機器學習
- Advertisment -
神經型態晶片成功辨識氣味 機器嗅覺取得重要突破
英特爾(Intel)實驗室和康乃爾大學的研究人員在《自然機器智慧》(Nature Machine Intelligence)期刊上共同發表的一篇論文中，展示英特爾神經形態研究晶片「Loihi」，該晶片具有在明顯的干擾和阻絕情況下，學習和辨識有害化學物質的能力。Loihi僅透過單一樣本就學會各種氣味，同時不會破壞先前所習得的氣味記憶。與包括深度學習解決方案在內的傳統先進辨識方法相比，Loihi展現出更高的識別準確率，傳統先進辨識方法的解決方案需要增加3,000倍的訓練樣本才能達到相同的分類精準度等級。
英特爾神經形態運算實驗室資深研究科學家Nabil Imam表示，英特爾正在Loihi上開發神經演算法，模仿人們在聞到氣味後的大腦運作模式。這項工作是神經科學和人工智慧交會的當代研究典範，並證明Loihi具備提供重要感測功能的潛力，可望使各個產業受惠。
圖 英特爾神經形態運算實驗室資深研究科學家Nabil Imam與他手上搭載Loihi晶片的電路模組。
英特爾和康乃爾大學的研究人員使用一種從大腦嗅覺迴路的架構和動力學所得出的神經演算法，對英特爾Loihi神經形態研究晶片進行訓練，以學習和辨識10種有害化學物質的氣味。
Imam和研究團隊採用了由72個化學感測器的活動所組成的資料集，以對應風洞(wind tunnel)中循環的10種氣態物質(氣味)。感測器對每種氣味的反應會被傳送到Loihi，讓晶片電路模仿以嗅覺為基礎的大腦電路。Loihi晶片可以快速學習10種氣味(包括丙酮、氨和甲烷)中每種氣味的神經表徵，即使在背景受到強烈干擾的情況下也能順利辨識。
目前許多人家中的煙霧和一氧化碳探測器，也使用感測器來檢測氣味，但是它們無法區分不同的氣味；當它們檢測到空氣中的有害分子時會發出蜂鳴聲，但無法以智慧的方式對這些氣味分子進行分類。
Imam表示，化學感測領域多年來一直在尋找聰明、可靠和快速回應的化學感測處理系統，也就是所謂的「電子鼻系統(Electronic Nose Systems)」。他認為配備神經形態晶片的機器人在環境監測和有害物質檢測或工廠品質控制方面極具潛力。它們可用於會散發出特殊氣味之疾病的醫學診斷。另一個例子是配備神經形態晶片的機器人可以更清楚地辨別機場安全線中的有害物質。
研究團隊下一步打算將這種方法應用在更廣泛的問題上，從感官場景分析(了解觀察到的物體之間的關係)到像是計劃和決策等抽象問題。了解大腦的神經迴路如何解決這些複雜的運算問題，將為設計高效而強大的機器智慧提供重要線索。
但Imam也指出，目前在機器嗅覺感測方面，仍存在挑戰。舉例來說，當人們走進雜貨店時，可能會聞到草莓的味道，但其氣味可能類似於藍莓或香蕉的氣味，因為它們在大腦中誘發非常相似的神經活動模式。有時人類甚至很難分辨出一種水果還是多種水果混合的香味。當系統聞到來自義大利的草莓和來自加州的草莓時，有可能會出錯，因為兩者可能具有不同的香氣，但卻需要歸為同一類。
這些是研究團隊正在努力解決的嗅覺信號辨識問題，希望在未來幾年內解決這類挑戰，打造能夠解決實際問題的產品，而不僅是解決在實驗室中演示的實驗性問題。
即時/安全/可靠 邊緣運算執行高效機器學習
舉例來說，如ILSVRC影像分類競賽(圖1)，在這場競賽中即是使用一種稱為機器學習(ML)的人工智慧─AlexNet早在2012年就贏得這場競賽，成為第一個使用深度神經網路和GPU來進行訓練的模型；而ResNet-152在2015年的影像分類競賽中亦擊敗人類。
圖1 影像分類中機器與人類的比較
電腦優於人類的其他範例還包含遊戲，表1中的範例是機器擊敗人類冠軍以及人類仍較優秀的非競賽情境。
機器學習無疑為智慧家庭、智慧零售、智慧工廠和智慧城市之類的應用情境帶來全新美好的必要功能，且現今各種企業都能利用這項技術。運用此技術的相關機器學習雲端服務供應商有亞馬遜(Amazon) AWS、SageMaker、微軟(Microsoft) Azure ML和Google Cloud ML，而這類機器學習雲端服務的成長都極為驚人。
邊緣執行ML流程簡化
直到最近，因為推出各種運算和儲存資源，機器學習的重心都集中在執行大量集中式電腦中心的雲端，其快速移轉至邊緣有以下幾個原因：
．雲端處理、儲存空間與頻寬的成本無法將資料傳送到雲端，以執行人工智慧功能的決策。
．較完善的使用者體驗需要在邊緣進行快速的人工智慧功能決策。
