塞換相逐步被正弦換相控制所取代。霍爾開關則可由安裝在馬達軸末端的雙極磁鐵前面的MR角度感測器代替(見圖1b)。在典型的應用中，MPS也被安裝在ECU組合上，而ECU則被整合到馬達外殼，且安裝於馬達軸末端。 圖1　(a)BLDC阻塞換相控制和(b)BLDC正弦換相控制 ASIL等級反映系統安全性 ISO 26262於2011年導入，其作為一種安全標準，以解決與電氣安全相關系統故障可能造成的危害，之後由2018年版所取代。 針對系統建置安全和風險分析，以確定系統的ASIL等級為必要的過程。而ASIL等級則透過審查系統於運作期間潛在危險的嚴重程度、暴露程度和可控性確定(圖2)，例如若人們對EPS系統實施風險和危害分析，可能會得出以下結論：基於這些事件(如轉向鎖止和自動轉向等)的嚴重程度、可控性和暴露性，將這些嚴重事件評定為ASIL D等級；同樣地，對於即將推出的電子煞車系統，則可採用相同邏輯確定不可控事件的嚴重程度，如煞車鎖止或自動煞車。 圖2　ISO 26262 ASIL評級矩陣 根據EPS或煞車系統示例，ASIL D系統評鑑可透過分解子系統實現，如圖3a、圖3b及圖3c所示。 圖3　針對ASIL D系統的ASIL分解方案 每個系統元件不須皆按照ASIL D標準和流程開發，以使ASIL D系統符合規格；但在進行系統等級的審核時，要求整個系統必須滿足要求，且可整合QM、ASIL A、B、C、D等級的子元件組成系統，且系統分解還應確保獨立性，並考量依賴或共因故障的可能性。 傳統EPS系統拓撲架構及潛在問題 典型的EPS系統拓撲結構如圖4所示。EPS ECU根據駕駛施加到方向盤上的轉向扭矩、方向盤位置及車輛速度計算所需的輔助功率。EPS馬達透過施力轉動方向盤，以減少駕駛操縱方向盤所需的扭矩。 圖4　典型的EPS拓撲 馬達軸位置(MSP)角結合相位電流測量資訊，用於對EPS馬達驅動器進行換相和控制。典型EPS馬達控制迴路如圖5所示，所需的扭矩輔助等級因駕駛條件而異，由車輪速度感測器和扭矩感測器決定；扭矩感測器測量駕駛或無人駕駛汽車中的馬達執行器施加至方向盤的扭矩；微控制器隨後使用MSP資料和相位電流資料控制提供馬達所需輔助的電流負載。 圖5　典型的EPS馬達控制環路 MPS感測器故障可能導致或加重系統故障，如轉向鎖止或自動轉向，因此MPS為EPS系統中的重要元件，其中關鍵在系統需能綜合全面診斷感測器故障，以確保在MPS感測器出錯或發生故障時能夠繼續正常運作，而不會發生嚴重的系統故障，或者在出錯時系統能以安全方式停止運作。 電流感測放大器通常用於間接精確測量馬達負載，一般應用於三個馬達相位中的兩個相位，提供額外診斷資訊(可作為整體系統安全保障措施的一環)。 此外，高度準確的馬達位置和相位電流測量可以從系統層面改善EPS馬達的控制性能，實現高效、安靜、平穩的轉向，進而提升駕駛體驗，因此是系統中的關鍵元件。 雙AMR感測器　確保穩定操作 在EPS或其他安全性關鍵馬達控制應用中，可採用不同的方法來使ASIL D符合規格。以下示例便將雙重各向異性磁阻(AMR)馬達位置感測器和像是ADI的電流感測放大器整合到此系統中，以提供所需的性能等級和額外需要，從系統等級實現ISO 26262 ASIL D合規性。 在圖6中，用不同技術(如霍爾、GMR或TMR)的另一個感測器對雙AMR感測器進行完善和補充。雙AMR感測器作為主(高精度)感測通道，第二個不同感測器技術通道有三個用途： ．啟用「三選二」(2oo3)比較，以驗證當與其他系統輸入組合時，其中一個感測器通道是否出現故障。 ．在發生可能性極低的兩個AMR通道都故障的情況下，提供位置回饋。 ．在馬達極數為奇數的情況下，為微控制器提供360o象限資訊，用於馬達換相。 