AI加速物聯(lián)網智能腳步 臺廠乘勢重塑產品價值

AI被視為物聯(lián)網架構的最后一塊拼圖，未來主機與終端都會有程度不一的運算能力，臺灣廠商可藉由此一趨勢，發(fā)展出專業(yè)應用的物聯(lián)網終端與連網設備，翻轉過去的低價代工模式。

物聯(lián)網一直被視為IT產業(yè)繼PC、互聯(lián)網、智能手機之后的第四波革命，萬物連網的龐大商機，讓各研究機構紛紛做出驚人預估，象是BI Intelligence預估2017年全球連網裝置出貨量將超越智能型手機；Harbor Research也表示，2020年將有100億個物件連網，商機超過1兆美元。而2016年底，科技產業(yè)出現(xiàn)另一個聲勢驚人的新議題——AI，AI成功吸引科技產業(yè)目光后，業(yè)界人士迅速將AI與物聯(lián)網連結，打造出新名詞「AIoT」，多數(shù)市場人士均認為，AI補足了物聯(lián)網最后一塊拼圖，兩者的結合將加速IT系統(tǒng)的智能化速度，延伸出更大商機。

就整體系統(tǒng)來看，物聯(lián)網可分為感測、通訊、應用等三層架構，由于這一波AI的主流算法以深度學習(Deep Learning)為主，透過不斷的錯誤更正自我學習，讓指令不斷趨近于完美，這種模式需要大量的運算，因此多建置在物聯(lián)網最上層的應用平臺，不過近期市場開始推動邊緣運算概念，業(yè)界人士就指出，這將是臺灣在AIoT的最佳機會。

當前物聯(lián)網主要為集中式運算架構，也就是第一層所擷取的數(shù)據(jù)全部往上傳，最上層的云端平臺負責儲存與分析。集中式運算與分散式運算各有優(yōu)缺點，應用也不盡相同，集中式運算會有實時性、處理器工作負擔和傳輸費用等問題，例如在制造業(yè)，設備一旦故障，若仍采用訊息傳回后端再下指令的模式，現(xiàn)場狀況極有可能因為訊息傳遞與后端運算所需的時間太久而惡化；另外在零售產業(yè)也會有類似問題，比如現(xiàn)在已有IT廠商嘗試將智能臉孔分析導入至零售業(yè)系統(tǒng)，透過人臉分析與CRM的集成，提供更精準且更快速的服務，而臉孔辨識若還需要透過后端服務器的運算比對，其效益會大幅降低。

再者則是后端處理系統(tǒng)的運算負擔與數(shù)據(jù)傳輸費用問題，物聯(lián)網的愿景是萬物聯(lián)網，若所有訊息都連接到后端的運算平臺，則服務器的運算能力必須非常強大，再加上所有第一線設備的連網需求，無論是建置或運行成本都會相當高昂，因此在部分應用中，邊緣運算會是較佳選擇。

不過邊緣運算也并非全無缺點，例如系統(tǒng)若應用于類似車體大小的狹小空間中，多點部位同時運算，將會產生干擾；此外經過端點預處理過的數(shù)據(jù)，也會有失真之虞。當然物聯(lián)網的建構并非只能二擇一的極端做法，多數(shù)的系統(tǒng)都是兩者并行，在實時性需求較高的部分設計有邊緣運算功能，其它部分則仍為集中式運算。

對臺灣來說，集中式運算向來不是臺灣廠商可觸及的商機，臺灣廠商過去在IT領域主要以消費性產品為主，物聯(lián)網興起后，多數(shù)廠商也將目光聚焦在第一層的設備端，而邊緣運算概念的出現(xiàn)，完全符合了臺灣廠商的產品策略與市場條件。

