瞄準AIoT大商機 各方業者紛紛卡位布局

NVIDIA Jetson TX2將整套AI系統縮小到一片電路板，為機器人、無人機、智慧型相機等裝置，提供進階的導航、語音辨識及影像辨識功能。來源：NVIDIA

近兩年以來，有一個新興名詞「AIoT」相當熱門，顧名思義，它是經由兩個同樣炙手可熱的趨勢－人工智慧(AI)、物聯網(IoT)彼此結合，所形成的新風潮，包括機器人、無人機、自駕車等備受關注的題材，皆與AIoT息息相關。

2017年初，美國研究機構BCC Research提出一份預測報告，直指全球人工智慧相關產品已經邁入成長階段，尤以智慧機器市場增長態勢最強，預期2019至2024年成長率最大的3種智慧機器，依序為自主機器、智慧助理，以及深度神經運算電腦。舉凡機器人、無人車、無人機等項目，皆屬於自主機器範疇，也是有志逐鹿AIoT商機的業者，必定全力搶攻的主戰場。

無獨有偶，全球知名的研究機構Gartner，也對於AIoT的發展前景，提出了頗為樂觀的預測；該機構指出，從現在起一直到2021年，平均每小時都有大約100萬台IoT設備被採購，而隨著AI技術的發展漸趨成熟，可望促使各式IoT終端設備，都紛紛為AIoT智慧機器。

AIoT風潮漸盛  智慧機器躍為新寵

以十分火紅的機器人為例，居家服務機器人可謂時下的新寵兒，不僅逐漸躋身智慧家庭應用的樞紐地位，隨著Amazon Echo、SHARP COCOROBO或ASUS Zenbo等等相關產品的陸續問市，更使市場熱度不斷攀升；在此同時，娛樂休閒型機器人的發展態勢也漸漸升溫，開始在諸多商用場域現身，比方說人們所熟知的Pepper，現已被愈來愈多的銀行或商店所導入採用，便是相當典型的例子。

看到這裡，也許有不少人好奇，在AIoT尚未蔚為趨勢之前，IoT、AI兩者其實已經各領風騷，且透過兩者的整合運用，形成一個極其自然的價值體現模式，即是藉由地端的感測器蒐集各式各樣的資料，再經由無線通訊，將這些資料彙整到IoT閘道器或控制電腦，接著連上網際網路，把大量資料送上雲端，除了進行儲存，也借助雲端的AI平台進行大數據分析，據此衍生各種富含智慧的判斷模型，進而結合遠端的監看與控制機制，在必要時由雲而地發出指令，驅使地端的機器設備做出對應的處置措施，即時遏阻某些異常狀況。

最簡單明瞭的例子，便是IAQ室內空氣品質監測，以醫院為例，假使雲端後台不僅掌握當下的氣溫狀態資訊，也能適時整合掛號系統、門診報到系統，就能預先推測接下來一小時或半小時醫院大廳的人數，作為空調換氣量的調整依據，從而驅動前線的空調設備進行升溫或降溫，如此一來，不但能恆常確保現場空氣品質處於理想狀態，也可避免因為過當的製冷量徒增無謂的能耗。

但問題來了，萬一哪天肇因於不明狀況，出現網路斷線，使得地端與雲端之間的互動管道陷入失靈，唯恐一併讓原本IAQ控管機制失效，導致人多時空調換氣量卻不足，因空氣品質惡化造成看診民眾身體不適，或是人少時卻啟動較大的製冷量，違背了院方所預設的節能減碳目標。

IAQ或能源管控失調，肯定都不是好事，但不見得有致命性衝擊，假設網路斷訊之現象發生在自駕車或智慧汽車，造成雲端的智慧指令無法傳遞到地端，其後果勢必更加嚴重，況且事實上，汽車每當行經隧道，斷線的機率往往不小。由此可見，若是以雲端為中心的AI運用架構，在許多狀況下都可能失去作用，明顯不是理想的解決方案。