．隱私權和安全性考量會限制在雲端中儲存的資料類型。
．提升可靠性。
以上這些因素讓邊緣無庸置疑成為機器學習處理許多應用的顯著位置。這也是半導體廠商推出運用專屬高效能機器學習加速器之應用處理器的原因之一，像恩智浦(NXP)的i.MX 8M Plus使用14nm FinFET製程技術，提供高效能與低功耗，並具備雙鏡頭ISP在內的各種新功能，可支援兩個低成本的HD相機感測器或一個4K相機感測器，以執行臉部、物件和手勢辨識的機器學習任務。其中也整合獨立800MHz Cortex-M7來支援即時任務與低功率、H.265和H.264的影片編碼和解碼、800MHz HiFi4 DSP，以及用於語音辨識的8PDM麥克風接口。工業物聯網功能包含Gigabit乙太網路與時效性網路(TSN)、兩個CAN-FD介面和ECC。
另一方面，資料科學家正為在邊緣上部署的資源限制裝置最佳化特定演算法，進而協助加速移轉到邊緣。MobileNet是由Google開發的影像分類演算法，著重在高準確度，同時又能大幅減少所需的運算資源數量。圖2中顯示處理過程中大幅減少的趨勢。從VGG-16模型到MobileNet v2模型的轉變讓在邊緣所需的運算數量減少50倍，協助在邊緣的資源限制硬體解決方案，執行複雜的機器學習處理。
圖2 針對邊緣最佳化的NN演算法
同樣地，使用行動電話在邊緣執行MobileNet v1比起在雲端中執行MobileNet v1的速度明顯更快，此差異的成因是將雲端網路延遲降到最低，而網路往返延遲的新增範圍可以輕易橫跨200毫秒到超過1.4秒(大幅延遲回應時間)。該演算法的目標是達低於100毫秒的回應，以即時向使用者顯示(圖3)。
圖3 在邊緣更快速的使用者體驗
以下是i.MX 8M Plus支援的應用程式，這些應用程式會在邊緣執行機器學習。如圖4所示，這些使用案例都需要特定層級的效能來判斷需要哪種層級的執行硬體。這就是應用處理器須具備專屬機器學習加速器的主因。
圖4 機器學習使用案例
因為上述原因，便可較易理解為何要在邊緣執行機器學習應用。然而，必須符合幾個額外需求才能順利完成部署：
・機器學習開發人員的生態系統─讓實作變得簡單。
・硬體安全性─保證隱私權與安全性。
・全新、創新的混合SoC架構─提供符合成本效益的解決方案。
・可擴充和安全的邊緣部署─讓部署變得容易。
打造適用於機器學習部署的全面性生態系統
機器學習應用的重大突破需要結合設計與部署的生態系統來負責處理任務，這也是半導體業者打造創新邊緣智慧工具環境的原因，以恩智浦eIQ為例，該工具支援各種機器學習處理元件，包含Arm Cortex-A和Cortex-M處理器、圖形處理器(GPU)、DSP和機器學習加速器。eIQ機器學習軟體環境包含推論引擎和程式庫，兩者皆利用開放原始碼機器學習技術中的改善技術，像是TensorFlow Lite、OpenCV、CMSIS-NN和Arm NN；而針對較熱門的i.MX RT應用處理器，則透過適用於MCUXpresso和Yocto(Linux)的開發環境進行評估，為應用開發過程提供順暢的支援；在物件偵測和語音辨識中的範例應用程式中會隨附eIQ軟體，作為邊緣機器學習的起點(圖5)。
圖5 eIQ機器學習開發環境
確保邊緣安全性
邊緣的安全性至關重要，其所需的功能包含安全啟動信賴起點、晶片內建加密、安全布建、相互裝置驗證、安全裝置管理、OTA或無線安全更新與生命週期管理。為了支援這樣的安全性，半導體業者打造了可擴充的EdgeLock組合，其中包含安全元件、安全驗證器和應用處理器的嵌入式安全以及MCU。像是i.MX 8M Plus具備進階EdgeLock嵌入式安全系統(含資源網域控制器、信任區、HAB、加密啟動、使用RSA的公開金鑰加密與橢圓曲線演算法)，其可為邊緣節點提供完整性、驗證確實性和隱私，並提供從邊緣到閘道和雲端的安全性。
AI/ML領域更迭不斷 加速人們生活便利性
人工智慧領域的變化步調正逐漸加快。如圖6來自「2018年人工智慧指數」和Monster.com所示的圖表呈現深度學習職缺方面的趨勢。
圖6 2015~2017年所需人工智慧技能的職缺成長
至於圖7則顯示在公司盈餘會議中提到人工智慧和機器學習的次數。
圖7 2007~2017年公司盈餘會議提到次數-IT公司
人工智慧與機器學習為電腦產業中帶來劇烈的改變，這樣的改變可使人們的生活更便利完善。新應用處理器如i.MX 8M...