首先是運算芯片，過去物聯(lián)網終端產品的元件，多被要求低功耗與小體積，讓設備可以在最有限的空間下，盡可能的長時間運行，加上多只是簡單的狀態(tài)數(shù)據(jù)擷取，因此運算功能不需強大，但在邊緣運算概念中，部分設備需要有一定的運算能力，這對多數(shù)Fabless或IC設計業(yè)者來說，都還在能力范圍之內。此外，未來的物聯(lián)網系統(tǒng)多是垂直產業(yè)的應用，例如制造、醫(yī)療、交通...等，這些產業(yè)的物聯(lián)網系統(tǒng)都需要與其專業(yè)結合，位于現(xiàn)場第一線的設備更是如此，而不同類型的設備需要對應不同模式的運算芯片，此時臺灣廠商擅長的快速彈性的客制化設計能力，在這種少量多樣的需求條件下，其優(yōu)勢將會延續(xù)，不過這類型應用也容易被抄襲，因此臺灣廠商必須先行取得特定應用領域的專利，方能順利站穩(wěn)市場。

至于臺灣的劣勢則是AI產業(yè)化的不足，其實臺灣過去在AI領域所培養(yǎng)的人才并不算少，今年回臺成立臺灣AI實驗室的杜奕瑾就曾指出，他在微軟任職期間，微軟每年舉辦的開發(fā)者大會「Build」中，臺灣隊總是缺乏政府的奧援，但即便如此，臺灣隊伍每年總能拿下不俗的成績，這說明臺灣的軟件人才其實不遜于其它國家，只是過去一直不被政府與產業(yè)所重視。

不過2018年開始，科技部已開始啟動AI政策，希望透過AI產業(yè)化留住臺灣軟件人才，而有了軟件人才，臺灣的AIoT在軟硬件兩方面才能齊備，順利啟動。以前面提到的邊緣運算芯片為例，要在小體積與低耗電的條件下，設計出足夠運算能力的芯片，除了硬件技術外，算法也是重要一環(huán)，軟件工程師必須將龐大的演算模型精簡化，讓終端可以在低功耗模式下進行運算。

AI與物聯(lián)網的集成雖未開始，不過整體趨勢已經確定，2017年6月阿里巴巴創(chuàng)辦人馬云就指出，現(xiàn)在產業(yè)已經從「互聯(lián)網+」進展到「AI+」，也就是AI將與各種領域結合，創(chuàng)造出更多加值服務，而這也就是過去物聯(lián)網所訴求的垂直應用模式。不過多位業(yè)界人士表示，這不代表AI未來會全面取代人類，臺灣微軟總經理孫基康在日前微軟的AI活動上就指出，AI必須要和HI(Human Intelligence)結合，才會變成SI(Super Intelligence)。

AIoT現(xiàn)在的發(fā)展，都是為了提供使用者更直覺、智能、多元的選擇，但無法做出具有邏輯性的判斷，真要提出相關對應策略，還是需要倚靠人類智能。以制造業(yè)和醫(yī)療業(yè)為例，工業(yè)物聯(lián)網現(xiàn)在與AI的結合，已進展到感知層面，也就是脫離冷冰冰的人工指令，而改采更具人性的直覺性訊息，例如當現(xiàn)場制造設備出現(xiàn)故障，系統(tǒng)會依據(jù)過去深度學習的結果，判斷問題所在，再依情況直接告訴作業(yè)人員設備故障處與可能故障原因，人員可參考系統(tǒng)將系統(tǒng)建議結合本身專業(yè)決定處理方式，而若系統(tǒng)察覺到的問題經過判斷必須實時處理，則會先以口語化語音立即指出故障處與緊急處理方式，讓工作人員可在最短時間內解除狀況。醫(yī)療部分則是以AI判讀醫(yī)療數(shù)據(jù)或影像，但是真正的病理判斷與醫(yī)療行為，還是需要透過專業(yè)的醫(yī)師，這也就是AI與HI結合的方式。

在與AI集成后，物聯(lián)網會加快其應用拓展速度，就產業(yè)架構來看，臺灣廠商過去在消費性產品所建立的優(yōu)勢，將會延伸到物聯(lián)網系統(tǒng)中的終端零組件與連網設備，不過這類型產品將會需要一定程度的客制化設計，對臺灣廠商來說，這是挑戰(zhàn)也是新契機，臺廠必須投入更多資源掌握特定領域的專業(yè)知識，但同時也能藉此提升產品價值，擺脫過去價值有限的OEM宿命，在AIoT市場取得更多商機。