聯華電子資訊工程處企業安全處協理王邦明以過來人的經驗，分享智慧製造基礎架構建置之道。
彙整／明雲青
有人曾問，為何一定要迎向「工業4.0」？主要癥結在於工業4.0是革命，今天不管你面不面對它，它都在那個地方、不會消失。談到實踐工業4.0的挑戰，可從兩個角度來看：一是技術面，隨著AI、Big data、雲端運算、IoT等許多新技術現身，若對手懂得活用它們，而你卻不用，恐陷於競爭劣勢；另一是管理面，須跳脫從前大量、固定的生產模式，設法讓營運變得更有彈性、更動態也更快速。
上述兩大挑戰的背後，都不約而同指向數位化。聯電所體認到的數位化，包含兩個趨勢：首先在未來世界，機器會慢慢變得跟人類一樣聰明，其次人與機器一起合作做一件事會是大勢所趨。
那麼智慧製造與傳統製造的基礎架構有何不同？根據經驗法則，大約每隔15年會出現IT世代翻轉，但近幾年變化速度加劇，今日一支手機的能力比1950年的大型計算機強大許多，在網路方面也有莫大變化，逐漸從有線網路連結走向無線環境，使得通訊不再被線綁住、甚至電源也不再被線綁住，加上Wireless傳輸速度愈來愈快，讓更創新應用慢慢被建構起來。
說起智慧製造，主要圍繞三個核心技術，一個是IoT、指的是後端的骨幹及基礎架構，二是Big data，再來端視企業如何處理這些Big data，此即牽涉到第三個重點、即是AI。具體來說，AI的基礎為 Big data，這些 Big data 係經由IoT收集而來，最終透過AI達到智慧製造的核心目的，從過去單純的機械自動化，轉換成為智慧型自動化。
過去比較像是工人智慧，由人來做思考、產生運算邏輯，至於AI大不相同，首先它來自數據驅動、而非倚賴人類經驗，其次它的運算邏輯是動態的，再者它具有自主性，不純粹只是自動化。
一以來人類經驗累積，須從許多資料慢慢梳理出資訊、知識，最後形成智慧，整個演進過程往往長達數十年，反觀AI，透數位資料、資料探勘與建模，短短幾天即可將需要做決策或推論的部份架構出來，前後流程有極大差異。在知識演進過程，ML模型非一成不變，而是依據環境變化而動態調整，且由機器來主導箇中變化，而非取決於原先設定好的規則。
王邦明說，現今企業要建立的 AI Server 架構，其中有兩個不同層級，一是推論功能可配置於前端，與機器設備相連接，便於即時反應，另一是模型訓練的部份，由後端伺服器來執行。原來判斷伺服器快慢的依據，不外乎CPU時脈與核心數量，現在除CPU外，還有GPU、DSP、DLA等許多其他不同的加速器進來，企業可按應用目的選擇不同的元件，例如要做大量圖形運算，適合使用GPU；假使要做很多向量計算，可考慮採用TPU達到加速效果；若要做線性代數加速，則考慮使用英特爾的Nervana（Lake Crest）架構。
總之AI是實踐智慧製造的關鍵之一，今天企業要佈建AI，會面臨到的幾個選擇包含如何建構後台伺服器，是要用GPU或其他特殊加速卡，與此同時，如何把訓練好的模型部署到邊緣端，亦是考量重點。另外他認為Container、及協助做管理的工具如Kubernetes（K8s），亦是值得關注的技術趨勢，只因有了它們、再結合SDDC（軟體定義資料中心）想法，便可輕易將地端上原有方案變成IaaS、PaaS或IaaS，轉換為雲原生環境，與既有的基礎建設或應用環境達到鬆散耦合，從而被靈活移轉到其他地方執行，實現所有混合雲結構，有助於讓更多智慧應用應運而生。