貿澤攜手NXP出版電子書探索AI潛能
貿澤電子(Mouser)日前宣布與恩智浦(NXP)合作出版最新的電子書，書中將探索人工智慧(AI)無窮的發展潛能以及幾款針對AI和機器學習(ML)解決方案的特定產品。在Imagine the Possibilities(讓想像力無盡延伸)這本電子書中，貿澤與NXP的專家針對包括語音控制、臉部辨識、自動駕駛和物體辨識等熱門且敏感的AI應用提供了深入的分析。
近來在AI和ML領域的發展，為技術、產品和產業帶來許多突破性的革新。隨著高效能處理能力從雲端移轉到邊緣，對頻寬的要求下降後，讓工業、汽車和物聯網 (IoT) 等應用有機會開發出全新的解決方案。貿澤與NXP所出版的最新電子書闡述了AI和ML目前的狀況，同時也強調產業未來的走向和解決方案。
Imagine the Possibilities這本書中也詳細介紹了一些產品，例如NXP的S32V2視覺處理器、Layerscape通訊處理器和i.MX 8M應用處理器。NXP的工程師與產品專家提供了如何將AI運用到各行各業的寶貴秘訣與資訊，另外也指出想要設計成功的解決方案所需要的步驟和元件。本電子書所收錄的文章還談到了內含推理引擎、神經網路編譯器和最佳化程式庫的NXP eIQ ML軟體開發環境，另外也談到Layerscape軟體開發套件(SDK)，能夠提供多功能平台讓開發人員測試不同的AI/ML軟體組合。
終端裝置AI推論需求可期 Arm再推兩款IP方案
隨著物聯網與AI的進展，以及5G的推出，未來AI應用需求不只會出現在雲端跟邊緣，許多小型且成本敏感的終端裝置，也將具備愈來愈強大的智慧功能。有鑑於此，安謀(ARM)近日推出針對微控制器(MCU)這類晶片所設計的新款CPU核心Cortex-M55與適合MCU搭載的神經網路加速器(NPU) Ethos-U55。
安謀應用工程總監徐達勇表示，新增的Cortex-M55為該公司歷來AI效能最強大的Cortex-M處理器，同時也是第一個基於Armv8.1-M架構、並內建Arm Helium向量技術的核心。雖然該核心的純CPU運算效能低於先前推出的Cortex-M7核心，但其DSP與ML效能大幅強化。與前世代的Cortex-M處理器相比，Cortex-M55的ML效能最高可提升15倍，而DSP效能也可提升五倍，且具備更佳的效能比。
此外，客戶也可以使用客製化指令延伸理器的能力，對特定工作負載進行最佳化。這也是 Cortex-M 處理器的全新功能。
針對需求更高的ML應用，客戶則可將Cortex-M55與Ethos-U55搭配使用。Ethos-USS是安謀的第一個微神經處理器(microNPU)。兩者結合後，與現有的Cortex-M處理器相比，ML效能可以大幅提升480倍。
Ethos-U55具有高度的可配置性，同時也是專門設計用來加速空間受限的嵌入式與物聯網裝置的ML推理能力。它先進的壓縮技術可以節省電力，並顯著縮小ML模型尺寸，以便運作之前只能在較大型系統上執行的神經網路運算。
安謀台灣總裁曾志光則從生態系統發展的角度指出，協助開發人員快速完成產品設計，對帶動AI革命是十分重要的。因此，Arm除了推出新的IP，在開發工具、配套方案等生態系建構方面，也做出了許多努力。舉例來說，Arm提供的軟體開發工具已可完整地支援Cortex-M55與 Ethos-U55。如此一來，針對傳統、DSP與ML等工作負載，開發者將可採用一致的開發流程；從 TensorFlow Lite Micro開始，針對先進機器學習框架做特定的整合與最佳化，確保開發人員無縫的體驗，並透過任何Cortex-M與Ethos-U55的組態配置，獲取最高效能。
全新的Cortex-M CPU與Ethos microNPU，凸顯Arm致力於協助半導體設計人員與裝置製造商，利用Arm架構在即便是最小的端點裝置上，都能快速地進行創新，並為物聯網點燃全新一波的創造力與創新性。此一技術正獲得生態系統合作夥伴與業界的廣泛支持，其中包括亞馬遜(Amazon)、Alif半導體(Alif Semiconductor)、恒玄科技(Bestechnic)、賽普拉斯(Cypress)、杜比(Dolby)、Google、恩智浦半導體(NXP)、三星電子(Samsung Electronics)、意法半導體(STMicroelectronics)等。