業者指出，就算一切運作如常，太過仰賴雲端AI服務，也容易導致營運成本激增，為一大後遺症。眾所皆知，用戶付給雲端服務商的費用多寡，取決於他上傳資料量的大小，倘若資料量太大，連線與儲存空間的費用都將同步攀升；可以預期，如果IoT資訊不經任何篩選過濾，通通送上雲端做AI處理分析，必定造成極為沈重的成本負擔。

為解決前述難題，業界開始提倡「邊緣運算(Edge Computing)」概念，使得嵌入式人工智慧或AIoT蔚為新寵。所謂邊緣運算，主要精神即在於就近運算，把一些基礎常見的運算或分析工作，交由本地區網內的機器來處理，意即在靠近資料來源的所在地進行運算，儘可能不將資料上傳雲端。

邊緣運算添柴火  助長嵌入式AI氣勢

不可諱言，最適合發揮邊緣運算效益的應用場域正是IoT，舉凡機器人、自駕車、無人機，甚至是擴增實境(AR)或虛擬實境(VR)等應用項目，其實都極為仰賴即時的影像分析及辨識處理，反應速度必須快到毫秒甚或微秒等級，如果經由網際網路往返雲端，等待時間勢必遠高於此，明顯不符需求；因此顯而易見，嵌入式人工智慧或AIoT才是最佳解決方案。

影響所及，一些大型的雲端服務供應商，看待邊緣運算的態度出現巨大轉折，從過去的排斥轉而接納，甚至開始大力擁抱。以亞馬遜(Amazon)為例，除了將無伺服器運算服務Lambda，擴展到AWS之外的邊緣節點，因而推出了Lambda＠Edge，另外針對IoT應用需求推出AWS Greengrass服務，可供IoT設備搭載使用，使用戶得以在安全狀態下，透過連網裝置執行本機運算、執行AWS Lambda函數，也能維持裝置資料同步，縱使網路斷線，亦可與其他設備進行安全通訊。

總括而論，Greengrass的初衷，即是把Lambda及其他AWS服務從雲端延伸到本地，就近提升IoT裝置的運算能力，讓這些裝置能夠更靠近資訊來源，執行資料的處理與分析工作；客戶可選擇應該在本機處理和存放的資料，以及應該在雲端處理和存放的重要珍貴資料。

不僅亞馬遜，另一家雲端服務大廠微軟，也開始朝向邊緣運算布局，透過2017年Build開發者大會推出Azure IoT Edge服務，旨在把機器學習、進階分析或AI服務，從原本Azure雲端帶往鄰近資料來源的前端IoT設備，讓用戶毋需等待將資料上傳雲端處理的延遲時間；綜觀Azure IoT Edge服務內容，除了早在Build開發者大會之前便已推出的Azure 串流分析工具外，還新增了Azure機器學習、微軟AI認知服務等備受各方關注的項目。

在雲端大廠外，布局嵌入式人工智慧的業者亦不在少數，但談到對於產業的影響最為深遠的產品，即是NVIDIA所推出的Jetson TX2模組。深究Jetson TX2的奧妙之處，但是將整套人工智慧系統縮小到一塊電路板，幫助終端設備運行AI深度學習功能。

換言之，用戶只要善用搭載NVIDIA Jetson TX2的智慧終端裝置，即可直接透過該裝置處理複雜資料，快速獲得精準的推論，將原本高不可攀的人工智慧推向終端世界。根據NVIDIA的說法，無論機器人、無人機、智慧型相機，抑或可攜式醫療裝置，皆可適用JETSON TX2 模組，提供進階的導航、影像辨識與語音辨識等智慧功能。

值得一提的，Jetson TX2的尺寸約等同於名片大小，功耗低於7.5W，效能較前一代產品Jetson TX1提升了兩倍，可望使GPU模型的推論(Inference)更趨完善，堪稱是史上最小巧節能的AI大腦。