圖6　適用於安全性至關重要的應用的馬達位置和相位電流檢測結構示例 準確的角度測量將繼續由雙AMR感測器的兩個通道提供。額外的系統診斷，如馬達負載和軸的位置，可以從準確相位電流檢測放大器的動態狀態(反電動勢)間接推斷得出。 若查看此感測器架構示例中所有可能的感測器故障模式，可以看出應始終有兩個位置感測器輸入可用於可靠性檢查。即使在兩個AMR通道都因常見故障原因以致同時故障，這種極不可能的極端示例中，仍然可以使用來自輔助感測器通道的降級位置感測資訊，以及電流感測器在動態狀態下提供之反電動勢資訊進行交叉比對，以確保系統基本功能繼續正常運作。 這種系統等級的診斷功能將確保不會發生嚴重的故障模式，並且確保系統實現ISO 26262 ASIL D合規性，之後便可以安全關閉系統的電源，或者轉入跛行回家模式(Limp Home Mode)，以返回經銷商進行維修。 感測器設計改善乘車體驗 隨著用於提高汽車安全性的ADAS推出，以及全自動和半自動駕駛車輛的出現，人們開始要求更可靠、更智慧、性能更高的額外電力傳動裝置解決方案，同時要求需符合ISO 26262功能安全標準。供應商如ADI提供的馬達軸位置和相位電流感測產品，不僅能提高性能，實現更順暢、更高效的馬達控制要求，同時提供在EPS或煞車系統等安全性至關重要的應用中，能夠實現所需的額外高ASIL要求。而ADI提供的ADA4571-2雙AMR感測器為需要額外和獨立感測通道等安全性的重要應用設計，其為一雙通道AMR感測器，整合訊號處理放大器和ADC驅動器。 該產品含兩個AMR(Sensitec AA745) 感測器和兩個放大器訊號處理ASIC；該感測器提供低角度誤差訊號，通常在0.1度範圍內，具備可忽略的遲滯現象、高頻寬、低延遲和良好的線性度。 這些特性能夠協助減少轉矩波動和可聽見的雜訊，幫助實現順暢、高效的BLDC馬達控制。此外，AMR感測器可在飽和大於30Mt的條件下運作，並沒有磁場視窗上限，而且感測器能在高磁場條件下運作，因此解決方案能承受嚴苛環境的雜散磁場。 至於ADI的AD8410電流感測放大器能夠在EPS和其他BLDC馬達控制系統中的分流電阻上測量雙向電流，為高電壓、高解析度和高頻寬的分流放大器，其用於嚴苛環境中提供所需的準確測量、診斷安全性的應用，幫助減少轉矩波動和可聽到的雜訊，實現順暢、高效的BLDC馬達控制(如EPS或煞車)，並改善駕駛體驗。 (本文作者為ADI汽車電氣化部策略行銷經理)

文 ｜ 萬岳憲 資策會MIC產業躍升事業群總監 俄羅斯有一句諺語：「市場上有兩個類型的傻瓜，一個是開價過高，另一個開價太低。」 大多數的產品經理，都很熟悉行銷4P模型：「產品(Product)、價格(Price)、通路(Place)、推廣(Promotion)」，但是如果再進一步詢問，這四個因素的優先排列順序，就會發現「價格」經常被排在最後，這並不表示產品經理不重視價格，而是價格能夠被討論的空間很少，多數企業在新產品上市前，習慣以「成本加價法」的概念訂價，在至少不能虧本的最高指導原則下，為行銷業務團隊訂定價格銷售底線，業務只能以有限的價格空間與通路商談判，通路商最後也只能以更有限的價格空間，與競爭者在消費市場紅海廝殺。 德國知名管理學教授西蒙(Hermann Simon)長年研究產品訂價背後的價值思考，2012年在他主持的《全球訂價研究》(Global Pricing Study)計畫研究過程中，曾經訪談50個國家的2,700位專業經理人，發現有67%的受訪者承認，目前所服務的企業，並沒有建立一套完善的訂價制度或策略，無法讓他們提供市場想要的價格，反而讓企業的獲利面臨風險。 