智能制造需边缘计算、AI加持，目前的工业MCU能否做到
在新冠疫情期间，制造业纷纷加速了数字转型的脚步，透过边缘计算(edge computing)、人工智能(AI)、虚拟现实(VR)/扩增实境(AR)、数字孪生(Digital Twin)，甚至是近期很火的元宇宙(metaverse)概念…等众多新兴技术，实现智慧工厂。在后疫情时代，数字化智能制造的发展也并未停歇，高效能边缘计算、生成式人工智能(Generative AI)…等再度进化的智慧技术，更是成为制造业数字转型的关键技术。
各种关键技术不断加入现有的厂区，促使智能制造架构中的“要角”——微控制器(MCU)，也不得停下脚步，需与时俱进，才能肩负起这场制造业智能化革命的重责大任。
2023~2032年智能制造市场规模(单位：百万美元)。
(来源：Precedence Research)
特别预告，本文中接受采访的晶心科技、雅特力将参加7月21日在深圳举办的“2023全球MCU生态发展大会”并发表主题演讲。本次大会是目前国内规模最大的专业MCU行业盛会，由AspenCore主办，同期还将举行“汽车MCU”、“无线MCU”分论坛以及“电机驱动&控制论坛”。知名厂商和大咖云集，展示各类最新应用方案，欢迎点击报名参加
新技术加持智慧再升级随着边缘计算与人工智能等技术的进驻，智能制造的发展如虎添翼。Silicon Labs资深产品营销经理Chad Steider指出，边缘人工智能(Edge AI)在智能工厂和许多其他产业的应用中均呈现日益成长的态势，透过添加到这些智能功能，并使其尽可能地接近关键操作的位置(即边缘端)，将有助降低延迟并提高实时执行操作的准确性。
不仅如此，近期，较现有着重在辨识、分析的人工智能技术，更上一层楼的生成式人工智能，也因ChatGPT的横空出世，而受到广泛讨论，未来也可能被导入到智慧工厂中。ADI数字事业部处理器部门资深首席产品应用工程师Brian Rush，表示，包括GPT、chatGPT等相当知名的人工智能模型，都属于非常大型的模型，不只需要大量的内存，运作时的功耗也相当高。不过，进到边缘及行动端的计算，运用到类似树莓派、Nvidia Jetson这类的单板计算机(Single Board Computer)，这类计算的模型相对较小，功耗也可能是个位数到最多10W，而这类设备也需要处理高画质的4K甚至8K的影像。重要的是，上述发展让智能传感器的扩充成为可能。也就是说，当预期串接的传感器达到数十亿颗时，需要更小的平台，进而衍生出tinyML的概念。
晶心科技(Andes)董事长暨首席执行官林志明则认为，边缘计算、Edge AI、图像处理、语音识别等功能，在制造领域逐渐被使用，以期可打造出工业4.0 (Industry 4.0)概念中所描述的智慧工厂。而微控制器的就必须让这些新加入的技术，所衍生出来的功能，顺利且精准的运作。
MCU技术再精进多元技术催动智能制造更加“智能”，衍生出更多新兴应用的同时，微控制器也针对这些技术与应用所需强化自身的能力。雅特力(Artery Technology)表示，无论是边缘计算或Edge AI，高效能、实时控制和精确度，微控制器皆须以高整合度的功能特性，着重提升中央处理单元、功耗和数据保护，强化设备智慧感测、精确辨识和实时响应。如此才能进一步将智慧化应用推向智慧工厂、工业物联网(IIoT)、机器视觉和成像应用，如指纹、脸部辨识和移动侦测等更多的新兴应用领域。
事实上，无论是在工业或是其他领域，由于边缘设备的迅速增加，微控制器在过去数十年里发生了巨大的变化。恩智浦半导体(NXP)安全连接与边缘计算事业部大中华区营销经理李宜儒认为，尽管微控制器是当前许多边缘应用的核心，但下一代智能应用对微控制器提出更高要求，以帮助开发人员满足功率、效能和安全上的复杂需求。一方面掌握各种连接选项，同时还需平衡系统总成本和效能。而在工厂智能化应用方面，市场对灵活可扩展性解决方案的需求已更为提高，且对于在工业与商业系统间的快速连接也加速成长，这都是为了能承受在极具挑战的工业应用里会出现的黑客攻击、蓄意复制、窜改或不经意的错误。