布局5G手機市場 美光LPDDR5 DRAM開始量產
美光科技(Micron)日前宣布首批量產的LPDDR5 DRAM已正式出貨，並搭載於即將上市的小米Mi 10智慧型手機中。該公司提供的LPDDR5 DRAM擁有良好能耗效率以及更快的資料存取速度，能因應消費者對智慧型手機人工智慧(AI)和5G功能日益成長的需求。
美光推LPDDR5 DRAM加速布局5G智慧手機版圖。
美光行動事業部資深副總裁暨總經理Raj Talluri博士表示，美光搶先推首款用於智慧型手機中的LPDDR5 DRAM產品，將能加速實現5G與AI應用。該公司的顧客與合作夥伴需要最新製程技術的次世代記憶體解決方案，這項解決方案將能驅動低功耗與高效能支援5G與AI系統的發展。美光的LPDDR5 DRAM能夠因應這些需求，新品較前一代提升50%的資料存取速度以及提升超過20%的能源效率。
人工智慧廣泛運用在各式應用的趨勢使先進記憶體解決方案需求持續增加，這些解決方案能提供更快速且更有效率的資料存取方式。美光LPDDR5能提供手機處理器內建的AI引擎所需的傳輸速度與容量，這種處理器仰賴該公司新記憶體的高資料傳輸速率，以進一步驅動其機器學習的能力。同時該產品能夠因應各種包括汽車業、客戶端電腦、專為5G和AI應用打造的網路系統等市場對於更高記憶體效能與更低功耗日益成長的需求。相較於LPDDR4x記憶體，LPDDR5能減少超過20%的功耗。
美光本次推出的記憶體將會搭載於小米即將上市的新手機。
5G網路將於2020年起於大規模部署，本次推出的記憶體便是為了滿足5G網路的需求而設計，能讓5G智慧型手機以6.4Gbps的峰值速度處理資料，這對避免5G資料瓶頸來說極為重要。這項功能可解決其它新興技術需求，例如汽車應用需要有更高頻寬的記憶體子系統支援即時運算與資料處理。
意法揭2020十大科技新趨勢
2020年CES展已在上個月圓滿落幕，消費電子展不僅展現大量的創新概念和原型設計，亦是一個可以探索創新動力，以及引領未來科技的發展方向。意法半導體(ST)表示，2020是一個新十年的開始，對於未來十年改變人類生活的產品來說，2020年將是影響深遠的一年，因此分享未來十大新趨勢。
首先為現實世界中的預測性維護應用，過去十年見證預測性維護興起。因為機器學習的出現，預測性維護能夠預測故障並建議更好的維護計畫。不過，2020年對於預測性維護應該是具有象徵意義的一年，因為開發預測性維護解決方案將變得越來越容易。例如，工程師可以買到開發板，幾分鐘後就可以開始編寫配套應用，而無需擔心雲端安全問題、伺服器農場或運算傳輸量。關於預測性維護，製造業者不再只是考慮，而是在積極地實現。
至於邊緣機器學習，過去十年，機器學習需要大型的伺服器、複雜的模型，還有罕見的專業團隊，其需要投入大量的時間和資源。如今，機器學習可以放入動作感測器中，而且該公司將會在邊緣裝置中看到更多的智慧功能。邊緣運算永遠不會取代雲端運算，但可以快速完善雲端運算的功能。透過在感測器內創建決策系統，工程師可以優化資源，節省大量能源和時間。
而談到數據科學，缺乏數據和缺少數據科學家是阻止機器學習應用的主要障礙之一。建立神經網路需要乾淨、準確和巨量資料，這意味著始機器學習普及的前提是需要大量可自由使用的資料。然而，意法半導體的合作廠商，如Cartesiam，正進而從另一個角度解決此問題，使用一種能夠在同一嵌入式系統上執行訓練和推理運算的系統來代替資料科學家。
隨著Sub-G網路的普及以及5G到來，嵌入式裝置連線互聯網變得越來越容易。人們將會看到更多的基礎建設，以及更好用、更便宜的聯網方案。現在開發這些解決方案變得更加實際，而且不需花費太多成本。即使是新創公司也計畫使用LoRa、Sigfox或其他的Sub-G網路。因此2020年意法半導體推出STM32WL以因應此一趨勢。
至於資料安全要求將更加嚴格，過去曾有評論家表示IoT為「威脅之網」(Internet of Threats)。但在走完一段長遠路程後，企業更加明白保護嵌入式系統、資料資訊及更新機制的重要性。隨著消費者提出更嚴格的網路攻擊防護需求，意法半導體預計企業將會更加地保護產品的資料安全。幾年前，資料外洩只是一種幾乎無間接負面影響的教育學習，當今，此為一場公關噩夢，可能危害公司利益，甚至危及生命安全，而STM32Trust正是ST提供合作夥伴保護嵌入式系統的方法之一。