事實上，企業所有的獲利，都與直接或間接的價格策略有關聯，產品或服務與消費者最直接的連結就是價格，每一次的消費行為，就代表支付一個價格，消費者願意為這個價格付出，同時得到他想要的回報。西蒙教授感嘆，我們每天都圍繞著價格生活，儘管價格無所不在，但是對於價格是如何產生的？對消費大眾的影響為何？瞭解得太少。 西蒙教授認為，多數企業想要訂定一個讓市場接受的價格，往往習慣從成本的角度切入思考，在至少不能虧本的使命驅使下，許多訂價思維是以「成本加價法」的概念進行，雖然這是最容易、最安全的訂價方式，但是絕對不是最能夠反映顧客對商品或服務價值認知的訂價方式，因為決定產品或服務價格的核心思維，應該著重於「對顧客的價值」，要以同理心的角度，思考顧客眼裡的價值認知，顧客願意支付的價格，就是商品或服務可以訂定的價格。 顧客對產品或服務認知的價值，不妨從消費者視角的理性與感性來思考。理性的來源，是企業在推出新產品時，傳遞給消費者的「價值主張」(Value Proposition)，必須讓消費者先認識價值，然後才會接受價格，還要能提供競爭產品沒有的差異化價值，這樣的訊息傳遞才能具備較高的說服力。 感性則來自企業展現產品或服務價值的心態，經由心態所形塑的服務內容，從消費者認識產品的第一個接觸點開始，就被轉換為「企業對我的心意」，這份心意是一連串啟動心靈感受的過程，透過「感覺、經驗、記憶」的感官歷程，在心靈產生「追求幸福的感覺」，然後這種感覺會再轉嫁寄託在「價格認知」。美國哲學家劉易斯(C. I. Lewis)在1929年就使用「感質」(Qualia)這個詞彙來探討人類的主觀意識與感受。他認為，感質力完全由人們的直覺產生，是人類非常特別又難以使用語言文字形容的感受，這些微妙的感覺，觸動人們對外在事物產生獨特的心靈互動，甚至留下一生難忘的記憶。 西班牙哲學家葛拉西安(Baltasar Gracian)認為：「人們寧可在價格上受騙，也不能在品質上受騙。」這句話或許解釋了，為什麼有些人願意為相同的產品或服務，支付較高的價格。 近年來的諾貝爾經濟學獎得主，幾乎都對行為經濟學有所涉獵，甚至有許多經濟學家也開始提出，過往將人性視為中性的經濟學研究，至今是否仍適用的疑慮。美國杜克大學行為經濟學教授艾瑞利(Dan Ariely)的人類行為實驗研究也顯示，人們接受並支付價格的行為誘因，來自於他知道付出之後，所得到的回報，能夠為自己帶來更高的價值，而這樣的認知會驅使人們更願意接受高價格的產品或服務，甚至認為低價產品會帶來更劣質的回報。 成功的訂價策略是要引導消費者做決定，傳統的「成本加價法」訂價概念，只要收入能夠超過固定成本與變動成本的總和，就算是有獲利。但是從競爭獲利的角度思考，成功的訂價策略，應該要找出能夠創造產品「獲利極大值」的精準訂價區間，在這個區間內沒有單一訂價策略，只有最適合消費者不理性需求的差異化訂價藝術。西蒙教授認為，成功的單一訂價只能為企業賺到「應該有的獲利」，但是會損失「潛在的獲利」，運用差異化訂價策略找到最適合價格，往往獲利是單一訂價的兩倍。 最簡單的差異化訂價策略就是「產品組合」，西蒙教授的研究顯示，為消費者設計額外的需求選擇，能夠成功引導轉移需求至更高價的產品(如下表)。你會看到B組選擇「活期帳戶+信用卡」服務的付費百分比，較A組增加了22%，每位顧客的營收平均貢獻度增加28%，而銀行並沒有為B組多付出服務成本，只是增列一個「信用卡」的服務品項而己。 簡單來說，消費者就是需要「物超所值」的感質力，「平價優質」的策略並不能確保企業的獲利，甚至會增加落入紅海競爭的風險。所以就要讓消費者認同產品或服務的價值，產品經理在進行價格(Price)決策時，必須建立「價格=價值」的準則，探討產品價格與「對顧客價值」的關係；而產品(Product)則必須創造價值，創新與優質是激發顧客認知價值的催化劑，通路(Place)與推廣(Promotion)是傳遞價值，影響顧客價值認知的決定性因素。 