Steider则针对智能制造下一步实现自主控制，说明此趋势将为微控制器带来何种技术进展。他表示，对于实现自主控制来说，找到可减少人工智能和机器学习(ML)算法运作所需时间的方式至关重要。因此，可以发现，业者推出的包括无线微控制器或通用、独立的微控制器的产品中，已开始为此目的添加人工智能/机器学习硬件加速器。
除此之外，微控制器的功耗与成本也不能因功能的增加、效能的提升而无止尽地飙升，Rush表示，小型的人工智能模型推论不需要消耗大量的功耗；不过，需注意的是，当模型压缩时，即使一样可以实现功能，但准确度可能也会随之降低。
值得注意的是，以RISC-V核心为基础的微控制器，也在这波智能制造的浪潮中，逐渐攻城略地。林志明强调：“RISC-V技术就是目前的产业技术趋势。”以微控制器的中央处理单元来看，在过往的几十年，是以英特尔(Intel)的x86，以及Arm两大架构为主流，但是现产业主流已经加入了RISC-V核心，且近几年RISC-V在全球掀起一股热潮。因此目前许多微控制器供应商，开始纷纷加大力度采用RISC-V作为微控制器的中央处理单元，以满足边缘计算、Edge AI、图像处理、语音识别…等功能的需求。
另一方面，众所周知，根据具备的计算能力，微控制器本身有不同的等级区分，并有其各自适用的应用领域。林志明表示，市场一直以来都会加以区分微控制器和微处理器(MPU)，微处理器通常被认为是更高阶的组件。然而，随着摩尔定律(Moore’s Law)与半导体技术的发展，芯片的面积逐渐缩小，每个晶体管所占的面积也越来越小。因此，微处理器等级的处理单元也搬到微控制器上使用，这也让微控制器进行实时计算分析和自主调节等功能的需求变得非常的可行。因此，采用先进工艺开发微控制器是未来的趋势，而采用先进工艺又同时采用RISC-V高端的中央处理单元正好是一个混合的解决方案。
Rush则认为，在Edge AI或tinyML的领域，微处理器和微控制器的关系并非彼此竞争，而是互补。边缘或便携设备端的计算，可以实现许多应用，但昂贵且大型的系统能部署的数量有限；为让人工智能传感器能大量部署，使用更轻量化的人工智能可以增加很多价值。不过，某些应用仍不适用，例如，导入到大型且成本高昂的智能摄像头应用，采用微控制器将会有不少局限，但整体来看，在许多人工计算应用中仍旧具备相当的价值。
虽然人工智能与机器学习现在已成为各行各业朗朗上口的技术名词，它们势必不会在智能制造相关应用中缺席。但Rush提醒，从机器学习到深度学习，业者们必须先厘清何谓人工智能，这是由于，人工智能是一个很大的议题，业者必须区分传统机器学习的概念和深度学习。简言之，深度学习是机器学习的子集合，它涵盖了神经网络，而不仅仅与数据分析及数据科学相关。不过，无论机器学习或深度学习，都是人工智能的一部分。
安全性为首要由于导入了“智能”，如今智慧工厂也面临着被有心人士入侵的风险。李宜儒说明，为承受在极具挑战的工业应用里会出现的黑客攻击、蓄意复制、窜改或不经意的错误，业者对在工业与商业系统间的快速连接需求加速成长。相对地，连接的需求提高即衍生漏洞，给予黑客攻击的机会，因此，微控制器业者在安全性方面的投入也相当积极。
雅特力认为，有鉴于物联时代促使云端和边缘计算产生海量的数据，因此微控制器在数据储存中，如数据受保护区管理、严格的编程流程规划和执行中管理访问权限…等应用变得极为重要。雅特力微控制器提供多元的保护措施，不仅导入sLib安全库(Security Library)，在硬件芯片设计方面，更加强芯片本身读写、校验和防止他人透过外部除错接口进行擦除操作的功能。
除了厂区内部联机的安全之外，Steider表示，智慧工厂的主要安全问题之一是操作技术(Operational Technology，OT)与信息技术(Information Technology，IT)的结合。虽然，IT安全很好理解和管理，但OT则可能会引发一个可被利用的安全漏洞。因此在Silicon Labs的微控制器和无线微控制器产品中，安全性一直是产品开发的优先和关键考虑。此外，微控制器内部结合安全组件(Secure Element)功能，无需因增加外部安全组件而造成成本上升或设计复杂性。