另一方面，區塊鏈是過去十年出現之具有重大意義的熱門技術之一。不過，企業現在開始意識到，這些系統的用途遠不止於貨幣。透過IOTA和X-CUBE-IOTA1等專案，ST看到整個科技界都在利用分散式帳本技術來促進機器間的通訊，尤其是IoT節點間的通訊。目前該專案本身進展順利，2020年資訊傳播方式可能會發生變化。
在很長的一段時間裡，嵌入式系統是有幾個按鈕的黑盒子，如今，變成征服新產業和新應用的人機互動式系統。這也導致產品的成功對易用性的依賴程度越來越高，開發人員往往需要在圖形化使用者介面上花費很多時間。意法半導體TouchGFX等解決方案的出現讓使用者介面設計相較從前要簡單很多，同時最新的優化設計讓低功耗微控制器(MCU)也能支援60 FPS的動畫，以及多種顏色和細節。
電動汽車的售價越來越便宜，某方面歸功於ST研發的SiC元件。然而，崛起於2019年的更高效、更實用的充電器市場，2020年應會全面爆發。假設電動汽車充電器無處不在，城市街道到處都是充電樁，且家裡安裝也不用花太多的錢，電動汽車續航問題將會成為歷史。正如Enel X於2020年CES中所展示的應用，ST最新IGBT產品有助於創造出更高效的充電系統。
此外，意法半導體與重點大學合作，在未來工程師教育方式上發揮作用。如為了讓學生更快速地掌握控制系統知識，加州大學洛杉磯分校(UCLA)的教授Kaiser示範一個價格適中，而且每個學生都能買得起的旋轉倒立擺實驗平台。ST亦展示如何用透過無人機套件幫助學生瞭解嵌入式系統。隨著教育工作者為未來十年的熱點應用培養人才， 2020年將繼續上演大規模的教育學術創新。
回顧過去十年，嵌入式系統真正觸及人們的生活。從監測心率的智慧手錶，到追蹤運動量的健身手環，再到看護銀髮族的跌倒偵測器，嵌入式技術為人們帶來實質益處。2020年應該會讓此一趨勢崛起，未來十年可能提升生活品質。嵌入式電子產品正在從小工具變為對人們生活有深遠影響的智慧產品，而且在機器學習的協助下，人們可以獲得有關如何改善健康、減輕壓力、安全駕駛，以及如何用心交流的資訊和建議。2020年將提煉我們從過去十年學到的知識經驗，並開始應用，使其更有意義。
AI結合自動化光學檢測 瑕疵檢出率超過9成大關
影像分類與辨識是目前機器學習(ML)最主要的應用領域，許多業者都在大力發展基於ML的自動化光學檢測(AOI)解決方案，以提高產品檢測作業的自動化程度，或是讓AOI得以應用在以前難以派上用場的應用領域，例如檢測對象的特徵很難用具體規則描述的待測物。GPGPU和AI邊緣運算平台供應商安提國際與客製化設備廠商克晟科技，日前共同推出AI應用於工業生產流程，於原產線中的AVI機器導入AI運算，將檢測準確率提升至90%以上，不僅加速產線運作，更降低人力成本的開銷。
在生產流程實踐AI研究及進展的，即是品質檢驗與管理，其中最廣為人用的，便是AVI（Automated Visual Inspection）/AOI（Automated Optical Inspection）等自動化光學檢驗。過往自動光學檢測專用AVI設備常因色差、高度落差等因素影響檢測結果，而克晟科技擁有豐富的系統組成與視覺辨識應用經驗，在既有的AVI設備中，利用安提國際Jetson AI運算平台導入人工智慧視覺辨識軟體，以改善設備的誤判率。
克晟科技擅長金屬檢測、客製化設備整合服務，同時熟知視覺辨識軟體開發與優化，此次智慧AVI設備整體架構由既有的AVI設備、高效能AI伺服器、資料中心以及視覺辨識演算法組成。裝載於AVI設備上的軟體若發生瑕疵警告，會將資料傳至AI伺服器並於此複檢，結果則會傳回資料中心與設備，最後依照結果推論是否通知人員處理。
整體系統中，其高效能AI伺服器使用安提國際Jetson AI運算平台；由NVIDIA Jetson TX2搭載安提板卡ACE-N510組成，擁有高達256個CUDA核心、1.3 TFLOPS的AI推論能力，提供AI伺服器所需之效能處理，且具備極小型化的特色，便於部署於既有工廠設備，不僅達成輕鬆AI升級的解決方案，也適用於AI邊緣運算的裝置使用；搭配克晟科技辨識演算法，一次可對應15台AVI設備並同時檢驗八種瑕疵項目，將既有設備的檢測準確率提升90%以上，免去繁複且多餘的人工複檢，有效降低人力成本、提升產線的效率與產量。