法國有句諺語：「價格終會被遺忘，只有產品的品質還在。」消費者對價格的記憶是短暫的，但是低價劣質產品遺留的挫敗感，會形成難忘的記憶，投射為對品牌形象的厭惡；高價優質產品與良好的售後服務，才是形塑消費者持續正向價值認知的決定性因素。專業的產品經理，必須完美展現產品能給予顧客的價值，同時轉移消費者心中的「價格探照燈」。

引領半導體產業向前邁進的摩爾定律(Moore’s Law)，近年來明顯遇到瓶頸。記憶體、處理器等使用先進邏輯製程生產的晶片，均已很難按照摩爾定律預期的速度，實現每兩年電晶體數量翻倍。 研究機構IC Insights整理英特爾(Intel)、美國半導體產業協會(SIA)等半導體公司、產業組織的資料，發現不管是DRAM、NAND Flash、CPU或GPU，這些使用最先進邏輯製程的晶片，都已經先後遇上電晶體數量成長速度放緩的問題。 以NAND Flash為例，雖然目前業界已普遍轉向3D結構，但NAND Flash的密度在2012年以後，每年成長速度就只有30~35%。英特爾CPU的電晶體數量，在2010年以前的平均成長速度還有40%，但此後的成長速度則只剩下一半。 蘋果的A系列應用處理器算是比較特別的例外，自2013年以來，A系列應用處理器的電晶體數量成長速度，還能維持在每年40%以上。  

根據蘋果(Apple) iOS 14預覽版的分析，未來新推出的watchOS 7可能將搭載血氧監測、畫面分享、Watch Face、父母可用iPhone管理小孩的Apple Watch，以及多數智慧手錶皆有的睡眠記錄等新功能。 圖　推測未來新推出的watchOS 7將有血氧監測功能。圖片來源：Apple 前幾代Apple Watch具備心電圖(ECG)功能，主要用來防止無預警的心臟驟停。而未來的watchOS 7將優化ECG，透過血氧監測來提升測量的準確性。新的血氧監測主要的運作方式，是當用戶血液中的含氧量低於平均值時，手錶就會通知用戶，協助用戶得到心臟狀況異常的警示。 除了血氧監測，新一代Apple Watch還能透過照片軟體中的照片來創建專屬的Watch Faces，並分享到其他人的Apple Watch裝置中。同時，蘋果也推出Infograph Pro鍵盤，在錶面增加測速儀畫面。一連串的新功能之外，原本一支Apple Watch只能綁定一支iPhone的設定也出現轉變。在iOS 14的版本中，父母可以用自己的iPhone設定兒童手錶，達到同家庭成員的手錶可用同一支iPhone管理的效果，並且家長還可以藉此限制小孩只能在特定時間內使用Apple Watch的App或解鎖螢幕畫面。 最後，Apple Watch跟上市面上多數的智慧型手錶，將會增加睡眠追蹤的功能。雖然iOS 14預覽版揭露許多watchOS 7新功能的相關資訊，然而新版的iOS及Apple Watch正式推出仍有待接下來的蘋果發布會揭曉。

處理器供應商Ampere日前推出內建80個安謀(Arm)核心的Ampere Altra處理器，建基於Arm的省電與高性能的架構，單路最高支援4TB記憶體與128條PCIe 4.0通道，功耗則為210W，是一款專為雲端工作及邊緣數據中心設計的雲端原生CPU。目前Ampere Altra已經出貨給全球客戶，由客戶在各自的軟體中測試。 圖　Ampere日前推出80核心的Ampere Altra處理器。圖片來源：Ampere 做為Ampere的合作夥伴，美光(Micron)行銷策略副總Roger Peene表示：「進行深度學習、邊緣運算及高性能雲工作時，最重要的即是在分析海量數據的同時盡可能降低功耗。