RISC-V核心也在安全性上下了功夫，林志明指出，随着RISC-V在规格和指令集上的演进，各种RISC-V核心的微控制器，可根据RISC-V的指令集、规格或厂商的不同来支持各种安全防护功能。此外，晶心科技本身还拥有独特的技术和产品设计，并整合超过20家安全防护功能的解决方案，包括软件IP和硬件厂商等，共同协助客户制定微控制器所需的资安功能。
未来之路——自适应、关灯工厂衍生更多要求未来，智慧工厂的下一步即为走向自适应、关灯工厂…等将智能化技术集大成的目标，这会为微控制器带来更多的技术需求。Steider认为，随着工厂越来越自动化，并试图消除人为错误或安全问题，将可看到关灯运作是日益成长的趋势。这推动了工厂对更多远程监控的需求，从而也带动市场对无处不在连接的需求，如低功耗蓝牙(Bluetooth LE)、Wi-Fi、控制器局域网络(CAN)等。
对于自适应制造来说，在生产过程中监控产品质量将更加重要，这就需要非常精确的监控镜头或秤重设备，以确保最终产品不会牺牲精确度。此外，Steider并提到，除了自适应与关灯工厂，重新配置工厂的需求也有渐增的趋势。随着工厂的生产快速在市场流行的产品间切换，想要转移到下一个产品时，业者会想要更容易地重新配置，而传统工厂很难做到。因此，在生产机器上增加无线设备，如此一来，工厂进行调整时就不再需要处理电线的问题，这也带动市场对无线微控制器的需求大幅提高。
综上所述，Steider认为，未来的微控制器中，会有越来越高的计算潜力、人工智能/机器学习硬件加速器、更多的接口如USB和低功耗蓝牙，以及更多的感测和监控功能。
雅特力指出，目前所说的“智慧工厂”仍停留在生产自动化和人机协作，真正要实现“自适应工厂”或“关灯工厂”等新型态工厂，得透过物联网、智能制造、预防保养、自回馈等技术，做到虚实整合。因此，为因应未来智能工厂应用需求，微控制器相在芯片设计上须往先进工艺发展，如40nm、28nm、20nm等，以设计出高规格的芯片系统、具备超低功耗，同时节省占位空间，带来更好的效能优势。不仅如此，雅特力并提到，低功耗微控制器导入边缘设备，整合多种传感器和控制节点，实现实时控制、数据采集和通信传输，对于这些安装或人工维护不便的场域环境，大幅降低布局难度，使设备更加智能化、安全化，扩展更多功能。
李宜儒表示，灵活性是未来工厂的必备要素，目前每当必须重新配置生产时，在工厂车间移动电缆效率太低。不可否认，工厂仍需要电缆，但可将5G专用网络视为无线基础设施的补强覆盖技术，从而提供更大的灵活性。然而随着越来越多的工厂变得更加灵活，完全采用有线连接的工厂可能会变得障碍重重，但这并不意味着使用云端来管理每个设备和子系统。也就是说，工厂机器人内部采用时间敏感型(TSN)有线连接，并与无线网络串联，以支持各工厂子系统之间的通讯。另一方面，机器人应用基于微控制器和处理器，并可使用云端管理软件轻松地管理和更新嵌入式软件，可实现更好的协调，增加可视化，提高软件敏捷性并简化生命周期管理。而上述未来工厂所需的功能，都会将微控制器推往高效能、安全性、耐久性、稳健性、实时性这五大面向迈进。
本文同步刊登于《电子工程专辑》台湾版杂志2023年6月刊
责编：Luffy赋予实时洞察力：计算机视觉与边缘计算的协同作用
在当今快节奏的世界中，尖端技术的无缝集成已成为创新的基石。
其中，计算机视觉和边缘计算脱颖而出，成为改变各行业的两大关键支柱。计算机视觉是一种人工智能驱动的技术，使机器能够解释、分析和理解来自世界的视觉信息。另一方面，边缘计算能够在网络边缘实现实时数据处理和分析，更接近数据源，减少延迟并提高效率。
计算机视觉与边缘计算集成的好处赋予实时洞察力：计算机视觉与边缘计算的协同作用
计算机视觉与边缘计算的集成开启了一个新的可能性领域，特别是在实时数据分析和低延迟至关重要的领域。通过使智能更接近数据源，企业现在可以做出更快、更明智的决策。这种协同作用尤其彻底改变了以下领域：
1.智能监控系统传统的监控系统正在迅速被计算机视觉和边缘计算驱动的智能、主动解决方案所取代。这些系统可以实时处理和分析来自多个摄像机的视频源，检测异常情况，预测潜在威胁，并及时向当局发出警报。因此，安保人员可以更有效地应对事件，使公共空间更加安全。