人工智慧與AOI結合之系統架構圖
AI與工業結合較他項產業相比，有更大的機會與潛在市場，在講究生產效率與品質的環境中，人工智慧的應用帶來極大的利益與產能的推進。未來克晟科技不僅專注於金屬瑕疵，更拓及筆電、手機外殼等外觀瑕疵檢測項目，維持相同檢查水準，攜手安提國際在工業生產線上實踐AI應用，以視覺辨識提升生產品質與檢測設備的能力，有效輕鬆升級既有的系統與設備，簡單導入AI、活化現有的傳統產業。
工業4.0技術應用擴散 邊緣運算促成萬物智慧化
馬達就是感測器 MCU廠競推邊緣運算
因此，與馬達有關的異常徵兆監測或預防性維護技術，很有機會跨界應用到這類家電或交通工具上。這也是許多嵌入式處理器、微控制器(MCU)大廠正在摩拳擦掌，準備搶食的商機。對於精熟馬達技術的工業設備廠商來說，這也是個異業結盟，創造更多商業合作的契機。
其實，對許多內建馬達的電子系統來說，馬達本身就是一個已經內建好多種感測功能的零部件。絕大多數馬達系統都會搭配微控制器(MCU)，如果是小功率馬達，有些MCU還能直接驅動馬達，不必靠外掛的功率模組來執行驅動器功能。
而為了提高馬達的工作效率，為馬達驅控應用而設計的MCU，普遍均內建多通道類比/數位轉換器(ADC)等類比功能，來接收馬達或外掛驅動單元回傳的訊號，包含電流量、電流相位、馬達轉速等。如果是精密運動控制用的馬達，還會搭配霍爾感測器(Hall Sensor)，以偵測轉子位置。圖1是一個典型的馬達驅動MCU功能方塊圖，可以看到除了負責運算控制的CPU核心之外，還有大量類比/混合訊號周邊，主要用途除了產生驅動訊號，同時也負責接收來自馬達或驅動單元的回饋資訊。
圖1 典型的馬達驅控MCU本來就有大量類比周邊，在智慧製造浪潮興起後，增添了更多接收外部感測器訊號的介面。
換言之，早在智慧製造浪潮興起之前，馬達除了肩負把電能轉換成機械能的任務外，本身就已經是個功能相當全面的感測系統，因為要有效率地驅動馬達運轉，驅控單元必須隨時掌握跟馬達有關的各種參數。而在智慧製造的觀念開始風行後，馬達製造商開始在馬達本體外安裝了更多感測器，例如振動、溫度、濕度等，以便更全面地監控馬達應用系統的運作狀態。
事實上，因為馬達的任務是把電能轉換成機械能，因此在整個應用系統裡面，馬達後端還有各式各樣的負載裝置，例如水泵、風泵或各種傳動設備。如果應用製造商要追求異常徵兆偵測、預防性維護等系統層級的功能，只看馬達的健康狀態是不夠的。這使得馬達驅控MCU的供應商必須提供更多I/O、更強的運算效能給應用開發者。
另一方面，機器學習(ML)的導入，也使得MCU運算核心的效能、記憶體容量跟供應商的軟體開發環境遇到新的挑戰。即便只是把在雲端訓練好，並經過裁減跟最佳化的模型放進MCU裡面，也會占用不小的記憶體容量。另一方面，這些訓練好的模型，在執行推論的過程中，也會占用可觀的運算資源。
這會使MCU供應商必須在晶片中內建運算效能更高的運算核心，並盡可能在客戶可以接受的成本範圍內，把記憶體容量加大，或是乾脆採用Chiplet的設計理念，把記憶體放在另一個Die，再用先進封裝技術把MCU跟記憶體封裝成單一元件。
事實上，為了儲存程式碼，很多MCU內建的記憶體都是快閃記憶體(Flash)而非靜態隨機存取記憶體(SRAM)，但Flash的讀寫速度太慢，而且製程的成本較高，如果要把MCU跟Flash整合成單晶片，不僅成本結構較高，也會拖累CPU的運算速度。恩智浦(NXP)的i.MX RT系列之所以能把Cortex-M7核心的運算效能拉高到接近Cortex-A系列的水準，關鍵之一就在於i.MX RT系列裡面僅有一款是內含Flash的，其他都是純SRAM。也因為如此，恩智浦可能在這款產品上運用了先進封裝手法，把Flash從主晶片切割出去，再用封裝整合。
除了CPU、記憶體等硬體元素外，對MCU供應商而言，如何把ML的工具融合到現有的MCU開發環境裡面，也是一大挑戰。ML的模型訓練必然在雲端資料中心進行，但訓練完成的模型還需要最佳化，才能放進MCU有限的記憶體空間中，而ML推論的結果，又要用來觸發或中斷現有的控制演算法，如果MCU供應商沒有把ML的軟體開發工具融合到MCU開發工具裡，應用開發者的研發過程會非常吃力。
