繼PC、網際網路、行動通訊後，物聯網被視為第四波IT產業的典範轉移，與過去三次不同，這次物聯網所帶起的浪潮席捲了各類型產業，而2016年底興起的AI，更迅速與物聯網結合為AIoT，確定了各類型垂直應用系統的智慧化趨勢。AIoT概念啟動至今大約兩年，初期概念也大致底定，近期的架構走向將是雲端與邊緣運算並重，目前應用則以影像辨識居多。

邊緣運算解決傳統物聯網困境

這波AIoT的發展，深度學習（Deep Learning）演算法是重要關鍵，過去深度學習所需的運算資源非常龐大，需要足夠演算力的雲端平台進行運算，不過AI普及最終仍需滲透到行動與終端裝置上，因此邊緣運算架構逐漸浮現，邊緣運算概念為早期分散式運算架構所進化，物聯網趨勢初期、雲端運算當紅之際時，網通大廠思科提出的霧運算（Fog Computing）也是類似的概念。

圖1 : 繼PC、網際網路、行動通訊後，物聯網被視為第四波IT產業的典範轉移。（source: Which-50）

邊緣運算是讓終端設備具有一定程度的運算能力，感測器擷取到設備或環境資訊後，先由終端設備或閘道器進行初步處理，再依照設定處理訊息方向，部分資訊往上傳到雲端，部分資訊則即時處理掉。

對AIoT系統來說，邊緣運算可以解決幾個問題，首先是降低上層雲端平台的工作負載，過去物聯網架構是將所有訊息都送到上層，由雲端平台進行分析。但在實作後發現不可行，原因是物聯網底層感測器所擷取的資料量過多，對物聯網來說僅有少數資料有分析價值，其他則都無用，如果要將所有數據都往上傳，一來龐大的數量將會拖垮雲端平台，導致整體系統的效能降低，二來也會讓頻寬過載。

邊緣運算則是讓數據在終端設備上先處理過再決定去向，這種讓運算能力平均在各環節的做法可減少雲端和頻寬負載，進而提升系統效能。至於如何處理、決定資訊，就必須靠深度學習。

深度學習提升AIoT效能

深度學習是這次AI革命中機器學習演算法的一種，這兩種演算法在這次的AIoT趨勢中都有所應用。機器學習與深度學習都將過程分為訓練（Training）與推論（Inference）兩個模式，訓練模式是透過大量的資料匯入、運算並進行參數調整，從而獲得一個可用的AI運算模型；推論模式則是模型完成後正式用在營運上，進行各種智慧偵測、智慧辨識。

圖2 : 機器視覺導入訓練模式的AI模型，不但檢視速度不遜於傳統的機器視覺，而且也更有彈性。（source: Electronics Sourcing）

在具備邊緣運算功能的AIoT系統中，會先行針對特定功能進行訓練，再將訓練結果下載到終端設備，使之具備判斷能力，以產線中的機器視覺為例，機器視覺主要用來判斷產品的瑕疵，為生產品質把關。過去的做法是在視覺軟體中建入條件，例如有汙點、破損，就是必須淘汰的瑕疵品，而除了所設定的條件外，機器視覺就一概認為是良品，在過去大量生產模式中，這是最有效率的方式，

但在少量多樣生產需求下，快速換線或混線生產比例逐漸升高，要讓機器視覺監測產品，軟體條件就必須越設越多，而且一旦疏漏就會危及整體的品質，在此狀況下，有深度學習功能的邊緣運算就可發揮效益。

這類型架構的終端設備導入訓練模式的AI模型，工業相機傳回產品影像後，即可自行推論產品是否有瑕疵，不但檢視速度不遜於傳統的機器視覺，而且與過去僵化的條件設定方式相比也更有彈性。

邊緣運算應用多元

不過，邊緣運算看似是所有架構的最佳解答，只是現在本身也仍有低功耗的運算晶片和適用於終端的輕量化演算法等問題待解。低功耗AI運算晶片已是全球半導體產業的發展焦點，各種解決方案不斷浮出，且各自擁有適用情境與優劣勢。演算法的輕量化，則是透過壓縮技術將龐大的演算法模型精簡化，以供終端使用，這些技術與服務，也是目前國際領導大廠與新創企業發展的目標。

AIoT發展至今，在辨識與感知方面已經有明顯的成果，未來則需要讓AI更貼近人類思考模式，如：更快的學習速度、更少的資料需求、能解決更複雜的決策問題、能自主學習必要技能等。此外，AI的普及也是下一階段的重點，讓更多人使用，觸及到更多產業及個體。

未來產業界會持續將成熟AI滲透到各行各業，在基礎上革新AI底層技術，讓AI的智力與能力進一步提升，進而擴展到各種領域，而就目前發展來看，除了前面提到的製造業外，家庭會是AI的首波應用重點之一。

圖3 : 智慧家庭被視為AI的首波應用重點之一。（source: TechHive）

智慧家庭目前有三大趨勢：一是從2015年亞馬遜Echo的異軍突起，將AI語音助理成功帶入家庭生活中，促使全球智慧家庭市場再掀熱潮，2017年下半年智慧音箱進入爆發成長期；二是英文語系與中文語系的AI語音產業鏈正各自成形；三是居家機器人大戰已開打，智慧家庭領導廠商洗牌中，各類業者包括平台大廠、家電大廠、監控業者、行動服務業者、汽車業者等從自身優勢出發，以家庭照護陪伴與自動化控制為方向，大舉進軍居家機器人市場。

此外，在AIoT技術驅動下，智慧商務新概念也開始延伸。從無人機送貨、無人計程車、無人商店、刷臉支付、智慧看板、智慧餐桌、智慧貨架到情感社交機器人、商用導覽機器人、倉儲物流機器人、檢貨機器人等各種AIoT裝置軟硬整合解決方案，正在開枝散葉。AI平台是AIoT機器大腦，也是決定其運作是否流暢的重要關鍵所在。

未來AI應用平台、AI演算法與AI感測晶片是三位一體。台灣業者可從AI應用系統與平台架構出發，掌握相關的AI演算法發展，再由AIoT終端零組件及聯網設備的產業優勢切入，如感測晶片、光學模組、觸控面板、匣道器等。若台灣業者能提升這些關鍵元件的功能，整合AI發展硬體上的軟體模組，推出高附加價值的AIoT機器元件，將可增加台灣在AIoT的核心競爭能力。