智慧製造開始導入數位化、物聯網(IoT)、大數據(big data)和機器人等多種技術。同時,為了提升製造系統中的資訊能見度和系統控制,製造商正著手部署具有人工智慧(AI)演算法的先進感測器和控制系統。

根據TrendForce的資料預估,2022年全球智慧製造的市場規模將會逼進3,700億美元,年複合成長率(CAGR)達10.7%。智慧製造的廣泛應用催生了這個巨大的市場,涵蓋智慧工廠、智慧供應鏈、自動物流車和以及機械手臂等多元化的應用領域。

另外,根據Tractica LLC的資料顯示,全球支援AI的邊緣裝置數量預計將從2018年的1.614億台迅速成長,到2025年可望高達26億台。支援AI的前幾大邊緣裝置包括智慧型手機、智慧揚聲器、PC/平板電腦、頭戴式顯示器、汽車、無人機、機器人以及安全攝影機等。

Tractica, global EdgeAI, 2025

到2025年,AI邊緣裝置出貨量將達到26億台。(來源:Tractica LLC)

過去幾年來,德國漢諾威工業展(Hannover Messe)一直被視為是「工業4.0」(Industry 4.0)的風向球——讓我們預覽現行智慧製造正以協作機器人(cobot)、數位分身(digital twin)、混合實境(MR)、預測性維護(PdM)、無人機和AI應用作為發展焦點。TrendForce的調查並顯示,包括Universal Robots、西門子(Siemens)、意法半導體(ST)、賽靈思(Xilinx)和通用電氣(GE)等主要廠商也正持續推陳出新強化佈局。

TrendForce分析師曾伯楷說,隨著智慧製造為處理海量數據、延遲性和頻寬成本提供了解決方案,邊緣運算預計將隨之成為預測性維護的基礎。「大數據、精準化分析以及高性能硬體等三大驅動力正使AI從雲端往終端裝置邁進,同時促進了邊緣運算與AI的結合。」

Tractica首席分析師Keith Kirkpatrick指出,隨著AI不斷融入製造流程,所收集的資料、監測的流程,以及協助系統確定異常、缺陷或其他任何問題的模式辨識都變得更加精密。

「在集中式平台上部署AI解決方案的最大問題是特定機器與系統之間產生的延遲,而在邊緣融合AI恰恰消除了這種延遲。如果檢測到某種異常情況,邊緣AI幾乎可以即時糾正錯誤,而這對於我們進入極其精密容差的製造時代尤為重要。」

除了延遲問題,網路流量也是製造或生產系統中的一大問題。Kirkpatrick說:「這並不是幾個感測器和幾款邊緣裝置的問題。當製造商在整個生產網路中部署這項技術,為整個網路帶來巨大的流量,這就不僅僅是資料而已,還包括了視訊串流,特別是如果他們利用這些視訊串流進行最終檢查或確保最終產品符合一定的品質標準。從網路上卸載其中一些工作負載,並使其在邊緣就地處理,才能帶來實質的效益。」

曾伯楷表示:「製造過程中添加AI的價值將有助於提升工業4.0中的邊緣運算能力,主要體現在即時決策、降低成本、營運可靠以及提高安全性這四個方面,使其將擴展到更廣泛的應用。目前的主要挑戰在於AI演算法是否將繼續發展並進一步提高精度,以及企業是否能夠負荷軟硬體升級帶來的成本壓力。」

曾伯楷認為:「Edge AI讓終端設備得以保留一定的決策能力,無需持續連網就能實現即時響應,避免了將所有資料傳送到雲端的麻煩。 因此,它確實在一定程度上節省了頻寬成本與功耗。」

曾伯楷並指出,融合邊緣AI的智慧製造,其最大優勢在於增強了運作的可靠性。

TrendForce_SmartManufacturing, 2019

2019-2022年全球智慧製造市場規模(來源:TrendForce,2019年8月)

AI供應商

在邊緣運算領域,晶片製造商和雲端供應商均扮演著重要角色。目前的主要晶片業者包括輝達(Nvidia)、英特爾(Intel)、高通(Qualcomm)和恩智浦(NXP)等晶片巨擘,以及AWS、Google和微軟(Microsoft)等雲端龍頭。此外,根據TrendForce的報告,得益於政府資源挹注,台灣晶片供應商在邊緣AI市場中也佔據重要位置。

曾伯楷說:「AI晶片根據架構的不同可以粗略劃分為CPU、GPU、FPGA和ASIC。相較於已被晶片巨擎壟斷的CPU和GPU,主要用於AI邊緣運算的邏輯晶片以及專用於成像、可視化或客製化的FPGA和ASIC晶片,可望為台灣廠商提供更好的發展契機。」

Tractica預測,ASIC晶片將越來越多地出現在這個產業中。ASIC屬於獨立式晶片,可以對其進行編程以完成非常具體的任務。Kirkpatrick說:「它的特色在於以相對較小的功耗完成特定任務的處理;而不像是GPU那樣集大成地處理所有任務,GPU這種集中式的處理器是相當能耗密集的。」

Kirkpatrick解釋說:「在邊緣面臨的挑戰在於需要一個功能強大的處理器,但它同時又不能產生過多的熱或消耗過多功率,因為這會大幅影響系統的整體溫度。如果溫度過高,可能會直接導致放棄生產;而要實現低功耗也需要付出一定成本。單台機器或感測器可能不需要太多成本,但如果是成千上百個感測器,那製造商就不得不考慮成本問題了。」

曾伯楷表示,工業4.0的浪潮持續推動企業數位轉型,透過物聯網、大數據和機器人等技術,持續朝向智慧製造之路挺進。但對企業而言,無論是部署工業物聯網,還是導入智慧製造或建設智慧工廠,這都是一個耗時又燒錢的過程。

曾伯楷認為,那些缺乏數位技術基礎的傳統製造業可以導入數位工具並整合不同的產業領域,藉此轉型至智慧製造領域,並進入業界巨擘的供應鏈或與他們合作。

他並表示,「許多公司正在進行數位化轉型,他們必須導入雲端或工業物聯網平台、資料分析和管理、軟硬體整合以及其他技術,從而實現與雲端供應商、系統整合商和電信業者的合作。」

曾伯楷進一步補充道:「此外,無論處於供應鏈的上游或下游,供應商都應該進行橫向整合。例如,機械製造商可以向公眾發佈有關流程的知識,還可以提供機械手臂的設計與原型,而工業電腦供應商可以據此提出整合解決方案,將所有的元素連接在一起。異質產業之間的這種聯盟合作,最終將建構一個完整的智慧製造流程。」

(參考原文:Edge AI drives smart manufacturing,by Gina Roos)

本文同步刊登於電子技術設計雜誌2019年12月號