目前恩智浦、瑞薩(Renesas)、意法半導體(ST)等MCU大廠，都已經至少有可供展示的ML開發工具，並預期在未來一年內將這些開發工具進一步與現有的MCU軟體開發工具整合。
MCU全力支援ML推論萬物智慧化有譜
對絕大多數嵌入式應用來說，採用額外的應用處理器來支援ML推論，其實是不切實際的。除了成本因素之外，一般針對3C產品設計的應用處理器，產品生命週期通常只有兩到三年，但絕大多數嵌入式應用，即便是歸類為消費性電子的白色家電，其產品生命週期至少也有五年起跳。換言之，成本相對低廉，而且供貨期夠長的MCU，才是比較適合嵌入式系統使用的解決方案。
在各家MCU廠商都將支援ML推論放進自家產品發展路線圖的情況下，可以肯定的是，絕大多數嵌入式產品未來都有可能支援複雜程度不一的ML推論。而對於工業設備製造商來說，這其實是一個不容錯過的發展機會。
除了工業領域之外，其他垂直產業其實很少在探討異常徵兆監測、預防性維護，甚至更先進的數位雙胞胎(Digital Twins)，但這不表示其他垂直產業沒有這種需求，只是相關業者可能還沒想到，或市場上還沒有性價比夠高的解決方案，可以讓其他產業時做出這些功能。
據了解，台灣的電動機車大廠睿能(Gogoro)，已正在跟某家一線MCU大廠洽談，希望未來能利用更先進的MCU，對電動機車的動力總成(Powertrain)進行健康狀態監控。不過，對MCU業者來說，動力總成已經是個太大的系統，而且涉及到很多機械領域的專門知識，不是電子業者熟悉的領域；同樣的，對電動機車業者來說，要投資發展相關的機器學習技術，實現可靠的健康狀態監控、預防性維護系統，不只是資源投入的問題，也得走過一條漫長的學習曲線。
因此，原本在工業領域深耕的台灣機電廠商，其實跟電動機車業者有很大的合作空間。因為不少機電設備廠已經走過這段學習旅程，甚至已經將相關技術推向市場。
除了電動機車外，網路零售大廠亞馬遜(Amazon)一直致力於推廣其語音助理服務Alexa，希望讓Alexa能成為智慧家庭裡面的數位管家。但比較不為人知的是，亞馬遜也致力於發展自己的FreeRTOS，可做為各種智慧家電的作業系統。從最上層的雲端與各種服務，到最底層的作業系統，亞馬遜都已經一手包辦，接下來亞馬遜需要什麼？答案當然是作為載具的各種家電硬體。
亞馬遜未必會自己跳下來做家電，但如果有家電廠商採用亞馬遜的整套軟體跟雲端服務方案，卻只是讓家電「聽得懂人話」，那也太沒有差異化了。採用亞馬遜整套方案的嵌入式設備，若僅支援語音助理功能，卻沒有善用亞馬遜提供的整套機器學習工具，實現更複雜的邊緣運算功能，讓家電能夠自我監控其運作狀態，恐怕將很難具有競爭力。有業界人士表示，亞馬遜可能會仿效Google的作法，推出具備自我監控能力的家電產品。若果真如此，則目前市場上眾多家電業者，必然得跟上這波風潮，在洗碗機、洗衣機、冰箱、空調裡面實作類似功能。屆時，萬物智慧化的願景將成為現實。
不過，亞馬遜要推出這類示範性產品，會遇到的問題是MCU供應商跟電動車廠的總合--亞馬遜對機械、機電的領域知識不足，投入研究的時間也不長。因此，亞馬遜就算不跟家電品牌業者合作，也得跟熟悉相關機電設計的業者結盟。這對台灣的機電業者來說，更是一個合作的大好機會。
智慧才是數位家庭的最大賣點
還記得十多年前，英特爾(Intel)曾經力推數位家庭概念，想藉此把x86處理器推廣到各種嵌入式應用領域，但最後因為缺乏豐富的應用跟服務，難以為用戶帶來全新的使用者體驗跟價值，而未能克竟其功。但十多年後，隨著嵌入式處理器、MCU的效能不斷突破，加上機器學習等人工智慧技術突飛猛進，不只聽得懂人話，還懂得自我管理的各種嵌入式設備，將有機會把數位家庭的價值展現出來。
如果只是單純透過聯網，把資訊提供給使用者，卻沒有各種智慧化、個性化的服務搭配，數位家庭不只很難說服消費者買單，對設備製造商來說，也無法創造出新的獲利模式，只是徒增硬體成本。邊緣運算會是這個問題的根本解決方案，因為邊緣運算將把機器設備一直欠缺的「智慧」添加到各式各樣的產品上。工業領域的業者，特別是機電相關廠商，在此一領域有先行優勢，若能好好把握，未來發展空間將充滿想像。
加快自駕腳步 現代開發全新智慧巡航控制技術
布局Level 3以上自駕車，現代汽車集團(Hyundai Motor Group)日前宣布研發首個基於機器學習的智慧定速巡航控制系統(SCC-ML)，該技術會將駕駛人的行為模式納入其自動駕駛行為中，進而為駕駛人創造自定義的體驗。