Ampere Altra處理器搭配美光的數據中心SSD和記憶體產品，可以協助用戶透過良好的計算功能與儲存聯接性，在低功耗解決方案中發揮大數據集的價值。」 Ampere Altra是Arm的64位元處理器，應用Arm Neoverse N1平台設計，加上單線程核心的特性，可望達成高性能與低功耗的技術突破。該處理器採用台積電7 nm技術，運行時脈為3 GHz，支援8個DDR4-3200記憶體通道，每個插槽可提供最高4TB的記憶體容量，同時每路支援最高128條PCIe Gen4通道，功耗為210W。

開放網路由於預期可以大幅節省電信營運商的系統建置與維運成本，多年來吸引電信商與網通設備、伺服器廠、相關零組件廠商的興趣，但一直未能有大幅進展；進入5G時代，營運商網路建置成本大幅提高，加上5G任務複雜多樣，網路雲化勢在必行，為開放式無線電接取網路(Radio Access Network, RAN)創造主客觀的條件，日本樂天移動(Rakuten Mobile)宣示將採用4G開放基地台更是吹皺一池春水，讓5G開放架構熱度直線上升。 不過從目前電信設備市場生態來觀察，諾基亞(Nokia)、愛立信(Ericsson)、華為(Huawei)、中興通訊(ZTE)、三星(Samsung)五家廠商市占率合計接近100%，這五家廠商不管是否支持開放架構，斷不可能拱手將市場讓出，所以5G開放網路雖然有好的開始，但是眼前仍有諸多問題等待解決，如電信設備廠的合作態度、產業鏈標準化開放進展、產業鏈上下游串連成效與開放架構可能帶動的資安風險等，都在在考驗推動開放RAN的廠商們。 推動5G開放系統困難重重 近來討論開放架構都聚焦在將RAN解構並重組產業鏈，然而從更宏觀的角度來觀察，Nokia台港澳業務銷售總監鄭志中表示，走向雲化的5G網路架構，持續朝更開放發展，不過部分大型電信營運商是在網路管理的層次討論，如RAN Intelligent Controller與開放控制這兩個層面，主要著眼於網路管理的架構下，討論如何讓電信網路運作更有效率。 然而O-RAN的討論是在將整個RAN架構開放與標準化，對於電信設備商來說，其中敏感的部分就是涉及其軟硬體的核心業務，過去電信網路布建確實由少數廠商「壟斷」，而目前多個開放架構推動組織，大部分都由電信營運商主導，最了解RAN「內情」的設備商參與情況多屬被動，投入程度也不若網通設備、伺服器與OEM/ODM這類發現新商機大陸的廠商。有業界人士直言，RAN開放架構裡，介面標準化是重要的一環，不同設備廠商的設備如何透過這些介面互聯/互通，過去設備廠不可能討論，未來要推動門檻也很高。 圖1　台灣思科系統資深電信策略顧問劉志鴻 另外，以前資訊科技(IT)與網路科技(NT)算是兩個涇渭分明的領域，RAN開放架構會將IT與NT拉得更近，彼此沒有明顯界限，台灣思科系統資深電信策略顧問劉志鴻(圖1)指出，在整個RAN架構中，除了硬體，更重要的是軟體與維運服務，電信營運商對於基地台的使用穩定度、可靠性與效能非常重視，所以在白牌設備相關條件還沒達到基本要求之前，營運商也不會貿然採用。台灣思科系統首席技術顧問錢小山表示，5G開放架構要複製資料中心的成功模式，設備穩定度是其中一個重點。 圖2　台灣思科系統首席技術顧問錢小山 系統整合扮演關鍵角色 無線電接取網路解構的過程中，原先由電信設備商扮演的角色被新產業鏈業者取代，其中最關鍵的就是系統整合，工研院產科國際所分析師魏依伶說，5G網路管理複雜度與重要性更甚於4G，由於5G將發展更多產業化應用，透過網路切片(Network Slicing)將網路分項功能模組化，提供給相關應用，不僅管理要更有彈性，也要更有效利用網路資源。