2.工业自动化计算机视觉与边缘计算的集成极大地提高了工业自动化水平。在制造单位中，部署在生产线旁边的摄像头可以精确识别有缺陷的产品。通过分析边缘数据，系统可以立即采取纠正措施，防止缺陷产品在生产过程中进一步发展。这种优化最大限度地减少了停机时间，减少了浪费，并提高了整体生产力。
3.零售拓展实体零售商正在利用计算机视觉和边缘计算来更深入地了解客户的行为和偏好。战略性地放置在商店中的智能摄像头可以分析购物者的动作、产品交互，甚至面部表情，同时保持数据隐私。这种数据驱动的方法可以帮助零售商优化商店布局，提供个性化推荐，并最终提高整体购物体验。
4.自动驾驶汽车随着自动驾驶汽车的出现，汽车行业正在经历一场变革。部署在边缘的计算机视觉算法使这些汽车能够快速解释和响应周围环境。通过实时处理来自多个传感器的数据，自动驾驶汽车可以检测行人、路标、障碍物和其他车辆，确保道路上安全可靠的导航。
计算机视觉与边缘计算的挑战和机遇赋予实时洞察力：计算机视觉与边缘计算的协同作用
虽然计算机视觉与边缘计算的协同作用呈现出巨大的潜力，但也带来了一系列挑战：
1.带宽限制与集中式云服务器相比，边缘设备通常以有限的带宽运行。这一限制需要优化计算机视觉模型和数据传输，以确保有效的处理，而不会使网络不堪重负。
2.安全及隐私随着数据的处理更接近数据源，确保敏感信息的安全性和隐私性变得至关重要。必须采用强大的加密和身份验证机制，以保护数据免受未经授权的访问或篡改。
3.可扩展性对于大规模部署，管理和扩展边缘设备可能很复杂。必须设计灵活的架构，以适应不断增长的计算需求，同时保持无缝操作。
总结不可否认，计算机视觉与边缘计算的无缝集成正在重塑各行业的技术格局。从支持实时监控和工业自动化，到彻底改变零售体验和自动驾驶汽车，这种协同作用为创新和增长提供了前所未有的机会。随着组织继续探索这种集成，解决带宽限制、安全性和可扩展性等挑战将为未来铺平道路，在未来，即时获得可操作的见解，将效率、安全性和生产力提升到新的高度。
边缘计算与物联网是什么关系
边缘计算和物联网（IoT）有密切的关系。物联网是指通过网络将各种物理设备连接在一起，共享并交换数据。边缘计算则是一种处理和分析数据的方法，该方法将数据处理的工作负荷从数据中心或云转移到离数据源更近的地方——即"边缘"。
物联网设备（如传感器或嵌入式设备）产生了大量的数据，这些数据通常需要发送到云端进行存储和分析。然而，随着物联网设备数量的增加和数据量的爆炸式增长，这种模式可能会导致网络延迟、数据传输成本增加，以及对数据中心的巨大负荷。
这就是边缘计算派上用场的地方。通过在网络的边缘（即接近物联网设备的地方）进行数据处理和分析，我们可以减少对网络带宽的需求，降低延迟，提高数据处理的速度，同时保护数据的隐私和安全。在一些需要快速响应或在网络连接不稳定的情况下，边缘计算是非常有价值的。
例如，在一个大型制造工厂中运行一个全自动生产线。生产线上的每个机器都有许多传感器，这些传感器会实时生成大量数据，例如温度、压力、振动、声音等。这些数据对于监控设备的性能、预测设备故障、优化生产过程等都是非常有价值的。
然而，如果将所有这些数据发送到云端进行处理和分析，那么可能会面临网络延迟、数据传输成本、数据安全等问题。而且，在一些需要快速反应的情况下，云计算可能无法满足需求。例如，如果一个重要的机器即将故障，需要尽快得知这个信息，以便尽快采取行动。
这就是边缘计算能够帮助你的地方。通过在生产线上的数据采集设备（或者称为边缘设备）进行数据处理和分析，你可以实时获取重要的信息，以便快速做出决策。同时，你还可以减少对网络带宽的需求，降低数据传输成本，提高数据安全性。
此外，边缘计算还可以帮助你实现更高级的功能，例如使用机器学习算法进行预测维护。你可以将训练好的模型部署到边缘设备上，然后使用实时数据进行预测。这样，你可以在问题出现之前就获得警告，从而避免停机或设备损坏。
总的来说，物联网和边缘计算是一种强大的组合，可以帮助我们更有效地处理和利用大量的设备数据，以实现更智能、更高效的系统和服务。