現代汽車集團副總裁Woongjun Jang表示，新的SCC-ML技術改進了先前ADAS技術的智慧性，並大幅提高了半自主功能的實用性，現代汽車集團將繼續致力於創新AI技術的開發工作，以引領自動駕駛發展。
智慧巡航控制(SCC)為ADAS提供了基本的自動駕駛功能和核心技術，也就是當以駕駛員選擇的速度行駛時，可與前方車輛保持距離；而新研發的SCC-ML技術將AI和SCC結合到一個系統中，該系統可自行學習駕駛員的模式和習慣，透過機器學習，智慧巡航控制系統能以與駕駛人相同的模式自主駕駛。
另一方面，除了研發新一代智慧巡航控制系統外，現代也宣布與零件大廠Aptiv合作，投入16億美元資金創建合資企業，搶攻自駕車市場版圖。雙方共同聲明指出，此合資公司將推動SAE 4級和5級自動駕駛技術的設計、開發和商業化；該合資企業將於2020年開始測試完全無人駕駛系統(SAE 5級)，並於2022年開始為機器人自動化廠商、車隊營運商和汽車製造商提供自動駕駛平台。同時，該合資公司將以韓國作為關鍵技術中心、汽車改裝基地和自動駕駛行動服務平台的試驗場域。
現代積極布局自動駕駛市場。
先進製程/異質整合帶來新挑戰 IC設計簽核走向多物理模擬
摩爾定律雖然已接近尾聲，但IC製程微縮的腳步仍持續往前緩步推進，5奈米、甚至3奈米製程的量產時程都已經排妥。另一方面，近年來廣受各方討論的異質整合技術，雖然讓IC設計者有機會藉由先進封裝技術，將更多功能整合到單一元件中，同時也將新的挑戰帶進IC設計流程。
安矽思(Ansys)全球半導體事業部總經理暨副總裁John Lee指出，傳統的IC設計流程是直線型的，從最初的RTL設計、合成(Synthesis)、繞線布局(Place & Route, P&R)、設計簽核(Sing-off)、布局驗證(Layout Validation)到投片(Tape out)，IC設計團隊只要按這個流程一路往下走，就可以完成晶片設計。全球各大EDA工具供應商的產品線，大多也都按照這個邏輯進行布局。
但隨著製程線寬越來越細，加上以先進封裝技術將Chiplet兜成一顆元件的做法開始流行，現在的IC設計團隊在進行設計簽核的時候，要考慮的物理因素遠比以往更多。如何解決IR Drop、Timing Push Out，乃至異質整合所帶來的機械結構可靠度、熱管理等議題，都令IC設計者頭痛不已。
傳統上，IC設計人員在進行設計簽核(Sign-off)時，只須考慮電源一致性(PI)、訊號一致性(SI)的問題，但未來勢必要導入新的多物理模擬工具。這使得EDA工具鏈在設計簽核階段，出現了橫向擴展的趨勢。除了傳統的PI跟SI之外，諸如機械可靠度、熱、電磁、射頻、靜電放電等，也都成為IC設計團隊在進行設計簽核時，必須考慮到的面向。
基於多物理模擬的IC設計簽核工具，將改變IC設計流程，成為EDA工具的「機翼」。
Lee認為，在各種多物理模擬工作中，電磁模擬是特別重要的一環。由於異質整合常會使用矽中介層(Silicon Interposer)，如果沒有矽中介層的電磁模型，並將其納入簽核範圍中，在進行異質整合的晶片設計時，失敗率是很高的。
此外，伴隨先進製程而來的IR Drop，不僅是電源的問題，同時也會對Timing造成影響，造成元件失效。這兩者間的關係相當複雜，因此Ansys正在發展相關的機器學習(ML)技術，盼藉由機器學習協助設計人員釐清IR Drop跟Timing Push Out的關聯性。
Ansys半導體事業部技術長張鴻嘉表示，目前該公司正在開發一項新的模擬技術，名為增強模擬(Augmented Simulation)，其概念是用工具自動產生的資料來訓練模型，加快模型訓練的速度，使ML工具能更貼近IC設計工程師的使用需求。
其實，真實資料對IC設計團隊來說，往往不見得適合用來訓練模型，因為資料本身的結構、格式有時相當混亂，光是把資料清理到可用的程度，就要花很多時間。工具自動產生的資料則沒有這個問題，因為可控程度高，訓練模型的速度也快。
事實上，Ansys目前就已經有一款名為Path FX的時序跟時脈樹(Clock Tree)分析工具，搭配ML套件後便具備類似的功能。但明年將正式發表的新款工具，在功能方面會更全面。