系統整合業者扮演的角色可謂承上啟下，除為營運商排除網路問題之外，也要能統整產業鏈中的軟硬體供應商，找出問題所在並釐清責任。 目前開放RAN發展的成敗，產業人士都認為系統整合商扮演關鍵角色，然而這類廠商也由於角色吃重，不是一般業者能勝任，魏依伶直言，系統整合業者需要軟體、硬體與系統管理的綜合能力，以目前樂天移動的架構為例，Cisco扮演的就是系統整合的角色，該公司已經是網通領域的巨擘，網路設備路由器、交換機執全世界牛耳；另外，歐洲大型電信商Vodafone也宣布要將10萬個2G/3G設備換成開放架構，五大電信設備商中相對較小的Samsung就在這個案子中扮演系統整合商。 由Cisco與Samsung的例子來看，這兩家公司本身都是大型的公司，也具備多樣化能力，甚至Samsung本身就是電信設備供應商，才足以在開放架構裡面擔任系統整合重任。現在產業多半看到的是有形的成本節省與價值的取代，沒有發現電信設備商過去提供更大的價值是無形的服務與保障，鄭志中直言，Nokia有2~3萬個軟體工程師負責軟體與維運功能的開發，而且累積數十年的經驗，這不是其他廠商可以輕易取代的。 開放架構不必然提升資安風險 因此，5G RAN要走上開放網路架構還有許多關卡，除了產業鏈的解構重組之外，光寶科技網路通訊事業部總經理謝彥鵬解釋，系統整合商在利潤重新分配的過程中，需要在ecosystem中將利潤分配合理化，電信設備廠並不是完全被取代，其依然在產業鏈中扮演非常重要的角色。除了Cisco與Samsung這類廠商，未來具備多樣整合性能力的廠商，也可能成為開放RAN裡的系統整合商，工研院資通所副所長丁邦安就認為，如果從Nokia、Ericsson這些廠商中，分拆出一個新公司，專門發展開放架構，也可以適切扮演系統整合的角色。 另外，5G存取網路架構開放後，許多標準型的產品取代過去封閉式的架構，像是底層可能採用Linux開放軟體，容易將系統漏洞暴露在外，連帶使得網路風險大幅提升，謝彥鵬說明，開放本身不代表不安全，不管是開放架構或封閉架構，都很難阻擋資安危害，面對越來越嚴峻的資安挑戰，需要從架構設計階段就導入安全防護概念，並透過嚴謹的測試、驗證規範，若真正發生危害也需要建立可以迅速釐清問題與處理的做法。 由於電信服務商與使用者簽有合約，對於網路危害非常敏感，營運商希望盡量降低網路攻擊風險，白名單的管理是其中一個重點，可以初步杜絕駭客，不過真正的攻擊是無孔不入的，台灣思科系統首席資安顧問游証硯指出，過去電信網路的架構以無線電接取網路為中心；而5G時代，由於RAN虛擬化，導入更多AI/ML的應用，會發展去中心化的概念，因此Cisco提出分區管理的概念，利用設備監管發現異常行為，希望可以即時反應、早期解決。 無線電接取網路RAN開放架構，在5G時代開創全新的話題與產業契機，儘管現在看起來發展剛剛起步，還有許多標準有待討論，產業前景也多在紙上談兵階段，但網路開放的發展趨勢已是產業共識。樂天移動開台儘管有所延遲，該公司不久前確認2020年4月肯定會開台，這個案例是關心此一趨勢的產業人士深入觀察的指標，不過魏依伶提出，2020~2021年大型電信營運商開放架構的發展狀況應該是更具代表性的動態，因為樂天移動畢竟是新進廠商，網路規模相對也較小；大型營運商的網路布建才會對產業鏈產生全面的帶動效果。 展望未來，台灣廠商在5G開放架構希望能複製資料中心開放的商機，在產業鏈中搶到新的機會，但除了硬體之外，5G RAN更多價值來自軟體與服務，台灣廠商應該藉由這個機會深入發展軟體與維運管理的能量，以便在5G無線電接取網路RAN開放架構市場中找到更好的位置，同時提升產業競爭力。